RBF神經網絡在可溶性糖含量預測中的應用

摘要：在小麥（Triticum aestivum L.）幼苗生長過程中，將RBF神經網絡應用到可溶性糖含量的預測和數據變化的分析中，試驗數據經過RBF神經網絡的訓練和仿真后得到，網絡輸出結果的誤差小，網絡輸出矢量與目標矢量相關性好。說明可以將RBF神經網絡作為農作物幼苗生長中預測數據變化的有效方法。

關鍵詞：RBF神經網絡；小麥（Triticum aestivum L.）幼苗；可溶性糖；誤差；回歸分析

中圖分類號：TP273 文獻標識碼：A 文章編號：0439-8114（2013）02-0455-03

小麥（Triticum aestivum L.）是中國主要的糧食作物之一，干旱一直是影響小麥生產的最主要非生物脅迫因素[1]。在干旱脅迫條件下，植物為了減緩由脅迫造成的生理代謝不平衡，細胞大量積累了一些小分子有機化合物，如脯氨酸、甜菜堿等。其中，可溶性糖是干旱脅迫誘導的一種小分子溶質，其種類主要包括葡萄糖、海藻糖、蔗糖等。這些可溶性糖類參與滲透調節，并可能在維持植物蛋白質穩定方面起到重要作用[2]。在小麥發芽過程中多種酶類活力激增，淀粉、蛋白質、非淀粉多糖等組分都得到良好降解。發芽小麥中的淀粉酶主要包括α-淀粉酶、β-淀粉酶和極限糊精酶。

20世紀80年代末，Powell提出了徑向基函數（Radial-Basis Function，RBF）方法[3]。RBF神經網絡多用于函數逼近和分類問題的研究，函數逼近的目的就是找到一個函數能夠滿足一組輸入/輸出數據之間的關系[4]。經過理論證明，RBF神經網絡具有良好的任意非線性函數逼近能力和解析系統內在規律性的能力，并且具有極快的學習收斂速度[5]。在干旱條件下對小麥幼苗進行數據監測發現，在小麥幼苗生長過程中，其中的酶、淀粉以及可溶性糖的含量在不斷地發生變化，本研究試圖利用人工神經網絡分析它們之間的含量關系，并對可溶性糖的含量進行預測，意在對干旱脅迫條件下幼苗生長產生一定的指導作用。

1 材料與方法

1.1 材料

選用小麥品種百農207和華育198作為試驗材料，材料由河南科技學院遺傳育種實驗室提供。

1.2 方法

1.2.1 試驗設計 挑選子粒飽滿的種子用0.1% H2O2消毒30 min，沖洗3遍。取滅菌的小桶和沙土，試驗采用200 g/L聚乙二醇（PEG 6000）人工模擬干旱脅迫處理，桶中加200 g/L PEG-6000、沙土混合物（質量比為1∶4），厚度約10 cm。每桶播50粒種子，每個品種做5次重復，在光照培養箱中培養，光照度12 000 lx，光暗周期14 h/10 h，晝夜溫度19 ℃/15 ℃，相對濕度60%，通過稱重法控制脅迫程度。待幼苗長至二葉一心時對每個品種進行指標測定，每個品種均分成兩組，分別測定數據，一組數據作為訓練數據，另一組作為測試數據。測定幼苗的淀粉含量、可溶性糖含量及α-淀粉酶和β-淀粉酶含量，試驗3次重復，每3天測定一次指標，訓練組共測定6組數據，測試組測定5組數據。

1.2.2 指標測定 淀粉含量用蒽酮硫酸法[6]。可溶性糖含量用蒽酮比色法[6]。α-淀粉酶和β-淀粉酶含量用比色法測定[6]。

2 結果與分析

通過試驗數據分析小麥幼苗淀粉酶含量、淀粉含量和可溶性糖含量的關系，并對可溶性糖含量進行預測。試驗挑選了百農207和華育198兩個品種，所測數據如表1和表2所示。表中前6組數據為訓練組數據，后5組為測試組數據；表中數據均為原始測得數據。數據分析在Matlab環境下進行，分別采用RBF神經網絡的兩種方法對數據進行訓練，以α-淀粉酶酶活、β-淀粉酶酶活、淀粉含量作為輸入量，以可溶性糖含量作為輸出量。首先利用函數Newrb創建一個廣義的RBF神經網絡，該函數在創建RBF神經網絡時，能自動增加隱含層神經元的數目，直到均方誤差滿足精度要求或者神經元數目達到最大為止[7]。這里取誤差為0.01%[5]。訓練網絡時取分布密度Spread為1。首先對數據進行歸一化處理，歸一化處理后數據分布在[-1，1]之間，然后用訓練數據對網絡進行訓練，接下來用測試數據對網絡進行仿真，驗證其預測性能。

先對百農207的數據進行訓練和仿真，當用測試數據測試訓練好的網絡時，得到仿真結果，可溶性糖含量為[0.201 1%，0.163 5%，0.261 4%，0.317 4%，0.298 4%]，同實際值[0.227 0%，0.178 0%，0.230 0%，0.296 0%，0.305 0%]相比較，可得出預測誤差，誤差如圖1所示，可見誤差都在+0.04%以內，對于可溶性糖含量的預測來說，網絡的預測誤差并不大，說明網絡測試結果可信。同樣再對華育198的數據進行訓練和仿真，當用測試數據測試時，得到仿真結果的可溶性糖含量為[0.226 6%，0.242 4%，0.311 6%，0.305 0%，0.302 5%]，同實際值[0.205 0%，0.241 0%，0.276 0%，0.306 0%，0.328 0%]相比較，誤差較小，誤差如圖2所示。通過兩個小麥品種的數據分析發現，小麥幼苗在干旱脅迫條件下淀粉酶酶活、淀粉含量和可溶性糖含量之間確實具有一定的關系。

為了驗證網絡性能，利用Postreg函數對神經網絡的仿真結果進行線性回歸分析，可以得到目標矢量對網絡輸出的相關系數。其中目標矢量記為T，網絡輸出矢量記為A，相關系數記為R。當R為1時，輸出矢量和目標矢量之間的相關性最好。百農207的網絡輸出回歸曲線如圖3所示，由圖3可知，網絡輸出與目標矢量的相關系數為0.935，數據點分布合理，說明網絡性能較好，預測值可信度高。同樣再將華育198的測試樣本數據回代網絡中作回歸曲線，得到結果如圖4所示，由圖4可知，網絡輸出矢量與目標矢量的相關系數為0.885，數據點分布和最佳擬合線均與期望值接近，網絡性能較好。通過以上的網絡性能測試可知，RBF神經網絡可以作為小麥幼苗中可溶性糖含量預測的有效方法。

3 結論

淀粉是小麥的主要貯藏物質，在小麥萌發過程中，淀粉酶分解淀粉形成可溶性糖。糖作為代謝的中間產物或終產物調節了植物生長、發育、抗性形成等多個生理過程；同時參與了細胞內信號調節或轉導過程。本研究將RBF神經網絡應用到幼苗可溶性糖含量的預測和分析中，并對分析結果進行了性能測試和回歸分析，該模型不僅結構簡單、誤差小，而且計算準確性高，是預測和分析農作物在生長過程中糖含量的一種有效的方法。

參考文獻：

[1] 左文博，吳靜利，楊 奇，等.干旱脅迫對小麥根系活力和可溶性糖含量的影響[J].華北農學報，2010，25（6）：191-193.

[2] 趙江濤，李曉峰，李 航，等.可溶性糖在高等植物代謝調節中的生理作用[J]. 安徽農業科學，2006，34（24）：6423-6425，6427.

[3] POWELL M J D. Radial basis functions for multivariable interpolation：a review[A]. MASON J C，COX M G. Algorithms for approximation[C]. Oxford：Clarendon Press，1987. 143-167.

[4] 董長虹.MATLAB神經網絡與應用[M].北京：國防工業出版社，2005.

[5] 李 雪，熊建橋，邵秋萍，等. 基于BP神經網絡的微孔鉆削實時監測[J].機床與液壓，2010，38（20）：12-14.

[6] 陳毓荃.生物化學實驗方法和技術[M].北京：科學出版社，2005. [7] 羅成漢.基于MATLAB神經網絡工具箱的BP網絡實現[J].計算機仿真，2004，21（5）：69-72.