CN105675807A - 一种基于bp神经网络的莠去津残留评价方法 - Google Patents

Abstract

本发明涉及一种基于BP神经网络的莠去津残留评价方法。本发明的方法为：利用基于莠去津残留的知识表示方法，获取用于预测莠去津残留的原始特征值，利用基于BP神经网络的神经元数量计算方法，将原始特征值进行离散化，将离散后的特征值输入泛化能力优化的BP神经网络建模，获取BP神经网络的连接权值和阈值，即可获得较为准确的莠去津残留评价模式。应用该评价模式可较为准确的对农药莠去津残留等级进行预测。

Description

一种基于BP神经网络的莠去津残留评价方法

技术领域

本发明涉及BP神经网络、农药残留检测领域，尤其涉及一种基于BP神经网络的农药莠去津残留等级评定方法。

背景技术

土壤中的农药残留会对作物产生药害，特别是目前广泛使用的莠去津，它的土壤残留效期长，对后茬敏感作物如小麦、大豆、水稻等造成很大药害。进一步，农产品中的农药残留超标也给我国农产品出口造成巨大损失。目前我国采用的农药残留评价方法，一般是对所要进行登记的农药进行环境行为测试，浪费了大量的人力物力，同时农药的环境行为实验会造成环境污染，不利于环境保护和可持续发展。

人工神经网络是一个旨在模仿人脑结构及功能的脑式智能信息处理系统。通过模拟人脑的思考和学习过程，人工神经网络调整网络神经元间的连接权值和阈值，完成推理与判别功能。人工神经网络具有良好的自组织、自学习和自适应能力，适用于处理复杂问题和开放系统。近年来，人工神经网络的研究与应用开始渗透到许多领域，如机器学习、专家系统、智能控制、编码理论等，展现了广泛的适应性与较高的准确性。

在利用人工神经网络解决复杂问题的过程中，面临的关键问题是如何表示问题领域的相关知识。相关知识既包括与问题有关的原理功能与结构方面的基本知识，也包括专家在处理实际问题中积累起来的经验等。在传统的专家系统中，这些知识以产生式的规则存储在知识库中，而在神经网络中，获取到的知识以网络的连接权值和阈值分布存储于整个网络之中。

发明内容

本发明的目的是提供一种基于BP神经网络的莠去津残留等级评定方法，利用莠去津残留评价模型对农作物中的农药莠去津残留等级进行估计。为解决上述技术问题，本发明的主要技术内容如下：

一种基于莠去津残留的知识表示方法。莠去津的残留量与很多因素有关，如原始莠去津喷药量，喷药的目标作物，田间环境因素等，具体的田间环境因素包括年降水量、年平均温度、年平均湿度、土壤半衰期、土壤有机质含量、土壤PH值、粉尘含量(1.0-0.01mm)、物理性粘粒含量(0.01-0.001mm)等。对影响因素的选择和权重选取的不同会直接影响到莠去津残留等级的预测准确性。本发明基于一种莠去津残留的知识表示方法，该方法的具体步骤如下：

(1)对莠去津残留量相关的影响因素进行原始数据采集，应用数据预处理方法对数据进行归一化表示。

(2)上述归一化结果构成用于预测的特征值，对特征值进行莠去津残留量的相关性分析，删除与莠去津残留量不相关的变量，并获得各特征值的相关系数。

(3)应用上述相关系数确定各特征值权重，并将特征值进行离散化处理。

(4)根据各特征值离散化程度的不同，应用神经元数量决定公式，计算符合神经网络输入格式的莠去津残留特征值，得到评估莠去津残留的规则库。

进一步，在上述步骤1中，为将原始数据在统一量纲下进行相关性比较，数据归一化采用Z-score标准化方法。

更进一步，在上述步骤2中，设定莠去津残留量相关系数阈值，当特征值相关系数小于该阈值时，删去该特征维度；当特征值相关系数大于等于该阈值时，保留该特征维度并将该相关系数标记为权重。在步骤3中应用该特征值权重进行离散化处理，当特征值权重较高时，表明该特征值具有更高的可区分度，该特征值的离散化程度更高；当特征值权重较低时，该特征值的离散化程度较低。

在步骤4中，某个特征值所对应的神经元组包含的神经元个数由此特征值中包含的离散条件数决定。神经元数目决定公式如下：

N＝[Log₂(M+1)+0.5]

式中：M为此特征值包含的离散条件数；N是该神经元组包含的神经元个数。系数0.5用于对公式的前半部分取整。利用该公式可唯一标识各个特征值，并使得输入神经元尽可能少。

应用上述方法处理原始数据，得到莠去津残留规则库。将规则库中的数据分为两部分，一部分可用于训练神经网络，即获得神经网络的知识库，另一部分则作为测试样本用于验证系统的评定准确性。

利用该知识库获取BP神经网络的连接权值和阈值，可较为准确的表示莠去津残留的相关知识。

一种BP神经网络的泛化性能优化方法。神经网络的泛化能力主要依赖于网络的结构和学习样本的特性。一般来说隐含层神经元数量越少，网络的泛化性能就越好，但隐含层神经元数量太少会使网络不收敛。本方法旨在选取训练精度与泛化精度之间相对稳定的均衡值，避免出现学习过度的情况。

本方法基于一种BP神经网络的泛化性能优化方法，具体步骤如下：

(1)根据上述的基于莠去津残留的知识表示方法，获取得到训练神经网络的特征值，并确定神经网络的初始神经元数目。

(2)将训练样本输入神经网络，计算网络从隐含层到输出层的实际输出。

(3)从输出层反向计算至输入层，应用网络性能函数逐层修正各个神经元间的连接权值和阈值。

(4)对多个样本进行多次重复训练，直到所有样本的输出均达到训练要求。

本方法适用于单隐含层的神经网络。进一步，步骤1中为确定神经网络的初始隐层神经元数目，应用以下经验公式：

$h=\left\{\begin{array}{cc}n+0.618*(n-m)& n\&GreaterEqual;m\\ m-0.618*(m-n)& m<n\end{array}\right.$

式中，n为输入节点数，m为输出节点数，h为隐层节点数。基于该公式得到的隐层节点数为输入层神经元节点数和输出层神经元节点数的中间值，当隐层节点数靠近输入节点数时，网络的收敛速度更快，训练结果更好。

更进一步，为减少学习过度的可能，改善网络的泛化性能，上述步骤3采用新的网络性能函数。新的网络性能函数如下：

$E_A=r\frac{1}{Q*N}\underset{q=1}{\overset{Q}{\&Sigma;}}\underset{n=1}{\overset{N}{\&Sigma;}}{\left(T_q\right(n)-O_q(n\left)\right)}^2+(1-r)\frac{1}{M}\underset{m=1}{\overset{M}{\&Sigma;}}{w}_m^2$

式中，r为0-1之间的比例系数；Q为训练样本集包含的样本数；N为输出层神经元节点个数；T_q(n)为在对样本q进行训练时第n个输出层神经元节点的目标输出值；O_q(n)为实际输出值；M为权值阈值矩阵包含的值的个数；w_m为第m个权值阈值。

当r等于0时，此性能函数即等同于标准神经网络算法的性能函数。当0<r<1时，此性能函数的后半部分即为改进部分。r值根据网络的训练状况进行选择，此时

$\frac{\&part;E_A}{\&part;w_{ij}}=r\frac{\&part;E}{\&part;w_{ij}}+(1-r)\frac{2}{M}{w}_{ij}$

对标准的BP神经网络算法做出以上改进后，神经网络的可收敛程度、学习速度和泛化性能都有了一定程度的提高。

本发明的优点：

1、本准确性好。利用本发明对训练样本建模，并将测试样本作为模型输入，在训练样本较少的情况下依旧达到了较高的正确率。

2、本利用本发明的BP神经网络的泛化能力优化方法，针对同一个莠去津残留值检测的专家知识库，学习速度有了较为明显的提升。

附图说明

图1为本发明基于神经网络的知识获取机制结构图。

图2为本发明特征值的离散化过程示意图。

具体实施方式

下面结合附图对本发明做进一步描述。

本实施例的数据采集环境是北京市通县与广西省南宁市的玉米地，莠去津的残留量与很多因素有关，如原始莠去津喷药量，喷药的目标作物，田间环境因素等，具体的田间环境因素包括年降水量、年平均温度、年平均湿度、土壤半衰期、土壤有机质含量、土壤PH值、粉尘含量(1.0-0.01mm)、物理性粘粒含量(0.01-0.001mm)等。对影响因素的选择和权重选取的不同会直接影响到莠去津残留等级的预测准确性。本实施例的具体步骤如下：

(1)对莠去津残留量相关的影响因素进行原始数据采集，应用数据预处理方法对数据进行归一化表示。

(2)上述归一化结果构成用于预测的特征值，对特征值进行莠去津残留量的相关性分析，删除与莠去津残留量不相关的变量，并获得各特征值的相关系数。

(3)应用上述相关系数确定各特征值权重，并将特征值进行离散化处理。

(4)根据各特征值离散化程度的不同，应用神经元数量决定公式，计算符合神经网络输入格式的莠去津残留特征值，得到评估莠去津残留的规则库。

进一步，在上述步骤1中，为将原始数据在统一量纲下进行相关性比较，数据归一化采用Z-score标准化方法。

图2为本发明特征值的离散化表示示意图，从图中可以看出，原始特征值根据相关系数的差异进行离散化处理，并根据离散条件数表示为输入层神经元的格式。更进一步，在上述步骤2中，设定莠去津残留量相关系数阈值，当特征值相关系数小于该阈值时，删去该特征维度；当特征值相关系数大于等于该阈值时，保留该特征维度并将该相关系数标记为权重。特征值权重影响步骤3中的离散化处理。当特征值权重较高时，表明该特征值具有更高的可区分度，该特征值的离散化程度更高；当特征值权重较低时，该特征值的离散化程度较低。

在步骤4中，某个特征值所对应的神经元组包含的神经元个数由此特征值中包含的离散条件数决定。神经元数目决定公式如下：

N＝[Log₂(M+1)+0.5]

式中：M为此特征值包含的离散条件数；N是该神经元组包含的神经元个数。系数0.5用于对公式的前半部分取整。利用该公式可唯一标识各个特征值，并使得输入神经元尽可能少。

应用上述方法处理原始数据，得到莠去津残留规则库。将规则库中的数据分为两部分，一部分可用于训练神经网络，即获得神经网络的知识库，另一部分则作为测试样本用于验证系统的评定准确性。

利用该知识库获取BP神经网络的连接权值和阈值，可较为准确的表示莠去津残留的相关知识。

将原始特征值输入BP神经网络进行训练，采用本发明的BP神经网络的泛化性能优化方法。神经网络的泛化能力主要依赖于网络的结构和学习样本的特性。一般来说隐含层神经元数量越少，网络的泛化性能就越好，但隐含层神经元数量太少会使网络不收敛。本方法旨在选取训练精度与泛化精度之间相对稳定的均衡值，避免出现学习过度的情况。

本实施例具体步骤如下：

(1)根据上述的基于莠去津残留的知识表示方法，获取得到训练神经网络的特征值，并确定神经网络的初始神经元数目。

(2)将训练样本输入神经网络，计算网络从隐含层到输出层的实际输出。

(3)从输出层反向计算至输入层，应用网络性能函数逐层修正各个神经元间的连接权值和阈值。

(4)对多个样本进行多次重复训练，直到所有样本的输出均达到训练要求。

本方法适用于单隐含层的神经网络。进一步，步骤1中为确定神经网络的初始隐层神经元数目，应用以下经验公式：

$h=\left\{\begin{array}{cc}n+0.618*(n-m)& n\&GreaterEqual;m\\ m-0.618*(m-n)& m<n\end{array}\right.$

式中，n为输入节点数，m为输出节点数，h为隐层节点数。基于该公式得到的隐层节点数为输入层神经元节点数和输出层神经元节点数的中间值，当隐层节点数靠近输入节点数时，网络的收敛速度更快，训练结果更好。

更进一步，为减少学习过度的可能，改善网络的泛化性能，上述步骤3采用新的网络性能函数。新的网络性能函数如下：

$E_A=r\frac{1}{Q*N}\underset{q=1}{\overset{Q}{\&Sigma;}}\underset{n=1}{\overset{N}{\&Sigma;}}{\left(T_q\right(n)-O_q(n\left)\right)}^2+(1-r)\frac{1}{M}\underset{m=1}{\overset{M}{\&Sigma;}}{w}_m^2$

式中，r为0-1之间的比例系数；Q为训练样本集包含的样本数；N为输出层神经元节点个数；T_q(n)为在对样本q进行训练时第n个输出层神经元节点的目标输出值；O_q(n)为实际输出值；M为权值阈值矩阵包含的值的个数；w_m为第m个权值阈值。

当r等于0时，此性能函数即等同于标准神经网络算法的性能函数。当0<r<1时，此性能函数的后半部分即为改进部分。r值根据网络的训练状况进行选择，此时

$\frac{\&part;E_A}{\&part;w_{ij}}=r\frac{\&part;E}{\&part;w_{ij}}+(1-r)\frac{2}{M}{w}_{ij}$

对标准的BP神经网络算法做出以上改进后，神经网络的可收敛程度、学习速度和泛化性能都有了一定程度的提高。

选取北京市通县在低浓度喷药情况下的数据作为测试样本。测试结果显示，参与测试的样本其等级评定间的差异显著，最大诊断概率超过了99％，表明应用该方法能够有效的区分不同级别的莠去津残留。

本发明未涉及部分均与现有技术相同或可采用现有技术加以实现。

Claims (8)

1.一种基于莠去津残留的知识表示方法，其特征在于，用于计算莠去津残留值的原始特征包括：原始莠去津喷药量，喷药的目标作物，田间环境因素等，具体的田间环境因素包括年降水量、年平均温度、年平均湿度、土壤半衰期、土壤有机质含量、土壤PH值、粉尘含量(1.0-0.01mm)、物理性粘粒含量(0.01-0.001mm)。

2.如权利要求1所述的基于莠去津残留的知识表示方法，其特征在于，包含以下步骤：

(1)对莠去津残留量相关的影响因素进行原始数据采集，应用数据预处理方法对数据进行归一化表示。

(2)上述归一化结果构成用于预测的特征值，对特征值进行莠去津残留量的相关性分析，删除与莠去津残留量不相关的变量，并获得各特征值的相关系数。

(3)应用上述相关系数确定各特征值权重，并将特征值进行离散化处理。

(4)根据各特征值离散化程度的不同，应用神经元数量决定公式，计算符合神经网络输入格式的莠去津残留特征值，得到评估莠去津残留的规则库。

3.如权利要求1和权利要求2所述的基于莠去津残留的知识表示方法，其特征在于，在上述步骤1中，为将原始数据在统一量纲下进行相关性比较，数据归一化采用Z-score标准化方法。

4.如权利要求1和权利要求2所述的基于莠去津残留的知识表示方法，其特征在于，在上述步骤2中，设定莠去津残留量相关系数阈值，当特征值相关系数小于该阈值时，删去该特征维度；当特征值相关系数大于等于该阈值时，保留该特征维度并将该相关系数标记为权重。在上述步骤3中，应用该特征值权重进行离散化处理，当特征值权重较高时，该特征值的离散化程度更高；当特征值权重较低时，该特征值的离散化程度较低。

5.如权利要求1和权利要求2所述的基于莠去津残留的知识表示方法，其特征在于，在步骤4中，某个特征值所对应的神经元组包含的神经元个数由此特征值中包含的离散条件数决定。神经元数目决定公式如下：

N＝[Log₂(M+1)+0.5]

式中：M为此特征值包含的离散条件数；N是该神经元组包含的神经元个数。系数0.5用于对公式的前半部分取整。利用该公式可唯一标识各个特征值，并使得输入神经元尽可能少。

6.一种BP神经网络的泛化能力优化方法，其特征在于，包含以下步骤：

(1)根据上述的基于莠去津残留的知识表示方法，获取得到训练神经网络的特征值，并确定神经网络的初始神经元数目。

(2)将训练样本输入神经网络，计算网络从隐含层到输出层的实际输出。

(3)从输出层反向计算至输入层，应用网络性能函数逐层修正各个神经元间的连接权值和阈值。

(4)对多个样本进行多次重复训练，直到所有样本的输出均达到训练要求。

7.如权利要求6所述的BP神经网络的泛化能力优化方法，其特征在于，步骤1中为确定神经网络的初始隐层神经元数目，应用以下经验公式：

$h=\left\{\begin{array}{cc}n+0.618*(n-m)& n\&GreaterEqual;m\\ m-0.618*(m-n)& m<n\end{array}\right.$

式中，n为输入节点数，m为输出节点数，h为隐层节点数。基于该公式得到的隐层节点数为输入层神经元节点数和输出层神经元节点数的中间值，具有更快的收敛速度。

8.如权利要求6所述的BP神经网络的泛化能力优化方法，其特征在于，应用优化的网络性能函数。新的网络性能函数如下：

$E_A=r\frac{1}{Q*N}\underset{q=1}{\overset{Q}{\&Sigma;}}\underset{n=1}{\overset{N}{\&Sigma;}}{\left(T_q\right(n)-O_q(n\left)\right)}^2+(1-r)\frac{1}{M}\underset{m=1}{\overset{M}{\&Sigma;}}{w}_m^2$

式中，r为0-1之间的比例系数；Q为训练样本集包含的样本数；N为输出层神经元节点个数；T_q(n)为在对样本q进行训练时第n个输出层神经元节点的目标输出值；O_q(n)为实际输出值；M为权值阈值矩阵包含的值的个数；w_m为第m个权值阈值。