《基于BFA-BP神经网络的土壤肥力评价》.pdfVIP

江苏农业科学2013年第41卷第8期 赵艳玲，何厅厅，侯占东，等．基于BFA—BP神经网络的土壤肥力评价[J]．江苏农业科学，2013，41(8)：340—344 基于BFA—BP神经网络的土壤肥力评价 赵艳玲，何厅厅，侯占东，刘亚萍，石娟娟，王亚云，李 源 [中国矿业大学(北京)土地复垦与生态重建研究所，北京100083] 摘要：在BP神经网络的基础上，针对其网络结构中连接权重和阈值难以赋值的问题，引入细菌算法(BFA)，寻找 连接权重和阈值的最优值，构建了土壤肥力等级的BFA—BP神经网络评价模型。以吉林省黑土为例，选取土壤的养 分指标(有机质、全氮、速效磷、速效钾)、环境指标(阳离子交换量、酸碱度、容重、黏粒)和结构性指标(水稳性团聚体、 分散率)作为评价指标，应用该模型进行土壤肥力等级评价，并与可拓物元法的评价结果进行比较，表明该模型在土 壤肥力评价中适用且更准确反映了土壤综合特性。 关键词：土壤肥力；BP神经网络；细菌算法；阈值；黑土 中图分类号：S158文献标志码：A 文章编号：1002—1302(2013)08一0340—04 土壤肥力评价为土地的科学管理和合理利用提供了可靠 习来反复修改各层神经元的权值，使误差信号最小，直至达到 的理论依据。传统的土壤肥力评价方法，大多是在数学模型 期望目标。BP算法具有简单和可塑性的优点，但也存在收敛 基础上，对评价指标进行加权评判，如模糊数学法、可拓物元 速度慢、容易陷入局部最优解、网络结构不易确定、初始连接 法、物元联系数法等¨‘4J，这些方法在实际评判中，均取得了 权重和阈值难以准确获得等缺点，采用细菌觅食算法可克服 很好的实效，但也存在不足，如指标权重赋值主观因素影响 BP算法的缺陷。 大，难以处理非线性问题，指标体系信息丢失严重，且缺乏自 1．2 BP算法实现步骤 学习、自适应能力。土壤肥力评价实质是一个多属性高维数 BP网络传递函数通常采用的是s型可微函数，它可以实 据的模拟识别问题。土壤肥力的评价指标和划分等级之间存 现输入和输出之间的任意非线性映射。BP算法分为2个阶 在复杂的非线性关系，传统方法计算量大，主观性强，难以准 段：第一阶段是正向传播的过程，即输入信息从输入犀到输出 neural network，简层逐层计算各单元的输出值；第二阶段是反向传播过崔，它是 确反映实际情况。人工神经网络(artificiM 称ANN)模拟大脑神经系统的结构和功能口1，建立输入量与从后向前将输出误差逐层向前传递并计算每层各单元的误 输出量之间全局性非线性映射关系，获碍已知数据的内在规 差，并用此误差修正前一层权值。以下为BP神经网络的学 律，为解决复杂的非线性高维问题提供了有力工具∞o。BP 习过程及步骤¨””]： (back 设网络输入向量P。=(a，，口：，…，n。)，网络目标向量 propagation)神经网络是前馈型人工神经网络的核心部 分，体现了人工神经网络最精华的部分¨1，被广泛应用于模 瓦=(Y，，Y2，…，儿)，隐含层单元输入向量S。=(s。，s：，…， s。)，输出向量B。=(b。，b：，…，b，)；输出层单元输入向量厶= 式识另I』／分类、数据压缩等领域’91。本研究将BP神经网络 应用于土壤肥力质量评价，针对网络结构连接权重和阈值的 随机性，改进细菌算法(BFA)，构建土壤肥力质量评价的…，m。BP学习算法表示如下： BFA—BP模型，对吉林省黑土肥力等级进行实例分析，检验 (1)初始化。给每个连接权值埘”％，阈值B、rt赋予区间 该模型的适宜性，并与可拓物元法的评价结果进行比较，检测 [一0．5，0．5]内的随机值。 该模型的精确度。 (2)随机选取一组输入样本Pk=(。：，口：，…，a：)输入网 络，用输入样本P。=(口：，口：，…，o：)、连接权