小波神經網絡在玉米營養品質鑒定中的應用

黃良平 杜澤麗 范留軍

摘要：玉米是生態農業的關鍵農作物之一，富含蛋白質、纖維素、脂肪等物質，為實現優質玉米的培養，需要對玉米營養品質進行快速鑒定。同時，針對同一品種的玉米對不同頻率的光會產生不同光譜響應數據的特點，為實現利用光譜建模快速鑒定玉米營養品質的目的，提出了基于BP神經網絡的平均影響值（BP_MIV）光譜因子篩選方法。利用 BP_MIV法篩選出對玉米營養品質貢獻率大的波長對應的光譜響應數據列，同時由于光譜測量過程中受到試驗環境、儀器參數配置、光散射效應等因素的影響，光譜響應數據中除包含玉米樣品營養品質含量的信息外，同時還存在各種噪音干擾，因此，對該響應數據進行小波去噪處理，最后建立優選波長因子下的小波神經網絡玉米營養品質鑒定預報模型。結果表明，篩選出的波長因子能較好地代表眾多光譜因子，對玉米蛋白質的預報精度較傳統的統計方法要高。

關鍵詞：營養品質;BP_MIV;貢獻率;小波去噪;預報精度

中圖分類號： TP183;S127 ?文獻標志碼： A ?文章編號：1002-1302（2020）17-0225-04

河南省地處中原地區，是人口大省，也是我國重要的糧食產區。其中玉米又占其全部糧食產量的近1/5。玉米的營養品質是指玉米中所含的蛋白質、纖維素、脂肪等各種營養成分。為實現優質玉米的培養，首先要對玉米的營養品質進行快速鑒定。而光譜檢測法[1]是一種能快速檢測物質成分含量的分析方法，它根據物質的光譜響應特征來鑒別物質并確定化學組成和相對含量，而光譜測量受到試驗環境、儀器參數配置、光散射效應等因素的影響，光譜響應數據中除了包含樣品成分的信息，同時還存在各種噪音干擾，鑒于此，引入了小波分析理論[2-3]對這些響應值進行去噪處理。同時由于不同波長的光譜響應值之間必然存在包含或相關關系，若把這些因子全部引入到預報模型中，不但提高不了模型的預報精度，反而會因超大的數據運算而對模型本身和計算機有很高的要求，因此，本研究提出了基于神經網絡的平均影響值（mean impact value based on BP，BP_MIV）光譜因子篩選方法[4]。最終利用該方法篩選出貢獻率大的波長因子，經小波去噪處理后建立基于小波神經網絡的玉米營養品質鑒定模型，并與傳統的統計模型進行比較。

1 不同波長下響應值的小波去噪

不同波長下測量得到的光譜響應數據主要反映的是玉米營養品質含量的信息，同時也不可避免地包含有噪聲信息，其基本模型[5]表示為

通過對式（1）中含噪聲信號yj進行去噪，進而恢復原始信號Lj′，利用小波對不同波長下的不同玉米樣品的響應值進行去噪，主要分為3個步驟：

（1）對各個波長下的不同玉米樣品響應值進行分解。確定一個正交小波基函數后對含噪聲信號yj進行N尺度的小波分解。

（2）高頻系數的閾值選擇。對各尺度下的高頻信號設定一個合適的門限閾值，通過含噪聲信號的絕對值與所選定的閾值進行比較確定信號的取舍。本研究采用幾乎硬閾值法對高頻系數進行處理。

（3）小波重構。利用幾乎硬閾值法對高頻信號d1、d2、…、dN處理后得到的d1′、d2′、…、dN′和第N層的低頻系數cdN進行一維信號的小波重構。

2 基于BP_MIV法的波長因子篩選

2.1 BP神經網絡基本理論

BP神經網絡（back propagation neural network）是一種非線性系統辨識工具，通過梯度下降的誤差后向傳播實現，具有結構簡單、操作性強、快速實現模式識別和函數模擬等優點。通常網絡有輸入層、隱含層和輸出層，網絡模型結構見圖1。

BP神經網絡主要分2個階段進行學習[5-6]：

第1階段（正向傳播）：輸入層信息經過處理輸給隱含層，并由隱含層輸出：

輸出層計算各單元的輸出值并輸出：

式中：wkm、wnk分別為隱含層-輸入層權值、輸出層-隱含層權值，b1k、b2k為隱含層和輸出層閾值。

第2階段（反向傳播）：計算誤差更新權重和閾值。誤差計算：

更新權值和閾值計算：

2.2 BP_MIV法對波長因子篩選

籠統地將所有波長因子下的玉米響應值納入網絡模型中，會使得模型運算耗時過長，甚至不能收斂，不利于提高模型的預報精度和可靠性[7]，因此要依據貢獻率對這些波長因子進行剔除，而本研究采取基于BP神經網絡的MIV法對因子進行篩選。基于BP神經網絡的MIV法的基本思想：采用214種光波長在4 000～10 000 cm-1 范圍內對100種玉米樣品對應的光譜響應數據進行分析，同時采用生化方法精確檢測出該100種玉米樣品的蛋白質、纖維素、脂肪的含量。對光波t對應的100種玉米樣品的響應數據分別加10%和減小10%，其他光譜響應數據保持不變，得到2個數據樣本P_in（t）和P_de（t），分別進行BP神經網絡訓練得result_in（t）和result_de（t），計算2次訓練結果的差值并求平均值mean[result_in（t）-result_de（t）]，直至t從波長1到波長214，即MIV-t。這214種光波長對玉米蛋白質含量的MIV-t如圖2所示。

MIV-t值有正有負，其符號代表相關的方向，絕對值大小代表影響程度，圖2是由BP_MIV算法運行10次，求得各次結果絕對值的平均值后作出的。可以看出，有142種波長對蛋白質含量的影響在1.5%以下，43種波長貢獻率在1.5%～2.0%之間，29種波長的貢獻率在2.0%以上，且累計達74%，較好地反映了波長與蛋白質含量貢獻率的關系，因此選擇這29種波長對應的光譜響應值進行建模。這29種波長的MIV-t如表1所示。

3 建立玉米營養品質的BP神經網絡預報模型

3.1 利用小波對光譜響應值進行去噪處理

采用db6小波函數對篩選出的29種波長下的光譜響應值進行尺度為j=3的分解，各層的高頻系數利用公式（2）去噪，最后應用Mallat快速重構算法獲得光譜響應數據的濾波值。這29種波長對應的光譜響應數據濾波前后的信噪比（SNR）如表2所示。

由表2可知，經過db6小波濾波后29種光譜響應數據的信噪比均有所提高，濾波后的數據能更好地反映波長與玉米營養品質含量之間的關系。

3.2 建立BP神經網絡預報模型

篩選出29種波長對應的前80種樣品的光譜響應數據訓練樣本，可見輸入層神經元數為29，根據高大啟仿真經驗公式[8]得出隱含層神經元數為10，輸出層為蛋白質含量，從而構建29×10×1的小波BP_MIV模型。利用構建的小波BP_MIV模型對后20種玉米樣品的蛋白質含量進行預報，并與多元線性回歸模型[9]預報的結果進行比較，結果如表3所示。為更直觀地反映3種模型的預報演結果，作殘差圖（圖3）。

由表3和圖3可以看出，3種模型對玉米蛋白質預報結果總體上均與生化方法實測值相符，3種模型的均方根誤差（RMSE）分別為1.31、1.11、0.86 g;平均相對偏差（RAD）分別為10%、8%、7%，表明基于BP網絡的玉米蛋白質非線性擬合模型較多元線性回歸模型預報的結果更穩定，且精度更高;同時，經過BP_MIV預先篩選并利用小波去噪處理后所建立的小波BP網絡模型的預報精度最高，大部分樣品的蛋白質含量與實測值吻合。

4 結束語

本試驗主要研究基于BP神經網絡的MIV光譜篩選方法，針對光譜響應值測量過程中存在的誤差，利用小波進行去噪，最終建立具有較高貢獻率波長因子的小波BP網絡模型，并應用于玉米蛋白質含量的預報中，結果表明，小波BP網絡模型在預報精度和算法收斂時間上均優于不做預先處理和因子篩選的BP網絡模型，鑒于該模型在蛋白質含量預報中的高精確性，還可利用該模型預報玉米其他營養物質的含量，如脂肪、纖維素，進而為農作物的營養物質快速鑒定和預報提供一種思路。

參考文獻：

[1]周 竹，李小昱，高海龍，等. 馬鈴薯干物質含量高光譜檢測中變量選擇方法比較[J]. 農業機械學報，2012，43（2）：128-133.

[2]梁 亮，楊敏華，臧 卓. 基于小波去噪與SVR的小麥冠層含氮率高光譜測定[J]. 農業工程學報，2010，26（12）：248-253.

[3]胡昌華，李國華，周 濤. 基于MATLAB 7.X的系統分析與設 計—— 小波分析[M]. 西安：西安電子科技大學，2008.

[4]胡紀元，文鴻雁，周 呂，等. 基于IPSO-BP模型的大壩多源監測數據預報與反演[J]. 大地測量與地球動力學，2014，34（4）：67-70.

[5]程正興，楊守志，馮曉霞. 小波分析的理論、算法、進展與應用[M]. 北京：國防工業出版社，2007.

[6]謝國權，戚 藍，曾新華. 基于小波和神經網絡拱壩變形預測的組合模型研究[J]. 武漢大學學報（工學版），2006，39（2）：16-19，27.

[7]蘇 博，劉 魯，楊方廷. GM（1，N）灰色系統與BP神經網絡方法的糧食產量預測比較研究[J]. 中國農業大學學報，2006，11（4）：99-104.

[8]高大啟. 有教師的線性基本函數前向三層神經網絡結構研究[J]. 計算機學報，1998，21（1）：80-85.

[9]李 想，徐偉平，郭永田，等. 信息技術應用對農戶農業經營收入的影響研究[J]. 中國農業科技導報，2014，16（1）：172-181.