农业智能决策系统开发实验指导-2

农业智能决策系统开发实验指导-2

农业智能决策系统开发实验指导

实验教学总学时：36

实验教学总体目的和要求：通过实验教学，进一步加深对知识库与推理机、数据仓库、遗传算法、决策树、神经网络、遗传算法等有关概念和技术的理解和认识；熟悉和掌握有关决策支持技术和方法的使用；初步具备运用所学知识、方法和工具开发试验性农业决策支持系统的能力。

要求学生每次实验前做好预习和准备工作，包括提前熟悉实验内容，编写好应用程序。上机实验时要对程序进行认真调试，直至可以运行并获得正确的实验结果为止。同时要经过对实验过程的认真思考，提升对课程内容和知识的认识。每个实验（1-6）提交实验报告一份，期末提交课程设计报告一份（实验7）。

实验重点：知识库的构建与使用；ID3算法构建决策树；遗传算法优化求解；农业决策支持系统开发

实验难点：神经网络专家系统设计；数据仓库的构建与使用；聚类分析方法应用；农业决策支持系统开发实验一知识库的构建与使用（4学时）

一、实验目的：通过实验教学，加深对知识库及推理过程的理解与认识，了解知识库构建与使用的基本方法。深入理解基于规则的知识表示方法和机内实现方式，以及推理的实现过程。掌握知识库及推理程序的设计技术。能根据实际问题，使用VF构建知识库，完成推理

机编码。

二、实验器材与环境：计算机、Windows操作系统、SQL Server 200X。

三、实验内容：自行选择一个专家系统应用问题，构建一个不少于10条知识（产生式规则）的知识库，使用SQL Server构建机内演绎推理知识库，编制推理机程序，用于实现专家系统应用问题的求解。

例：有如下规则集：

K1：A∨B∨C→G

R2：D∧E→A

R3：F→B

R4：H∨P→C

R5：Q→E

已知事实D、Q、F、P为YES，H为NO，请用逆向推理求证目标G。

四、实验原理：关系数据库的构建与编程方法、逆向推理方式求解方法

五、实验步骤

1、建立实际问题的产生式规则集；

2、使用SQL Server完成机内演绎推理知识库的构建；

3、使用SQL Server语言编写推理程序；

4、调试推理程序，改进设计；

5、运行推理程序，实现问题求解；

6、分析实验过程和结果，写出实验报告。

六、实验要求：详细记录实验过程中出现的问题、解决方法以及实验结果，并对实验结果进行细致分析，写出构建知识库、知识推理求解的具体过程，以及体会和认识。提交《知识库的构建与使用实验》实验报告，附知识库和推理机程序源程序、可执行文件（电子文档）和使用说明。

实验二数据仓库的构建与使用（4学时）

一、实验目的：通过实验教学，加深对数据仓库的理解与认识，熟悉构建与使用数据仓库的基本方法。深入理解数据仓库的数据模型，掌握数据仓库构建及应用程序设计技术，并能用于解决某些特定实际问题。

二、实验器材与环境：计算机、Windows操作系统、SQL Server 200X。

三、实验内容

使用SQL Server 200X构建一个基于FoodMart（SQL Server所带的一个示例数据库）的数据仓库。使用SQL Server 200X的SSIS完成数据的抽取并将数据装载到数据仓库。创建数据立方，并使用SQL Server 200X的SSAS，进行决策支持的OLAP；

四、实验原理

使用SQL Server 200X创建数据仓库逻辑结构的方法（关系数据库管理系统SQL Server 200X同时用作数据仓库的管理系统）；使用SQL Server 200X的SSIS进行ETL的方法；使用SQL Server 200X的SSAS进行OLAP 的方法。

五、实验步骤

1、按照实验内容要求设计和创建数据仓库，使用SQL Server 200X构建其逻辑结构；

2、设计和使用ETL，使用SQL Server 200X的SSIS 完成数据仓库的数据装载；

3、创建OLAP数据立方，为专门的OLAP奠定基础；

4、使用SQL Server 200X的SSAS，进行决策支持

的OLAP；

5、分析实验过程和结果，写出实验报告。

六、实验要求：

详细记录在实验过程中出现的问题、解决方法以及实验结果。对实验结果进行分析，写出心得体会及改进意见。提交《数据仓库的构建与使用实验》实验报告。

实验三聚类分析方法决策应用（4学时）

一、实验目的：通过实验教学，加深对聚类分析技术方法的理解与认识，了解聚类分析技术的基本使用方法。深入理解基于聚类分析的决策系统开发与实现过程。掌握聚类分析应用程序设计技术。能根据实际问题，完成应用程序开发。

二、实验器材与环境：计算机、Windows操作系统、MATLAB/SPSS/自编软件。

三、实验内容：为了研究世界各国森林、草原资源的分布规律，共抽取了21个国家的数据，每个国家4项指标，原始数据见表3-1。使用该原始数据对国别进行聚

类分析。

表3-1 抽样数据表

国别森林面积

（万公顷）森林覆盖

率（%）

林木蓄积量

（亿立方米）

草原面积

（万公顷）

中国11978 12.5 93.5 31908 美国28446 30.4 202.0 23754 日本2501 67.2 24.8 58

德国1028 28.4 14.0 599 英国210 8.6 1.5 1147 法国1458 26.7 16.0 1288 意大

利

635 21.1 3.6 514

加拿

大

32613 32.7 192.8 2385

澳大

利亚

10700 13.9 10.5 45190 前苏92000 41.1 841.5 37370

联

捷克458 35.8 8.9 168

波兰868 27.8 11.4 405

161 17.4 2.5 129 匈牙

利

南斯

929 36.3 11.4 640 拉夫

634 26.7 11.3 447 罗马

尼亚

385 34.7 2.5 200 保加

利亚

印度6748 20.5 29.0 1200

印尼2180 84.0 33.7 1200

尼日

1490 16.1 0.8 2090 利亚

4850 24.6 32.6 7450 墨西

哥

四、实验原理：聚类分析的原理、编程方法或MATLAB/SPSS的使用方法。

五、实验步骤

1、研究实际聚类分析对象；

2、确定使用的聚类分析方法；

3、自编聚类分析程序或使用MATLAB/SPSS完成聚类分析；

4、分析实验过程和结果，写出实验报告。

六、实验要求：详细记录实验过程中出现的问题、解决方法以及实验结果，并对实验结果进行细致分析，写出聚类分析的原理、程序开发要点（自编软件时）或者聚类分析操作方法与过程（使用MATLAB/SPSS时），以及体会和认识。提交《聚类分析方法决策应用实验》实验报告。

实验四基于ID3方法的决策树构建（4学时）一、实验目的：通过实验教学，加深对数据挖掘的理解与认识。深入理解ID3方法的基本原理，掌握基于ID3

方法的决策树构建方法及应用程序设计技术，并能用于解决某些特定实际问题。

二、实验器材与环境：计算机、Windows操作系统、VC++/SQL Server 200X。

三、实验内容

根据天气、气温、湿度和风四个属性，可以将气候分成两类分别为P、N。请按表4-1给出的一个训练集。由ID3算法得出一棵正确分类训练集中每个实体的决策树，如图4-1所示。然后用于其它情况下的气候分类。

表4-1 气候分类训练样本集

样本号属性类别

天气气温湿度风

1 晴热高无风N

2 晴热高有风N

3 多云热高无风P

4 雨适中高无风P

5 雨冷正常无风P

6 雨冷正常有风N

7 多云冷正常有风P

8 晴适中高无风N

9 晴冷正常无风P

10 雨适中正常无风P

11 晴适中正常有风P

12 多云适中高有风P

13 多云热正常无风P

14 雨适中高有风N

图4-1 气候分类的ID3决策树

四、实验原理或算法描述

按照ID3基本思想，工作过程是，首先找出最有判

别力(信息增益，information gain)的属性，把数据分成多个子集，每个子集又选择最有判别力的属性进行划分，一直进行到所有子集仅包含同一类型的数据为止。最后得到一棵决策树，可以用它来对新的实例进行分类。

ID3算法包括主算法和建树算法，具体描述如下：

1、主算法

（1）从训练集中随机选择一个既含正例又含反例的子集(称为“窗口”)。

（2）用“建树算法”对当前窗口形成一棵决策树。

（3）对训练集(窗口除外)中的例子用所得决策树进行类别判定，找出错判的例子。

（4）若存在错判的例子，把它们插入窗H，转2，否则结束。

主算法流程如图6-2所示。其中，PE、NE分别表示正例集和反例集，它们共同组成训练集。PE’、PE”和NE’、NE”分别表示正例集和反例集的子集。主算法中每迭代循环一次，生成的决策树将会不相同。

图4-2 ID3主算法流程

2、建树算法

建树算法的操作步骤如下：

（1）对当前例子集合，计算各属性的互信息。

（2）选择互信息最大的属性A k。

（3）把在A k处取值相同的例子归于同一子集，A k 取几个值就得几个子集。

（4）对既含正例又含反例的子集，递归调用建树算法。

（5）若子集仅含正例或反例，对应分支标上P或N，返回调用处。

对于气候分类问题给出以下具体计算和操作说明，以便理解建树算法中关键操作的内容和具体实现方法。

（1）信息熵计算

信息熵： ∑-=i i i u P u P U H )

(log )()(

类别u i 出现概率：S u u P i

i

=)( |S|表示例子集S 的总数，|u i |表示类别u i 的例子数。

对9个正例u 1和5个反例u 2有：

P(u 1)=9／14 P(u 2)=5／14

H(U)=(9／14)log(14／9)+(5／14)log(14／

5)=0.94bit

（2）条件熵计算

条件熵：)/(log )/()()|(j

i j j i

i j v u P v u P v P V U H ∑∑-= 属性A 1取值v j 时，类别u i 的条件概率：j i j i v u v u

P =)/(

A 1=天气的取值：v 1=晴，v 2=多云，v 3=雨 在A 1处取值“晴”的例子5个，取值“多云”的

例子4个，取值“雨”的例子5个，故：

P(v 1)=5／14 P(v 2)=4／14 P(v 3)=5／14

取值为晴的5个例子中有两个正例、3个反例，故：

P(u 1／v 1)=2／5，P(u 2／v 1)=3／5

同理有： P(u 1／v 2)=4／4，P(u 2／

v2)=0

P(u1／v3)==：2／5，P(u2／v3)=3／5

H(U|V)=(5／14)((2／5)log(5／2)+(3／5)log(5／3))+(4／14)((4／4)log(4／4)+0)+(5／14)((2／5)log(5／2)+(3／5)log(5／3))=0.694bit

（3）互信息计算

对A1=天气，有：

I(天气)=H(U)一H(U|V)=0.94—0.694=0.246bit

类似可得：

I(气温)=0.029bit

I(湿度)=0.151bit

I(风)=0.048bit

（4）建决策树的树根和分支

ID3算法将选择互信息最大的属性“天气”作为树根，在14个例子中对“天气”的3个取值进行分支，3个分支对应3个子集，分别是：

F1=(1，2，8，9，11)，F2={3，7，12，13}，F3={4，

5，6，10，14}

其中，F2中的例子全属于P类，因此对应分支标记为P，其余两个子集既含有正例P又含有反例，将递归调用建树算法。

（5）递归建树

分别对F1和F3子集利用ID3算法，在每个子集中对各属性(仍为4个属性)求互信息。

①F1中的天气全取“晴”值，则H(U)=H(U|V)，有I(U|V)=0，在余下3个属性中求出“湿度”互信息最大，以它为该分支的根结点。再向下分支，“湿度”取“高”的例子全为N类，该分支标记N；取值“正常”的例子全为P类，该分支标记P。

②在F3中，对4个属性求互信息，得到“风”属性互信息最大，则以它为该分支的根结点。再向下分支，“风”取“有风”时全为N类，该分支标记N；取“无风”时全为P类，该分支标记P。

这样就得到如图6-1所示的决策树。

五、实验步骤

1、按照实验原理中给出的ID3算法，编制正确分类训练集中每个实体的决策树的构建程序；

2、上机对气候分类决策树的构建程序进行调试与修改；

3、运行气候分类决策树的构建程序，构建气候分类决策树；

4、利用气候分类决策树，对其他情况的气候进行分类；

5、分析实验过程和结果，写出实验报告。

六、实验要求

详细记录在实验过程中出现的问题、解决方法以及实验结果。对实验结果进行分析，写出心得体会及改进意见。提交《知识发现与数据挖掘实验》实验报告，附构建气候分类决策树的源程序、可执行文件（电子文档）和使用说明。

实验五遗传算法优化求解（4学时）

一、实验目的：通过实验教学，加深对遗传算法的理解与认识，熟悉优化模型的遗传算法求解方法，掌握优化模型的遗传算法求解程序的设计，并能用于解决旅行商路径优化等某些特定优化求解问题。

二、实验器材与环境：计算机、Windows操作系统、

VC++/MATLAB。

三、实验内容：旅行商路径优化问题，已知n个城市的地理位置{(x1，y1)，……，(x n，y n)}求经过所有城市，并回到出发城市且每个城市仅经过一次的最短距离。这是一个NP完全问题，其计算量为城市个数的指数量级。使用遗传算法来解决这个问题，以n=10为例，自行给出10个城市的地理位置{(x1，y1)，……，(x10，y10)}，编制出相应的遗传算法程序优化求解。

四、实验原理

1、种群个体的确定与编码

对于TSP问题，每条路径对应一个个体，个体形式地表示为R={城市m1∣城市m2∣……∣城市m n }，其中n为城市数，城市m i互不重复。当n=10时，对其中一个个体r：

3 1 5 7 8 9 10

4 2 6

它表示10个城市间的一条路经：3→1→5→7→8→9→10→4→2→6。

2、选择

选择操作以遗传算法的适应值函数评估为依据，适

应值函数的设计要结合求解问题本身的要求而定，且适应值函数的值要取正值。因此，对每个个体r ，适应值取为

r N

j j r

D D Fitness -=∑=1 其中，N 为种群数，∑D j 表示所有个体的路径长度的总

和，r D 为沿个体标示的城市序列所经过的路径长度，r

D 可通过以下公式计算出来：

∑=++-+-=10122)()(11i m m m m r i i i i y y x x D

其中，m i 表示个体r 中第i 位的城市编号，他m 11=m 1。

在选择个体时，有多种方法，总体标准是r

Fitness 值越大越应容易被选中。其中常用的是轮盘赌方法。对于给定的规模为N 的群体R={r 1，r 2,，……，r N }，根据适应值函数计算种群中每一个体r j 的适应值f(r j )，其选择概率为∑==N i i

j

j s r f r f r p 1)()

()( ，j=1，2，……，N

则个体r j ∈R 的累积选择概率为

∑===j i i s j s

N j r p r p 1'

,,2,1),()(Λ

则在进行选择时产生一个[0，1]区间上服从均匀分

布的随机数rand ，当{})1,,2,1)(()(1''

-∈≤+N j r p rand r p j s

j s Λπ其中时个体r j+1被选中进入交配池，当)(1

'

r p rand s ≤时，r 1被选中。 3、交叉

交叉采用部分匹配交叉策略。根据交叉概率P c ，随

机地从交配池中选出要交叉的两个不同个体，随机地选取一个交叉段。交叉段中两个个体的对应部分通过匹配换位实现交叉操作。对个体A 和B ：

5692102313104765

178489段

叉交==B A

两个个体交叉段互换，而且对个体A ，交叉段中由B 换位来的数，如4、10、3，在A 中其他位相同的数进行反交换，即4换为5，10换为6，3换为7；对个体B ，交叉段中由A 换位来的数，如5、6、7，在B 中其他位相同的数进行反交换，即5换为4，6换为10，7换为3。最后得到：

41092627

17653104138589==B A

4、变异