方明

【摘 要】 在儲糧害蟲的檢測過程中，需要對多種多特征的糧蟲進行分類識別，本文利用T-S型模糊神經(jīng)網(wǎng)絡(luò)進行糧蟲特征分類，在Visual C++6.0平臺上實現(xiàn)對糧蟲的識別，對6類常見糧蟲的識別率達到95%以上，得到了良好的識別結(jié)果。

【關(guān)鍵詞】 T-S型模糊神經(jīng)網(wǎng)絡(luò) 儲糧害蟲 分類識別 Visual C++6.0

糧食的安全儲藏問題是個世界性難題。據(jù)聯(lián)合國糧農(nóng)組織的調(diào)查統(tǒng)計，全世界每年糧食霉變及蟲害等損失為糧食產(chǎn)量的8%[1]。因此，搞好糧食儲藏是一項關(guān)系到國計民生的重大課題，進行儲糧害蟲的治理任務(wù)重大而迫切。準確地給出害蟲的種類信息可為害蟲的綜合防治提供科學的決策依據(jù)。

模糊神經(jīng)網(wǎng)絡(luò)是模糊理論同神經(jīng)網(wǎng)絡(luò)相結(jié)合的產(chǎn)物，它的特點是將神經(jīng)網(wǎng)絡(luò)較強的自學習和聯(lián)想能力與模糊邏輯的推理過程易理解、對樣本要求較低的特點融合在一起，模糊理論和模糊系統(tǒng)理論上比通常意義下的模糊邏輯和神經(jīng)網(wǎng)絡(luò)更有優(yōu)越性，但是很難實現(xiàn)自適應(yīng)學習的功能。如果把神經(jīng)網(wǎng)絡(luò)引入到模糊理論中，將兩者有機結(jié)合，模糊系統(tǒng)能夠成為一種具有較強自學習能力的自適應(yīng)模糊系統(tǒng)，采用已有神經(jīng)網(wǎng)絡(luò)的有效學習算法，并吸收模糊系統(tǒng)的優(yōu)點，起到互補的效果。

1 T-S型模糊神經(jīng)網(wǎng)絡(luò)

1985年，T-S型模糊邏輯系統(tǒng)由日本的高木（Takagi）和關(guān)野（Sugeno）提出，旨在開發(fā)從給定的輸入-輸出數(shù)據(jù)集產(chǎn)生模糊規(guī)則的系統(tǒng)化方法，這種基于語言規(guī)則描述的模型第i條規(guī)則可寫為：

（1-1）

式（1-1）中，A是前件中的模糊集合，z是后件中的精確函數(shù)。通常是輸入變量x和y的多項式。當是一階多項式時，所產(chǎn)生的模糊推理系統(tǒng)被稱為一階Sugeno模糊模型，當為常數(shù)時，即得到了零階Sugeno模糊模型[2，3]。

專家知識被Sugeno模糊模型通過語言和數(shù)據(jù)整合到if-then規(guī)則中，基于T-S型的模糊神經(jīng)網(wǎng)絡(luò)綜合了模糊系統(tǒng)和神經(jīng)網(wǎng)絡(luò)的特點，不但能夠?qū)崿F(xiàn)一個Sugeno模糊推理系統(tǒng)的功能[4，5]，實現(xiàn)圖像的模糊輸入和模糊推理，而且它能根據(jù)系統(tǒng)輸出的期望值和實際值的差別自動生成和調(diào)整隸屬度函數(shù)和模糊規(guī)則。這種模糊神經(jīng)網(wǎng)絡(luò)應(yīng)用于儲糧害蟲分類，將更貼近于害蟲特征的形成過程，能取得較好的分類結(jié)果。

本實驗采用的是一階Sugeno模糊模型，后件是一階線性方程。其隸屬函數(shù)生成層、模糊推理層為：

（1-2）

（1-3）

其中，表示生成的隸屬度函數(shù)，采用的是高斯函數(shù)。為參數(shù)對，它們稱為前件參數(shù)，取值情況決定了的形狀。表示模糊推理層，模糊推理采用的是積運算，即各節(jié)點的輸出是輸入值的乘積。

反模糊化層采用一階Sugeno模糊模型的輸出。此時，令后件函數(shù)為，其模糊推理輸出：

（1-4）

學習算法采用誤差函數(shù)的負梯度下降方法，不斷更新網(wǎng)絡(luò)參數(shù)。第n個訓練模式的誤差參數(shù)，可定義為

（1-5）

其中p為輸出單元的個數(shù)。

按照模糊神經(jīng)網(wǎng)絡(luò)的結(jié)構(gòu)，可定義網(wǎng)絡(luò)參數(shù)向量：

（1-6）

參數(shù)更新修正規(guī)則：

（1-7）

其中為學習速率。

網(wǎng)絡(luò)分為4層：第1層為輸入層，代表儲糧害蟲的特征向量輸入網(wǎng)絡(luò)；第2層為模糊化層，完成輸入特征向量的模糊化，將輸入的特征向量分為3個等級{?。╯mall），中（medium），大（large）}，隸屬函數(shù)為高斯函數(shù)；第3層為模糊推理層，以使對模糊化后的特征向量進行綜合處理，采用積運算，第4層是輸出層，它的輸出值即表示屬于此類的隸屬度。

2 試驗過程

試驗過程分為學習過程和回調(diào)過程。

學習過程：（1）確定分類數(shù)為9。確定訓練的矢量數(shù)據(jù)，用各分量分別代表害蟲特征向量作為輸入。取每類害蟲的5個特征分量值作為訓練數(shù)據(jù)的輸入矢量，從而完備訓練數(shù)據(jù)，同時確定各個輸入矢量對應(yīng)的各類隸屬度輸出，構(gòu)成9個5輸入單輸出的模糊神經(jīng)網(wǎng)絡(luò)，每一個對應(yīng)一類的隸屬度輸出。（2）將數(shù)據(jù)送入各自單個的網(wǎng)絡(luò)訓練，直至能模擬所有輸出。

回調(diào)過程：將待分類儲糧害蟲的特征向量送入網(wǎng)絡(luò)，得到各自的單個網(wǎng)絡(luò)的輸出，然后將輸出歸一化，得到最終的隸屬度輸出。

3 試驗結(jié)果

利用Sugeno型模糊神經(jīng)網(wǎng)絡(luò)對6類儲糧害蟲進行了分類研究。試驗結(jié)果如（表1）所示。

4 Visual C++6.0平臺上實現(xiàn)識別

（圖1）是在儲糧害蟲圖像分類識別系統(tǒng)中對赤擬谷盜其中一個樣本的識別。

5 結(jié)語

運用T-S型神經(jīng)網(wǎng)絡(luò)對儲糧害蟲進行分類的識別率達到95.6%，并且利用Visual C++6.0平臺實現(xiàn)，操作簡單，可讀性好，具有較大的實際應(yīng)用價值。

參考文獻：

[1]黑龍江省大豆協(xié)會.我國糧食儲藏的現(xiàn)況及發(fā)展趨勢.http：//www.hsa.org.cn/news/index.php？id=1163

[2]Sugeno M.，Kang G.T.Structure identification of fuzzy model [J].Fuzzy Sets and Systems，1998，28：15-33.

[3]Takagi，M.Sugeno.Fuzzy identification of systems and its applications to modeling and control[J].IEEE Transaction on System，1985，15：116-132.

[4]C.-T.Lin，C.S.G.Lee.Neural-network-based fuzzy logic control and decision system[J] .IEEE Transactions on Computers，1991，40（12）：1320-1336.

[5]L-X Wang，J.M.Mendel.Back propagation fuzzy systems as nonlinear dynamic system identifiers[A].In：Proceedings of the IEEE International Conference on Fuzzy Systems[C].San Diego，1992.endprint

【摘 要】 在儲糧害蟲的檢測過程中，需要對多種多特征的糧蟲進行分類識別，本文利用T-S型模糊神經(jīng)網(wǎng)絡(luò)進行糧蟲特征分類，在Visual C++6.0平臺上實現(xiàn)對糧蟲的識別，對6類常見糧蟲的識別率達到95%以上，得到了良好的識別結(jié)果。

【關(guān)鍵詞】 T-S型模糊神經(jīng)網(wǎng)絡(luò) 儲糧害蟲 分類識別 Visual C++6.0

糧食的安全儲藏問題是個世界性難題。據(jù)聯(lián)合國糧農(nóng)組織的調(diào)查統(tǒng)計，全世界每年糧食霉變及蟲害等損失為糧食產(chǎn)量的8%[1]。因此，搞好糧食儲藏是一項關(guān)系到國計民生的重大課題，進行儲糧害蟲的治理任務(wù)重大而迫切。準確地給出害蟲的種類信息可為害蟲的綜合防治提供科學的決策依據(jù)。

模糊神經(jīng)網(wǎng)絡(luò)是模糊理論同神經(jīng)網(wǎng)絡(luò)相結(jié)合的產(chǎn)物，它的特點是將神經(jīng)網(wǎng)絡(luò)較強的自學習和聯(lián)想能力與模糊邏輯的推理過程易理解、對樣本要求較低的特點融合在一起，模糊理論和模糊系統(tǒng)理論上比通常意義下的模糊邏輯和神經(jīng)網(wǎng)絡(luò)更有優(yōu)越性，但是很難實現(xiàn)自適應(yīng)學習的功能。如果把神經(jīng)網(wǎng)絡(luò)引入到模糊理論中，將兩者有機結(jié)合，模糊系統(tǒng)能夠成為一種具有較強自學習能力的自適應(yīng)模糊系統(tǒng)，采用已有神經(jīng)網(wǎng)絡(luò)的有效學習算法，并吸收模糊系統(tǒng)的優(yōu)點，起到互補的效果。

1 T-S型模糊神經(jīng)網(wǎng)絡(luò)

1985年，T-S型模糊邏輯系統(tǒng)由日本的高木（Takagi）和關(guān)野（Sugeno）提出，旨在開發(fā)從給定的輸入-輸出數(shù)據(jù)集產(chǎn)生模糊規(guī)則的系統(tǒng)化方法，這種基于語言規(guī)則描述的模型第i條規(guī)則可寫為：

（1-1）

式（1-1）中，A是前件中的模糊集合，z是后件中的精確函數(shù)。通常是輸入變量x和y的多項式。當是一階多項式時，所產(chǎn)生的模糊推理系統(tǒng)被稱為一階Sugeno模糊模型，當為常數(shù)時，即得到了零階Sugeno模糊模型[2，3]。

專家知識被Sugeno模糊模型通過語言和數(shù)據(jù)整合到if-then規(guī)則中，基于T-S型的模糊神經(jīng)網(wǎng)絡(luò)綜合了模糊系統(tǒng)和神經(jīng)網(wǎng)絡(luò)的特點，不但能夠?qū)崿F(xiàn)一個Sugeno模糊推理系統(tǒng)的功能[4，5]，實現(xiàn)圖像的模糊輸入和模糊推理，而且它能根據(jù)系統(tǒng)輸出的期望值和實際值的差別自動生成和調(diào)整隸屬度函數(shù)和模糊規(guī)則。這種模糊神經(jīng)網(wǎng)絡(luò)應(yīng)用于儲糧害蟲分類，將更貼近于害蟲特征的形成過程，能取得較好的分類結(jié)果。

本實驗采用的是一階Sugeno模糊模型，后件是一階線性方程。其隸屬函數(shù)生成層、模糊推理層為：

（1-2）

（1-3）

其中，表示生成的隸屬度函數(shù)，采用的是高斯函數(shù)。為參數(shù)對，它們稱為前件參數(shù)，取值情況決定了的形狀。表示模糊推理層，模糊推理采用的是積運算，即各節(jié)點的輸出是輸入值的乘積。

反模糊化層采用一階Sugeno模糊模型的輸出。此時，令后件函數(shù)為，其模糊推理輸出：

（1-4）

學習算法采用誤差函數(shù)的負梯度下降方法，不斷更新網(wǎng)絡(luò)參數(shù)。第n個訓練模式的誤差參數(shù)，可定義為

（1-5）

其中p為輸出單元的個數(shù)。

按照模糊神經(jīng)網(wǎng)絡(luò)的結(jié)構(gòu)，可定義網(wǎng)絡(luò)參數(shù)向量：

（1-6）

參數(shù)更新修正規(guī)則：

（1-7）

其中為學習速率。

網(wǎng)絡(luò)分為4層：第1層為輸入層，代表儲糧害蟲的特征向量輸入網(wǎng)絡(luò)；第2層為模糊化層，完成輸入特征向量的模糊化，將輸入的特征向量分為3個等級{?。╯mall），中（medium），大（large）}，隸屬函數(shù)為高斯函數(shù)；第3層為模糊推理層，以使對模糊化后的特征向量進行綜合處理，采用積運算，第4層是輸出層，它的輸出值即表示屬于此類的隸屬度。

2 試驗過程

試驗過程分為學習過程和回調(diào)過程。

學習過程：（1）確定分類數(shù)為9。確定訓練的矢量數(shù)據(jù)，用各分量分別代表害蟲特征向量作為輸入。取每類害蟲的5個特征分量值作為訓練數(shù)據(jù)的輸入矢量，從而完備訓練數(shù)據(jù)，同時確定各個輸入矢量對應(yīng)的各類隸屬度輸出，構(gòu)成9個5輸入單輸出的模糊神經(jīng)網(wǎng)絡(luò)，每一個對應(yīng)一類的隸屬度輸出。（2）將數(shù)據(jù)送入各自單個的網(wǎng)絡(luò)訓練，直至能模擬所有輸出。

回調(diào)過程：將待分類儲糧害蟲的特征向量送入網(wǎng)絡(luò)，得到各自的單個網(wǎng)絡(luò)的輸出，然后將輸出歸一化，得到最終的隸屬度輸出。

3 試驗結(jié)果

利用Sugeno型模糊神經(jīng)網(wǎng)絡(luò)對6類儲糧害蟲進行了分類研究。試驗結(jié)果如（表1）所示。

4 Visual C++6.0平臺上實現(xiàn)識別

（圖1）是在儲糧害蟲圖像分類識別系統(tǒng)中對赤擬谷盜其中一個樣本的識別。

5 結(jié)語

運用T-S型神經(jīng)網(wǎng)絡(luò)對儲糧害蟲進行分類的識別率達到95.6%，并且利用Visual C++6.0平臺實現(xiàn)，操作簡單，可讀性好，具有較大的實際應(yīng)用價值。

參考文獻：

[1]黑龍江省大豆協(xié)會.我國糧食儲藏的現(xiàn)況及發(fā)展趨勢.http：//www.hsa.org.cn/news/index.php？id=1163

[2]Sugeno M.，Kang G.T.Structure identification of fuzzy model [J].Fuzzy Sets and Systems，1998，28：15-33.

[3]Takagi，M.Sugeno.Fuzzy identification of systems and its applications to modeling and control[J].IEEE Transaction on System，1985，15：116-132.

[4]C.-T.Lin，C.S.G.Lee.Neural-network-based fuzzy logic control and decision system[J] .IEEE Transactions on Computers，1991，40（12）：1320-1336.

[5]L-X Wang，J.M.Mendel.Back propagation fuzzy systems as nonlinear dynamic system identifiers[A].In：Proceedings of the IEEE International Conference on Fuzzy Systems[C].San Diego，1992.endprint

【摘 要】 在儲糧害蟲的檢測過程中，需要對多種多特征的糧蟲進行分類識別，本文利用T-S型模糊神經(jīng)網(wǎng)絡(luò)進行糧蟲特征分類，在Visual C++6.0平臺上實現(xiàn)對糧蟲的識別，對6類常見糧蟲的識別率達到95%以上，得到了良好的識別結(jié)果。

【關(guān)鍵詞】 T-S型模糊神經(jīng)網(wǎng)絡(luò) 儲糧害蟲 分類識別 Visual C++6.0

糧食的安全儲藏問題是個世界性難題。據(jù)聯(lián)合國糧農(nóng)組織的調(diào)查統(tǒng)計，全世界每年糧食霉變及蟲害等損失為糧食產(chǎn)量的8%[1]。因此，搞好糧食儲藏是一項關(guān)系到國計民生的重大課題，進行儲糧害蟲的治理任務(wù)重大而迫切。準確地給出害蟲的種類信息可為害蟲的綜合防治提供科學的決策依據(jù)。

模糊神經(jīng)網(wǎng)絡(luò)是模糊理論同神經(jīng)網(wǎng)絡(luò)相結(jié)合的產(chǎn)物，它的特點是將神經(jīng)網(wǎng)絡(luò)較強的自學習和聯(lián)想能力與模糊邏輯的推理過程易理解、對樣本要求較低的特點融合在一起，模糊理論和模糊系統(tǒng)理論上比通常意義下的模糊邏輯和神經(jīng)網(wǎng)絡(luò)更有優(yōu)越性，但是很難實現(xiàn)自適應(yīng)學習的功能。如果把神經(jīng)網(wǎng)絡(luò)引入到模糊理論中，將兩者有機結(jié)合，模糊系統(tǒng)能夠成為一種具有較強自學習能力的自適應(yīng)模糊系統(tǒng)，采用已有神經(jīng)網(wǎng)絡(luò)的有效學習算法，并吸收模糊系統(tǒng)的優(yōu)點，起到互補的效果。

1 T-S型模糊神經(jīng)網(wǎng)絡(luò)

1985年，T-S型模糊邏輯系統(tǒng)由日本的高木（Takagi）和關(guān)野（Sugeno）提出，旨在開發(fā)從給定的輸入-輸出數(shù)據(jù)集產(chǎn)生模糊規(guī)則的系統(tǒng)化方法，這種基于語言規(guī)則描述的模型第i條規(guī)則可寫為：

（1-1）

式（1-1）中，A是前件中的模糊集合，z是后件中的精確函數(shù)。通常是輸入變量x和y的多項式。當是一階多項式時，所產(chǎn)生的模糊推理系統(tǒng)被稱為一階Sugeno模糊模型，當為常數(shù)時，即得到了零階Sugeno模糊模型[2，3]。

專家知識被Sugeno模糊模型通過語言和數(shù)據(jù)整合到if-then規(guī)則中，基于T-S型的模糊神經(jīng)網(wǎng)絡(luò)綜合了模糊系統(tǒng)和神經(jīng)網(wǎng)絡(luò)的特點，不但能夠?qū)崿F(xiàn)一個Sugeno模糊推理系統(tǒng)的功能[4，5]，實現(xiàn)圖像的模糊輸入和模糊推理，而且它能根據(jù)系統(tǒng)輸出的期望值和實際值的差別自動生成和調(diào)整隸屬度函數(shù)和模糊規(guī)則。這種模糊神經(jīng)網(wǎng)絡(luò)應(yīng)用于儲糧害蟲分類，將更貼近于害蟲特征的形成過程，能取得較好的分類結(jié)果。

本實驗采用的是一階Sugeno模糊模型，后件是一階線性方程。其隸屬函數(shù)生成層、模糊推理層為：

（1-2）

（1-3）

其中，表示生成的隸屬度函數(shù)，采用的是高斯函數(shù)。為參數(shù)對，它們稱為前件參數(shù)，取值情況決定了的形狀。表示模糊推理層，模糊推理采用的是積運算，即各節(jié)點的輸出是輸入值的乘積。

反模糊化層采用一階Sugeno模糊模型的輸出。此時，令后件函數(shù)為，其模糊推理輸出：

（1-4）

學習算法采用誤差函數(shù)的負梯度下降方法，不斷更新網(wǎng)絡(luò)參數(shù)。第n個訓練模式的誤差參數(shù)，可定義為

（1-5）

其中p為輸出單元的個數(shù)。

按照模糊神經(jīng)網(wǎng)絡(luò)的結(jié)構(gòu)，可定義網(wǎng)絡(luò)參數(shù)向量：

（1-6）

參數(shù)更新修正規(guī)則：

（1-7）

其中為學習速率。

網(wǎng)絡(luò)分為4層：第1層為輸入層，代表儲糧害蟲的特征向量輸入網(wǎng)絡(luò)；第2層為模糊化層，完成輸入特征向量的模糊化，將輸入的特征向量分為3個等級{小（small），中（medium），大（large）}，隸屬函數(shù)為高斯函數(shù)；第3層為模糊推理層，以使對模糊化后的特征向量進行綜合處理，采用積運算，第4層是輸出層，它的輸出值即表示屬于此類的隸屬度。

2 試驗過程

試驗過程分為學習過程和回調(diào)過程。

學習過程：（1）確定分類數(shù)為9。確定訓練的矢量數(shù)據(jù)，用各分量分別代表害蟲特征向量作為輸入。取每類害蟲的5個特征分量值作為訓練數(shù)據(jù)的輸入矢量，從而完備訓練數(shù)據(jù)，同時確定各個輸入矢量對應(yīng)的各類隸屬度輸出，構(gòu)成9個5輸入單輸出的模糊神經(jīng)網(wǎng)絡(luò)，每一個對應(yīng)一類的隸屬度輸出。（2）將數(shù)據(jù)送入各自單個的網(wǎng)絡(luò)訓練，直至能模擬所有輸出。

回調(diào)過程：將待分類儲糧害蟲的特征向量送入網(wǎng)絡(luò)，得到各自的單個網(wǎng)絡(luò)的輸出，然后將輸出歸一化，得到最終的隸屬度輸出。

3 試驗結(jié)果

利用Sugeno型模糊神經(jīng)網(wǎng)絡(luò)對6類儲糧害蟲進行了分類研究。試驗結(jié)果如（表1）所示。

4 Visual C++6.0平臺上實現(xiàn)識別

（圖1）是在儲糧害蟲圖像分類識別系統(tǒng)中對赤擬谷盜其中一個樣本的識別。

5 結(jié)語

運用T-S型神經(jīng)網(wǎng)絡(luò)對儲糧害蟲進行分類的識別率達到95.6%，并且利用Visual C++6.0平臺實現(xiàn)，操作簡單，可讀性好，具有較大的實際應(yīng)用價值。

參考文獻：

[1]黑龍江省大豆協(xié)會.我國糧食儲藏的現(xiàn)況及發(fā)展趨勢.http：//www.hsa.org.cn/news/index.php？id=1163

[2]Sugeno M.，Kang G.T.Structure identification of fuzzy model [J].Fuzzy Sets and Systems，1998，28：15-33.

[3]Takagi，M.Sugeno.Fuzzy identification of systems and its applications to modeling and control[J].IEEE Transaction on System，1985，15：116-132.

[4]C.-T.Lin，C.S.G.Lee.Neural-network-based fuzzy logic control and decision system[J] .IEEE Transactions on Computers，1991，40（12）：1320-1336.

[5]L-X Wang，J.M.Mendel.Back propagation fuzzy systems as nonlinear dynamic system identifiers[A].In：Proceedings of the IEEE International Conference on Fuzzy Systems[C].San Diego，1992.endprint