運用T—S型模糊神經網絡實現糧蟲分類識別

方明

【摘 要】 在儲糧害蟲的檢測過程中，需要對多種多特征的糧蟲進行分類識別，本文利用T-S型模糊神經網絡進行糧蟲特征分類，在Visual C++6.0平臺上實現對糧蟲的識別，對6類常見糧蟲的識別率達到95%以上，得到了良好的識別結果。

【關鍵詞】 T-S型模糊神經網絡 儲糧害蟲 分類識別 Visual C++6.0

糧食的安全儲藏問題是個世界性難題。據聯合國糧農組織的調查統計，全世界每年糧食霉變及蟲害等損失為糧食產量的8%[1]。因此，搞好糧食儲藏是一項關系到國計民生的重大課題，進行儲糧害蟲的治理任務重大而迫切。準確地給出害蟲的種類信息可為害蟲的綜合防治提供科學的決策依據。

模糊神經網絡是模糊理論同神經網絡相結合的產物，它的特點是將神經網絡較強的自學習和聯想能力與模糊邏輯的推理過程易理解、對樣本要求較低的特點融合在一起，模糊理論和模糊系統理論上比通常意義下的模糊邏輯和神經網絡更有優越性，但是很難實現自適應學習的功能。如果把神經網絡引入到模糊理論中，將兩者有機結合，模糊系統能夠成為一種具有較強自學習能力的自適應模糊系統，采用已有神經網絡的有效學習算法，并吸收模糊系統的優點，起到互補的效果。

1 T-S型模糊神經網絡

1985年，T-S型模糊邏輯系統由日本的高木（Takagi）和關野（Sugeno）提出，旨在開發從給定的輸入-輸出數據集產生模糊規則的系統化方法，這種基于語言規則描述的模型第i條規則可寫為：

（1-1）

式（1-1）中，A是前件中的模糊集合，z是后件中的精確函數。通常是輸入變量x和y的多項式。當是一階多項式時，所產生的模糊推理系統被稱為一階Sugeno模糊模型，當為常數時，即得到了零階Sugeno模糊模型[2，3]。

專家知識被Sugeno模糊模型通過語言和數據整合到if-then規則中，基于T-S型的模糊神經網絡綜合了模糊系統和神經網絡的特點，不但能夠實現一個Sugeno模糊推理系統的功能[4，5]，實現圖像的模糊輸入和模糊推理，而且它能根據系統輸出的期望值和實際值的差別自動生成和調整隸屬度函數和模糊規則。這種模糊神經網絡應用于儲糧害蟲分類，將更貼近于害蟲特征的形成過程，能取得較好的分類結果。

本實驗采用的是一階Sugeno模糊模型，后件是一階線性方程。其隸屬函數生成層、模糊推理層為：

（1-2）

（1-3）

其中，表示生成的隸屬度函數，采用的是高斯函數。為參數對，它們稱為前件參數，取值情況決定了的形狀。表示模糊推理層，模糊推理采用的是積運算，即各節點的輸出是輸入值的乘積。

反模糊化層采用一階Sugeno模糊模型的輸出。此時，令后件函數為，其模糊推理輸出：

（1-4）

學習算法采用誤差函數的負梯度下降方法，不斷更新網絡參數。第n個訓練模式的誤差參數，可定義為

（1-5）

其中p為輸出單元的個數。

按照模糊神經網絡的結構，可定義網絡參數向量：

（1-6）

參數更新修正規則：

（1-7）

其中為學習速率。

網絡分為4層：第1層為輸入層，代表儲糧害蟲的特征向量輸入網絡；第2層為模糊化層，完成輸入特征向量的模糊化，將輸入的特征向量分為3個等級{小（small），中（medium），大（large）}，隸屬函數為高斯函數；第3層為模糊推理層，以使對模糊化后的特征向量進行綜合處理，采用積運算，第4層是輸出層，它的輸出值即表示屬于此類的隸屬度。

2 試驗過程

試驗過程分為學習過程和回調過程。

學習過程：（1）確定分類數為9。確定訓練的矢量數據，用各分量分別代表害蟲特征向量作為輸入。取每類害蟲的5個特征分量值作為訓練數據的輸入矢量，從而完備訓練數據，同時確定各個輸入矢量對應的各類隸屬度輸出，構成9個5輸入單輸出的模糊神經網絡，每一個對應一類的隸屬度輸出。（2）將數據送入各自單個的網絡訓練，直至能模擬所有輸出。

回調過程：將待分類儲糧害蟲的特征向量送入網絡，得到各自的單個網絡的輸出，然后將輸出歸一化，得到最終的隸屬度輸出。

3 試驗結果

利用Sugeno型模糊神經網絡對6類儲糧害蟲進行了分類研究。試驗結果如（表1）所示。

4 Visual C++6.0平臺上實現識別

（圖1）是在儲糧害蟲圖像分類識別系統中對赤擬谷盜其中一個樣本的識別。

5 結語

運用T-S型神經網絡對儲糧害蟲進行分類的識別率達到95.6%，并且利用Visual C++6.0平臺實現，操作簡單，可讀性好，具有較大的實際應用價值。

參考文獻：

[1]黑龍江省大豆協會.我國糧食儲藏的現況及發展趨勢.http：//www.hsa.org.cn/news/index.php？id=1163

[2]Sugeno M.，Kang G.T.Structure identification of fuzzy model [J].Fuzzy Sets and Systems，1998，28：15-33.

[3]Takagi，M.Sugeno.Fuzzy identification of systems and its applications to modeling and control[J].IEEE Transaction on System，1985，15：116-132.

[4]C.-T.Lin，C.S.G.Lee.Neural-network-based fuzzy logic control and decision system[J] .IEEE Transactions on Computers，1991，40（12）：1320-1336.

[5]L-X Wang，J.M.Mendel.Back propagation fuzzy systems as nonlinear dynamic system identifiers[A].In：Proceedings of the IEEE International Conference on Fuzzy Systems[C].San Diego，1992.endprint

【摘 要】 在儲糧害蟲的檢測過程中，需要對多種多特征的糧蟲進行分類識別，本文利用T-S型模糊神經網絡進行糧蟲特征分類，在Visual C++6.0平臺上實現對糧蟲的識別，對6類常見糧蟲的識別率達到95%以上，得到了良好的識別結果。

【關鍵詞】 T-S型模糊神經網絡 儲糧害蟲 分類識別 Visual C++6.0

糧食的安全儲藏問題是個世界性難題。據聯合國糧農組織的調查統計，全世界每年糧食霉變及蟲害等損失為糧食產量的8%[1]。因此，搞好糧食儲藏是一項關系到國計民生的重大課題，進行儲糧害蟲的治理任務重大而迫切。準確地給出害蟲的種類信息可為害蟲的綜合防治提供科學的決策依據。

模糊神經網絡是模糊理論同神經網絡相結合的產物，它的特點是將神經網絡較強的自學習和聯想能力與模糊邏輯的推理過程易理解、對樣本要求較低的特點融合在一起，模糊理論和模糊系統理論上比通常意義下的模糊邏輯和神經網絡更有優越性，但是很難實現自適應學習的功能。如果把神經網絡引入到模糊理論中，將兩者有機結合，模糊系統能夠成為一種具有較強自學習能力的自適應模糊系統，采用已有神經網絡的有效學習算法，并吸收模糊系統的優點，起到互補的效果。

1 T-S型模糊神經網絡

1985年，T-S型模糊邏輯系統由日本的高木（Takagi）和關野（Sugeno）提出，旨在開發從給定的輸入-輸出數據集產生模糊規則的系統化方法，這種基于語言規則描述的模型第i條規則可寫為：

（1-1）

式（1-1）中，A是前件中的模糊集合，z是后件中的精確函數。通常是輸入變量x和y的多項式。當是一階多項式時，所產生的模糊推理系統被稱為一階Sugeno模糊模型，當為常數時，即得到了零階Sugeno模糊模型[2，3]。

專家知識被Sugeno模糊模型通過語言和數據整合到if-then規則中，基于T-S型的模糊神經網絡綜合了模糊系統和神經網絡的特點，不但能夠實現一個Sugeno模糊推理系統的功能[4，5]，實現圖像的模糊輸入和模糊推理，而且它能根據系統輸出的期望值和實際值的差別自動生成和調整隸屬度函數和模糊規則。這種模糊神經網絡應用于儲糧害蟲分類，將更貼近于害蟲特征的形成過程，能取得較好的分類結果。

本實驗采用的是一階Sugeno模糊模型，后件是一階線性方程。其隸屬函數生成層、模糊推理層為：

（1-2）

（1-3）

其中，表示生成的隸屬度函數，采用的是高斯函數。為參數對，它們稱為前件參數，取值情況決定了的形狀。表示模糊推理層，模糊推理采用的是積運算，即各節點的輸出是輸入值的乘積。

反模糊化層采用一階Sugeno模糊模型的輸出。此時，令后件函數為，其模糊推理輸出：

（1-4）

學習算法采用誤差函數的負梯度下降方法，不斷更新網絡參數。第n個訓練模式的誤差參數，可定義為

（1-5）

其中p為輸出單元的個數。

按照模糊神經網絡的結構，可定義網絡參數向量：

（1-6）

參數更新修正規則：

（1-7）

其中為學習速率。

網絡分為4層：第1層為輸入層，代表儲糧害蟲的特征向量輸入網絡；第2層為模糊化層，完成輸入特征向量的模糊化，將輸入的特征向量分為3個等級{小（small），中（medium），大（large）}，隸屬函數為高斯函數；第3層為模糊推理層，以使對模糊化后的特征向量進行綜合處理，采用積運算，第4層是輸出層，它的輸出值即表示屬于此類的隸屬度。

2 試驗過程

試驗過程分為學習過程和回調過程。

學習過程：（1）確定分類數為9。確定訓練的矢量數據，用各分量分別代表害蟲特征向量作為輸入。取每類害蟲的5個特征分量值作為訓練數據的輸入矢量，從而完備訓練數據，同時確定各個輸入矢量對應的各類隸屬度輸出，構成9個5輸入單輸出的模糊神經網絡，每一個對應一類的隸屬度輸出。（2）將數據送入各自單個的網絡訓練，直至能模擬所有輸出。

回調過程：將待分類儲糧害蟲的特征向量送入網絡，得到各自的單個網絡的輸出，然后將輸出歸一化，得到最終的隸屬度輸出。

3 試驗結果

利用Sugeno型模糊神經網絡對6類儲糧害蟲進行了分類研究。試驗結果如（表1）所示。

4 Visual C++6.0平臺上實現識別

（圖1）是在儲糧害蟲圖像分類識別系統中對赤擬谷盜其中一個樣本的識別。

5 結語

運用T-S型神經網絡對儲糧害蟲進行分類的識別率達到95.6%，并且利用Visual C++6.0平臺實現，操作簡單，可讀性好，具有較大的實際應用價值。

參考文獻：

[1]黑龍江省大豆協會.我國糧食儲藏的現況及發展趨勢.http：//www.hsa.org.cn/news/index.php？id=1163

[2]Sugeno M.，Kang G.T.Structure identification of fuzzy model [J].Fuzzy Sets and Systems，1998，28：15-33.

[3]Takagi，M.Sugeno.Fuzzy identification of systems and its applications to modeling and control[J].IEEE Transaction on System，1985，15：116-132.

[4]C.-T.Lin，C.S.G.Lee.Neural-network-based fuzzy logic control and decision system[J] .IEEE Transactions on Computers，1991，40（12）：1320-1336.

[5]L-X Wang，J.M.Mendel.Back propagation fuzzy systems as nonlinear dynamic system identifiers[A].In：Proceedings of the IEEE International Conference on Fuzzy Systems[C].San Diego，1992.endprint

【摘 要】 在儲糧害蟲的檢測過程中，需要對多種多特征的糧蟲進行分類識別，本文利用T-S型模糊神經網絡進行糧蟲特征分類，在Visual C++6.0平臺上實現對糧蟲的識別，對6類常見糧蟲的識別率達到95%以上，得到了良好的識別結果。

【關鍵詞】 T-S型模糊神經網絡 儲糧害蟲 分類識別 Visual C++6.0

糧食的安全儲藏問題是個世界性難題。據聯合國糧農組織的調查統計，全世界每年糧食霉變及蟲害等損失為糧食產量的8%[1]。因此，搞好糧食儲藏是一項關系到國計民生的重大課題，進行儲糧害蟲的治理任務重大而迫切。準確地給出害蟲的種類信息可為害蟲的綜合防治提供科學的決策依據。

模糊神經網絡是模糊理論同神經網絡相結合的產物，它的特點是將神經網絡較強的自學習和聯想能力與模糊邏輯的推理過程易理解、對樣本要求較低的特點融合在一起，模糊理論和模糊系統理論上比通常意義下的模糊邏輯和神經網絡更有優越性，但是很難實現自適應學習的功能。如果把神經網絡引入到模糊理論中，將兩者有機結合，模糊系統能夠成為一種具有較強自學習能力的自適應模糊系統，采用已有神經網絡的有效學習算法，并吸收模糊系統的優點，起到互補的效果。

1 T-S型模糊神經網絡

1985年，T-S型模糊邏輯系統由日本的高木（Takagi）和關野（Sugeno）提出，旨在開發從給定的輸入-輸出數據集產生模糊規則的系統化方法，這種基于語言規則描述的模型第i條規則可寫為：

（1-1）

式（1-1）中，A是前件中的模糊集合，z是后件中的精確函數。通常是輸入變量x和y的多項式。當是一階多項式時，所產生的模糊推理系統被稱為一階Sugeno模糊模型，當為常數時，即得到了零階Sugeno模糊模型[2，3]。

專家知識被Sugeno模糊模型通過語言和數據整合到if-then規則中，基于T-S型的模糊神經網絡綜合了模糊系統和神經網絡的特點，不但能夠實現一個Sugeno模糊推理系統的功能[4，5]，實現圖像的模糊輸入和模糊推理，而且它能根據系統輸出的期望值和實際值的差別自動生成和調整隸屬度函數和模糊規則。這種模糊神經網絡應用于儲糧害蟲分類，將更貼近于害蟲特征的形成過程，能取得較好的分類結果。

本實驗采用的是一階Sugeno模糊模型，后件是一階線性方程。其隸屬函數生成層、模糊推理層為：

（1-2）

（1-3）

其中，表示生成的隸屬度函數，采用的是高斯函數。為參數對，它們稱為前件參數，取值情況決定了的形狀。表示模糊推理層，模糊推理采用的是積運算，即各節點的輸出是輸入值的乘積。

反模糊化層采用一階Sugeno模糊模型的輸出。此時，令后件函數為，其模糊推理輸出：

（1-4）

學習算法采用誤差函數的負梯度下降方法，不斷更新網絡參數。第n個訓練模式的誤差參數，可定義為

（1-5）

其中p為輸出單元的個數。

按照模糊神經網絡的結構，可定義網絡參數向量：

（1-6）

參數更新修正規則：

（1-7）

其中為學習速率。

網絡分為4層：第1層為輸入層，代表儲糧害蟲的特征向量輸入網絡；第2層為模糊化層，完成輸入特征向量的模糊化，將輸入的特征向量分為3個等級{小（small），中（medium），大（large）}，隸屬函數為高斯函數；第3層為模糊推理層，以使對模糊化后的特征向量進行綜合處理，采用積運算，第4層是輸出層，它的輸出值即表示屬于此類的隸屬度。

2 試驗過程

試驗過程分為學習過程和回調過程。

學習過程：（1）確定分類數為9。確定訓練的矢量數據，用各分量分別代表害蟲特征向量作為輸入。取每類害蟲的5個特征分量值作為訓練數據的輸入矢量，從而完備訓練數據，同時確定各個輸入矢量對應的各類隸屬度輸出，構成9個5輸入單輸出的模糊神經網絡，每一個對應一類的隸屬度輸出。（2）將數據送入各自單個的網絡訓練，直至能模擬所有輸出。

回調過程：將待分類儲糧害蟲的特征向量送入網絡，得到各自的單個網絡的輸出，然后將輸出歸一化，得到最終的隸屬度輸出。

3 試驗結果

利用Sugeno型模糊神經網絡對6類儲糧害蟲進行了分類研究。試驗結果如（表1）所示。

4 Visual C++6.0平臺上實現識別

（圖1）是在儲糧害蟲圖像分類識別系統中對赤擬谷盜其中一個樣本的識別。

5 結語

運用T-S型神經網絡對儲糧害蟲進行分類的識別率達到95.6%，并且利用Visual C++6.0平臺實現，操作簡單，可讀性好，具有較大的實際應用價值。

參考文獻：

[1]黑龍江省大豆協會.我國糧食儲藏的現況及發展趨勢.http：//www.hsa.org.cn/news/index.php？id=1163

[2]Sugeno M.，Kang G.T.Structure identification of fuzzy model [J].Fuzzy Sets and Systems，1998，28：15-33.

[3]Takagi，M.Sugeno.Fuzzy identification of systems and its applications to modeling and control[J].IEEE Transaction on System，1985，15：116-132.

[4]C.-T.Lin，C.S.G.Lee.Neural-network-based fuzzy logic control and decision system[J] .IEEE Transactions on Computers，1991，40（12）：1320-1336.

[5]L-X Wang，J.M.Mendel.Back propagation fuzzy systems as nonlinear dynamic system identifiers[A].In：Proceedings of the IEEE International Conference on Fuzzy Systems[C].San Diego，1992.endprint