變焦遺傳算法優(yōu)化RBF神經(jīng)網(wǎng)絡(luò)在稻瘟病預(yù)測(cè)中的應(yīng)用

劉 坤，汪志強(qiáng)，錢(qián)永德

(1．黑龍江八一農(nóng)墾大學(xué) 信息技術(shù)學(xué)院，黑龍江 大慶 163319；2．黑龍江八一農(nóng)墾大學(xué) 農(nóng)學(xué)院，黑龍江 大慶 163319)

0 引言

稻瘟病是影響我國(guó)黑龍江寒地水稻生長(zhǎng)的主要病蟲(chóng)害，其發(fā)生和流行很大程度上受各種氣象條件, 尤其是溫度、濕度、光和風(fēng)等諸多因素的影響。RBF神經(jīng)網(wǎng)絡(luò)是一種具有全局收斂及非線(xiàn)性學(xué)習(xí)算法的前饋網(wǎng)絡(luò)，可以用來(lái)對(duì)稻瘟病進(jìn)行預(yù)測(cè)，然而其連接參數(shù)很難確定。利用具有并行搜索及全局收斂等特性的遺傳算法可以對(duì)其參數(shù)進(jìn)行優(yōu)化。但針對(duì)基本遺傳算法收斂速度過(guò)慢、解的分辨率過(guò)低等不足，本文采用改進(jìn)后的變焦遺傳算法ZGA來(lái)優(yōu)化RBF神經(jīng)網(wǎng)絡(luò)連接隱層節(jié)點(diǎn)的閾值和權(quán)值，提高稻瘟病的預(yù)測(cè)精度。

1 變焦遺傳算法(ZGA)

變焦遺傳算法(ZGA)的編碼一般采取二進(jìn)制編碼，不失一般性，這里我們假設(shè)問(wèn)題空間為單變量空間[a,b],GA空間是{0,1}l。任取h=hlhl-1…h(huán)2h1∈{0,1}l，則解碼公式為

(1)

ZGA提出編碼長(zhǎng)度為l的條件下，將搜索空間縮小一半的思想，要求在保存原來(lái)迭代信息的條件下，為提高解的精度而納入新的基因。具體做法是在可斷定最優(yōu)解所在區(qū)間后，將種群中按適應(yīng)度由高到低排在最前面的βN(β為吐故納新率，滿(mǎn)足0<β<α個(gè)個(gè)體的最高位基因“吐”出，“吐”出的信息存儲(chǔ)到編碼公式中，其余各位的基因均左移一個(gè)位置，右邊空出的一個(gè)位置納入新基因0，再隨機(jī)產(chǎn)生(1-β)N個(gè)串長(zhǎng)仍為l的個(gè)體，這樣所得到的N個(gè)個(gè)體就構(gòu)成了新的初始群體。繼續(xù)進(jìn)行迭代，直到收斂到最優(yōu)值或次優(yōu)值。一般取K≈6,α≈0.4，β取0.2左右。

若用表示傳統(tǒng)遺傳算法第一次停止時(shí)適應(yīng)度最高的個(gè)體在第l位上的基因，則在第一次吐故納新后的解碼公式為

(2)

對(duì)應(yīng)的適應(yīng)度函數(shù)修正為

(3)

利用ZGA的具體步驟如下：

1)確定串長(zhǎng)度l，由式(1)建立適應(yīng)度函數(shù)；

2)確定相關(guān)參數(shù)，包括群體規(guī)模N、吐故納新率β、交叉概率Pc和變異概率Pm；

3)隨機(jī)選擇初始的種群；

4)計(jì)算個(gè)體適應(yīng)度值，對(duì)種群實(shí)施選擇、交叉和變異；

5)重復(fù)步驟4)，直到迭代次數(shù)大于或等于門(mén)限K，適應(yīng)度處在前面的個(gè)體在最高位具有相同基因數(shù)目占總數(shù)的比例大于阻尼因子α后，跳到步驟6)；

6)進(jìn)行吐故納新，由式(2)和式(3)建立起適應(yīng)度函數(shù)F(x)；

7)重復(fù)步驟4)～6)，直到達(dá)到預(yù)定性能指標(biāo)或代數(shù)達(dá)到一定值時(shí)，結(jié)束算法。

2 RBF神經(jīng)網(wǎng)絡(luò)

RBF是三層前向神經(jīng)網(wǎng)絡(luò)[4-6]，即輸入層，隱含層和輸出層。隱含層以徑向基函數(shù)作為神經(jīng)元的激活函數(shù)，將輸入矢量直接映射到隱含層上，一旦徑向基函數(shù)的中心點(diǎn)確定后，這種映射關(guān)系也就確定了。而隱含層到輸出層的映射是線(xiàn)性的，即網(wǎng)絡(luò)的輸出是隱含層單元輸出的線(xiàn)性加權(quán)和。

設(shè)輸入維數(shù)為n，隱含層單元數(shù)為m，輸出維數(shù)為p，則RBF網(wǎng)絡(luò)的映射關(guān)系為：

1)RBF網(wǎng)絡(luò)第i個(gè)隱層節(jié)點(diǎn)的輸出為qi=R(‖u-ci‖)

式中,u—n維輸入向量；ci—第i個(gè)隱節(jié)點(diǎn)的中心；‖·‖—范數(shù)，通常取為歐氏范數(shù)。

式中，wki—qi到y(tǒng)k的聯(lián)接權(quán)；θk—第個(gè)k輸出節(jié)點(diǎn)的閾值。

2)RBF網(wǎng)絡(luò)的學(xué)習(xí)算法

RBF的中心是可以移動(dòng)的，可通過(guò)自組織學(xué)習(xí)確定其位置。

RBF中心的選擇可以采用均值聚類(lèi)算法。具體步驟如下：

①一般從輸入樣本Xj(j=1,2…,N)中選擇M個(gè)樣本作為聚類(lèi)中心ti(i=1,2,…,M)。

3 水稻稻瘟病的預(yù)測(cè)分析

根據(jù)黑龍江地區(qū)近10年來(lái)的主要環(huán)境因素對(duì)水稻稻瘟病發(fā)病與蔓延的分析，選8月上旬相對(duì)濕度(%)；7月中旬降雨量(mm)；7月下旬相對(duì)濕度(%)；8月上旬最高氣溫( ℃ )；7月下旬溫雨系數(shù)(7月下旬降雨量/7月下旬平均氣溫) 共五個(gè)因子作為預(yù)測(cè)預(yù)報(bào)因子[9-10]。

據(jù)2002—2011年黑龍江省857農(nóng)場(chǎng)稻瘟病的統(tǒng)計(jì)分析(如圖1所示)。分析稻瘟病發(fā)生情況的歷史資料得知，各地統(tǒng)計(jì)的大面積稻瘟病發(fā)生面積百分率中，實(shí)際上包含稻瘟病流行的普遍程度和嚴(yán)重程度。因此，用發(fā)病面積占水稻種植面積的百分率作為病害流行程度的指標(biāo)：20%以下為輕發(fā)生(等級(jí)為1)，20%～40%為中等發(fā)生(等級(jí)為2)，40%以上為大發(fā)生(等級(jí)為3)。并結(jié)合7月份天氣預(yù)報(bào)，如有陰雨、低溫、寡日照天氣影響，則在預(yù)報(bào)等級(jí)上加0.5～1預(yù)報(bào)等級(jí)。

將2002～2011年間影響水稻稻瘟病發(fā)病的五個(gè)氣候因子作為輸入變量，采用變焦遺傳算法對(duì)RBF神經(jīng)網(wǎng)絡(luò)連接隱層的閾值和權(quán)值進(jìn)行70次的迭代學(xué)習(xí)和擬合分析后，網(wǎng)絡(luò)學(xué)習(xí)達(dá)到各個(gè)訓(xùn)練目標(biāo)時(shí)，對(duì)稻瘟病發(fā)生程度進(jìn)行預(yù)測(cè)。預(yù)測(cè)模型的結(jié)果如表1所示：

表1 預(yù)測(cè)結(jié)果表

分析結(jié)果可得變焦遺傳算法優(yōu)化的RBF神經(jīng)網(wǎng)絡(luò)，其預(yù)測(cè)精度可達(dá)96.57%，這充分驗(yàn)證了其預(yù)測(cè)效果。圖2示出了預(yù)測(cè)結(jié)果和等級(jí)真值比較的曲線(xiàn)圖，進(jìn)一步形象的驗(yàn)證了組合本方案的預(yù)測(cè)模型在水稻稻瘟病預(yù)測(cè)方面的可行性。

圖1 2002～2011年黑龍江省857農(nóng)場(chǎng)稻瘟病的統(tǒng)計(jì)分析圖圖2模型預(yù)測(cè)結(jié)果與等級(jí)實(shí)值的對(duì)比結(jié)果圖

4 結(jié)語(yǔ)

通過(guò)對(duì)水稻稻瘟病這種灰色系統(tǒng)的研究，針對(duì)其受多種氣候因素影響的復(fù)雜非線(xiàn)性，利用變焦遺傳算法收斂速度快、解的分辨率高等優(yōu)點(diǎn)，結(jié)合RBF神經(jīng)網(wǎng)絡(luò)預(yù)測(cè)模型最優(yōu)逼近，自適應(yīng)學(xué)習(xí)的能力建立預(yù)測(cè)模型。經(jīng)過(guò)對(duì)2002—2011年間水稻稻瘟病的預(yù)測(cè)分析，并與等級(jí)真值進(jìn)行比較，此方案的預(yù)測(cè)精度高達(dá)96.57%，驗(yàn)證了此預(yù)測(cè)模型的有效性。

[參考文獻(xiàn)]

[1] 李艷昌. 基于馬爾科夫的殘差蟻群灰色模型在負(fù)荷預(yù)測(cè)中的應(yīng)用[J].華東電力, 2007, 35(7): 6-9.

[2] 汪紅艷. 預(yù)測(cè)系統(tǒng)的集成及在黑龍江省水稻稻瘟病預(yù)測(cè)中的應(yīng)用[D].大慶:黑龍江八一農(nóng)墾大學(xué)碩士學(xué)位論文, 2009.

[3] 徐麗娜. 神經(jīng)網(wǎng)絡(luò)控制[M].哈爾濱: 哈爾濱工業(yè)大學(xué)出版社, 1999: 43-62.

[4] 何玉彬, 李新忠. 神經(jīng)網(wǎng)絡(luò)控制技術(shù)及其應(yīng)用[M].北京: 科學(xué)出版社, 2000: 121-140.

[5] 王曉蘭, 王慧中, 楊智，等. 模糊神經(jīng)網(wǎng)絡(luò)實(shí)現(xiàn)的參數(shù)自校正控制[J].電工技術(shù)學(xué)報(bào), 2004, 2(11):36-39.

[6] 徐宏波, 李超璟, 熊偉麗,等. RBF神經(jīng)網(wǎng)絡(luò)在酵母細(xì)胞預(yù)測(cè)中的應(yīng)用[J].制造業(yè)自動(dòng)化, 2002, 24(6): 44-47.

[7] 姚躍華, 牛園園. 基于RBF神經(jīng)網(wǎng)絡(luò)的CPI預(yù)測(cè)[J].計(jì)算機(jī)應(yīng)用于軟件, 2010, 27(10): 92-94.

[8] 王越. 基于神經(jīng)網(wǎng)絡(luò)的農(nóng)作物病蟲(chóng)害診斷方法研究[D].長(zhǎng)春：東北師范大學(xué)碩士學(xué)位論文, 2007.

[9] 王豐效, 張凌霜. 基于蟻群算法的灰色組合預(yù)測(cè)模型[J].數(shù)學(xué)的實(shí)踐與認(rèn)識(shí), 2009, 39(14): 102-106.

[10] 王捷, 吳國(guó)忠, 李艷昌. 蟻群灰色神經(jīng)網(wǎng)絡(luò)組合模型在電力負(fù)荷預(yù)測(cè)中的應(yīng)用[J].電力系統(tǒng)保護(hù)與控制, 2009, 37(2): 48-52.