FNN专家系统在作物最佳生长环境决策中的应用

刘砚菊，蒋兵兵，杜　灵，陈　亮

(1.沈阳理工大学 信息科学与工程学院， 沈阳 110159; 2.铁岭县高级中学，辽宁 铁岭 112000)



FNN专家系统在作物最佳生长环境决策中的应用

刘砚菊1，蒋兵兵1，杜灵2，陈亮1

(1.沈阳理工大学 信息科学与工程学院， 沈阳 110159; 2.铁岭县高级中学，辽宁 铁岭 112000)

基于大棚植物生长数据和环境信息，采用模糊神经网络方法，对植物生长数据进行模糊化处理，通过误差反向传播神经网络方法，建立模糊神经网络推理结构，获得了植物最佳生长状态下的不同生长阶段的环境数据。为后续的大棚温湿度等环境参数控制提供依据。

模糊神经网络；专家系统；环境信息

在大棚环境参数控制中，由于决策者一般只具有温室作物生长环境参数的经验值，在温室作物生长管理方面的最优化决策运用范围很小，而且这种仅依靠经验值进行决策往往会导致作物产量达不到预期值，究其原因主要是环境调控参数的选择常常根据经验进行人为设定，造成很难达到优化的目标。因此得到植物生长的最佳环境参数，对于之后的控制决策有重要的意义。

专家系统能运用领域专家多年积累的经验与专门知识，模拟人类专家的思维过程，求解需要专家才能解决的问题。专家系统先由系统开发者将所要解决的问题的专门技术生成知识库，然后系统推理机可根据知识库中提供的信息导出结果[1]。

本文通过专家系统来得到作物的最佳生长状态。作物的生长好坏是一个模糊的判断标准，因此先将数据模糊化处理，建立模糊神经网络结构[2]。将训练获得的神经网络的权值，阈值存入数据库。以模糊神经网络结构作为专家系统的推理结构。通过现场数据仿真分析表明，神经网络推理结构具备的自适应推理功能，提高了系统的智能化水平和推理正确性。

1　基于模糊神经网络的专家系统

1.1专家系统结构

专家系统的核心是知识库和推理机。知识获取是完成把专家的知识按一定的知识表示形式输入到专家系统的知识库中，将神经网络结构作为专家系统的推理结构。本文的专家系统总体结构如图1所示，作物生长状态指农作物生长的特征参数；作物生长时段指作物的各个生长期，包括发芽期、幼苗期、营养生长期、果实生长期、果实成熟期。上述作物生长信息作为专家知识存入知识库中。模糊处理模块根据模糊隶属度函数，将作物生长数据和生长状态作为训练数据，对神经网络进行训练，把专家知识变为神经网络内部的表达形式，可得到网络权值，阈值等神经网络参数，并存入知识库。本文的专家系统的推理过程是个数值计算过程，首先将用户提供的事实输入神经网络的输入层，结合专家系统的知识库，进行推理计算，得到结果。

图1　专家系统总体结构图

1.2知识库和推理求解

产生式规则表示法适合表达具有因果关系的过程性知识，且求解过程可被表示为一系列相互独立的操作。将一组产生式放在一起，使之互相配合，一个产生式生成的结论可以供另一个产生式作为已知事实使用，最终得到问题的解。这样的系统称为产生式系统。一个产生式系统由三部分构成：规则库，综合数据库，控制系统[3]。本文的知识表示方法采用产生式规则表示法。

正向推理的基本思想是从用户提供的初始已知事实出发，逐步推导出最后结论的过程。反向推理是从假定的目标出发，它是为了验证指标而去寻找支持它的事实。本文的专家系统采用正向推理机制，根据得到的原始信息，在数据库中寻找与之匹配的规则。正向推理过程即为神经网络的计算过程。本文研究的获得作物最佳生长状态是个模糊的过程，因此引入各个指标的隶属度函数将其模糊化。一般将作物的生长状态分为三个等级：优秀、中等、较差。隶属度函数采用如图2所示三角形隶属度函数[4]。靠近每个集合中心位置的数值具有较大的隶属度，在集合中心处数值的隶属度值为1。

(1)

图2　三角形隶属度函数

BP神经网络是一种多层前馈型神经网络结构，该网络主要由正向传播和反向传播构成。正向传播为输入信号从输入端进入网络经加权和函数运算处理从输出端输出，当输出与期望值大于设定的误差值时，误差信号将反馈回到网络，根据算法修改各层的权值和阈值从而使误差减小[5]。本文将BP神经网络的学习算法与模糊逻辑结合构造模糊神经网络。根据专家经验建立产生式模糊规则，将输入变量进行模糊化，采用BP网络建立模糊化后的变量与输出之间的网络结构，可得自变量与因变量之间的关系，然后将其应用到获得作物最佳生长状态的应用中。模糊神经网络的结构如图3所示。

图3　模糊神经网络结构图

第一层为输入层，其输出为精确值。该层节点个数为衡量作物生长好坏的指标数，将输入值直接传递到第二层。

第二层为隶属度函数层，该层的作用是根据上边的三角隶属度函数将输入数据模糊化。每个节点的激活函数分别为各个输入变量对每个模糊集的隶属度函数，输出为各个输入变量对每个模糊集的隶属度值。该层节点的个数为各个输入变量模糊集合数之和。

第三层为神经网络隐含层，该层的每一个节点代表一个可能的模糊规则的规则前件。每个节点只与第二层中每个生长指标对应的模糊集中的一个相连。每个连接的权值都为固定值1，每个节点的阈值都为0。每个节点内实现最小化，将一条规则中所有输入变量的隶属度的最小值作为前件的隶属度，得到每条规则的适用度。

第四层为神经网络输出层，每个节点代表一个可能的模糊规则的规则后件，三、四层之间的连接为全互连，连接权值矩阵为W，其中的每个连接权值代表对应的模糊规则的置信度。将规则后件是输出变量的同一个模糊集合的各个规则前件与其连接权值乘积的最大值作为输出变量对该模糊集合的隶属度值。该层节点数为输出量模糊划分的个数。输出为输出量对各个模糊集的隶属度值。

第五层为输出去模糊化层，根据最大隶属度原则，实现输出的清晰化。该层与第四层的连接为全互连，连接权值都为1，阈值都为0。

模糊神经网络训练的误差代价函数为

(2)

式中：vdi表示期望输出；vi表示实际输出；r表示样本个数。

通过以上模糊神经网络的推理得到作物最佳的生长状态，可从后台数据中心提取最佳生长状态对应的环境信息，即得到了植物现阶段生长的最佳环境参数。因此得到作物的最佳生长状态也相当于得到了作物生长的最佳环境参数。

2　专家系统在获得作物最佳生长状态中的应用

作物生长状态的描述是模糊的，通常分为“优秀”、“中等”、“较差”三种类型。采用隶属度函数将各个生长指标模糊化，求各个指标对三种生长类型的隶属度。以开花坐果期番茄生长为例对该系统进行分析说明。番茄的生长指标为：番茄的株高(H)、叶数(L)、花数(Fl)、坐果数(Fr)、叶宽(wf)、叶长(lf)。叶数为记录长在植株上的长≥5cm的叶片数目，花数则计算能看到花蕾的花的数目，坐果数计算果径≥5mm的果实数目[6]。分类界限如表1所示。

表1　番茄生长指标及分类界限

每个生长指标划分成三个模糊集，六个生长指标可以组成729条模糊规则。通过一些规则样本，训练三、四层之间的权值W，即可得到整个模糊神经网络的参数，规则的权值也可改变。每个时间段用一些新规则训练一次，实现系统的自学习和自适应功能[7]。预测结果如图4所示，分别表示训练步长为200、500、800时的预测结果。本系统为保证精确度和泛化能力，选择训练步长为500。从表2中检测样本的测试结果可以看出，本系统的可靠性较高。

为体现FNN方法的优越性，将该方法与不考虑输入数据模糊性的BP法进行了对比。BP法仿真预测结果如图5所示，其中+为目标值，*为预测值。

从图4、图5中可以看出两种方法在训练步长为500时，预测结果最好。两种方法在训练步长为500时的均方根误差对比如表3所示。从表3可以看出，FNN方法的误差较小，预测效果较好。

图4　FNN系统数据仿真图

图5　BP系统数据仿真图

表2　检测样本预测结果

表3　预测结果误差对比

3　结束语

根据作物生长的特点，采用基于模糊神经网络的专家系统判断作物生长的优劣。该系统不仅具有专家系统模仿人类专家解决实际问题的能力，而且具有神经网络自学习、自适应能力强和推理速度快的特点，而且采用模糊推理，提高了推理的准确度。

通过判断植物生长好坏的样本规则训练模糊神经网络，作为专家系统的推理机构，可根据植物的生长指标，较快速、准确地判断植物生长的好坏。能为后续植物环境参数控制提供可靠的依据。

[1]赵利，池清华，刘康玲，等.基于GA-FNN的专家系统在锅炉结渣中的应用[J].电站系统工程，2012,28(6):1-3.

[2]鞠初旭.模糊神经网络的研究及应用[D].成都：电子科技大学，2012.

[3] 熊范纶.面向农业领域的智能系统技术体系架构及其实现[J].模式识别与人工智能，2012,25(5):2-3.

[4]赵利. 基于模糊模型的专家系统推理方法[D].杭州：浙江大学，2013.

[5]艾芳菊. 模糊神经网络的结构优化研究[D].成都：中国科学院成都计算机应用研究所，2006.

[6]赖琳玲.番茄生长发育动态模拟和预警系统建立[D].杨凌：西北农林科技大学，2010.

[7] 鲁宏伟，罗钢.专家系统自适应性应用研究[J].武汉理工大学学报，2003,27(4):3-4.

(责任编辑：马金发)

The Application of Expert System Based on FNN in Decision on the Optimum Crop Growth Environment

LIU Yanju1,JIANG Bingbing1,DU Ling2,CHEN Liang1

(1.Shenyang Ligong University,Shenyang 110159,China; 2.Tieling County High School,Tieling 112000,China)

A method of fuzzy neural network is used to blur these growth data based on the growth data and environmental information about greenhouse plants.Back propagation (BP) is used to establish a fuzzy neural network inference structure.The optimal environmental data in different growth phase was obtained while the best growing status of plants was acquired.It can provide the basis for the control on the following greenhouse environmental parameters such as temperature and humidity.

fuzzy neural network；expert system；environmental information

2015-05-29

辽宁省农村与农业信息技术服务示范平台建设资助项目(2013301008)

刘砚菊(1965—),女，教授，博士，研究方向：智能检测技术。

TP23

A