全 文 ：*第 37 卷　专辑
2006 年 5月　　 　
太 原 理 工 大 学 学 报
JOURNAL OF TAIYUAN UNIVERSITY OF TECHNOLOGY
　 Vol. 37 Spec. Issue　 May 2006
　　文章编号:1007-9432(2006)S1-0119-03
莜麦播种方式决策的 BP 神经网络模型
刘　铖 ,杨盘洪
(太原理工大学 信息工程学院 ,山西 太原 030024)
摘　要:阐述了 BP 神经网络基本原理 , 并在此基础上 , 将神经网络理论应用于农业生产决策
之中。以莜麦播种方式决策为例 , 通过对产生式规则的分析导出神经网络输入 、输出单元数 ,经过
多次实验确定合适的隐含层单元数 ,并采用 MA T LAB语言对所构建的网络进行训练。仿真结果
证明 ,这种方法基本可以达到预期的目标。
关键词:专家系统;BP 神经网络;莜麦
中图分类号:TP182　　　文献标识码:A
1　BP 神经网络
神经网络根据连接方式不同 ,可分为前向网络
和相互结合型网络。本文采用目前应用广泛的 BP
网络结构 。BP 网络是一种前馈型网络 ,由 1个输入
层 、若干隐含层和 1 个输出层构成。图 1为常用的
三层 BP 网络结构 。如果输入层 、隐含层和输出层
的单元个数分别为 n 、q 、m ,则该三层网络可表示为
BP(n ,q , m),利用该网络可实现 n维输入向量 Xn =
(X1 , …, Xn)T 到 m 维输出向量 Ym =(Y1 , … ,Y m)T
的非线性映射 。输入层和输出层的单元数 n 、m 根
据具体问题确定 ,而隐含层单元数 q的确定尚无成
熟的方法 ,一般可设定不同的 q值根据训练结果来
进行选择[ 1] 。
图 1　三层 BP网络结构
网络结构确定后 ,网络参数包括输入层第 i 单
元到隐含层第 j 单元的权重W Iij (i=1 , …, n;j =
1 , . . . ,q)、隐含层第 j 单元到输出层第 k 单元的权
重WOjk(j=1 , … ,q;k =1 , …, m)、隐含层第 j 单元的
激活阈值θHj (j=1 , …,q)及输出层第 k 单元的激活
阈值θOk (k=1 , …, m). 以上权重和阈值的初值在网
络训练之前随机生成。假设共有 P 个训练样本 ,输
入的第 p 个(p=1 , . . . , P)训练样本信息首先向前
传播到隐含单元上 ,经过激活函数 f(u)的作用得到
隐含层的输出信息:
H jp = f ∑n
i=1
W
I
ijX ip - θHj ,
j =1 , … ,q;p =1 , …, P. (1)
激活函数 f(u)一般采用 Sigmoid型 ,即
f(u) =1 /1+exp(- u); (2)
隐含层的输出信息传到输出层 ,可得到最终输出结
果为
Y kp = f ∑q
j=1
W
O
jkH jp - θOk
k =1 , … ,m;p =1 , … ,P . (3)
　　以上过程为网络学习的信息正向传播过程 ,另
一个过程为误差反向传播过程。如果网络输出与期
望输出间存在误差 ,则将误差反向传播 ,利用式(4)
来调节网络权重和阈值:
ΔW(t+1) =η E W +αΔW(t). (4)
式中:ΔW(t)为 t次训练时权重和阈值的修正 , η, α
分别为比例系数和动量系数 ,E 为误差平方和 ,
* 收稿日期:2005-09-16
　　　基金项目:国家 863计划项目(2004AA11- 5270)
　　　作者简介:刘铖(1981 -),男 ,江苏常州人 ,在读硕士 ,主要从事信息处理系统和自动测试系统研究 ,(Tel)13834165632 ,
(E-mail)c. liu0207@163. com
　　　通讯联系人:杨盘洪 ,男 ,教授 ,(Tel)0351 - 6018818
DOI牶牨牥牣牨牰牫牭牭牤j牣cnki牣issn牨牥牥牱牠牴牬牫牪tyut牣牪牥牥牰牣s牨牣牥牫牱
E = 1
2 ∑
m
k=1 ∑
P
p=1
(Y p - t p)2 . (5)
　　反复运用以上两个过程 ,直至网络输出与期望
输出间的误差满足一定的要求 。
2　莜麦播种方式决策中输入变量 、输
出变量的决定
将农业专家总结的莜麦播种方式决策方法用产
生式规则法表示 ,则有以下四条规则:
1) IF 播种条件=夏莜麦区 and水利条件=水
浇地 and土壤墒情=墒情好
THEN 诊断结果=机播 ,犁开沟撒播。犁播以
一步(1. 67 m)7犁(行距 23 cm), 播幅 7. 5 ～ 10 cm 。
2) IF 播种条件=夏莜麦区 and水利条件=水
浇地 and土壤墒情=墒情差
THEN 诊断结果=耧播 ,行距为 23 ～ 25 cm 。
3) IF 播种条件=秋莜麦区 and水利条件=旱
地 and 土壤墒情=墒情好
THEN 诊断结果=机播 ,犁开沟撒播。犁播以
一步(1. 67 m)7犁(行距 23 cm),播幅 7. 5 ～ 10 cm 。
4) IF 播种条件=秋莜麦区 and水利条件=旱
地 and 土壤墒情=墒情差
THEN 诊断结果=坡地和沙性大的土壤或旱
年墒情差的土壤适合使用耧播 ,行距为 23 ～ 25 cm 。
从以上规则可以看出 ,诊断结果(Y )由变量播
种条件(X 1)、水利条件(X 2)和土壤墒情(X 3)三个
变量共同决定 ,因此 ,在莜麦播种方式决策的 BP 网
络模型中采用以上三个变量作为网络输入 ,而网络
的输出即为相应的诊断结果。
3　网络训练
根据以上分析 ,网络输入变量数 n=3 ,输出变
量数 m=1 ,采用包含 1个隐含层的神经网络 BP(3 ,
q ,1),隐含层单元数 q与所研究的具体问题有关 ,目
前尚无统一的确定方法 ,通常根据网络训练情况采
用试错法确定。在满足一定精度要求下一般认小的
数值 ,以改善网络的概括推论能力[ 2 , 3] 。在本文中 ,
取 q=4。
BP 网络采用有监督训练方法。如上所列产生
式规则所示 ,并非所有输入的情况都有确定的输出
与之相对应 ,如当 X 1 =“夏莜麦区” , X 2 =“旱地” ,
X 3=“墒情差”时 ,并没有相应的输出 ,对于这种情
况 ,把输出一律限定为 0 ,而将其余确定的诊断结果
依次从 1到 4进行编码 。根据这种方法 ,将网络对
应的输入 、输出进行列表 ,如表 1所示 。
表 1　有监督训练下神经网络输入 、输出
播种条件(X 1) 水利条件(X 2) 土壤墒情(X3) 诊断结果(Y)
0 0 0 1
0 0 1 2
0 1 0 0
0 1 1 0
1 0 0 0
1 0 1 0
1 1 0 3
1 1 1 4
根据以上所述 ,运用 MAT LAB 构建神经网络
进行训练。训练结果如下所示:
%模拟网络输出
a=sim(net , p)
%输出
a=
Colum ns 1 thr ough 3
1. 0036 1. 9945 0. 0015
Colum ns 4 thr ough 6
- 0. 0017 - 0. 0013 0. 0048
Colum ns 7 thr ough 8
2. 9979 4. 0013
%输入权重矩阵
net. IW{1 , 1}
ans=
0. 752 1 - 3. 553 6 2. 295 1
- 1. 261 8 3. 325 4 - 2. 601 8
3. 423 8 2. 495 5 1. 913 7
- 2. 149 9 - 4. 225 5 0. 169 5
%层权重矩阵
net. LW{2 , 1}
ans=
Colum ns 1 thr ough 3
1. 7137 - 0. 7146 - 1. 1841
Colum n 4
- 2. 7029
将模拟网络的输出与表 1中相应的诊断结果进
行对比 ,如表 2所示。
表 2　网络理想输出与实际输出的对比
理想
输出值 1 2 0 0 0 0 3 4
实际
输出值 1. 0036 1. 9945 0. 0015 - 0. 0017 - 0. 0013 0. 0048 2. 9979 4. 0013
从表 2可以看出 ,所建立的 BP 神经网络模型
效果较好 ,比较有效地拟合了期望的输出 。
4　结束语
笔者考虑影响莜麦播种方式的主要因素 ,建立
120 太 原 理 工 大 学 学 报　　　　　　　　　　　　　　　　　　第 37 卷　
了莜麦播种方式决策的 BP 神经网络模型 ,取得了
较好的仿真效果 ,表明将神经网络用于进行农业智
能决策是可行的。在模型的完善及模型在不同模
块 、不同品种的应用等方面需要做进一步的研究 。
参考文献:
[ 1] 　周志华 ,曹存根.神经网络及其应用[ M] .北京:清华大学出版社 , 2004.
[ 2] 　Becraf t W R P Lee. Integrated Neural Netwo rk /Expert System Approach for Fault diagnosis[ J] . Computers &Chemical En-
gineering , 1996 , 17(10):1 001-1 014.
[ 3] 　Ni Zhiw ei , Jia Ruiyu. Expert Sy stem Based on Data Mining and Neural Netw orks[ J] . Journal of S ystem s S cience and Sys-
t em s Engineering , 1998(3):42-46.
The Model of BP ANN in Decision-making of
The Mode of Sowing Naked Oats Seeds
LIU Cheng ,YANG Pan-hong
(College of Inf ormation Engineering o f TU T , Tai yuan 030024 , China)
Abstract:BP neural netw o rk has the robustne ss , associated memory and nonlinear mapping.
This paper elabo rates the rudimental theo ry o f NN and takes decision-making of the mode of so-
w ing naked oats seeds as example. We get the numbers o f input cells and output cells by analy-
zing the production-pat tern rules and the numbers of cell s in conno tative lay er through repe titio us
experiments. Af ter all of these , we trained the NN that w e had got ten w ith MA TLAB. The em-
ulational result proved that the means could arrive at the expectant target .
Key words:expert system;BP artificial neural netw orks;naked oats
(编辑:贾丽红)
(上接第 118页)
A Research on Software Reuse in C/S Model Application Developments
LI Hai-dong , YANG She-tang
(College of Comp uter and So f tware o f TUT , Taiyuan 030024 , China)
Abstract:Combining the experience of practice , we make some research on the sof tw are reuse
in C /S model application development . U sing the characteristics o f object-o riented languages ,
ho lding the high coupling and low cohesion idea , we design a sy stem architecture of communica-
tion gatew ay , at the same time analy ze some modules o f the sy stem modules , which can be re-
used. Through reusing this system archi tecture and the common modules , we can improve eff i-
ciency and quality of so f tw are in the future w hile w e develop new sof tw are.
Key words:component;so ftw are reuse;object-o riented;gatew ay
(编辑:贾丽红)
121　专辑　　　　　　　　　　　　　　　刘　铖等:莜麦播种方式决策的 BP神经网络模型