全 文 ：植物保护学报 Ｊｏｕｒｎａｌ ｏｆ Ｐｌａｎｔ Ｐｒｏｔｅｃｔｉｏｎ， ２０１６， ４３（３）： ３５３ － ３６１ ＤＯＩ： １０ １３８０２ ／ ｊ． ｃｎｋｉ． ｚｗｂｈｘｂ． ２０１６ ０３ ００１
基金项目：山西省科技攻关项目（２０１２０３１１０１３⁃４），山西省留学基金（２０１３⁃重点 ６）
∗通讯作者（Ａｕｔｈｏｒ ｆｏｒ ｃｏｒｒｅｓｐｏｎｄｅｎｃｅ）， Ｅ⁃ｍａｉｌ： ｓｘａｕｌｉｓｃ＠ １２６． ｃｏｍ
收稿日期： ２０１５ － ０８ － ０１
Ｃｏｍｐａｒｉｓｏｎ ｏｆ ｏｃｃｕｒｒｅｎｃｅ ｐｅｒｉｏｄｓ ｏｆ ｗｈｅａｔ ａｐｈｉｄｓ ｂａｓｅｄ
ｏｎ ａｒｔｉｆｉｃｉａｌ ｎｅｕｒａｌ ｎｅｔｗｏｒｋ ａｎｄ ｗａｖｅｌｅｔ ｎｅｕｒａｌ
ｎｅｔｗｏｒｋ ｐｒｅｄｉｃｔｉｏｎ ｓｙｓｔｅｍｓ
Ｊｉｎ Ｒａｎ Ｌｉ Ｓｈｅｎｇｃａｉ∗
（Ｃｏｌｌｅｇｅ ｏｆ Ａｇｒｉｃｕｌｔｕｒｅ， Ｓｈａｎｘｉ Ａｇｒｉｃｕｌｔｕｒａｌ Ｕｎｉｖｅｒｓｉｔｙ， Ｔａｉｇｕ ０３０８０１， Ｓｈａｎｘｉ Ｐｒｏｖｉｎｃｅ， Ｃｈｉｎａ）
Ａｂｓｔｒａｃｔ： Ｔｏ ｂｕｉｌｄ ａ ｍｏｒｅ ａｃｃｕｒａｔｅ ａｎｄ ｓｔａｂｌｅ ｐｒｅｄｉｃｔｉｏｎ ｍｏｄｅｌ ｆｏｒ ｉｎｓｅｃｔ ｐｅｓｔｓ， ｔａｋｅ ｐｒｅｃａｕｔｉｏｎｓ ａｇａｉｎｓｔ
ｉｎｓｅｃｔ ｐｅｓｔｓ， ｒｅｄｕｃｅ ｔｈｅ ｃｒｏｐ ｌｏｓｓ ａｎｄ ｉｎｃｒｅａｓｅ ｃｒｏｐ ｙｉｅｌｄｓ ａｎｄ ｑｕａｌｉｔｙ， ｅｉｇｈｔ ｎｅｗ ｉｎｄｅｐｅｎｄｅｎｔ ｖａｒｉａｂｌｅｓ
ｗｅｒｅ ｄｅｖｅｌｏｐｅｄ ｆｒｏｍ ４２ ｂａｓｉｃ ｍｅｔｅｏｒｏｌｏｇｉｃａｌ ｆａｃｔｏｒｓ ｂｙ ｕｓｉｎｇ ｔｈｅ ｍｅｔｈｏｄ ｏｆ ｐｒｉｎｃｉｐａｌ ｃｏｍｐｏｎｅｎｔ ａｎａｌｙｓｉｓ
ａｎｄ ｐｒｅｄｉｃｔｉｏｎ ｍｏｄｅｌｓ ｉｎ ｔｈｉｓ ｓｔｕｄｙ． Ｋｅｙ ｐａｒａｍｅｔｅｒｓ ｗｅｒｅ ｓｅｌｅｃｔｅｄ ｗｉｔｈ ｃｕｔ⁃ａｎｄ⁃ｔｒｉａｌ ｍｅｔｈｏｄ． Ｗａｖｅｌｅｔ
Ｎｅｕｒａｌ Ｎｅｔｗｏｒｋ （ＷＮＮ） ｍｏｄｅｌ ｗａｓ ｅｓｔａｂｌｉｓｈｅｄ ｗｉｔｈ Ｍｏｒｌｅｔ ｗａｖｅｌｅｔ ｆｕｎｃｔｉｏｎ ａｓ ｔｈｅ ｔｒａｎｓｆｅｒ ｆｕｎｃｔｉｏｎ ａｎｄ
ｃｏｍｐａｒｅｄ ｗｉｔｈ Ｂａｃｋ Ｐｒｏｐａｇａｔｉｏｎ Ｎｅｕｒａｌ Ｎｅｔｗｏｒｋ （ＢＰＮＮ） ｍｏｄｅｌ ｗｉｔｈ Ｓｉｇｍｏｉｄ ｆｕｎｃｔｉｏｎ ａｓ ｔｈｅ ｔｒａｎｓｆｅｒ
ｆｕｎｃｔｉｏｎ． Ｉｎ ＷＮＮ， ｔｈｅ ｔｒａｉｎｉｎｇ ｄａｔａ ｆｒｏｍ ｓｉｘ ｏｕｔ ｏｆ ｔｅｎ ｙｅａｒｓ ｓｈｏｗｅｄ ａ ｆｉｔｔｉｎｇ ｐｒｅｃｉｓｉｏｎ ｏｆ ｍｏｒｅ ｔｈａｎ ９０％
ｗｉｔｈ ａｎ ａｖｅｒａｇｅ ｆｉｔｔｉｎｇ ｐｒｅｃｉｓｉｏｎ ｏｆ ８９％ ． Ｔｈｅ ｐｒｅｄｉｃｔｅｄ ｍｅａｎ ａｂｓｏｌｕｔｅ ｐｅｒｃｅｎｔａｇｅ ｅｒｒｏｒ （ＭＡＰＥ） ａｎｄ
ｍｅａｎ ｓｑｕａｒｅ ｅｒｒｏｒ （ＭＳＥ） ｖａｌｕｅ ｗｅｒｅ ４ １９３９ ａｎｄ ５ ９７６４， ｒｅｓｐｅｃｔｉｖｅｌｙ． Ｉｎ ＢＰＮＮ， ｔｈｅ ｆｉｔｔｉｎｇ ｐｒｅｃｉｓｉｏｎ
ｗａｓ ａｂｏｖｅ ９０％ ｆｏｒ ｆｏｕｒ ｏｆ ｔｅｎ ｙｅａｒｓ ｗｉｔｈ ａｎ ａｖｅｒａｇｅ ｐｒｅｃｉｓｉｏｎ ｒａｔｅ ｏｆ ８１ ０７％ ． Ｔｈｅ ｐｒｅｄｉｃｔｅｄ ＭＡＰＥ ａｎｄ
ＭＳＥ ｖａｌｕｅｓ ｗｅｒｅ ６ ４６９４ ａｎｄ ８ ２４５７， ｒｅｓｐｅｃｔｉｖｅｌｙ． Ｔｈｅ ｃｏｍｐａｒｉｓｏｎ ｒｅｓｕｌｔｓ ｏｆ ｄｉｆｆｅｒｅｎｔ ｍｏｄｅｌｓ ｓｈｏｗｅｄ
ｔｈａｔ ＷＮＮ ｍｏｒｅ ａｃｃｕｒａｔｅｌｙ ｄｅｓｃｒｉｂｅｄ ｔｈｅ ｄｅｖｅｌｏｐｅｄ ｐａｔｔｅｒｎ ｏｆ ｗｈｅａｔ ａｐｈｉｄｓ ｉｎ ｔｈｅ ｆｉｅｌｄ ａｎｄ ｄｉｓｐｌａｙｅｄ
ｂｅｔｔｅｒ ｆｉｔｔｉｎｇ ａｂｉｌｉｔｙ ｔｈａｎ ＢＰＮＮ． Ｂｅｓｉｄｅｓ， ＷＮＮ ｐｏｓｓｅｓｓｅｄ ｓｔｒｏｎｇｅｒ ｐｒｅｄｉｃｔｉｏｎ ａｃｃｕｒａｃｙ ａｎｄ ｓｔａｂｉｌｉｔｙ ｔｈａｎ
ＢＰＮＮ．
Ｋｅｙ ｗｏｒｄｓ： ｗｈｅａｔ ａｐｈｉｄ； Ｗａｖｅｌｅｔ Ｎｅｕｒａｌ Ｎｅｔｗｏｒｋ； Ｂａｃｋ Ｐｒｏｐａｇａｔｉｏｎ Ｎｅｕｒａｌ Ｎｅｔｗｏｒｋ； ｏｃｃｕｒｒｅｎｃｅ
ｐｅｒｉｏｄ； ｐｒｅｄｉｃｔｉｏｎ
基于小波神经网络和 ＢＰ神经网络的麦蚜发生期预测对比
靳 然 李生才∗
（山西农业大学农学院， 太谷 ０３０８０１）
摘要： 为建立更准确、稳定的病虫害预测预报模型，减少农作物病虫害损失、提高农作物产量与质
量，运用主成分分析法从 ４２ 个基础气象因子中整合形成 ８ 个新的自变量输入模型，采用试凑法对
网络关键参数进行筛选，用 ２００２—２０１１ 年数据进行网络训练，建立了以 Ｍｏｒｌｅｔ 小波函数为传递函
数的小波神经网络模型，并与以 Ｓｉｇｍｏｉｄ函数为传递函数的 ＢＰ神经网络模型进行了比较。 在小波
神经网络训练过程中，有 ６ 年拟合精度在 ９０％以上，平均拟合精度为 ８９％ ，预测结果 ＭＡＰＥ 值为
４ １９３９，ＭＳＥ值为 ５ ９７６４；在 ＢＰ神经网络的训练过程中，有 ４ 年拟合精度超过 ９０％ ，平均拟合精度
仅为 ８１ ０７％ ，预测结果中 ＭＡＰＥ值为 ６ ４６９４，ＭＳＥ值为 ８ ２４５７。 从训练结果看，小波神经网络更
能准确描述麦蚜发生期的变化规律，其拟合能力较 ＢＰ神经网络好；从预测精度和模型的稳定性来
看，小波神经网络好于 ＢＰ神经网络。
关键词： 麦蚜； 小波神经网络； ＢＰ神经网络； 发生期； 预测
Ｄｕｒｉｎｇ ｔｈｅ ｐａｓｔ ｄｅｃａｄｅｓ， ｗｏｒｌｄｗｉｄｅ ｅｎｔｏｍｏｌｏｇｉｓｔｓ
ｈａｖｅ ｃｏｍｍｉｔｔｅｄ ｔｏ ｄｅｖｅｌｏｐ ｖａｒｉｏｕｓ ｍｅｔｈｏｄｓ ｆｏｒ ｉｎｓｅｃｔ
ｐｅｓｔ ｐｒｅｄｉｃｔｉｏｎ， ｉｎｃｌｕｄｉｎｇ ｔｈｅ ｐｒｅｄｉｃｔｉｏｎ ｓｙｓｔｅｍｓ ｂａｓｅｄ
ｏｎ ｐｅｒｓｏｎａｌ ｅｘｐｅｒｉｅｎｃｅ， ｅｘｐｅｒｉｍｅｎｔ ｄａｔａ ｏｒ ｓｔａｔｉｓｔｉｃ
ａｎａｌｙｓｉｓ ｒｅｓｕｌｔｓ （Ｚｈａｎｇ ｅｔ ａｌ． ，１９８５）． Ｄｕｅ ｔｏ ｔｈｅ ｆａｃｔ
ｏｆ ｔｈｅ ｃｏｍｐｌｅｘ ｆｅａｔｕｒｅｓ ｏｆ ｉｎｓｅｃｔ ｐｅｓｔ ｏｕｔｂｒｅａｋｓ， ｓｕｃｈ
ａｓ ｕｎｅｖｅｎｎｅｓｓ， ｏｔｈｅｒｎｅｓｓ， ｄｉｖｅｒｓｉｔｙ， ａｂｒｕｐｔｎｅｓｓ， ａｎｄ
ｐｅｒｉｏｄｉｃｉｔｙ， ｔｒａｄｉｔｉｏｎａｌ ｌｉｎｅａｒ ｐｒｅｄｉｃｔｉｏｎ ｍｅｔｈｏｄｓ ａｒｅ
ｎｏｔ ａｂｌｅ ｔｏ ｄｅｌｉｖｅｒ ｄｅｓｉｒａｂｌｅ ｐｒｅｄｉｃｔｉｏｎ ｒｅｓｕｌｔｓ． Ｔｈｅｒｅ⁃
ｆｏｒｅ， ｍｏｄｅｒｎ ｎｏｎ⁃ｌｉｎｅａｒ ｔｈｅｏｒｉｅｓ ｗｅｒｅ ｅｍｐｌｏｙｅｄ ｉｎｔｏ
ｐｅｓｔ ｐｒｅｄｉｃｔｉｏｎ． Ｃｏｕｐｌｅｄ ｗｉｔｈ ｔｒａｄｉｔｉｏｎａｌ Ｋｉｎｅｔｉｃ Ｔｈｅｏ⁃
ｒｙ， ｍａｔｈｅｍａｔｉｃａｌ ｓｔａｔｉｓｔｉｃｓ ａｎｄ ｍｏｄｅｒｎ ｃｏｍｐｕｔｅｒ ｔｅｃｈ⁃
ｎｏｌｏｇｙ， ｎｏｖｅｌ ｐｅｓｔ ｐｒｅｄｉｃｔｉｏｎ ｍｅｔｈｏｄｓ ｈａｖｅ ｂｅｅｎ ｄｅｖｅｌ⁃
ｏｐｅｄ， ｉｎｃｌｕｄｉｎｇ Ａｒｔｉｆｉｃｉａｌ Ｎｅｕｒａｌ Ｎｅｔｗｏｒｋ （ ＡＮＮ），
ｐｈａｓｅ⁃ｓｐａｃｅ ｒｅｃｏｎｓｔｒｕｃｔｉｏｎ， Ｗａｖｅｌｅｔ Ａｎａｌｙｓｉｓ （ＷＡ）
ａｎｄ Ｓｕｐｐｏｒｔ Ｖｅｃｔｏｒ Ｍａｃｈｉｎｅ （ ＳＶＭ） （ Ｍａ ｅｔ ａｌ． ，
２００２；Ｙｕａｎ ｅｔ ａｌ． ，２００８）．
ＡＮＮ ｉｓ ｄｅｖｅｌｏｐｅｄ ｂｙ ｍｉｍｉｃｋｉｎｇ ｔｈｅ ｓｔｒｕｃｔｕｒｅ ｏｆ
ｈｕｍａｎ ｂｒａｉｎ ｗｉｔｈ ａ ｐｈｙｓｉｃａｌ ａｂｓｔｒａｃｔｉｏｎ ａｎｄ ｓｉｍｐｌｉｆｉｃａ⁃
ｔｉｏｎ， ａｎｄ ｗｏｒｋｓ ｅｆｆｅｃｔｉｖｅｌｙ ｉｎ ｍｕｌｔｉｐｌｅ ｆｉｅｌｄｓ ｉｎｃｌｕｄｉｎｇ
ｉｎｆｏｒｍａｔｉｏｎ ｐｒｏｃｅｓｓｉｎｇ， ｍｏｄｅｌ ｉｄｅｎｔｉｆｉｃａｔｉｏｎ， ｂｉｏｌｏｇｉｃａｌ
ｓｉｇｎａｌ ｍｏｎｉｔｏｒｉｎｇ ａｎｄ ａｎａｌｙｓｉｓ， ｄｉｓｅａｓｅ ｄｉａｇｎｏｓｉｓ， ｍａｒ⁃
ｋｅｔ ｐｒｉｃｅ ｐｒｅｄｉｃｔｉｏｎ， ｒｉｓｋ ｅｖａｌｕａｔｉｏｎ， ａｕｔｏｍａｔｉｏｎ ｃｏｎ⁃
ｔｒｏｌ ａｎｄ ｔｒａｎｓｐｏｒｔａｔｉｏｎ （ Ｋｉａｌａｓｈａｋｉ ＆ Ｒｅｉｓｅｌ， ２０１４；
Ｎｙｈａｎ ｅｔ ａｌ． ，２０１４）．
ＷＡ ｓｈｏｗｓ ｇｏｏｄ ｑｕａｌｉｔｙ ｉｎ ｔｅｍｐｏｒａｌ ｆｒｅｑｕｅｎｃｙ ａｎｄ
ｖａｒｉａｂｌｅ ｆｏｃａｌ ｌｅｎｇｔｈ． Ｔｈｅ ｎｅｅｄ⁃ｂａｓｅｄ ａｄｊｕｓｔｍｅｎｔｓ ｃａｎ
ｂｅ ｄｏｎｅ ｗｉｔｈ ｔｅｍｐｏｒａｌ ｆｒｅｑｕｅｎｃｙ ｗｉｎｄｏｗ ｗｈｉｃｈ ｈａｓ ｂｅｅｎ
ｓｕｃｃｅｓｓｆｕｌｌｙ ａｐｐｌｉｅｄ ｉｎ ｓｉｇｎａｌ ａｎｄ ｉｍａｇｅ ｃｏｍｐｒｅｓｓｉｏｎ，
ｅｎｇｉｎｅｅｒｉｎｇ ｔｅｃｈｎｏｌｏｇｙ ａｎｄ ｓｉｇｎａｌ ａｎａｌｙｓｉｓ （Ｍｏｓｔａｆａｐｏｕｒ
ｅｔ ａｌ． ，２０１４；Ｍｏｙａ⁃Ｍａｒｔíｎｅｚ ｅｔ ａｌ． ，２０１５）． Ｃｏｍｂｉｎｉｎｇ
ｗａｖｅｌｅｔ ｔｒａｎｓｆｏｒｍａｔｉｏｎ ｔｈｅｏｒｙ ａｎｄ ＡＮＮ， Ｚｈａｎｇ ＆ Ｂｅｎ⁃
ｖｅｎｉｓｔｅ （１９９２） ｐｒｏｐｏｓｅｄ ａ ｎｅｗ ｎｅｕｒａｌ ｎｅｔｗｏｒｋ， ＷＮＮ
ｉｎ ｗｈｉｃｈ ｗａｖｅｌｅｔ ｆｕｎｃｔｉｏｎ ｗａｓ ｕｓｅｄ ａｓ ｔｈｅ ｔｒａｎｓｆｅｒ ｆｕｎｃ⁃
ｔｉｏｎ （Ｚｈａｎｇ ＆ Ｂｅｎｖｅｎｉｓｔｅ， １９９２；Ｂａｋｓｈｉ ＆ Ｓｔｅｐｈａｎｏｐｏ⁃
ｕｌｏｓ，１９９３）． Ｔｈｕｓ ａ ｎｅｗ ａｒｅａ ｗａｓ ｄｅｖｅｌｏｐｅｄ ｆｏｒ ｒｅ⁃
ｓｅａｒｃｈ ｉｎ ｔｈｅ ｆｉｅｌｄ ｏｆ ｎｅｕｒａｌ ｎｅｔｗｏｒｋ ａｎｄ ｈａｓ ｂｅｅｎ ａｐ⁃
ｐｌｉｅｄ ｉｎ ｓｉｇｎａｌ ｐｒｏｃｅｓｓｉｎｇ， ｉｍａｇｅ ｃｏｍｐｒｅｓｓｉｏｎ， ｍｏｄｅｌ ｉ⁃
ｄｅｎｔｉｆｉｃａｔｉｏｎ ａｎｄ ｓｙｓｔｅｍ ｉｄｅｎｔｉｆｉｃａｔｉｏｎ （ Ｆａｌａｍａｒｚｉ ｅｔ
ａｌ． ，２０１４；Ｔａｇｈａｖｉｆａｒ ＆ Ｍａｒｄａｎｉ，２０１４）．
Ｓｏ ｆａｒ， ＡＮＮ ｈａｓ ｂｅｅｎ ａｐｐｌｉｅｄ ｉｎ ｉｎｓｅｃｔ ｐｅｓｔ ｐｒｅ⁃
ｄｉｃｔｉｏｎ， ｗｈｉｌｅ ｆｏｒｅｃａｓｔｉｎｇ ｐｅｓｔ ｏｃｃｕｒｒｅｎｃｅ ｗｉｔｈ ＷＮＮ
ｗａｓ ｊｕｓｔ ｂｅｇａｎ ｉｎ ｂｏｔｈ Ｃｈｉｎａ ａｎｄ ｏｔｈｅｒ ｐａｒｔｓ ｏｆ ｔｈｅ
ｗｏｒｌｄ （Ｌｉ ＆ Ｐｅｎｇ，１９９９；Ｗａｎｇ ｅｔ ａｌ． ，２０１１）． Ｔｈｅ ｏｂ⁃
ｊｅｃｔｉｖｅｓ ｏｆ ｔｈｉｓ ｓｔｕｄｙ ａｒｅ ｔｏ ｄｅｖｅｌｏｐ ａｎｄ ｖｅｒｉｆｙ ｔｈｅ ｐｒａｃ⁃
ｔｉｃａｌ ＷＮＮ ｍｏｄｅｌｓ ｂｙ ｐｒｅｄｉｃｔｉｎｇ ｏｃｃｕｒｒｅｎｃｅ ｐｅｒｉｏｄ ｏｆ
ｗｈｅａｔ ａｐｈｉｄ ｉｎ ｔｈｅ ｃｒｏｐ ｆｉｅｌｄｓ ａｎｄ ｔｏ ｃｏｍｐａｒｅ ｔｈｅ ａｄ⁃
ｖａｎｔａｇｅｓ ａｎｄ ｄｉｓａｄｖａｎｔａｇｅｓ ｏｆ ＷＮＮ ｗｉｔｈ ＢＰＮＮ ｍｏｄｅｌｓ
ｉｎ ｔｅｒｍｓ ｏｆ ｐｅｓｔ ｐｒｅｄｉｃｔｉｏｎ．
１ Ｍａｔｅｒｉａｌｓ ａｎｄ Ｍｅｔｈｏｄｓ
１ １ Ｄａｔａ ｓｏｕｒｃｅ
Ｓｉｎｃｅ １９９０ｓ， ｗｈｅａｔ ａｐｈｉｄ ｈａｓ ｂｅｅｎ ｒａｎｋｅｄ ｔｈｅ
ｔｈｉｒｄ ｉｍｐｏｒｔａｎｔ ｃｒｏｐ ｐｅｓｔ ｉｎ ｔｅｒｍｓ ｏｆ ｄａｍａｇｅ ａｒｅａ ａｎｄ
ｙｉｅｌｄ ｌｏｓｓ ｉｎ Ｃｈｉｎａ （Ｃａｏ ｅｔ ａｌ． ，２００６）． Ａｎｄ ｉｎ ｓｏｕｔｈ⁃
ｅｒｎ Ｓｈａｎｘｉ Ｐｒｏｖｉｎｃｅ， ｗｈｅａｔ ａｐｈｉｄ ｉｓ ａｌｓｏ ｏｎｅ ｏｆ ｔｈｅ
ｍｏｓｔ ｄａｎｇｅｒ ｉｎｓｅｃｔ ｐｅｓｔｓ ｉｎ ｔｈｅ ｆｉｅｌｄｓ． Ｔｈｅｒｅｆｏｒｅ， ｔｈｅ
ｗｈｅａｔ ａｐｈｉｄ ｗａｓ ｓｅｌｅｃｔｅｄ ａｓ ｔａｒｇｅｔ ｉｎｓｅｃｔ， ａｎｄ ｒｅｌａｔｅｄ
ｅｍｅｒｇｉｎｇ ｄａｔａ ｏｆ ｔｈｅ ｉｎｓｅｃｔ ｗｅｒｅ ｏｂｔａｉｎｅｄ ｆｒｏｍ Ｓｈａｎｘｉ
Ｐｒｏｖｉｎｃｉａｌ Ｓｔａｔｉｏｎ ｏｆ Ｐｌａｎｔ Ｐｒｏｔｅｃｔｉｏｎ ａｎｄ Ｑｕａｒａｎｔｉｎｅ．
Ｔｈｅ ｍａｉｎ ｓａｍｐｌｉｎｇ ｓｉｔｅ ｗａｓ ｌｏｃａｔｅｄ ｉｎ Ｂｅｉｇｕａｎ
Ｖｉｌｌａｇｅ， Ｇｕｗｅｉ Ｔｏｗｎ， Ｒｕｉｃｈｅｎｇ Ｃｏｕｎｔｙ ｏｆ Ｙｕｎｃｈｅｎｇ
Ｃｉｔｙ， Ｓｈａｎｘｉ Ｐｒｏｖｉｎｃｅ （３４°３６′ － ４８°３０′ Ｎ， １１０°３６′ －
４２° ３０′ Ｅ ）． Ｔｈｅ ａｎｎｕａｌ ａｖｅｒａｇｅ ｔｅｍｐｅｒａｔｕｒｅ ｏｆ
１２ ７７℃ ｗｉｔｈ ２５０ ｆｒｏｓｔ⁃ｆｒｅｅ ｄａｙｓ ａｎｄ ａｎｎｕａｌ ｒａｉｎｆａｌｌ ｏｆ
５１３ ｍｍ． Ａｓ ｔｈｅ ｍａｊｏｒ ｐｌａｃｅ ｏｆ ｗｈｅａｔ ｐｒｏｄｕｃｔｉｏｎ， ｔｈｅ
ｔｏｗｎ ｉｓ ｐｌａｉｎ ａｎｄ ｆｅｒｔｉｌｅ ｗｉｔｈ ａｒｏｕｎｄ ５ ０００ ｈｍ２ ｏｆ ａｒａ⁃
ｂｌｅ ｌａｎｄ．
Ｄａｔａ ｃｏｌｌｅｃｔｉｏｎ： ｄａｔａ ｗｅｒｅ ｃｏｌｌｅｃｔｅｄ ｆｒｏｍ ｆｉｖｅ
ｓａｍｐｌｉｎｇ ｓｉｔｅｓ ａｌｏｎｇ ａ ｄｉａｇｏｎａｌ ｌｉｎｅ ｗｉｔｈ ５０ ｐｌａｎｔｓ ｏｆ
ｅａｃｈ ｓｉｔｅ． Ｗｈｅｎ ｔｈｅ ｎｕｍｂｅｒ ｏｆ ａｐｈｉｄｓ ｅｘｃｅｅｄｓ ５００ ｆｏｒ
ｅａｃｈ ｈｕｎｄｒｅｄ ｐｌａｎｔｓ， ｔｈｅ ｎｕｍｂｅｒ ｏｆ ｐｌａｎｔｓ ｆｏｒ ｅａｃｈ ｓｉｔｅ
ｗａｓ ｄｅｃｒｅａｓｅｄ ｔｏ ２０． Ｔｈｅ ｎｕｍｂｅｒ ｏｆ ｐｌａｎｔｓ ｄａｍａｇｅｄ ｂｙ
ａｐｈｉｄｓ， ｔｈｅ ｓｐｅｃｉｅｓ ａｎｄ ｔｈｅ ｎｕｍｂｅｒ ｏｆ ａｐｈｉｄｓ ｗｅｒｅ ｉｎ⁃
ｖｅｓｔｉｇａｔｅｄ ｉｎ ｄｅｓｉｇｎａｔｅｄ ｌｏｃａｔｉｏｎｓ ｒｅｇｕｌａｒｌｙ ｗｉｔｈ ｔｈｅ
ｓａｍｅ ｍｅｔｈｏｄ．
Ｓｃｏｐｅ ｏｆ ｄａｔａ： ｄａｔａ ｗａｓ ｏｂｔａｉｎｅｄ ｄｕｒｉｎｇ Ｆｅｂｒｕａｒｙ
２００２ ａｎｄ Ｊｕｎｅ ２０１４， ａｎｄ ｗａｓ ｃｏｌｌｅｃｔｅｄ ｅｖｅｒｙ ｆｏｕｒ ｄａｙｓ
ｂｅｔｗｅｅｎ ｌａｔｅ Ｆｅｂｒｕａｒｙ ａｎｄ ｅａｒｌｙ Ｊｕｎｅ ｏｆ ｅａｃｈ ｙｅａｒ．
Ｍｅｔｅｏｒｏｌｏｇｉｃａｌ ｄａｔａ： ｔｈｅ ｍｅｔｅｏｒｏｌｏｇｉｃａｌ ｄａｔａ ｕｓｅｄ
４５３ 植 物 保 护 学 报 ４３ 卷
ｉｎ ｔｈｉｓ ｓｔｕｄｙ ｗａｓ ｏｂｔａｉｎｅｄ ｆｒｏｍ Ｓｈａｎｘｉ Ｍｅｔｅｏｒｏｌｏｇｉｃａｌ
Ｂｕｒｅａｕ． Ａｓ ｗｈｅａｔｓ ｇｒｏｗ ａｎｄ ｔｈｅ ｔｅｍｐｅｒａｔｕｒｅ ｒｉｓｅｓ ｉｎ
Ａｐｒｉｌ， ｗｈｅａｔ ａｐｈｉｄｓ ａｒｅ ｌｅｓｓ ｌｉｋｅｌｙ ｔｏ ｄｉｅ ｄｕｅ ｔｏ ｃｌｉｍａｔ⁃
ｉｃ ｃｏｎｄｉｔｉｏｎｓ． Ｔｈｕｓ ｔｈｅ ｄｅｎｓｉｔｙ ｏｆ ｗｈｅａｔ ａｐｈｉｄｓ ｐｅｒ
ｐｌａｎｔ ｉｎｃｒｅａｓｅｓ ｗｉｔｈ ｇｒｏｗｉｎｇ ｏｃｃｕｒｒｅｎｃｅ ｏｆ ｗｈｅａｔ
ａｐｈｉｄｓ． Ｅｎｔｅｒｉｎｇ Ｍａｙ， ｗｉｔｈ ｗｈｅａｔｓ ｈｅａｄｉｎｇ， ｆｌｏｗｅｒ⁃
ｉｎｇ， ｐｏｓｔｕｌａｔｉｎｇ， ｔｈｅ ｃｌｉｍａｔｉｃ ｃｏｎｄｉｔｉｏｎｓ ａｒｅ ｍｏｒｅ ｓｕｉｔ⁃
ａｂｌｅ ｆｏｒ ｔｈｅ ｏｃｃｕｒｒｅｎｃｅ ｏｆ ｗｈｅａｔ ａｐｈｉｄｓ， ｌｅａｄｉｎｇ ｔｏ ｔｈｅ
ｄｒａｍａｔｉｃ ｇｒｏｗｔｈ ｏｆ ｉｔｓ ｉｎｔｅｎｓｉｔｙ． Ｔｈｅｒｅｆｏｒｅ， ｗｉｔｈ ｔｈｅ
ｐｕｒｐｏｓｅ ｏｆ ｂｕｉｌｄｉｎｇ ａ ｓｈｏｒｔ⁃ｔｅｒｍ ｗｈｅａｔ ａｐｈｉｄ ｐｒｅｄｉｃｔｉｏｎ
ｍｏｄｅｌ， ｔｈｅ ｆｏｌｌｏｗｉｎｇ ｓｉｎｇｕｌａｒ ｍｅｔｅｏｒｏｌｏｇｉｃａｌ ｉｎｄｉｃａｔｏｒｓ
ｗｅｒｅ ｃｏｌｌｅｃｔｅｄ ｂａｓｅｄ ｏｎ ｔｈｅ ｍｅｔｅｏｒｏｌｏｇｉｃａｌ ｆａｃｔｏｒｓ ｏｆ
ｅｖｅｒｙ Ａｐｒｉｌ ｂｅｔｗｅｅｎ ２００２ ａｎｄ ２０１４， ｉｎｃｌｕｄｉｎｇ ｆｉｖｅ⁃ｄａｙ
ａｖｅｒａｇｅ ｔｅｍｐｅｒａｔｕｒｅ， ｈｉｇｈｅｓｔ ｔｅｍｐｅｒａｔｕｒｅ ａｎｄ ｌｏｗｅｓｔ
ｔｅｍｐｅｒａｔｕｒｅ， ａｖｅｒａｇｅ ｆｉｖｅ⁃ｄａｙ ｒｅｌａｔｉｖｅ ｈｕｍｉｄｉｔｙ， ｐｒｅ⁃
ｃｉｐｉｔａｔｉｏｎ， ｓｕｎｌｉｇｈｔ ｈｏｕｒｓ ａｎｄ ｗｉｎｄ ｓｐｅｅｄ （Ｔａｂｌｅ １）．
Ｔａｂｌｅ １ Ｃｏｍｐａｒｉｓｏｎ ｏｆ ｍｅｔｅｏｒｏｌｏｇｉｃａｌ ｆａｃｔｏｒ ｉｎ ｔｈｉｓ ｓｔｕｄｙ
Ｄａｔｅ
Ａｖｅｒａｇｅ
ｔｅｍｐｅｒａｔｕｒｅ
（℃）
Ａｖｅｒａｇｅ
ｈｉｇｈｅｓｔ
ｔｅｍｐｅｒａｔｕｒｅ
（℃）
Ａｖｅｒａｇｅ
ｌｏｗｅｓｔ
ｔｅｍｐｅｒａｔｕｒｅ
（℃）
Ａｖｅｒａｇｅ
ｒｅｌａｔｉｖｅ
ｈｕｍｉｄｉｔｙ
（％ ）
Ａｖｅｒａｇｅ
ｐｒｅｃｉｐｉ⁃
ｔａｔｉｏｎ
（ｍｍ）
Ａｖｅｒａｇｅ
ｓｕｎｓｈｉｎｅ
ｄｕｒａｔｉｏｎ
（ｈ）
Ａｖｅｒａｇｅ
ｗｉｎｄ
ｓｐｅｅｄ
（ｍ ／ ｓ）
４ ０１—４ ０５ ｘ１ ｘ２ ｘ３ ｘ４ ｘ５ ｘ６ ｘ７
４ ０６—４ １０ ｘ８ ｘ９ ｘ１０ ｘ１１ ｘ１２ ｘ１３ ｘ１４
４ １１—４ １５ ｘ１５ ｘ１６ ｘ１７ ｘ１８ ｘ１９ ｘ２０ ｘ２１
４ １６—４ ２０ ｘ２２ ｘ２３ ｘ２４ ｘ２５ ｘ２６ ｘ２７ ｘ２８
４ ２１—４ ２５ ｘ２９ ｘ３０ ｘ３１ ｘ３２ ｘ３３ ｘ３４ ｘ３５
４ ２６—４ ３０ ｘ３６ ｘ３７ ｘ３８ ｘ３９ ｘ４０ ｘ４１ ｘ４２
１ ２ Ｍｏｄｅｌｉｎｇ ｏｆ ｎｅｕｒａｌ ｎｅｔｗｏｒｋ
１ ２ １ Ｎｅｕｒａｌ ｎｅｔｗｏｒｋ ａｎｄ ｉｔｓ ｐｒｅｄｉｃｔｉｏｎ ｐｒｏｃｅｄｕｒｅ
Ｍｏｄｅｌｌｉｎｇ ａｆｔｅｒ ｂｉｏｌｏｇｉｃａｌ ｎｅｕｒａｌ ｎｅｔｗｏｒｋｓ， ＡＮＮ
ｉｓ ａ ｐｈｙｓｉｃａｌ ａｂｓｔｒａｃｔｉｏｎ， ｓｉｍｐｌｉｆｉｃａｔｉｏｎ ａｎｄ ｓｉｍｕｌａｔｉｏｎ
ｏｆ ｈｕｍａｎ ｂｒａｉｎｓ ａｎｄ ｈａｓ ｓｔｒｏｎｇ ｉｎｆｏｒｍａｔｉｏｎ ｐｒｏｃｅｓｓｉｎｇ
ｃａｐａｂｉｌｉｔｙ ｉｎ ｎｏｎ⁃ｌｉｎｅａｒ ｗａｙｓ． Ａｎｄ ａｒｔｉｆｉｃｉａｌ ｎｅｕｒｏｎｓ
ａｒｅ ｆｏｒｍｅｄ ｉｎｔｏ ｎｅｔｗｏｒｋｓ ｔｈｒｏｕｇｈ ｄｉｆｆｅｒｅｎｔ ｍｅａｎｓ ｏｆ
ｃｏｎｎｅｃｔｉｏｎ． Ｎｅｕｒａｌ ｎｅｔｗｏｒｋ ｈａｓ ｆｏｕｒ ｂａｓｉｃ ｐｒｏｐｅｒｔｉｅｓ ｏｆ
ｎｏｎ⁃ｌｉｎｅａｒｉｔｙ， ｇｅｎｅｒａｌｉｚｉｎｇ ｆｒｏｍ ｌｉｍｉｔｅｄ ｉｎｆｏｒｍａｔｉｏｎ，
ａｄａｐｔａｂｉｌｉｔｙ ｔｏ ｅｎｖｉｒｏｎｍｅｎｔ ｃｈａｎｇｅｓ ａｎｄ ｃｏｎｖｅｘｉｔｙ．
Ｗｉｔｈ ｇｏｏｄ ｓｅｌｆ⁃ａｄａｐｔａｂｉｌｉｔｙ， ｓｅｌｆ⁃ｏｒｇａｎｉｚａｔｉｏｎ ａｎｄ ｓｅｌｆ⁃
ｌｅａｒｎｉｎｇ ａｂｉｌｉｔｙ， ｉｔ ｕｓｅｓ ａ ｐａｒａｌｌｅｌ ｄｉｓｔｒｉｂｕｔｉｖｅ ｓｙｓｔｅｍ，
ｏｖｅｒｃｏｍｉｎｇ ｔｈｅ ｆｌａｗｓ ｏｆ ｔｒａｄｉｔｉｏｎａｌ ｌｏｇｉｃ ｓｙｍｂｏｌｓ⁃ｂａｓｅｄ
ａｒｔｉｆｉｃｉａｌ ｉｎｔｅｌｌｉｇｅｎｃｅ ｉｎ ｄｅａｌｉｎｇ ｗｉｔｈ ｉｎｔｕｉｔｉｖｅ ａｎｄ ｎｏｎ⁃
ｓｔｒｕｃｔｕｒａｌ ｉｎｆｏｒｍａｔｉｏｎ． Ｔｈｅｒｅ ａｒｅ ｖａｒｉｏｕｓ ｔｙｐｅｓ ｏｆ ｎｅｕ⁃
ｒａｌ ｎｅｔｗｏｒｋｓ． Ｔｈｅ ｍｏｓｔ ｃｏｍｍｏｎｌｙ ｕｓｅｄ ｉｓ ＢＰＮＮ．
ＷＡ ｗａｓ ｆｉｒｓｔ ｐｕｔ ｆｏｒｗａｒｄ ｂｙ Ｆｒｅｎｃｈ ｅｎｇｉｎｅｅｒ Ｊｅａｎ
Ｍｏｒｌｅｔ ｉｎ １９７４． Ｉｔ ｉｓ ａｂｌｅ ｔｏ ｅｘｔｒａｃｔ ｉｎｆｏｒｍａｔｉｏｎ ｅｆｆｅｃ⁃
ｔｉｖｅｌｙ ｉｎ ｔｉｍｅ ａｎｄ ｓｐａｔｉａｌ ｔｒａｎｓｆｏｒｍａｔｉｏｎｓ， ｍａｋｉｎｇ ｄｅ⁃
ｔａｉｌｅｄ ｍｕｌｔｉ⁃ｄｉｍｅｎｓｉｏｎａｌ ａｎａｌｙｓｉｓ ｏｆ ｓｉｇｎａｌｓ ｉｎ ｔｈｅ ｓｃａｌｅ
ａｎｄ ｓｈｉｆｔ ａｌｇｏｒｉｔｈｍｓ． Ｉｎ ａ ｐｅｒｍａｎｅｎｔ ｗｉｎｄｏｗ ｗｈｅｒｅ ｔｈｅ
ｔｉｍｅ ａｎｄ ｆｒｅｑｕｅｎｃｙ ｗｉｎｄｏｗｓ ｃａｎ ｃｈａｎｇｅ， ｔｈｅ ｌｏｗ⁃ｆｒｅ⁃
ｑｕｅｎｃｙ ｐａｒｔ ｈａｓ ｎａｒｒｏｗ ｆｒｅｑｕｅｎｃｙ ｗｉｎｄｏｗ ｂｕｔ ｗｉｄｅ
ｔｉｍｅ ｗｉｎｄｏｗ ｗｈｉｌｅ ｔｈｅ ｏｐｐｏｓｉｔｅ ｉｓ ｔｒｕｅ ｗｉｔｈ ｈｉｇｈ⁃ｆｒｅ⁃
ｑｕｅｎｃｙ ｐａｒｔ． Ｔｈｅｒｅ ａｒｅ ｔｗｏ ｓｔｒｕｃｔｕｒｅｓ ｆｏｒ ｎｅｕｒａｌ ｎｅｔ⁃
ｗｏｒｋｓ ｂａｓｅｄ ｏｎ ｗａｖｅｌｅｔ ａｎａｌｙｓｉｓ． Ｏｎｅ ｉｓ ｌｏｏｓｅ⁃ｔｙｐｅ
ＷＮＮ ｗｈｉｃｈ ｍｅａｎｓ ｔｏ ｐｒｅｐｒｏｃｅｓｓ ｓｉｇｎａｌｓ ｗｉｔｈ ｗａｖｅｌｅｔ
ａｎａｌｙｓｉｓ ｂｅｆｏｒｅ ｔｈｅ ｏｕｔｐｕｔ ｏｆ ｓｉｇｎａｌｓ ｔｈｒｏｕｇｈ ｏｒｄｉｎａｒｙ
ｎｅｕｒａｌ ｎｅｔｗｏｒｋｓ． Ｔｈｅ ｏｔｈｅｒ ｉｓ ｃｏｍｐａｃｔ⁃ｔｙｐｅ ＷＮＮ，
ｗｈｉｃｈ ｉｓ ａ ｗｉｄｅｌｙ⁃ａｐｐｌｉｅｄ ｓｔｒｕｃｔｕｒｅ ｔｈａｔ ｒｅｐｌａｃｅ ｈｉｄｄｅｎ
ｆｕｎｃｔｉｏｎｓ ｉｎ ｎｏｒｍａｌ ｎｅｕｒａｌ ｎｅｔｗｏｒｋｓ ｗｉｔｈ ｗａｖｅｌｅｔ ｆｕｎｃ⁃
ｔｉｏｎｓ， ｔｈｅ ｗｅｉｇｈｔｓ ｂｅｔｗｅｅｎ ｉｎｐｕｔｓ ａｎｄ ｈｉｄｄｅｎ ｌａｙｅｒ
ｗｉｔｈ ｔｈｅ ｓｃａｌｅｓ ｏｆ ｗａｖｅｌｅｔ ｆｕｎｃｔｉｏｎｓ， ａｎｄ ｔｈｒｅｓｈｏｌｄ ｖａｌ⁃
ｕｅｓ ｏｆ ｈｉｄｄｅｎ ｌａｙｅｒ ｗｉｔｈ ｔｈｅ ｔｒａｎｓｌａｔｏｒ ｐａｒａｍｅｔｅｒｓ ｏｆ
ｗａｖｅｌｅｔ ｆｕｎｃｔｉｏｎｓ （Ｆｕ ｅｔ ａｌ． ，２０１０）．
Ｔｈｉｓ ｓｔｕｄｙ ｔｏｏｋ ｔｈｅ ｗｈｅａｔ ａｐｈｉｄ ｏｃｃｕｒｒｅｎｃｅ ｐｅｒｉ⁃
ｏｄｓ ｏｆ ２００２—２０１１ ａｓ ｔｈｅ ｔｒａｉｎｉｎｇ ｓｅｔ ａｎｄ ｔｈｏｓｅ ｏｆ
２０１２—２０１４ ａｓ ｔｈｅ ｔｅｓｔ ｓｅｔ． Ｔｈｅ ｐｒｅｄｉｃｔｉｏｎ ｐｒｏｃｅｄｕｒｅｓ
ｗｅｒｅ ａｓ ｓｈｏｗｎ ｉｎ Ｆｉｇ． １． Ｉｎ ｗｒｉｔｉｎｇ ｎｅｕｒａｌ ｎｅｔｗｏｒｋ ｐｒｏ⁃
ｇｒａｍｓ ｗｉｔｈ ＭＡＴＬＡＢ Ｓｔａｒｔｅｒ Ａｐｐｌｉｃａｔｉｏｎ， ｉｔ ｔｏｏｋ ｔｈｅ
ｆｏｌｌｏｗｉｎｇ ｍｏｄｅｌｉｎｇ ｐｒｏｃｅｄｕｒｅｓ， ｄａｔａ ｎｏｒｍａｌｉｚａｔｉｏｎ，
ｎｅｔｗｏｒｋ ｔｒａｉｎｉｎｇ， ｎｅｔｗｏｒｋ ｐｒｅｄｉｃｔｉｏｎ， ｅｒｒｏｒ ａｎａｌｙｓｉｓ
ａｎｄ ｒｅｓｕｌｔ ｃｏｎｓｔｒｕｃｔｉｏｎ． ＷＮＮ ａｎｄ ＢＰＮＮ ｐｒｅｄｉｃｔｉｏｎ
ｍｏｄｅｌｓ ｗｅｒｅ ｂｕｉｌｔ ｒｅｓｐｅｃｔｉｖｅｌｙ ｗｉｔｈ ｔｈｒｅｅ ｌａｙｅｒｓ ｏｆ
ｓｔｒｕｃｔｕｒｅｓ ｉｎｃｌｕｄｉｎｇ ａｎ ｉｎｐｕｔ ｌａｙｅｒ， ａ ｈｉｄｄｅｎ ｌａｙｅｒ ａｎｄ
ａｎ ｏｕｔｐｕｔ ｌａｙｅｒ．
１ ２ ２ Ｓｅｌｅｃｔｉｏｎ ｏｆ ｍｅｔｅｏｒｏｌｏｇｉｃａｌ ｆａｃｔｏｒｓ ｗｉｔｈ ｐｒｉｎｃｉ⁃
ｐｌｅ ｃｏｍｐｏｎｅｎｔ ａｎａｌｙｓｉｓ （ＰＣＡ）
Ｓｅｌｅｃｔｅｄ ｍｅｔｅｏｒｏｌｏｇｉｃａｌ ｆａｃｔｏｒｓ ｄｅｔｅｒｍｉｎｅ ｔｈｅ ａｃ⁃
ｃｕｒａｃｙ ｏｆ ｐｅｓｔｓ ａｎｄ ｄｉｓｅａｓｅ ｐｒｅｄｉｃｔｉｏｎ． Ｔｈｅ ｉｎｄｅｐｅｎｄ⁃
５５３３ 期 Ｊｉｎ Ｒａｎ， ｅｔ ａｌ． ： Ｃｏｍｐａｒｉｓｏｎ ｏｆ ｏｃｃｕｒｒｅｎｃｅ ｐｅｒｉｏｄｓ ｏｆ ｗｈｅａｔ ａｐｈｉｄｓ ｂａｓｅｄ ｏｎ ｄｉｆｆｅｒｅｎｔ ｐｒｅｄｉｃｔｉｏｎ ｓｙｓｔｅｍｓ
Ｆｉｇ． １ Ｔｈｅ ｍｏｒｐｈｏｌｏｇｉｃａｌ ｃｈａｒａｃｔｅｒｉｚａｔｉｏｎ ｏｆ ｐａｔｈｏｇｅｎ
ｃａｕｓｉｎｇ ｋｉｗｉｆｒｕｉｔ ｒｏｔ ｄｉｓｅａｓｅ
ｅｎｔ ｖａｒｉａｂｌｅｓ ｍｕｓｔ ｂｅ ｈｉｇｈｌｙ ｒｅｌａｔｅｄ ｔｏ ｔｈｅ ｏｃｃｕｒｒｅｎｃｅ
ｐｅｒｉｏｄ ｏｆ ｗｈｅａｔ ａｐｈｉｄ． Ｗｉｔｈ ＰＣＡ， ａ ｃｏｒｒｅｌａｔｉｏｎ ｍａｔｒｉｘ
ｗａｓ ｇａｉｎｅｄ ｖｉａ ｄａｔａ ｍａｔｒｉｘ ｆｏｒｍｅｄ ｗｉｔｈ ｏｒｉｇｉｎａｌ ｍｕｌｔｉｄｉ⁃
ｍｅｎｓｉｏｎａｌ ｉｎｐｕｔ ｖａｒｉａｂｌｅｓ． Ａｃｃｕｍｕｌａｔｅｄ ｖａｒｉａｎｃｅ ｃｏｎ⁃
ｔｒｉｂｕｔｉｏｎ ｒａｔｅ ｗａｓ ｏｂｔａｉｎｅｄ ｂａｓｅｄ ｏｎ ｔｈｅ ｐｒｏｐｅｒ ｖａｌｕｅ ｏｆ
ｔｈｅ ｃｏｒｒｅｌａｔｉｏｎ ｍａｔｒｉｘ， ｔｈｅｎ ｐｒｉｎｃｉｐａｌ ｃｏｍｐｏｎｅｎｔｓ ｗｅｒｅ
ｉｄｅｎｔｉｆｉｅｄ ｂａｓｅｄ ｏｎ ｔｈｅ ｐｒｏｐｅｒ ｖｅｃｔｏｒ ｏｆ ｔｈｅ ｃｏｒｒｅｌａｔｉｏｎ
ｍａｔｒｉｘ．
Ｔｈｅｒｅ ｗｅｒｅ ａｓ ｍａｎｙ ａｓ ４２ ａｎｎｕａｌ ｍｅｔｅｏｒｏｌｏｇｉｃａｌ
ｆａｃｔｏｒｓ ａｓ ｔｈｅ ｉｎｐｕｔ ｖａｒｉａｂｌｅｓ ｏｆ ｎｅｕｒａｌ ｎｅｔｗｏｒｋ ｉｎ ｔｈｉｓ
ｓｔｕｄｙ． Ｇｉｖｅｎ ｔｈｅ ｃｏｒｒｅｌａｔｉｏｎ ａｍｏｎｇ ｆａｃｔｏｒｓ， ｉｎｃｌｕｄｉｎｇ
ｔｈｅｍ ａｌｌ ａｓ ｔｈｅ ｉｎｐｕｔ ｖａｒｉａｂｌｅｓ ｍａｙ ｌｅａｄ ｔｏ ｔｈｅ ｏｖｅｒｕｓｅ
ｏｆ ｉｎｆｏｒｍａｔｉｏｎ， ｉｎｃｒｅａｓｉｎｇ ｔｈｅ ｃｏｍｐｌｅｘｉｔｙ ｏｆ ｎｅｕｒａｌ ｎｅｔ⁃
ｗｏｒｋ ｍｏｄｅｌ， ｐｒｏｌｏｎｇｉｎｇ ｔｒａｉｎｉｎｇ ｐｒｏｃｅｓｓ， ｒｅｄｕｃｉｎｇ
ｌｅａｒｎｉｎｇ ｅｆｆｉｃｉｅｎｃｙ ａｎｄ ｗｅａｋｅｎｉｎｇ ｇｅｎｅｒａｌｉｚａｔｉｏｎ ｐｅｒ⁃
ｆｏｒｍａｎｃｅ． Ｔｈｅｒｅｆｏｒｅ， ｉｎ ｔｈｉｓ ｐａｐｅｒ， ＰＣＡ ｗａｓ ｕｓｅｄ ｔｏ
ｓｃｒｅｅｎ ｍｅｔｅｏｒｏｌｏｇｉｃａｌ ｆａｃｔｏｒｓ ｏｆ ｃｏｌｌｉｎｅａｒ ｎａｔｕｒｅ ｏｎ
ＳＰＳＳ ｐｌａｔｆｏｒｍ ａｎｄ ｎｅｗ ｃｏｍｐｏｎｅｎｔ ｆａｃｔｏｒｓ ｗｅｒｅ ｓｅｌｅｃｔｅｄ
ｆｏｒ ｆｅｅｄｉｎｇ ｉｎｔｏ ｔｈｅ ｍｏｄｅｌ （Ｌｉｕ ｅｔ ａｌ． ，１９９７）．
１ ２ ３ Ｐｒｏｃｅｓｓｉｎｇ ｄａｔａ ｗｉｔｈ ｎｏｒｍａｌｉｚａｔｉｏｎ ｍｅｔｈｏｄ
Ａｓ ｄｉｆｆｅｒｅｎｔ ｃｏｍｐｏｎｅｎｔ ｆａｃｔｏｒｓ ｈａｖｅ ｄｉｆｆｅｒｅｎｔ ｄｉ⁃
ｍｅｎｓｉｏｎｓ， ｎｅｕｒａｌ ｎｅｔｗｏｒｋ ｉｓ ｍｏｓｔ ｓｅｎｓｉｔｉｖｅ ｔｏ ｄａｔａ
ｗｉｔｈｉｎ ［０， ｌ］ （Ｙｅ ＆ Ｗｅｉ，２０１５）． Ｔｈｕｓ， ｃｏｍｐｏｎｅｎｔ
ｆａｃｔｏｒｓ ｗｅｒｅ ｐｒｏｃｅｓｓｅｄ ｉｎｔｏ ｔｈｅ ｒａｎｇｅ ｏｆ ［０， ｌ］ ｂｅｆｏｒｅ
ｍｏｄｅｌｉｎｇ． Ｔｈｅ ｆｏｒｍｕｌａ ｉｓ ａｓ ｆｏｌｌｏｗｓ： ｘ ＝ （ｘｉ － ｘｍａｘ） ／
（ｘｍａｘ － ｘｍｉｎ）． Ｉｎ ｔｈｅ ｅｑｕａｔｉｏｎ， ｘｉ ｉｓ ｔｈｅ ｖａｌｕｅ ｏｆ ｏｒｉｇｉ⁃
ｎａｌ ｄａｔａ， ｘ ｉｓ ｔｈｅ ｎｏｒｍａｌｉｚｅｄ ｄａｔａ， ｘｍａｘ ａｎｄ ｘｍｉｎ ｒｅｐｒｅ⁃
ｓｅｎｔｓ ｔｈｅ ｍａｘｉｍｕｍ ａｎｄ ｍｉｎｉｍａｌ ｖａｌｕｅ ｏｆ ｅａｃｈ ｃｏｍｐｏ⁃
ｎｅｎｔ ｆａｃｔｏｒ ｒｅｓｐｅｃｔｉｖｅｌｙ．
１ ２ ４ Ｓｃｒｅｅｎｉｎｇ ｏｆ ｐａｒａｍｅｔｅｒｓ ｗｉｔｈ ｃｕｔ⁃ａｎｄ⁃ｔｒｉａｌ ｍｅｔｈｏｄ
Ｔｈｅｒｅ ａｒｅ ｖａｒｉｏｕｓ ｐａｒａｍｅｔｅｒｓ ｆｏｒ ＡＮＮ， ｓｕｃｈ ａｓ
ｉｎｐｕｔ ｌａｙｅｒ ｎｏｄｅｓ， ｈｉｄｄｅｎ ｌａｙｅｒ ｎｏｄｅｓ， ｏｕｔｐｕｔ ｌａｙｅｒ
ｎｏｄｅｓ， ｔｒａｎｓｆｅｒ ｆｕｎｃｔｉｏｎｓ， ｔｒａｉｎｉｎｇ ｆｕｎｃｔｉｏｎｓ ａｎｄ ｌｅａｒｎ⁃
ｉｎｇ ｒａｔｅｓ ｅｔｃ． （Ｌｉｕ ｅｔ ａｌ． ，２００６）． Ｗｈｅｎ ｔｈｅ ｎｅｔｗｏｒｋ
ｓｔｒｕｃｔｕｒｅ， ｗｅｉｇｈｔｓ ａｎｄ ｔｈｒｅｓｈｏｌｄ ｖａｌｕｅ ａｒｅ ｔｈｅ ｓａｍｅ，
ｔｈｅ ｐｒｏｐｅｒ ｎｕｍｂｅｒ ｏｆ ｈｉｄｄｅｎ ｌａｙｅｒ ｎｏｄｅｓ， ｔｒａｎｓｆｅｒ
ｆｕｎｃｔｉｏｎｓ， ｔｒａｉｎｉｎｇ ｆｕｎｃｔｉｏｎｓ ｄｉｒｅｃｔｌｙ ａｆｆｅｃｔｓ ｔｈｅ ｌｅａｒｎ⁃
ｉｎｇ ａｎｄ ｇｅｎｅｒａｌｉｚａｔｉｏｎ ａｂｉｌｉｔｙ ｏｆ ｔｈｅ ｎｅｔｗｏｒｋ．
Ｔｈｅ ｂｉｇｇｅｓｔ ｄｉｆｆｅｒｅｎｃｅ ｂｅｔｗｅｅｎ ＷＮＮ ａｎｄ ＢＰＮＮ
ｌｉｅｓ ｉｎ ｔｈｅ ｄｉｆｆｅｒｅｎｃｅ ｉｎ ｔｒａｎｓｆｅｒ ｆｕｎｃｔｉｏｎｓ． ＷＮＮ ｔａｋｅｓ
Ｍｏｒｌｅｔ ｗａｖｅｌｅｔ ｆｕｎｃｔｉｏｎ ａｓ ｉｔｓ ｔｒａｎｓｆｅｒ ｆｕｎｃｔｉｏｎ． Ｉｔ ｉｓ ａ
ｓｉｎｅ ｆｕｎｃｔｉｏｎ ｏｆ ｔｈｅ ｓｉｎｇｌｅ ｆｒｅｑｕｅｎｃｙ ｒａｔｉｏ ｕｎｄｅｒ Ｇａｕｓｓ
ｆｕｎｃｔｉｏｎ （Ｃｈｅｎ ＆ Ｆｅｎｇ，１９９９）， Ｃ ｉｓ ｔｈｅ ｎｏｒｍａｌｉｚｅｄ
ｃｏｎｓｔａｎｔ， ｗｈｉｃｈ ｉｓ ｄｅｆｉｎｅｄ ａｓ ｆｏｌｌｏｗｓ： ψ（ ｔ） ＝ Ｃｅ － （ ｔ＾２） ／ ２
ｃｏｓ（５ｘ）． Ｍｏｒｌｅｔ ｗａｖｅｌｅｔ ｆｕｎｃｔｉｏｎ ｉｓ ｎｏｔ ｏｎｅ ｏｆ ｔｈｅ
ｔｒａｎｓｆｅｒ ｆｕｎｃｔｉｏｎｓ ｏｆ ＭＡＴＬＡＢ． Ｃｕｓｔｏｍ ｔｒａｎｓｆｅｒ ｆｕｎｃ⁃
ｔｉｏｎｓ ｍｕｓｔ ｂｅ ｃｒｅａｔｅｄ． Ｔｈｅ ｐｒｅｐａｒａｔｉｏｎ ｏｆ ｔｈｅ ｔｗｏ ｓｕｂ⁃
ｒｏｕｔｉｎｅｓ ａｒｅ： （１） ｆｕｎｃｔｉｏｎ ｙ ＝ ｍｙｍｏｒｌｅｔ（ ｔ）， ｙ ＝ ｅｘｐ
（ － （ ｔ． ＾２） ／ ２）∗ｃｏｓ（１ ７５∗ｔ）； （２） ｆｕｎｃｔｉｏｎ ｙ ＝ ｄ＿
ｍｙｍｏｒｌｅｔ（ ｔ）， ｙ ＝ － １ ７５∗ｓｉｎ（１ ７５∗ｔ）． ∗ｅｘｐ（ －
（ ｔ． ＾２） ／ ２） － ｔ∗ｃｏｓ（１ ７５∗ｔ）． ∗ｅｘｐ（ － （ ｔ． ＾２） ／ ２）；
Ｎｏｒｍａｌｌｙ， Ｓｉｇｍｏｉｄ ｉｓ ｃｈｏｓｅｎ ａｓ ｔｈｅ ｔｒａｎｓｆｅｒ ｆｕｎｃｔｉｏｎ ｏｆ
ＢＰＮＮ， ｗｈｉｃｈ ｉｎｃｌｕｄｅｓ ｔｈｒｅｅ ｍａｊｏｒ ｔｙｐｅｓ ｏｆ ｆｕｎｃｔｉｏｎｓ，
ｌｏｇｓｉｇ， ｔａｎｓｉｇ， ａｎｄ ｐｕｒｅｌｉｎ． Ｓｉｇｍｏｉｄ ｆｕｎｃｔｉｏｎ ｉｓ ｓｍｏｏｔｈ
ａｎｄ ｄｉｆｆｅｒｅｎｔｉａｂｌｅ， ｍｏｒｅ ａｃｃｕｒａｔｅ ｔｈａｎ ｌｉｎｅａｒ ｆｕｎｃｔｉｏｎｓ
ｗｉｔｈ ｂｅｔｔｅｒ ｆａｕｌｔ ｔｏｌｅｒａｎｃｅ． Ｉｔ’ｓ ｄｅｆｉｎｅｄ ａｓ ｆｏｌｌｏｗｓ： ｉｎ⁃
ｃｒｅａｓｉｎｇ ｔｈｅ ｎｕｍｂｅｒ ｏｆ ｎｏｄｅｓ ｉｎ ｔｈｅ ｈｉｄｄｅｎ ｌａｙｅｒ ｃａｎ
ｅｆｆｅｃｔｉｖｅｌｙ ｉｍｐｒｏｖｅ ｔｈｅ ｔｒａｉｎｉｎｇ ａｃｃｕｒａｃｙ ｏｆ ｎｅｕｒａｌ ｎｅｔ⁃
ｗｏｒｋ， ｂｕｔ ｔｏｏ ｍａｎｙ ｈｉｄｄｅｎ ｌａｙｅｒ ｎｏｄｅｓ ｃａｎ ａｌｓｏ ｒｅｄｕｃｅ
ｔｈｅ ｔｒａｉｎｉｎｇ ｓｐｅｅｄ． Ｃｏｎｓｕｌｔ ｔｈｅ ｆｏｌｌｏｗｉｎｇ ｆｏｒｍｕｌａ ｆｏｒ
ｔｈｅ ｎｕｍｂｅｒ ｏｆ ｈｉｄｄｅｎ ｌａｙｅｒ ｎｅｕｒｏｎ ｎｏｄｅｓ： （１） ｌ ＝
｜ ｍｎ ｜ （ Ｌｉ ｅｔ ａｌ． ，２００６）； （２） ｌ ＜ ｜ ｍ ＋ ｎ ｜ ＋ ａ
（Ｃｈｅｎ，２００９）； （３） ｌ ＝ ２ｎ ＋ １（Ｗａｎｇ ｅｔ ａｌ． ，２０１２）；
（４） ｌ ＝ ｌｏｇ２ｎ； （５） ｌ ＜ ｎ － １（Ｗａｎｇ ｅｔ ａｌ． ，２０１３）．
Ｔｈｅ ｌｅａｒｎｉｎｇ ｒａｔｅ ｄｅｔｅｒｍｉｎｅｓ ｔｈｅ ｖａｒｉａｔｉｏｎ ｏｆ ｗｅｉｇｈｔｓ
ｇｅｎｅｒａｔｅｄ ｉｎ ｅａｃｈ ｃｉｒｃｕｉｔ ｔｒａｉｎｉｎｇ． Ａｎ ｏｖｅｒｌｙ ｈｉｇｈ
ｌｅａｒｎｉｎｇ ｒａｔｅ ｌｅａｄｓ ｔｏ ｒｅｄｕｃｅｄ ｓｔａｂｉｌｉｔｙ ｏｆ ｔｈｅ ｍｏｄｅｌ
ｗｈｉｌｅ ａｎ ｏｖｅｒｌｙ ｌｏｗ ｌｅａｒｎｉｎｇ ｒａｔｅ ｌｅａｄｓ ｔｏ ｐｒｏｌｏｎｇｅｄ
６５３ 植 物 保 护 学 报 ４３ 卷
ｔｒａｉｎｉｎｇ ｔｉｍｅ ａｎｄ ｒｅｄｕｃｅｄ ｒａｔｅ ｏｆ ｃｏｎｖｅｒｇｅｎｃｅ． Ｔｈｅｒｅ⁃
ｆｏｒｅ， ｉｎ ｓｅｌｅｃｔｉｎｇ ｌｅａｒｎｉｎｇ ｒａｔｅ， ｔｈｅ ｒａｎｇｅ ｗａｓ ｓｅｔ ｂｅ⁃
ｔｗｅｅｎ ０ ０１ ａｎｄ ０ ８ （Ｆｅｎｇ，２００７）．
Ｉｎ ｔｈｉｓ ｓｔｕｄｙ， ｏｐｔｉｍａｌ ｐａｒａｍｅｔｅｒｓ ａｒｅ ｓｅｌｅｃｔｅｄ ｆｏｒ
ｈｉｄｄｅｎ ｌａｙｅｒ ｎｏｄｅｓ， ｔｒａｎｓｆｅｒ ｆｕｎｃｔｉｏｎｓ， ａｎｄ ｌｅａｒｎｉｎｇ
ｒａｔｅｓ ｗｉｔｈ ｃｕｔ⁃ａｎｄ⁃ｔｒｉａｌ ｍｅｔｈｏｄ． Ｔｈｅ ｂｅｓｔ ｏｒｉｇｉｎａｌ ｖａｌｕｅ
ｃｏｍｂｉｎａｔｉｏｎ ｗａｓ ｇａｉｎｅｄ ａｆｔｅｒ ｓｃｒｅｅｎｉｎｇ ｗｈｉｌｅ ｏｔｈｅｒ ｐａ⁃
ｒａｍｅｔｅｒｓ ｗｅｒｅ ａｃｈｉｅｖｅｄ ｂａｓｅｄ ｏｎ ｅｘｐｅｒｉｅｎｃｅ．
１ ２ ５ Ｍｏｄｅｌ ｖｅｒｉｆｉｃａｔｉｏｎ ｍｅｔｈｏｄ
Ｉｎ ｔｈｉｓ ｓｔｕｄｙ， ｍｏｄｅｌ ｐｅｒｆｏｒｍａｎｃｅｓ ａｒｅ ａｓｓｅｓｓｅｄ
ｗｉｔｈ ＭＡＰＥ ａｎｄ ＭＳＥ ｉｎｄｉｃａｔｏｒｓ （Ｘｉａｎｇ ＆ Ｚｈｏｕ，２０１０；
Ｌｉ ｅｔ ａｌ． ，２０１３）．
ＭＡＰＥ ＝ １ｎ
ｎ
ｉ ＝ １
｜ （ｙｉ － ｙ＾ｉ） ／ ｙｉ ｜ ； ＭＳＥ ＝
１
ｎ
ｎ
ｉ ＝ １
（ｙｉ － ｙ＾ｉ） ２， ｉｎ ｔｈｅ ｆｏｒｍｕｌａ， ｙｉ ｉｓ ｔｈｅ ａｃｔｕａｌ ｖａｌｕｅ ｉｎ ｏｃ⁃
ｃｕｒｒｅｎｃｅ ｐｅｒｉｏｄ， ｙ＾ｉ ｉｓ ｔｈｅ ｐｒｅｄｉｃｔｅｄ ｖａｌｕｅ ｂｙ ｔｈｅ ｍｏｄ⁃
ｅｌ， ａｎｄ ｎ ｉｓ ｔｈｅ ｔｒａｉｎｉｎｇ ｓａｍｐｌｅ ｎｕｍｂｅｒ． Ｌｏｗｅｒ ＭＡＰＥ
ｖａｌｕｅ ｍｅａｎｓ ｈｉｇｈｅｒ ｐｒｅｃｉｓｉｏｎ ｏｆ ｐｒｅｄｉｃｔｉｏｎ ｂｙ ｔｈｅ ｍｏｄｅｌ
ａｎｄ ｌｏｗｅｒ ＭＳＥ ｖａｌｕｅ ｍｅａｎｓ ｍｏｒｅ ｓｔａｂｌｅ ｐｒｅｄｉｃｔｉｏｎ．
２ Ｒｅｓｕｌｔｓ ａｎｄ Ａｎａｌｙｓｉｓ
２ １ Ｒｅｓｕｌｔｓ ｏｆ ＰＣＡ
Ｔｈｅ ａｃｃｕｍｕｌａｔｉｖｅ ｐｅｒｃｅｎｔａｇｅｓ ｗｅｒｅ ｇａｉｎｅｄ ｂｙ ａｎａ⁃
ｌｙｚｉｎｇ ４２ ｉｎｄｅｐｅｎｄｅｎｔ ｖａｒｉａｂｌｅｓ ｉｎ Ｔａｂｌｅ １ ｗｉｔｈ ＰＣＡ
ｍｅｔｈｏｄ． Ｔｈｅ ａｃｃｕｍｕｌａｔｉｖｅ ｃｏｎｔｒｉｂｕｔｉｏｎ ｒａｔｅ ｏｆ ｔｈｅ ｆｉｒｓｔ
ｅｉｇｈｔ ｃｏｍｐｏｎｅｎｔｓ ｗａｓ ９１ ８５１％ ． Ｔｈｅｓｅ ｅｉｇｈｔ ｎｅｗ
ｃｏｍｐｏｎｅｎｔｓ ｉｎｃｌｕｄｅｄ ｂａｓｉｃａｌｌｙ ｔｈｅ ｉｎｆｏｒｍａｔｉｏｎ ｏｆ ａｌｌ
ｆａｃｔｏｒｓ ｔｈａｔ ｗｅｒｅ ｎｏｔ ｃｏｒｒｅｌａｔｅｄ． Ｔｈｅ ａｃｃｕｍｕｌａｔｉｖｅ ｃｏｎ⁃
ｔｒｉｂｕｔｉｏｎ ｒａｔｅ ｏｆ ｔｈｅ ｒｅｓｔ ３４ ｃｏｍｐｏｎｅｎｔｓ ｗａｓ ｏｎｌｙ
８ １４９％ ａｎｄ ｍａｙ ｃｏｎｓｉｄｅｒｅｄ ｎｏｉｓｅ ｉｔｅｍｓ ａｎｄ ｎｏｔ ｂｅ
ｉｎｃｌｕｄｅｄ ｉｎｔｏ ｔｈｅ ｍｏｄｅｌｉｎｇ ｐｒｏｃｅｓｓ．
Ｔａｋｅ Ａｐｒｉｌ １０ｔｈ ａｓ ｔｈｅ ｎｕｍｂｅｒ “１” ａｎｄ ｔｈｅ ｄａｉｌｙ
ｉｎｃｒｅｍｅｎｔ ａｓ “１”， ｂｙ ｔｈａｔ ａｎａｌｏｇｙ， Ｍａｙ １ｓｔ ｗｏｕｌｄ ｂｅ
ｒｅｆｅｒｒｅｄ ｔｏ ａｓ ｔｈｅ “２２”． Ｔｈｅ ｎｅｗ ｓａｍｐｌｅ ｓｅｔ ｃｏｍｐｒｉ⁃
ｓｉｎｇ ｔｈｅ ｎｅｗ ｃｏｍｐｏｎｅｎｔ ｆａｃｔｏｒｓ ｚ１ － ｚ８ ｂａｓｅｄ ｏｎ ｃｏｍｐｏ⁃
ｎｅｎｔ ｍａｔｒｉｘ ａｎｄ ｏｃｃｕｒｒｅｎｃｅ ｐｅｒｉｏｄ ｏｆ ｗｈｅａｔ ａｐｈｉｄ ｗｅｒｅ
ｓｈｏｗｎ ｉｎ ｔｈｅ Ｔａｂｌｅ ２．
Ｔａｂｌｅ ２ Ｓａｍｐｌｅ ｓｅｔ ｏｆ ｔｈｅ ｏｃｃｕｒｒｅｎｃｅ ｐｅｒｉｏｄ ｏｆ ｗｈｅａｔ ａｐｈｉｄ ａｆｔｅｒ ＰＣＡ
Ｙｅａｒ ｚ１ ｚ２ ｚ３ ｚ４ ｚ５ ｚ６ ｚ７ ｚ８ ｙ
２００２ １ １３６５ － ０ ５３５６ － ２ １４５８ ０ ０９６１ ０ ２０１９ １ ６７４２ － ０ ９５６２ － ０ ８９７６ ３１
２００３ － ０ ９９３０ － １ ５１１１ ０ ０９４８ － ０ ０３６５ ２ ２９０６ － ０ ６５１５ － ０ ７３１４ ０ ２１３６ ５１
２００４ １ ４８５２ １ １３１２ － ０ １０５４ ０ ８５８０ ０ ６６２３ － ０ ９８８２ － ０ ７９８０ １ ８９８９ ２１
２００５ ０ ６５３６ １ ０５５９ ０ ５３４０ － ２ ０１５０ ０ ４２３９ ０ ６６９３ ０ ４６６０ ０ ３７４５ ４１
２００６ － ０ ２６４６ ０ ７１９０ － ０ ２１７８ － １ ２１４０ ０ ８７８３ － １ ０６５５ ０ ６５２２ － １ ６５５３ ３１
２００７ ０ ５３５６ ０ ２１７２ ０ ２８９２ １ ００８９ － ０ ６６１４ － ０ ０８３０ ０ １９１７ － １ １２８２ ２６
２００８ － １ １２２３ ０ ３９２８ １ ４４１５ － ０ ５０２８ － ０ ５８５７ １ ５５４２ － １ ６７６６ ０ ３５５８ ３６
２００９ － ０ ３３２３ － ０ １４６９ ０ ５９３７ １ ４９３２ ０ １４９３ － ０ ００６１ － ０ １０４７ － ０ ３９４９ ２６
２０１０ － １ ０２９１ ０ ２８３１ － ０ ７５５６ － ０ ２３７６ － １ ６９３１ － １ ６４９２ － １ １６８４ － ０ ３４６３ ４０
２０１１ １ ０８２６ － ０ ８３０８ １ ７４５３ ０ ５６６６ － ０ ２４７９ ０ ０８９９ ０ ７８４３ － ０ ７８８９ ５０
２０１２ ０ １９９１ ０ ７９４９ － ０ ３５５９ ０ １０４５ － ０ ３１９１ － ０ ２０２８ ０ ７４１９ ０ ２７４２ ４０
２０１３ ０ ３６８１ － ２ １３７８ － ０ ２７５７ － １ ０１５５ － １ ２１５２ － ０ ３０４９ ０ ７９７５ １ ２６７２ ３６
２０１４ － １ ７１９５ ０ ５６８０ － ０ ８４２２ ０ ８９４１ ０ １１６１ ０ ９６３５ １ ８０１８ ０ ８２６９ ４６
２ ２ Ｒｅｓｕｌｔｓ ｏｆ ｍｏｄｅｌ ｐａｒａｍｅｔｅｒｓ ｓｃｒｅｅｎｉｎｇ
２ ２ １ Ｒｅｓｕｌｔｓ ｏｆ ＷＮＮ ｐａｒａｍｅｔｅｒｓ ｓｃｒｅｅｎｉｎｇ
Ｏｎ ｔｈｅ ｂａｓｉｓ ｏｆ ｈｉｄｄｅｎ ｌａｙｅｒ ｎｏｄｅｓ ｆｏｒｍｕｌａ ｃａｌｃｕ⁃
ｌａｔｉｏｎ， ｃｈｏｓｅ ｎ ＝ ８ （ｉｎｐｕｔ ｌａｙｅｒ ｎｏｄｅ ｎｕｍｂｅｒ）， ｍ ＝ １
（ｏｕｔｐｕｔ ｌａｙｅｒ ｎｏｄｅ ｎｕｍｂｅｒ）， ａ ｗａｓ ｂｅｔｗｅｅｎ ［１， １０］，
ｔｈｅ ｎｕｍｂｅｒ ｏｆ ｈｉｄｄｅｎ ｌａｙｅｒ ｎｏｄｅｓ ｏｆ ＷＮＮ ｗａｓ ａｄｊｕｓｔｅｄ
ｂａｓｅｄ ｏｎ ｅｘｐｅｒｉｅｎｃｅ ａｎｄ ｔｅｓｔｅｄ ｂｅｔｗｅｅｎ １ ａｎｄ ２０． Ｔｈｅ
ｔｅｓｔ ｓｕｇｇｅｓｔｅｄ ｔｈａｔ ｗｈｅｎ ｔｈｅ ｎｕｍｂｅｒ ｏｆ ｈｉｄｄｅｎ ｌａｙｅｒ
ｎｏｄｅｓ ｗａｓ １５， ｔｈｅ ｖａｌｕｅ ｏｆ ＭＳＥ ａｎｄ ＭＡＰＥ ｈｉｔ ｔｈｅ
ｌｏｗｅｓｔ ｌｅｖｅｌ （Ｔａｂｌｅ ３）．
Ｔｈｅ ｌｅａｒｎｉｎｇ ｒａｔｅ ｗａｓ ｓｅｔ ｂｅｔｗｅｅｎ ０ ０１ ａｎｄ ０ ８，
ａｎｄ Ｌｒ１ ａｎｄ Ｌｒ２ ｗｅｒｅ ｐａｉｒｅｄ． Ｗｈｅｎ Ｌｒ１ ＝ ０ １， Ｌｒ２
ｗａｓ ｓｅｔ ｗｉｔｈｉｎ ｔｈｅ ｒａｎｇｅ ｏｆ ０ ０１ － ０ ０９ ａｎｄ ０ １ － ０ ８
ｒｅｓｐｅｃｔｉｖｅｌｙ ｆｏｒ ｔｅｓｔｉｎｇ． ｗｈｅｎ Ｌｒ２ ｗａｓ ０ １， ｔｈｅ ｖａｌｕｅｓ
ｏｆ ＭＳＥ ａｎｄ ＭＡＰＥ ｗｅｒｅ ｔｈｅ ｌｏｗｅｓｔ， ｗｈｉｃｈ ｍｅａｎｔ ｔｈｅ
ｂｅｓｔ ｖａｌｕｅ ｆｏｒ Ｌｒ２ ｗａｓ ０ １ ｗｈｅｎ Ｌｒ２ ＝ ０ １， Ｌｒ１ ｗａｓ
ｔｅｓｔｅｄ ｂｅｔｗｅｅｎ ０ ０１ － ０ ０９ ａｎｄ ０ １ － ０ ８ ｒｅｓｐｅｃｔｉｖｅ⁃
ｌｙ． Ｗｈｅｎ Ｌｒ１ ｗａｓ ０ ３， ｔｈｅ ｌｏｗｅｓｔ ＭＳＥ ａｎｄ ＭＡＰＥ
ｖａｌｕｅｓ ｗｅｒｅ ｏｂｔａｉｎｅｄ． Ｔｈｕｓ ｔｈｅ ｂｅｓｔ Ｌｒ１ ｖａｌｕｅ ｗａｓ ０ ３
（Ｔａｂｌｅ ４）．
７５３３ 期 Ｊｉｎ Ｒａｎ， ｅｔ ａｌ． ： Ｃｏｍｐａｒｉｓｏｎ ｏｆ ｏｃｃｕｒｒｅｎｃｅ ｐｅｒｉｏｄｓ ｏｆ ｗｈｅａｔ ａｐｈｉｄｓ ｂａｓｅｄ ｏｎ ｄｉｆｆｅｒｅｎｔ ｐｒｅｄｉｃｔｉｏｎ ｓｙｓｔｅｍｓ
Ｔａｂｌｅ ３ Ｆｏｒｅｃａｓｔ ｅｒｒｏｒｓ ｃｏｒｒｅｓｐｏｎｄｉｎｇ ｔｏ ｄｉｆｆｅｒｅｎｔ
ｈｉｄｄｅｎ ｌａｙｅｒ ｎｏｄｅｓ ｉｎ ＷＮＮ
Ｎｏｄｅ ｎｕｍｂｅｒ ｏｆ
ｈｉｄｄｅｎ ｌａｙｅｒ ｎｅｕｒｏｎｓ ＭＳＥ ＭＡＰＥ （％ ）
１ １０ ５１１３ １２ １０５５
２ ３０ １３９０ １０ ５１１３
３ ３４８ ７２６９ ４３ ０３７９
４ ５３ ２５４４ １５ ６１３４
５ １６８ ８７６６ ２２ １０６０
６ ２０ ４４５７ １０ ８６２６
７ ８５ ２２１８ １８ ８５７２
８ １２５ ３５４０ ２４ ８２１６
９ １６９ １６２１ ３０ ８１４３
１０ ４１４ ０８４８ ４５ ０２１９
１１ ４５２ ６４８９ ４３ ３９８６
１２ ４９６ ５４８２ ５３ ９８６５
１３ ２１１ ９０８３ ２６ ０５５７
１４ ５０ ７４７４ １６ ２１３５
１５ １６ ５６５１ ９ ５９０９
１６ ８６ １６５２ １９ ５６９３
１７ １０７ ４１７７ ２３ ９００９
１８ ６８ ０６５６ １９ ４６８５
１９ ４７６ ３３０２ ４８ ８５０２
２０ ５１２ １１５３ ５２ ０２５８
Ａｆｔｅｒ ｓｅｌｅｃｔｉｏｎ， ｔｈｒｅｅ⁃ｌａｙｅｒ ＷＮＮ ｓｔｒｕｃｔｕｒｅ ８⁃１５⁃１
ｗａｓ ｂｕｉｌｔ ｕｐ ｗｉｔｈ ｔｈｅ ｌｅａｒｎｉｎｇ ｒａｔｅ Ｌｒ１ ＝ ０ ３， Ｌｒ２ ＝
０ １， ｉｔｅｒａｔｉｏｎｓ ｏｆ １５０ ａｎｄ ｅｒｒｏｒ ａｃｃｕｍｕｌａｔｉｏｎ ｏｆ ０．
２ ２ ２ Ｒｅｓｕｌｔｓ ｏｆ ＢＰＮＮ ｐａｒａｍｅｔｅｒｓ ｓｃｒｅｅｎｉｎｇ
Ｔｈｅ ｔｈｒｅｅ ｍａｊｏｒ ｔｙｐｅｓ ｏｆ Ｓｉｇｍｏｉｄ ｆｕｎｃｔｉｏｎｓ ｗｅｒｅ
ｐａｉｒｅｄ ｃｏｎｓｅｃｕｔｉｖｅｌｙ ｔｏ ｏｂｔａｉｎ ｔｈｅ ｃｏｒｒｅｓｐｏｎｄｉｎｇ ｐｒｅ⁃
ｄｉｃｔｉｏｎ ｅｒｒｏｒｓ ｏｆ ｄｉｆｆｅｒｅｎｔ ｔｒａｎｓｆｅｒ ｆｕｎｃｔｉｏｎｓ． Ｓｈｏｗｎ ｔｈｅ
ｌｏｗｅｓｔ ｖａｌｕｅｓ ｆｏｒ ｂｏｔｈ ＭＳＥ ａｎｄ ＭＡＰＥ ｉｎ ｔｈｅ ｔｅｓｔ， ｔｈｅ
ｌｏｇｓｉｇ⁃ｌｏｇｓｉｇ ｃｏｍｂｉｎａｔｉｏｎ ｗａｓ ｓｅｌｅｃｔｅｄ ａｓ ｔｈｅ ｔｒａｎｓｆｅｒ
ｆｕｎｃｔｉｏｎ ｆｏｒ ｂｏｔｈ ｔｈｅ ｈｉｄｄｅｎ ａｎｄ ｉｎｐｕｔ ｌａｙｅｒｓ．
Ｔｅｓｔｉｎｇ ｌｅａｒｎｉｎｇ ｒａｔｅ ｂｅｔｗｅｅｎ ０ ０１ － ０ ０９ ａｎｄ
０ １ － ０ ８ ｒｅｓｐｅｃｔｉｖｅｌｙ ｆｏｕｎｄ ｔｈａｔ ｔｈｅ ＭＳＥ ａｎｄ ＭＡＰＥ
ｖａｌｕｅｓ ｏｆ ＢＰＮＮ ｗｅｒｅ ｔｈｅ ｌｏｗｅｓｔ ｗｈｅｎ ｔｈｅ ｌｅａｒｎｉｎｇ ｒａｔｅ
ｗａｓ ０ ０２． Ｉｔ ｗａｓ ｆｏｕｎｄ ｔｈａｔ ｉｎ ｓｅｌｅｃｔｉｏｎ ｏｆ ｔｈｅ ｈｉｄｄｅｎ
ｌａｙｅｒ ｎｏｄｅ ｎｕｍｂｅｒｓ ｗｈｅｎ ｔｈｅ ｎｏｄｅ ｎｕｍｂｅｒ ｗａｓ ２０， ｔｈｅ
ＭＳＥ ａｎｄ ＭＡＰＥ ｖａｌｕｅｓ ｏｆ ＢＰＮＮ ｈｉｔ ｔｈｅ ｌｏｗｅｓｔ ｌｅｖｅｌ．
Ａｆｔｅｒ ｓｅｌｅｃｔｉｏｎ ａｎｄ ｅｍｐｉｒｉｃａｌ ｅｖａｌｕａｔｉｏｎ， ｔｈｅ ｆｏｌｌｏｗｉｎｇ
ｄａｔａ ｗｅｒｅ ｓｅｌｅｃｔｅｄ： ８⁃２０⁃１ ａｓ ｔｈｅ ｓｔｒｕｃｔｕｒｅ ｏｆ ＢＰＮＮ；
ｌｏｇｓｉｇ ａｓ ｔｈｅ ｔｒａｎｓｆｅｒ ｆｕｎｃｔｉｏｎ ｏｆ ｂｏｔｈ ｔｈｅ ｈｉｄｄｅｎ ａｎｄ
ｏｕｔｐｕｔ ｌａｙｅｒｓ， ｔｒａｉｎｌｍ ａｓ ｔｈｅ ｔｒａｉｎｉｎｇ ｆｕｎｃｔｉｏｎ， ｌｅａｒｎｇ⁃
ｄｍ ａｓ ｔｈｅ ｗｅｉｇｈｔ ｌｅａｒｎｉｎｇ ｆｕｎｃｔｉｏｎ， ０ ９ ａｓ ｆａｃｔｏｒ ｏｆ
ｍｏｍｅｎｔｕｍ， ７ ａｓ ｔｒａｉｎｉｎｇ ｆｒｅｑｕｅｎｃｙ， Ｌｒ ＝ ０ ０２ ａｓ
Ｔａｂｌｅ ４ Ｆｏｒｅｃａｓｔ ｅｒｒｏｒｓ ｃｏｒｒｅｓｐｏｎｄｉｎｇ ｔｏ ｄｉｆｆｅｒｅｎｔ
ｔｒａｉｎｉｎｇ ｒａｔｅｓ ｉｎ ＷＮＮ
Ｎｕｍｂｅｒ Ｌｒ１ Ｌｒ２ ＭＳＥ ＭＡＰＥ （％ ）
１ ０ １０ ０ ０１ ８２６ ９８９４ ６６ ３１４２
２ ０ １０ ０ ０２ ５９０ ４０９１ ４９ ５２０７
３ ０ １０ ０ ０３ ３９０ ８２４８ ４２ ７９１８
４ ０ １０ ０ ０４ １５７ ９８４６ ３１ ０３２３
５ ０ １０ ０ ０５ ８９ １８６８ ２３ ２４５５
６ ０ １０ ０ ０６ ２１０ ６６３８ ３２ ０３２７
７ ０ １０ ０ ０７ ７８４ ７７４６ ５８ ６５９７
８ ０ １０ ０ ０８ ６５２ ６７１８ ６２ ３３３７
９ ０ １０ ０ ０９ １９１ １５７８ ３２ ３７３０
１０ ０ １０ ０ １０ ２９ ８５３８ １０ ４４８９
１１ ０ １０ ０ ２０ １５３ ３８９６ ３０ １０８９
１２ ０ １０ ０ ３０ １００ ５３６０ ２１ ７４００
１３ ０ １０ ０ ４０ ２９２ ６５５３ ４２ ４６３２
１４ ０ １０ ０ ５０ ６２ ６９０２ １８ ７６７１
１５ ０ １０ ０ ６０ ２６９ ０９８５ ３０ ３０７３
１６ ０ １０ ０ ７０ １７１ ２２７８ ２９ ０３４７
１７ ０ １０ ０ ８０ ５６ ０５３５ １８ ３６３６
１８ ０ ０１ ０ １０ ３２ ３５０２ １２ ８０１８
１９ ０ ０２ ０ １０ ４６４ ９６２０ ５０ ５６４７
２０ ０ ０３ ０ １０ ４６７ ２９７０ ５３ ８０７４
２１ ０ ０４ ０ １０ ２６１ ７１３０ ３７ ７７４０
２２ ０ ０５ ０ １０ １５８ ５９４９ ２５ ３５３９
２３ ０ ０６ ０ １０ ７０７ ６３３０ ５３ ４５１４
２４ ０ ０７ ０ １０ ７３１ ０３３０ ６１ ９５５５
２５ ０ ０８ ０ １０ ４３６ ２８１８ ５０ １３７７
２６ ０ ０９ ０ １０ １１２ ３５７９ ２３ ５０８４
２７ ０ １０ ０ １０ ２９ ８５３８ １０ ４４８９
２８ ０ ２０ ０ １０ ４９ ６２３３ １７ ３１５２
２９ ０ ３０ ０ １０ ５ ９７６４ ４ １９３９
３０ ０ ４０ ０ １０ ４６９ ８７９８ ５１ ９４９８
３１ ０ ５０ ０ １０ ５１ ３８２３ １６ ７６０６
３２ ０ ６０ ０ １０ ２９３ ８９０４ ３３ ５３９４
３３ ０ ７０ ０ １０ ２７３ ３８５５ ４０ ５３９５
３４ ０ ８０ ０ １０ １６４ １０６０ ２８ ０７４９
ｌｅａｒｎｉｎｇ ｒａｔｅ， １ × １０ － ５ ａｓ ｔｈｅ ｌｏｗｅｓｔ ｅｘｐｅｃｔｅｄ ｔａｒｇｅｔ
ｅｒｒｏｒ．
２ ３ Ｆｉｔｔｉｎｇ ｒｅｓｕｌｔｓ ｏｆ ｏｃｃｕｒｒｅｎｃｅ ｐｅｒｉｏｄｓ ｏｆ ｗｈｅａｔ
ａｐｈｉｄ ｄｕｒｉｎｇ ２００２—２０１１
Ｔｈｅ ｏｃｃｕｒｒｅｎｃｅ ｐｅｒｉｏｄｓ ｏｆ ｗｈｅａｔ ａｐｈｉｄ ｏｆ ２００１—
２０１１ ｗｅｒｅ ｔｒａｉｎｅｄ ｕｓｉｎｇ ＷＮＮ， ｔｈｅ ｆｉｔｔｉｎｇ ｐｒｅｃｉｓｉｏｎ
ｗａｓ ａｂｏｖｅ ９０％ ｉｎ ｓｉｘ ｏｆ ｔｈｅ ｙｅａｒｓ ｗｉｔｈ ａｎ ａｖｅｒａｇｅ ｐｒｅ⁃
ｃｉｓｉｏｎ ｒａｔｅ ｏｆ ８９％ （Ｆｉｇ． ２）． Ｉｎ ＢＰＮＮ ｔｒａｉｎｉｎｇ， ｆｏｕｒ
ｙｅａｒｓ ｓｈｏｗｅｄ ａ ｆｉｔｔｉｎｇ ｐｒｅｃｉｓｉｏｎ ｏｆ ９０％ ｗｉｔｈ ａｎ ａｖｅｒａｇｅ
ｐｒｅｃｉｓｉｏｎ ｏｆ ８１ ０７％ ． Ｔｈｅ ｔｅｓｔ ｄｅｍｏｎｓｔｒａｔｅｄ ｔｈａｔ ＷＮＮ
ｗａｓ ｂｅｔｔｅｒ ａｔ ｄｅｓｃｒｉｂｉｎｇ ｔｈｅ ｃｈａｎｇｅ ｐａｔｔｅｒｎ ｏｆ ｏｃｃｕｒ⁃
８５３ 植 物 保 护 学 报 ４３ 卷
Ｆｉｇ． ２ Ｔｈｅ ｓｉｍｕｌａｔｉｏｎ ｅｆｆｅｃｔ ｏｆ ｓｔｕｄｙ ｏｆ ＷＮＮ ａｎｄ ＢＰＮＮ
ｒｅｎｃｅ ｐｅｒｉｏｄ ｏｆ ｗｈｅａｔ ａｐｈｉｄ ｗｉｔｈ ｂｅｔｔｅｒ ｆｉｔｔｉｎｇ ｃａｐａｂｉｌｉ⁃
ｔｙ ｔｈａｎ ＢＰＮＮ．
２ ４ Ｏｃｃｕｒｒｅｎｃｅ ｐｅｒｉｏｄ ｏｆ ｗｈｅａｔ ａｐｈｉｄ ｐｒｅｄｉｃｔｉｏｎ
ｂｅｔｗｅｅｎ ２０１２ ａｎｄ ２０１４
Ｔｈｅ ｆｏｌｌｏｗｉｎｇ ｃａｎ ｂｅ ｌｅａｒｎｔ ｂｙ ｃｏｍｐａｒｉｎｇ ｔｈｅ ｐｒｅ⁃
ｄｉｃｔｉｏｎ ａｃｃｕｒａｃｙ ａｎｄ ｐｅｒｆｏｒｍａｎｃｅ ｏｆ ＷＮＮ ａｎｄ ＢＰＮＮ：
ＷＮＮ ｂｅｉｎｇ ９５ ８１％ ａｎｄ ＢＰＮＮ ｂｅｉｎｇ ９３ ５３％ ． Ａ
ｃｏｎｔｒａｓｔ ｏｆ ｂｏｔｈ ｍｏｄｅｌ ’ ｓ ＭＳＥ ｓｕｇｇｅｓｔｅｄ ｔｈｅ ＭＳＥ
ｖａｌｕｅ ｏｆ ＷＮＮ （ ５ ９７６４ ） ｗａｓ ｓｍａｌｌｅｒ ｔｈａｎ ＢＰＮＮ
（８ ２４５７ ）． Ｔｈｅ ｒｅｓｕｌｔ ｄｅｍｏｎｓｔｒａｔｅｄ ｔｈａｔ ＷＮＮ ｗａｓ
ｂｅｔｔｅｒ ｔｈａｎ ＢＰＮＮ ｉｎ ｔｈｅ ａｃｃｕｒａｃｙ ａｎｄ ｓｔａｂｉｌｉｔｙ ｏｆ ｐｒｅ⁃
ｄｉｃｔｉｏｎ （Ｔａｂｌｅ ５）．
Ｔａｂｌｅ ５ Ｒｅｓｕｌｔｓ ｏｆ ｏｃｃｕｒｒｅｎｃｅ ｐｅｒｉｏｄ ｏｆ ｗｈｅａｔ ａｐｈｉｄ ｐｒｅｄｉｃｔｉｏｎ ｂａｓｅｄ ｏｎ ＰＣＡ⁃ＷＮＮ ａｎｄ ＰＣＡ⁃ＢＰＮＮ
Ｙｅａｒ Ａｃｔｕａｌｖａｌｕｅ
ＰＣＡ⁃ＷＮＮ ＰＣＡ⁃ＢＰＮＮ
Ｐｒｅｄｉｃｔｅｄ
ｖａｌｕｅ
Ｅｒｒｏｒ
ａｂｓｏｌｕｔｅ
ｖａｌｕｅ
Ｆｉｔｔｉｎｇ
ｐｒｅｃｉｓｉｏｎ
（％ ）
Ｐｒｅｄｉｃｔｅｄ
ｖａｌｕｅ
Ｅｒｒｏｒ
ａｂｓｏｌｕｔｅ
ｖａｌｕｅ
Ｆｉｔｔｉｎｇ
ｐｒｅｃｉｓｉｏｎ
（％ ）
２０１２ ４０ ００ ３６ ７７ ３ ２３ ９１ ９３ ３６ ００ ４ ００ ９０ ００
２０１３ ３６ ００ ３６ １３ ０ １３ ９９ ６５ ３８ ８９ ２ ８９ ９１ ９８
２０１４ ４６ ００ ４４ ０９ １ ９１ ９５ ８４ ４６ ６４ ０ ６４ ９８ ６１
Ａｖｅｒａｇｅ ｐｒｅｄｉｃｔｉｏｎ ａｃｃｕｒａｃｙ ９５ ８１ ９３ ５３
３ Ｄｉｓｃｕｓｓｉｏｎ
Ｔｈｅ ｏｃｃｕｒｒｅｎｃｅ ａｎｄ ｄｅｖｅｌｏｐｍｅｎｔ ｏｆ ｃｒｏｐ ｐｅｓｔｓ ａｒｅ
ｃｏｍｐｌｉｃａｔｅｄ ａｎｄ ｎｏｎ⁃ｌｉｎｅａｒ ｉｎ ｔｈｅ ｆｉｅｌｄ． Ｂｙ ｕｓｉｎｇ ｔｈｅ
ｐｒｉｎｃｉｐａｌ ｃｏｍｐｏｎｅｎｔ ａｎａｌｙｓｉｓ， ＷＮＮ ａｎｄ ＢＰＮＮ ｍｏｄｅｌｓ
ｗｅｒｅ ｂｕｉｌｔ ｂａｓｅｄ ｏｎ ｔｈｅ ｍｏｎｉｔｏｒｉｎｇ ｄａｔａ ｏｆ ｔｈｅ ｐｏｐｕｌａ⁃
ｔｉｏｎ ｏｆ ｗｈｅａｔ ａｐｈｉｄ ｏｃｃｕｒｒｅｄ ｄｕｒｉｎｇ ｄｉｆｆｅｒｅｎｔ ｐｅｒｉｏｄ ｏｆ
ｔｉｍｅ ｉｎ Ｓｈａｎｘｉ Ｐｒｏｖｉｎｃｅ． Ｔｈｅ ｐｒｅｄｉｃｔｉｏｎ ａｃｃｕｒａｃｙ ａｎｄ
ｓｔａｂｉｌｉｔｙ ｏｆ ｔｗｏ ｍｏｄｅｌｓ ｗｅｒｅ ｃｏｍｐａｒｅｄ． Ｔｈｅ ｒｅｓｕｌｔ ｉｎｄｉ⁃
ｃａｔｅｄ ｔｈａｔ ｔｈｅ ａｖｅｒａｇｅ ｐｒｅｄｉｃｔｉｏｎ ａｃｃｕｒａｃｙ ｏｆ ｂｏｔｈ ｍｏｄ⁃
ｅｌｓ ｗａｓ ｇｒｅａｔｅｒ ｔｈａｎ ９０％ ， ａｎｄ ＷＮＮ ｓｈｏｗｅｄ ｂｅｔｔｅｒ
ｐｒｅｄｉｃｔｉｏｎ ａｃｃｕｒａｃｙ ａｎｄ ｓｔａｂｉｌｉｔｙ ｔｈａｎ ｔｈａｔ ｏｆ ＢＰＮＮ．
ＷＮＮ ａｌｓｏ ｓｈｏｗｅｄ ｔｈｅ ｐｒｏｐｅｒｔｙ ｏｆ ｔｅｍｐｏｒａｌ ｆｒｅｑｕｅｎｃｙ
ｓｉｍｕｌｔａｎｅｏｕｓ ａｎａｌｙｓｉｓ ｏｆ ｗａｖｅｌｅｔ ａｎａｌｙｓｉｓ ａｎｄ ｔｈｅ ｃａｐａ⁃
ｂｉｌｉｔｙ ｏｆ ｓｅｌｆ⁃ｌｅａｒｎｉｎｇ， ｓｅｌｆ⁃ｏｒｇａｎｉｚａｔｉｏｎ ａｎｄ ｎｏｎ⁃ｌｉｎｅａｒ
ｍａｐｐｉｎｇ ｏｆ ｔｈｅ ｎｅｕｒａｌ ｎｅｔｗｏｒｋ． ＷＮＮ ｍｏｄｅｌ ｈａｓ ｐｏｔｅｎ⁃
ｔｉａｌ ｔｏ ｂｅ ｕｓｅｄ ａｓ ａ ｎｏｖｅｌ ｍｅｔｈｏｄ ｆｏｒ ｉｎｓｅｃｔ ｐｅｓｔ ｐｒｅｄｉｃ⁃
ｔｉｏｎ ｉｎ ｔｈｅ ｆｉｅｌｄ ｂｙ ｇｒａｄｕａｌｌｙ ｏｐｔｉｍｉｚｉｎｇ ｔｈｅ ｉｎｆｌｕｅｎｃｅ ｏｆ
ｉｎｓｅｃｔ ｐｅｓｔ ｆａｃｔｏｒｓ ｏｎ ｔｈｅ ｍｏｄｅｌ ｓｕｃｈ ａｓ ｏｖｅｒｗｉｎｔｅｒｉｎｇ
ｐｏｐｕｌａｔｉｏｎ， ｎａｔｕｒａｌ ｅｎｅｍｙ ｔｙｐｅｓ， ｐｅｓｔ ｃｏｎｔｒｏｌ ｓｔｒａｔｅｇｙ，
ａｎｄ ｓｏ ｏｎ．
Ｃｏｍｐａｒｅｄ ｗｉｔｈ ｔｈｅ ｓｔｕｄｙ ｏｆ ｔｈｅ ｐｒｅｄｉｃａｔｅｄ ｐｏｔｅｎ⁃
ｔｉａｌ ｏｆ ＢＰＮＮ ｗｉｔｈ ｃｏｔｔｏｎ ａｐｈｉｄ， Ａｐｈｉｓ ｇｏｓｓｙｐｉｉ Ｇｌｏｖｅｒ，
ｏｎ ｓｕｇａｒｃａｎｅ （Ｏｕ ｅｔ ａｌ． ，２００８） ａｎｄ ｔｈｅ ｓｔｕｄｙ ｏｆ ＷＮＮ
ｐｒｅｄｉｃａｔｉｏｎ ａｃｔｉｖｉｔｙ ｏｎ ｅｇｇ ｌａｙｉｎｇ ｐｅａｋ ｏｆ ｃｏｒｎ ｅａｒ⁃
ｗｏｒｍ， Ｈｅｌｉｃｏｖｅｒｐａ ａｒｍｉｇｅｒａ （ Ｈüｂｎｅｒ） （ Ｚｈｕ ｅｔ ａｌ．
２０１０）， ｔｈｅ ｐｒｅｓｅｎｔ ｓｔｕｄｙ ｎｏｔ ｏｎｌｙ ｄｅｔｅｒｍｉｎｅｄ ｔｈｅ ｐｒｅ⁃
ｄｉｃｔｉｏｎ ａｃｃｕｒａｃｙ ｏｆ ｂｏｔｈ ＢＰＮＮ ａｎｄ ＷＮＮ， ｂｕｔ ａｌｓｏ ｏｐ⁃
ｔｉｍｉｚｅｄ ｔｈｅ ｍｏｄｅｌｉｎｇ ｐｒｏｃｅｄｕｒｅ， ａｎｄ ｖｅｒｉｆｉｅｄ ｔｈｅ ａｄ⁃
ｖａｎｔａｇｅ ｏｆ ｔｈｅ ＷＮＮ．
９５３３ 期 Ｊｉｎ Ｒａｎ， ｅｔ ａｌ． ： Ｃｏｍｐａｒｉｓｏｎ ｏｆ ｏｃｃｕｒｒｅｎｃｅ ｐｅｒｉｏｄｓ ｏｆ ｗｈｅａｔ ａｐｈｉｄｓ ｂａｓｅｄ ｏｎ ｄｉｆｆｅｒｅｎｔ ｐｒｅｄｉｃｔｉｏｎ ｓｙｓｔｅｍｓ
Ｔｈｅ ｒｅａｓｏｎｓ ｏｆ ＷＮＮ ｍｏｄｅｌ ｐｏｓｓｅｓｓｉｎｇ ｂｅｔｔｅｒ
ｐｒｅｄｉｃａｔｅｄ ｐｏｔｅｎｔｉａｌ ｏｆ ｔｈｅ ｏｃｃｕｒｒｅｎｃｅ ｐｅｒｉｏｄ ｏｆ ｗｈｅａｔ
ａｐｈｉｄ ｗｅｒｅ， ｆｉｒｓｔｌｙ， ｐｒｉｏｒ ｔｏ ｂｕｉｌｄ ａ ｎｅｕｒａｌ ｎｅｔｗｏｒｋ，
ｔｈｅ ｉｎｐｕｔ ｖａｒｉａｂｌｅｓ ｗｅｒｅ ｐｒｅｐｒｏｃｅｓｓｅｄ ｗｉｔｈ ＰＣＡ ｍｅｔｈ⁃
ｏｄ， ｍｉｎｉｍｉｚｅｄ ｔｈｅ ｉｎｔｅｒｐｌａｙ ｅｆｆｅｃｔ ｏｆ ａｓｓｏｃｉａｔｅｄ ｆａｃｔｏｒｓ，
ａｎｄ ｒｅｄｕｃｅｄ ｔｈｅ ｄｉｍｅｎｓｉｏｎｓ ｆｒｏｍ ４２ ｔｏ ｅｉｇｈｔ， ｗｈｉｃｈ ｅｆ⁃
ｆｅｃｔｉｖｅｌｙ ａｖｏｉｄｅｄ ｔｈｅ ｄｉｍｅｎｓｉｏｎ ｄｉｓａｓｔｅｒ ｃａｕｓｅｄ ｂｙ ｈｉｇｈ
ｄｉｍｅｎｓｉｏｎｓ． Ｓｅｃｏｎｄｌｙ， ｔｈｅ ｎｏｄｅ ｎｕｍｂｅｒｓ ｏｆ ｔｈｅ ｈｉｄｄｅｎ
ｌａｙｅｒ ｗｅｒｅ ｓｃｒｅｅｎｅｄ． Ｔｈｅ ｓｔｒｕｃｔｕｒｅｓ ｏｆ ８⁃１５⁃１ ｆｏｒ ＷＮＮ
ａｎｄ ８⁃２０⁃１ ｆｏｒ ＢＰＮＮ ｗｅｒｅ ｓｅｔ ｕｐ， ｉｎ ｗｈｉｃｈ ＷＮＮ ｈａｄ
１５ ｎｅｒｖｅ ｃｅｌｌｓ ａｎｄ ＢＰＮＮ ｈａｄ ２０． Ｔｈｅ ｓｉｍｐｌｅｒ ｓｔｒｕｃ⁃
ｔｕｒｅ ｏｆ ＷＮＮ ｐｒｏｖｉｄｅｄ ｔｈｅ ｓｈｏｒｔｅｎｅｄ ｔｒａｉｎｉｎｇ ｔｉｍｅ
ｗｈｉｃｈ ｅｎｓｕｒｅｄ ｏｐｔｉｍｕｍ ｐｏｉｎｔｓ ａｃｃｅｓｓｉｂｌｅ ａｎｄ ａｖｏｉｄｅｄ
ｆａｌｌｉｎｇ ｉｎｔｏ ｔｈｅ ｌｏｃａｌ ｍｉｎｉｍｕｍ ｐｏｉｎｔｓ ａｎｄ ｔｈｅ ｏｖｅｒ⁃ｆｉｔ⁃
ｔｉｎｇ ｐｈｅｎｏｍｅｎｏｎ ｄｕｒｉｎｇ ｎｅｔｗｏｒｋ ｔｒａｉｎｉｎｇ， ｂｙ ｗｈｉｃｈ ｔｈｅ
ｐｒｅｄｉｃａｔｉｏｎ ａｃｃｕｒａｃｙ ｏｆ ＷＮＮ ｗａｓ ｅｆｆｅｃｔｉｖｅｌｙ ｉｍｐｒｏｖｅｄ．
Ｔｈｉｒｄｌｙ， ＷＮＮ ｃｈｏｓｅ ｔｈｅ ｃｏｍｍｏｎ ｗａｖｅｌｅｔ ｆｕｎｃｔｉｏｎ
Ｍｏｒｌｅｔ ａｓ ｔｈｅ ｔｒａｎｓｆｅｒ ｆｕｎｃｔｉｏｎ， ｗｈｉｌｅ ＢＰＮＮ ｕｓｅｄ
ｌｏｇｓｉｇ ａｓ ｔｈｅ ｔｒａｎｓｆｅｒ ｆｕｎｃｔｉｏｎ ｏｆ ｔｈｅ ｈｉｄｄｅｎ ａｎｄ ｏｕｔｐｕｔ
ｌａｙｅｒ． Ｔｈｅ ｆｏｒｍｅｒ ｈａｄ ｂｅｔｔｅｒ ｃａｐａｂｉｌｉｔｙ ｉｎ ｅｘｔｒａｃｔｉｎｇ
ｎｏｎ⁃ｌｉｎｅａｒ ｑｕａｌｉｔｉｅｓ， ｂｅｔｔｅｒ Ｒｏｂｕｓｔｎｅｓｓ， ｌｅｓｓｅｒ ｅｒｒｏｒ，
ａｎｄ ｂｅｔｔｅｒ ｇｅｎｅｒａｌｉｚａｔｉｏｎ ａｂｉｌｉｔｙ ｔｏ ｃｏｐｅ ｗｉｔｈ ｔｈｅ ｉｎｔｅｒ⁃
ｆｅｒｅｎｃｅｓ． Ｆｉｎａｌｌｙ， ＷＮＮ ｓｈｏｗｅｄ ｔｈｅ ｃａｐａｂｉｌｉｔｙ ｔｏ ｅｆｆｅｃ⁃
ｔｉｖｅｌｙ ｅｘｔｒａｃｔ ａｎｄ ｍｏｄｉｆｙ ｔｈｅ ｋｅｙ ｉｎｆｏｒｍａｔｉｏｎ ｏｆ ｓｉｇｎａｌｓ
ｂｙ ｍｕｌｔｉ⁃ｄｉｍｅｎｓｉｏｎａｌ ａｎａｌｙｓｉｓ ｏｆ ｓｉｇｎａｌｓ ｗｉｔｈ ｓｃａｌｅ ｅｘ⁃
ｐａｎｓｉｏｎ ｆａｃｔｏｒｓ ａｎｄ ｔｉｍｅ ｓｈｉｆｔ ｆａｃｔｏｒｓ．
Ｒｅｆｅｒｅｎｃｅｓ
Ｂａｋｓｈｉ ＢＲ， Ｓｔｅｐｈａｎｏｐｏｕｌｏｓ Ｇ． １９９３． Ｗａｖｅ⁃ｎｅｔ： ａ ｍｕｌｔｉｒｅｓｏｌｕｔｉｏｎ，
ｈｉｅｒａｒｃｈｉｃａｌ ｎｅｕｒａｌ ｎｅｔｗｏｒｋ ｗｉｔｈ ｌｏｃａｌｉｚｅｄ ｌｅａｒｎｉｎｇ． ＡＩＣｈＥ
Ｊｏｕｒｎａｌ， ３９（１）： ５７ － ８１
Ｃａｏ ＹＺ， Ｙｉｎ Ｊ， Ｌｉ ＫＢ， Ｚｈａｎｇ ＫＣ， Ｌｉ ＸＱ． ２００６． Ｄｉｓｃｕｓｓｉｏｎ ｏｎ
ｗｈｅａｔ ａｐｈｉｄｓ ｃｏｎｔｉｎｕｏｕｓｌｙ ｒａｍｐａｎｔ ｒｅａｓｏｎｓ ａｎｄ ｃｏｎｔｒｏｌ ｃｏｕｎｔｅｒ
ｍｅａｓｕｒｅｓ． Ｐｌａｎｔ Ｐｒｏｔｅｃｔｉｏｎ， ３２（５）： ７２ － ７５ （ｉｎ Ｃｈｉｎｅｓｅ）
Ｃｈｅｎ Ｚ， Ｆｅｎｇ ＴＪ． １９９９． Ｒｅｓｅａｒｃｈ ｄｅｖｅｌｏｐｍｅｎｔ ａｎｄ ｐｒｏｓｐｅｃｔｓ ｏｆ
ｗａｖｅｌｅｔ ｎｅｕｒａｌ ｎｅｔｗｏｒｋｓ． Ｊｏｕｒｎａｌ ｏｆ Ｏｃｅａｎ Ｕｎｉｖｅｒｓｉｔｙ ｏｆ Ｑｉｎｇｄ⁃
ａｏ， ２９（４）： ６６３ － ６６８ （ｉｎ Ｃｈｉｎｅｓｅ）
Ｃｈｅｎ ＺＧ． ２００９． Ａｐｐｌｉｃａｔｉｏｎ ｏｆ ｇｅｎｅｔｉｃ ａｌｇｏｒｉｔｈｍ ａｎｄ ＢＰＮＮ ｉｎ ＧＤＰ
ｆｏｒｅｃａｓｔｓ． Ｃｏｍｐｕｔｅｒ ａｎｄ Ｄｉｇｉｔａｌ Ｅｎｇｉｎｅｅｒｉｎｇ， ３７ （９）： １７２ －
１７５ （ｉｎ Ｃｈｉｎｅｓｅ）
Ｆａｌａｍａｒｚｉ Ｙ， Ｐａｌｉｚｄａｎ Ｎ， Ｈｕａｎｇ ＹＦ， Ｌｅｅ ＴＳ． ２０１４． Ｅｓｔｉｍａｔｉｎｇ
ｅｖａｐｏｔｒａｎｓｐｉｒａｔｉｏｎ ｆｒｏｍ ｔｅｍｐｅｒａｔｕｒｅ ａｎｄ ｗｉｎｄ ｓｐｅｅｄ ｄａｔａ ｕｓｉｎｇ
ａｒｔｉｆｉｃｉａｌ ａｎｄ ｗａｖｅｌｅｔ ｎｅｕｒａｌ ｎｅｔｗｏｒｋｓ （ＷＮＮｓ）． Ａｇｒｉｃｕｌｔｕｒａｌ
Ｗａｔｅｒ Ｍａｎａｇｅｍｅｎｔ， １４０： ２６ － ３６
Ｆｅｎｇ ＺＹ． ２００７． Ｔｈｅ ｃｏｍｐａｒｉｓｏｎ ａｎｄ ｓｔｕｄｙ ｂａｓｅｄ ｏｎ Ｗａｖｅｌｅｔ ｎｅｕｒａｌ
ｎｅｔｗｏｒｋ ａｎｄ ＢＰＮＮ． Ｍａｓｔｅｒ Ｔｈｅｓｉｓ． Ｃｈｅｎｇｄｕ： Ｃｈｅｎｇｄｕ
Ｕｎｉｖｅｒｓｉｔｙ ｏｆ Ｔｅｃｈｎｏｌｏｇｙ， ｐｐ． ２６ （ｉｎ Ｃｈｉｎｅｓｅ）
Ｆｕ ＨＸ， Ｚｈａｏ Ｈ， Ｗａｎｇ ＹＣ， Ｓｏｎｇ ＨＹ． ２０１０． Ａｐｐｌｉｃａｔｉｏｎ ｄｅｓｉｇｎ ｏｆ
ｎｅｕｒａｌ ｎｅｔｗｏｒｋ ｏｎ ＭＡＴＬＡＢ． Ｂｅｉｊｉｎｇ： Ｃｈｉｎａ Ｍａｃｈｉｎｅ Ｐｒｅｓｓ，
ｐｐ． １９３ － ２０８ （ｉｎ Ｃｈｉｎｅｓｅ）
Ｋｉａｌａｓｈａｋｉ Ａ， Ｒｅｉｓｅｌ ＪＲ． ２０１４． Ｄｅｖｅｌｏｐｍｅｎｔ ａｎｄ ｖａｌｉｄａｔｉｏｎ ｏｆ ａｒｔｉ⁃
ｆｉｃｉａｌ ｎｅｕｒａｌ ｎｅｔｗｏｒｋ ｍｏｄｅｌｓ ｏｆ ｔｈｅ ｅｎｅｒｇｙ ｄｅｍａｎｄ ｉｎ ｔｈｅ ｉｎｄｕｓ⁃
ｔｒｉａｌ ｓｅｃｔｏｒ ｏｆ ｔｈｅ Ｕｎｉｔｅｄ Ｓｔａｔｅｓ． Ｅｎｅｒｇｙ， ７６： ７４９ － ７６０
Ｌｉ ＱＱ， Ｗａｎｇ ＣＱ， Ｚｈａｎｇ ＷＪ， Ｙｕ Ｙ， Ｌｉ Ｂ， Ｙａｎｇ Ｊ， Ｂａｉ ＧＣ， Ｃａｉ
Ｙ． ２０１３． Ｐｒｅｄｉｃｔｉｏｎ ｏｆ ｓｏｉｌ ｎｕｔｒｉｅｎｔｓ ｓｐａｔｉａｌ ｄｉｓｔｒｉｂｕｔｉｏｎ ｂａｓｅｄ
ｏｎ ｎｅｕｒａｌ ｎｅｔｗｏｒｋ ｍｏｄｅｌ ｃｏｍｂｉｎｅｄ ｗｉｔｈ ｇｏｅｓｔａｔｉｓｔｉｃｓ． Ｃｈｉｎｅｓｅ
Ｊｏｕｒｎａｌ ｏｆ Ａｐｐｌｉｅｄ Ｅｃｏｌｏｇｙ， ２４（２）： ４５９ － ４６６ （ｉｎ Ｃｈｉｎｅｓｅ）
Ｌｉ ＷＣ， Ｓｏｎｇ ＤＭ， Ｃｈｅｎ Ｂ． ２００６． Ａｒｔｉｆｉｃｉａｌ ｎｅｕｒａｌ ｎｅｔｗｏｒｋ ｂａｓｅｄ ｏｎ
ｇｅｎｅｔｉｃ ａｌｇｏｒｉｔｈｍ． Ｃｏｍｐｕｔｅｒ Ｅｎｇｉｎｅｅｒｉｎｇ ａｎｄ Ｄｅｓｉｇｎ， ２７（２）：
３１６ － ３１８ （ｉｎ Ｃｈｉｎｅｓｅ）
Ｌｉ ＺＹ， Ｐｅｎｇ ＬＨ． １９９９． Ｐｒｅｄｉｃｔｉｏｎ ｍｏｄｅｌ ｏｆ ａｇｒｉｃｕｌｔｕｒａｌ ｐｌａｎｔ ｄｉｓｅａ⁃
ｓｅｓ ａｎｄ ｉｎｓｅｃｔ ｐｅｓｔｓ ｂａｓｅｄ ｏｎ ａｒｔｉｆｉｃｉａｌ ｎｅｕｒａｌ ｎｅｔｗｏｒｋ ａｎｄ ｉｔｓ
ｖｅｒｉｆｉｃａｔｉｏｎ． Ａｃｔａ Ｅｃｏｌｏｇｉｃａ Ｓｉｎｉｃａ， １９（５）： ７５９ － ７６２ （ｉｎ Ｃｈｉ⁃
ｎｅｓｅ）
Ｌｉｕ Ｇ， Ｙａｎｇ ＸＨ， Ｇｅ ＹＢ， Ｍｉａｏ ＹＸ． ２００６． Ａｎ ａｒｔｉｆｉｃｉａｌ ｎｅｕｒａｌ ｎｅｔ⁃
ｗｏｒｋ⁃ｂａｓｅｄ ｅｘｐｅｒｔ ｓｙｓｔｅｍ ｆｏｒ ｆｒｕｉｔ ｔｒｅｅ ｄｉｓｅａｓｅ ａｎｄ ｉｎｓｅｃｔ ｐｅｓｔ
ｄｉａｇｎｏｓｉｓ． Ｐｒｏｃｅｅｄｉｎｇｓ ｏｆ ｔｈｅ ２００６ ＩＥＥＥ Ｉｎｔｅｒｎａｔｉｏｎａｌ Ｃｏｎｆｅｒ⁃
ｅｎｃｅ ｏｎ Ｎｅｔｗｏｒｋｉｎｇ， Ｓｅｎｓｉｎｇ ａｎｄ Ｃｏｎｔｒｏｌ． Ｆｌｏｒｉｄａ： ＩＥＥＥ Ｐｕｂ⁃
ｌｉｓｈｅｒ， ｐｐ． １０７６ － １０７９
Ｌｉｕ ＬＦ， Ｆｅｎｇ ＤＹ， Ｚｈａｎｇ ＨＣ． １９９７． Ｐｒｅｄｉｃｔｉｏｎ ｏｆ ａｍｏｕｎｔ ｏｆ ｗｈｅａｔ
ａｐｈｉｄ ｏｃｃｕｒｒｅｎｃｅ ｂｙ ａｐｐｌｉｃａｔｉｏｎ ｏｆ ｐｒｉｎｃｉｐａｌ ｃｏｍｐｏｎｅｎｔ ａｎａｌｙ⁃
ｓｉｓ． Ｅｎｔｏｍｏｌｏｇｉｃａｌ Ｋｎｏｗｌｅｄｇｅ， ３４ （５）： ２６０ － ２６３ （ ｉｎ Ｃｈｉ⁃
ｎｅｓｅ）
Ｍａ Ｆ， Ｘｕ ＸＦ， Ｚｈａｎｇ ＸＬ， Ｃｈｅｎｇ ＸＮ． ２００２． Ａ ｐｒｅｄｉｃｔｉｏｎ ｍｏｄｅｌ ｉｎ⁃
ｔｅｇｒａｔｉｎｇ ｐｈａｓｅ ｓｐａｃｅ ｒｅｃｏｎｓｔｒｕｃｔｉｏｎ ａｎｄ ａｒｔｉｆｉｃｉａｌ ｎｅｕｒａｌ ｎｅｔ⁃
ｗｏｒｋ ａｎｄ ｉｔｓ ａｐｐｌｉｃａｔｉｏｎ ｉｎ ｐｅｓｔ ｆｏｒｅｃａｓｔｉｎｇ． Ａｃｔａ Ｅｃｏｌｏｇｉｃａ Ｓｉｎ⁃
ｉｃａ， ２２（８）： １２９７ － １３０１ （ｉｎ Ｃｈｉｎｅｓｅ）
Ｍｏｓｔａｆａｐｏｕｒ Ａ， Ｄａｖｏｏｄｉ Ｓ， Ｇｈａｒｅａｇｈａｊｉ Ｍ． ２０１４． Ａｃｏｕｓｔｉｃ ｅｍｉｓｓｉｏｎ
ｓｏｕｒｃｅ ｌｏｃａｔｉｏｎ ｉｎ ｐｌａｔｅｓ ｕｓｉｎｇ ｗａｖｅｌｅｔ ａｎａｌｙｓｉｓ ａｎｄ ｃｒｏｓｓ ｔｉｍｅ
ｆｒｅｑｕｅｎｃｙ ｓｐｅｃｔｒｕｍ． Ｕｌｔｒａｓｏｎｉｃｓ， ５４： ２０５５ － ２０６２
Ｍｏｙａ⁃Ｍａｒｔíｎｅｚ Ｐ， Ｆｅｒｒｅｒ⁃Ｌａｐｅñａ Ｒ， Ｅｓｃｒｉｂａｎｏ⁃Ｓｏｔｏｓ Ｆ． ２０１５． Ｉｎ⁃
ｔｅｒｅｓｔ ｒａｔｅ ｃｈａｎｇｅｓ ａｎｄ ｓｔｏｃｋ ｒｅｔｕｒｎｓ ｉｎ Ｓｐａｉｎ： ａ ｗａｖｅｌｅｔ ａｎａｌｙ⁃
ｓｉｓ． Ｂｕｓｉｎｅｓｓ Ｒｅｓｅａｒｃｈ Ｑｕａｒｔｅｒｌｙ， １８： ９５ － １１０
Ｎｙｈａｎ Ｍ， ＭｃＮａｂｏｌａ Ａ， Ｍｉｓｓｔｅａｒ Ｂ． ２０１４． Ｅｖａｌｕａｔｉｎｇ ａｒｔｉｆｉｃｉａｌ ｎｅｕ⁃
ｒａｌ ｎｅｔｗｏｒｋｓ ｆｏｒ ｐｒｅｄｉｃｔｉｎｇ ｍｉｎｕｔｅ ｖｅｎｔｉｌａｔｉｏｎ ａｎｄ ｌｕｎｇ ｄｅｐｏｓｉｔｅｄ
ｄｏｓｅ ｉｎ ｃｏｍｍｕｔｉｎｇ ｃｙｃｌｉｓｔｓ． Ｊｏｕｒｎａｌ ｏｆ Ｔｒａｎｓｐｏｒｔ ＆ Ｈｅａｌｔｈ， １：
３０５ － ３１５
Ｏｕ ＺＲ， Ｔａｎ ＺＫ， Ｓｕ ＹＸ． ２００８． Ｓｔｕｄｙ ｏｎ ｔｈｅ ｍｅｔｅｏｒｏｌｏｇｉｃａｌ ｇｒａｄｅ
ｆｏｒ ｔｈｅ ｄｅｖｅｌｏｐｍｅｎｔ ｏｆ ｓｕｇａｒｃａｎｅ ａｐｈｉｄ ｉｎ Ｇｕａｎｇｘｉ ｗｉｔｈ ｔｈｅ ＢＰ
０６３ 植 物 保 护 学 报 ４３ 卷
ｎｅｕｒａｌ ｎｅｔｗｏｒｋ． Ｊｏｕｒｎａｌ ｏｆ Ａｎｈｕｉ Ａｇｒｉｃｕｌｔｕｒａｌ Ｓｃｉｅｎｃｅｓ， ３６
（２１）： ９１４１ － ９１４３， ９１５２ （ｉｎ Ｃｈｉｎｅｓｅ）
Ｔａｇｈａｖｉｆａｒ Ｈ， Ｍａｒｄａｎｉ Ａ． ２０１４． Ｗａｖｅｌｅｔ ｎｅｕｒａｌ ｎｅｔｗｏｒｋ ａｐｐｌｉｅｄ ｆｏｒ
ｐｒｏｇｎｏｓｔｉｃａｔｉｏｎ ｏｆ ｃｏｎｔａｃｔ ｐｒｅｓｓｕｒｅ ｂｅｔｗｅｅｎ ｓｏｉｌ ａｎｄ ｄｒｉｖｉｎｇ
ｗｈｅｅｌ． Ｉｎｆｏｒｍａｔｉｏｎ Ｐｒｏｃｅｓｓｉｎｇ ｉｎ Ａｇｒｉｃｕｌｔｕｒｅ， １： ５１ － ５６
Ｗａｎｇ ＤＭ， Ｗａｎｇ Ｌ， Ｚｈａｎｇ ＧＭ． ２０１２． Ｓｈｏｒｔ⁃ｔｅｒｍ ｗｉｎｄ ｓｐｅｅｄ ｆｏｒｅ⁃
ｃａｓｔ ｍｏｄｅｌ ｆｏｒ ｗｉｎｄ ｆａｒｍｓ ｂａｓｅｄ ｏｎ ｇｅｎｅｔｉｃ ＢＰＮＮ． Ｊｏｕｒｎａｌ ｏｆ
Ｚｈｅｊｉａｎｇ Ｕｎｉｖｅｒｓｉｔｙ （ Ｅｎｇｉｎｅｅｒｉｎｇ Ｓｃｉｅｎｃｅ）， ４６ （５）： ８３７ －
８４１， ９０４ （ｉｎ Ｃｈｉｎｅｓｅ）
Ｗａｎｇ ＧＣ， Ｗａｎｇ ＨＬ， Ｌü ＷＹ， Ｑｉｎｇ ＸＦ， Ｙｕ Ｈ． ２０１１． Ｐｅｓｔ ｉｎｓｅｃｔｓ
ｆｏｅｃａｓｔｉｎｇ ｂａｓｅｄ ｏｎ ａｒｔｉｆｉｃｉａｌ ｎｅｕｒａｌ ｎｅｔｗｏｒｋｓ． ／ ／ Ｔｈｅ ２ｎｄ Ａｓｉａ⁃
Ｐａｃｉｆｉｃ Ｃｏｎｆｅｒｅｎｃｅ ｏｎ Ｉｎｆｏｒｍａｔｉｏｎ Ｎｅｔｗｏｒｋ ａｎｄ Ｄｉｇｉｔａｌ Ｃｏｎｔｅｎｔ
Ｓｅｃｕｒｉｔｙ， ｐｐ． １１０ － １１２ （ｉｎ Ｃｈｉｎｅｓｅ）
Ｗａｎｇ ＸＣ， Ｓｈｉ Ｆ， Ｙｕ Ｌ， Ｌｉ Ｙ． ２０１３ ４３ ｃａｓｅｓ ａｎａｌｙｓｉｓ ｏｎ ＭＡＴＡＬＢ
ｎｅｕｒａｌ ｎｅｔｗｏｒｋ． Ｂｅｉｊｉｎｇ： Ｂｅｉｈａｎｇ Ｕｎｉｖｅｒｓｉｔｙ Ｐｒｅｓｓ， ｐｐ． ９ （ ｉｎ
Ｃｈｉｎｅｓｅ）
Ｘｉａｎｇ ＣＳ， Ｚｈｏｕ ＺＹ． ２０１０． Ａｐｐｌｉｃａｔｉｏｎ ｏｆ ＡＲＩＭＡ ａｎｄ ＳＶＭ ｈｙｂｒｉｄ
ｍｏｄｅｌ ｉｎ ｐｅｓｔ ｆｏｒｅｃａｓｔ． Ａｃｔａ Ｅｎｔｏｍｏｌｏｇｉｃａ Ｓｉｎｉｃａ， ５３ （ ９ ）：
１０５５ － １０６０ （ｉｎ Ｃｈｉｎｅｓｅ）
Ｙｅ ＱＬ， Ｗｅｉ ＬＸ． ２０１５． Ｔｈｅ ｐｒｅｄｉｃｔｉｏｎ ｏｆ ｓｔｏｃｋ ｐｒｉｃｅ ｂａｓｅｄ ｏｎ ｉｍ⁃
ｐｒｏｖｅｄ ｗａｖｅｌｅｔ ｎｅｕｒａｌ ｎｅｔｗｏｒｋ． Ｏｐｅｎ Ｊｏｕｒｎａｌ ｏｆ Ａｐｐｌｉｅｄ Ｓｃｉ⁃
ｅｎｃｅｓ， ５： １１５ － １２０
Ｙｕａｎ ＺＭ， Ｚｈａｎｇ ＹＳ， Ｘｉｏｎｇ ＪＹ． ２００８． Ｍｕｌｔｉｄｉｍｅｎｓｉｏｎａｌ ｔｉｍｅ ｓｅｒｉｅｓ
ａｎａｌｙｓｉｓ ｂａｓｅｄ ｏｎ ｓｕｐｐｏｒｔ ｖｅｃｔｏｒ ｍａｃｈｉｎｅ ｒｅｇｒｅｓｓｉｏｎ ａｎｄ ｉｔｓ ａｐ⁃
ｐｌｉｃａｔｉｏｎ ｉｎ ａｇｒｉｃｕｌｔｕｒｅ． Ｓｃｉｅｎｔｉａ Ａｇｒｉｃｕｌｔｕｒａ Ｓｉｎｉｃａ， ４１ （８）：
２４８５ － ２４９２ （ｉｎ Ｃｈｉｎｅｓｅ）
Ｚｈａｎｇ ＱＨ， Ｂｅｎｖｅｎｉｓｔｅ Ａ． １９９２． Ｗａｖｅｌｅｔ ｎｅｔｗｏｒｋｓ． ＩＥＥＥ Ｔｒａｎｓａｃ⁃
ｔｉｏｎｓ ｏｎ Ｎｅｕｒａｌ Ｎｅｔｗｏｒｋｓ， ３（６）： ８８９ － ８９８
Ｚｈａｎｇ ＸＸ， Ｚｈａｉ ＢＰ， Ｍｏｕ ＪＹ， Ｚｈａｎｇ ＧＡ， Ｌｉｕ ＸＤ． １９８５． Ｉｎｓｅｃｔ
ｅｃｏｌｏｇｙ ａｎｄ ｆｏｒｅｃａｓｔ． Ｂｅｉｊｉｎｇ： Ｃｈｉｎａ Ａｇｒｉｃｕｌｔｕｒｅ Ｐｒｅｓｓ， ｐｐ．
２０５ － ２０７ （ｉｎ Ｃｈｉｎｅｓｅ）
Ｚｈｕ ＪＳ， Ｚｈａｉ ＢＰ， Ｄｏｎｇ ＢＸ． ２０１０． Ｆｏｒｅｃａｓｔｉｎｇ ｍｏｄｅｌ ｆｏｒ ｔｈｅ ｏｖｉｐｏ⁃
ｓｉｔｉｏｎ ｐｅａｋ ｄａｙ ｉｎ ｔｈｅ ｓｅｃｏｎｄ ｇｅｎｅｒａｔｉｏｎ ｏｆ Ｈｅｌｉｃｏｖｅｒｐａ ａｒｍｉｇｅｒａ
（Ｌｅｐｉｄｏｐｔｅｒａ： Ｎｏｃｔｕｉｄａｅ） ｂａｓｅｄ ｏｎ ｒａｄｉａｌ ｂａｓｉｓ ｗａｖｅｌｅｔ ｎｅｔ⁃
ｗｏｒｋ． Ａｃｔａ Ｅｎｔｏｍｏｌｏｇｉｃａ Ｓｉｎｉｃａ， ５３ （１２）： １４２９ － １４３５ （ ｉｎ
Ｃｈｉｎｅｓｅ）
（责任编辑：高 峰）
１６３３ 期 Ｊｉｎ Ｒａｎ， ｅｔ ａｌ． ： Ｃｏｍｐａｒｉｓｏｎ ｏｆ ｏｃｃｕｒｒｅｎｃｅ ｐｅｒｉｏｄｓ ｏｆ ｗｈｅａｔ ａｐｈｉｄｓ ｂａｓｅｄ ｏｎ ｄｉｆｆｅｒｅｎｔ ｐｒｅｄｉｃｔｉｏｎ ｓｙｓｔｅｍｓ