机器学习技术在现代农业中应用.docVIP

机器学习技术在现代农业中应用 　　摘要： 机器学习是人工智能的核心内容之一，其应用已经渗透到了人类社会的各个领域。本文阐述了机器学习的基本概念和基本原理，介绍了几种常用的机器学习方法的基本概念和基本原理。在此基础上，以农业为背景，介绍了机器学习技术在现代农业中的应用。 　　【关键词】现代农业 机器学习 人工智能 　　1 引言 　　农业农村发展关系到我国实现小康社会的战略目标能否如期实现，而现代农业则是推动农业农村发展的关键要素。机器学习是人工智能研究的核心之一，将机器学习应用于现代农业生产中，能够有效地推动现代农业的发展，推进实现农业生产自动化和智能化，提高农业生产的效率。 　　2 机器学习 　　机器学习是让计算机模拟人的学习活动，获取新知识、不断改善性能和实现自身完善的智能方法。机器学习方法分为有监督学习、半监督学习和无监督学习。 　　2.1 有监督学习 　　有监督学习首先利用有标号的样本进行训练，构建相应的学习模型。再利用该模型对未知样本数据进行分?和预测。这个学习过程与人类认识事物的过程非常相似。 　　2.2 无监督学习 　　无监督学习是通过对无标签样本进行的学习，即事先并不需要知道样本的类别，而是通过某种方法，按照相似度的大小进行分类。这种学习方法直接对数据进行建模，并不需要任何训练样本。 　　2.3 半监督学习 　　半监督学习是有监督学习和无监督学习的结合，是利用有类标号的数据和无类标号的数据进行学习的过程。其特点是利用少量有标号样本和大量无标号样本进行机器学习。现实世界尤其是现代农业中通常存在大量的未标注样本，但有标记样本则比较少，面对大量的无标号样本的标注，费时、费力和成本较高。因此半监督学习的研究对于实际应用是非常有意义的。 　　下面介绍几种常用的机器学习算法。 　　2.1 决策树 　　决策树（ Decision Tree，DT）是一种常见的归纳学习，能够从一组无规则的事例中推理出决策树的表示形式，常用来构建或设计分类器和预测模型，对未知数据进行分类或预测等。 　　决策树算法包括两个步骤： 　　（1）利用训练样本数据来创建决策树模型； 　　（2）利用创建的决策树模型对新数据进行分类。创建决策树的流程如图1所示，其中S表示训练样本集，A表示分类样本集合，N表示叶节点。 　　2.2 人工神经网络 　　人工神经网络（ Artificial NeuralNetwork，ANN）是一种模仿自然界神经网络的功能和结构，通过调整内部大量人工神经元之间相互连接的权重，对信息进行处理的数学模型。人工神经元结构由输入向量、激活函数及输出向量三部分组成。输入向量X= {xo0，x1.. xn}与对应的权值向量w= {w0，W1…Wn}分别相乘，再取和作为输入值（ 　　），w和x倒过来在激活函数的作用下输出对应的f（∑xi.wi+b），其中b为激活函数的闽值，人工神经元的结构如图2所示。目前ANN已经广泛应用于信息处理、预测分析等领域。 　　2.3 支持向量机 　　支持向量机是一种建立在统计学习理论基础上的一种机器学习算法。这种算法在解决有限样本、非线性、高维的模式分类等问题中表现出许多独特的优势。在深度学习的热潮来临之前，支持向量机一直在机器学习领域占有重要的地位。 　　支持向量机通过非线性映射，把样本空间映射到更高维的特征空间中，使非线性可分问题转化为在特征空间中的线性可分。在一般情况下，升维使计算变得更加困难，但是支持向量机应用核函数展开定理解决了这个难题。如图3所示，支持向量机使用一个超平面把训练集中两类样本分开，即两类点分别在超平面的两侧。作为一种有效的机器学习工具，支持向量机广泛地应用于各个领域。 　　2.4 聚类 　　聚类是将数据集中的所有样本根据相似度的大小进行划分，形成两个或多个类的过程。聚类没有训练过程，即聚类不需要样本有标号，而分类需要有标号的样本进行训练。常用的聚类算法是基于层次和基于划分的聚类。基于层次的聚类主要有：平衡迭代削减聚类法、基于密度的聚类方法和使用代表点的聚类方法等；基于划分的聚类方法主要有：K均值聚类算法、K中心点算法和随机搜索聚类算法等。聚类算法常用于数据挖掘和模式识别中。其中K均值聚类算法最为常用，它采用距离作为相似性的评价指标，即认为两个样本的距离越近，其相似度就越大。图4为K均值聚类算法流程。 　　2.5 深度学习 　　深度学习是机器学习的一个分支，它是在人工神经网络基础上发展起来的，最早由加拿大多伦多大学辛顿教授于2006年提出。深度学习中的“深度”，是相对于支持向量机和多层感知机等“浅层学习”方法而言的。深度学习与“浅层学习”相比，非线性操作的层级数更多。它通过对原始输入进行逐层特征变换，能够自动地学习得到输入数据特征的表示，