基于PCA-GA-BP網(wǎng)絡(luò)B、Cu脅迫下油菜生理響應(yīng)機(jī)制的研究

郭海如，崔雪梅，李春生，萬(wàn) 興，成 俊，但小娜

(1.湖北工程學(xué)院計(jì)算機(jī)與信息科學(xué)學(xué)院/湖北省新農(nóng)村發(fā)展研究院智慧農(nóng)業(yè)重點(diǎn)實(shí)驗(yàn)室，湖北 孝感 432000；2.湖北工程學(xué)院生命科學(xué)技術(shù)學(xué)院，湖北 孝感 432000；3. 湖北理工學(xué)院計(jì)算機(jī)學(xué)院，湖北 黃石 435003)

【研究意義】我國(guó)的油菜種植面積和總產(chǎn)量均居世界首位。油產(chǎn)量在國(guó)產(chǎn)食用植物油中占 50 % 以上[1]。營(yíng)養(yǎng)元素硼(B)和重金屬元素銅(Cu)均是高等植物生長(zhǎng)發(fā)育所必需的微量元素，是影響油菜產(chǎn)量和品質(zhì)的重要元素。我國(guó)土壤普遍缺B，油菜缺B會(huì)導(dǎo)致花而不實(shí)和返花現(xiàn)象，因而要及時(shí)施B肥補(bǔ)充，但是B適合作物生長(zhǎng)的范圍非常窄，控制不當(dāng)就容易出現(xiàn)缺硼與硼毒害現(xiàn)象[2]。Cu對(duì)植物正常的生理代謝、生長(zhǎng)發(fā)育和產(chǎn)量形成起著重要作用，但如果土壤中Cu過(guò)量，就會(huì)抑制植物對(duì)N、P、K、Ca、Mg、S及微量元素的吸收[3]，抑制酶的活性，加劇植株體內(nèi)膜脂過(guò)氧化，導(dǎo)致植物生理代謝紊亂，對(duì)植物產(chǎn)生毒性作用。 【前人研究進(jìn)展】土壤環(huán)境中存在離子的頡頏或促進(jìn)作用，目前國(guó)內(nèi)外研究B、Cu對(duì)油菜生長(zhǎng)的影響主要集中在單一元素的脅迫上，而缺乏兩種元素同時(shí)作用于油菜的生理響應(yīng)研究。在信息處理方面，大多數(shù)采用傳統(tǒng)的數(shù)理統(tǒng)計(jì)方法[4-5]，主要對(duì)油菜指標(biāo)數(shù)據(jù)進(jìn)行方差分析[6-7]、顯著性分析[8-9]、多重比較[10]等。主成分分析法可以在原始大量指標(biāo)中抽取部分不相關(guān)的新指標(biāo)，但新指標(biāo)包含原始指標(biāo)的絕大多數(shù)信息，采用主成分分析法可以對(duì)油菜各指標(biāo)進(jìn)行綜合評(píng)價(jià)，并分析出各指標(biāo)的影響程度[11-13]。也有少數(shù)文獻(xiàn)采用模糊數(shù)學(xué)隸屬函數(shù)法[14]對(duì)油菜各指標(biāo)的耐鹽性進(jìn)行綜合評(píng)價(jià)。【本研究切入點(diǎn)】本研究提出一種PCA-GA-BP(主成分遺傳神經(jīng)網(wǎng)絡(luò))評(píng)價(jià)方法，綜合主成分分析和遺傳神經(jīng)網(wǎng)絡(luò)的優(yōu)點(diǎn)，在B、Cu共同脅迫下對(duì)油菜的各項(xiàng)指標(biāo)進(jìn)行綜合分析。【擬解決的關(guān)鍵問(wèn)題】采用PCA-GA-BP網(wǎng)絡(luò)(主成分遺傳神經(jīng)網(wǎng)絡(luò))分析不同B、Cu處理下各指標(biāo)的變化規(guī)律，找出B、Cu的最佳施用濃度，為油菜種植提供一種更加科學(xué)高效的智能化評(píng)價(jià)方法。

1 材料與方法

1.1 供試材料

供試油菜品種為油霸旺，2015-2017年期間四川某公司在其實(shí)驗(yàn)基地進(jìn)行實(shí)驗(yàn)，平均每667 m2產(chǎn)298.78 kg。實(shí)驗(yàn)選取油菜種子中質(zhì)量飽滿、大小均勻的種子。

1.2 試驗(yàn)方法

選用5種不同濃度的銅溶液和3種不同濃度的硼溶液交叉處理盆栽油菜幼苗，處理結(jié)束后測(cè)定油菜幼苗的葉綠素、蛋白質(zhì)、硝態(tài)氮、淀粉酶、丙二醛含量以及過(guò)氧化物酶活性等指標(biāo)。用0.525 %的NaClO溶液浸泡25 min，清水洗凈后用去離子水浸泡過(guò)夜，次日挑選沉于下方的種子進(jìn)行催芽。將種子均勻放置在鋪有兩層濾紙的托盤(pán)中，用蒸餾水浸潤(rùn)濾紙，以濾紙上積累的水量恰好不流動(dòng)為宜。將托盤(pán)放入25℃，光照強(qiáng)度為4，型號(hào)是MJX-250B-Z的恒溫培養(yǎng)箱中培養(yǎng)，每隔8 h澆1次水，水量均等。3 d后種子露白，將種子移入裝有沙土的45個(gè)花盆中繼續(xù)培養(yǎng)(10株/盆)，開(kāi)始改澆1/2霍格蘭營(yíng)養(yǎng)液，時(shí)間間隔與蒸餾水一致。21 d后，待幼苗長(zhǎng)出5～6片子葉，幼莖較硬時(shí)，將45盆油菜隨機(jī)分成3組，每組3個(gè)重復(fù)，進(jìn)行B、Cu脅迫處理。銅溶液用CuSO4配制，濃度設(shè)置為0、25、75、100、200 mg/L，B溶液用Na2B4O7配制，濃度設(shè)置為：0、0.5、1.0 mg/L。B、Cu濃度配置如表1所示。脅迫處理20 d后，取油菜樣品測(cè)定各項(xiàng)生理指標(biāo)。

表1 B、Cu濃度配置

注：B1、B2表示硒濃度為0.5、1.0 mg/L；T25、T75、T100、T200分別代表銅濃度為25、75、100、200 mg/L；CK為對(duì)照。下同。

Note:B1, B2：The selenium concentration of 0.5 and 1.0 mg/L;T25, T75, T100, T200：The copper concentration of 25, 75,100, 200 mg/L; CK: The contrast. The same as below.

1.3 數(shù)據(jù)處理方法

所有數(shù)據(jù)均為 3 次重復(fù)的平均值，在 MATLAB環(huán)境下采用PCA-GA-BP網(wǎng)絡(luò)處理數(shù)據(jù)[15-17]。首先采用主成分分析法對(duì)各項(xiàng)指標(biāo)進(jìn)行優(yōu)化，并分析得到評(píng)價(jià)結(jié)果。然后將主成分分析法優(yōu)化后的指標(biāo)作為BP網(wǎng)絡(luò)的輸入，將主成分分析法的評(píng)價(jià)結(jié)果作為神經(jīng)網(wǎng)絡(luò)的輸出。對(duì)樣本進(jìn)行訓(xùn)練學(xué)習(xí)，并選定幾個(gè)典型樣本作為測(cè)試樣本。在神經(jīng)網(wǎng)絡(luò)訓(xùn)練學(xué)習(xí)過(guò)程中，擬合精度很高，但測(cè)試樣本的測(cè)試誤差比較大，BP網(wǎng)絡(luò)的泛化能力不強(qiáng)。為增強(qiáng)BP網(wǎng)絡(luò)的泛化能力，采用GA(遺傳算法)對(duì)BP網(wǎng)絡(luò)的權(quán)閾值進(jìn)行優(yōu)化，經(jīng)過(guò)優(yōu)化后的神經(jīng)網(wǎng)絡(luò)，泛化能力得到大大提高。

1.3.1 主成分分析優(yōu)化樣本 主成分分析主要過(guò)程如下：對(duì)原始數(shù)據(jù)進(jìn)行標(biāo)準(zhǔn)化處理，計(jì)算相關(guān)系數(shù)矩陣，求出各個(gè)指標(biāo)之間的相關(guān)系數(shù)，計(jì)算特征值和特征向量，選擇幾個(gè)主成分，計(jì)算綜合評(píng)價(jià)值，計(jì)算各指標(biāo)在主成分中的權(quán)重。

采用主成分法優(yōu)化神經(jīng)網(wǎng)絡(luò)的樣本時(shí)，根據(jù)各指標(biāo)之間的相關(guān)系數(shù)值確定是否刪除某些不必要的指標(biāo)，若某些指標(biāo)相關(guān)系數(shù)很大，再比較指標(biāo)的權(quán)重，刪除權(quán)重比較小的指標(biāo)。刪除其中的幾項(xiàng)指標(biāo)后，再重新用新的指標(biāo)進(jìn)行分析，若分析結(jié)果跟優(yōu)化指標(biāo)之前的結(jié)果一致，則采用優(yōu)化后的指標(biāo)作為神經(jīng)網(wǎng)絡(luò)的樣本。

1.3.2 GA優(yōu)化BP神經(jīng)網(wǎng)絡(luò) 采用GA優(yōu)化BP神經(jīng)網(wǎng)絡(luò)權(quán)閾值的主要過(guò)程：①確定訓(xùn)練樣本和測(cè)試樣本，并根據(jù)樣本確定神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)。建立神經(jīng)網(wǎng)絡(luò)，確定神經(jīng)網(wǎng)絡(luò)的訓(xùn)練步數(shù)、誤差要求等。求測(cè)試值的均方誤差，并將其作為遺傳算法的適應(yīng)度函數(shù)。②確定遺傳算法代溝、二進(jìn)制編碼長(zhǎng)度、初始種群等參數(shù)。其中初始種群的維數(shù)根據(jù)神經(jīng)網(wǎng)絡(luò)神經(jīng)元的權(quán)閾值個(gè)數(shù)確定。遺傳算法的代數(shù)gen=0。③將遺傳算法的初始種群個(gè)體作為神經(jīng)網(wǎng)絡(luò)的權(quán)閾值賦值給BP網(wǎng)絡(luò)。進(jìn)行神經(jīng)網(wǎng)絡(luò)訓(xùn)練，訓(xùn)練后根據(jù)適應(yīng)度函數(shù)值記下神經(jīng)網(wǎng)絡(luò)的最優(yōu)權(quán)閾值。④選擇、重組、變異遺傳操作，將遺傳算法個(gè)體值作為權(quán)閾值重新賦值給神經(jīng)網(wǎng)絡(luò)，重新進(jìn)行神經(jīng)網(wǎng)絡(luò)訓(xùn)練。⑤訓(xùn)練后判斷新的適應(yīng)度值是否最優(yōu)，若最優(yōu)則記下當(dāng)前權(quán)閾值。遺傳算法代數(shù)gen+1，進(jìn)入第四步，即下一代遺傳。⑥遺傳代數(shù)達(dá)到要求，遺傳算法停止。

該優(yōu)化方法難點(diǎn)在于適應(yīng)度函數(shù)的確定，神經(jīng)網(wǎng)絡(luò)的權(quán)閾值由遺傳算法隨機(jī)產(chǎn)生，經(jīng)過(guò)神經(jīng)網(wǎng)絡(luò)學(xué)習(xí)訓(xùn)練之后，再跟測(cè)試樣本比較，求其均方誤差，并將測(cè)試值的均方誤差作為適應(yīng)度函數(shù)值。由于第五步中，每次都記下最優(yōu)權(quán)閾值，所以，遺傳算法結(jié)束后，將得到最優(yōu)適應(yīng)度值，即測(cè)試值的均方誤差最小。當(dāng)測(cè)試結(jié)果滿足要求時(shí)，表示神經(jīng)網(wǎng)絡(luò)建模成功，可以采用該模型對(duì)油菜指標(biāo)進(jìn)行綜合評(píng)價(jià)。

2 結(jié)果與分析

2.1 B、Cu各處理對(duì)油菜生化指標(biāo)的影響

用不同濃度的B、Cu交叉處理油菜幼苗，測(cè)定油菜幼苗各項(xiàng)生理指標(biāo)結(jié)果見(jiàn)表2。單獨(dú)供銅時(shí)，油菜葉綠素a/b、總?cè)~綠素含量、蛋白質(zhì)含量、硝態(tài)氮含量均是先增加后降低；而淀粉酶活性則先降低再增加后又降低，但均低于對(duì)照；過(guò)氧化物酶活性隨著銅濃度的增加而降低；丙二醛含量隨著銅濃度的增加而增加。單獨(dú)供B時(shí)，與對(duì)照相比油菜葉綠素含量差異不明顯；蛋白質(zhì)質(zhì)量分?jǐn)?shù)隨著B(niǎo)濃度的增加先降低再增加，但均低于對(duì)照；硝態(tài)氮含量、淀粉酶活性隨B濃度先增加后降低，均高于對(duì)照；過(guò)氧化酶活性則隨著B(niǎo)濃度的增加而降低；丙二醛量隨著B(niǎo)濃度的增加而增加。與對(duì)照相比，油菜各項(xiàng)生理指標(biāo)的變化差異不明顯。

B、Cu配合施用時(shí)，葉綠素含量、蛋白質(zhì)質(zhì)量分?jǐn)?shù)、淀粉酶、過(guò)氧化酶活性均是低濃度B(0.5 mg/L)和Cu組合明顯高于高濃度B(1.0 mg/L)和Cu的組合；當(dāng)0.5 mg/L的B和200 mg/L的Cu配施時(shí)，油菜的葉綠素含量、蛋白質(zhì)質(zhì)量分?jǐn)?shù)、淀粉酶活性、過(guò)氧化物酶活性均高于單施200 mg/L Cu的情況，丙二醛含量則明顯低于單施200 mg/L Cu的情況，說(shuō)明B對(duì)高濃度的Cu有較好的緩解作用；硝態(tài)氮含量、丙二醛含量在低濃度B(0.5 mg/L)和Cu組合高于高濃度B和銅配施的組合，說(shuō)明高濃度B和Cu配施可以減少硝態(tài)氮、丙二醛的產(chǎn)生。

2.2 主成分分析硒、銅交互作用下油菜生理指標(biāo)變化規(guī)律

從實(shí)驗(yàn)數(shù)據(jù)很難得出不同濃度的B、Cu脅迫處理對(duì)油菜各項(xiàng)指標(biāo)的綜合影響。采用主成分分析法對(duì)實(shí)驗(yàn)數(shù)據(jù)進(jìn)行分析處理。在MATLAB環(huán)境下編寫(xiě)程序，采用zscore()對(duì)表2中的數(shù)據(jù)進(jìn)行標(biāo)準(zhǔn)化，并且采用corrcoef()函數(shù)求出標(biāo)準(zhǔn)化后的相關(guān)系數(shù)矩陣，相關(guān)系數(shù)矩陣如表3所示。

表2 B、Cu脅迫下油菜各指標(biāo)統(tǒng)計(jì)結(jié)果

表3 相關(guān)系數(shù)矩陣

注：x1～x8分別代表：葉綠素a、葉綠素b、總?cè)~綠素、蛋白質(zhì)、硝酸氮含量、淀粉酶活性、過(guò)氧化物酶活性、丙二醛含量。

從相關(guān)系數(shù)可以看出：葉綠素b和總?cè)~綠素相關(guān)性很強(qiáng),葉綠素與總?cè)~綠素、硝酸氮含量變化與過(guò)氧化物酶活性相關(guān)性比較強(qiáng)，丙二醛含量變化與硝酸氮含量變化、過(guò)氧化物酶活性負(fù)相關(guān)性比較強(qiáng)，其他指標(biāo)相關(guān)性一般。

采用pcacov()函數(shù)計(jì)算表4中相關(guān)系數(shù)矩陣的特征值、方差貢獻(xiàn)率和累積貢獻(xiàn)率。前4個(gè)主成分累計(jì)貢獻(xiàn)率達(dá)到89.76819 %，濃縮了源數(shù)據(jù)的大部分信息，因此提取前4個(gè)成分作為分析不同B、Cu處理下各指標(biāo)的特征。分別以4個(gè)主成分的貢獻(xiàn)率為權(quán)重，構(gòu)建主成分綜合模型表達(dá)式如下：

Z=0. 4733179y1+0.1912162y2

+0.147591y3+0.08555678y4

把不同硼、銅處理下的4個(gè)主成分值代入上式，以各自的貢獻(xiàn)率為權(quán)數(shù)進(jìn)行加權(quán)求和，求出不同硼、銅處理下各指標(biāo)的綜合排名。從表5中可以看出，T200B1組合時(shí)綜合權(quán)重最高，排第1名，說(shuō)明當(dāng)200 mg/L的Cu和0.5 mg/L 的B配施時(shí)對(duì)各項(xiàng)指標(biāo)最好，其次是T100B1、T75，分別是第2、3名；對(duì)照組排名13，最差的是T25B1組合，說(shuō)明低濃度的B、Cu產(chǎn)生了相互抑制作用。

表4各成分的特征值、貢獻(xiàn)率和累計(jì)貢獻(xiàn)率

Table 4 Characteristic root,contribution rate and cumulative contribution rate of each main components

特征根yCharacteristic root y貢獻(xiàn)率z(%)Contribution rate z累計(jì)貢獻(xiàn)率(%)Cumulative contribution rate3.78654347.3317947.331791.52972919.1216266.453411.18072814.759181.212510.6844548.55567889.768190.42335.29124895.059440.2493143.11642398.175860.1267421.58427799.760140.0191890.239863100

最后，進(jìn)一步計(jì)算各指標(biāo)在主成分中的權(quán)重，并對(duì)各指標(biāo)的權(quán)重進(jìn)行排序，反過(guò)來(lái)可以分析不同硼、銅處理濃度對(duì)各指標(biāo)的影響程度。各指標(biāo)在主成分中的權(quán)重及排序如表6所示，不同硼銅濃度對(duì)葉綠素影響最大。其次是蛋白質(zhì)含量，對(duì)硝酸氮含量變化影響最小。

表5不同硼、銅處理下各指標(biāo)綜合排名

Table 5 Comprehensive ranking of various indexes from different treatment of boron and copper

不同處理Treatment綜合權(quán)重Comprehensive weight排名RankingCK-1.00612213T250.6248445T750.85160453T1000.70641184T2000.40236557B1-1.45596714T25B1-1.67121315T75B10.44016016T100B10.87775992T200B11.79729461B2-0.88032512T25B2-0.0956329T75B2-0.48848711T100B2-0.33885910T200B20.23616438

表6 各指標(biāo)權(quán)重及排序

2.3 主成分分析對(duì)神經(jīng)網(wǎng)絡(luò)樣本的優(yōu)化

根據(jù)表3中相關(guān)矩陣數(shù)據(jù)，葉綠素b和總?cè)~綠素相關(guān)性很強(qiáng)達(dá)到0.91，可以刪除其中的1個(gè)指標(biāo)，再根據(jù)表6中指標(biāo)權(quán)重的排序，總?cè)~綠素權(quán)重為3.182114，排名第一，葉綠素b權(quán)重為2.682663排名第三。因此，選擇權(quán)重比較小的指標(biāo)葉綠素b刪除，以達(dá)到優(yōu)化指標(biāo)的目的。

刪除指標(biāo)葉綠素b后，重新采用主成分法分析數(shù)據(jù)，得到不同B、Cu處理下各指標(biāo)的新的綜合排名，如表7所示。對(duì)比表5和7中的排名順序，可以看出，綜合權(quán)重排名最高的2個(gè)組合沒(méi)變，其他組合排名順序變動(dòng)比較小，變化規(guī)律基本上相同。因此，可以采用優(yōu)化后的指標(biāo)作為神經(jīng)網(wǎng)絡(luò)樣本。

2.4 GA-BP網(wǎng)絡(luò)分析油菜生理響應(yīng)機(jī)制

結(jié)合表2(刪除指標(biāo)葉綠素b)和表5中的數(shù)據(jù)(也可以選擇表7的數(shù)據(jù))，構(gòu)建神經(jīng)網(wǎng)絡(luò)的訓(xùn)練樣本和測(cè)試樣本，將表2中的數(shù)據(jù)作為神經(jīng)網(wǎng)絡(luò)的輸入，表5中數(shù)據(jù)作為神經(jīng)網(wǎng)絡(luò)的輸出。典型數(shù)據(jù)(表5中綜合權(quán)重排名第1和2名)作為測(cè)試樣本，測(cè)試誤差的大小是衡量神經(jīng)網(wǎng)絡(luò)建模是否成功的標(biāo)準(zhǔn)。對(duì)表2和5中數(shù)據(jù)進(jìn)行無(wú)量綱化后，得到神經(jīng)網(wǎng)絡(luò)的訓(xùn)練樣本和測(cè)試樣本，如表8和9所示，其中表9中的數(shù)據(jù)不參與神經(jīng)網(wǎng)絡(luò)的訓(xùn)練。根據(jù)油菜指標(biāo)個(gè)數(shù)以及評(píng)價(jià)結(jié)果，BP網(wǎng)絡(luò)的輸入層節(jié)點(diǎn)數(shù)為7，每個(gè)節(jié)點(diǎn)代表一個(gè)油菜指標(biāo)，輸出層節(jié)點(diǎn)數(shù)為1，表示指標(biāo)綜合評(píng)價(jià)的權(quán)重。中間層節(jié)點(diǎn)數(shù)根據(jù)實(shí)際實(shí)驗(yàn)設(shè)為3比較合適。因此，建立BP網(wǎng)絡(luò)結(jié)構(gòu)如圖1所示。其中輸入層x1～x7代表油菜生長(zhǎng)的7個(gè)指標(biāo)，y表示評(píng)價(jià)結(jié)果。采用newff()函數(shù)創(chuàng)建BP神經(jīng)網(wǎng)絡(luò)，傳遞函數(shù)均采用S型正切函數(shù)，采用Levenberg-Marquardt BP訓(xùn)練函數(shù)，訓(xùn)練步數(shù)設(shè)為200，均方誤差為10-6。

表7不同硼、銅處理下各指標(biāo)新的綜合排名

Table 7 New comprehensive ranking of various indexes from different treatment of boron and copper

不同處理Treatment綜合權(quán)重Comprehensive weight排名RankingCK-1.1078314T250.8358614T750.8464093T1000.8062175T2000.0057558B1-1.699315T25B1-0.966612T75B10.6249556T100B10.8549042T200B11.5242111B2-1.0975413T25B20.1526337T75B2-0.3055410T100B2-0.4453411T200B2-0.028799

表8 神經(jīng)網(wǎng)絡(luò)訓(xùn)練樣本

表9 神經(jīng)網(wǎng)絡(luò)測(cè)試樣本

根據(jù)神經(jīng)網(wǎng)絡(luò)各層節(jié)點(diǎn)的個(gè)數(shù)，得到遺傳算法種群的維數(shù)為(7+1+1)×3+1=28個(gè)，種群個(gè)體數(shù)為40個(gè)，遺傳算法變量二進(jìn)制位數(shù)設(shè)為20，代溝為0.9，遺傳代數(shù)為20。采用crtbp()函數(shù)隨機(jī)產(chǎn)生初始種群，將初始種群每個(gè)個(gè)體的28個(gè)數(shù)據(jù)作為BP網(wǎng)絡(luò)的權(quán)閾值。神經(jīng)網(wǎng)絡(luò)得到權(quán)閾值后，對(duì)訓(xùn)練樣本進(jìn)行學(xué)習(xí)訓(xùn)練。經(jīng)過(guò)學(xué)習(xí)之后，神經(jīng)網(wǎng)絡(luò)對(duì)測(cè)試樣本進(jìn)行測(cè)試，求出測(cè)試樣本的均方誤差，并將均方誤差作為遺傳算法的適應(yīng)度函數(shù)。經(jīng)過(guò)遺傳算法20代遺傳，一共訓(xùn)練800次，找出適應(yīng)度函數(shù)值最小的數(shù)據(jù)，并記下此時(shí)神經(jīng)網(wǎng)絡(luò)的權(quán)閾值。

在遺傳算法每一代遺傳中分別采用select()、recombin ()和mut () 3個(gè)函數(shù)進(jìn)行 選擇 、交叉和變異操作，其中交叉概率選擇0.7。經(jīng)過(guò)20代遺傳后，得到各代種群的最優(yōu)解和均值的變化如圖2所示。從圖中可以看出，在第13代即得到最優(yōu)解，隨著遺傳代數(shù)的增加，種群均值變化逐漸減小并趨于穩(wěn)定。

圖1 BP網(wǎng)絡(luò)結(jié)構(gòu)Fig.1 Structure of BP neural network

圖2 各代種群最優(yōu)解和種群均值的變化Fig.2 Changes of optimal solution and mean value from each generation population

經(jīng)過(guò)遺傳算法優(yōu)化神經(jīng)網(wǎng)絡(luò)后，最終得到神經(jīng)網(wǎng)絡(luò)的最優(yōu)權(quán)閾值，將權(quán)閾值賦值給神經(jīng)網(wǎng)絡(luò)對(duì)表8中的訓(xùn)練樣本進(jìn)行擬合，擬合結(jié)果如圖3所示，擬合誤差如表10所示，從圖3和表10中可以看出神經(jīng)網(wǎng)絡(luò)學(xué)習(xí)能力非常強(qiáng)，基本上是100 %擬合。

最后，將表9中測(cè)試樣本的輸入作為神經(jīng)網(wǎng)絡(luò)的輸入，得到2個(gè)測(cè)試結(jié)果，其測(cè)試誤差分別為-1.93 %、2.85 %，最大測(cè)試誤差為2.85 %，說(shuō)明可以用該神經(jīng)網(wǎng)絡(luò)模型評(píng)價(jià)油菜生長(zhǎng)情況。

圖3 神經(jīng)網(wǎng)絡(luò)擬合曲線圖Fig.3 Fitting curve of neural network

序號(hào)Serial number誤差Error序號(hào)Serial number誤差Error10.000222738-0.000732-0.001108890.0003653-0.0008899100.0030764-0.0003699110.0004545-0.0016354120.00061668.72E-0513-0.002957-6.89E-05

為證明遺傳算法優(yōu)化神經(jīng)網(wǎng)絡(luò)權(quán)閾值的效果，不采用遺傳算法，隨機(jī)產(chǎn)生初始權(quán)閾值，重復(fù)試驗(yàn)3000次，記下最優(yōu)測(cè)試誤差，得到最大測(cè)試誤差為18.92 %。再次隨機(jī)產(chǎn)生初始權(quán)閾值，重復(fù)訓(xùn)練10 000次以上，最大測(cè)試誤差為15.31 %。通過(guò)遺傳算法優(yōu)化神經(jīng)網(wǎng)絡(luò)權(quán)閾值后，神經(jīng)網(wǎng)絡(luò)泛化能力能得到很大地提高。

實(shí)際應(yīng)用該模型時(shí)，在種植油菜過(guò)程中，檢測(cè)神經(jīng)網(wǎng)絡(luò)輸入神經(jīng)元的相關(guān)油菜指標(biāo)，將得到的輸出結(jié)果跟綜合權(quán)重值進(jìn)行比較，進(jìn)而可以判斷油菜種植的B、Cu配置情況，然后根據(jù)最佳配置情況進(jìn)行動(dòng)態(tài)調(diào)整。

3 結(jié) 論

(1)單獨(dú)供Cu時(shí)，油菜各指標(biāo)變化規(guī)律說(shuō)明適量Cu對(duì)葉綠素、蛋白質(zhì)硝態(tài)氮含量及過(guò)氧化酶活性均有促進(jìn)作用，且能抑制丙二醛的產(chǎn)生，提高油菜的抗逆性。單獨(dú)供B時(shí)，與對(duì)照相比，油菜各項(xiàng)生理指標(biāo)的變化差異不明顯。B、Cu配合施用時(shí)，油菜各指標(biāo)變化規(guī)律說(shuō)明B對(duì)高濃度的Cu有較好的緩解作用，高濃度B和Cu配施可以減少硝態(tài)氮、丙二醛的產(chǎn)生。

(2)采用主成分分析確定評(píng)價(jià)等級(jí)，可以避免人工主觀干預(yù)，能夠更加客觀地對(duì)B、Cu脅迫下油菜各項(xiàng)指標(biāo)進(jìn)行綜合評(píng)價(jià)。T200B1組合時(shí)綜合權(quán)重最高，即0.5 mg/L的B 和200 mg/L 的Cu配施時(shí)對(duì)各項(xiàng)指標(biāo)最好，說(shuō)明適量的B、Cu施用對(duì)油菜生長(zhǎng)有很好的促進(jìn)作用； T25B1組合效果最差，表明低濃度的B、Cu產(chǎn)生了相互抑制作用。

(3)PCA-GA-BP網(wǎng)絡(luò)跟單純的主成分分析評(píng)價(jià)相比具有自適應(yīng)能力，可以采用該模型用于指導(dǎo)實(shí)際的油菜種植實(shí)踐。該模型除了可以進(jìn)行評(píng)價(jià)之外，還能夠根據(jù)結(jié)果自動(dòng)識(shí)別B、Cu配置情況，在實(shí)際油菜種植過(guò)程中，只要檢測(cè)出油菜生長(zhǎng)的相關(guān)指標(biāo)數(shù)據(jù)，可以根據(jù)評(píng)價(jià)結(jié)果確定B、Cu的配置情況，進(jìn)而優(yōu)化種植，用此模型指導(dǎo)油菜種植將更加科學(xué)高效。

(4)主成分分析能夠優(yōu)化評(píng)價(jià)指標(biāo)，減少神經(jīng)網(wǎng)絡(luò)輸入層節(jié)點(diǎn)數(shù)，進(jìn)而可以優(yōu)化神經(jīng)網(wǎng)絡(luò)的結(jié)構(gòu)，給出如何采用主成分分析優(yōu)化神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)的方法。神經(jīng)網(wǎng)絡(luò)訓(xùn)練學(xué)習(xí)過(guò)程中，采用遺傳算法優(yōu)化其權(quán)閾值，能夠大大提高BP網(wǎng)絡(luò)的泛化能力。

采用PCA-GA-BP網(wǎng)絡(luò)對(duì)不同B、Cu處理下油菜指標(biāo)進(jìn)行綜合評(píng)價(jià)，結(jié)果客觀科學(xué)，測(cè)試效果較好，為油菜種植提供一種更加科學(xué)高效的智能化評(píng)價(jià)方法。