基于遺傳算法-鯨魚(yú)算法優(yōu)化反向傳播神經(jīng)網(wǎng)絡(luò)的土壤參數(shù)預(yù)測(cè)

陳智威

(浙江理工大學(xué) 信息學(xué)院，浙江 杭州 310018)

隨著智慧農(nóng)業(yè)的發(fā)展，土壤參數(shù)預(yù)測(cè)研究取得了一些成果。研究人員在基于紅外光譜和支持向量機(jī)的土壤參數(shù)預(yù)測(cè)中應(yīng)用支持向量機(jī)算法對(duì)實(shí)時(shí)土壤光譜數(shù)據(jù)進(jìn)行處理，獲得了土壤全氮和有機(jī)質(zhì)的回歸模型[1-3]。楊瑋等[4]建立基于土壤參數(shù)的冬小麥預(yù)測(cè)模型，采用灰色理論對(duì)冬小麥土壤電導(dǎo)率、土壤pH值等因子進(jìn)行關(guān)聯(lián)分析，結(jié)果表明，反向傳播(BP)神經(jīng)網(wǎng)絡(luò)以及模糊最小二乘支持向量機(jī)(FLSSVM)預(yù)測(cè)模型的精度都較高，可以用來(lái)評(píng)估作物產(chǎn)量，為精細(xì)農(nóng)業(yè)變量處方管理提供理論與技術(shù)支持。本文采用遺傳算法(GA)-鯨魚(yú)算法(WOA)混合優(yōu)化BP神經(jīng)網(wǎng)絡(luò)算法對(duì)農(nóng)業(yè)土壤參數(shù)進(jìn)行預(yù)測(cè)，并與其他算法進(jìn)行對(duì)比分析，為未來(lái)土壤參數(shù)的預(yù)測(cè)提供理論依據(jù)。

1 材料與方法

1.1 農(nóng)業(yè)土壤參數(shù)采集

農(nóng)業(yè)土壤參數(shù)主要通過(guò)相關(guān)傳感器進(jìn)行采集，包括土壤溫度傳感器、土壤濕度傳感器、土壤電導(dǎo)率傳感器和土壤pH傳感器。通過(guò)模數(shù)(AD)轉(zhuǎn)換、微處理器和通用分組無(wú)線業(yè)務(wù)(GPRS)模塊將采集到的數(shù)據(jù)發(fā)送到云端，在云端通過(guò)上位機(jī)軟件可以做可視化處理，人們通過(guò)網(wǎng)頁(yè)等方式就可以了解采集的具體的土壤參數(shù)數(shù)值。

1.2 研究方法

針對(duì)BP神經(jīng)網(wǎng)絡(luò)自身的缺點(diǎn)，利用GA的全局搜索能力優(yōu)化BP神經(jīng)網(wǎng)絡(luò)。但由于標(biāo)準(zhǔn)GA存在易陷入局部最優(yōu)等缺點(diǎn)，因此，本文將GA與WOA混合，提升算法尋優(yōu)能力，從而達(dá)到優(yōu)化BP神經(jīng)網(wǎng)絡(luò)的目的。

1.2.1 GA

GA[5]是一類借助生物界進(jìn)化規(guī)律而得來(lái)的隨機(jī)化搜索方法，通過(guò)模擬自然進(jìn)化過(guò)程搜索最優(yōu)解。其基本運(yùn)行過(guò)程：1)隨機(jī)產(chǎn)生初始種群，初始化交叉率、變異率等相關(guān)進(jìn)化參數(shù)；2)計(jì)算當(dāng)前種群中每個(gè)候選個(gè)體解的適應(yīng)度值；3)采用輪盤(pán)賭等方法對(duì)候選個(gè)體進(jìn)行基于適應(yīng)度值的選擇，將好的個(gè)體遺傳到下一代或者通過(guò)交叉變異方式產(chǎn)生下一代個(gè)體；4)將父代個(gè)體對(duì)進(jìn)行均勻交叉、單點(diǎn)交叉等，以產(chǎn)生新候選個(gè)體；5)通過(guò)變異概率改變個(gè)體部分基因座上的基因值；6)判斷得到的值是否滿足要求，滿足則退出，不滿足則返回步驟2)。

1.2.2 WOA

鯨魚(yú)算法[6]受自然界座頭鯨覓食行為的啟發(fā)，包括環(huán)繞式捕食、泡泡網(wǎng)捕食和搜索捕食3個(gè)階段。

1.2.3 GA-WOA混合優(yōu)化算法

大量實(shí)驗(yàn)表明，GA由于交叉變異算子的引入，擁有很強(qiáng)的局部尋優(yōu)能力，但是容易陷入局部最優(yōu)。鯨魚(yú)算法跳出局部尋優(yōu)能力強(qiáng)且調(diào)整參數(shù)少，但是在處理復(fù)雜的優(yōu)化問(wèn)題上存在收斂精度低且收斂速度慢的缺點(diǎn)。本文提出基于GA與WOA的混合優(yōu)化算法GA-WOA，把GA和WOA各自擅長(zhǎng)的尋優(yōu)能力進(jìn)行有機(jī)結(jié)合。算法的具體實(shí)現(xiàn)步驟：1)初始化候選解群、迭代次數(shù)T與成員算法GA和WOA的偏好閾值r，當(dāng)前迭代次數(shù)t=0；2)若tT，則T1=T-t；6)若rand()>r，則進(jìn)行目標(biāo)函數(shù)的WOA優(yōu)化(迭代次數(shù)為T(mén)1)，反之進(jìn)行目標(biāo)函數(shù)的GA優(yōu)化。

1.2.4 GA-WOA混合算法優(yōu)化BP神經(jīng)網(wǎng)絡(luò)

BP神經(jīng)網(wǎng)絡(luò)作為一種多層前饋神經(jīng)網(wǎng)絡(luò)，其特點(diǎn)主要是信號(hào)前向傳遞、誤差方向傳播，BP神經(jīng)網(wǎng)絡(luò)包括輸入層、隱含層和輸出層，BP神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)圖如圖1所示。

圖1 BP的神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)

GA-WOA混合算法優(yōu)化BP神經(jīng)網(wǎng)絡(luò)的基本思想是利用GA-WOA混合算法優(yōu)化BP神經(jīng)網(wǎng)絡(luò)的初始權(quán)值和閾值，編碼時(shí)個(gè)體為神經(jīng)網(wǎng)絡(luò)的權(quán)值和閾值，將BP神經(jīng)網(wǎng)絡(luò)的訓(xùn)練誤差作為個(gè)體的適應(yīng)度值，選擇最優(yōu)的BP神經(jīng)網(wǎng)絡(luò)初始權(quán)值和閾值。具體流程：1)BP神經(jīng)網(wǎng)絡(luò)初始化，確定網(wǎng)絡(luò)的輸入輸出結(jié)構(gòu)、初始連接權(quán)值和閾值；2)GA-WOA混合算法初始化，根據(jù)BP神經(jīng)網(wǎng)絡(luò)的初始連接權(quán)值和閾值對(duì)遺傳算法初始值編碼；3)以BP神經(jīng)網(wǎng)絡(luò)訓(xùn)練誤差為適應(yīng)度值進(jìn)行選擇、交叉、變異、泡泡網(wǎng)捕食等操作，直至達(dá)到條件；4)獲得最優(yōu)權(quán)值和閾值；5)計(jì)算誤差更新權(quán)值和閾值；6)輸出誤差結(jié)果。

算法流程圖如圖2所示。

圖2 GA-WOA混合算法優(yōu)化BP神經(jīng)網(wǎng)絡(luò) 算法的流程

2 結(jié)果與分析

2.1 數(shù)據(jù)集描述和實(shí)驗(yàn)硬件環(huán)境

實(shí)驗(yàn)采用土壤采集系統(tǒng)采集的數(shù)據(jù)和土壤數(shù)據(jù)網(wǎng)中的土壤參數(shù)數(shù)據(jù)作為數(shù)據(jù)集。實(shí)驗(yàn)中硬件環(huán)境：主頻2.2 GHz的Intel Core I3 CPU，內(nèi)存為4 GB，操作系統(tǒng)為Windows 10，集成開(kāi)發(fā)環(huán)境為Matlab 7.0。

2.2 實(shí)驗(yàn)對(duì)比算法描述

實(shí)驗(yàn)對(duì)比算法包括：基于GA優(yōu)化BP神經(jīng)網(wǎng)絡(luò)的農(nóng)業(yè)土壤參數(shù)預(yù)測(cè)算法，基于粒子群優(yōu)化算法(PSO)優(yōu)化BP神經(jīng)網(wǎng)絡(luò)的農(nóng)業(yè)土壤參數(shù)預(yù)測(cè)算法，基于WOA優(yōu)化BP神經(jīng)網(wǎng)絡(luò)的農(nóng)業(yè)土壤參數(shù)預(yù)測(cè)算法。GA優(yōu)化BP神經(jīng)網(wǎng)絡(luò)的基本思想是利用GA優(yōu)化BP神經(jīng)網(wǎng)絡(luò)的權(quán)值和閾值；PSO優(yōu)化BP神經(jīng)網(wǎng)絡(luò)算法綜合了PSO的全局隨機(jī)變量最優(yōu)解和梯度下降局部細(xì)致搜索優(yōu)勢(shì)的特點(diǎn)，用初始值作為粒子向量的值，優(yōu)化了BP神經(jīng)網(wǎng)絡(luò)的權(quán)值和閾值，達(dá)到了提高預(yù)測(cè)精度和改善泛化性的目的；WOA優(yōu)化BP神經(jīng)網(wǎng)絡(luò)的基本思想是通過(guò)環(huán)繞式、泡泡網(wǎng)和搜索等捕食方法得到最優(yōu)的權(quán)值和閾值。

基于GA-WOA混合算法優(yōu)化BP神經(jīng)網(wǎng)絡(luò)的算法綜合了WOA和GA算法的優(yōu)勢(shì)，對(duì)BP神經(jīng)網(wǎng)絡(luò)算法進(jìn)行優(yōu)化，通過(guò)對(duì)樣本數(shù)據(jù)的不斷訓(xùn)練和測(cè)試，從而能夠?qū)ξ磥?lái)某一時(shí)刻的數(shù)值進(jìn)行精準(zhǔn)的預(yù)測(cè)。

2.3 回歸預(yù)測(cè)評(píng)測(cè)指標(biāo)

回歸預(yù)測(cè)評(píng)價(jià)指標(biāo)主要包括R2、均方誤差(MSE)、均方根誤差(RMSE)、平均絕對(duì)百分誤差(MAPE)、平均絕對(duì)誤差(MAD)，計(jì)算公式：

式中：a表示實(shí)際值；b表示預(yù)測(cè)值；c表示觀測(cè)數(shù)據(jù)的平均值。

2.4 實(shí)驗(yàn)數(shù)據(jù)與結(jié)果

GA-WOA混合優(yōu)化算法的參數(shù)設(shè)置如下：種群數(shù)50，迭代次數(shù)100，學(xué)習(xí)因子1，最大權(quán)重0.9，最小權(quán)重0.5，對(duì)數(shù)螺旋形狀常數(shù)1，變異概率0.7，交叉概率0.7。通過(guò)算法適應(yīng)度迭代曲線、預(yù)測(cè)效果圖和誤差表對(duì)GA-WOA混合優(yōu)化算法以及其他智能優(yōu)化算法在農(nóng)業(yè)土壤參數(shù)預(yù)測(cè)上的效果進(jìn)行對(duì)比及分析。

從圖3可以看出，在整個(gè)迭代過(guò)程中，每一代的適應(yīng)值隨著算法迭代次數(shù)的增加而減少，說(shuō)明該算法有效，且穩(wěn)定地向真實(shí)最優(yōu)解逼近。在進(jìn)行100次迭代后，土壤電導(dǎo)率(EC)、pH、濕度和溫度的種群最優(yōu)值分別從0.48、0.134、0.022和8.7下降到了0.28、0.010 5、0.013 8和4.2。經(jīng)過(guò)GA-WOA混合優(yōu)化后的算法能夠在很少的迭代次數(shù)下得到最小值，即最優(yōu)解。

圖3 適應(yīng)度的迭代曲線

從圖4可以看出，將50個(gè)測(cè)試樣本的實(shí)際值與本文方法預(yù)測(cè)值進(jìn)行對(duì)比，土壤EC、pH、濕度和溫度的預(yù)測(cè)值與實(shí)際值的最大誤差分別為0.4、0.45、0.5和0.6，具有很好的預(yù)測(cè)準(zhǔn)確度。

隨機(jī)取出10個(gè)土壤EC數(shù)據(jù)樣本值，計(jì)算其絕對(duì)誤差和相對(duì)誤差。從表1可以看出，預(yù)測(cè)值與實(shí)際值的最大差距為0.24，相對(duì)誤差在10%以內(nèi)，即預(yù)測(cè)值與實(shí)際值比較接近。

2.5 算法對(duì)比

為了驗(yàn)證GA-WOA遺傳優(yōu)化算法在優(yōu)化BP神經(jīng)網(wǎng)絡(luò)中的優(yōu)勢(shì)，將此優(yōu)化算法與GA優(yōu)化算法、PSO優(yōu)化算法和WOA優(yōu)化算法以相同參數(shù)進(jìn)行對(duì)比實(shí)驗(yàn)。

表1 基于GA-WOA算法的土壤電導(dǎo)率預(yù)測(cè)誤差

圖4 預(yù)測(cè)的效果

以土壤EC為例，GA、PSO、WOA和GA-WOA適應(yīng)度收斂曲線對(duì)比結(jié)果如圖5所示。GA-WOA算法相對(duì)于其他算法能夠在最少的迭代次數(shù)上得到最優(yōu)解。雖然WOA算法相比GA-WOA混合算法收斂速度快，但由于其跳出局部最優(yōu)解的能力不足，導(dǎo)致其容易陷入局部最優(yōu)解，所以其結(jié)果距離最優(yōu)解較遠(yuǎn)。由于PSO算法和WOA算法適合處理連續(xù)型問(wèn)題，而本文主要處理離散問(wèn)題，所以GA-WOA算法更適合。GA-WOA算法較GA算法具有更快的收斂速度，且輸出結(jié)果更好，所以GA-WOA算法具有更強(qiáng)的搜索能力以及跳出局部最優(yōu)解的能力，預(yù)測(cè)效果更好。GA-WOA算法相比其他智能優(yōu)化算法，具備更優(yōu)的預(yù)測(cè)性能。

圖5 GA、PSO、WOA和GA-WOA適應(yīng)度 收斂曲線的比較

不同算法優(yōu)化的BP預(yù)測(cè)效果如表2所示。以土壤EC為例，通過(guò)GA-WOA混合算法優(yōu)化的BP神經(jīng)網(wǎng)絡(luò)的回歸預(yù)測(cè)在R2上大于其他算法，在MSE、RMSE、MAPE和MAD上均小于其他算法，說(shuō)明GA-WOA混合算法實(shí)現(xiàn)了對(duì)標(biāo)準(zhǔn)GA的優(yōu)化。

表2 不同算法優(yōu)化的BP預(yù)測(cè)效果

3 小結(jié)

提出一種基于GA-WOA混合算法來(lái)優(yōu)化BP神經(jīng)網(wǎng)絡(luò)并用于對(duì)土壤相關(guān)參數(shù)值進(jìn)行預(yù)測(cè)的方法，實(shí)驗(yàn)結(jié)果表明，該算法能夠更快地達(dá)到最小值(最優(yōu)解)，且預(yù)測(cè)值與實(shí)際值的誤差較小。該算法與其他優(yōu)化算法相比，具備預(yù)測(cè)誤差小、快速、預(yù)測(cè)值優(yōu)的特點(diǎn)，可為未來(lái)農(nóng)業(yè)生產(chǎn)提供指導(dǎo)，促進(jìn)智慧農(nóng)業(yè)的發(fā)展。