运用T—S型模糊神经网络实现粮虫分类识别.docVIP

运用T—S型模糊神经网络实现粮虫分类识别 　　【摘 要】 在储粮害虫的检测过程中，需要对多种多特征的粮虫进行分类识别，本文利用T-S型模糊神经网络进行粮虫特征分类，在Visual C++6.0平台上实现对粮虫的识别，对6类常见粮虫的识别率达到95%以上，得到了良好的识别结果。 　　【关键词】 T-S型模糊神经网络 储粮害虫 分类识别 Visual C++6.0 　　粮食的安全储藏问题是个世界性难题。据联合国粮农组织的调查统计，全世界每年粮食霉变及虫害等损失为粮食产量的8%[1]。因此，搞好粮食储藏是一项关系到国计民生的重大课题，进行储粮害虫的治理任务重大而迫切。准确地给出害虫的种类信息可为害虫的综合防治提供科学的决策依据。 　　模糊神经网络是模糊理论同神经网络相结合的产物，它的特点是将神经网络较强的自学习和联想能力与模糊逻辑的推理过程易理解、对样本要求较低的特点融合在一起，模糊理论和模糊系统理论上比通常意义下的模糊逻辑和神经网络更有优越性，但是很难实现自适应学习的功能。如果把神经网络引入到模糊理论中，将两者有机结合，模糊系统能够成为一种具有较强自学习能力的自适应模糊系统，采用已有神经网络的有效学习算法，并吸收模糊系统的优点，起到互补的效果。 　　1 T-S型模糊神经网络 　　1985年，T-S型模糊逻辑系统由日本的高木（Takagi）和关野（Sugeno）提出，旨在开发从给定的输入-输出数据集产生模糊规则的系统化方法，这种基于语言规则描述的模型第i条规则可写为： 　　（1-1） 　　式（1-1）中，A是前件中的模糊集合，z是后件中的精确函数。通常是输入变量x和y的多项式。当是一阶多项式时，所产生的模糊推理系统被称为一阶Sugeno模糊模型，当为常数时，即得到了零阶Sugeno模糊模型[2，3]。 　　专家知识被Sugeno模糊模型通过语言和数据整合到if-then规则中，基于T-S型的模糊神经网络综合了模糊系统和神经网络的特点，不但能够实现一个Sugeno模糊推理系统的功能[4，5]，实现图像的模糊输入和模糊推理，而且它能根据系统输出的期望值和实际值的差别自动生成和调整隶属度函数和模糊规则。这种模糊神经网络应用于储粮害虫分类，将更贴近于害虫特征的形成过程，能取得较好的分类结果。 　　本实验采用的是一阶Sugeno模糊模型，后件是一阶线性方程。其隶属函数生成层、模糊推理层为： 　　（1-2） 　　（1-3） 　　其中，表示生成的隶属度函数，采用的是高斯函数。为参数对，它们称为前件参数，取值情况决定了的形状。表示模糊推理层，模糊推理采用的是积运算，即各节点的输出是输入值的乘积。 　　反模糊化层采用一阶Sugeno模糊模型的输出。此时，令后件函数为，其模糊推理输出： 　　（1-4） 　　学习算法采用误差函数的负梯度下降方法，不断更新网络参数。第n个训练模式的误差参数，可定义为 　　（1-5） 　　其中p为输出单元的个数。 　　按照模糊神经网络的结构，可定义网络参数向量： 　　（1-6） 　　参数更新修正规则： 　　（1-7） 　　其中为学习速率。 　　网络分为4层：第1层为输入层，代表储粮害虫的特征向量输入网络；第2层为模糊化层，完成输入特征向量的模糊化，将输入的特征向量分为3个等级{小（small），中（medium），大（large）}，隶属函数为高斯函数；第3层为模糊推理层，以使对模糊化后的特征向量进行综合处理，采用积运算，第4层是输出层，它的输出值即表示属于此类的隶属度。 　　2 试验过程 　　试验过程分为学习过程和回调过程。 　　学习过程：（1）确定分类数为9。确定训练的矢量数据，用各分量分别代表害虫特征向量作为输入。取每类害虫的5个特征分量值作为训练数据的输入矢量，从而完备训练数据，同时确定各个输入矢量对应的各类隶属度输出，构成9个5输入单输出的模糊神经网络，每一个对应一类的隶属度输出。（2）将数据送入各自单个的网络训练，直至能模拟所有输出。 　　回调过程：将待分类储粮害虫的特征向量送入网络，得到各自的单个网络的输出，然后将输出归一化，得到最终的隶属度输出。 　　3 试验结果 　　利用Sugeno型模糊神经网络对6类储粮害虫进行了分类研究。试验结果如（表1）所示。 　　4 Visual C++6.0平台上实现识别 　　（图1）是在储粮害虫图像分类识别系统中对赤拟谷盗其中一个样本的识别。 　　5 结语 　　运用T-S型神经网络对储粮害虫进行分类的识别率达到95.6%，并且利用Visual C++6.0平台实现，操作简单，可读性好，具有较大的实际应用价值。 　　参考文献： 　　[1]黑龙江省大豆协会.我国粮食储藏的现况及发展趋势.http：///