一种改进的PSO-BP水稻虫害预测模型

谢轩 谢完成

摘要：本文针对PSO-BP神经网络水稻虫害预测模型评估效率不高的问题进行优化。使用余弦函数对惯性权重ω进行动态控制调节，来保持PSO算法在前期对整个搜索空间内的寻找最优位置的能力。使用群体最优解的平均值代替个体最优解，来提高自身容错能力及鲁棒性。实验验证改进后的PSO-BP神经网络水稻虫害评估模型能够更好的应用于水稻虫害预测的实际生产中。

Abstract： In this paper， the evaluation efficiency of PSO-BP neural network model for rice pest prediction is not high. The cosine function is used to dynamically control and adjust the inertia weight to maintain the PSO algorithm's ability to find the optimal position in the entire search space in the early stage. The average value of the group optimal solution is used to replace the individual optimal solution to improve the fault tolerance and robustness. The experiment verified that the improved PSO-BP neural network rice pest evaluation model could be better applied to the actual production of rice pest prediction.

關键词：PSO-BP;水稻;虫害预测;模型

Key words： PSO-BP;rice;pest prediction;model

中图分类号：S435.11                                     文献标识码：A                                  文章编号：1006-4311（2020）28-0167-02

1  改进策略

1.1 PSO算法缺陷  ①PSO算法参数的设置具有不确定性。在使用PSO算法对BP神经网络水稻虫害预测模型进行参数优化的过程中，需要对算法公式中的惯性权重、加速因子等参数分别进行初始设置操作。然而到目前为止，对这些参数的设置尚没有确定的理论依据进行证明，主要依靠实验人员的经验对其进行设定。②惯性权重通常采用惯性递减策略对粒子的个体飞行速度进行调节，使得PSO算法在寻优过程的前期过早收敛，种群多样性消失、寻优过程后期收敛速度慢、寻优能力减弱，容易陷入局部最优解。

1.2 改进方案  本文分别从两个方面对PSO算法进行改进。

1.2.1 使用余弦函数动态调整惯性权重  惯性权重ω对PSO算法的收敛能力（收敛速度）有着比较大的影响，控制着粒子对全局、局部的搜索能力。本文提出采用余弦函数来对惯性权重进行动态控制处理。计算公式如式（1）所示。

（1）

其中，T表示当前迭代次数，Tmax表示最大迭代次数;ωmax和ωmin分别表示设置的最大惯性权重值和最小惯性权重值。

1.2.2 使用种群中个体平均最优位置Pbest代替个体最优位置Pbest 考虑到使用余弦函数对惯性权重ω进行动态控制可能会产生对寻优结果的影响，通过使用种群的全局最优平均位置Pbest来控制粒子的寻优操作，使得粒子个体在“飞行”寻优的过程中，能够对其他粒子寻优的经验进行学习之后，对自身的寻优方向、速度等进行调整。改进后的速度更新公式如式（2）所示。

（2）

2  预测流程

Step1.载入水稻虫害样本数据，并对其进行预处理操作。

Step2.BP神经网络水稻虫害模型进行初始化。

Step3.初始化改进的PSO算法。利用改进的PSO算法优化BP神经网络水稻虫害预测模型各层权、阈值。

Step4.将改进的PSO算法计算后得到的权、阈值赋值给BP神经网络水稻虫害预测模型中对应的各层节点，并对其是否满足输出评估结果条件进行判定。如果达到预设精度要求或设定的最大迭代次数，则进入Step5;如果未达到预设精度或最大的迭代次数，则返回Step2继续对其进行训练。

Step5.改进的PSO-BP神经网络水稻虫害预测模型训练结束，输入测试数据，并输出评估结果。

3  预测模型

通过对基于PSO-BP神经网络水稻虫害预测模型的实验结果进行分析，针对PSO-BP神经网络水稻虫害预测模型在对水稻虫害预测过程中效率较低的问题，提出使用改进的PSO算法来改善PSO-BP神经网络水稻虫害发生可能性判断模型的评估效率。并将改进的PSO-BP神经网络算法应用于水稻虫害评估模型中，该评估模型如图2所示。

4  预测实验及分析

根据对PSO-BP神经网络水稻虫害预测模型的实验经验，将改进的PSO-BP神经网络水稻虫害预测模型的隐含层节点个数确定为10。为确定改进的PSO-BP神经网络水稻虫害预测模型的最优最大惯性权重ωmax和最小惯性权重ωmin，采用试凑法进行实验，通过实验，将改进的PSO-BP水稻虫害预测模型的最大惯性权重设值为0.8，最小惯性权重ωmin设值为0.3。迭代次数设为200，学习因子c1，c2都设为2.05，飞行速度v设为0.8，最小误差精度设为0.0001。得到其适应度如图3所示。

通过对改进的PSO-BP神经网络水稻虫害评估的实验发现，改进的PSO-BP神经网络水稻虫害预测模型在寻找最优解的过程中，只需迭代123次便达到自身最小误差精度。将改进的PSO-BP神经网络水稻虫害预测模型的预测评分与实际评分结果的拟合图，如图4所示。

将改进的PSO-BP神经网络水稻虫害评估模型的评估结果得分及对应等级与实际评分结果及对应等级进行制表操作，如表1所示。

为了验证改进的PSO-BP水稻虫害评估模型在PSO-BP神经网络水稻虫害预测模型的基础上提高了评估效率。在对改进的PSO-BP神经网络水稻虫害预测模型进行实验的过程中，仍使用与之前实验相同的数据进行训练和测试。将改进的PSO-BP神经网络水稻虫害预测模型的实验结果与BP神经网络水稻虫害预测模型的实验结果以及PSO-BP神经网络水稻虫害预测模型的实验结果进行对比分析，其结果如表2所示。

改进的PSO-BP神经网络水稻虫害预测模型正确分类的个数有28个，占全部水稻虫害预测测试样本的93.3%。相较于BP神经网络水稻虫害预测模型在水稻虫害预测的准确率上有较大提升，相较于PSO-BP神经网络水稻虫害预测模型在评估的准确率方面略有提升。

5  结论

改进的PSO-BP水稻虫害评估模型与PSO-BP神经网络水稻虫害预测模型相比，在未降低评估准确率的情况下，有着更短的运行时间。其原因在于，在其对水稻虫害进行评估的过程中，惯性权重ω采用的是余弦函数来动态控制其变化的策略。该策略能够在前期保持较好的在整个搜索范围内进行搜索的能力，在后期也保有一定的在一定范围内进行寻优搜索的能力，其收敛速度较PSO-BP神经网络水稻虫害预测模型的收敛速度要快。并通过使用种群中各个粒子的最优解的平均值代替粒子个体的最优解，增强了自身的鲁棒性及容错能力，在一定程度上改善其容易陷入局部最优解的情况。因此，改进的PSO-BP神经网络水稻虫害预测模型更适合应用于实际生产中。

参考文献：

[1]姜敏，沈一鸣，张敬尧，等.基于深度学习的水稻病虫害诊断方法研究[J].洛阳理工学院学报（自然科学版），2019，29（4）：78-83.

[2]谢轩，羊四清，谢完成.基于WebGIS的水稻病虫害预警信息系统设计与实现[J].价值工程，2017（12）：183-185.

[3]马聪，张建华，陈学东，等.深度学习方法在农业领域的研究及应用[J].寧夏农林科技，2020，61（01）：35-37.

课题项目：娄底职业技术学院科研项目（2019ZK010）。

作者简介：谢轩（1991-），男，湖南双峰人，助讲，研究方向为智能农业信息化技术。