《神经网络在水稻病害检测中的应用.doc》由会员分享，可在线阅读，更多相关《神经网络在水稻病害检测中的应用.doc（7页珍藏版）》请在三一办公上搜索。
1、精品论文神经网络在水稻病害检测中的应用孙睿，宁绍君 辽宁工程技术大学理学院，辽宁 (123000) E-mail: nsj1987gu摘要：中国是一个农业大国,农作物的病害诊断是其防治的基础,对农作物的产量提高有着现实的意义。农作物的病害诊断实质就是一个故障诊断问题,但是农作物的病害诊断与一般 的设备故障诊断相比,由于农作物的具有生命特征,其病害特征表现较一般设备复杂,其病征描述和诊断方法是农作物病害诊断的研究重点、难点和热点。水稻病害诊断的实质是一个故 障诊断问题。以Internet网络环境下的农作物病害诊断为研究背景。以水稻病害诊断为例,分 析了水稻常见病害特征,并运用模糊技术确定水稻病害
2、特征的隶属度,实现了水稻病害诊断中的病害特征模糊化表示,给出了用于水稻病害诊断的模糊BP神经网络。在此基础上,本文进一步研究了基于三层网络应用模型的神经网络智能诊断模型的训练及诊断过程,为农业生产提 供了有力的支持。关键词：水稻病害检测；BP 算法；神经网络1.引言水稻是一年生禾本科植物，高约1.2米，叶长而扁，圆锥花序由许多小穗组成。所 结子实即稻谷，去壳后称大米或米。世界上近一半人口，包括几乎整个东亚和东南亚 的人口，都以稻米为食。水稻源于亚洲和非洲的热带和亚热带地区。我国水稻播种面 占全国粮食作物的1/4，而产量则占一半以上。栽培历史已有60007000年。为重要 粮食作物；除食用颖果外
3、，可制淀粉、酿酒、制醋，米糠可制糖、榨油、提取糠醛， 供工业及医药用；稻秆为良好饲料及造纸原料和编织材料，谷芽和稻根可供药用。所 以水稻病害的检测和预防是非常重要的。本文通过建立BP 神经网络模型，来正确的检 测水稻病害的类型，以达到迅速掌握水稻患病的原因，以便立即采取措施治疗水稻疾病，以 减少经济损失，提高水稻产量。1982 年，Rumelhard 和Mcclelland 等人提出了著名的BP 算法，其思想是使用梯度搜 索理论，以使得网络实际输出（计算输出）与期望输出（目标输出）的均方差达到最小。网 络的学习过程是，将输出层误差反向传播回去，并借以修正权值。自1943 年Mc Culloch
4、 和Pitts 提出形式神经元结构的数学描述（MP 模型）以 来，经过了50 多年曲折的发展 道路，人工神经网络理论与应用技术取得了长足的发展。由于神经网络具有大规模并行，分 布式存储和处理自组织自适应和自学习等优越性能，使其成为人工智能研究的重要工具， 其应用范围已设计到模式识别，故障检测，计算机视觉，智能机器人，自适应控制，企业 管理，决策优化，专家系统，知识处理等诸多领域。基于神经网络的BP 算法，就是建立模 型，解决检测问题 。2. 相关的原理以及背景知识2.1 神经网络简述人工神经网络就是模拟人思维的第二种方式。这是一个非线性动力学系统，其特 色在于信息的分布式存储和并行协同处理。虽
5、然单个神经元的结构极其简单，功能有 限，但大量神经元构成的网络系统所能实现的行为却是极其丰富多彩的。- 7 -神经网络的研究内容相当广泛，反映了多学科交叉技术领域的特点。目前，主要的研究工作集中在以下几个方面：（1）生物原型研究。从生理学、心理学、解剖学、脑科学、病理学等生物科学 方面研究神经细胞、神经网络、神经系统的生物原型结构及其功能机理。（2）建立理论模型。根据生物原型的研究，建立神经元、神经网络的理论模型。 其中包括概念模型、知识模型、物理化学模型、数学模型等。（3）网络模型与算法研究。在理论模型研究的基础上构作具体的神经网络模型， 以实现计算机馍拟或准备制作硬件，包括网络学习算法的研
6、究。这方面的工作也称为 技术模型研究。（4）人工神经网络应用系统。在网络模型与算法研究的基础上，利用人工神经 网络组成实际的应用系统，例如，完成某种信号处理或模式识别的功能、构作专家系 统、制成机器人等等。人工神经网络早 期的研 究工作应追溯至 本世 纪 40 年代。1943 年， 心理学家 WMcculloch 和数理逻辑学家 WPitts 在分析、总结神经元基本特性的基础上首先提出 神经元的数学模型。此模型沿用至今，并且直接影响着这一领域研究的进展。因而， 他们两人可称为人工神经网络研究的先驱。1945年冯诺依曼领导的设计小组试制成功存储程序式电子计算机，标志着电子计 算机时代的开始。在6
7、0年代初期，Widrow提出了自适应线性元件网络，这是一种连续 取值的线性加权求和阈值网络。后来，在此基础上发展了非线性多层自适应网络。当 时，这些工作虽未标出神经网络的名称，而实际上就是一种人工神经网络模型。2.2 BP 学习算法原理2.1.1 BP 网络的原理BP 学习算法也称反向传播学习算法，相应的神经网络也称为BP 网络。BP 学习算法 是一种多层前馈网络使用的监控式学习算法。反向传播是指误差信号的反向传播，并不是将 输出层状态再作用到隐层节点，或隐层输出再作用到输出层节点。网络自身不存在反馈，所 以BP 网络不能视为非线性动力系统没，只是一个非线性映射。BP 算法的基本思想是以使得网
8、络实际输出与期望输出的均方差达到最小。网络的学习 过程是，将输出层误差反向传播回去，并借以修正权值。典型的三层BP 网络结构为图1：x1 ，x 2 ，x n 为输入层节点； y1 ，y 2 ，y m 为输出层节点1x1yx2.y2图 1 典型三层神经网络网络结构2.1.1 BP 学习算法的步骤（1）初始化 在依据实际问题（输入变量和输出变量个数）给出网络连接结构，随机地设置所有联接权值为任意小。（2）提供训练样本 如果输入变量为n个，输出变量为m个，则每个训练样本形式为，这里是输入为时的期望输出。（3）计算实际输出利用非线性函数:逐级计算各层节点（不包括输入层）的输出值，令最后的输出为。（4）
9、权值调整 用递归方法从输出点开始返回到隐层节点，按下式调整权值.这里 是上层第i个节点的输出。若j是输出层节点，则;若j是隐层节点，则其中k 是节点j 所在层次的下层次的所有节点。有时为了收敛速度快些，可增加一个冲量项，是权重变得平滑些，即（5）返回(2)步，重复之，直到误差满足为止1。3.神经网络 BP 学习算法在实践中的应用3.1 确定水稻虫害的类型及其病状特征水稻常见病害分析，此模型水稻病害类型 为网络输入，病症特征 为网络输出。表1 水稻病害类型及病害特征表示符号水稻病害类型表示符号病症特征x1水稻叶黑肿病y1病叶两面均有病斑y2初为散生或群生的小褐色斑点，沿叶脉呈断续的线状y3后稍隆
10、起且变成黑色，隆起病癍四周变为黄色y4重病叶病斑满布，叶片提早枯黄，叶尖破裂成丝状x2水稻霜霉病y 5叶片淡绿，呈斑驳花叶，y 6斑点黄白色，圆形或椭圆形，排列不规则y 7病株心叶常黄色卷曲或捻转，不易抽出y 8下部叶片逐渐枯死x3水稻恶苗病y 9苗期病株纤细，瘦弱y 10叶鞘拉长，比健株高出近 1/3，y 11色淡，叶片较窄，根系发育不良y12少数病株矮小，大部分病株在苗期枯死x4水稻黄叶病毒 病y 13叶尖出现淡黄色褪绿斑，渐向基部发展y 14形成叶肉黄化，叶脉深绿的斑驳花叶或条纹状花叶y15以后全叶变黄，向上纵卷，枯萎下垂y 16植株萎缩，不分蘖，根系短小3.2 样本的选择这里共有 4
11、种医学病例类型，27 种病例症状。为其制作的样本输入输出表入下：表 2BP 网络样本数据样本数据矩阵期望输出矩阵3.3 验证样本的网络是否收敛运行 MATLAB 程序,利用其多种工具中的神经网络工具箱进行验证,具体如下:p=1 0 0 0;0 1 0 0;0 0 1 0;0 0 0 1;T=1 0 0 0;1 0 0 0;1 0 0 0;1 0 0 0; 0 1 0 0;0 1 0 0;0 1 0 0;0 1 0 0;0 0 1 0;0 0 1 0;0 0 1 0;0 0 1 0;0 00 1;0 0 0 1;0 0 0 1;0 0 0 1; net=newff(minmax(p),15,16
12、,tansig,purelin,traingda); net.trainParam.goal=1e-5;net.trainParam.show=30; net.trainParam.lr=0.05; net.trainParam.epochs=80; net,tr=train(net,p,T) 3输出结果:TRAINGDA, Epoch 0/80, MSE 4.96412/1e-005, Gradient 2.28167/1e-006TRAINGDA, Epoch 30/80, MSE 0.302831/1e-005, Gradient 0.426804/1e-006TRAINGDA, Epo
13、ch 60/80, MSE 0.00370532/1e-005, Gradient 0.0296639/1e-006TRAINGDA, Epoch 77/80, MSE 6.88005e-006/1e-005, Gradient 0.00126559/1e-006TRAINGDA, Performance goal met.图 2 样本的验证结果用命令: y=sim(net,p)输出预测结果如下:表 3 预测结果症状预测结果Y11.00310.00230.0003-0.0034Y20.9981-0.0019-0.00020.0021Y40.9939-0.0051-0.00060.0065Y41
14、.00050.0003-0.0000-0.0002Y5-0.00480.9958-0.00050.0055Y60.00001.00010.0000-0.0002Y7-0.00330.9969-0.00040.0039Y8-0.00440.9962-0.00040.0048Y90.00260.00261.0002-0.0029Y10-0.0051-0.00420.99960.0052y11-0.0014-0.00150.99980.0019y120.00260.00201.0002-0.0025y13-0.0008-0.0003-0.00011.0008y140.00070.0005-0.000
15、00.9994y150.00010.0002-0.00000.9997y16-0.0019-0.0018-0.00011.00194. 总结本文运用 BP 神经网络的算法,对果树病虫害防治中的一部分常见症状做出模糊识别.可 以有效的验证果树发病症状与实际病因症状对比的评判正确与否.BP 神经网络在现实生活 中应用十分广泛,本文仅对单一领域做出简单推算,研究.参考文献1 郭嗣琮,陈刚.信息科学中的软计算方法M.沈阳:东北大学出版社,2001.11 2首都绿化委员会办公室主编. 果树病虫害.中国林业出版社，2001.1.1 3王岩,王爱青等.数理统计与 MATLAB 工程数据分析M .清华大学出版
16、社.2006.7Neural network in the rice disease detectionSun Rui, Ning ShaojunLiaoning Engineering Technology University, Fuxin, Liaoning (123000)AbstractChina is a large agricultural country, agricultural Diagnosis of the disease is its prevention and controlof the foundation of the crop production has
17、a realistic significance. The diagnosis of crop diseases in real terms is a fault diagnosis, but the crop disease diagnosis and general fault diagnosis, compared with crops due to the characteristics of life, their performance characteristics of the disease than the general complexity of the equipme
18、nt, its description of the symptoms and diagnosis of crop diseases is Diagnosis of major and difficult and hot spots. Rices disease diagnosis in real terms is a question of fault diagnosis. Internet network environment in order to crop disease diagnosed as background research. Rice to disease diagno
19、sis, for example, the analysis of the rice common characteristics of the disease, and the use of fuzzy techniques to determine the characteristics of rice attached to the disease, the realization of the rice disease diagnosis of diseases of fuzzy features that gives the rice for disease diagnosis fu
20、zzy BP neural network. On this basis, this article further study the three-tier Web application model based on neural network diagnostic model of intelligent training and diagnostic process for agricultural production provided strong support.Keywords: Rice disease detection; BP algorithm; neural network
