Table Of Content昆虫学报!"#$%&#’(’)’*+"$,+&+"$!!"#"$%&’()!)*"*#$*;2,;’2 -./$(’0(12*’34056780&’()0’*0’(’
基于小波神经网络的麦蚜发生程度预测模型
靳9然! 李生才!
"山西农业大学农学院!山西太谷’2’*’(#
摘要! &目的’建立基于小波神经网络病虫害预测预报模型!对提前采取防病防虫措施)减少农作物病虫害损失)提
高农作物产量与质量具有重要意义( &方法’本研究以山西省运城市芮城县(;*’,&’(M年麦蚜发生程度和气象因
子数据为基础!采用主成分分析法从M’个基础气象因子中整合形成;个新的自变量输入模型!采用试凑法筛选隐
含层节点数!用(;*’,&’’;年的数据进行网络训练!对&’(’,&’(M年麦蚜发生程度进行回测!建立了以‘.C@D%小
波函数为传递函数的小波神经网络模型!并与以I/#A./-函数为传递函数的GO神经网络模型进行了比较( &结
果’小波和GO神经网络两种模型对训练样本的平均拟合精度均有(’ 年以上超过*’K!两者 G!B%值分别为
*;:*2K和*2:’+K!G,%值分别为’:’)+*和’:1(;&( &结论’两个模型都能较好地描述麦蚜发生程度%从预测精
度和模型的稳定性来看!小波神经网络好于GO神经网络(
关键词! 麦蚜% 小波神经网络% GO神经网络% 发生程度% 预测
中图分类号! T;1*99文献标识码! !99文章编号!’M)ME1&;1"&’()#’*E’*;2E((
G(-,.#&*’"L 0(2,$)(-*+,(..C--,".,2,L-,,()5+,#*#/+’2&3#&,2("
5#J,$,*",C-#$",*5(-V
U<Fa>?! H<I[D?#EL>/!"L.@@D#D._!#C/6"@%"CD! I[>?7/!#C/6"@%"C>@]?/=DC$/%\! J>/#"! I[>?7/’2’*’(!
L[/?>#
!3&*-#.*$ &!/A’ J[/$$%"-\>/A$%.8"/@- "B >BD$%>?- -/$D>$D_.CD6>$%A.-D@8>$D- .? N>=D@D%?D"C>@
?D%N.C5 "WFF#! $.>$%.BC.=/-D>8>$/$_.C%>5/?#AD>$"CD$%.BCD=D?%BD$%$>?- -/$D>$D$! CD-"6/?#
6C.B ->A>#D8\BD$%$>?- -/$D>$D$>?- /ABC.=/?#^">?%/%\>?- ^">@/%\._6C.B \/D@-$:&‘D%[.-$’ G>$D-
.? %[D.66"CCD?6D-D#CDD._N[D>%>B[/-$_C.A(;*’ %.&’(M >?- %[DAD%D.C.@.#/6>@_>6%.C$/? a"/6[D?#
L."?%\! V"?6[D?#L/%\! I[>?7/OC.=/?6D! ND/?%D#C>%D- >?- 6CD>%D- ; ?DN/?-DBD?-D?%=>C/>8@D/?B"%
A.-D@$_C.AM’ _"?->AD?%>@AD%D.C.@.#/6>@_>6%.C$%[C."#[ OC/?6/B>@L.AB.?D?%!?>@\$/$"OL!# >?-
$6CDD?D- [/--D? @>\DC?.-D$8\%C/>@>?- DCC.CAD%[.-! 6.?-"6%D- %C>/?/?#N/%[ ->%>_C.A(;*’ %.&’’;
>?- CD%D$%D- %[D.66"CCD?6D-D#CDD._N[D>%>B[/-$_C.A&’(’ %.&’(M:h/?>@@\! %[D$%"-\8"/@%"B >
WFFA.-D@8\%>5/?#N>=D@D%_"?6%/.? >$%C>?$_DC_"?6%/.? >?- 6.?%C>$%D- /%$D@_N/%[ GO?D"C>@?D%N.C5
"GOFF# A.-D@N[/6[ %>5D$I/#A./- _"?6%/.? >$%C>?$_DC_"?6%/.?:&aD$"@%$’ J[D>=DC>#D_/%%/?#>66"C>6\
._8.%[ A.-D@$! ?>AD@\! WFF>?- GOFFA.-D@$! NDCD>8.=D*’K /? >%@D>$%(’ \D>C$:J[D/CG!B%
=>@"D$NDCD*;:*2K >?- *2:’+K! >?- %[D/CG,%=>@"D$NDCD’:’)+* >?- ’:1(;&! CD$BD6%/=D@\:
&L.?6@"$/.?’ G.%[ A.-D@$6>? ND@@/@@"$%C>%D%[D.66"CCD?6D-D#CDD._N[D>%>B[/-$:!$_.C%[D_.CD6>$%
>66"C>6\>?- A.-D@$%>8/@/%\! [.ND=DC! WFF/$8D%%DC%[>? GOFF:
4,% 5(-2&$ W[D>%>B[/-% N>=D@D%?D"C>@?D%N.C5 "WFF#% 8>65 BC.B>#>%/.? ?D"C>@?D%N.C5%
.66"CCD?6D-D#CDD% _.CD6>$%
99多年来!昆虫学家和植保工作者致力于病虫害 统计预测法等传统预测预报方法"张孝羲等!
测报方法的研究!发展了经验预测法)实验预测法和 (;*)#( 但由于害虫所在的生态系统具有复杂的非
基金项目$山西省科技攻关项目"&’(&’2((’(2EM#%山西省留学基金"&’(2E重点1#
作者简介$靳然!女!(;*2年&月生!山西太原人!博士研究生!研究方向为昆虫生态与预测预报!SEA>/@$M)(&M));)b^^:6.A
!通讯作者L.CCD$B.?-/?#>"%[.C!SEA>/@$$7>"@/$6b(&1:6.A
收稿日期aD6D/=D-$&’()E’)E(M%接受日期!66DB%D-$&’()E’1E&M
99*;M 昆虫学报!"#$ %&#’(’)’*+"$ ,+&+"$ )*卷
线性特点!易受环境因子及害虫自身生长发育和天 研究对象( 麦蚜原始数据来自山西省植保植检总站(
敌发生情况等多种因素影响!传统的线性预测预报 采样地点$山西省运城市芮城县古魏镇北关村!
方法很难达到理想的效果( 于是!一些专家)学者开 2Mx21pFiM*x2’pF!((’x21pSiM&x2’(cid:128)S!年平均气
始将现代非线性理论运用到害虫测报领域!将传统 温(&:++e!无霜期&)’ - 左右!年降水量)(2 AA(
的动力学理论)数理统计与现代计算技术相结合!发 全镇耕地面积近) ’’’ [A&!地势平坦!土壤肥沃!为
展了人工神经网络)相空间重构预测法)小波分析) 山西小麦的主产区(
支持向量机等病虫害测报新方法"马飞等! &’’&>! 历史数据的调查方法$单对角线) 点取样!每点
&’’&8% 袁哲明等! &’’*% 张永生! &’’;#( 固定)’ 株!当百株蚜量超过)’’ 头时!每点可减少
人工神经网络">C%/_/6/>@?D"C>@?D%N.C5! !FF# 至&’ 株!定点)定时及固定方法调查有株蚜数)麦蚜
模拟人脑结构设计!是人脑的一种物理抽象)简化和 种类和数量(
模拟( 它采用并行分布式系统!具有良好的自学习) 数据范围$本研究所用数据自(;*’ 年& 月起!
自组织)自适应特性以及处理非线性问题的能力!已 至&’(M 年1 月止!于每年& 月底到1 月初每隔M -
在智能信息处理)医学)工程)地质灾害测报等多个 采集一次的数据(
领域取得了良好的效果"a.\1#$):! &’(’% S@$>_/! 根据农业部发布的2小麦蚜虫测报调查规范3
&’(M% P.$"5.?->1#$):! &’()#( 小波分析"N>=D@D% 对麦蚜原始数据统计整理!将研究区域麦蚜发生程
>?>@\$/$#具有良好的时频局部特性和变焦特性!且 度分为) 级!以小麦蚜虫发生盛期平均百株小麦的
时频窗可根据需要及时调整!目前已成功用于信号 蚜量"9#来确定!9")’’ 为( 级!即极轻度发生级%
与图像压缩)工程技术)信号分析等方面"h>/C@D\1# )’’ k9"( )’’ 为& 级!即轻度发生级%( )’’ k9"
$):!&’(M% R.$D5 1#$):! &’(M#( X[>?#和 GD?=D?/$%D & )’’为2 级!即中度发生级%& )’’ k9"2 )’’ 为M
"(;;&#提出将小波变换理论与人工神经网络相结 级!即偏重度发生级%9j2 )’’ 为 ) 级!即重度发
合形成一种新的神经网络!把小波函数作为传递函 生级(
数建立小波神经网络 "N>=D@D%?D"C>@?D%N.C5! 6897气象数据
WFF# "X[>?#>?- GD?=D?/$%D! (;;&% G>5$[/>?- 气象数据来自山西省气象局( 以 (;*’ ,&’(M
I%DB[>?.B."@.$! (;;2% O>%/ >?- RC/$[?>BC>$>-! 年!每年&月(日到)月2’ 日的气象数据为基础!统
(;;2#!从而在神经网络研究领域发展了一个新的 计得到月平均温度)月平均最高温度)月平均最低温
研究方向!已在信号处理)图像压缩)模式识别和系 度)月平均湿度)月平均降水量)月平均日照时数及月
统辨识等领域开始应用 "c" >?- H/"! &’(2% 平均风速等单一气象指标%计算复合气象指标!包括
P"/@@DCA.1#$):! &’()#( 每月的温雨系数"降雨量3平均气温#)晴雨系数"降
目前!人工神经网络在害虫预测预报方面已有 雨量3日照时数#和温湿系数"平均湿度3平均气温#%
一定的应用"陈绘画等! &’’2% 罗盛健! &’’1% 王国 将单一气象指标与复合气象指标共同建表"表(#(
昌! &’((% 陈恩会等! &’(&#!但运用小波神经网络 本研究将(;*’ ,&’’; 年麦蚜发生程度作为训
对预测病虫害发生情况在国内外尚处于起步阶段( 练集!&’(’ ,&’(M 年麦蚜发生程度作为测试集!具
本研究通过建立小波神经网络模型对麦蚜发生程度 体预测流程如图& 所示( 在 ‘!JH!G软件平台编
进行预测!并与GO神经网络模型进行对比!对两者 写神经网络程序!其建模程序分为数据归一化)网络
在病虫害测报上的优)缺点进行对比分析!以期为更 训练)网络预测)误差分析和结果作图等过程!采用
实用的预测预报模型提供依据( 紧致型小波神经网络2 层结构!即由一个输入层)一
个隐含层和一个输出层组成!运用 H‘算法进行网
67数据来源 络训练!参比模型为GO神经网络(
6867麦蚜数据 97小波神经网络建模流程
自&’ 世纪;’ 年代中后期以来!从发生面积)实
际损失来看!小麦蚜虫已上升为我国农作物重大病虫 9867小波神经网络简介及预测流程
害中的第2位"曹雅忠等!&’’1#!在山西晋南麦蚜也 小波分析于(;*M 年由法国工程师莫莱提出!它
是危害最严重的害虫之一( 因此!本研究将麦蚜作为 能有效地在时间和空间的变换中提取信息!在伸缩)
*期 靳9然等$ 基于小波神经网络的麦蚜发生程度预测模型 99*;)
表67气象因子对照表
E#3$,67T(0/#-’&("()0,*,(-($(L’.#$)#.*(-&
平均 平均最高气温 平均最低气温 平均相对湿度 平均降水量 平均日照时数 平均风速 温雨系数 晴雨系数
温湿系数
气温 !=DC>#D !=DC>#D !=DC>#D !=DC>#D !=DC>#D !=DC>#D JDABDE I"?$[/?D
月份 JDABDC>%"CD
!=DC>#D [/#[D$% @.ND$% CD@>%/=D OCD6/B/E $"?$[/?D N/?- C>%"CD >?-C>/?
‘.?%[ >?-["A/-/%\
%DABDC>E %DABDC>%"CD %DABDC>%"CD ["A/-/%\ %>%/.? -"C>%/.? $BDD- >?-C>/? 6.D__/6/E
6.D__/6/D?%
%"CD"e# "e# "e# "K# "AA# "[# "A3$# 6.D__/6/D?% D?%
& 8 8 8 8 8 8 8 8 8 8
( & 2 M ) 1 + * ; (’
2 8 8 8 8 8 8 8 8 8 8
(( (& (2 (M () (1 (+ (* (; &’
M 8 8 8 8 8 8 8 8 8 8
&( && &2 &M &) &1 &+ &* &; 2’
) 8 8 8 8 8 8 8 8 8 8
2( 2& 22 2M 2) 21 2+ 2* 2; M’
平移等运算过程中对信号进行多尺度细化分析!即 信号进行预处理!然后通过常规神经网络输出%另一
在时间窗和频率窗都可变化的固定窗口内!低频部 种是紧致型小波神经网络"图($ G#!是目前广泛采
分具有较窄的频率窗!但时间窗较宽!而高频部分 用的一种结构形式!即用小波函数代替常规神经网
反之( 络中的隐含层函数!用小波函数的尺度代替输入层
基于小波分析的神经网络有两种结构$一种是 到隐含层的权值!用小波函数的平移参数代替隐层
松散型小波神经网络"图($ !#!即先用小波分析对 阈值"傅荟璇等! &’(’#(
图(9松散型小波"!#和 紧致型"G#小波神经网络
h/#:(9H..$DE%\BD"!# >?- 6.AB>6%E%\BD"G# N>=D@D%?D"C>@?D%N.C5
9897主成分分析法整合气象因子 一化处理到*’!@+范围内"罗长寿等! &’’M% 陈明!
气象因子的筛选决定着病虫害预测模型的准确 &’(2#( 归一化公式为$
性!筛选到的自变量要与麦蚜的发生具有较高的相 8L8
8Y + A>7 (
关性( 主成分分析通过对原始多维输入变量形成的 8 L8
A>7 A/?
数据矩阵求取相关矩阵!根据相关矩阵的特征值!获 式中!8表示数据原始值!8表示归一化后的数据!
+
得累计方差贡献率!再根据相关矩阵的特征向量!确 8 和8 分别表示每一类成分因子的最大值和最
A>7 A/?
定主成分( 本研究中!作为神经网络的输入变量的 小值(
气象因子每年有M’ 个之多!维数过高!且因子之间 98=7试凑法筛选神经网络传递函数和隐含层节
具有一定的关联性!若将它们同时作为输入变量会 点数
造成信息的过分使用!从而增加神经网络模型的复 神经网络的参数很多!有输入层节点数)隐含层
杂程度!延长训练过程!降低学习速率!弱化泛化性 节点数)输出层节点数)传递函数)训练函数及学习
能( 因此!在IOII软件平台运用主成分分析法对存 率等"H/" 1#$):!&’’1#( 在网络结构)权重及阈值相
在共线性的气象因子重新整合!形成新的成分因子 同的情况下!选择适当的隐含层节点数及传递函数!
后输入模型"刘了凡等! (;;+#( 直接影响着网络的学习能力和泛化能力( 本研究运
98:7归一化法处理数据 用试凑法对神经网络的隐含层节点数和传递函数进
由于不同成分因子量纲不同!神经网络对*’!@+ 行参数寻优!以期得到最好的初始值组合!其余参数
间的数据最敏感!因此!在建模之前!将成分因子归 根据经验取值(
99*;1 昆虫学报!"#$ %&#’(’)’*+"$ ,+&+"$ )*卷
表97主成分分析的累积百分率
E#3$,97TC0C$#*’J,/,-.,"*#L,()/-’".’/#$
.(0/(","*#"#$%&’&"OT!$
方差贡献率"K# 累积方差"K#
l>C/>?6D L"A"@>%/=D=>C/>?6D
( &&:12& &&:12&
& (M:++& 2+:M’M
2 (&:))* M;:;1&
M ;:))& );:)(M
) ;:’&’ 1*:)2M
1 +:1*2 +1:&(+
+ M:1’+ *’:*&M
* 2:;2& *M:+)1
; &:*1; *+:1&)
成分不仅基本包含全部影响因素的信息!而且彼此
之间互不相关( 其余 2( 个主成分的贡献率只有
(&:2+)K!可作为噪声项不进入建模过程( 表2 为
按照成份矩阵重新形成的成分因子IiI与麦蚜发
( ;
生程度组成的新的样本集(
由表2 成份矩阵表可知每个新成分因子与原有
因子之间的相关系数及新因子形成的表达式( 如
Is8!’:’’* ,8!’:’1; r8!’:’))448!
( ( & 2 2*
’:M’’ r8!’:2+( r8!’:+’1!以此类推!分别得
2; M’
到IiI的表达式( 同时!相关系数绝对值最大的
( ;
前2 位分别是!I主成分中为 8"2 月平均最高温
图&9小波神经网络预测流程 ( (&
h/#:&9OCD-/6%/.? [email protected]._N>=D@D%?D"C>@?D%N.C5 "WFF# 度#)8"2 月温湿系数#)8") 月平均最高温度#%I
&’ 2& &
主成分中为8") 月晴雨系数#)8") 月平均降水
2; 2)
98?7模型验证方法 量#)8") 月温雨系数#%I主成分中为 8"M 月晴
2* 2 &;
本研究选择平均绝对百分误差"G!B%#和均方 雨系数#)8"M 月温雨系数#)8"& 月晴雨系数#%I
&* ; M
误差"G,%#两种评价指标对模型性能进行评价"向 主成分中为8"& 月平均气温#)8"& 月平均最高气
( &
昌盛和周子英! &’(’% 李启权等! &’(2#( 温#)8"& 月平均最低气温#%I主成分中为 8"& 月
2 ) ;
( & 9L9_ 晴雨系数#)8"M 月平均最低气温#)8"& 月平均降
G!B%Y % + +% &2 )
& +Y( 9+ 水#%I1 主成分中为 8&("M 月平均气温#)822") 月平
( & 均最低气温#)8"2 月平均风速#%I主成分中为 8
G,%Y %"9L9_#&( (+ + 2+
& + + ") 月平均风速#)8"& 月温湿系数#)8"& 月平均
+Y( (’ +
公式中! 9为发生程度的实际值! 9_为模型的预测 风速#%I主成分中为 8") 月平均最低气温#)8
+ + * 22 (1
值!&为训练样本数( G!B%值越小!说明模型预测 "2 月平均日照时数#)8"2 月平均风速#%I主成分
(+ ;
精度越高%G,%值越小!说明模型稳定性越好( 中为8"& 月温湿系数#)8"& 月平均风速#)8")
(’ + 2M
月平均相对湿度#(
:7结果 从时间上来看!& 和) 月气象因素对麦蚜发生
的影响较2 和M 月大!& 月天气逐渐转暖!越冬麦蚜
:867主成分分析结果 开始活动!繁殖机会增加!可为穗蚜积累更多的虫
将表( 气象因子对照表中的M’ 个自变量进行 源!) 月达到麦蚜生长发育的最适条件!且小麦处于
主成分分析!得到主成分分析的累计百分率"表&#! 抽穗)扬花和灌浆的关键时期!麦蚜密度直线上升%
前; 个成分的累计贡献率达到*+:1&)K!这; 个新 从因素上看!与温度)湿度相关的气象因子对麦蚜发
*期 靳9然等$ 基于小波神经网络的麦蚜发生程度预测模型 99*;+
表:7成分矩阵表
E#3$,:7T(0/(","*0#*-’Z
I I I I I I I I I
( & 2 M ) 1 + * ;
8 ’:’’* ’:21+ ,’:’’; ’:*MM ’:’&+ ,’:(M’ ,’:&M1 ’:’2& ’:’2;
(
8 ,’:’1; ’:&1& ,’:&22 ’:++; ’:(;M ,’:(;’ ,’:&*+ ’:’1’ ’:’2)
&
8 ’:’)) ’:M2) ’:&)1 ’:+(1 ,’:&)2 ,’:’+& ,’:(&1 ’:’’* ’:’(M
2
8 ,’:’&) ’:’&) ’:1&+ ’:’1( ,’:)’& ’:(1* ’:(+M ’:(21 ,’:&)*
M
8 ,’:’2* ’:’’( ’:1&( ’:&’+ ,’:)M+ ’:(+( ,’:(2+ ,’:(2M ,’:&M)
)
8 ,’:’2; ,’:&)& ,’:M*M ’:(M; ’:)2+ ,’:&1; ,’:&M’ ’:’** ,’:’*’
1
8 ’:&+2 ,’:’21 ,’:((’ ,’:&1M ,’:M&) ,’:(*( ’:MMM ,’:(+; ’:22;
+
8 ’:22; ,’:(’1 ’:)M; ’:’(& ,’:)(& ’:(*’ ,’:2(; ,’:(2( ’:&’(
*
8 ’:’(M ’:’;& ’:11( ’:(’( ,’:)*& ’:&’1 ,’:’)+ ,’:(+& ,’:(’’
;
8 ’:2*+ ,’:(1) ’:(*) ’:(1+ ,’:&&1 ’:’+& ,’:)(M ’:(MM ’:M++
(’
8 ,’:+M1 ’:&2( ’:2’2 ’:2(& ’:(&2 ,’:2(’ ’:(&2 ’:’&2 ,’:’))
((
8 ,’:*’M ’:&2M ’:&++ ’:&’M ’:’*1 ,’:&*) ’:(1* ,’:’M1 ,’:’2+
(&
8 ,’:)1M ’:&)1 ’:&&2 ’:M*( ’:&’( ,’:&M) ’:’1) ’:(M’ ,’:’M2
(2
8 ’:1;M ,’:&21 ,’:(*2 ’:2M) ’:’2( ’:2++ ,’:’’2 ’:’1) ,’:&’M
(M
8 ’:);& ,’:&MM ,’:&)& ’:)1’ ’:’(; ’:()M ’:&(( ,’:()+ ,’:’’M
()
8 ,’:+21 ’:’1’ ’:2M) ,’:(2+ ’:’+& ,’:’2M ’:’;; ,’:M2+ ’:’(M
(1
8 ’:2M+ ,’:&2* ,’:(+) ,’:()( ,’:(&M ,’:M+2 ’:&11 ’:M(M ’:(1M
(+
8 ’:1;( ,’:&*) ,’:22+ ’:2;2 ,’:’M( ’:&&2 ’:(2( ,’:(2M ,’:’(’
(*
8 ’:12& ,’:&M) ,’:2M& ’:)(+ ’:’’2 ’:(+M ’:(1; ,’:’** ,’:’2(
(;
8 ’:+++ ,’:&12 ,’:2&2 ,’:’1& ,’:’;) ’:2*& ,’:’;’ ’:’1; ,’:’)2
&’
8 ,’:2;1 ’:)11 ,’:&)( ’:’2( ’:&M& ’:))) ’:(’M ,’:&’M ’:’1;
&(
8 ,’:)’) ’:)2; ,’:2)’ ’:((+ ’:’1’ ’:M1) ’:’M+ ,’:((2 ’:’1;
&&
8 ,’:’2’ ’:M*) ’:’+( ,’:’&; ’:)1’ ’:MM* ’:(+; ,’:2’M ’:’+*
&2
8 ’:2;+ ,’:21* ’:M&; ’:(+( ’:M*1 ’:’&M ’:&M* ,’:’)2 ,’:&1+
&M
8 ’:&1* ,’:’M) ’:1)* ,’:’’& ’:)&) ’:22( ’:’M) ’:(M2 ’:&2(
&)
8 ,’:&22 ’:(+M ,’:)’; ’:’1; ,’:&)+ ’:2+1 ’:’M; ,’:(1+ ’:(M&
&1
8 ’:))) ’:(+( ,’:’’M ’:()( ,’:(1) ,’:M2) ’:2+( ,’:(+& ’:(’1
&+
8 ’:&;& ,’:(’M ’:1*+ ,’:’&* ’:M*( ’:&*+ ’:’&; ’:(+2 ’:&(+
&*
8 ’:&+& ,’:’*( ’:+’( ,’:’M2 ’:)’M ’:&;2 ’:’21 ’:(1) ’:(+;
&;
8 ’:M+1 ,’:))’ ’:M&1 ’:(2& ’:&2) ,’:&)& ’:()) ’:’(M ,’:&M&
2’
8 ,’:+2* ,’:2** ,’:(&& ’:’*& ,’:’1’ ’:22& ,’:’’2 ’:2’& ,’:’)&
2(
8 ,’:+++ ,’:MM* ,’:’*( ’:(+; ,’:’2) ’:&2( ,’:’M* ’:(+; ’:’’M
2&
8 ,’:2*; ’:(2; ,’:&&1 ,’:&22 ,’:&’’ ’:)(M ’:’)’ ’:)(& ,’:&+’
22
8 ’:1(* ’:)’& ,’:’’2 ,’:2(’ ’:(1( ’:’&& ,’:&2( ,’:(2’ ,’:2(2
2M
8 ’:211 ’:*M) ’:’)+ ,’:’’; ,’:’(( ,’:’22 ’:(2; ’:&2+ ’:’2+
2)
8 ,’:M)( ,’:1+( ’:(’+ ’:&’2 ’:(M* ’:’); ’:(&) ,’:&&+ ’:’;)
21
8 ,’:’M2 ,’:’(’ ’:’’* ’:M’1 ,’:2() ’:&11 ’:);* ’:(*+ ’:’)1
2+
8 ’:M’’ ’:*M) ’:’11 ,’:’’( ’:’(’ ,’:’M) ’:(2* ’:&’( ’:’21
2*
8 ’:2+( ’:*M+ ’:’)2 ,’:’&’ ,’:’2M ,’:’2* ’:(&( ’:&1& ’:’&&
2;
8 ’:+’1 ’:)(( ’:’MM ,’:&2& ’:(M* ,’:(’) ,’:(1( E’:&’1 ,’:&’2
M’
生的影响较大!如气温)湿度)降水及温湿系数)温雨 和GO神经网络最大的区别在于传递函数的不同(
系数等( 同时!由于麦蚜是一种迁飞性害虫!风速对 小波神经网络选择 ‘.C@D%小波函数作为传递函数
麦蚜的生长发育有一定的影响%日照时数在一定范 "图2#(
围内!可以促进雌蚜的繁殖( 它是高斯函数下的单频率副正弦函数"陈哲和
表M 为按照成份矩阵重新形成的成分因子 Ii 冯天瑾! (;;;#!?是重构时的归一化常数!其定义
(
I与麦蚜发生程度组成的新的样本集( 如下$
;
:897模型参数筛选结果 ""## Y?DL#&&6.$")8#(
::9:69小波神经网络参数筛选结果$小波神经网络
99*;* 昆虫学报!"#$ %&#’(’)’*+"$ ,+&+"$ )*卷
表=7主成分分析后的麦蚜发生程度样本集
E#3$,=7D#0/$,&,*&()*+,(..C--,".,2,L-,,()5+,#*#/+’2&#)*,-/-’".’/#$.(0/(","*#"#$%&’&"OT!$
年份VD>C I I I I I I I I I 9
( & 2 M ) 1 + * ;
(;*’ (:2)+’ ,(:&)&M ,’:&1’( (:)1(’ ,’:’)M& ,&:)*(( (:M2&& ,(:2M21 ,’:’+(* M
(;*( ’:11&( ,(:’&M1 ,(:’’’1 ,’:+;;) ,’:((*’ ,’:*2;1 ’:)M(+ (:+)MM (:M&;( (
(;*& ,(:’+;& ,(:M+*1 ’:&1’1 ’:M;*’ ,’:’11M ,(:(+M+ ’:*2)+ ,’:2+); (:&+M+ &
(;*2 ’:’;+M ,’:+1;’ ,’:*1+& ’:);+M ,(:(M+’ ,’:(&*M ’:;&+& ,’:&*+& ’:M;22 2
(;*M ’:+*’’ ’:(;*+ ,’:*;*( ,’:+’1; ’:122+ ,’:;M’’ ,’:’;;’ ,(:&+M) ’:;++& (
(;*) ,’:’)*1 ’:2&*) ’:’(’& ,&:2’;; (:’*&* ,(:’M+; (:&(+2 ,’:)*)1 ,’:**&’ (
(;*1 ’:;M+) (:2MM) ,(:(&;) ,(:+’*+ ,’:;)’+ ’:)()& ,’:2((2 ’:)&2’ ’:M&)M (
(;*+ ,’:(+1& ,’:1;’1 ,’:)M&+ ,(:(;;’ ’:++&1 ,’:*);& ,(:2&(’ ’:’1)* ’:2)&M (
(;** ’:;M1& ,’:’(&’ ,’:)’M) ,’:&)’+ ,’:’(+& ,’:(M2& ,’:2+2* ’:&&2( ,’:+;+& (
(;*; (:2&)& ,’:)(;* ,’:+;1+ ,’:*1MM ,(:22); ’:;21) ,’:*(22 ’:’;&& ,’:&1)2 (
(;;’ ’:*1*+ ,’:2);; (:1’1+ ,’:;*(M ’:&M’( ’:++’( ,’:1&;2 ,’:*;)( ’:M+M( (
(;;( ’:*M;* ,’:MM)* (:;;(+ ,’:’1+2 ,&:&;2) ’:(M;; ,’:(2’+ ,’:2&;2 ,’:**)+ (
(;;& (:)1)( ,’:++)1 ,’:)*’2 ’:;1M2 ,’:M2*2 ,’:&’(; ’:;&1+ ,’:+)M* ,’:)21; (
(;;2 (:’1(+ ,’:1M21 ,(:+&1( ’:1+1( ’:+(&& (:M&2* ,’:)*(* ’:&*M2 ,’:+*(2 &
(;;M (:’(&* ’:+*(& ’:;&’* ,’:’1M2 ’:2’22 ,’:1’); ,’:1M21 ,’:*M21 ,’:&)’) (
(;;) ,’:’2&M ,(:1**( (:(1M) ’:&MM) ’:+M*1 &:(’1* ’:*(1* ’:)1*; (:&MM1 M
(;;1 ’:()1M ,(:’1’( ’:)&1; ,(:&2+& (:’+M* ,’:&&;; ,(:1&(+ (:’;2; ,’:(*++ 2
(;;+ ,’:2’*2 ,’:;;)& ’:2’1’ ’:*;1’ ,’:1(M2 ’:)+M’ ,’:)&1* ,’:21)+ ,&:(+;M &
(;;* (:)M+M (:;+1( ’:1((M ’:*’1’ (:*2+& ’:;;1( (:M)*& ’:)1*& ’:(&(’ (
(;;; ’:2’12 ’:+)&& ,’:M+(+ (:2&M2 &:&1&+ ’:))1* ,’:)*’’ ’:’1+1 ’:)1*’ (
&’’’ ,(:;((& ,’:M+&’ ,’:’M*; ,’:2&(M ’:)&;2 ’:(2&’ ,’:+&1’ ,’:’’)( ’:**)) &
&’’( ,(:1’M; ,’:1(&1 ’:)1M* ’:&*1; ,’:(M)+ ,’:;1M* ,(:()*) ,’:1’)+ ,(:’*&1 )
&’’& ’:’&*’ (:;’M( ,’:’M+M ’:**22 ’:)2+) ,(:*’(( ,’:+*)1 ,’:2+1( ,’:2;1M &
&’’2 ’:)(2’ ,’:’;M+ (:)+’1 ’:121) ’:’+M+ ’:+’21 ,’:2;*M (:&2’; ,(:)M1M )
&’’M ,(:&M+( ’:*21; ,’:1(;* (:MM’+ ’:+;*M ’:&1)& ,(:2M’; ,(:’’+) ’:**&( &
&’’) ,(:1*’2 ’:11(’ ,(:2MMM ,(:2(1( ,’:2&+M (:’*2M &:*’’& ,’:M);2 ,(:2;*2 &
&’’1 ,’:;;;& ’:*2)* ’:+1&2 ,’:&’&+ ’:’(2’ ’:2M(M ,’:12&1 ,’:)1(* ,’:2++( 2
&’’+ ,(:()(2 ,’:&;21 ,(:M&&2 &:2’)M ,(:((1( ’:;’’; ,’:2’’’ ’:*M(’ ’:(&’* &
&’’* ,(:1(&2 ,’:)2*+ ,’:(M*’ ,’:1&2’ (:2;M+ ,’:((2’ ’:++2M ’:((;* ,&:&2’’ &
&’’; ’:’M+* &:2’’+ ’:)&1+ ’:1);) ,(:’122 ’:’&+( ’:)M*1 ’:)+*’ ,’:&1+; &
&’(’ ’:’&1* ,’:’2&2 ’:M&12 ,’:2(); ,’:)(;+ ,’:;;)2 ,’:1*2( &:&+2’ ’:&;21 &
&’(( ,’:)1*& ’:;+&1 ,’:’)’& ,’:+2*+ ,(:+*’; ’:;+1’ ,’:*2;& ,&:)+1+ (:2*)( &
&’(& ’:’(M& ,’:&M*2 ,(:2*)’ ,’:2M1& ,’:’&*M (:’2;( ’:’M&; ’:(2*2 ’:+&(’ 2
&’(2 ,(:’;M2 (:2(M& ’:(**) ’:()+; ,(:211) ,(:M((+ ’:)’(M &:M(;M ’:1+;* 2
&’(M ,’:)*;* ,’:(;;’ &:M’)2 ’:((1’ ’:21+M ’:)2;+ (:1+M2 ,’:(;2; (:*’;( &
图29‘.C@D%函数
h/#:29‘.C@D%_"?6%/.?
*期 靳9然等$ 基于小波神经网络的麦蚜发生程度预测模型 99*;;
99‘!JH!G的传递函数中没有 ‘.C@D%小波函数! 网络结构;E()E(!学习概率@C( s’:’(!@C& s’:’)%迭
需要创建自定义的传递函数!编写的& 个子程序分 代次数()’!误差累计为’(
别是$
表?7小波神经网络中不同隐含层节点数对应的预测误差
"(#_"?6%/.? 9sA\A.C@D%"##%
E#3$,?7G(-,.#&*,--(-&.(--,&/("2’"L *( 2’)),-,"*+’22,"
9sD7B" ,"#:(cid:129)&#!6.$"(:+)!##( $#%,-"(2,&’"5#J,$,*",C-#$",*5(-V"_<<$
"&#_"?6%/.? 9s-(cid:130)A\A.C@D%"##% 隐含层节点数
G,% G!B%"K#
F.-D?"A8DC._[/--D?@>\DC?D"C.?$
9s,(:+)!$/?"(:+)!##:!D7B" ,"#:(cid:129)
(’ ’:)&’’ &&:*;))
&# ,#!6.$"(:+)!##:!D7B" ,"#:(cid:129)&#(
(( (:&2&( &):+**)
增加隐含层节点数能有效提高神经网络的训练
(& ’:;;’M 2M:**2M
精度!但隐含层节点数过多又会降低训练速率( 选
(2 ’:)+*1 &M:;22’
取隐含层神经元节点数时参考以下公式$ (M (:’++M &1:&’*M
"(# )Y 槡(& "李伟超等! &’’1#% () ’:’)+* (’:(+&;
(1 ’:*;1’ &+:;;1(
"&# )‘ 槡(N& N$"陈志高! &’’;#%
(+ ’:;1’+ 22:+1’2
"2#)k&,("史峰等! &’(’#%
(* ’:;M)) 2M:(’1&
"M#)s&&r("王德明等! &’(&#%
(; (:’(&) &;:+2()
")#)s@.#&& "王尚昆! &’(2#( &’ ’:;2’& 2M:212’
式中!& s;"输入层节点数#!(s("输出层节点
数#!$在*(!(’+之间!计算不同隐含层节点数对应 ::9:99GO神经网络参数筛选结果$ GO神经网络
的预测误差( 一般选用I/#A./-作为传递函数!它主要有2 种类型
小波神经网络的隐含层节点数在公式计算的基 "图 M#!分别为 @.#$/#函数)%>?$/#函数及 B"CD@/?
础上!根据经验进行调整!对隐含层节点数在(’ i 函数(
&’ 之间进行测试!结果显示!当隐含层节点数为() I/#A./-函数是光滑)可微的!比线性函数更精
时!小波神经网络训练的G,%和G!B%值均达到最 确!容错性更好!其定义如下$
小"表)#( (
,"8# Y 9(
经过筛选和经验取值!建立了2 层的小波神经 ( N1L#
图M9I/#A./-函数
h/#:M9I/#A./- _"?6%/.?
99将2 种函数循环组合!得到不同传递函数对应 含层传递函数为 %>?$/#!输出层传递函数 B"CD@/?!训
的预测误差"表1#!虽然 @.#$/#E%>?$/#)B"CD@/?E@.#$/# 练函数为%C>/?@A!网络的权值学习函数为 @D>C?#-A!
这两个组合的 G,%值较 %>?$/#EB"CD@/? 小!但 G!B% 性能函数为G,%!动量因子为’:;%训练次数为2’%
值却大于后者!因此选用 %>?$/#EB"CD@/? 作为传递函 学习率@Cs’:(%期望目标误差最小值( o(’,)(
数组合( :8:76SUY ]9YYS 年麦蚜发生程度拟合结果
对GO神经网络隐含层节点数进行筛选!当节 运用小波神经网络的训练过程中!有&( 年拟合
点数为(’ 时!GO神经网络训练的 G,%和 G!B%值 结果的误差实际值在’ i( 之间!其中(( 年拟合精
均达到最小"表+#( 度超过*’K"图)$ !#( 运用GO神经网络对(;*’,
经过筛选!确定 GO神经网络结构为;E(’E(!隐 &’’;年麦蚜发生程度进行训练"图)$ G#!有&) 年
99;’’ 昆虫学报!"#$ %&#’(’)’*+"$ ,+&+"$ )*卷
表@7不同传递函数对应的预测误差 表A7XO神经网络中不同隐含层节点数对应的预测误差
E#3$,@7G(-,.#&*,--(-&.(--,&/("2’"L *( E#3$,A7G(-,.#&*,--(-&.(--,&/("2’"L *( 2’)),-,"*+’22,"
2’)),-,"**-#"&),-)C".*’(" $#%,-"(2,&’"XO",C-#$",*5(-V"XO<<$
隐含层传递函数 输出层传递函数 隐含层节点数 G!B%
序号 G!B% G,%
JC>?$_DC_"?6%/.? JC>?$_DC_"?6%/.? G,% F.-D?"A8DC._[/--D?@>\DC?D"C.?$ "K#
F.: "K#
._[/--D?@>\DC ._."%B"%@>\DC ( ’:;;+( 21:+*)+
( @.#$/# %>?$/# ’:)MM+ &1:&&() & &:M’(2 )’:’&2)
& @.#$/# B"CD@/? ’:+);; &+:(1((
2 (:2)2+ 2):’MM)
2 @.#$/# @.#$/# ’:+1&; 22:**(1
M ’:+M2+ &2:;++M
M %>?$/# %>?$/# (:&M2( M+:2&1;
) ’:1M’+ 22:*+*1
) %>?$/# @.#$/# (:M2&+ M+:)11M
1 (:2+2’ 2*:+)*1
1 %>?$/# B"CD@/? ’:1(;& (1:;2&)
+ (:)*’( 2&:1+)+
+ B"CD@/? @.#$/# ’:1’’’ 2’:’’’’
* B"CD@/? %>?$/# (:’M1M M’:M1&( * &:M+(M M2:1*M;
; B"CD@/? B"CD@/? ’:+;*( &*:*2&& ; ’:+’&+ &*:))(&
(’ ’:1(;& (1:;2&)
的发生程度拟合结果的误差实际值在’ i( 之间"即 (( ’:++M2 &*:M*++
误差在(级以内#!其中(2年拟合精度超过*’K( 说 (& ’:++2( 2+:MM)*
明两个模型都能较好描述麦蚜发生程度的变化规律! (2 (:)**; M*:2’M)
(; 2:&11’ 12:;M&2
GO神经网络的拟合能力较小波神经网络好(
图)9小波神经网络"!#和GO神经网络"G#训练拟合结果图
h/#:)9I/A"@>%/.? D__D6%._%C>/?/?#._N>=D@D%?D"C>@?D%N.C5 "WFF# "!# >?- GO?D"C>@?D%N.C5 "GOFF# "G#
:8=79Y6Y ]9Y6= 年麦蚜发生程度预测结果 "(#两种模型的平均预测精度都超过*’K!小
比较小波神经网络和 GO神经网络的预测精度 波神经网络平均预测精度为*;:*2K!GO神经网络
和性能可知"表* 和;#$ 的平均预测精度为*2:’+K( GO神经网络预测的
*期 靳9然等$ 基于小波神经网络的麦蚜发生程度预测模型 99;’(
&’(’!&’(( 及&’(M 年的麦蚜发生程度较为准确!均 致的预测偏差(
超过;’K!但&’(2 年的预测值与实际值相差较大! "&#比较两种模型的均方误差"G,%#!小波神
拟合精度过低!而导致平均预测精度小于小波神经 经网络的G,%值小于 GO神经网络!其预测的均好
网络的平均值!这是由于 GO神经网络易于出现过 性高于 GO神经网络!表明其稳定性优于 GO神经
度训练和训练不足)易于陷入局部最小等缺陷而导 网络(
表U7小波神经网络和XO神经网络预测拟合结果
E#3$,U7G’**,2-,&C$*()5#J,$,*",C-#$",*5(-V"_<<$ #"2XO",C-#$",*5(-V"XO<<$ )(-,.#&*
小波神经网络 GO神经网络
N>=D@D%?D"C>@?D%N.C5"WFF# GO?D"C>@?D%N.C5"GOFF#
年份
实际值 预测值 误差绝对值 拟合精度"K# 预测值 误差绝对值 拟合精度"K#
VD>C 实际值
!6%">@ OCD-/6%D- SCC.C>8$.@"%D h/%%/?# OCD-/6%D- SCC.C>8$.@"%D h/%%/?#
!6%">@=>@"D
=>@"D =>@"D =>@"D >66"C>6\ =>@"D =>@"D >66"C>6\
&’(’ & &:2& ’:2& *M:(* & &:’) ’:’) ;+:&+
&’(( & (:;* ’:’& ;*:;) & &:(+ ’:(+ ;(:1’
&’(& 2 &:)) ’:M) *M:*M 2 &:)’ ’:)’ *2:M1
&’(2 2 &:); ’:M( *1:&’ 2 (:2& (:1* MM:’)
&’(M & &:(’ ’:(’ ;M:;; & &:’& ’:’& ;*:;1
表S7XO神经网络和小波神经网络性能比较 立了;E()E( 的小波神经网络和;E(’E( 的 GO神经网
E#3$,S7O,-)(-0#".,.(0/#-’&("()XO",C-#$",*5(-V 络!从结构上说!小波神经网络的神经元为 () 个!
"XO<<$ #"25#J,$,*",C-#$",*5(-V"_<<$ GO神经网络的神经元为(’ 个!前者的结构更为复
模型‘.-D@ G!B%"K# G,%
杂!说明对数据的分析更为精确%三是筛选传递函
OL!EGOFF (1:;2 ’:1(;&
数!小波神经网络选择常用的小波函数 ‘.C@D%函数
OL!EWFF (’:(+ ’:’)+*
作为传递函数!GO神经网络选用 %>?$/#作为隐含层
传递函数!B"CD@/? 作为输出层传递函数( 前者使用
=7结论与讨论
的‘.C@D%小波函数比后者使用的 I/#A./- 函数对非
线性特征的提取能力更强!对干扰的鲁棒性好)误差
农作物病虫害的发生具有复杂的非线性特点!
小!泛化能力好(
本研究基于人工神经网络和小波分析理论相结合!
然而!将小波神经网络运用于病虫害预测预报
提出了融合两者而形成的一种非线性预测模型111
还存在许多亟待解决的问题( 例如$如何更准确地
小波神经网络模型( 本研究充分利用山西省麦蚜发
确定神经网络隐含层节点个数%在预测不同的指标
生监测数据建立了小波神经网络模型与 GO神经网
时选择何种小波函数%初始权值)尺度伸缩因子)时
络模型!并进行了预测精度和稳定性对比( 结果显
间平移因子等参数的选择!以使病虫害预测预报更
示!前者在预测准确率和模型稳定性上均好于后者!
加精准和稳定等!希望在以后的研究中进一步探索(
其同时具有小波分析时频同步分析的特点并兼具神
研究中没有考虑麦蚜越冬基数)天敌)寄主及防治措
经网络良好的自学习)自组织及非线性映射能力!该
施等因素的影响!可通过进一步实验对这些因素做
模型可作为农作物病虫害预测预报的一种新方法继
定性定量分析后进入建模过程(
续探索尝试(
本研究中小波神经网络模型能够较好预测麦蚜
参考文献 ";,),-,".,&$
发生程度的本质在于$一是在建立神经网络前!对输
入变量运用主成分分析法进行预处理!不仅将有一 G>5$[/Ga! I%DB[>?.B."@.$P! (;;2:W>=DE?D%$ >A"@%/CD$.@"%/.?!
定关联的因子之间的相互影响降到最小!而且使维 [/DC>C6[/6>@?D"C>@?D%N.C5 N/%[ @.6>@/gD- @D>C?/?#:J’/.&$)’@#51
!(1.+"$&F&0#+#/#1’@?51(+"$)%&*+&11.0!2;"(#$)+,*(:
数由M’ 个降低到; 个!避免了由于-高维数.出现
L>.VX!V/? U! H/RG! X[>?#RL! H/cT! &’’1:Z/$6"$$/.? .? %[D
的-维数灾.%二是筛选隐含层节点数!由于在理论
CD>$.?$._6.?%/?"."$C>AB>?6\>?- 6.?%C.@$%C>%D#/D$._N[D>%
上尚无准确且完备的确定隐含层节点数的方法!在
>B[/-$:B)$&#B.’#1"#+’&!2&")#$+&,+):*曹雅忠!尹姣!李克
已有研究基础上!运用试凑法筛选出节点数!分别建 斌!张克诚!李贤庆!&’’1:小麦蚜虫不断猖獗原因及控制对
99;’& 昆虫学报!"#$ %&#’(’)’*+"$ ,+&+"$ )*卷
策的探讨:植物保护!2&")#$+&,+)+ 2(1,2(*:*李伟超!宋大猛!陈斌!&’’1:基于遗传算法的人
L[D?SY! W>?#W! X[>?#UU!&’(&:!BB@/6>%/.? /?%C.-"6%/.? ._BD$% 工神经网络:计算机工程与设计!&+"&#$2(1,2(*+
_.CD6>$%/?#._GO?D"C>@?D%N.C5:J’/.&$)’@B)$&#B.’#1"#+’& ’@ H/"P!V>?#cY! PDVG! ‘/>.Vc!&’’1:!? >C%/_/6/>@?D"C>@?D%N.C5E
K/;1+!"(#$M(,MM:*陈恩会! 王炜! 张建军!&’(&:GO神经 8>$D-D7BDC%$\$%DA_.C_C"/%%CDD-/$D>$D>?-/?$D6%BD$%-/>#?.$/$:<?$
网络在病虫预测预报中的应用简介:湖北植保!"(#$M(,MM+ OC.6DD-/?#$._%[D&’’1<SSS<?%DC?>%/.?>@L.?_DCD?6D.?FD%N.C5/?#!
L[D?YY! X[" IV! L"/ch! &’’2:!$%"-\.? %[D_.CD6>$%A.-D@._ ID?$/?#>?-L.?%C.@!h.C%H>"-DC->@[email protected]/->:(’+1,(’+;:
31&>.’)+(/0-/&"#$#/0.66"CCD?6D8>$D-.?>C%/_/6/>@?D"C>@?D%N.C5: H/" Hh! hD?#ZV! X[>?#YL! (;;+:OCD-/6%/.? ._>A."?%._N[D>%
T’.10#U101$."5!(1"&#$();,(1):*陈绘画!朱寿燕!崔相富! >B[/- .66"CCD?6D8\>BB@/6>%/.? ._BC/?6/B>@6.AB.?D?%>?>@\$/$:
&’’2:基于人工神经网络的马尾松毛虫发生量预测模型的研 %&#’(’)’*+"$)V&’E)1>*1!2M")#$&1’,&12:*刘了凡!冯殿英!
究:林业科学研究!(1"&#$();,(1)+ 张厚臣!(;;+:主成分分析在麦蚜发生量预报中的应用:昆虫
L[D?‘!&’(2:J[D.C\>?- S7>AB@D._FD"C>@FD%N.C5 .? ‘!JH!G: 知识!2M")#$&1’,&12+
J$/?#[">]?/=DC$/%\OCD$$! GD/4/?#:()1 ,(;(:*陈明! &’(2: H".LI!X".T! H/GP!&’’M:!BB@/6>%/.? ._>C%/_/6/>@?D"C>@?D%N.C5
‘!JH!G神经网络原理与实例精解:北京$ 清华大学出版社: 8>$D-.?%[D#D?D%/6>@#.C/%[A/? BCD-/6%/?#%[DC..%-/$%C/8"%/.? ._
()1,(;(+ N/?%DCN[D>%:?5+&101J’/.&$)’@!--)+1> %"’)’*9!()"&#$2)M ,
L[D?X!hD?#JU!(;;;:aD$D>C6[[email protected]?%$>?-BC.$BD6%$._N>=D@D% 2)1:*罗长寿!左强!李保国!&’’M:基于遗传算法的人工神经
?D"C>@?D%N.C5$:J’/.&$)’@7"1$& H&+41.0+#9’@Z+&*>$’!&;"M#$ 网络模型在冬小麦根系分布预报中的应用:应用生态学报!()
112,11*:*陈哲!冯天瑾!(;;;:小波神经网络研究进展及展 "&#$2)M,2)1+
望:青岛海洋大学学报!&;"M#$112,11*+ H".IU!&’’1:h.CD6>$%A.-D@._B$&$#$.-59))’0#$"590$1.66"CCD?6D>CD>
L[D?XP!&’’;:!BB@/6>%/.?._#D?D%/6>@#.C/%[A>?-GO?D"C>@?D%N.C5 8>$D-.??D"C>@?D%N.C5:%&#’(’)’*+"$)J’/.&$)’@%$0#?5+&$!()
/? PZO_.CD6>$%$:?’(-/#1.$&> 3+*+#$)%&*+&11.+&*! 2+";#$ "(#$2+,2;:*罗盛健!&’’1:基于人工神经网络的刚竹毒蛾
(+&,(+):*陈志高!&’’;:遗传算法和GO神经网络在PZO预 发生面积的预测模型:华东昆虫学报!()"(#$2+,2;+
测中的应用:计算机与数字工程!2+";#$(+&,(+)+ ‘>h! c" ch! X[>?#cH! L[D?#cF! &’’&>:!BCD-/6%/.? A.-D@
S@$>_/IY!&’(M:!C%/_/6/>@?D"C>@?D%N.C5$"!FF$# [email protected]_.CD6>$%/?# /?%D#C>%/?#B[>$D$B>6DCD6.?$%C"6%/.? >?- >C%/_/6/>@?D"C>@?D%N.C5
>%Z.?#.@>I%>%/.?/?%[Da/=DCF/@D!I"->?:!)18$&>.+$%&*+&11.+&* >?- /%$>BB@/6>%/.? /? BD$%_.CD6>$%/?#:!"#$ %"’)’*+"$ ,+&+"$! &&
J’/.&$)!)2$1)),11&: "*#$(&;+,(2’(:*马飞!许晓风!张夕林!程遐年!&’’&:相
h>/C@D\U!! PD.C#."@>$P! IA>C%QH! Z/A>5.B."@.$P! R>C=D@/$O! 空间重构与神经网络融合预测模型及其在害虫测报中的应用:
I%\@/.$LZ! a\DZG! G@/N/$DZH! &’(M:W>=D@D%>?>@\$/$_.C 生态学报!&&"*#$(&;+,(2’(+
-D%D6%/.?._B[>$/6D@D6%C.A\.#C>B[/6>6%/=/%\/? $@DDB$ /?_@"D?6D._ ‘>h! c" ch! X[>?#cH! L[D?#cF! &’’&8:FD"C>@?D%N.C5 ._
A.%[DCN>=D@D%>?- -/AD?$/.?>@/%\CD-"6%/.?:?’(-/#1.0+& :+’)’*9 N>C?/?#$\$%DA >?- /%$>BB@/6>%/.? /? /?$D6%BD$%_.CD6>$%/?#:
$&>G1>+"+&1!M*$++,*M: %&#’(’)’*+"$)V&’E)1>*1!2;"&#$((),((;:*马飞!许晓风!张
h"Yc! X[>.Y! W>?#VL! I.?#YV! &’(’:!BB@/6>%/.? ZD$/#? ._ 夕林!程遐年!&’’&:神经网络预警系统及其在害虫预测中的
FD"C>@FD%N.C5 .? ‘!JH!G:L[/?>‘>6[/?DOCD$$! GD/4/?#: 应用:昆虫知识!2;"&#$((),((;+
(;2,&’*:*傅荟璇! 赵红! 王宇超! 宋红艳!&’(’:‘!JH!G O>%/VL!RC/$[?>BC>$>-OI!(;;2:!?>@\$/$>?-$\?%[D$/$.__DD-_.CN>C-
神经网络应用设计:北京$机械工业出版社:(;2,&’*+ ?D"C>@?D%N.C5$"$/?#-/$6CD%D>__/?DN>=D@D%%C>?$_.CA>%/.?$:F%%%
P.$"5.?->a!‘>[>B>%C>!R!H/"cH!R>??>?P!&’():!BB@/6>%/.?._ =.$&0$"#+’&0’&<1/.$)<1#E’.[!M"(#$+2,+):
>C%/_/6/>@?D"C>@?D%N.C5 %.BCD-/6%%0"51.+"5+$ "’)+Q()+$ Y+ a.\O! L[."-["C\OI! I>[>C/>‘! &’(’:Z\?>A/6!FFA.-D@/?#_.C
/?>6%/=>%/.?.?8DD_$"C_>6D$:T’’>?’&#.’)!M+$1’1,1(M: [email protected] _.CD6>$%/?#/? >C/=DC?D%N.C5:<?$ L.?_DCD?6DOC.6DD-/?#$._
P"/@@DCA.US! L>$%D@@>?.$HUa! I>?6[DgSF! !@>?/$!V! &’(): %[D<?%DC?>%/.?>@L.?_DCD?6D.? ‘.-D@/?#! QB%/A/g>%/.?! >?-
ZD%D6%/.?._[D>C%A"CA"C$8>$D- .? C>-/>@N>=D@D%?D"C>@?D%N.C5 L.AB"%/?#!l.@:(&;*:&(;,&&):
N/%[R>@A>?@D>C?/?#:<1/.’"’(-/#+&*!(1M$2’+,2(+: I[/h! W>?#cL! V" H! H/V! &’(’:2’ 6>$D$._‘!J!HGFD"C>@
R.$D5 W! W?&5 !! X8\@"%EP(cid:131)C$5>‘! O.B/(cid:132)$5/W! &’(M:W>=D@D% FD%N.C5!?>@\$/$:GD/[>?#]?/=DC$/%\OCD$$! GD/4/?#:;:*史峰!
>?>@\$/$._%[DD>C%[ 6D?%DC._A>$$%/AD$DC/D$-D%DCA/?D- 8\ 王小川!郁磊!李洋!&’(’:‘!J!HG神经网络2’个案例分析:
$>%D@@/%D%D6[?/^"D$:J’/.&$)’@D1’>9&$(+"0!*’$)*,1): 北京$北京航空航天大学出版社:;+
H/TT!W>?#LT!X[>?#WU! V" V! H/G! V>?#U! G>/PL! L>/V! W>?#Z‘!W>?#H! X[>?#P‘!&’(&:I[.C%E%DCAN/?- $BDD- _.CD6>$%
&’(2:OCD-/6%/.?._$./@?"%C/D?%$$B>%/>@-/$%C/8"%/.?8>$D-.??D"C>@ A.-D@_.CN/?-_>CA$8>$D-.?#D?D%/6GO?D"C>@?D%N.C5:J’/.&$)’@
?D%N.C5 [email protected]/?D- N/%[ #.D$%>%/$%/6$:?5+&101J’/.&$)’@ Q51R+$&*H&+41.0+#9"%&*+&11.+&* ,"+1&"1#! M1")#$ *2+ ,*M(!
!--)+1>%"’)’*9!&M"&#$M);,M11:*李启权!王昌全!张文江! ;’M:*王德明!王莉!张广明!&’(&:基于遗传GO神经网络的
余勇!李冰!杨娟!白根川!蔡艳!&’(2:基于神经网络模型和 短期风速预测模型:浙江大学学报"工学版#!M1")#$*2+,
地统计学方法的土壤养分空间分布预测:应用生态学报!&M *M(!;’M+
"&#$M);,M11+ W>?#PL! W>?#YH! Hn WV! T/?#ch! V" Y! &’((:OD$%/?$D6%$
H/WL! I.?#Z‘! L[D? G! &’’1:!C%/_/6/>@?D"C>@?D%N.C5 8>$D- .? _.CD6>$%/?#8>$D- .? >C%/_/6/>@?D"C>@?D%N.C5$:<?$ OC.6DD-/?#$._
#D?D%/6>@#.C/%[A:?’(-/#1.%&*+&11.+&* $&> 310+*&! &+"&#$ %[D&?- !$/>EO>6/_/6L.?_DCD?6D.? <?_.CA>%/.? J[D.C\,&’((
