基于深度學(xué)習(xí)的小麥蚜蟲(chóng)預(yù)測(cè)預(yù)警

王秀美， 牟少敏， 鄒宗峰， 時(shí)愛(ài)菊

(1.山東農(nóng)業(yè)大學(xué)信息科學(xué)與工程學(xué)院，山東泰安 271018； 2.山東農(nóng)業(yè)大學(xué)農(nóng)業(yè)大數(shù)據(jù)研究中心，山東泰安 271018；3.山東省煙臺(tái)市農(nóng)業(yè)技術(shù)推廣中心植保站，山東煙臺(tái) 264001； 4.山東農(nóng)業(yè)大學(xué)化學(xué)與材料科學(xué)學(xué)院，山東泰安 271018)

小麥?zhǔn)俏覈?guó)主要的糧食作物，種植面積遍及全國(guó)各省，其中以河南省和山東省的種植面積較大。小麥的產(chǎn)量和品質(zhì)對(duì)于我國(guó)國(guó)民經(jīng)濟(jì)發(fā)展具有重要意義，而小麥蚜蟲(chóng)是危害小麥產(chǎn)量和品質(zhì)的主要蟲(chóng)害之一。為有效防治小麥蚜蟲(chóng)的危害，保障小麥產(chǎn)量及品質(zhì)，國(guó)內(nèi)外專家學(xué)者對(duì)其進(jìn)行了長(zhǎng)期的研究。肖志強(qiáng)等發(fā)現(xiàn)，氣象因素與小麥蚜蟲(chóng)的發(fā)生具有一定的相關(guān)性，并建立了氣象數(shù)據(jù)與小麥蚜蟲(chóng)的回歸預(yù)測(cè)模型[1-2]。目前，Logistic回歸[2]、神經(jīng)網(wǎng)絡(luò)[3]、支持向量機(jī)[4]等淺層學(xué)習(xí)模型已用于小麥蚜蟲(chóng)的預(yù)測(cè)預(yù)警。但是淺層學(xué)習(xí)模型對(duì)輸入特征的依賴性很強(qiáng)并且其特征轉(zhuǎn)換能力有限，很難對(duì)復(fù)雜的回歸問(wèn)題進(jìn)行有效擬合。

隨著大數(shù)據(jù)時(shí)代的到來(lái)，如何從海量數(shù)據(jù)中獲取更有價(jià)值的信息，成為農(nóng)業(yè)大數(shù)據(jù)的關(guān)鍵。深度學(xué)習(xí)(deep learning)借助多隱層的學(xué)習(xí)結(jié)構(gòu)實(shí)現(xiàn)從原始數(shù)據(jù)中自動(dòng)提取更有價(jià)值的信息，從而更好地體現(xiàn)了數(shù)據(jù)的價(jià)值，成為農(nóng)業(yè)大數(shù)據(jù)挖掘強(qiáng)有力的技術(shù)支撐[5-6]。目前，深度學(xué)習(xí)在人臉識(shí)別[7]和語(yǔ)音識(shí)別[8]領(lǐng)域中取得了突破性的進(jìn)展，但其如何應(yīng)用于農(nóng)業(yè)蟲(chóng)害的預(yù)測(cè)預(yù)警尚未見(jiàn)報(bào)道。

淺層學(xué)習(xí)模型對(duì)特征的依賴性很強(qiáng)，而深度學(xué)習(xí)通過(guò)多隱層的網(wǎng)絡(luò)結(jié)構(gòu)可以自動(dòng)學(xué)習(xí)更加復(fù)雜有效的特征。本研究首次將深度學(xué)習(xí)用于小麥蚜蟲(chóng)的短期預(yù)測(cè)，結(jié)果表明，與淺層學(xué)習(xí)模型相比，深度學(xué)習(xí)回歸模型能夠?qū)π←溠料x(chóng)的影響因子進(jìn)行有效的特征學(xué)習(xí)，進(jìn)一步提高對(duì)小麥蚜蟲(chóng)預(yù)測(cè)的準(zhǔn)確率，從而為農(nóng)業(yè)生產(chǎn)者提供及時(shí)、準(zhǔn)確的預(yù)警信息，降低小麥蚜蟲(chóng)對(duì)小麥的危害。

1　小麥蚜蟲(chóng)預(yù)測(cè)原理

小麥蚜蟲(chóng)的預(yù)測(cè)分為長(zhǎng)期、中期、短期預(yù)測(cè)，其中短期預(yù)測(cè)的使用范圍最廣，期限為7～10 d。對(duì)小麥蚜蟲(chóng)的發(fā)生量進(jìn)行短期預(yù)測(cè)，使農(nóng)業(yè)生產(chǎn)者能夠及時(shí)掌握小麥蚜蟲(chóng)未來(lái)的發(fā)生情況，并采取相應(yīng)的防治措施。構(gòu)建小麥蚜蟲(chóng)短期預(yù)測(cè)模型的過(guò)程如下：(1)數(shù)據(jù)獲取。通過(guò)田間采集或農(nóng)業(yè)物聯(lián)網(wǎng)傳感器等獲取與小麥蚜蟲(chóng)發(fā)生相關(guān)的數(shù)據(jù)。(2)數(shù)據(jù)預(yù)處理。對(duì)獲取的小麥蚜蟲(chóng)相關(guān)數(shù)據(jù)進(jìn)行統(tǒng)計(jì)分析以及特征選擇或特征變換。(3)建立預(yù)測(cè)模型。利用預(yù)處理后的數(shù)據(jù)構(gòu)建小麥蚜蟲(chóng)短期預(yù)測(cè)模型，并對(duì)未參與模型構(gòu)建的小麥蚜蟲(chóng)數(shù)據(jù)進(jìn)行預(yù)測(cè)。(4)模型評(píng)價(jià)。利用評(píng)價(jià)指標(biāo)對(duì)模型的預(yù)測(cè)效果進(jìn)行評(píng)價(jià)。小麥蚜蟲(chóng)的發(fā)生與多種因素有關(guān)，使用傳統(tǒng)的淺層學(xué)習(xí)模型對(duì)小麥蚜蟲(chóng)進(jìn)行預(yù)測(cè)時(shí)對(duì)特征的要求較高。深度學(xué)習(xí)模型能夠從數(shù)據(jù)中自動(dòng)提取更加有效的特征，在一定程度上減少人工提取特征的復(fù)雜過(guò)程，并且能夠提高小麥蚜蟲(chóng)預(yù)測(cè)的準(zhǔn)確率。

1.1　數(shù)據(jù)來(lái)源與預(yù)處理

本研究使用的小麥蚜蟲(chóng)百株蚜量數(shù)據(jù)通過(guò)人工采集統(tǒng)計(jì)獲得，人工采集和計(jì)數(shù)的過(guò)程中均有可能存在誤差。發(fā)生程度是根據(jù)百株蚜量的數(shù)值所在范圍得到，其表示范圍較大，誤差相對(duì)較小。因此，發(fā)生程度成為衡量小麥蚜蟲(chóng)危害的重要指標(biāo)。小麥蚜蟲(chóng)數(shù)據(jù)為1978—2013年小麥蚜蟲(chóng)的百株蚜量，數(shù)據(jù)來(lái)源于山東省煙臺(tái)市植保站和《山東省農(nóng)作物病蟲(chóng)預(yù)測(cè)預(yù)報(bào)觀測(cè)數(shù)據(jù)集》。小麥蚜蟲(chóng)短期預(yù)測(cè)模型將小麥蚜蟲(chóng)的百株蚜量作為預(yù)測(cè)因子，發(fā)生程度則根據(jù)百株蚜量(y，頭)所在的數(shù)值范圍得到，發(fā)生程度分級(jí)標(biāo)準(zhǔn)為1級(jí)(y≤500)、2級(jí)(5003 500)。

氣象數(shù)據(jù)來(lái)源于國(guó)家氣象信息中心。本研究將預(yù)測(cè)日期前1周的小麥蚜蟲(chóng)百株蚜量作為其蟲(chóng)源基數(shù)，與氣象因素共同構(gòu)成影響因子，共15個(gè)。本研究共222條試驗(yàn)數(shù)據(jù)，其中180條作為訓(xùn)練集，42條作為測(cè)試集。

小麥蚜蟲(chóng)預(yù)測(cè)模型的試驗(yàn)數(shù)據(jù)影響因子較多，各影響因子的單位以及數(shù)值范圍不同，為避免不同量綱數(shù)據(jù)之間相互影響，對(duì)影響因子進(jìn)行歸一化處理。

1.2　模型評(píng)價(jià)指標(biāo)

為檢驗(yàn)小麥蚜蟲(chóng)預(yù)測(cè)模型的擬合能力以及泛化能力，使用預(yù)測(cè)模型對(duì)測(cè)試集進(jìn)行預(yù)測(cè)，并對(duì)訓(xùn)練集進(jìn)行回代檢驗(yàn)。分別使用均方根誤差(root mean square error，簡(jiǎn)稱RMSE)、平均絕對(duì)誤差(mean absolute error，簡(jiǎn)稱MAE)、平均絕對(duì)百分誤差(mean absolute percentage error，簡(jiǎn)稱MAPE)對(duì)小麥蚜蟲(chóng)百株蚜量的預(yù)測(cè)結(jié)果進(jìn)行評(píng)價(jià)，評(píng)價(jià)指標(biāo)計(jì)算公式如下：

(1)

(2)

(3)

使用準(zhǔn)確率(accuracy，簡(jiǎn)稱AC)對(duì)小麥蚜蟲(chóng)發(fā)生程度進(jìn)行評(píng)價(jià)，按照預(yù)測(cè)發(fā)生程度與實(shí)際發(fā)生程度相同準(zhǔn)確率為100%，前后相差1級(jí)準(zhǔn)確率為50%，相差2級(jí)及以上準(zhǔn)確率為0進(jìn)行計(jì)算，其表達(dá)式如下：

(4)

式中：M表示實(shí)際與預(yù)測(cè)發(fā)生程度相等的樣本個(gè)數(shù)；D表示實(shí)際與預(yù)測(cè)發(fā)生程度相差1級(jí)的樣本個(gè)數(shù)；N表示訓(xùn)練集或測(cè)試集總樣本個(gè)數(shù)。

2　基于深度學(xué)習(xí)的小麥蚜蟲(chóng)短期預(yù)測(cè)模型

對(duì)小麥蚜蟲(chóng)的發(fā)生量及發(fā)生程度進(jìn)行準(zhǔn)確及時(shí)的預(yù)測(cè)預(yù)報(bào)能夠?yàn)樾←溠料x(chóng)的防控防治提供支持，本研究使用深度信念網(wǎng)絡(luò)構(gòu)建小麥蚜蟲(chóng)百株蚜量的短期預(yù)測(cè)模型，并根據(jù)發(fā)生程度分級(jí)標(biāo)準(zhǔn)預(yù)測(cè)小麥蚜蟲(chóng)的發(fā)生程度。

2.1　受限玻爾茲曼機(jī)

玻爾茲曼機(jī)(boltzmann machine，簡(jiǎn)稱BM)是一種基于能量函數(shù)的神經(jīng)網(wǎng)絡(luò)模型，它構(gòu)建的模型具有完備的物理解釋和數(shù)學(xué)基礎(chǔ)，但其學(xué)習(xí)算法較復(fù)雜[9]。為簡(jiǎn)化玻爾茲曼機(jī)的學(xué)習(xí)過(guò)程，Smolensky提出了受限玻爾茲曼機(jī)[10](restricted boltzmann machine，簡(jiǎn)稱RBM)。RBM由可見(jiàn)層和隱藏層組成，層間節(jié)點(diǎn)全連接，層內(nèi)節(jié)點(diǎn)無(wú)連接，并且可見(jiàn)層與隱藏層節(jié)點(diǎn)都是二元變量，即每個(gè)節(jié)點(diǎn)只取0或1這2種狀態(tài)。RBM模型結(jié)構(gòu)簡(jiǎn)單、表示能力強(qiáng)、易于推理[11]，其結(jié)構(gòu)如圖1所示，其中v表示可見(jiàn)層的狀態(tài)向量；h為隱藏層的狀態(tài)向量。

對(duì)于1個(gè)有n個(gè)可見(jiàn)層節(jié)點(diǎn)，m個(gè)隱層節(jié)點(diǎn)的RBM模型，使用vi表示第i個(gè)可見(jiàn)層節(jié)點(diǎn)的狀態(tài)，hj表示第j個(gè)隱層節(jié)點(diǎn)的狀態(tài)，vi，hj∈{0，1}通過(guò)能量函數(shù)E定義狀態(tài)(v，h)的概率分布：

(5)

式中：θ={Wij，ai,bj}是RBM模型的參數(shù)集合；Wij是可見(jiàn)節(jié)點(diǎn)i與隱層節(jié)點(diǎn)j的連接權(quán)值；ai、bj分別表示可見(jiàn)層節(jié)點(diǎn)、隱層節(jié)點(diǎn)的偏置值。

當(dāng)可見(jiàn)層節(jié)點(diǎn)的狀態(tài)確定時(shí)，可以通過(guò)公式(6)得到隱層節(jié)點(diǎn)的狀態(tài)值：

(6)

由于RBM是對(duì)稱的二部圖模型，當(dāng)給定隱層節(jié)點(diǎn)的狀態(tài)值時(shí)，可由公式(7)得到可見(jiàn)層節(jié)點(diǎn)的狀態(tài)值：

(7)

因此，可見(jiàn)層v與隱藏層h的聯(lián)合概率分布為：

(8)

其中，Z(θ)為歸一化因子。

RBM模型的目的是求解使得聯(lián)合概率分布p(v,h|θ)最大的θ值。

利用馬爾科夫鏈求解RBM模型是一種費(fèi)時(shí)的方法，其收斂速度難以保證。為保證求解RBM模型的收斂速度，使用對(duì)比散度(contrastive divergence，簡(jiǎn)稱CD)算法進(jìn)行RBM模型的訓(xùn)練。CD算法是Hinton等針對(duì)RBM提出的一種快速學(xué)習(xí)算法[12]，它通過(guò)一步吉布斯采樣得到隱層的近似，在確定隱層節(jié)點(diǎn)的狀態(tài)后，通過(guò)式(7)重構(gòu)可見(jiàn)層，繼而重構(gòu)隱藏層，利用重構(gòu)誤差調(diào)整參數(shù)集。CD算法訓(xùn)練RBM網(wǎng)絡(luò)的具體步驟描述如下：(1)確定隱藏層節(jié)點(diǎn)數(shù)m，學(xué)習(xí)率ε，最大訓(xùn)練周期T1，并隨機(jī)初始化網(wǎng)絡(luò)參數(shù)集θ0={W0,a0,b0}。(2)將輸入賦值給可見(jiàn)層的狀態(tài)向量v0，并利用公式(6)計(jì)算隱藏層的狀態(tài)向量h0；然后利用公式(7)、(6)分別計(jì)算可見(jiàn)層和隱藏層的重構(gòu)v1和h1。(3)利用公式(9)對(duì)參數(shù)集θt進(jìn)行更新，得到參數(shù)集θt+1，其中t表示當(dāng)前迭代次數(shù)。(4)當(dāng)t+1

Wt+1=Wt+ε[p(h0=1|v0,θt)(v0)T-p(h1=1|v1,θt)(v1)T]；
at+1=at+ε(v0-v1)；
bt+1=bt+ε[p(h0=1|v0,θt)-p(h1=1|v1,θt)]。

(9)

2.2　深度信念網(wǎng)絡(luò)

深度信念網(wǎng)絡(luò)(deep belief nets，簡(jiǎn)稱DBN)由Hinton等于2006年首次提出，由多層RBM和1層BP(back propagation)網(wǎng)絡(luò)組成[5]。相比于傳統(tǒng)淺層神經(jīng)網(wǎng)絡(luò)，深度信念網(wǎng)絡(luò)優(yōu)勢(shì)在于通過(guò)逐層無(wú)監(jiān)督預(yù)訓(xùn)練解決了多層神經(jīng)網(wǎng)絡(luò)因隨機(jī)初始化網(wǎng)絡(luò)權(quán)值參數(shù)導(dǎo)致的易陷入局部最優(yōu)難題，并且這種逐層訓(xùn)練的策略有效地解決了直接訓(xùn)練多層神經(jīng)網(wǎng)絡(luò)的高復(fù)雜度難題。DBN的多隱藏層結(jié)構(gòu)可以對(duì)輸入特征進(jìn)行多次變換，并且當(dāng)前層可以對(duì)其前一層網(wǎng)絡(luò)產(chǎn)生的錯(cuò)誤信息進(jìn)行弱化。DBN模型結(jié)構(gòu)如圖2所示。

DBN模型的訓(xùn)練主要分為2個(gè)階段：無(wú)監(jiān)督預(yù)訓(xùn)練和有監(jiān)督微調(diào)。其具體訓(xùn)練過(guò)程如下：(1)將輸入層V0和第1個(gè)隱藏層H1看作第1個(gè)RBM，記為RBM1，利用輸入數(shù)據(jù)v0進(jìn)行RBM1的訓(xùn)練。訓(xùn)練完成后，在RBM1的隱藏層得到原輸入的1種表示，記為h1；(2)將h1作為RBM2可見(jiàn)層的輸入，進(jìn)行RBM2的訓(xùn)練。訓(xùn)練完成后，通過(guò)H2得到原輸入的另一種表示h2；(3)以此類推，逐層進(jìn)行RBM模型的訓(xùn)練，直到RBMl訓(xùn)練完成。(4)將RBMl訓(xùn)練完成后得到的h1作為頂層BP的輸入，進(jìn)行頂層BP訓(xùn)練，并將頂層訓(xùn)練的誤差逐層往下傳，微調(diào)各層的連接權(quán)值。

2.3　基于深度信念網(wǎng)絡(luò)的小麥蚜蟲(chóng)預(yù)測(cè)模型

目前將深度學(xué)習(xí)用于回歸預(yù)測(cè)的研究相對(duì)較少，對(duì)于結(jié)構(gòu)化數(shù)據(jù)集的回歸預(yù)測(cè)多數(shù)是選用2個(gè)隱層[13-14]。原因有2方面：一是對(duì)于大多數(shù)結(jié)構(gòu)化數(shù)據(jù)集，已進(jìn)行了數(shù)據(jù)預(yù)處理和特征選擇，模型的輸入輸出之間相關(guān)性較高；二是深度學(xué)習(xí)的層數(shù)越多，涉及的參數(shù)也就越多，需要更多的數(shù)據(jù)進(jìn)行參數(shù)學(xué)習(xí)，當(dāng)數(shù)據(jù)量有限時(shí)，多隱層模型進(jìn)行參數(shù)學(xué)習(xí)的效果較差。由于小麥蚜蟲(chóng)數(shù)據(jù)較少，因此選取有2個(gè)隱藏層的深度信念網(wǎng)絡(luò)進(jìn)行訓(xùn)練。

基于DBN的小麥蚜蟲(chóng)短期預(yù)測(cè)過(guò)程如下：(1)數(shù)據(jù)預(yù)處理。對(duì)影響因子進(jìn)行歸一化處理，提高預(yù)測(cè)模型輸入與輸出的相關(guān)關(guān)系。(2)設(shè)置模型參數(shù)。輸入層節(jié)點(diǎn)個(gè)數(shù)為影響因子數(shù)16，輸出層節(jié)點(diǎn)數(shù)設(shè)為1，2個(gè)隱藏層的節(jié)點(diǎn)則根據(jù)經(jīng)驗(yàn)選取多組不同的節(jié)點(diǎn)進(jìn)行試驗(yàn)，選取更適合小麥蚜蟲(chóng)的隱藏層節(jié)點(diǎn)數(shù)。(3)無(wú)監(jiān)督逐層預(yù)訓(xùn)練。使用訓(xùn)練集數(shù)據(jù)對(duì)2個(gè)RBM逐層進(jìn)行無(wú)監(jiān)督學(xué)習(xí)，使每個(gè)RBM達(dá)到局部最優(yōu)。(4)有監(jiān)督微調(diào)。進(jìn)行BP神經(jīng)網(wǎng)絡(luò)的訓(xùn)練，并將誤差逐層反向傳播，微調(diào)各層參數(shù)。(5)預(yù)測(cè)。使用構(gòu)建的深度信念網(wǎng)絡(luò)預(yù)測(cè)模型對(duì)測(cè)試集小麥蚜蟲(chóng)的百株蚜量進(jìn)行預(yù)測(cè)，并根據(jù)分級(jí)標(biāo)準(zhǔn)得到小麥蚜蟲(chóng)的發(fā)生程度。

3　結(jié)果與分析

為驗(yàn)證模型的有效性，分別在國(guó)際標(biāo)準(zhǔn)數(shù)據(jù)集(university of californiairvine，簡(jiǎn)稱UCI)和山東省小麥蚜蟲(chóng)數(shù)據(jù)集上進(jìn)行預(yù)測(cè)試驗(yàn)。使用的深度學(xué)習(xí)回歸模型為2個(gè)隱藏層的DBN，記為DBN2，并將其與支持向量回歸(support vector regression，簡(jiǎn)稱SVR)以及BP網(wǎng)絡(luò)進(jìn)行對(duì)比測(cè)試。

3.1　UCI數(shù)據(jù)集試驗(yàn)

從UCI數(shù)據(jù)集中選取4個(gè)回歸預(yù)測(cè)數(shù)據(jù)集(表1)。本研究使用DBN2、SVR和BP神經(jīng)網(wǎng)絡(luò)對(duì)4個(gè)UCI數(shù)據(jù)集進(jìn)行回歸預(yù)測(cè)，并使用RMSE、MAE、MAPE對(duì)預(yù)測(cè)結(jié)果進(jìn)行評(píng)價(jià)，評(píng)價(jià)結(jié)果見(jiàn)表2至表4。對(duì)評(píng)價(jià)指標(biāo)RMSE、MAE繪制折線圖(圖3、圖4)。由于yacht數(shù)據(jù)集的MAPE值比其他數(shù)據(jù)集明顯較大，為避免較小的數(shù)值在折線圖中顯示不清晰，將MAPE值的縱坐標(biāo)值取對(duì)數(shù)，其對(duì)應(yīng)的折線圖如圖5所示。

表1　UCI數(shù)據(jù)集

表2　不同預(yù)測(cè)模型的均方根誤差

表3　不同預(yù)測(cè)模型的平均絕對(duì)誤差

表4　不同預(yù)測(cè)模型的平均絕對(duì)百分誤差

由表2、表3和圖3、圖4可以看出，DBN2預(yù)測(cè)模型的RMSE和MAE在4個(gè)UCI數(shù)據(jù)集上均小于SVR和BP網(wǎng)絡(luò)，說(shuō)明DBN2模型的預(yù)測(cè)能力較強(qiáng)。與BP網(wǎng)絡(luò)相比，DBN2的優(yōu)勢(shì)在于通過(guò)無(wú)監(jiān)督預(yù)訓(xùn)練對(duì)網(wǎng)絡(luò)權(quán)值進(jìn)行初始化，使得該模型性能比較穩(wěn)定。SVR通過(guò)核函數(shù)將樣本從原空間映射到高維空間，但是該過(guò)程僅能對(duì)特征進(jìn)行1次特征變換，而DBN2能夠通過(guò)2個(gè)隱藏層對(duì)原輸入數(shù)據(jù)進(jìn)行2次特征變換，使其更有利于預(yù)測(cè)。

由MAPE的計(jì)算公式可以看出，由于MAPE以預(yù)測(cè)因子的實(shí)際值作為分母，當(dāng)預(yù)測(cè)因子數(shù)值較小時(shí)，即使實(shí)際值與預(yù)測(cè)值的誤差不大，也會(huì)導(dǎo)致整個(gè)分式的數(shù)值較大。yacht數(shù)據(jù)集的預(yù)測(cè)因子的最小值為0.01，而其他3個(gè)數(shù)據(jù)集的預(yù)測(cè)因子的最小值均大于1.00，這是yacht數(shù)據(jù)集的MAPE值明顯大于其他3個(gè)數(shù)據(jù)集的主要原因。

在UCI數(shù)據(jù)集的預(yù)測(cè)試驗(yàn)中，DBN2模型的誤差最小，也是最穩(wěn)定的。在數(shù)據(jù)集yacht和airfoil上，SVR預(yù)測(cè)模型的RMSE、MAE、MAPE均大于BP網(wǎng)絡(luò)，且從折線圖也可以看出，SVR預(yù)測(cè)模型的穩(wěn)定性比BP網(wǎng)絡(luò)好，BP網(wǎng)絡(luò)的預(yù)測(cè)誤差波動(dòng)較大與其隨機(jī)初始化參數(shù)有關(guān)。

3.2　小麥蚜蟲(chóng)短期預(yù)測(cè)試驗(yàn)

使用DBN2構(gòu)建小麥蚜蟲(chóng)百株蚜量預(yù)測(cè)模型，小麥蚜蟲(chóng)百株蚜量的預(yù)測(cè)結(jié)果如圖6所示，其發(fā)生程度預(yù)測(cè)結(jié)果如圖7所示。

由圖6、圖7可以看出，對(duì)于測(cè)試集樣本，DBN2的預(yù)測(cè)結(jié)果與真實(shí)值非常接近，對(duì)于發(fā)生程度較大的情況也能很好地預(yù)測(cè)。為了進(jìn)一步驗(yàn)證DBN2模型的效果，將其與SVR、BP網(wǎng)絡(luò)進(jìn)行對(duì)比試驗(yàn)。采用RMSE、MAE、MAPE對(duì)小麥蚜蟲(chóng)百株蚜量的預(yù)測(cè)誤差進(jìn)行計(jì)算，使用AC計(jì)算發(fā)生程度的預(yù)測(cè)準(zhǔn)確率，結(jié)果見(jiàn)表5和表6。

由表5可以看出，對(duì)于小麥蚜蟲(chóng)百株蚜量的預(yù)測(cè)，BP網(wǎng)絡(luò)和DBN2的擬合能力相差不大，均優(yōu)于SVR。但是，對(duì)測(cè)試集進(jìn)行預(yù)測(cè)時(shí)，DBN2明顯比SVR和BP網(wǎng)絡(luò)的預(yù)測(cè)誤差小。

表5　小麥蚜蟲(chóng)百株蚜量的預(yù)測(cè)誤差

表6　小麥蚜蟲(chóng)發(fā)生程度的準(zhǔn)確率

注：M表示小麥蚜蟲(chóng)發(fā)生程度的實(shí)際值與預(yù)測(cè)值相等的樣本個(gè)數(shù)；D表示實(shí)際值與預(yù)值相差1級(jí)的樣本個(gè)數(shù)。

由表6可以看出，DBN2對(duì)于小麥蚜蟲(chóng)發(fā)生程度的預(yù)測(cè)準(zhǔn)確率為82.14%，高于SVR以及BP網(wǎng)絡(luò)。對(duì)訓(xùn)練集樣本進(jìn)行回代檢驗(yàn)發(fā)現(xiàn)，DBN2模型的回代準(zhǔn)確率達(dá)到90.56%。說(shuō)明基于DBN2的小麥蚜蟲(chóng)發(fā)生程度預(yù)測(cè)模型的擬合能力以及泛化能力均較好。

通過(guò)對(duì)小麥蚜蟲(chóng)的百株蚜量以及發(fā)生程度進(jìn)行預(yù)測(cè)并進(jìn)行回代檢驗(yàn)發(fā)現(xiàn)，BP網(wǎng)絡(luò)的學(xué)習(xí)能力最好，但是泛化能力最差；SVR的學(xué)習(xí)能力較差，但是泛化能力較好；DBN2模型的學(xué)習(xí)能力與BP網(wǎng)絡(luò)差距不大，但是其泛化能力最好，明顯優(yōu)于BP網(wǎng)絡(luò)。與DBN2模型相比，BP網(wǎng)絡(luò)泛化能力差，一方面是因?yàn)閰?shù)的隨機(jī)初始化，使其易陷入局部最優(yōu)，容易過(guò)擬合；另一方面其隱藏層只有1層，對(duì)特征的變換效果不理想。

通過(guò)在UCI數(shù)據(jù)集以及小麥蚜蟲(chóng)數(shù)據(jù)集的回歸預(yù)測(cè)試驗(yàn)，結(jié)果表明，DBN2模型是3種模型中預(yù)測(cè)誤差最小，泛化能力最強(qiáng)的。SVR使用核函數(shù)以及結(jié)構(gòu)風(fēng)險(xiǎn)最小化原則使其在小樣本、非線性問(wèn)題中有許多優(yōu)勢(shì)，但是深度信念網(wǎng)絡(luò)模型通過(guò)逐層無(wú)監(jiān)督預(yù)訓(xùn)練對(duì)參數(shù)進(jìn)行初始化，在一定程度上減小了因經(jīng)驗(yàn)風(fēng)險(xiǎn)最小化而導(dǎo)致的真實(shí)風(fēng)險(xiǎn)與實(shí)際風(fēng)險(xiǎn)差距較大的問(wèn)題，提高了其泛化能力，而且深度信念網(wǎng)絡(luò)可以通過(guò)增加隱藏層的層數(shù)對(duì)原特征進(jìn)行多次特征變換，使其能夠有效地解決非線性問(wèn)題。

4　結(jié)論

深度信念網(wǎng)絡(luò)通過(guò)多隱層的結(jié)構(gòu)對(duì)特征進(jìn)行深度變換，進(jìn)而實(shí)現(xiàn)特征的自動(dòng)提取。將深度信念網(wǎng)絡(luò)用于回歸預(yù)測(cè)領(lǐng)域可以提取與預(yù)測(cè)因子相關(guān)性較高的特征， 有利于提高回歸預(yù)測(cè)的準(zhǔn)確性。本研究將深度信念網(wǎng)絡(luò)用于UCI數(shù)據(jù)集以及小麥蚜蟲(chóng)的短期預(yù)測(cè)，結(jié)果表明，DBN2預(yù)測(cè)效果優(yōu)于SVR和BP網(wǎng)絡(luò)，深度學(xué)習(xí)為蟲(chóng)害短期預(yù)測(cè)預(yù)警提供了一種可行的方案。隨著大數(shù)據(jù)的不斷發(fā)展，獲取海量的小麥蚜蟲(chóng)數(shù)據(jù)，使用層數(shù)更多的深度信念網(wǎng)絡(luò)模型對(duì)小麥蚜蟲(chóng)進(jìn)行預(yù)測(cè)，可以進(jìn)一步提高蟲(chóng)害預(yù)測(cè)的準(zhǔn)確率。

參考文獻(xiàn)：

[1]肖志強(qiáng)，陳俊，樊明，等. 隴南山區(qū)小麥蚜蟲(chóng)發(fā)生氣象條件及程度預(yù)測(cè)模型[J]. 安徽農(nóng)業(yè)科學(xué)，2009，37(33)：16419-16422.

[2]Henderson D，Williams C J，Miller J S. Forecasting late blight in potato crops of southern idaho using logistic regression analysis[J]. Plant Disease，2007，91(8)：951-956.

[3]靳然，李生才. 基于小波神經(jīng)網(wǎng)絡(luò)的麥蚜發(fā)生量預(yù)測(cè)研究[J]. 天津農(nóng)業(yè)科學(xué)，2015，21(4)：127-131.

[4]張永生. 支持向量機(jī)在害蟲(chóng)預(yù)測(cè)預(yù)報(bào)中的應(yīng)用[J]. 現(xiàn)代農(nóng)業(yè)科技，2009(14)：147-148.

[5]Hinton G E，Osindero S，Teh Y W. A fast learning algorithm for deep belief nets[J]. Neural Computation，2006，18(7)：1527-1554.

[6]Bengio Y，Delalleau O. On the expressive power of deep architectures[C]// International Conference on Algorithmic Learning Theory. Berlin：Springer-Verlag，2011：18-36.

[7]Sun Y，Wang X，Tang X. Deeply learned face representations are sparse，selective，and robust[C]// Proceedings of the IEEE Conference on Computer Vision and Pattern Recognition，2015：2892-2990.

[8]Engio Y，Courville A，Vincent P. Representation learning：a review and new perspectives[J]. IEEE Transactions on Pattern Analysis and Machine Intelligence，2013，35(8)：1798-1828.

[9]Srivastava N，Salakhutdinov R. Multimodal learning with deep boltzmann machines[J]. Journal of Machine Learning Research，2012，15(8)：1967-2006..

[10]Welling M，Hinton G E. A new learning algorithm for mean field boltzmann machines[C]//International Conference on Artificial Neural Networks，Berlin：Springer-Verlag，2002：351-357.

[11]馮通. 基于深度學(xué)習(xí)的航空飛行器故障自助檢測(cè)研究[J]. 計(jì)算機(jī)仿真，2015，32(11)：119-122.

[12]Hinton G E. Training products of experts by minimizing contrastive divergence[J]. Neural Computation，2002，14(8)：1771-1800.

[13]Bai Y，Chen Z Q，Xie J J，et al. Daily reservoir inflow forecasting using multiscale deep feature learning with hybrid models[J]. Journal of Hydrology，2015，532：193-206.

[14]鄭毅，朱成璋. 基于深度信念網(wǎng)絡(luò)的PM2.5預(yù)測(cè)[J]. 山東大學(xué)學(xué)報(bào)(工學(xué)版)，2014，44(6)：19-25.