王獻(xiàn)鋒，張傳雷，張善文，朱義海

?

基于自適應(yīng)判別深度置信網(wǎng)絡(luò)的棉花病蟲(chóng)害預(yù)測(cè)

王獻(xiàn)鋒1，張傳雷2※，張善文1，朱義海3

（1. 西京學(xué)院理學(xué)院，西安 710123；2. 天津科技大學(xué)計(jì)算機(jī)科學(xué)與信息工程學(xué)院，天津 300457；3. Tableau Software，西雅圖 WA 98103）

作物病蟲(chóng)害預(yù)測(cè)是病蟲(chóng)害防治的前提，利用深度學(xué)習(xí)預(yù)測(cè)作物病蟲(chóng)害是一個(gè)有效且具有挑戰(zhàn)性的研究課題。該文針對(duì)深度置信網(wǎng)絡(luò)（deep belief network，DBN）在作物病蟲(chóng)害預(yù)測(cè)中的訓(xùn)練耗時(shí)長(zhǎng)和容易收斂于局部最優(yōu)解等問(wèn)題，將自適應(yīng)DBN和判別限制玻爾茲曼機(jī)（restricted boltzmann machine，RBM）相結(jié)合，利用棉花生長(zhǎng)的環(huán)境信息，提出一種基于自適應(yīng)判別DBN的棉花病蟲(chóng)害預(yù)測(cè)模型。該模型由3層RBM網(wǎng)絡(luò)和一個(gè)判別RBM（discriminative restricted boltzmann machine，DRBM）網(wǎng)絡(luò)組成，通過(guò)3層RBM網(wǎng)絡(luò)將棉花生長(zhǎng)的環(huán)境信息數(shù)據(jù)轉(zhuǎn)換到與病蟲(chóng)害發(fā)生相關(guān)的特征空間，通過(guò)自動(dòng)學(xué)習(xí)得到層次化的特征表示，再由DRBM預(yù)測(cè)棉花病蟲(chóng)害的發(fā)生概率。該模型將自適應(yīng)學(xué)習(xí)率引入到對(duì)比差度算法中，通過(guò)自動(dòng)調(diào)整學(xué)習(xí)步長(zhǎng)，解決了在傳統(tǒng)DBN模型訓(xùn)練時(shí)學(xué)習(xí)率選擇難的問(wèn)題；在學(xué)習(xí)過(guò)程中通過(guò)在DRBM中引入樣本的類別信息，使得訓(xùn)練具有類別針對(duì)性，弱化傳統(tǒng)RBM無(wú)監(jiān)督訓(xùn)練時(shí)易出現(xiàn)特征同質(zhì)化問(wèn)題，提高了模型的預(yù)測(cè)準(zhǔn)確率。對(duì)實(shí)際棉花的“棉鈴蟲(chóng)、棉蚜蟲(chóng)、紅蜘蛛”蟲(chóng)害和“黃萎病、枯萎病”病害的平均預(yù)測(cè)準(zhǔn)確率為82.840%，與傳統(tǒng)BP神經(jīng)網(wǎng)絡(luò)模型（BPNN）、強(qiáng)模糊支持向量機(jī)模型（SFSVM）和RBF神經(jīng)網(wǎng)絡(luò)模型（RBFNN）分別提高19.248%，24.916%和27.774%。

病害；預(yù)測(cè)；模型；棉花；深度置信網(wǎng)絡(luò)；自適應(yīng)判別

0 引 言

棉花在種植過(guò)程和整個(gè)生育期中會(huì)不斷受到病蟲(chóng)害的影響，病蟲(chóng)害防治是棉花植保科技工作者和廣大棉農(nóng)長(zhǎng)期以來(lái)所面臨的主要問(wèn)題。中國(guó)棉花病蟲(chóng)害約有40余種，其中發(fā)生頻繁的“棉鈴蟲(chóng)、棉蚜蟲(chóng)、紅蜘蛛”蟲(chóng)害和“黃萎病、枯萎病”病害是棉田的主要病蟲(chóng)害，對(duì)棉花生產(chǎn)的危害范圍大、持續(xù)影響時(shí)間長(zhǎng)，而且造成的損失較大[1-2]。傳統(tǒng)的病蟲(chóng)害識(shí)別和預(yù)測(cè)方法主要依靠農(nóng)民和專家經(jīng)驗(yàn)預(yù)測(cè)病蟲(chóng)害發(fā)生、判斷病蟲(chóng)害種類以及受害區(qū)域和嚴(yán)重程度，再進(jìn)行噴灑農(nóng)藥。該類方法的預(yù)測(cè)和識(shí)別效果主觀性強(qiáng)，往往導(dǎo)致資源浪費(fèi)和環(huán)境污染。研究表明，棉花病蟲(chóng)害的發(fā)生具有一定的規(guī)律，也是一個(gè)循序漸進(jìn)的過(guò)程，棉花生長(zhǎng)中后期是多種病蟲(chóng)害的高發(fā)期，而且棉花病蟲(chóng)害的發(fā)生、發(fā)展和流行與棉花生長(zhǎng)環(huán)境的溫度、濕度、降雨、風(fēng)、光照和CO2等多種因素相關(guān)[3-4]。例如，雨水是棉花細(xì)菌侵染和傳播的主要條件，適溫、高濕有助于大多類病蟲(chóng)的繁殖和擴(kuò)散，而CO2濃度有助于作物光合作用，從而提高作物對(duì)病蟲(chóng)害的免疫力。要防治病蟲(chóng)害，首先要預(yù)測(cè)病蟲(chóng)害的發(fā)生時(shí)期和識(shí)別病蟲(chóng)害的類別。利用農(nóng)作物生長(zhǎng)的環(huán)境信息預(yù)測(cè)病蟲(chóng)害發(fā)生和流行趨勢(shì)，是當(dāng)前計(jì)算機(jī)科學(xué)和模式識(shí)別等領(lǐng)域研究的一個(gè)應(yīng)用性很強(qiáng)的研究方向[5]。劉俊稚[6]研究了幾種典型植物對(duì)大氣CO2濃度升高的生理和病理響應(yīng)，指出了CO2濃度直接和間接地影響到作物病蟲(chóng)害發(fā)生。石盼[7]開(kāi)發(fā)了一種基于物聯(lián)網(wǎng)技術(shù)、無(wú)線通信技術(shù)等多種技術(shù)為一體的農(nóng)作物病蟲(chóng)害診斷系統(tǒng)，通過(guò)農(nóng)作物病蟲(chóng)害的視頻采集與溫度、濕度、CO2濃度等各種環(huán)境信息和專家診斷系統(tǒng)對(duì)作物病蟲(chóng)害進(jìn)行檢測(cè)和診斷，取得了較好的效果。隨著遙感、互聯(lián)網(wǎng)、物聯(lián)網(wǎng)等技術(shù)的不斷發(fā)展，為棉花病蟲(chóng)害準(zhǔn)確預(yù)測(cè)和科學(xué)防治提供了可能[8-9]。趙慶展等[10]等設(shè)計(jì)了一套基于移動(dòng)GIS的棉田病蟲(chóng)害信息采集系統(tǒng)，該系統(tǒng)以當(dāng)前主流的Android/IOS手機(jī)操作系統(tǒng)為平臺(tái)，運(yùn)用GPS定位、離線地圖加載、圖形繪制等技術(shù)，實(shí)現(xiàn)了病蟲(chóng)害發(fā)生位置及屬性信息的快速采集。趙冰梅等[11]預(yù)測(cè)了新疆兵團(tuán)2017年棉花主要病蟲(chóng)害發(fā)生趨勢(shì)，提出了相應(yīng)的防治對(duì)策和綜合防治措施，為棉花病蟲(chóng)害防治提供了參考。

農(nóng)業(yè)物聯(lián)網(wǎng)技術(shù)拓寬了農(nóng)業(yè)病蟲(chóng)害預(yù)測(cè)的覆蓋面，實(shí)現(xiàn)了實(shí)時(shí)在線的農(nóng)作物病蟲(chóng)害的自動(dòng)預(yù)警?；谵r(nóng)業(yè)物聯(lián)網(wǎng)的農(nóng)作物病蟲(chóng)害早期預(yù)測(cè)和初期檢測(cè)已成為一個(gè)新的研究方向。陳光絨等[12]提出了一種基于物聯(lián)網(wǎng)技術(shù)的農(nóng)作物病蟲(chóng)害自動(dòng)測(cè)報(bào)系統(tǒng)；王翔宇等[13]研究了農(nóng)業(yè)主要病害檢測(cè)與預(yù)警技術(shù)；張恩迪等[14]研發(fā)了一套基于物聯(lián)網(wǎng)的農(nóng)業(yè)蟲(chóng)害智能監(jiān)控系統(tǒng)，能夠自動(dòng)采集農(nóng)田環(huán)境信息、害蟲(chóng)數(shù)目。盡管現(xiàn)有的很多作物預(yù)測(cè)方法、技術(shù)和系統(tǒng)在一定條件下對(duì)一種或幾種作物取得了較高的預(yù)測(cè)率。由于作物病蟲(chóng)害的發(fā)生和發(fā)展涉及到的因素很多，而且各個(gè)因素之間存在著復(fù)雜的相互作用和相互影響[15-16]，使得現(xiàn)有的作物病蟲(chóng)害預(yù)測(cè)模型的表達(dá)能力和泛化能力有限，預(yù)測(cè)準(zhǔn)確率不高，很多預(yù)測(cè)模型還不能滿足實(shí)際作物病蟲(chóng)害預(yù)測(cè)系統(tǒng)的要求。

深度學(xué)習(xí)是近年來(lái)人工智能和模式識(shí)別領(lǐng)域的一種新穎的、非常有效的機(jī)器學(xué)習(xí)方法，已經(jīng)在植物物種識(shí)別和植物病害識(shí)別中取得了成功應(yīng)用[17-18]。深度置信網(wǎng)絡(luò)（DBN）是一種雙向深度網(wǎng)絡(luò)方法，具有較強(qiáng)的數(shù)據(jù)預(yù)測(cè)能力，被廣泛應(yīng)用于空氣污染預(yù)報(bào)和交通流預(yù)測(cè)等實(shí)際問(wèn)題[19-20]。Lü等[21]提出了一種基于深度自編碼網(wǎng)絡(luò)模型的交通流預(yù)測(cè)模型，取得了理想的預(yù)測(cè)精度；Hu等[22]提出了一種基于深度神經(jīng)網(wǎng)絡(luò)的短期風(fēng)速預(yù)測(cè)方法，并通過(guò)仿真試驗(yàn)證明了深度神經(jīng)網(wǎng)絡(luò)在風(fēng)速預(yù)測(cè)中的優(yōu)越性；Zhao等[23]提出了一種基于深度學(xué)習(xí)的原油價(jià)格預(yù)測(cè)模型。由于DBN的每個(gè)限制波爾茲曼機(jī)RBM（restricted boltzmann machines，RBM）需要多次迭代更新權(quán)值參數(shù)，且每次迭代后權(quán)值更新的方向不盡相同，所以權(quán)值在更新過(guò)程中的每一步調(diào)節(jié)不一定一直向著損失函數(shù)減小的方向進(jìn)行，可能導(dǎo)致網(wǎng)絡(luò)的收斂速度降低，也可能出現(xiàn)“早熟”、難以收斂等問(wèn)題。為此，出現(xiàn)了一些自適應(yīng)DBN和監(jiān)督式DBN模型[24-25]。盡管DBN及其改進(jìn)方法都在一定程度上取得了較高的預(yù)測(cè)結(jié)果，但DBN在農(nóng)作物病蟲(chóng)害預(yù)測(cè)中的應(yīng)用的文獻(xiàn)報(bào)道很少。由于作物病蟲(chóng)害發(fā)生受到多種環(huán)境因素的影響，準(zhǔn)確地預(yù)測(cè)作物病蟲(chóng)害發(fā)生具有相當(dāng)大的實(shí)用性和挑戰(zhàn)性。本文將自適應(yīng)DBN和判別DBN模型相結(jié)合，提出了一種基于自適應(yīng)判別DBN（ADDBN）的棉花病蟲(chóng)害預(yù)測(cè)模型，并進(jìn)行了試驗(yàn)驗(yàn)證。

1 材料與方法

1.1 數(shù)據(jù)獲取與處理

1）數(shù)據(jù)采集。從2011年至2016年，每年的5月1日至9月30日，利用農(nóng)業(yè)物聯(lián)網(wǎng)傳感器，在陜西省渭南市大荔縣10個(gè)棉花種植示范基地采集棉花常見(jiàn)的、危害比較嚴(yán)重的“棉鈴蟲(chóng)、棉蚜蟲(chóng)、紅蜘蛛”蟲(chóng)害和“黃萎病、枯萎病”病害發(fā)生后5 d內(nèi)的12種環(huán)境信息：發(fā)病季節(jié)、土壤鹽分、土壤是否連種、土壤溫度和濕度、空氣溫度和濕度、光照強(qiáng)度、雨日數(shù)、降水量、CO2濃度和農(nóng)藥使用次數(shù)[4,14]，從早上8點(diǎn)到下午5點(diǎn)采集日平均溫度、日平均相對(duì)濕度和日平均光照。

2）環(huán)境信息離散化。參考文獻(xiàn)[10,12]對(duì)環(huán)境信息進(jìn)行離散化：將光照強(qiáng)度由強(qiáng)到弱設(shè)置為4個(gè)等級(jí)：0.7、0.5、0.3和0.1；將農(nóng)藥使用量由多到無(wú)設(shè)置為4個(gè)等級(jí)：0.7、0.4、0.2和0；按照土壤沒(méi)有連種、連種1次、連種2次及以上將土壤是否連種信息分別設(shè)置為3個(gè)等級(jí)：0、0.2和0.4；根據(jù)歷史數(shù)據(jù)按照月份將不同類病蟲(chóng)害的發(fā)生期劃分為5個(gè)等級(jí)：0.9、0.7、0.5、0.3和0.1；農(nóng)作物病蟲(chóng)害發(fā)生程度一般定義如下：0級(jí)表示沒(méi)有病蟲(chóng)害發(fā)生；1級(jí)（輕發(fā)生）表示病蟲(chóng)零星發(fā)生，不需要化學(xué)防治；2級(jí)（偏輕發(fā)生）表示作物無(wú)明顯受害損失；3級(jí)（中等發(fā)生）表示已造成局部明顯損失；4級(jí)（偏重發(fā)生）表示已造成嚴(yán)重?fù)p失[26-27]。

3）歸一化。對(duì)離散化后的每類環(huán)境信息進(jìn)行歸一化[28]：

4）環(huán)境信息特征向量。將每天采集的各個(gè)環(huán)境信息進(jìn)行日平均，最后組成一個(gè)12維的向量，作為當(dāng)天的環(huán)境信息向量樣本，得到7 550個(gè)向量。

由于采集的環(huán)境信息部分?jǐn)?shù)據(jù)缺失或不合理，本文共選擇了6 000個(gè)有效環(huán)境信息向量進(jìn)行病蟲(chóng)害預(yù)測(cè)試驗(yàn)。

1.2 自適應(yīng)判別深度置信網(wǎng)絡(luò)(adaptive discrimination deep belief network，ADDBN)

ADDBN是由多個(gè)RBM和一個(gè)判別RBM (discliminative restricted boltzmann machines，DRBM)組成的一種概率生成模型，每個(gè)RBM只有可見(jiàn)層節(jié)點(diǎn)與隱層節(jié)點(diǎn)之間有連接權(quán)值，而可見(jiàn)層節(jié)點(diǎn)之間和隱層節(jié)點(diǎn)之間無(wú)連接。通過(guò)自低向上逐層訓(xùn)練RBM，每一個(gè)RBM訓(xùn)練出的特征將作為下一層RBM的輸入，利用DRBM調(diào)整神經(jīng)元之間的權(quán)重，最后得到一個(gè)預(yù)測(cè)效果穩(wěn)定的ADDBN預(yù)測(cè)模型。為了說(shuō)明RBM與DRBM之間的區(qū)別，圖1給出了RBM和DRBM的結(jié)構(gòu)圖。

圖1 RBM和DRBM基本結(jié)構(gòu)

1.2.1 限制玻爾茲曼機(jī)(RBM)

由于RBM的可見(jiàn)層神經(jīng)元或隱層神經(jīng)元的激活狀態(tài)之間是相互獨(dú)立的，通過(guò)能量函數(shù)可以得到可見(jiàn)層和隱層的條件概率，第個(gè)隱層神經(jīng)元和第個(gè)可見(jiàn)神經(jīng)元輸出的條件激活概率分別表示為：

1.2.2 判別RBM(DRBM)

通過(guò)能量函數(shù)可以得到可見(jiàn)層和隱層的條件激活概率分別為：

比較式（3）和式（5）可以得到，在DRBM中標(biāo)簽層參與了隱層條件激活概率的計(jì)算。

1.2.3 自適應(yīng)學(xué)習(xí)率

RBM的快速學(xué)習(xí)過(guò)程通過(guò)一個(gè)對(duì)比散度算法（contrastive divergence，CD）實(shí)現(xiàn)。使用CD算法對(duì)構(gòu)成DBN的所有RBM逐一進(jìn)行無(wú)監(jiān)督訓(xùn)練。各參數(shù)的更新準(zhǔn)則如下：

由式（9）看出，當(dāng)連續(xù)2次迭代后參數(shù)更新方向相反時(shí)，學(xué)習(xí)率會(huì)減??；當(dāng)連續(xù)2次迭代后參數(shù)更新方向相同時(shí)，學(xué)習(xí)率會(huì)加大。

1.2.4 ADDBN的結(jié)構(gòu)

圖2 ADDBN模型

ADDBN的訓(xùn)練過(guò)程與DBN類似，分為無(wú)監(jiān)督的預(yù)訓(xùn)練和有監(jiān)督的微調(diào)2個(gè)階段[25,29]：

1.2.5 基于ADDBN的棉花病蟲(chóng)害預(yù)測(cè)模型

為了減小棉花病蟲(chóng)害預(yù)測(cè)模型的訓(xùn)練和運(yùn)行時(shí)間，本文采用的ADDBN模型結(jié)構(gòu)為1個(gè)輸入層、3個(gè)RBM隱含層和1個(gè)DRBM層?；贏DDBN的棉花病蟲(chóng)害預(yù)測(cè)過(guò)程如圖3所示。

在ADDBN中，輸入層的輸入數(shù)據(jù)為歸一化后的環(huán)境信息特征向量，輸出層的節(jié)點(diǎn)數(shù)為5，表示3種蟲(chóng)害和2種病害，模型訓(xùn)練后的輸出結(jié)果為5個(gè)節(jié)點(diǎn)輸出的最大值對(duì)應(yīng)的病蟲(chóng)害類型。該模型的主要過(guò)程描述如下：

1）數(shù)據(jù)采集和預(yù)處理。采集與棉花病蟲(chóng)害發(fā)生相關(guān)的環(huán)境信息，包括氣候、氣象信息、土壤信息等12種數(shù)據(jù)，組成原始數(shù)據(jù)集，然后結(jié)合棉花病蟲(chóng)害的歷史數(shù)據(jù)，對(duì)每類數(shù)據(jù)進(jìn)行量化、歸一化，組成每個(gè)樣本為12維的特征向量，作為預(yù)測(cè)模型的輸入樣本集，再將所有樣本劃分為訓(xùn)練樣本集和測(cè)試樣本集。其中，訓(xùn)練集用于訓(xùn)練預(yù)測(cè)模型，測(cè)試集用于對(duì)模型性能進(jìn)行測(cè)試；

圖3 基于ADDBN的棉花病蟲(chóng)害預(yù)測(cè)模型

2）構(gòu)造基于ADDBN的棉花病蟲(chóng)害預(yù)測(cè)模型。由試驗(yàn)對(duì)ADDBN的結(jié)構(gòu)進(jìn)行優(yōu)化設(shè)置，包括RBM的層數(shù)、各個(gè)RBM和DRBM的輸入和輸出的節(jié)點(diǎn)數(shù)等；

3）訓(xùn)練階段。利用訓(xùn)練樣本訓(xùn)練基于ADDBN的預(yù)測(cè)模型。根據(jù)CD算法中參數(shù)每次迭代方向的異同來(lái)動(dòng)態(tài)調(diào)整學(xué)習(xí)率。

4）計(jì)算實(shí)際輸出和目標(biāo)輸出的誤差，使用與模型權(quán)重相關(guān)的函數(shù)表示這個(gè)誤差，再利用共軛梯度算法調(diào)整權(quán)重矩陣，最后得到誤差函數(shù)達(dá)到最小的網(wǎng)絡(luò)權(quán)重矩陣；

5）測(cè)試階段。將測(cè)試樣本輸入到訓(xùn)練好的預(yù)測(cè)模型中，計(jì)算棉花病蟲(chóng)害的預(yù)測(cè)結(jié)果；

6）預(yù)測(cè)結(jié)果分析。在分類層，將重復(fù)采樣的分類結(jié)果平均，得到預(yù)測(cè)模型的預(yù)測(cè)結(jié)果。

2 試驗(yàn)與分析

試驗(yàn)的硬件環(huán)境為內(nèi)存32GB、CPU Intel(R) Core(TM) i7-4790 8*3.60GHZ、GPU GeForce GTX Titan X，訓(xùn)練速度使用單核Intel3.47GHZ的15倍以上，深度學(xué)習(xí)架構(gòu)為T(mén)ensorflow，編程語(yǔ)言為python。在預(yù)測(cè)模型中，第一層RBM的可視層節(jié)點(diǎn)數(shù)為12，對(duì)應(yīng)12種環(huán)境信息，輸出結(jié)果為病蟲(chóng)害發(fā)生類型。試驗(yàn)數(shù)據(jù)為2011年到2016年的5月1日—9月30日的每天采集的12種環(huán)境信息的日平均值，再歸一化后的向量樣本[28]。

由于DBN對(duì)相關(guān)的初始參數(shù)比較敏感，為了獲得高效的預(yù)測(cè)準(zhǔn)確率，首先需要確定3個(gè)參數(shù)：ADDBN的層數(shù)、每一隱層的節(jié)點(diǎn)個(gè)數(shù)和訓(xùn)練ADDBN模型需要的迭代次數(shù)。為此，利用全部樣本進(jìn)行大量試驗(yàn)對(duì)比獲得較優(yōu)的3個(gè)參數(shù)值[30]。模型評(píng)價(jià)指標(biāo)選擇為均方誤差，即當(dāng)誤差值較大時(shí)，說(shuō)明模型的預(yù)測(cè)能力較低；反之則說(shuō)明模型預(yù)測(cè)精度較高。當(dāng)輸出訓(xùn)練樣本集的預(yù)測(cè)誤差達(dá)到最小時(shí)的模型作為最終輸出模型[21,24-25]。采用10-折交叉驗(yàn)證法對(duì)6 000個(gè)環(huán)境信息向量進(jìn)行病蟲(chóng)害預(yù)測(cè)試驗(yàn)，即將6 000個(gè)樣本數(shù)據(jù)集分成10份，每份600個(gè)，依次將其中9份作為訓(xùn)練數(shù)據(jù)集訓(xùn)練模型，然后將剩余的1份作為測(cè)試集輸入到訓(xùn)練好的模型進(jìn)行病蟲(chóng)害預(yù)測(cè)試驗(yàn)，重復(fù)訓(xùn)練多次，由試驗(yàn)結(jié)果來(lái)確定所提出模型的參數(shù)。在試驗(yàn)中，輸入神經(jīng)元數(shù)為12，輸出神經(jīng)元數(shù)為5。為了簡(jiǎn)化預(yù)測(cè)模型，初步選擇2~4個(gè)RBM和一個(gè)DRBM進(jìn)行訓(xùn)練。訓(xùn)練時(shí)采用自適應(yīng)學(xué)習(xí)率，分組訓(xùn)練大小設(shè)置為32，動(dòng)量為0.5。試驗(yàn)發(fā)現(xiàn)，在RBM層數(shù)大于4時(shí)，預(yù)測(cè)模型的效果隨著層數(shù)的增加而有所降低，預(yù)測(cè)訓(xùn)練時(shí)間也隨之增加，這說(shuō)明預(yù)測(cè)模型的效果與RBM層數(shù)增長(zhǎng)之間并非成正比關(guān)系。在此基礎(chǔ)上進(jìn)一步確定各層神經(jīng)元數(shù)量，經(jīng)過(guò)反復(fù)試驗(yàn)，得到每個(gè)隱層神經(jīng)元數(shù)為264時(shí)獲得的高層特征效果最佳。最終確定的模型結(jié)構(gòu)為1個(gè)輸入層、3個(gè)RBM和一個(gè)DRBM。試驗(yàn)中，各節(jié)點(diǎn)輸出值大于等于0.90，則判定為該類，預(yù)測(cè)結(jié)果為正確識(shí)別樣本數(shù)與測(cè)試集中總樣本數(shù)的百分比。經(jīng)過(guò)以上模型訓(xùn)練后，再重新進(jìn)行10-折交叉驗(yàn)證法試驗(yàn)，得到10個(gè)測(cè)試結(jié)果，將10次試驗(yàn)結(jié)果的平均值作為1次10-折交叉驗(yàn)證的試驗(yàn)結(jié)果。重復(fù)進(jìn)行10-折交叉驗(yàn)證試驗(yàn)50次，計(jì)算50次試驗(yàn)的平均值，得到棉花的3種蟲(chóng)害和2種病害的平均預(yù)測(cè)試驗(yàn)結(jié)果見(jiàn)表1。為了表明本文提出方法的有效性，表1中還給出了基于BP神經(jīng)網(wǎng)絡(luò)的（BPNN）[26]、基于強(qiáng)模糊支持向量機(jī)（SFSVM）[31]和基于RBF網(wǎng)絡(luò)（RBFNN）[32]的棉花3種蟲(chóng)害2種病害的預(yù)測(cè)結(jié)果。為了說(shuō)明本文方法的有效性，給出了基于傳統(tǒng)DBN的識(shí)別結(jié)果，其中DBN的網(wǎng)絡(luò)結(jié)構(gòu)和初始參數(shù)與ADDBN相同，只是將最后一層的DRBM替換為BP神經(jīng)網(wǎng)絡(luò)，并采用固定學(xué)習(xí)率為0.3[30]。為了說(shuō)明本文方法的可行性，比較本文方法與BPNN、SFSVM、RBF和DBN的時(shí)間復(fù)雜度。在一次10-折交叉驗(yàn)證的10次試驗(yàn)中，在本文方法和4種比較方法中，設(shè)置訓(xùn)練終止條件都為2次連續(xù)迭代預(yù)測(cè)結(jié)果的誤差為0.001，在PC機(jī)中計(jì)算各種方法的10次試驗(yàn)訓(xùn)練時(shí)間的平均值，作為各種方法的訓(xùn)練時(shí)間；然后計(jì)算得到10個(gè)預(yù)測(cè)結(jié)果的預(yù)測(cè)時(shí)間的平均值，作為各種方法的預(yù)測(cè)時(shí)間，見(jiàn)表2。

為了說(shuō)明自適應(yīng)學(xué)習(xí)率對(duì)網(wǎng)絡(luò)訓(xùn)練收斂性的影響，將ADDBN與傳統(tǒng)的DBN在3個(gè)不同的固定學(xué)習(xí)率（0.1、0.3和0.6）情況下，對(duì)訓(xùn)練收斂性的影響進(jìn)行比較。試驗(yàn)采用10-折交叉驗(yàn)證法。圖4給出了DBN（取3個(gè)固定學(xué)習(xí)率）和ADDBN在相同的隱藏層數(shù)及節(jié)點(diǎn)數(shù)的情況下，不同的迭代次數(shù)對(duì)應(yīng)的預(yù)測(cè)結(jié)果。其中DBN（0.1）、DBN（0.3）和DBN（0.6）分別表示學(xué)習(xí)率為0.1、0.3和0.6時(shí)的DBN模型對(duì)應(yīng)的預(yù)測(cè)率。

表1 基于5種預(yù)測(cè)模型的棉花病蟲(chóng)害的預(yù)測(cè)準(zhǔn)確率

表2 5種預(yù)測(cè)方法的訓(xùn)練時(shí)間和預(yù)測(cè)時(shí)間

圖4 不同迭代次數(shù)下ADDBN和DBN（n= 0.1、0.3和0.6）的預(yù)測(cè)準(zhǔn)確率

3 討 論

從表1可以看出，基于DBN和ADDBN的棉花病蟲(chóng)害預(yù)測(cè)模型的預(yù)測(cè)準(zhǔn)確率遠(yuǎn)高于其他3種預(yù)測(cè)模型，其原因是這兩種預(yù)測(cè)模型充分利用了12種環(huán)境信息，能夠從復(fù)雜的環(huán)境信息中深度挖掘到影響棉花病蟲(chóng)害發(fā)生和發(fā)展的主要預(yù)測(cè)特征，從而得到較高的預(yù)測(cè)結(jié)果。ADDBN比傳統(tǒng)的預(yù)測(cè)方法BPNN、SFSVM和RBFNN的平均預(yù)測(cè)準(zhǔn)確率分別提高了19.248%、24.916%和27.774%。其原因是傳統(tǒng)模型的預(yù)測(cè)方法是完全基于輸入樣本特征的，不可避免引入了不相關(guān)因素等噪聲，導(dǎo)致預(yù)測(cè)準(zhǔn)確率不高。ADDBN比現(xiàn)有的DBN的預(yù)測(cè)準(zhǔn)確率提高了2.784%，其主要原因是ADDBN在學(xué)習(xí)過(guò)程中能夠?qū)㈩悇e信息引入到模型訓(xùn)練中，使訓(xùn)練具有監(jiān)督性，由此弱化傳統(tǒng)RBM在無(wú)監(jiān)督訓(xùn)練時(shí)出現(xiàn)訓(xùn)練時(shí)間長(zhǎng)和過(guò)擬合問(wèn)題，從而提高了數(shù)據(jù)擬合度。

由表2可以看出，相對(duì)于淺層學(xué)習(xí)方法（SVM）和淺層神經(jīng)網(wǎng)絡(luò)（BPNN和RBFNN），DBN和ADDBN的訓(xùn)練階段的耗時(shí)很長(zhǎng)，則時(shí)間復(fù)雜度較高，但是測(cè)試階段都比較快，所以可以應(yīng)用于作物病蟲(chóng)害預(yù)測(cè)任務(wù)。ADDBN比DBN的訓(xùn)練時(shí)間快2 673 s，其原因是ADDBN采用了自適應(yīng)學(xué)習(xí)率，能夠較快收斂到最優(yōu)解。

從圖4可以看出，隨著迭代訓(xùn)練次數(shù)的增加，病蟲(chóng)害的預(yù)測(cè)率有所提升。在迭代次數(shù)不多時(shí)，DBN和ADDBN的預(yù)測(cè)結(jié)果差別不大，但當(dāng)?shù)螖?shù)大于600時(shí)，ADDBN的預(yù)測(cè)結(jié)果明顯優(yōu)于DBN。特別地，當(dāng)?shù)螖?shù)增加時(shí)，網(wǎng)絡(luò)的收斂速度顯著加快，直至趨于穩(wěn)定。原因是ADDBN采用了自適應(yīng)學(xué)習(xí)率，在模型學(xué)習(xí)過(guò)程能夠朝著權(quán)值參數(shù)最優(yōu)值的方向優(yōu)化。由圖4也可以看出，DBN中學(xué)習(xí)率越大，則收斂速度快，但過(guò)大可能引起模型不穩(wěn)定；學(xué)習(xí)率越小，則收斂速度較慢。圖4結(jié)果說(shuō)明，學(xué)習(xí)率是DBN的一個(gè)重要參數(shù)。

因獲取環(huán)境信息數(shù)據(jù)源的渠道單一，而且本研究所用數(shù)據(jù)量有限，下一步將嘗試擴(kuò)大訓(xùn)練樣本和測(cè)試樣本數(shù)據(jù)量，使用更多歷史數(shù)據(jù)訓(xùn)練所提出的預(yù)測(cè)網(wǎng)絡(luò)，構(gòu)建基于該網(wǎng)絡(luò)的病蟲(chóng)害預(yù)測(cè)系統(tǒng)。

值得指出的是，本文主要討論了棉花病害和蟲(chóng)害發(fā)生的預(yù)測(cè)模型。由于沒(méi)有得到作物病害和蟲(chóng)害同時(shí)發(fā)生情況下的環(huán)境信息數(shù)據(jù)，所以本文沒(méi)有考慮兩者同時(shí)發(fā)生的情況。實(shí)際上，病害和蟲(chóng)害同時(shí)發(fā)生也是可能發(fā)生的一種情況。由于病害和蟲(chóng)害同時(shí)發(fā)生的預(yù)測(cè)問(wèn)題比單一的病害或蟲(chóng)害發(fā)生的預(yù)測(cè)問(wèn)題復(fù)雜很多，目前鮮見(jiàn)此類預(yù)測(cè)模型。這也將是下一步研究的主要方向之一。

4 結(jié) 論

面對(duì)海量、復(fù)雜、多變的環(huán)境信息，傳統(tǒng)的基于淺層學(xué)習(xí)算法的作物病蟲(chóng)害預(yù)測(cè)模型難以從高維復(fù)雜的環(huán)境信息中學(xué)習(xí)到與病蟲(chóng)害發(fā)生相關(guān)的預(yù)測(cè)特征，所以得到的預(yù)測(cè)準(zhǔn)確率不高、模型不穩(wěn)定。本文以相對(duì)濕度、平均氣溫、降雨量和日照時(shí)數(shù)等12種環(huán)境信息，建立基于ADDBN的棉花病蟲(chóng)害預(yù)測(cè)模型。在棉花的3種蟲(chóng)害和2種病害的環(huán)境信息數(shù)據(jù)集上進(jìn)行了試驗(yàn)驗(yàn)證，并與其他3種預(yù)測(cè)模型進(jìn)行了比較。結(jié)果表明：

1）該模型整合了海量、多源的環(huán)境信息數(shù)據(jù)，能夠深度挖掘與病蟲(chóng)害發(fā)生相關(guān)的環(huán)境信息之間內(nèi)在的關(guān)系，在一定程度上克服了基于傳統(tǒng)神經(jīng)網(wǎng)絡(luò)的作物病蟲(chóng)害預(yù)測(cè)方法的缺陷，與傳統(tǒng)的BPNN相比，預(yù)測(cè)準(zhǔn)確率提高了19.248%；與DBN相比，預(yù)測(cè)準(zhǔn)確率提高了2.784%。

2）該模型采用自適應(yīng)學(xué)習(xí)率，克服了DBN中固定學(xué)習(xí)率出現(xiàn)的收斂速度慢和容易陷入局部最優(yōu)的問(wèn)題，訓(xùn)練時(shí)間縮短了2 673 s。

3）該模型為農(nóng)作物病蟲(chóng)害預(yù)測(cè)提供了一種新思路。但文中還存在一些問(wèn)題：關(guān)于ADDBN的隱含層數(shù)、隱含層神經(jīng)元數(shù)等的設(shè)置幾乎沒(méi)有理論依據(jù)和行之有效的統(tǒng)一的設(shè)置方法，一般依靠經(jīng)驗(yàn)和試驗(yàn)設(shè)置，再多次進(jìn)行調(diào)整，由此花費(fèi)的時(shí)間比較長(zhǎng)，限制了基于ADDBN的棉花預(yù)測(cè)模型的應(yīng)用范圍。下一步研究重點(diǎn)為尋找ADDBN的參數(shù)設(shè)置的思路和依據(jù)，進(jìn)一步研究當(dāng)病害與蟲(chóng)害同時(shí)發(fā)生時(shí)，如何利用ADDBN進(jìn)行病蟲(chóng)害預(yù)測(cè)。

[1] 趙冰梅，李賢超，王俊剛. 2011年新疆兵團(tuán)棉花病蟲(chóng)害發(fā)生特點(diǎn)及原因分析[J]. 中國(guó)棉花，2012，39(3)：9－11.Zhao Bingmei, Li Xianchao, Wang Jungang. Analysis of the characteristics and causes of cotton disease and insect pests in Xinjiang Corps in 2011[J]. Chinese cotton, 2012, 39(3): 9－11. (in Chinese with English abstract)

[2] 趙冰梅，李賢超. 新疆兵團(tuán)棉花中后期主要病蟲(chóng)害發(fā)生趨勢(shì)及防治對(duì)策[J]. 中國(guó)棉花，2012，39(17)：13－14. Zhao Bingmei, Li Xianchao. Occurrence trend and control countermeasures of main cotton diseases and insect pests in middle and later stage of xinjiang production and construction crops[J]. Chinese cotton, 2012, 39(17): 13－14. (in Chinese with English abstract)

[3] 葉彩玲，霍治國(guó)，丁勝利，等. 農(nóng)作物病蟲(chóng)害氣象環(huán)境成因研究進(jìn)展[J]. 自然災(zāi)害學(xué)報(bào)，2005，24(1)：90－97. Ye Cailing, Huo Zhiguo, Ding Shengli, et al. Advance in study on formation of meteorological environment causing crop's diseases and insect pests[J]. Journal of Natural Disasters, 2005, 14(1): 90－97. (in Chinese with English abstract)

[4] 陳懷亮，張弘，李有. 農(nóng)作物病蟲(chóng)害發(fā)生發(fā)展氣象條件及預(yù)報(bào)方法研究綜述[J]. 中國(guó)農(nóng)業(yè)氣象，2007，28(2)： 212－216 Chen Huailiang, Zhang Hong, Li You. Summary of meteorological conditions and forecasting methods of crop diseases and insect pests development[J]. Chinese Journal of Agrometeorology, 2007, 28 (2): 212－216. (in Chinese with English abstract)

[5] 王翔宇，溫皓杰，李鑫星，等. 農(nóng)業(yè)主要病害檢測(cè)與預(yù)警技術(shù)研究進(jìn)展分析[J]. 農(nóng)業(yè)機(jī)械學(xué)報(bào)，2016，47(9)： 266－277.Wang Xiangyu, Wen Haojie, Li Xinxing, et al. Research progress analysis of mainly agricultural diseases detection and early warning technologies[J]. Transactions of the Chinese Society for Agricultural Machinery, 2016, 47(9): 266－277. (in Chinese with English abstract)

[6] 劉俊稚. 幾種典型植物對(duì)大氣CO2濃度升高的生理和病理響應(yīng)研究[D]. 杭州：浙江大學(xué)，2010.Liu Junzhi. Study on Eco-physiological and Pathological Pesponses of Several Typical Plant Species to Elevated Atmospheric CO2[D]. Hangzhou: Zhejiang University, 2010. (in Chinese with English abstract)

[7] 石盼. 基于嵌入式的設(shè)施農(nóng)作物病蟲(chóng)害診斷終端系統(tǒng)的研究與設(shè)計(jì)[D]. 銀川：北方民族大學(xué)，2016.Shi Pan. The Research and Design of Amenities Crop Pests and Diseases Diagnostic Terminal System Based on Embedded Technology[D].Yinchuan: Beifang Univesity of Nationality, 2016. (in Chinese with English abstract)

[8] Qinghai He, Benxue Ma, Duanyang Qu. Cotton pests and diseases detection based on image processing[J]. Telkomnika, 2013,11(6): 3445－3450.

[9] Supriya S Patki, G S Sable. A review: cotton leaf disease detection [J]. IOSR Journal of VLSI and Signal Processing, 2016,6(3):78－81.

[10] 趙慶展，靳光才，周文杰，等. 基于移動(dòng)GIS的棉田病蟲(chóng)害信息采集系統(tǒng)[J]. 農(nóng)業(yè)工程學(xué)報(bào)，2015，31(4)：183－190. Zhao Qingzhan, Jin Guangcai, Zhou Wenjie, et al. Information collection system for diseases and pests in cotton field based on mobile GIS[J]. Transactions of the Chinese Society of Agricultural Engineering (Transactions of the CSAE), 2015, 31(4): 183－190. (in Chinese with English abstract)

[11] 趙冰梅，李紅，李賢超. 2017年新疆兵團(tuán)棉花主要病蟲(chóng)害發(fā)生預(yù)測(cè)及防治對(duì)策[J]. 中國(guó)棉花，2017，44(4)：1－2.Zhao Bingmei, Li Hong, Li Xianchao. Prediction and prevention and control of the main diseases and insect pests of cotton in Xinjiang Corps in 2017[J]. Chinese Cotton, 2017, 44(4): 1－2. (in Chinese with English abstract)

[12] 陳光絨，李小琴. 基于物聯(lián)網(wǎng)技術(shù)的農(nóng)作物病蟲(chóng)害自動(dòng)測(cè)報(bào)系統(tǒng)[J]. 江蘇農(nóng)業(yè)科學(xué)，2015，43(4)：406－410. Chen Guang rong, Li Xiaoqin. Automatic measurement and report system of crop diseases and insect pests based on Internet of things technology[J]. Jiangsu agricultural science, 2015, 43(4): 406－410. (in Chinese with English abstract)

[13] 王翔宇，溫皓杰，李鑫星. 農(nóng)業(yè)主要病害檢測(cè)與預(yù)警技術(shù)研究進(jìn)展分析[J]. 農(nóng)業(yè)機(jī)械學(xué)報(bào)，2016，47(9)：266－277. Wang Xiangyu, Wen Haojie, Li Xinxing. Analysis of the research progress on the detection and early warning technology of major agricultural diseases[J]. Transaltions of the Chinese Society for agricultural machinery, 2016, 47(9): 266－277. (in Chinese with English abstract)

[14] 張恩迪，張佳銳. 基于物聯(lián)網(wǎng)的農(nóng)業(yè)蟲(chóng)害智能監(jiān)控系統(tǒng)[J]. 農(nóng)機(jī)化研究，2015(5)：229－234. Zhang Endi, Zhang Jiarui. Intelligent monitoring system of agricultural pests based on IOT[J]. Journal of Agricultural Mechanization Research, 2015(5): 229－234. (in Chinese with English abstract)

[15] Sannakki S, Rajpurohit V S, Sumira F, et al. A neural network approach for disease forecasting in grapes using weather parameters[C]// International Conference on Computing. IEEE, 2013: 1－5.

[16] Mingwang Shi. Based on time series and RBF network plant disease forecasting[J]. Procedia Engineering, 2011, 15: 2384－2387.

[17] Mads Dyrmann, Henrik Karstoft, Henrik Skov Midtiby. Plant species classification using deep convolutional neural network[J]. Biosystems Engineering, 2016, 151: 72－80.

[18] Sladojevic S, Arsenovic M, Anderla A, et al. Deep neural networks based recognition of plant diseases by leaf image classification[J]. Computational Intelligence and Neuroscience, 2016(6): 1－11.

[19] 尹文君，張大偉，嚴(yán)京，等. 基于深度學(xué)習(xí)的大數(shù)據(jù)空氣污染預(yù)報(bào)[J]. 中國(guó)海軍管理，2015(6)：46－52. Yin Wenjun, Zhang Dawei, Yan Jing, et al. Large data air pollution forecast based on deep learning [J]. Chinese Navy Management, 2015(6): 46－52. (in Chinese with English abstract)

[20] 羅向龍，焦琴琴，牛力瑤，等. 基于深度學(xué)習(xí)的短時(shí)交通流預(yù)測(cè)[J]. 計(jì)算機(jī)應(yīng)用研究，2017，34(1)：91－93. Luo Xianglong, Jiao Qinqin, Niu Liyao, et al. Short-term traffic flow prediction based on deep learning[J]. Application Research of Computers, 2017, 34(1): 91－93. (in Chinese with English abstract)

[21] Lü Y, Duan Y, Kang W, et al. Traffic flow prediction with big data: a deep learning approach[J]. IEEE Transactions on Intelligent Transportation Systems, 2015, 16(2): 865－873.

[22] Hu Q, Zhang R, Zhou Y. Transfer learning for short-term wind speed prediction with deep neural networks[J]. Renewable Energy, 2016, 85: 83－95.

[23] Zhao Y, Li J, Yu L. A deep learning ensemble approach for crude oil price forecasting[J]. Energy Economics, 2017, 66: 9－16.

[24] 喬俊飛，王功明，李曉理，等. 基于自適應(yīng)學(xué)習(xí)率的深度信念網(wǎng)設(shè)計(jì)與應(yīng)用[J]. 自動(dòng)化學(xué)報(bào)，2017，43(8)：1339－1349 Qiao Junfei, Wang Gongming, Li Xiaoli. Design and application of deep belief network with adaptive learning rate[J]. Acta Automatica Sinica, 2017, 43(8): 1339－1349. (in Chinese with English abstract)

[25] Zhao Z, Jiao L, Zhao J, et al. Discriminant deep belief network for high-resolution SAR image classification[J]. Pattern Recognition, 2017, 61: 686－701.

[26] 胡小平，梁承華，楊之為，等. 植物病蟲(chóng)害BP神經(jīng)網(wǎng)絡(luò)預(yù)測(cè)系統(tǒng)的研制與應(yīng)用[J]. 西北農(nóng)林科技大學(xué)學(xué)報(bào)(自然科學(xué)版)，2001，29(2)：73－76.Hu Xiaoping, Liang Chenghua, Yang Zhiwei, et al. Development and application of the BP neural network prediction system on plant diseases and pests[J]. Journal of Northwest Science-Technology University of Agriculture and Forest (Nat. Sci. Ed.), 2001, 29(2): 73－76. (in Chinese with English abstract)

[27] 陳兵，李少昆，王克如，等. 棉花黃萎病病葉光譜特征與病情嚴(yán)重度的估測(cè)[J]. 中國(guó)農(nóng)業(yè)科學(xué)，2007，40(12)： 2709－2715. Chen Bing, Li Shaokun, Wang Keru, et al. Spectrum characteristics of cotton single leaf infected by verticillium wilt and estimation on severity level of disease[J]. Scientia Agricultura Sinica, 2007, 40(12): 2709－2715. (in Chinese with English abstract)

[28] 姜培剛. 氣候變化對(duì)昌邑市農(nóng)作物病蟲(chóng)害發(fā)生程度的影響[D]. 泰安：山東農(nóng)業(yè)大學(xué)，2015. Jiang Peigang. Influence of Climate Change on the Occurrence of Crop Diseases and Insect Pests in Changyi[D].Tai’an: Shandong Agricultural University, 2015. (in Chinese with English abstract)

[29] Larochelle H, Mandel M, Pascanu R, et al. Learning algorithms for the classification restricted Boltzmann machine[J]. Journal of Machine Learning Research, 2012, 13(1): 643－669.

[30] 周兆永，何東健，張海輝，等. 基于深度信念網(wǎng)絡(luò)的蘋(píng)果霉心病病害程度無(wú)損檢測(cè)[J]. 食品科學(xué)，2017，38(14)：297－303. Zhou Zhaoyong, He Dongjian, Zhang Haihui, et al. Non- destructive detection of moldy core in apple fruit based on deep belief network[J]. Food Science, 2017, 38(14): 297－303. (in Chinese with English abstract)

[31] 楊志民，梁靜，劉廣利. 強(qiáng)模糊支持向量機(jī)在稻瘟病氣象預(yù)警中的應(yīng)用[J]. 中國(guó)農(nóng)業(yè)大學(xué)學(xué)報(bào)，2010，15(3)： 122－128. Yang Zhimin, Liang Jing, Liu Guangli. Application of strong fuzzy support vector machine on weather early warning of rice blast[J]. Journal of China Agricultural University, 2010, 15(3): 122－128. (in Chinese with English abstract)

[32] 符保龍. RBF網(wǎng)絡(luò)在農(nóng)業(yè)病蟲(chóng)害預(yù)測(cè)中的應(yīng)用研究[J]. 安徽農(nóng)業(yè)科學(xué)，2008，36(1)：388－389. Fu Baolong. Application research of RBF network in forecasting agricultural disease and insect pest[J]. Journal of Anhui Agricultural Sciences, 2008, 36(1): 388 －389. (in Chinese with English abstract)

Forecasting of cotton diseases and pests based on adaptive discriminant deep belief network

Wang Xianfeng1, Zhang Chuanlei2※, Zhang Shanwen1, Zhu Yihai3

(1.710123,; 2.300457,; 3.98103,)

Cotton diseases and pests seriously affect cotton quantity. Timely and accurate prediction of diseases and pests is very important for crop growers to effectively prevent and monitor cotton diseases and pests. Cotton diseases and pests can be forecast by environmental and weather information. Through various sensors in the internet of things, it is easy to acquire a lot of environmental and weather information, and many cotton existing prediction methods, techniques and systems have been proposed. However, the occurrence and development of cotton diseases and pests involve various factors, among which there are complex interactions and mutual influences. The traditional prediction model of cotton diseases and insect pests has limited expression ability and generalization ability, and the accuracy of prediction is not high. Many existing prediction models cannot meet the actual needs of pest and disease prediction system. Therefore, the prediction of cotton diseases and pests is still a challenging problem in computer vision. In recent years, deep learning networks have won numerous contests in pattern recognition and machine learning. Deep belief network (DBN) is one of the most widely used deep learning models and has been successfully applied in many fields. DBN is a superposition model composed of several restricted Boltzmann machines (RBM). However, in DBN, there are a lot of problems, such as time-consuming to pre-train, easy to get into the local optimal solution, unsupervised training and poor generalization. An adoptive discriminant deep belief network (ADDBN) is proposed to solve the time-consuming problem in the pre-training process of DBN, and then a forecasting model of cotton diseases and pests is proposed based on environmental information and ADDBN. ADDBN is constructed by three RBMs (restricted Boltzmann machine) and a discriminant RBM (DRBM). In DRBM, the label information is introduced to training process of RBM, and the discriminant information is added into learning process through constraint on the similarity of feature vectors to improve the forecasting rate. In ADDBN, an adaptive learning rate is introduced into the contrastive divergence algorithm to accelerate the model convergence. Comparing with DBN, the proposed model has two advantages, (1) adaptive learning rate is introduced into the contrast algorithm to automatically adjust learning step, which can solve the problem to choose the learning rate in the training traditional DBN model; (2) the class information of samples is introduced into DRBM in the learning process. Then the model can be targeted trained, which can weaken the characteristic homogeneous in unsupervised training the traditional RBM and improve the forecasting accuracy of the model. Finally, a series of experiments were carried out on a dataset of cotton diseases and pests to test the performance of ADDBN. The results showed that the convergence rate is accelerated significantly and the forecasting accuracy is improved as well. The experiment results on the environmental information database of "three worms and two diseases" of cotton in recent 6 years showed that the proposed prediction model has better prediction effect than the traditional prediction model such as BPNN, SFSVM and RBFNN, the prediction performance is improved by 19.248%, 24.916% and 27.774% respectively. It is an effective method to predict crop pests and diseases with faster convergence rate, good generalization ability and higher prediction effect.

diseases; forecasting; models; cotton; deep belief network (DBN); adoptive discriminant

10.11975/j.issn.1002-6819.2018.14.020

TP391

A

1002-6819(2018)-14-0157-08

2018-02-03

2018-04-09

國(guó)家自然科學(xué)基金項(xiàng)目(61473237)

王獻(xiàn)鋒，男，西安人，副教授。研究方向?yàn)闄C(jī)器學(xué)習(xí)及其在植物病蟲(chóng)害識(shí)別與預(yù)測(cè)中的應(yīng)用。Email：wangxianfeng@xijing.edu.cn

張傳雷，男，山東沂源人，副教授。研究方向?yàn)樯疃葘W(xué)習(xí)及其應(yīng)用。Email：al7647@Gmail.com

王獻(xiàn)鋒，張傳雷，張善文，朱義海.基于自適應(yīng)判別深度置信網(wǎng)絡(luò)的棉花病蟲(chóng)害預(yù)測(cè)[J]. 農(nóng)業(yè)工程學(xué)報(bào)，2018，34(14)：157－164. doi：10.11975/j.issn.1002-6819.2018.14.020 http://www.tcsae.org

Wang Xianfeng, Zhang Chuanlei, Zhang Shanwen, Zhu Yihai. Forecasting of cotton diseases and pests based on adaptive discriminant deep belief network[J]. Transactions of the Chinese Society of Agricultural Engineering (Transactions of the CSAE), 2018, 34(14): 157－164. (in Chinese with English abstract) doi：10.11975/j.issn.1002-6819.2018.14.020 http://www.tcsae.org