基于RBF-PLS 的水稻缽盤精量播種裝置充種性能預(yù)測

李衣菲，陶桂香，毛 欣，衣淑娟

(黑龍江八一農(nóng)墾大學(xué) 工程學(xué)院，黑龍江 大慶 163319)

稻谷是世界主要糧食作物。 我國是世界上最大的水稻生產(chǎn)國。 據(jù)《國家統(tǒng)計局關(guān)于2018 年糧食產(chǎn)量的公告》：2018 年，我國水稻總產(chǎn)量 2．1 億 t，單位面積產(chǎn)量 7027kg·hm-2[1]，居世界第一。 同年，黑龍江水稻總產(chǎn)量2685．5 萬 t，單位面積產(chǎn)量 7096．5kg·hm-2，占全國水稻產(chǎn)量的 12．7%[2]。 目前，黑龍江省水稻多采用移栽種植方式，緩苗時間短，易于管理。水稻的移栽的前期工作包括催芽、播種、育秧等工序。為保證移栽時秧苗準、勻、齊，育秧前可用缽盤精量播種裝置進行精量播種。 水稻缽盤精量播種裝置的充種部件是缽盤精量播種裝置的關(guān)鍵部件[3]，充種質(zhì)量的優(yōu)劣，直接影響播種的合格率與芽種的損傷率。 影響水稻缽盤精量播種裝置充種性能有缽盤型孔直徑、厚度，投種高度等因素。 由于充種過程各個因素之間存在復(fù)雜的交互作用，簡單的數(shù)學(xué)解析式不能表達水稻充種過程各參數(shù)對播種性能指標的影響規(guī)律。

RBF 是一種有效的徑向基神經(jīng)網(wǎng)絡(luò)構(gòu)造方法，遵從局部逼近原則，可處理系統(tǒng)內(nèi)的難以解析的規(guī)律，實現(xiàn)非線性模型的預(yù)測。 與BP 神經(jīng)網(wǎng)絡(luò)相比，RBF 具有較快的學(xué)習(xí)收斂速度[4-5]。 PLS 偏最小二乘法是一種新型的多元統(tǒng)計數(shù)據(jù)分析方法，將高維數(shù)據(jù)空間投影到相對應(yīng)低維空間，找到自變量與因變量的特征向量的一元線性回歸關(guān)系，去除無意噪聲。 將RBF 網(wǎng)絡(luò)的結(jié)構(gòu)特點與PLS 回歸方法的優(yōu)勢結(jié)合起來，用PLS 方法提出數(shù)據(jù)集的主成分[6-7]，來構(gòu)建RBF 網(wǎng)絡(luò)模型，減少了數(shù)據(jù)多重相關(guān)的影響及學(xué)習(xí)次數(shù)，具有較優(yōu)的泛化能力[8]。RBF-PLS模型于20 世紀90 年代被提出，廣泛應(yīng)用在識別、預(yù)測等方面，利用神經(jīng)網(wǎng)絡(luò)解決語音識別、圖像識別等認知類任務(wù)[9]，對多變量混沌時間序列進行的預(yù)測研究[10]。

本研究在以型孔直徑、型孔厚度、種箱速度、稻種含水率、刷種高度為試驗因素的二次回歸正交充種性能試驗研究基礎(chǔ)上[11]，利用RBF-PLS 網(wǎng)絡(luò)，對試驗結(jié)果進行預(yù)測，得到充種合格率及芽種損傷率的擬合曲線圖、誤差曲線圖，并驗證預(yù)測結(jié)果準確性，為對其他農(nóng)業(yè)作業(yè)環(huán)節(jié)的預(yù)測研究提供參考。

1 材料與方法

1.1 材料

試驗材料為黑龍江省常用水稻品種墾鑒3 號，含水率24．6%，芽長1～2mm。試驗設(shè)備為型孔翻版式水稻缽盤精量播種機充種部件，主要由種箱、型孔板、刷種輪、翻板、清種舌等組成[2]。

1.2 方法

試驗及驗證試驗均在黑龍江八一農(nóng)墾大學(xué)工程學(xué)院播種實驗室水稻缽盤精量播種試驗臺上進行。 具體試驗步驟為：（1）啟動交流電機，使種箱行走至充種緩沖區(qū)；將缽育秧盤固定于型孔板下方，微調(diào)秧盤位置，保證型孔中心與秧盤每穴中心大致對齊。（2）閉合種箱擋板，閉合翻板，倒入稻種，準備試驗。（3）調(diào)節(jié)變頻器參數(shù)，待電機穩(wěn)定運行，開始試驗。種箱做往復(fù)運動，打開擋板，稻種在重力及刷種輪帶動下下落進入型孔[2]；種箱往復(fù)運動一次為一周期，一個試驗周期結(jié)束，停止種箱運動，打開翻板，稻種落入秧盤，充種過程結(jié)束。每組試驗重復(fù)3 次。稻種落入型孔方式有多種[12]，可通過人工查數(shù)方式記錄，記錄合格率、損傷率等性能指標。建立RBF-PLS 算法構(gòu)建系統(tǒng)屬性模型，以試驗因素為訓(xùn)練樣本，以評判指標為輸出參數(shù)，對所有數(shù)據(jù)進行歸一化處理，輸入27 組歸一化后的訓(xùn)練樣本，利用Matlab 進行結(jié)果預(yù)測[13]，預(yù)測結(jié)束對數(shù)據(jù)進行反歸一化處理，得到擬合曲線及誤差曲線圖。選取具有差異的10 組數(shù)據(jù)導(dǎo)入已建模型中，得到預(yù)測結(jié)果。 選取相同數(shù)據(jù)，在充種裝置上進行驗證試驗，驗證方案見表3，分析對比預(yù)測結(jié)果與試驗結(jié)果，判斷預(yù)測結(jié)果準確性。

1.3 試驗設(shè)計

圖1 充種結(jié)構(gòu)示意圖Figure 1 Schematic diagram of filling structure

本研究以二次回歸正交試驗方案為預(yù)測試驗方案，對型孔直徑、型孔厚度、種箱速度、稻種含水率、刷種高度五因素（表1）進行27 組預(yù)測試驗[11]，得到每組試驗評判指標合格率與損傷率的數(shù)值（表2），歸一化處理結(jié)果見表3。

表1 因素水平編碼Table 1 Actors and levels

表2 二次回歸正交設(shè)計方案及結(jié)果Table 2 Quadratic orthogonal rotation combination design programmes and outcomes

表3 歸一化結(jié)果Table 3 Normalized results

2 RBF-PLS 網(wǎng)絡(luò)結(jié)構(gòu)模型建立

2.1 徑向基（RBF）構(gòu)造

RBF 是一種單隱層前饋神經(jīng)網(wǎng)絡(luò)，包括輸入層、單隱層、輸出層[14]，拓撲結(jié)構(gòu)如圖2。 該網(wǎng)絡(luò)以高斯函數(shù)作為基函數(shù)，隱層元素算法如式（1）[15]：

式中：x 為n 維輸入向量；ci為初始化隱藏層各神經(jīng)元的中心參數(shù)；i 為隱含層第i 個神經(jīng)元的寬度向量；m 為隱含層神經(jīng)元總個數(shù)；‖x-ci‖為歐氏范數(shù)，表征向量x 與中心參數(shù)之間的正長度。

隱層是連接輸入層與輸出層的橋梁，該層間接實現(xiàn)了從輸入向量x→輸出向量y 的非線性映射[16]。 最終輸出方程為：

圖2 RBF 網(wǎng)絡(luò)結(jié)構(gòu)Figure 2 RBF network structure

式中：ωik為連接權(quán)值；φi(X)為傳遞函數(shù)。

2.2 偏最小二乘回歸（PLS）回歸原理

PLS 法是通過同時剔除自變量矩陣X 和因變量矩陣Y 中的非有用信息，利用回歸、主成分分析等統(tǒng)計方法，重新構(gòu)造系統(tǒng)信息排列組合方式、適用于樣本個數(shù)少于自變量個數(shù)的一種回歸模型。 PLS 法不受自變量相關(guān)性影響，可獲得最佳信息匹配函數(shù)。

設(shè)自變量矩陣 X={x1，x2，…，xp}，因變量矩陣 Y={y1，y2，…，yq}。 分別在矩陣 X 與矩陣 Y 中提取出成分 t1和 u1（t1是數(shù)據(jù)列向量的線性組合，u1是標簽列向量的線性組合[17]，t1和u1應(yīng)盡可能大地攜帶變異信息，且二者協(xié)方差應(yīng)達到最大，即轉(zhuǎn)變?yōu)榍蠼庾顑?yōu)結(jié)果問題）。提取第一個t1和u1成分后，模型實施X 對t1的回歸以及Y 對u1的回歸[18]。 如果回歸方程精度可靠，則終止算法；反之，將利用X 被t1解釋后的殘余信息以及Y 被t2解釋后的殘余信息進行第二輪的成分提取[19]。 如此往復(fù)，直到精度可靠。 迭代后的回歸模型如式（3）：

ρk=ωkβk，k=(1，2，…，r)，其中：ωk為第 k 次迭代的單位向量；βk為第 k 次迭代的參數(shù)向量；r 為數(shù)據(jù)陣包含成分數(shù)。

2.3 播種裝置充種性能的RBF-PLS 網(wǎng)絡(luò)結(jié)構(gòu)模型建立

通過對RBF-PLS 網(wǎng)絡(luò)結(jié)構(gòu)模型建立，既保留了徑向基函數(shù)的網(wǎng)絡(luò)結(jié)構(gòu)，又反映出自變量與因變量的對應(yīng)關(guān)系，是一種簡單的網(wǎng)絡(luò)回歸模型[20]。RBF 可實現(xiàn)可調(diào)參數(shù)至網(wǎng)絡(luò)輸出的線性轉(zhuǎn)化，但需求解權(quán)值參數(shù)。有學(xué)者曾使用最小二乘法求解參數(shù)，但最小二乘法增大回歸系統(tǒng)估計值方差、泛化能力弱、模型敏感，改變樣本集中個別數(shù)據(jù)，參數(shù)便有較大差異。 因此，學(xué)者逐步利用偏最小二乘法求得模型參數(shù)，該方法不僅具有較優(yōu)泛化能力，還可提高模型精度與穩(wěn)定性，減少學(xué)習(xí)的次數(shù)及降低多重相關(guān)的影響。在水稻缽盤精量播種裝置充種性能試驗中，將型孔直徑、型孔厚度、種箱速度、稻種含水率、刷種高度五項數(shù)據(jù)設(shè)為訓(xùn)練樣本[11]，輸入向量X 為m×5 維矩陣；將合格率、損傷率設(shè)為輸出參數(shù)，輸出向量Y 為m×2 維矩陣。具體算法步驟為：（1）將27 組試驗數(shù)據(jù)作為訓(xùn)練樣本，對于樣本集進行RBF-PLS 網(wǎng)絡(luò)構(gòu)建，得到RBF-PLS 網(wǎng)絡(luò)的泛化模型。 （2）將得到的網(wǎng)絡(luò)對集合U中的樣本進行泛化，設(shè)立精度閾值e1，目的是防止提取過多的主成分而產(chǎn)生過擬合現(xiàn)象。 計算泛化的均方根誤差rms，當rms＜e1時，停止提取主成分。 （3）將得到的網(wǎng)絡(luò)對整個數(shù)據(jù)集X 中訓(xùn)練數(shù)據(jù)進行泛化，設(shè)立精度閾值e2，當泛化的均方根誤差rmsnT 小于e2時停止增加RBF 網(wǎng)絡(luò)中的隱節(jié)點[21]。設(shè)立精度閾值e2的目的是防止產(chǎn)生過擬合的現(xiàn)象。 （4）如果 rmsnT＞e2，則重復(fù)步驟（1）～（3）。 如果 rmsnT＜e2，算法結(jié)束。 針對本研究試驗，設(shè)定 e1=e2=0．05。 利用Matlab，繪制試驗數(shù)據(jù)點的預(yù)測值曲線及誤差曲線。 以27 組二次正交旋轉(zhuǎn)為建?；A(chǔ)數(shù)據(jù)，獲得充種合格率與芽種損傷率擬合曲線與誤差曲線。 由圖3 和圖4 可知， 任一次充種試驗， 所獲結(jié)果真實值與利用RBF-PLS 建立的預(yù)測模型的預(yù)測值值差異較小。隨“0 水平”試驗次數(shù)增加，合格率變化趨勢逐步平穩(wěn)，為95%；損傷率不斷減小，趨于0．35%。

圖3 充種合格率擬合及誤差曲線Figure 3 Filling qualified rate and error curve fitting

2.4 性能指標預(yù)測

（1）預(yù)測樣本。 預(yù)測樣本見表 4。 （2）預(yù)測程序。 將表 4 中 10 組數(shù)據(jù)導(dǎo)入訓(xùn)練好的 RBF-PLS 網(wǎng)絡(luò)，程序為：mn=tramnmx(m，minp，maxp);n=sim(net_1，mn);nn=postmnmx(n，mint，maxt)。 （3）結(jié)果預(yù)測（nn）。 運用 Matlab 仿真得出10 組預(yù)測試驗樣本的合格率與損傷率：

可得，第5 組數(shù)據(jù)充種合格率最高為97．7%、損傷率較低為0．29%。

3 試驗驗證

依據(jù)1．2 試驗方法進行10 組驗證試驗，試驗設(shè)計見表4，結(jié)果見表5。 由表5 可知，組5 充種合格率最高為97．14%，損傷率較低為 0．29%。 組 2、組 3、組 6 充種合格率較低，原因為：組 2 型孔直徑過大、厚度過厚，種箱速度較高，每穴囊種個數(shù)高于應(yīng)囊基數(shù)，充種合格率較低；組3 含水率過高，芽種粘結(jié)力較大，種箱速度較高，充種不充分；組6 充種速度過快，充種不充分。 其余6 組受試驗條件、隨機誤差或機器震動等因素影響，充種合格率有波動，充種合格率最低為67．5%。 組8、組9、組10 芽種損傷率過高，原因為型孔直徑、厚度較小，且種箱運動速度過快，有“磕種”現(xiàn)象存在。

通過將試驗結(jié)果與預(yù)測結(jié)果進行對比分析， 得到誤差值如表6。 由表6 可知， 充種合格率最大誤差為2．0%， 最小誤差為 0．31%， 平均誤差為 0．864%； 損傷率最大誤差為 0．69%， 最小誤差為 0．02%， 平均誤差為0．035%。 誤差在評價標準允許的范圍之內(nèi)，預(yù)測較準確。

表4 待預(yù)測數(shù)據(jù)點Table 4 Group forecast input data

表5 驗證試驗結(jié)果Table 5 Verification test results

表6 試驗結(jié)果與預(yù)測結(jié)果誤差值Table 6 Error of test results and prediction results

4 討論與結(jié)論

在農(nóng)業(yè)生產(chǎn)過程中，神經(jīng)網(wǎng)絡(luò)模型多用于作物產(chǎn)量、病蟲害的預(yù)測[22-23]，但對農(nóng)業(yè)播種相關(guān)作業(yè)過程的性能預(yù)測較少。因此，全面了解各種網(wǎng)絡(luò)優(yōu)缺點，理清建模思路與原理，將網(wǎng)絡(luò)預(yù)測功能推廣至其它作物，如谷子、糜子等小籽粒穴播充種性能的預(yù)測，或其他農(nóng)業(yè)生物質(zhì)生長過程的預(yù)測，如作物生物量、種子發(fā)芽率、芽種出苗率、土壤特定元素含量的預(yù)測等[24-27]。神經(jīng)網(wǎng)絡(luò)的種類諸多，如BP 神經(jīng)網(wǎng)絡(luò)、RBF 神經(jīng)網(wǎng)絡(luò)及各類編碼機等。與BP 神經(jīng)網(wǎng)絡(luò)相比，RBF 神經(jīng)網(wǎng)絡(luò)的學(xué)習(xí)結(jié)構(gòu)更簡單、收斂速度更快、局部逼近能力更強。 并通過與PLS 算法的結(jié)合，可有效的減少運算節(jié)點及數(shù)據(jù)節(jié)點個數(shù)，使充種模型的建立更加簡潔精準。使用RBF-PLS 方式的建模預(yù)測，模型簡單，誤差率較低，可以進行推廣使用。

通過研究中充種合格率與芽種損傷率擬合曲線可得，因數(shù)水平編碼雖不斷變化，但合格率與漏播率實際數(shù)值與RBF-PLS 網(wǎng)絡(luò)模型誤差較小，為0．37%和0．035%。當因素的水平值為“0 水平”附近時，充種合格率與芽種損傷率擬合曲線數(shù)值趨于穩(wěn)定，為95%和0．35%。利用構(gòu)建的RBF-PLS 網(wǎng)絡(luò)模型對合格率與損傷率預(yù)測，得到當型孔直徑為11mm，型孔厚度為4mm、種箱速度為0．4m·s-1，稻種含水率為23%、刷種高度為3mm 時，充種合格率最高為97．7%，損傷率較低為0．29%。 對模型進行充種性能臺架試驗，得到驗證試驗結(jié)果與預(yù)測結(jié)果差別不大，合格率為97．14%，損傷率0．29%。 誤差在評價標準允許的范圍之內(nèi)，預(yù)測較準確。