一種改進的PSO-BP水稻蟲害預測模型

謝軒 謝完成

摘要：本文針對PSO-BP神經網絡水稻蟲害預測模型評估效率不高的問題進行優化。使用余弦函數對慣性權重ω進行動態控制調節，來保持PSO算法在前期對整個搜索空間內的尋找最優位置的能力。使用群體最優解的平均值代替個體最優解，來提高自身容錯能力及魯棒性。實驗驗證改進后的PSO-BP神經網絡水稻蟲害評估模型能夠更好的應用于水稻蟲害預測的實際生產中。

Abstract： In this paper， the evaluation efficiency of PSO-BP neural network model for rice pest prediction is not high. The cosine function is used to dynamically control and adjust the inertia weight to maintain the PSO algorithm's ability to find the optimal position in the entire search space in the early stage. The average value of the group optimal solution is used to replace the individual optimal solution to improve the fault tolerance and robustness. The experiment verified that the improved PSO-BP neural network rice pest evaluation model could be better applied to the actual production of rice pest prediction.

關鍵詞：PSO-BP;水稻;蟲害預測;模型

Key words： PSO-BP;rice;pest prediction;model

中圖分類號：S435.11???????????????????????????????????? 文獻標識碼：A????????????????????????????????? 文章編號：1006-4311（2020）28-0167-02

1? 改進策略

1.1 PSO算法缺陷? ①PSO算法參數的設置具有不確定性。在使用PSO算法對BP神經網絡水稻蟲害預測模型進行參數優化的過程中，需要對算法公式中的慣性權重、加速因子等參數分別進行初始設置操作。然而到目前為止，對這些參數的設置尚沒有確定的理論依據進行證明，主要依靠實驗人員的經驗對其進行設定。②慣性權重通常采用慣性遞減策略對粒子的個體飛行速度進行調節，使得PSO算法在尋優過程的前期過早收斂，種群多樣性消失、尋優過程后期收斂速度慢、尋優能力減弱，容易陷入局部最優解。

1.2 改進方案? 本文分別從兩個方面對PSO算法進行改進。

1.2.1 使用余弦函數動態調整慣性權重? 慣性權重ω對PSO算法的收斂能力（收斂速度）有著比較大的影響，控制著粒子對全局、局部的搜索能力。本文提出采用余弦函數來對慣性權重進行動態控制處理。計算公式如式（1）所示。

（1）

其中，T表示當前迭代次數，Tmax表示最大迭代次數;ωmax和ωmin分別表示設置的最大慣性權重值和最小慣性權重值。

1.2.2 使用種群中個體平均最優位置Pbest代替個體最優位置Pbest 考慮到使用余弦函數對慣性權重ω進行動態控制可能會產生對尋優結果的影響，通過使用種群的全局最優平均位置Pbest來控制粒子的尋優操作，使得粒子個體在“飛行”尋優的過程中，能夠對其他粒子尋優的經驗進行學習之后，對自身的尋優方向、速度等進行調整。改進后的速度更新公式如式（2）所示。

（2）

2? 預測流程

Step1.載入水稻蟲害樣本數據，并對其進行預處理操作。

Step2.BP神經網絡水稻蟲害模型進行初始化。

Step3.初始化改進的PSO算法。利用改進的PSO算法優化BP神經網絡水稻蟲害預測模型各層權、閾值。

Step4.將改進的PSO算法計算后得到的權、閾值賦值給BP神經網絡水稻蟲害預測模型中對應的各層節點，并對其是否滿足輸出評估結果條件進行判定。如果達到預設精度要求或設定的最大迭代次數，則進入Step5;如果未達到預設精度或最大的迭代次數，則返回Step2繼續對其進行訓練。

Step5.改進的PSO-BP神經網絡水稻蟲害預測模型訓練結束，輸入測試數據，并輸出評估結果。

3? 預測模型

通過對基于PSO-BP神經網絡水稻蟲害預測模型的實驗結果進行分析，針對PSO-BP神經網絡水稻蟲害預測模型在對水稻蟲害預測過程中效率較低的問題，提出使用改進的PSO算法來改善PSO-BP神經網絡水稻蟲害發生可能性判斷模型的評估效率。并將改進的PSO-BP神經網絡算法應用于水稻蟲害評估模型中，該評估模型如圖2所示。

4? 預測實驗及分析

根據對PSO-BP神經網絡水稻蟲害預測模型的實驗經驗，將改進的PSO-BP神經網絡水稻蟲害預測模型的隱含層節點個數確定為10。為確定改進的PSO-BP神經網絡水稻蟲害預測模型的最優最大慣性權重ωmax和最小慣性權重ωmin，采用試湊法進行實驗，通過實驗，將改進的PSO-BP水稻蟲害預測模型的最大慣性權重設值為0.8，最小慣性權重ωmin設值為0.3。迭代次數設為200，學習因子c1，c2都設為2.05，飛行速度v設為0.8，最小誤差精度設為0.0001。得到其適應度如圖3所示。

通過對改進的PSO-BP神經網絡水稻蟲害評估的實驗發現，改進的PSO-BP神經網絡水稻蟲害預測模型在尋找最優解的過程中，只需迭代123次便達到自身最小誤差精度。將改進的PSO-BP神經網絡水稻蟲害預測模型的預測評分與實際評分結果的擬合圖，如圖4所示。

將改進的PSO-BP神經網絡水稻蟲害評估模型的評估結果得分及對應等級與實際評分結果及對應等級進行制表操作，如表1所示。

為了驗證改進的PSO-BP水稻蟲害評估模型在PSO-BP神經網絡水稻蟲害預測模型的基礎上提高了評估效率。在對改進的PSO-BP神經網絡水稻蟲害預測模型進行實驗的過程中，仍使用與之前實驗相同的數據進行訓練和測試。將改進的PSO-BP神經網絡水稻蟲害預測模型的實驗結果與BP神經網絡水稻蟲害預測模型的實驗結果以及PSO-BP神經網絡水稻蟲害預測模型的實驗結果進行對比分析，其結果如表2所示。

改進的PSO-BP神經網絡水稻蟲害預測模型正確分類的個數有28個，占全部水稻蟲害預測測試樣本的93.3%。相較于BP神經網絡水稻蟲害預測模型在水稻蟲害預測的準確率上有較大提升，相較于PSO-BP神經網絡水稻蟲害預測模型在評估的準確率方面略有提升。

5? 結論

改進的PSO-BP水稻蟲害評估模型與PSO-BP神經網絡水稻蟲害預測模型相比，在未降低評估準確率的情況下，有著更短的運行時間。其原因在于，在其對水稻蟲害進行評估的過程中，慣性權重ω采用的是余弦函數來動態控制其變化的策略。該策略能夠在前期保持較好的在整個搜索范圍內進行搜索的能力，在后期也保有一定的在一定范圍內進行尋優搜索的能力，其收斂速度較PSO-BP神經網絡水稻蟲害預測模型的收斂速度要快。并通過使用種群中各個粒子的最優解的平均值代替粒子個體的最優解，增強了自身的魯棒性及容錯能力，在一定程度上改善其容易陷入局部最優解的情況。因此，改進的PSO-BP神經網絡水稻蟲害預測模型更適合應用于實際生產中。

參考文獻：

[1]姜敏，沈一鳴，張敬堯，等.基于深度學習的水稻病蟲害診斷方法研究[J].洛陽理工學院學報（自然科學版），2019，29（4）：78-83.

[2]謝軒，羊四清，謝完成.基于WebGIS的水稻病蟲害預警信息系統設計與實現[J].價值工程，2017（12）：183-185.

[3]馬聰，張建華，陳學東，等.深度學習方法在農業領域的研究及應用[J].寧夏農林科技，2020，61（01）：35-37.

課題項目：婁底職業技術學院科研項目（2019ZK010）。

作者簡介：謝軒（1991-），男，湖南雙峰人，助講，研究方向為智能農業信息化技術。