的规则库。
[0044] 进一步，在上述步骤1中，为将原始数据在统一量纲下进行相关性比较，数据归一 化采用Z-s core标准化方法。
[0045] 图2为本发明特征值的离散化表示示意图，从图中可以看出，原始特征值根据相关 系数的差异进行离散化处理，并根据离散条件数表示为输入层神经元的格式。更进一步，在 上述步骤2中，设定莠去津残留量相关系数阈值，当特征值相关系数小于该阈值时，删去该 特征维度；当特征值相关系数大于等于该阈值时，保留该特征维度并将该相关系数标记为 权重。特征值权重影响步骤3中的离散化处理。当特征值权重较高时，表明该特征值具有更 高的可区分度，该特征值的离散化程度更高；当特征值权重较低时，该特征值的离散化程度 较低。
[0046] 在步骤4中，某个特征值所对应的神经元组包含的神经元个数由此特征值中包含 的离散条件数决定。神经元数目决定公式如下：
[0047] N=[Log2(M+l )+0.5]
[0048] 式中：Μ为此特征值包含的离散条件数;N是该神经元组包含的神经元个数。系数 0.5用于对公式的前半部分取整。利用该公式可唯一标识各个特征值，并使得输入神经元尽 可能少。
[0049] 应用上述方法处理原始数据，得到莠去津残留规则库。将规则库中的数据分为两 部分，一部分可用于训练神经网络，即获得神经网络的知识库，另一部分则作为测试样本用 于验证系统的评定准确性。
[0050] 利用该知识库获取ΒΡ神经网络的连接权值和阈值，可较为准确的表示莠去津残留 的相关知识。
[0051] 将原始特征值输入ΒΡ神经网络进行训练，采用本发明的ΒΡ神经网络的泛化性能优 化方法。神经网络的泛化能力主要依赖于网络的结构和学习样本的特性。一般来说隐含层 神经元数量越少，网络的泛化性能就越好，但隐含层神经元数量太少会使网络不收敛。本方 法旨在选取训练精度与泛化精度之间相对稳定的均衡值，避免出现学习过度的情况。
[0052]本实施例具体步骤如下：
[0053] (1)根据上述的基于莠去津残留的知识表示方法，获取得到训练神经网络的特征 值，并确定神经网络的初始神经元数目。
[0054] (2)将训练样本输入神经网络，计算网络从隐含层到输出层的实际输出。
[0055] (3)从输出层反向计算至输入层，应用网络性能函数逐层修正各个神经元间的连 接权值和阈值。
[0056] (4)对多个样本进行多次重复训练，直到所有样本的输出均达到训练要求。
[0057]本方法适用于单隐含层的神经网络。进一步，步骤1中为确定神经网络的初始隐层 神经元数目，应用以下经验公式：
[0058]
[0059] 式中，η为输入节点数，m为输出节点数，h为隐层节点数。基于该公式得到的隐层节 点数为输入层神经元节点数和输出层神经元节点数的中间值，当隐层节点数靠近输入节点 数时，网络的收敛速度更快，训练结果更好。
[0060] 更进一步，为减少学习过度的可能，改善网络的泛化性能，上述步骤3采用新的网 络性能函数。新的网络性能函数如下：
[0061] 1 ·? .JL
…
[0062] 式中，r为0-1之间的比例系数;Q为训练样本集包含的样本数;N为输出层神经元节 点个数;Tq(n)为在对样本q进行训练时第η个输出层神经元节点的目标输出值;0 q(n)为实际 输出值;Μ为权值阈值矩阵包含的值的个数;为第m个权值阈值。
[0063] 当r等于0时，此性能函数即等同于标准神经网络算法的性能函数。当0〈r〈l时，此 性能函数的后半部分即为改进部分。r值根据网络的训练状况进行选择，此时
[0064：
[0065]对标准的BP神经网络算法做出以上改进后，神经网络的可收敛程度、学习速度和 泛化性能都有了一定程度的提高。
[0066] 选取北京市通县在低浓度喷药情况下的数据作为测试样本。测试结果显示，参与 测试的样本其等级评定间的差异显著，最大诊断概率超过了 99%，表明应用该方法能够有 效的区分不同级别的莠去津残留。
[0067] 本发明未涉及部分均与现有技术相同或可采用现有技术加以实现。
【主权项】
1. 一种基于莠去津残留的知识表示方法，其特征在于，用于计算莠去津残留值的原始 特征包括:原始莠去津喷药量，喷药的目标作物，田间环境因素等，具体的田间环境因素包 括年降水量、年平均温度、年平均湿度、土壤半衰期、土壤有机质含量、土壤PH值、粉尘含量 (1 · 0-0 · 01mm)、物理性粘粒含量(0 · 01-0 · 001mm)。2. 如权利要求1所述的基于莠去津残留的知识表示方法，其特征在于，包含以下步骤： (1) 对莠去津残留量相关的影响因素进行原始数据采集，应用数据预处理方法对数据 进行归一化表示。 (2) 上述归一化结果构成用于预测的特征值，对特征值进行莠去津残留量的相关性分 析，删除与莠去津残留量不相关的变量，并获得各特征值的相关系数。 (3) 应用上述相关系数确定各特征值权重，并将特征值进行离散化处理。 (4) 根据各特征值离散化程度的不同，应用神经元数量决定公式，计算符合神经网络输 入格式的莠去津残留特征值，得到评估莠去津残留的规则库。3. 如权利要求1和权利要求2所述的基于莠去津残留的知识表示方法，其特征在于，在 上述步骤1中，为将原始数据在统一量纲下进行相关性比较，数据归一化采用Z-score标准 化方法。4. 如权利要求1和权利要求2所述的基于莠去津残留的知识表示方法，其特征在于，在 上述步骤2中，设定莠去津残留量相关系数阈值，当特征值相关系数小于该阈值时，删去该 特征维度；当特征值相关系数大于等于该阈值时，保留该特征维度并将该相关系数标记为 权重。在上述步骤3中，应用该特征值权重进行离散化处理，当特征值权重较高时，该特征值 的离散化程度更高；当特征值权重较低时，该特征值的离散化程度较低。5. 如权利要求1和权利要求2所述的基于莠去津残留的知识表示方法，其特征在于，在 步骤4中，某个特征值所对应的神经元组包含的神经元个数由此特征值中包含的离散条件 数决定。神经元数目决定公式如下： N=[Log2(M+l)+0.5] 式中：Μ为此特征值包含的离散条件数;N是该神经元组包含的神经元个数。系数0.5用 于对公式的前半部分取整。利用该公式可唯一标识各个特征值，并使得输入神经元尽可能 少。6. -种ΒΡ神经网络的泛化能力优化方法，其特征在于，包含以下步骤： (1) 根据上述的基于莠去津残留的知识表示方法，获取得到训练神经网络的特征值，并 确定神经网络的初始神经元数目。 (2) 将训练样本输入神经网络，计算网络从隐含层到输出层的实际输出。 (3) 从输出层反向计算至输入层，应用网络性能函数逐层修正各个神经元间的连接权 值和阈值。 (4) 对多个样本进行多次重复训练，直到所有样本的输出均达到训练要求。7. 如权利要求6所述的ΒΡ神经网络的泛化能力优化方法，其特征在于，步骤1中为确定 神经网络的初始隐层神经元数目，应用以下经验公式：式中，η为输入节点数，m为输出节点数，h为隐层节点数。基于该公式得到的隐层节点数 为输入层神经元节点数和输出层神经元节点数的中间值，具有更快的收敛速度。8.如权利要求6所述的BP神经网络的泛化能力优化方法，其特征在于，应用优化的网络 性能函数。新的网络性能函数如下：式中，r为0-1之间的比例系数;Q为训练样本集包含的样本数;N为输出层神经元节点个 数;Tq(n)为在对样本q进行训练时第η个输出层神经元节点的目标输出值;Oq(n)为实际输出 值;Μ为权值阈值矩阵包含的值的个数;为第m个权值阈值。
【专利摘要】本发明涉及一种基于BP神经网络的莠去津残留评价方法。本发明的方法为：利用基于莠去津残留的知识表示方法，获取用于预测莠去津残留的原始特征值，利用基于BP神经网络的神经元数量计算方法，将原始特征值进行离散化，将离散后的特征值输入泛化能力优化的BP神经网络建模，获取BP神经网络的连接权值和阈值，即可获得较为准确的莠去津残留评价模式。应用该评价模式可较为准确的对农药莠去津残留等级进行预测。
【IPC分类】G06N3/08, G01N33/00
【公开号】CN105675807
【申请号】CN201610008728
【发明人】杨璐, 王炳蔚, 郑丽敏
【申请人】中国农业大学
【公开日】2016年6月15日
【申请日】2016年1月7日