寒地大豆水肥一体化知识模型算法研究.docVIP

寒地大豆水肥一体化知识模型算法研究 　　[摘 要]为了寻求合理的水肥投入，综合气候条件、土壤肥力状况、大豆需肥规律和灌溉规律等多因素，深入研究灌水量和施肥量之间的耦合关系，采用一种规则易于提取的FMLP网络，通过FBP学习算法对网络参数和变量权值进行调整，构造初始水肥知识模型。为获得最优水肥一体化知识模型，采用改进IP算法缩小了网络的结构，降低网络的计算复杂度，加快了网络输出的响应速度。通过对大豆在不同农田重复进行种植实验，结果表明，该方法能够在不给定任何先验知识的条件下得到很准确的知识模型。 　　[关键词]水肥一体化；IP算法；知识模型；网络结构 　　在农业生产中，必须强调“以水定产，以肥调水”理论的重要性。由于影响水肥施用量的各因素之间存在相互作用，知识模型是多变量非线性的，已取得经验数据或知识缺乏精确性，利用传统的方法构造模型时，其结构设计和因子选择多依赖领域专家先验知识，存在一定的偶然性和主观性，很难建立起一个精确和完善的水肥一体化模型。而模糊神经网络自身的特点，能有效地描述不确定、多输入等复杂的非线性特点，因此，本文提出利用模糊神经网络来构建知识模型，能根本解决水肥一体化模型构建过程中存在的现实难题，结合农业生产管理特点，对多种模糊神经网络进行分析比较，选择一种规则易于提取的模糊神经网络，通过FBP学习算法对网络参数和变量权值进行调整，构造初始水肥一体化知识模型。采用改进IP算法实现网络的优化，探询到气候条件、土壤肥力状况、大豆需肥规律和灌溉规律状况之间的内在关系，获得最优知识模型。该模型的构建为农业水肥管理提供一种新的方法。 　　一、FMLP网络结构 　　网络结构的选择本着既保证规则顺利提取又要适于模糊规则的学习为原则，采用FMLP（Fuzzy Multi-layer Perception）模糊神经网络结构，该网络主要是根据模糊系统的结构来决定等价结构的神经网络，使神经网络的每个层，每个节点对应模糊系统的一部分。 　　第一层为输入层，它起着将输入值传送到下一层的作用。第二层为隶属度函数层，它的作用是计算各输入分量属于各语言变量值模糊集合的隶属???函数。第三层为求“与”层，每个节点代表一条模糊规则，它用来匹配模糊规则前件，计算出每条规则的适用度。第四层为求“或”层，该层的节点数与第三层相同，实现归一化计算。第五层为反模糊化层，它所实现的是清晰计算。 　　二、FMLP网络参数的调整 　　根据以上定义的各层节点的操作，推导出针对这种FNN的误差反向传播学习算法(即FBP算法)来修正网络的可调参数。定义FBP算法的目标函数为：E=(t-y)2/2式中，t为教师信号，那么根据FBP算法误差信号将由第五层向第二层依次反向传递。 　　三、改进的IP（Iterative Pruning)算法 　　Castellano提出的IP法就是在已训练好的模糊神经网络结构中，对所有样本的输出变化最小的节点进行删除，然后用最小二乘问题修改剩余权值而保持整个网络的输出不变，实现网络结构优化，从而提高网络的拟和程度。经研究发现，网络中每删除规则节点就对应解一次方程组，所以如何高效的解方程组就成为提高此算法的运行效率的关键。本文对IP算法进行了改进，采用广义逆矩阵(GIM)算法代替共轭梯度预处理正则方程(CGPCNE) 算法解方程组，大大节省调整剩余权值的时间开销，使改进IP算法运行效率比IP算法提高几倍甚至几十倍。 　　四、知识模型拟合 　　通过模糊神经网络技术对水肥实验数据进行知识模型的构建、优化等方面研究，探询大豆产量与施肥量（氮磷钾）、气候和用水量之间内在相互作用，探索到一种通用的水肥知识模型的构建方法。 　　1．样本数据的组织与处理。所用样本是针对大豆在某一试验农田上重复种植所获丰产的实验数据，且每次实验施用不同的氮、磷、钾和水等量。实验提供了35组样本数据，其中30组数据作为训练数据，5组数据作为检验网络泛化性能的验证样本。训练前将网络训练数据和预测数据归一化到(-0.8，+0.8)之间，以使较大的输入落在网络激活函数梯度最大值附近，避免加权后的输入落在激活函数的饱和区，从而导致算法中的梯度幅值非常小，可能使得对网络权值的修正过程几乎停顿下来。 　　2．网络层次结构确定。本实验所用输入参数(氮、磷、钾肥用量、密度、用水量和气候)分别用ｐ1,ｐ2,ｐ3,ｐ4,ｐ5,ｐ6表示，大豆的单位产量用ｐ5表示。采用FMLP网络结构，输入层单元数为6，输出层单元数为1，输入变量和输出变量各定义了三个模糊集合，各模糊集合采用一种容易控制的S型隶属函数。 　　3．结果分析。用提供了35组实验数据中的5组实验数据作为验证样本，在5组预测值中，除一个的误差超过7%，其余都在±7%以内在。30组实验数据的拟合误差在0.058~0.0124之间，这说明构建的