王獻(xiàn)鋒，丁 軍，朱義海

(1.西京學(xué)院 理學(xué)院，陜西 西安 710123； 2.Tableau Software，Seattle 98103，USA)

棉花是我國一種重要的經(jīng)濟(jì)作物，也是一種容易發(fā)生病蟲害的作物。據(jù)統(tǒng)計(jì)，每年棉花病蟲害造成棉花產(chǎn)量損失約15%～20%，嚴(yán)重時損失高達(dá)50%。棉花常見的病蟲害有50多種，在生長初期主要的病害有枯萎病、炭疽病、猝倒病和黃萎病等，主要的蟲害有蚜蟲、紅蜘蛛和地老虎等；在生長中后期主要的病害有黃萎病、紅葉莖枯葉病和鈴病等，主要的蟲害有棉鈴蟲、棉蚜和紅鈴蟲等[1]。由于長期過量、不合理地施肥，造成土壤板結(jié)、酸化鹽漬化、養(yǎng)分嚴(yán)重失調(diào)、棉花免疫力低下。另一方面，由于大劑量、高頻次、不科學(xué)地使用農(nóng)藥，造成病蟲害抗藥性越來越強(qiáng)，同時也殺死了大量的天敵，破壞了棉田的生物平衡，致使棉花的病蟲害一年比一年嚴(yán)重，僅在2016年一年，棉花的主要病蟲害在長江和黃河流域的大部分產(chǎn)棉區(qū)發(fā)生667萬hm2，其中蟲害發(fā)生547萬hm2，病害發(fā)生120萬hm2[2]。棉花病蟲害嚴(yán)重降低了棉花的產(chǎn)量和質(zhì)量，所以，對棉花病蟲害防治一直是植保專家、農(nóng)業(yè)管理部門和棉農(nóng)重點(diǎn)關(guān)注的問題。傳統(tǒng)的棉花病蟲害防治主要依據(jù)人工經(jīng)驗(yàn)進(jìn)行判斷和診斷，該方法的主觀性強(qiáng)、誤差較大，棉農(nóng)不能及時、準(zhǔn)確有效地防治病蟲害[3]。隨著數(shù)字圖像和遙感技術(shù)以及物聯(lián)網(wǎng)技術(shù)的不斷發(fā)展，出現(xiàn)了很多棉花病蟲害自動識別、監(jiān)測和預(yù)測的方法與技術(shù)[4]。為解決當(dāng)前植保專家系統(tǒng)使用難度大以及攜帶不便的問題，戴建國等[5]在Android智能手機(jī)上開發(fā)了一種基于圖像規(guī)則的棉花病蟲害診斷系統(tǒng)，該系統(tǒng)能夠利用田間病蟲害圖像進(jìn)行人機(jī)交互，實(shí)現(xiàn)了推理過程的可視化，具有便攜、實(shí)用、圖文并茂、人機(jī)交互友好以及不受網(wǎng)絡(luò)環(huán)境限制等特點(diǎn)。于輝輝等[6]設(shè)計(jì)了一種基于Android手機(jī)終端的棉花病蟲害智能診斷系統(tǒng)，該系統(tǒng)基于棉花病蟲害知識模型庫，采用產(chǎn)生式規(guī)則和正向推理方法，實(shí)現(xiàn)了棉花病蟲害的實(shí)時、有效診斷，具有一定的通用性和較強(qiáng)的實(shí)用性。王靜[7]結(jié)合圖像處理與Android平臺設(shè)計(jì)了一種基于Android的棉花紅蜘蛛蟲害的檢測系統(tǒng)，該系統(tǒng)的實(shí)時性、應(yīng)用性、便攜性均較好，實(shí)現(xiàn)了棉花紅蜘蛛蟲害的檢測功能。

研究表明，棉花的任何病蟲害都是在一定條件下發(fā)生，一般具有一定規(guī)律[1-3]。溫度、濕度、降雨、風(fēng)、光照和CO2等氣候氣象要素是許多棉花病蟲害發(fā)生的主要因素，特別是適溫、高濕有利于大多病蟲的繁殖和擴(kuò)散，雨水是細(xì)菌侵染和傳播的主要條件之一，CO2濃度有助于作物光合作用，提高作物對病害的免疫力[4，8]。所以，棉花生長的環(huán)境條件以及氣候氣象條件是病蟲害預(yù)測的依據(jù)，他們與病蟲害的圖像相結(jié)合能夠進(jìn)行病蟲害預(yù)測和識別[9]。趙冰梅等[10]預(yù)測了新疆兵團(tuán)2017年棉花主要病蟲害發(fā)生趨勢，提出了相應(yīng)的防治對策和綜合防治措施，為做好棉花病蟲害防治工作提供參考。石盼[11]開發(fā)了一種基于物聯(lián)網(wǎng)技術(shù)、無線通信技術(shù)等多種技術(shù)為一體的農(nóng)作物病蟲害診斷系統(tǒng)，通過農(nóng)作物病蟲害的視頻采集與傳輸及溫度、濕度、CO2濃度等各種環(huán)境信息和專家診斷系統(tǒng)對作物病蟲害進(jìn)行檢測和診斷[12-14]。

盡管有很多棉花病蟲害診斷和預(yù)測方法，并取得了較好的結(jié)果，但是棉花病蟲害發(fā)生和發(fā)展涉及的因素很多，各個因素之間存在著復(fù)雜的相互作用和影響，使得現(xiàn)有的一些棉花病蟲害監(jiān)測方法的泛化能力有限，預(yù)測準(zhǔn)確率不高。深度置信網(wǎng)絡(luò)(deep belief network，DBN)是從生物神經(jīng)網(wǎng)絡(luò)和淺層神經(jīng)網(wǎng)絡(luò)發(fā)展而來，能夠通過聯(lián)合概率分布推斷出數(shù)據(jù)樣本分布，具有較強(qiáng)的數(shù)據(jù)分類和預(yù)測能力，已被廣泛應(yīng)用于飛行器檢測、交通流量預(yù)測和大棚冬棗病蟲害預(yù)測等[15-18]。本文在DBN的基礎(chǔ)上，提出一種基于改進(jìn)DBN(MDBN)的棉花病蟲害預(yù)測方法，對棉花病蟲害發(fā)生與環(huán)境條件進(jìn)行數(shù)據(jù)挖掘，挖掘環(huán)境條件與棉花病蟲害發(fā)生發(fā)展的內(nèi)在聯(lián)系和規(guī)律，以期幫助棉花管理者快速、準(zhǔn)確地掌握各類棉花病蟲害發(fā)生發(fā)展的趨勢，提高對棉花病蟲害預(yù)測預(yù)報(bào)的時效性和準(zhǔn)確性，從而為棉花病蟲害的監(jiān)測提供科學(xué)依據(jù)。

1 材料與方法

1.1 數(shù)據(jù)獲取

據(jù)氣象部門統(tǒng)計(jì)，全新疆大部分地區(qū)每年7月下旬至8月容易出現(xiàn)階段性高溫。高溫多雨有利于棉花病蟲害的發(fā)生和蔓延，而且南疆氣溫高、降水少，也有利于棉花病蟲害發(fā)生[19]。本文以新疆產(chǎn)棉區(qū)兩種病害(黃萎病和枯萎病)、3種害蟲(棉鈴蟲、紅蜘蛛和棉蚜)(以下簡稱“兩病三蟲”)的發(fā)生情況為實(shí)例，利用農(nóng)業(yè)物聯(lián)網(wǎng)傳感器，從2012—2016年每年的4月1日至8月30日，連續(xù)5個月采集與棉花兩病三蟲發(fā)生相關(guān)的12種環(huán)境信息：發(fā)病季節(jié)、土壤溫度、土壤濕度、土壤鹽分、土壤是否連種、空氣溫度、空氣濕度、光照強(qiáng)度、降水量、降水日數(shù)、CO2濃度和農(nóng)藥使用量[8]，并根據(jù)歷史數(shù)據(jù)，按照月份將棉花的不同類病蟲害的發(fā)生期劃分為5個等級：0.9、0.7、0.5、0.3和0.1；將光照強(qiáng)度由強(qiáng)到弱設(shè)置為4個等級：0.7、0.5、0.3和0.1；將農(nóng)藥使用量由多到無分別設(shè)置為4個等級：0.7、0.4、0.2和0；按照土壤沒有連種、連種一次、連種兩次以上將土壤是否連種信息分別設(shè)置為3個等級：0、0.2和0.4[3-5]；從早上08:00到下午17:00采集日平均溫度、日平均相對濕度和日平均光照時間。農(nóng)作物病蟲害發(fā)生程度一般定義如下：0級表示沒有病蟲害發(fā)生；1級(輕發(fā)生)表示病蟲零星發(fā)生，不需要化學(xué)防治；2級(偏輕發(fā)生)表示作物無明顯受害損失，可通過農(nóng)藝和保護(hù)天敵等措施進(jìn)行控制；3級(中等發(fā)生)表示已造成局部明顯損失，需要開展化學(xué)控制；4級(偏重發(fā)生)表示已造成嚴(yán)重?fù)p失，需要重點(diǎn)防治[8，19]。由于采集的環(huán)境信息數(shù)據(jù)的量綱不同，所以在輸入到MDBN之前需要對每種數(shù)據(jù)進(jìn)行歸一化處理，計(jì)算公式為

(1)

式中：x′i為第i個環(huán)境信息數(shù)據(jù)歸一化后的值；xi為第i個環(huán)境信息數(shù)據(jù)歸一前的值；xmax和xmin分別為n個數(shù)中的最大值和最小值；i=1，2，…，n。

利用上述環(huán)境信息數(shù)據(jù)采集和預(yù)處理方法，將新疆產(chǎn)棉區(qū)5年來每天采集的環(huán)境信息數(shù)據(jù)進(jìn)行日平均，再歸一化，最后組成一個12維的向量，作為當(dāng)天環(huán)境信息數(shù)據(jù)的向量樣本，可以得到7 550個向量。但由于采集的部分環(huán)境信息數(shù)據(jù)缺失或不合理，所以我們只選擇了其中4 500個環(huán)境信息數(shù)據(jù)向量進(jìn)行棉花病蟲害預(yù)測試驗(yàn)。

1.2 改進(jìn)的深度信念網(wǎng)絡(luò)

DBN通過訓(xùn)練網(wǎng)絡(luò)結(jié)構(gòu)中神經(jīng)元之間的權(quán)重使得整個網(wǎng)絡(luò)依據(jù)最大概率生成訓(xùn)練數(shù)據(jù)，形成高層抽象特征，提升網(wǎng)絡(luò)分類性能。為了提高基于DBN的預(yù)測準(zhǔn)確率，我們從訓(xùn)練數(shù)據(jù)的批次的選擇、參數(shù)調(diào)優(yōu)的迭代周期以及在線學(xué)習(xí)訓(xùn)練等方面改善DBN的性能，提出一種改進(jìn)DBN(MDBN)。

1.2.1 MDBN的結(jié)構(gòu)

與現(xiàn)有的DBN的結(jié)構(gòu)類似，MDBN由若干個受限玻爾茲曼機(jī)(RBM)網(wǎng)絡(luò)和一個反向傳播(back-propagation，BP)神經(jīng)網(wǎng)絡(luò)(BPNN)堆疊而成，可視層與隱含層內(nèi)各節(jié)點(diǎn)之間無連接、取值相互獨(dú)立，如圖1所示[15-18]。每個RBM只有可視層和隱含層兩層神經(jīng)元。其中可見層由顯性神經(jīng)元組成，用于輸入訓(xùn)練數(shù)據(jù)；隱含層由隱性神經(jīng)元組成，用于提取訓(xùn)練數(shù)據(jù)的特征。上一層RBM的輸出作為下一層RBM的訓(xùn)練輸入。圖1為MDBN的基本結(jié)構(gòu)。

圖1中，h表示隱含層，l是隱含層數(shù)，vss是MDBN的期望輸出，v=(vout，v1，v2，…，vin)是網(wǎng)絡(luò)的連接權(quán)值，可通過對無監(jiān)督學(xué)習(xí)所確定的初始權(quán)值w=(w1，w2，…，wl)進(jìn)行有監(jiān)督微調(diào)得到。

1.2.2 無監(jiān)督學(xué)習(xí)和有監(jiān)督微調(diào)

與DBN類似，MDBN的學(xué)習(xí)過程分為兩個階段：無監(jiān)督訓(xùn)練和有監(jiān)督微調(diào)。MDBN通過逐層無監(jiān)督地訓(xùn)練每一個RBM確定整個網(wǎng)絡(luò)的初始權(quán)值，再利用有監(jiān)督算法對整個網(wǎng)絡(luò)進(jìn)行微調(diào)，由此得到可視層節(jié)點(diǎn)和隱藏層節(jié)點(diǎn)之間連接的最優(yōu)權(quán)值。首先，固定第一個訓(xùn)練好的RBM的權(quán)重和偏置，將其隱元所處的狀態(tài)作為第二個RBM的輸入，對第二個RBM進(jìn)行訓(xùn)練后堆疊于第一個RBM上，對于多層RBM重復(fù)上述過程。若訓(xùn)練數(shù)據(jù)集中含有帶標(biāo)簽的樣本，在第二個RBM訓(xùn)練時需加入，最終采用BP神經(jīng)網(wǎng)絡(luò)對數(shù)據(jù)進(jìn)行分類。每個RBM的訓(xùn)練方法通常采用對比散度(contrastive divergence，CD)算法。假設(shè)所有的隱層和可見層神經(jīng)元均為二值分布，神經(jīng)元數(shù)分別為m和n，則?i，j，vi∈{0，1}，hj∈{0，1}，RBM的2層的能量函數(shù)為：

圖1 MDBN模型的結(jié)構(gòu)Fig.1 Architecture of MDBN model

(2)

式中，Z=∑v，he-E(v，h;θ)是歸一化因子。

關(guān)于v的邊緣分布定義為

(3)

則能量函數(shù)定義為

(4)

式中：ai和bj分別為可見層節(jié)點(diǎn)和隱層節(jié)點(diǎn)的偏置；wij是RBM的連接權(quán)值。

當(dāng)輸入v時，由p(h|v)可得到隱層h；得到隱層h后，由p(v，h)又能得到可見層，隱層可以作為可見層輸入數(shù)據(jù)的特征。由于RBM的可見層神經(jīng)元或隱層神經(jīng)元的激活狀態(tài)之間相互獨(dú)立，則第j個隱層神經(jīng)元和第i個可見層神經(jīng)元的輸出概率模型分別表示為：

(5)

式中f(x)=1/(1+exp(-x))為sigmoid函數(shù)。

由于可見層和隱層服從二值分布，則判斷它們二值概率取值的標(biāo)準(zhǔn)可以通過設(shè)定一個閾值來實(shí)現(xiàn)，以隱含層為例可表示為

(6)

式中δ為一個0.5～1.0的常數(shù)。

利用對比散度算法或計(jì)算對數(shù)似然函數(shù)lgP(v;θ)的梯度法可以實(shí)現(xiàn)權(quán)重w的學(xué)習(xí)更新，該權(quán)重的更新準(zhǔn)則為：

wij=wij+ηΔwij。

(7)

Δwij=Edata(vihj)-Emod el(vihj)。

(8)

式中：η為學(xué)習(xí)率；Edata(vihj)為訓(xùn)練集中實(shí)際數(shù)據(jù)的期望，即輸入MDBN后得到的實(shí)際權(quán)重值；Emod el(vihj)為在MDBN所確定的分布上的期望，即MDBN重構(gòu)得到的權(quán)值。通過RBM的逐層學(xué)習(xí)訓(xùn)練過程，可得到合理的w值。

(9)

式中τ和K分別為迭代次數(shù)和觀測樣本個數(shù)。

則對應(yīng)的權(quán)值變化量為：

(10)

可由式(10)更新權(quán)值：

(11)

經(jīng)過微調(diào)后可得到輸出層和最后一個隱含層之間的更新權(quán)值wout。利用這種方法從頂層輸出層到底層輸入層依次微調(diào)，可以得到整個MDBN網(wǎng)絡(luò)的權(quán)值w=(wout，wl，wl-1，…，w2，win)。

1.2.3 改善MDBN的性能

從下面三個方面對MDBN進(jìn)行改進(jìn)：

(1) DBN通過將棉花生長的環(huán)境信息特征向量作為訓(xùn)練樣本進(jìn)行多層深度學(xué)習(xí)，一般需要對輸入數(shù)據(jù)進(jìn)行分批次反復(fù)迭代學(xué)習(xí)，使得網(wǎng)絡(luò)的隱含層單元節(jié)點(diǎn)能夠充分學(xué)習(xí)數(shù)據(jù)中的規(guī)則，并使節(jié)點(diǎn)充分激活。實(shí)際上，不同批次的數(shù)據(jù)量下DBN學(xué)習(xí)的重構(gòu)誤差不同，需要選擇每一批次最佳的數(shù)據(jù)量進(jìn)行學(xué)習(xí)。

(2) 改善DBN模型，使得它的隱含層單元有初始學(xué)習(xí)結(jié)果的先驗(yàn)值。然后，利用棉花長期正常生長的環(huán)境信息數(shù)據(jù)作為標(biāo)簽數(shù)據(jù)，對所建立的網(wǎng)絡(luò)模型進(jìn)行監(jiān)督學(xué)習(xí)以實(shí)現(xiàn)對網(wǎng)絡(luò)參數(shù)的微調(diào)。參數(shù)微調(diào)過程采用梯度上升法進(jìn)行參數(shù)更新，按照不同的迭代周期對參數(shù)進(jìn)行尋優(yōu)，得到具有深層表征性能的監(jiān)督學(xué)習(xí)效果。

(3) 在經(jīng)典的DBN中一般采用固定學(xué)習(xí)率進(jìn)行訓(xùn)練，但由于每個RBM均需要多次迭代，且每次迭代后的參數(shù)更新方向不盡相同，所以固定學(xué)習(xí)率可能導(dǎo)致模型出現(xiàn)“早熟”現(xiàn)象或難以收斂。根據(jù)RBM訓(xùn)練過程連續(xù)兩次迭代后參數(shù)更新方向的異同，設(shè)計(jì)自適應(yīng)學(xué)習(xí)率η，使算法根據(jù)參數(shù)更新方向來自適應(yīng)控制學(xué)習(xí)速度。學(xué)習(xí)率自適應(yīng)更新機(jī)制為：

(12)

(13)

(14)

式中，D和d分別表示學(xué)習(xí)率增大系數(shù)和減小系數(shù)，0

1.3 基于MDBN的棉花病蟲害預(yù)測模型

為了減小棉花病蟲害預(yù)測模型的訓(xùn)練和運(yùn)行時間，本文采用的MDBM模型結(jié)構(gòu)為1個輸入層、3個隱含層和1個BPNN輸出層，如圖1所示，基于MDBN的棉花病蟲害預(yù)測過程如圖2所示。在MDBN中，上一層RBM網(wǎng)絡(luò)經(jīng)過學(xué)習(xí)得到的輸出特征作為下一層RBM的輸入，使每層能更好地抽象出上一層的特征，并且各層獨(dú)立地對參數(shù)進(jìn)行學(xué)習(xí)，逐層提取數(shù)據(jù)的分類或預(yù)測特征。頂層BP網(wǎng)絡(luò)以最后的RBM網(wǎng)絡(luò)的輸出作為輸入，用于數(shù)據(jù)分類或預(yù)測。BPNN由輸入層、隱含層和輸出層組成，有監(jiān)督地訓(xùn)練MDBN的權(quán)值參數(shù)，所以BPNN可以看作MDBN中的有監(jiān)督學(xué)習(xí)的分類器。

圖2 基于MDBN的棉花病蟲害預(yù)測過程Fig.2 Prediction process of cotton disease and insect pests based on MDBN

2 實(shí)驗(yàn)與分析

本文采用的硬件環(huán)境為內(nèi)存32 G，CPU Intel(R) Core(TM) i7-4790 8*3.60GHZ，GPU GeForce GTX Titan X，訓(xùn)練速度使用單核Intel 3.47 GHZ的15倍以上，深度學(xué)習(xí)架構(gòu)為Tensorflow，編程語言為python。

為了確定MDBN的隱含層層數(shù)，初步設(shè)置每個隱含層的單元數(shù)均為150，以輸出預(yù)測數(shù)據(jù)的誤差作為評價標(biāo)準(zhǔn)，計(jì)算MDBN模型采用不同隱層層數(shù)時的輸出誤差。實(shí)驗(yàn)得到，當(dāng)DBN的隱含層層數(shù)為3時，模型性能最優(yōu)。其原因是由于訓(xùn)練數(shù)據(jù)規(guī)模較大，能夠?qū)W習(xí)到足夠多的數(shù)據(jù)特征，較少的隱含層層數(shù)就可以對數(shù)據(jù)的特征進(jìn)行有效挖掘，由此可以減少網(wǎng)絡(luò)訓(xùn)練的時間。棉花無病蟲害正常生長時每天或每周都會積累一定的環(huán)境信息數(shù)據(jù)。這些數(shù)據(jù)對于模型的改善和穩(wěn)定性的提高比較重要。因此，可以通過選取棉花生長一段時間內(nèi)的正常環(huán)境信息數(shù)據(jù)在原來模型參數(shù)的基礎(chǔ)上進(jìn)行遞進(jìn)學(xué)習(xí)，實(shí)現(xiàn)網(wǎng)絡(luò)參數(shù)的更新。實(shí)際上，MDBN在環(huán)境信息變化較小條件下，可以利用積累的新環(huán)境信息數(shù)據(jù)集進(jìn)行在線訓(xùn)練，充分地利用系統(tǒng)資源，并且避免因一次訓(xùn)練后的模型長時間應(yīng)用引起的狀態(tài)檢測誤差。利用自適應(yīng)學(xué)習(xí)率能夠加快網(wǎng)絡(luò)收斂，因?yàn)楫?dāng)連續(xù)兩次迭代后的參數(shù)更新方向(變化量的正負(fù))相同時，學(xué)習(xí)率會加大，相反則減小。實(shí)驗(yàn)表明，在模型結(jié)構(gòu)確定為3時，MDBN的迭代次數(shù)直接影響網(wǎng)絡(luò)的性能：若迭代次數(shù)過少，網(wǎng)絡(luò)的預(yù)測性能無法達(dá)到穩(wěn)定狀態(tài)，不能有效地學(xué)習(xí)到輸入數(shù)據(jù)中的特征；若訓(xùn)練次數(shù)過多，則訓(xùn)練耗時過長不利于實(shí)際應(yīng)用。當(dāng)?shù)螖?shù)為100～500次時，計(jì)算訓(xùn)練后的輸出誤差。當(dāng)訓(xùn)練迭代為210次時，能夠獲得最優(yōu)的預(yù)測性能。當(dāng)每一批次的數(shù)據(jù)量為20時，誤差最小，訓(xùn)練數(shù)據(jù)的特征信息損失最小，網(wǎng)絡(luò)學(xué)習(xí)數(shù)據(jù)規(guī)則的結(jié)果更充分。MDBN各隱含層單元數(shù)對網(wǎng)絡(luò)性能的影響較大，若單元數(shù)過少，則學(xué)習(xí)的容量有限，不足以存儲訓(xùn)練樣本中蘊(yùn)涵的所有規(guī)律，單元數(shù)過多則會增加網(wǎng)絡(luò)的訓(xùn)練時間，可能降低網(wǎng)絡(luò)的映射能力。在預(yù)測模型中，第一層RBM的可視層節(jié)點(diǎn)數(shù)為12，對應(yīng)12種環(huán)境信息，輸出結(jié)果為病蟲害發(fā)生概率。為了確定網(wǎng)絡(luò)層數(shù)，在實(shí)驗(yàn)中設(shè)置MDBN的3個隱含層的單元數(shù)為150、160、170、180、190和200。BP網(wǎng)絡(luò)層的參數(shù)選定過程也按照以往經(jīng)驗(yàn)進(jìn)行，網(wǎng)絡(luò)的輸入層和輸出層單元分別為120和24，網(wǎng)絡(luò)隱含層單元數(shù)量為15。實(shí)驗(yàn)結(jié)果顯示，當(dāng)MDBN隱含層單元數(shù)都為180時性能達(dá)到了最優(yōu)。根據(jù)以上實(shí)驗(yàn)結(jié)果，可以得到MDBN的結(jié)構(gòu)和最佳參數(shù)。為了簡化我們的模型，訓(xùn)練的MDBN模型每層都采用相同的節(jié)點(diǎn)個數(shù)。訓(xùn)練RBM時初始學(xué)習(xí)率為1，分組訓(xùn)練大小設(shè)置為32，反向傳播微調(diào)時學(xué)習(xí)率為1，動量為0.5。經(jīng)過多次試驗(yàn)得出識別率較好的MDBN網(wǎng)絡(luò)隱含層從100開始步長為50進(jìn)行增加，微調(diào)循環(huán)次數(shù)為50，dropout概率設(shè)置為0.2。

最后，采用10-折交叉驗(yàn)證法對4 500個環(huán)境信息向量重新進(jìn)行實(shí)驗(yàn)，即將4 500個樣本數(shù)據(jù)集分成10份，每份450個，輪流將其中1份作為測試數(shù)據(jù)測試模型，然后將剩余的1份作為測試數(shù)據(jù)輸入到訓(xùn)練好的模型，得到10個測試結(jié)果，將其平均值作為一次實(shí)驗(yàn)結(jié)果。試驗(yàn)中，各節(jié)點(diǎn)輸出值不小于0.90，則判定為該類，預(yù)測結(jié)果表示為正確識別樣本數(shù)與450的百分比。重復(fù)進(jìn)行10-折交叉驗(yàn)證實(shí)驗(yàn)50次，計(jì)算50次實(shí)驗(yàn)的平均值，得到兩病三蟲的總體平均預(yù)測實(shí)驗(yàn)結(jié)果見表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)(BPNN)[20]、強(qiáng)模糊支持向量機(jī)(SFSVM)[21]和RBF神經(jīng)網(wǎng)絡(luò)(RBFNN)[22]的棉花兩病三蟲的預(yù)測結(jié)果。表1給出的DBN的網(wǎng)絡(luò)結(jié)構(gòu)和初始參數(shù)與MDBN相同，只是采用固定的學(xué)習(xí)率0.1。

從表1可以看出：基于MDBN和DBN的棉花病蟲害預(yù)測模型的預(yù)測準(zhǔn)確率遠(yuǎn)高于其他3種預(yù)測模型，其原因是本文提出的基于MDBN和DBN的預(yù)測模型能夠充分利用12種環(huán)境信息，從復(fù)雜的環(huán)境信息中深度挖掘病蟲害預(yù)測特征，提取影響棉花病蟲害發(fā)生和發(fā)展的主要因素，從而得到較好的預(yù)測結(jié)果。由于MDBN采用了自適應(yīng)學(xué)習(xí)率，所以訓(xùn)練時間極大縮減，而且利用了多種措施改善網(wǎng)絡(luò)的性能，所以MDBN比DBN的識別率高，訓(xùn)練時間短。結(jié)果表明，基于MDBN的預(yù)測模型在棉花病蟲害預(yù)測中具有良好的特征學(xué)習(xí)性能，能夠滿足應(yīng)用的要求。

表1基于5種預(yù)測模型的棉花病蟲害預(yù)測準(zhǔn)確率和方差

Table1Forecasting rates and variances of cotton diseases and insect pests by five forecasting models

預(yù)測模型Forecasting model準(zhǔn)確率Accuracy rate/%訓(xùn)練時間Training time/hBPNN68.23±1.627.67SFSVM64.48±1.372.21RBFNN63.14±1.536.24DBN82.25±2.4318.69MDBN84.46±1.583.24

3 討論

棉花病蟲害預(yù)測是病蟲害防治的重要步驟。棉花生長的環(huán)境條件是病蟲害預(yù)測的依據(jù)。本文利用棉花生長的平均氣溫、相對濕度、降雨量和日照時數(shù)等12種環(huán)境信息，提出了一種基于性能改進(jìn)深度信念網(wǎng)絡(luò)(MDBN)的棉花病蟲害預(yù)測方法，并在棉花的“三蟲兩病”對應(yīng)的環(huán)境信息數(shù)據(jù)集上進(jìn)行了驗(yàn)證。結(jié)果表明，本研究提出的方法是有效可行的。該方法為棉花病蟲害預(yù)測提供了一種新思路。下一步研究重點(diǎn)是，結(jié)合基于物聯(lián)網(wǎng)的棉花農(nóng)情監(jiān)控傳感網(wǎng)絡(luò)，開發(fā)基于物聯(lián)網(wǎng)和MDBN的棉花病蟲害智能檢測系統(tǒng)。