文献类型：期刊文章

作　　者：王献锋[1] 张传雷[2] 张善文[1] 朱义海[3]

Wang Xianfeng;Zhang Chuanlei;Zhang Shanwen;Zhu Yihai(College of Science,Xijing University,Xi’an 710123,China;College of Computer Science and Information Engineering,Tianjin University of Science and Technology,Tianjin 300457,China;Tableau Software,Seattle,WA 98103,USA)

机构地区：[1]西京学院理学院,西安710123 [2]天津科技大学计算机科学与信息工程学院,天津300457 [3]Tableau Software,西雅图WA98103

出　　处：《农业工程学报》

基　　金：国家自然科学基金项目(61473237)

年　　份：2018

卷　　号：34

期　　号：14

起止页码：157-164

语　　种：中文

收录情况：AJ、BDHX、BDHX2017、CAB、CAS、CSA、CSA-PROQEUST、CSCD、CSCD2017_2018、EI、FSTA、IC、JST、PROQUEST、RCCSE、SCOPUS、ZGKJHX、核心刊

摘　　要：作物病虫害预测是病虫害防治的前提,利用深度学习预测作物病虫害是一个有效且具有挑战性的研究课题。该文针对深度置信网络(deep belief network,DBN)在作物病虫害预测中的训练耗时长和容易收敛于局部最优解等问题,将自适应DBN和判别限制玻尔兹曼机(restricted boltzmann machine,RBM)相结合,利用棉花生长的环境信息,提出一种基于自适应判别DBN的棉花病虫害预测模型。该模型由3层RBM网络和一个判别RBM(discriminative restricted boltzmann machine,DRBM)网络组成,通过3层RBM网络将棉花生长的环境信息数据转换到与病虫害发生相关的特征空间,通过自动学习得到层次化的特征表示,再由DRBM预测棉花病虫害的发生概率。该模型将自适应学习率引入到对比差度算法中,通过自动调整学习步长,解决了在传统DBN模型训练时学习率选择难的问题;在学习过程中通过在DRBM中引入样本的类别信息,使得训练具有类别针对性,弱化传统RBM无监督训练时易出现特征同质化问题,提高了模型的预测准确率。对实际棉花的"棉铃虫、棉蚜虫、红蜘蛛"虫害和"黄萎病、枯萎病"病害的平均预测准确率为82.840%,与传统BP神经网络模型(BPNN)、强模糊支持向量机模型(SFSVM)和RBF神经网络模型(RBFNN)分别提高19.248%,24.916%和27.774%。

关 键 词：病害 预测  模型  棉花 深度置信网络  自适应判别  

分 类 号：TP391]