人工智能与神经网络课程论文

1. 引言 (2)2. 在农业生产管理与决策中的应用 (2)2.1. 在农业机械化中的应用 (2)2.2. 在智能农业专家系统中的应用 (2)3. 在预测和估产中的应用 (3)3.1. 在农作物虫情预测中的应用 (3)3.2. 在作物水分和营养胁迫诊断及产量估测中的应用 (3)4. 在分类鉴别与图像处理中的应用 (4)5. 结束语 (5)BP 神经网络的研究与应用摘要: 本文概述了BP 神经网络在农机总动力预测、农业专家系统信息决策、虫情测报、农作物水分和养分胁迫、土壤墒情、变量施肥、分类鉴别和图像处理等领域的应用情况，总结了人工神经网络模型的优点，指出其在精准农业和智能农业中的重要理论技术支撑作用。

关键词: BP神经网络; 农业工程; 农业专家系统; 变量施肥; 土壤墒情Research and Application of BP Neural NetworkAbstract: Application of BP neural network in prediction of total power in agriculture machinery，information decision-making by agricultural experts system，pest forecast，crops to water stress and nutrient stress，soil moisture condition，variable rate fertilization，identification and image processing were overviewed．Characteristics of artificial neural network model were summed．Supporting role for important theory and technology in precision agriculture and intelligent agriculture were pointed．Key words: BP neural network，Agricultural engineering，Agricultural experts system，Variable rate fertilization，Soil moisture condition1.引言人工神经网络通常可分为前向神经网络、反馈神经网络和自组织映射神经网络。

在人工神经网络模型中，BP 神经网络是研究最为成熟的一种，被广泛用于函数拟合、预测、图像识别和自动控制等学科和领域中。

BP 神经网络是一种单向传播的多层前向神经网络，分为输入层、中间层和输出层，其显著特点是具有自学习、自组织和自适应能力，能够通过训练达到预期的效果。

BP 神经网络学习过程由信号正向传播和误差反向传播两个过程组成。

输入样本从输入层神经元传入，经隐层神经元逐层处理后传向输出层神经元，若实际输出与期望输出不符，则转向误差反向传播过程。

网络学习训练过程即为信号正向传播与误差反向传播的各层神经元权值调整过程，这种反复训练学习过程直到网络输出误差减少到可以接受的程度，或者达到预先设定的学习次数为止。

2.在农业生产管理与决策中的应用2.1. 在农业机械化中的应用农机总动力反映一个地区农机装备的总体水平，是农机化发展规划的主要指标。

影响农机总动力变化的因素主要有农业政策、农民年收入、农业人口数和农机技术发展水平等，目前已有的预测方法包括人工神经网络、线性回归模型等，人工神经网络只靠过去的经验就可进行学习，相对于传统的数据处理方法，它更适合进行农机总动力的预测。

勾国华[1]在灰色GM(1,1)模型基础上,利用BP神经网络修正残差,建立灰色BP神经网络组合预测模型,对农业机械总动力进行预测。

此组合模型既克服了数据的非线性关系及随机波动大对预测精度的影响,也增强了预测的自适应性。

以郑州市农业机械总动力作为实例进行预测,结果证明了该组合模型的优势,为农机部门制定该区域相关农机动力发展政策提供了参考依据。

BP 神经网络还能够对农业机械化发展水平进行科学正确的评估和诊断。

2.2. 在智能农业专家系统中的应用20 世纪90 年代，我国农业专家系统的研究蓬勃发展起来。

余华等用微机技术和人工智能技术开发出的小麦高产栽培技术专家系统; 刘禾等研究的水果果形判别人工神经网络专家系统; 李道亮等设计的农业资源高效利用技术集成专家系统;李旭等设计的小麦管理智能决策系统等。

农业专家系统( AgricultureExpert System，AES) 大多是由各学科专家在各自专业领域知识基础上建立的，主要采用产生式规则表达，缺乏自学习功能，无法及时获取并更新各学科专家知识，且受地域、环境和季节影响较大，而人工神经网络信息具有分布存储、并行处理和自学习的功能，可有效解决智能专家系统的局限性。

谭宗琨[2]提出了基于互联网环境下的BP 神经网络玉米智能农业专家系统的模拟模型，将玉米分为播种、出苗、幼苗、拔节、抽雄、吐丝、灌浆、乳熟和成熟9 个发育期，相应地建立起9 个发育期的BP 神经网络智能决策系统，通过电话专线或宽带互联网来沟通用户与多领域专家知识的联系，实现其应有的功能。

3.在预测和估产中的应用3.1. 在农作物虫情预测中的应用虫害的发生与气温、日照和降雨量等自然因素有密切的关系，各因子之间交互作用复杂，BP 神经网络具有对非线性系统预测的良好特性，可以有效地刻画其具有的不确定、多输入、复杂的非线性特征。

气候条件( 如温度、湿度、降水和光照) 可以直接影响昆虫的生长、发育、生存与繁殖，因此建立BP 神经网络模型，确定虫害的发生量与气候因子的关系就显得十分必要。

Matlab 软件提供了包括神经网络在内的许多实用工具箱，不需要进行繁琐的编程，提高了开发效率。

基于Matlab 神经网络工具箱的BP 网络应用于农作物虫情预测的建模，可以很好地刻画农作物虫害的发生量同气候因素间的多输入多输出、复杂的非线性以及不确定性等特征。

彭莹琼等[3]建立了基于Matlab 的水稻虫害发生量BP 神经网络预测系统，采用平均气温、最低气温、日照时数和降雨量4 个气象因子作为BP 网络的输入，确定了自然因素与发生量之间的联系，预测江西省抚州市1998—2008 年5—10 月份的虫害发生情况，由规则得到的结果与预期结果一致的测试例比例达到了81%。

根据预测情况，可以决定喷洒农药的时间和剂量，达到节本增效的目的，具有较好的应用价值。

3.2. 在作物水分和营养胁迫诊断及产量估测中的应用合理的灌溉需要计算作物需水量或蒸发蒸腾量。

气象条件、作物种类、土壤情况、植物叶面积指数和生育阶段是影响作物蒸腾量的主要因素，用BP 神经网络对作物需水量建模，利用前一阶段的气象数据和需水量来预测后一阶段的需水量，通过多个气象因素与作物需水量的相关分析，确定网络拓扑结构，训练好的神经网络即可实时预测作物需水量。

高丹等[4]选取温度、空气饱和差、日照时数和风速4 个影响因子作为输入变量，建立了基于Matlab 神经网络的水稻需水量的预报模型，用预测数据和原始数据进行对比，发现BP 神经网络预测水稻需水量的相对误差值较小，可信度高。

分析目标地区的多个墒情影响因子，进行分组或数值量化表示，选取具有普遍代表性的一系列样本对神经网络模型进行训练，得出神经网络模型参数，即可对土壤墒情进行预测。

郑重等[5]以平均气温、相对湿度、净辐射量、土壤相对湿度和棉花叶面积指数为输入量，依据新疆石河子气象站1999—2003 年4—9 月的气象资料，建立了农田蒸散量的BP 神经网络预报模型，除去播种出苗期内棉花叶面积指数小和降温迅速致使叶片干枯脱落等因素的影响外，试验证明预报精度较好，误差值非常小。

马丽丽等[6]针对影响温室土壤水分蒸发量的环境因子建立了BP 人工神经网络模型，用土壤水分传感器测定土壤体积含水量，数据采集系统自动记录太阳辐射、温度、相对湿度和CO2浓度等环境数据，覆膜抑制土壤蒸发，分别建立土壤水分蒸发、番茄植株蒸腾量与环境因子的量化关系。

以室内温度、湿度和光照作为BP 神经网络的输入变量，用2008 年7—8 月的资料训练网络，对9 月的任意3 d 进行土壤水分蒸发量预测，结果表明模拟值和实测值有很好的拟合效果。

变量施肥是精准农业中的核心技术部分，以不同空间单元的产量数据与土壤理化性质、病虫草害、气候等多层数据的叠合分析为依据，以作物生长模型、作物营养专家系统为支持，根据种植的作物和土壤情况，进行氮、磷、钾和有机肥的合理配方，从根本上改变传统农业大面积、大样本平均投入的资源浪费做法，提高肥料利用率，降低生产成本，并减少对环境的污染。

养分平衡法和肥料效应函数法是传统的精准施肥策略，养分平衡法待定系数较多，不能反映养分间的交互作用，目标产量很难估计准确。

产量和土壤养分、施肥量以及其他因素间呈现高度非线性关系，而神经网络对于解决非线性问题具有优势。

4.在分类鉴别与图像处理中的应用常用的图像分割方法有阈值分割法、区域生长法、边缘检测与边界跟踪法等，图像成像条件及包含在图像中的信息十分复杂，应根据不同的场合采取相应的分割方法，BP 神经网络在图像分割和特征提取方面表现出了较好的适应性。

运用BP 神经网络在图像理解与分析阶段进行分类器的设计，可以得到精确的分类结果。

同时，BP 神经网络作为一种有效的分类识别器，结合计算机视觉技术，在食品加工和品质评定中应用广泛。

吕朝辉等[7]研究了真彩色秧苗图像分割的神经网络方法，以人工分割后的秧苗图像为导师信号，用BP 算法对图像的特征向量进行训练，用玉米秧苗做实例研究，试验结果表明BP 神经网络能很好地将玉米秧苗与背景分割开来，为进一步处理奠定基础。

王勇等[8]利用图像处理的方法，分析获得棉桃、棉叶的面积、主轴、长度与宽度4 个变量，归一化处理后作为神经网络的输入，调节参数值训练网络，对处理后的棉桃进行识别，试验采用38 个棉花数据和10 个棉叶数据，在48 个检验样本中，网络对棉桃的正确识别率达到83. 3%。

陈源等[9]对多种水果混合的图像，利用Matlab 软件进行处理，提取水果的颜色、形状和边缘特征，构造训练和测试样本，在150 个包含桔子、苹果和香蕉3 种水果的图像训练样本中，BP 神经网络的识别正确率达100%。

5.结束语随着计算机软硬件的不断发展，神经网络将会在农业决策与管理、外观分类、品质评判和预测评估等方面充分发挥其自学习能力强、可以处理非线性复杂关系的优点，通过对样本数据的学习和网络的训练，更好地解决农业工程领域中的各类问题，应用前景十分广阔。