優化BP網絡在農業墑情站數據預測中的應用研究

楊倩 嚴凱 姚凱學 何勇

摘 要：針對農業墑情站在采集農作物生長環境因子時表現不可靠的問題，文中使用BP神經網絡來預測環境數據，輔助墑情站，為農戶提供有效數據，從而對農作物進行更精準地保護。由于BP存在網絡結構難以確定等問題，故利用自適應加速因子的粒子群算法、可改變搜索空間的蜂群算法和自適應變異概率的遺傳算法三種方法來優化BP的初始權閾值。經仿真證明，三種改進方案不僅提高了BP預測的收斂速度，而且提高了預測精度。自適應加速因子的粒子群BP模型預測效果最佳，故將其嵌入農業墑情站，目前，墑情站已經投入使用，可有效保護農作物。

關鍵詞：農業墑情站;神經網絡;遺傳算法;粒子群算法;蜂群算法;預測模型

中圖分類號：TP183;TP273文獻標識碼：A文章編號：2095-1302（2019）08-00-05

0 引 言

農業數字化和精準化是現代農業的核心技術，農業環境監測顯得格外重要。農業墑情站集成了諸多傳感器，主要檢測光照、大氣溫濕度、土壤溫濕度、雨量、雨速、風速、海拔等環境因子。只有當各個環境因子均滿足農作物生長的要求時，才能使農作物更好地生長。環境因子數據是否可靠成為農業墑情站是否有效的決定因素，為了提高傳感器數據的可靠性，引入BP預測模型。由于BP存在收斂速度慢、易陷入局部極小等問題[1]，因此本文建立I3GA-BP預測模型、I2ABC-BP預測模型和I1PSO-BP預測模型，并且I1PSO-BP預測模型已經成功嵌入到后臺，運行良好。

1 農業墑情站

基于STM32F103ZET6的茶園墑情站總體框架如圖1所示。系統由數據處理模塊、太陽能供電模塊、傳感器（空氣溫濕度、土壤溫度、光照、雨量、雨速、土壤水分、土壤pH等）、遠程PC端（集成了優化的BP模塊）、手機端等部分構成。

2 PSO優化BP神經網絡

粒子群算法與模擬退火算法相似，其基本思想是從隨機解出發，通過迭代尋找最優解，粒子的品質是通過適應度來評價[2]。它比遺傳算法規則簡單，沒有遺傳算法的解碼、交叉和變異操作，具有收斂速度快、精度高、易實現等優點[3]。

2.1 PSO算法

假設在一個D維搜索空間（D根據具體問題而定），一個群體由n個粒子組成，第i個粒子的位置向量為POPi=（POPi1，POPi2，…，POPiD），速度向量為Vi=（Vi1，Vi2，…，ViD），其中i=1，2，…，n。i粒子的歷史最優位置為Pbesti=（Pbesti1，Pbesti2，…，PbestiD），整個群體最優位置為Gbesti=（Gbesti1，Gbesti2，…，GbestiD）。粒子的位置和速度更新公式

如下：

式中：d=1，2，…，D;r1和r2為[0，1]上的隨機數;c1為粒子自身學習的認識，稱為“認知”因子;c2為粒子對整個種群學習的認識，稱為“社會”因子;wmax為最大權重;wmin為最小權重;t為當前迭代次數;tmax為最大迭代次數。

2.2 PSO算法的改進

通常將加速因子c1和c2設置為常數2，c1是個體自身學習的能力，c2是粒子間協作學習的能力。迭代尋優是非線性變化過程，固定的加速因子無法體現此種變化。在迭代初期，粒子期望在較短時間內能發揮自身的優勢，快速搜索到最優值;在迭代后期，粒子期望能抓緊粒子間協作，快速收斂到最優解。本文將c2設成非線性遞增函數，將c1設成非線性遞減函數，公式如下：

2.3 改進的PSO優化BP預測模型求解思路

PSO某代的某個粒子的位置向量的維數（D）為BP權值閾值的總數，向量POP為BP權值W和閾值θ的集合。粒子i的適應度fitnessi的表達式為

式中：N為樣本數;M為輸出層節點數;yji為實際輸出值;y'ji為期望輸出值。

本文給出的PSO優化BP的步驟如下：

（1）構建PSO-BP網絡，初始化BP;

（2）初始化粒子群算法，有編碼長度、種群大小、速度范圍、位置范圍、迭代次數等;

（3）計算各個粒子的Pbest，選擇種群最優粒子作為Gbest;

（4）計算本次迭代各個粒子的適應度值，如果當前粒子的Pbest優于當前粒子的歷史Pbest，則更新粒子的位置信息和Pbest。如果本次迭代所有個體的Pbest有優于Gbest，則更新Gbest;

（5）更新加速因子c1，c2，粒子的位置和速度信息等;

（6）達到最大迭代次數，將Gbest的D維信息依次賦值給BP神經網絡的權值和閾值，開始預測，否則轉步驟（3）。

2.4 改進的PSO優化BP的預測模型在農業墑情站中的應用

根據試湊法將BP輸入層、隱藏層、輸出層節點數設置為7，12，1。最大訓練次數為1 000，精度定為0.000 01，學習速率的初始值為0.1，隱藏層傳遞函數為tansig，輸出層傳遞函數為purelin，訓練函數為trainlm，期望誤差為均方誤差函數MSE。粒子群算法種群大小為50，編碼長度為109，速度范圍[-1，1]，種群個體范圍[-3，3]，c1和c2初始值均為

1.494 45，最大進化代數為100。將光照強度、大氣溫度、大氣濕度、風速、土壤濕度、雨量、前1 h的平均土壤溫度作為網絡的7個輸入，后1 h的土壤溫度作為輸出。訓練數據為2016-07-22—2016-10-01的1 656組數據，測試數據為2017-07-25—29的100組數據。

改進后的PSO優化BP的迭代適應度值如圖2所示，可看出迭代10代以內就能獲得比較優良的個體。改進后的PSO優化BP的預測輸出和輸出相對誤差如圖3、圖4所示，可看出改進后的PSO優化BP的預測相對誤差最大為3.9%，最小為0.2%，平均為3.06%，用時21.706 6 s;而BP的預測相對誤差最大為38%，最小為6%，平均為9.67%，用時8.321 9 s。

3 ABC優化BP神經網絡

人工蜂群算法通過特有角色分工機制提升人工蜂個體的局部尋優能力，最終使得全局最優值凸顯，有良好的收斂速度[4]。蜂群模型有三個要素，即蜜源（問題的可行解）、被雇傭的蜜蜂（采蜜蜂）和未被雇傭的蜜蜂（偵查蜂、跟隨蜂）。其中，采蜜蜂維持種群優良解，跟隨蜂提高種群收斂速度，偵查蜂擺脫局部最優[5-6]。

3.1 ABC算法

假設在一個D維搜索空間（D根據具體問題而定），蜜源i（i=1，2，…，NP）的質量適應度為fiti，第t次迭代過程中第i個粒子的蜜源位置為Xti=（Xti1，Xti2，…，XtiD）。其中，NP為蜜源的個數;XtiD∈[Ub，Lb]，Ub和Lb分別為解的上限和下限。采蜜蜂（即引領蜂）根據式（6）隨機產生初始群體。

搜索開始，根據式（7）在蜜源i周圍更新蜜源位置。

式中：D為隨機整數;k為采蜜蜂在當代群體中選擇一個非i的蜜源號，k∈[1，NP]且k≠i;φ為[-1，1]的均勻隨機數。當新蜜源X'iD的適應度優于XiD時，采用貪婪選擇法以新蜜源代替舊蜜源;否則，保持XiD不變。待所有采蜜蜂完成任務后回到信息區與跟隨蜂分享蜜源，跟隨蜂根據概率Pi以及輪盤賭來跟隨采蜜蜂，當Pi大于均勻隨機分布數r時，以采蜜蜂相同的更新策略來進行選擇更新。Pi見式（8），fiti與fitnessi是一樣的。

當采蜜蜂和跟隨蜂完成迭代任務以后，如果蜜源Xi有trial次未更新且trial大于limit，則偵查蜂出現并根據式（6）隨機產生一個新的蜜源代替Xi。

3.2 ABC算法的改進

在函數中引入慣性權重，通過慣性權重W（i）來控制采蜜蜂和跟隨蜂的搜索空間，公式如下：

式中：w（t）=wmin+t（wmax-wmin）/tmax;t為當前迭代數;tmax為最大迭代數;wmax為最大權重;wmin為最小權重。隨著迭代次數的增加，w（t）可調控搜索范圍以提高算法的精度和收斂效率。在迭代初期，蜜源信息相對小，小的慣性可以抓住最優解的可能域，隨著優良解的陸續出現，后期較大的慣性可以提高算法的全局搜索能力，發現更多優良解。

3.3 改進的ABC優化BP的預測模型求解思路

ABC某代的某個蜜源的位置向量的維數（D）為權值閾值的總數，向量Xi為BP權值W和閾值θ的集合。

本文給出的ABC優化BP的步驟如下：

（1）構建ABC-BP網絡，初始化BP;

（2）初始化蜂群算法，有蜜源個數及大小、更新失敗次數、位置范圍、迭代次數等;

（3）采蜜蜂搜索蜜源Xi，計算其適應度并用貪婪算法更新原蜜源;

（4）計算概率，跟隨蜂依據概率和輪盤賭方法選擇采蜜蜂，根據采蜜蜂更新原則進行更新;

（5）根據采蜜蜂和跟隨蜂兩種蜜蜂的蜜源的未更新次數來判斷是否轉化成偵查蜂，如果蜜源為更新次數大于規定的次數，則偵查蜂隨機搜索新蜜源;

（6）記錄最好蜜源;

（7）判斷是否達到終止條件，如果達到，將最好蜜源的D維信息依次賦值給BP神經網絡的權值和閾值，開始預測，否則轉步驟（3）。

3.4 改進的ABC優化BP的預測模型在農業墑情站中的應用

根據實驗，發現四層的ABC-BP神經網絡有較好的預測精度，三層的預測精度僅略高于單純的BP網絡，故將BP輸入層、第一層隱藏層、第二層隱藏層、輸出層節點數設置為7，15，15，1，BP其他設置如PSO-BP模型的設置。蜂群算法的蜜源數為80，蜜源維數為376，最大失敗次數為30，最大進化代數（因ABC算法復雜，特將進化代數調小）為50，Ub=3，Lb=-3。

改進后的ABC優化BP的迭代適應度值如圖5所示，可看出30多代可獲得較優良個體。改進后的ABC優化BP的預測輸出和輸出相對誤差如圖6、圖7所示，可看出改進后的ABC優化BP的預測相對誤差最大為4.2%，最小為0.5%，平均為3.27%，模型用時167.892 1 s。

圖5 改進后的ABC優化BP的迭代適應度值

圖6 改進后的ABC優化BP的預測輸出

圖7 改進后的ABC優化BP的相對誤差

4 GA優化BP神經網絡

遺傳算法（GA）是基于空間的搜索算法，直接對研究對象的編碼進行操作，通過問題域中的目標函數（適應度）的大小對個體進行評價，對個體進行選擇、交叉和變異，生成新種群，具有較強的魯棒性和較高的并行性[7-8]。

4.1 GA算法的改進

遺傳算法經常出現過早收斂的現象，變異操作雖然保證了進化的搜索功能，但其隨機性可能會破壞優良個體，降低種群的平均適應度值，故對變異算子進行改進，使其隨迭代自適應變化[9-10]，變異公式如下：

式中：Pm為本代變異概率;Pmax和Pmin分別為上一代最大、最小變異概率;Fa為當前個體的適應度值;Fmax和Fmin分別為上一代最大最小適應度值;Favg為上一代平均適應度值。當種群的個體適應度值普遍較好時，此時應該降低變異概率，使得優良的個體可以大部分被傳遞給下一代;當種群的個體適應度值普遍較差時，此時應該提高變異概率，使得劣質的個體可以大幅度變異，產生新個體，尋找優良個體，提高收斂速度。

4.2 改進的GA優化BP的預測模型求解思路

GA某代的某個個體編碼長度為權值閾值的總數，本文GA優化BP的步驟如下：

（1）構建GA-BP網絡，初始化BP;

（2）初始化遺傳算法，有種群大小、編碼長度、交叉率、變異率、編碼方式、迭代次數等，其中編碼長度由輸入層與隱藏層權值、隱藏層與輸出層權值、隱藏層閾值、輸出層閾值四部分組成;

（3）對當代種群個體分別進行適應度評價;

（4）選擇操作，可采用輪盤賭法、隨機遍歷抽樣法等，本文采用適應度比例方法選擇個體;

（5）交叉操作，可采用實值重組、二進制交叉，本文采用實數編碼加實值重組;

（6）變異操作，可采用實值變異、二進制變異，本文采用實值變異;

（7）判斷是否達到終止條件，如果達到，將最好個體賦值給BP神經網絡的權值和閾值，開始預測，否則轉步驟（3）。

4.3 改進的GA優化BP的預測模型在農業墑情站中的應用

BP設置如PSO-BP模型的設置，遺傳算法種群大小為50，編碼長度為109，編碼范圍為[-3，3]，種群數為50，最大進化代數為100，交叉概率為0.9，初始變異率為0.3，最大為0.4，最小為0.1。

其中，實值交叉操作是選擇幾對（兩兩一對）染色體，選擇它們的串的局部進行交叉;實值變異操作是選擇幾個染色體，對他們的局部進行隨機數賦值。選擇操作中的適應度比例選擇法的個體選擇概率為：

式中：Fi為第i個個體的適應度值;k為系數;N為種群個數。

改進后的GA優化BP的迭代適應度值如圖8所示，可看出迭代50多代就能獲得比較優良的個體。改進后的GA優化BP的預測輸出和輸出相對誤差如圖9、圖10所示，可看出改進后的GA優化BP的預測相對誤差最大為17.3%，最小為0.8%，平均為5.39%，用時46.529 1 s。

5 多種優化BP神經網絡的數據預測模型實驗結果

為了驗證多種墑情站數據預測模型的優良性能，本文分別對BP算法、PSO-BP算法、改進后的PSO優化BP算法（I1PSO-BP）、ABC-BP算法、改進后的ABC優化BP算法（I2ABC-BP）、GA-BP算法、改進后的GA優化BP算

法（I3GA-BP）這7個模型進行相同條件下的實驗，記錄數據并進行比較。

表1列出了7種模型誤差和耗時的比較，發現PSO算法相對于ABC算法和GA算法收斂速度明顯加快;PSO算法的兩種模型和ABC算法的兩種模型預測準確率相近且較高;BP模型和GA算法的兩種模型預測準確率較低。考慮到農業墑情站數據的準確性和時效性，最終決定將改進的PSO優化BP算法作為農業墑情站數據預測模型。

6 結 語

本文提出多種預測模型，經過實驗，結果表明，在一定條件下，改進后的粒子群算法優化BP模型具有較高的預測準確率和較低的時間消耗。預測模型已經嵌入墑情站系統，在貴州大學農學院植物研究實驗基地、甕安茶園和貴州師范學院等地已經投入使用，可以有效指導農業研究和生產。

參 考 文 獻

[1]孔紅山，郁濱.一種基于 BP 神經網絡的 VIRE 改進算法研究[J].系統仿真學報，2018，30（9）：3586-3595.

[2]李婕，白志宏，于瑞云，等.基于PSO優化的移動位置隱私保護算法[J].計算機學報，2018，41（5）：1037-1051.

[3]陳建明.基于遺傳算法的粒子群算法的參數分析[D].北京：中國地質大學，2012.

[4]李楠，朱秀芳，潘耀忠，等.人工蜂群算法優化的SVM遙感影像分類[J].遙感學報，2018，22（4）：559-569.

[5]于佐軍，秦歡.基于改進蜂群算法的K-means算法[J].控制與決策，2018，33（1）：181-185.

[6]王志剛，尚旭東，夏慧明，等.多搜索策略協同進化的人工蜂群算法[J].控制與決策，2018，33（2）：235-241.

[7]徐小鈞，馬利華，艾國祥.基于多目標遺傳算法的多星座選星方法[J].上海交通大學學報，2017，51（12）：1520-1528.

[8]吐松江·卡日，高文勝，張紫薇，等.基于支持向量機和遺傳算法的變壓器故障診斷[J]. 清華大學學報（自然科學版），2018， 58（7）：623-629.

[9]季慧，金銀富，尹振宇，等.遺傳算法改進及其在巖土參數反分析中的應用[J].計算力學學報，2018，35（2）：224-229.

[10]肖海蓉，李惠先.基于自適應遺傳算法的網格任務調度優化[J].吉林大學學報（理學版），2015，53（2）：297-301.