劉靚葳

（長春金融高等?？茖W(xué)校，吉林 長春 130124）

隨著計算機科學(xué)技術(shù)的迅速發(fā)展，人工智能算法已經(jīng)被廣泛應(yīng)用，為實現(xiàn)高質(zhì)量的農(nóng)業(yè)機械奠定了基礎(chǔ)。近年來，人工智能算法被廣泛應(yīng)用于農(nóng)業(yè)機械中，如收割、檢測、采摘等，極大地提高了生產(chǎn)效率，減少農(nóng)業(yè)機械在使用過程中的失誤，減少了環(huán)境污染，同時避免了資源的浪費。人工智能技術(shù)是計算機科學(xué)的一個分支，人工智能在計算機領(lǐng)域內(nèi)得到重視，應(yīng)用于機器人、控制系統(tǒng)、仿真系統(tǒng)中等，它是研究模擬人的一些思維和行為的學(xué)科，比如學(xué)習(xí)能力、思考、規(guī)劃等。人工智能涉及計算機科學(xué)、心理學(xué)、哲學(xué)和語言學(xué)等學(xué)科，在農(nóng)業(yè)機械發(fā)展中發(fā)揮了非常重要的作用。在農(nóng)業(yè)機械發(fā)展中，專業(yè)內(nèi)容會涉及機器視覺以及機器人等相關(guān)領(lǐng)域，所以導(dǎo)入人工智能算法具有十分重要的意義。

1 人工智能概述

人工智能（AI）指的是模仿人的智能的理論，人工智能的技術(shù)特點包括感知能力、記憶和思維能力、學(xué)習(xí)能力和自適應(yīng)能力、行為決策能力。感知能力是指能夠感知外部世界、獲取外部信息的能力，這是產(chǎn)生智能活動的必要條件。記憶和思維能力能夠存儲感知到的外部信息及由思維產(chǎn)生的知識，同時能夠利用已有的知識對信息進行分析、計算、比較、判斷和決策。學(xué)習(xí)能力和自適應(yīng)能力是通過和外界環(huán)境的相互作用，不斷學(xué)習(xí)知識不斷進行積累，最終自己能夠適應(yīng)環(huán)境的變化。行為決策能力是對外界環(huán)境的刺激作出相應(yīng)的反應(yīng)，形成決策并傳達(dá)信息。

2 人工智能中常用的算法

人工智能的關(guān)鍵技術(shù)包括機器學(xué)習(xí)、知識圖譜、自然語言處理、人機交互、計算機視覺、生物特征識別、AR/VR等。機器學(xué)習(xí)強調(diào)三個關(guān)鍵詞：算法、經(jīng)驗、性能。常用的算法有很多，下面主要介紹人工智能算法中的神經(jīng)網(wǎng)絡(luò)、遺傳算法、聚類算法和深度學(xué)習(xí)。

2.1 神經(jīng)網(wǎng)絡(luò)

20世紀(jì)40年代初，神經(jīng)網(wǎng)絡(luò)開始興起并逐漸引起研究者的關(guān)注。神經(jīng)網(wǎng)絡(luò)模型是一種數(shù)學(xué)模型，它通過模擬人腦神經(jīng)系統(tǒng)以及一系列的行為，將人腦的微觀結(jié)構(gòu)進行簡化。神經(jīng)網(wǎng)絡(luò)的信息處理能力是具有非線性特點的，由此可見，神經(jīng)網(wǎng)絡(luò)適用于系統(tǒng)的建模及辨識。在汽車控制中，神經(jīng)網(wǎng)絡(luò)通常與其他控制方式相結(jié)合構(gòu)成新的控制方案，近年來，一些研究者提出了神經(jīng)網(wǎng)絡(luò)PID控制、神經(jīng)網(wǎng)絡(luò)逆模型控制、神經(jīng)網(wǎng)絡(luò)預(yù)測控制、神經(jīng)網(wǎng)絡(luò)內(nèi)?？刂频葟?fù)合控制算法。

神經(jīng)網(wǎng)絡(luò)是模擬人腦結(jié)構(gòu)和行為的數(shù)學(xué)模型。近年來，在系統(tǒng)識別領(lǐng)域應(yīng)用比較廣泛的是BPNN（BP神經(jīng)網(wǎng)絡(luò)）和RBF（徑向基）神經(jīng)網(wǎng)絡(luò)[1]。RBF神經(jīng)網(wǎng)絡(luò)作為一種局部逼近網(wǎng)絡(luò)，它適用于在線學(xué)習(xí)；BPNN是一個全局網(wǎng)絡(luò)，具有全局逼近系統(tǒng)的能力，結(jié)構(gòu)簡單，可以更好地進行復(fù)雜系統(tǒng)的離線識別，是學(xué)習(xí)系統(tǒng)動力學(xué)最常用的方法之一[2]。相比于單神經(jīng)元網(wǎng)絡(luò)，BPNN被大量應(yīng)用在模式識別和自適應(yīng)控制等領(lǐng)域的非線性建模中。BPNN通常應(yīng)用在下列幾個方面：模式識別、數(shù)據(jù)壓縮、函數(shù)逼近、分類。BPNN一共有三層，分為輸入層、隱藏層和輸出層。圖1為一個BPNN的結(jié)構(gòu)圖。

圖1 BPNN結(jié)構(gòu)圖

在使用神經(jīng)網(wǎng)絡(luò)解決問題時，一般需要經(jīng)過以下幾個步驟：1）數(shù)據(jù)的收集；2）神經(jīng)網(wǎng)絡(luò)的建立；3）神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)的配置；4）對神經(jīng)網(wǎng)絡(luò)的權(quán)值和閾值進行初始化；5）神經(jīng)網(wǎng)絡(luò)的訓(xùn)練；6）驗證并測試神經(jīng)網(wǎng)絡(luò)；7）神經(jīng)網(wǎng)絡(luò)的使用。BPNN的訓(xùn)練過程如圖2所示。

圖2 BPNN的訓(xùn)練過程

2.2 遺傳算法

1975年美國密歇根大學(xué)的John Henry Holland教授首次提出遺傳算法，通過模仿大自然生物進化的過程來求解最優(yōu)值問題的一種全局優(yōu)化算法，即GA算法。GA算法可以處理一些復(fù)雜的優(yōu)化問題，GA算法與傳統(tǒng)的優(yōu)化算法相比，它有下列幾個特征[3]：1）GA算法在求最優(yōu)解的問題時，不需要知道信息的全部特點，例如梯度信息等。2）GA算法在求最優(yōu)值的過程中，初值是從一個群體開始，而不是從一個點開始，此外，函數(shù)能否連續(xù)可導(dǎo)等因素不會影響GA算法的求解過程。

標(biāo)準(zhǔn)GA算法（SGA）是只采用交叉、變異及選擇這三個遺傳算子的GA算法。通過許多研究實驗證明，SGA算法不能全局收斂，可能會求出局部最優(yōu)解。由于交叉算子和變異算子有時可能存在破壞性的作用，選擇算子在選擇時存在一些誤差，這就使種群中的最優(yōu)個體到下一代種群中會丟失掉，當(dāng)進化代數(shù)無窮大的時候，在進化過程中總會出現(xiàn)最佳個體丟失現(xiàn)象。

由于最佳個體丟失引起GA算法收斂慢的缺點，De Jong在他的博士論文中提出了精英保留策略，就是將種群進化時適應(yīng)值最高的個體保存，然后復(fù)制至下一代種群中。精英保留策略與GA算法相結(jié)合叫作精英保留遺傳算法（Elitist Genetic Algorithm），簡稱EGA算法。運用EGA算法的優(yōu)勢是，在求解過程中，最佳個體不會被破壞，也不會丟失。精英保留策略在全局收斂方面的作用很大，EGA算法是全局收斂的已被學(xué)者Rudolph證明，其他學(xué)者也用各種方式證明EGA算法具有全局收斂的特性[4]。

2.3 聚類算法

聚類和回歸類似，表述一類問題或一類算法。聚類算法一般按照中心點對輸入的數(shù)據(jù)進行歸類。聚類算法嘗試找數(shù)據(jù)的內(nèi)在結(jié)構(gòu)，便于依照樣本的共同點把數(shù)據(jù)歸類。聚類算法是一種典型的無監(jiān)督學(xué)習(xí)，用于把相似的樣本自動歸到一個類別里面。以相似性為基礎(chǔ)，在一個聚類算法中，樣本之間有較多的相似性，根據(jù)它們之間的相似性，把樣本劃分在不同類別中。聚類算法和分類算法也是有區(qū)別的，聚類算法屬于無監(jiān)督學(xué)習(xí)，但是分類算法是有監(jiān)督學(xué)習(xí)。在無監(jiān)督學(xué)習(xí)中，將數(shù)據(jù)集中的樣本劃分為多個不相交的子集，為數(shù)據(jù)進一步分析提供基礎(chǔ)。

聚類算法分為原型聚類、密度聚類、層次聚類、模型聚類、譜聚類。常見的聚類算法有 K-means算法和高斯混合聚類（EM）。K-means算法是K均值算法，K-means中的K是樣本數(shù)，初始狀態(tài)下，中心點的個數(shù)，means是中心點到其他數(shù)據(jù)點距離的平均值。具體的步驟：首先，隨機設(shè)置初始狀態(tài)下空間內(nèi)的點K個，定下來初始的聚類中心；其次，對于其他的點去計算每個點到K個中心的距離，然后重新計算每個聚類的新中心點，也就是求得平均值。若計算出的新的中心點與之前的中心點一樣的話，那么質(zhì)心可以不用移動，算法結(jié)束，否則需要繼續(xù)計算每個點到K個中心的距離，循環(huán)之前的步驟，直到新的中心點和原中心點一樣就結(jié)束。聚類算法的評判標(biāo)準(zhǔn)是簇間相似度高、簇內(nèi)相似度低的時候效果最好。

3 人工智能算法在農(nóng)業(yè)機械發(fā)展中的應(yīng)用

在農(nóng)業(yè)機械發(fā)展中，比如無人農(nóng)業(yè)機械的實現(xiàn)，就要用到人工智能技術(shù)中的基于視覺的感知算法，包括目標(biāo)檢測算法、車道線檢測算法、目標(biāo)跟蹤算法、行為預(yù)測、導(dǎo)航與定位[5-6]。在目標(biāo)檢測算法和車道線檢測算法中，就需要用到神經(jīng)網(wǎng)絡(luò)進行檢測，運用神經(jīng)網(wǎng)絡(luò)算法提高精度，神經(jīng)網(wǎng)絡(luò)除了應(yīng)用于特征提取和濾波計算，還有其他用途，比如提取圖像中的顯著性區(qū)域。在農(nóng)業(yè)機械故障診斷的過程中，機械故障存在模糊性及不確定性，就可以運用神經(jīng)網(wǎng)絡(luò)結(jié)合模糊技術(shù)對發(fā)動機的故障進行診斷，從而定下來故障的初步范圍，再用訓(xùn)練好的神經(jīng)網(wǎng)絡(luò)進行下一步的確切診斷。

在農(nóng)業(yè)機械行駛工況構(gòu)建的實驗中，可以運用改進的K均值聚類算法進行實現(xiàn)，首先，建立相關(guān)的數(shù)學(xué)模型，然后對數(shù)據(jù)進行預(yù)處理，把異常數(shù)據(jù)篩選掉；其次，對原始數(shù)據(jù)進行降維，運用的是主成分分析法；最后，結(jié)合改進的K均值聚類算法對參數(shù)進行聚類分析，選擇合適的運動學(xué)部分，再進行行駛工況的構(gòu)建[7]。也可以基于遺傳優(yōu)化K均值聚類算法進行工況識別，實現(xiàn)混合動力的機械能量管理，運用聚類算法對工況進行識別，結(jié)合ECMS（等效燃油最小能量管理策略）實現(xiàn)對于農(nóng)業(yè)機械的能量管理[8]。

在無人農(nóng)業(yè)機械中導(dǎo)航傳感器如果發(fā)生異常，有相應(yīng)的診斷方法，最佳方案就是運用深度學(xué)習(xí)算法。由于無人農(nóng)業(yè)機械是一種智能工具，它完全依賴于傳感器提供的路徑信息以及精確的位置進行行駛，一旦GPS傳感器受到攻擊、受到威脅，就會導(dǎo)致導(dǎo)航位置信息出現(xiàn)異常，針對這類問題，可以用基于深度學(xué)習(xí)的異常檢測方法[9]。在車道檢測的過程中也可以使用深度學(xué)習(xí)算法。目前，自動駕駛逐漸發(fā)展起來，結(jié)合深度學(xué)習(xí)，使得自動駕駛越來越接近現(xiàn)實。深度學(xué)習(xí)作為人工智能實現(xiàn)的一種算法，已經(jīng)被廣泛地應(yīng)用于農(nóng)業(yè)機械領(lǐng)域，通過循環(huán)網(wǎng)絡(luò)結(jié)構(gòu)或者是多層的前饋[10]，實現(xiàn)大量的參數(shù)的學(xué)習(xí)，實現(xiàn)復(fù)雜的映射逼近。深度學(xué)習(xí)和傳統(tǒng)的神經(jīng)網(wǎng)絡(luò)是有區(qū)別的，傳統(tǒng)的神經(jīng)網(wǎng)絡(luò)內(nèi)部的層數(shù)是3層左右，而深度學(xué)習(xí)具有深層性和層與層之間連接的多樣性。需要根據(jù)實際問題選擇具體的算法，每種算法都有相應(yīng)的作用，應(yīng)用于不同的領(lǐng)域，具體問題具體分析。

4 結(jié)束語

綜上所述，在農(nóng)業(yè)機械發(fā)展中，應(yīng)用人工智能技術(shù)可以提高生產(chǎn)效率，自動駕駛以及播種收割等環(huán)節(jié)都可以運用人工智能算法結(jié)合大數(shù)據(jù)、云計算等相關(guān)技術(shù)提升工作效率。同時，也能夠讓農(nóng)業(yè)機械快速發(fā)展，確保人工智能技術(shù)在農(nóng)業(yè)機械發(fā)展中的高效應(yīng)用，形成農(nóng)機智能一體化，促進農(nóng)業(yè)的進一步發(fā)展。