苹果树病虫害预测与防治决策支持系统研究

《苹果树病虫害预测与防治决策支持系统研究》由会员上传分享，免费在线阅读，更多相关内容在学术论文-天天文库。

分类号ＴＰ３９１授予学位单位代码：１０４３４；＊研究生学号：２０１２１１０６７１山東農業丈學硕±学位论文苹果树病虫害预测与防治决策支持系统研究■ＲｅｓｅａｒｃｈｏｎＰｒｅｄｉｃｔｉｏｎａｎｄＰｒｅｖｅｎｔｉｏｎＤｅｃｉｓｉｏｎＳｕｐｐｏｒｔＳｙｓｔｅｍｆｏｒＡｐｐｌｅＴｒｅｅＤｉｓｅａｓｅｓａｎｄＰｅｓｔｓ研究生：姜狸学科专业：计算机应用技术研究方向：农业信息管理与集成学院：信息科学与工程学院ｔ指导教师：程述汉教授２０１日年０６月０１日 旅市摇巧曰期；２０１５年０４月２任号论文答辩日期：２０１５年０６月０７量２０１５年０６月学位授予日期；＿＿学科ｎ类：工科據表：答辩委员会主席却 关于学位论文原创性和使用授权的声明本人所呈交的学位论文，是在导师指导下，独立进行科学研究所取得的成果、。对在论文研究期间给予指导帮助和做出重要贡献的个人或集体。本声明的法律责任由本人承担。，均在文中明确说明本人完全了解山东农业大学有关保留和使用学位论文的规定，同意学校保留和按要求向国家有关部口或机构送交论文纸质本和电子版，允许论文被査阀和借阅。本人授权山东农业大学可Ｗ将本学位论文的全部或部分内容编入有关数据库进行检索，可采用影印、缩印或其他复制手段保存论文和汇编本学位论文，同时授权中国科学技术信息研究所将本学位论文收录到《中国学位论文全文数据库》，并向社会公众提供信息服务。保密论文在解密后应遵守此规定。论文作者签名；级导师签名；日期： 目录中文摘要.....................................................................................................................................IAbstract...................................................................................................................................II1绪论.........................................................................................................................................11.1研究目的及意义..................................................................................................................11.2国内外研究现状..................................................................................................................21.2.1国外研究现状..................................................................................................................21.2.2国内研究现状..................................................................................................................41.2.3研究现状分析..................................................................................................................71.3研究内容、方法及技术路线..............................................................................................81.3.1研究内容..........................................................................................................................81.3.2研究方法..........................................................................................................................81.3.3技术路线..........................................................................................................................92基本理论概述.......................................................................................................................112.1决策支持系统概述............................................................................................................112.1.1决策支持系统概念........................................................................................................112.1.2决策支持系统分类........................................................................................................112.2BP神经网络概述..............................................................................................................162.2.1BP神经网络介绍..........................................................................................................162.2.2BP网络学习方式..........................................................................................................182.3小波分析概述....................................................................................................................192.3.1小波分析基础................................................................................................................192.3.2小波变换........................................................................................................................202.3.3常用小波函数................................................................................................................213苹果树病虫害预测与防治决策支持系统相关模型研究..................................................223.1主要影响因子提取方法研究............................................................................................223.1.1主成分分析法概述........................................................................................................223.1.2影响苹果树腐烂病的因素分析....................................................................................243.1.3基于主成分分析的苹果树腐烂病预测主要因子提取................................................253.2基于BP神经网络预测模型研究.....................................................................................28 3.2.1BP算法基本流程..........................................................................................................283.2.2BP算法的局限性..........................................................................................................303.2.3BP算法的改进..............................................................................................................313.2.4基于BP神经网络预测模型的建立............................................................................313.2.5实验结果分析................................................................................................................323.3基于小波网络预测模型研究............................................................................................333.3.1小波网络模型的选择....................................................................................................343.3.2小波网络学习算法........................................................................................................363.3.3基于小波网络预测模型的建立与检验........................................................................384苹果树病虫害预测与防治决策支持系统的设计与实现..................................................394.1系统设计............................................................................................................................404.1.1系统整体框架................................................................................................................404.1.2功能模块划分................................................................................................................414.2数据库设计........................................................................................................................464.2.1概念模型........................................................................................................................464.2.2逻辑模型........................................................................................................................464.2.3数据库详细设计............................................................................................................484.3知识库设计........................................................................................................................504.3.1知识获取........................................................................................................................504.3.2知识的表示与规则........................................................................................................504.4系统实现............................................................................................................................514.4.1技术简介........................................................................................................................514.4.2技术架构........................................................................................................................534.4.3系统界面........................................................................................................................545总结与展望...........................................................................................................................575.1总结....................................................................................................................................575.2展望....................................................................................................................................58参考文献...................................................................................................................................59致谢...........................................................................................................................................63在读硕士期间获得的研究成果..............................................................................................64 中文摘要苹果是我国主要的经济作物之一，近年来，伴随现代农业建设，我国苹果产业得到快速发展。我国已成为苹果生产大国，栽培面积和产量都居于世界首位。苹果已成为一些地区或农村的经济支柱，增加了农民收入，改善了农民生活。然而受到人为和自然因素的影响，苹果树经常会发生各类病虫害，造成巨大危害，不但威胁到苹果的产量及品质，而且对于果农的经济收益和生产效益也会造成不同程度的影响。本文以苹果树病虫害为研究对象，以泰安市苹果树腐烂病为例，进行苹果树病虫害预测与防治决策支持系统的研究，具体研究内容以及研究成果如下：（1）BP神经网络预测模型研究。利用主成分分析法对BP神经网络预测模型的输入数据进行处理，提取了主要影响因素，实现了降维，该方法为提高模型的精准度提供了基础支撑。选取Sigmoid函数作为模型的激活函数，附加动量法作为模型的学习算法，提高了收敛速度和模型预测的准确度。试验表明，模型训练速度快，能够准确预测结果。（2）小波网络预测模型研究。通过对分离式和融合式小波网络的对比，将融合式小波网络应用于苹果树病虫害流行程度的预测。通过主成分分析法对输入数据进行降维，选取Morlet函数作为模型的激活函数，建立小波网络预测模型，对泰安市的苹果树腐烂病流行程度进行预测。试验表明，模型预测精准度和收敛速度较BP神经网络预测模型有显著提高。（3）苹果树病虫害预测与防治决策支持系统研究。首先，在需求分析的基础上，将系统功能分为八个功能模块，并对其进行了详细的研究和设计；其次，根据功能模块的划分，对系统的数据库进行了分析与设计；最后，采用S2SH整合开发技术等，利用MySQL数据库、Tomcat服务器，完成了苹果树病虫害预测与防治决策支持系统的开发。系统可以为用户了解病虫害信息提供途径，为病虫害的预测预报提供决策支持，对果农及时做好防治准备工作具有重要意义，而且有利于果农根据预测流行程度的严重性较早制订防治方案，减少经济损失。关键词：苹果树；病虫害；BP神经网络；小波网络；决策支持系统I ResearchonPredictionandPreventionDecisionSupportSystemforAppleTreeDiseasesandPestsAbstractAppleisoneofthemaineconomiccropsinChina.Inrecentyears,withtheconstructionofmodernagriculture,appleindustryinChinahasbeendevelopingrapidlyandourcountryhasbecomealeadingglobalproducerofapple.Appleacreageandyieldhavetoppedtheworld.Applehasbeenamainstayofeconomyinsomeareasandvillages.Ithelpsthefarmerssupplementtheirincomeandimprovetheirlife.However,influencedbyartificialandnaturalfactors,differentkindsofdiseasesandpestshappenfrequentlywhichcouldcausegreatharm.Itnotonlythreatenstheyieldandqualityofthefruitbutalsobringeffecttotheeconomicincomeandproductionbenefitoftheapplegrowersindifferentdegree.Thispaperfocusesonthediseasesandpestsofappletrees.Aimingatthedemandofappletreediseaseandpestcontrolandpredictioninourcountry,takeapplecankerdiseaseasanexample,carryontheresearchofpredictionandpreventiondecisionsupportsystemforappletreediseasesandpests.Thespecificresearchcontentsandresultsareasfollows:(1)ResearchonBPneuralnetworkpredictionmodelUsePCAtoprocesstheinputdataofBPneuralnetworkpredictionmodel.Extractthemaininfluencefactorstoachievethepurposeofdimensionalityreduction.Thismethodprovidesabasicsupportforimprovingtheprecisionofthemodel.UseSigmoidfunctionashiddenlayeractivationfunctionandadditionalmomentummethodaslearningalgorithm.Therateofconvergenceandforecastaccuracyofthemodelareraised.Experimentshaveshownthatthemodelhasfasttrainingrateandhighpredictionaccuracy.(2)ResearchonwaveletnetworkpredictionmodelBycomparingtheseparatingwaveletnetworkandintegratingwaveletnetwork,integratingwaveletnetworkisselectedinthepredictionofappletreediseasesandpests.UsePCAtoprocesstheinputdatainordertoachievethepurposeofdimensionalityreduction.UseMorletfunctionashiddenlayeractivationfunctiontobuildthewaveletnetworkpredictionmodelandpredicttheepidemicofappletreecankerdiseaseinTaian.ExperimentshaveshownthatthepredictionaccuracyissignificantincreasedcomparedwithBPneuralnetworkpredictionmodel.(3)ResearchonpredictionandpreventiondecisionsupportsystemforappletreediseasesandpestsII First,onthebasisofrequirementanalysis,thesystemisdividedintoeightfunctionmoduleswhichisstudiedanddesignedindetail.Second,accordingtothedivisionoffunctionmodules,thedatabaseofthesystemisanalyzedanddesigned.Finally,throughtheuseofS2SHintegrationdevelopmenttechnology,MySQLdatabaseandTomcatserver,thepreventionandpredictiondecisionsupportsystemforappletreediseasesandpestshasbeendone.Thesystemcanprovidepathwayforuserstoknowtheinformationofdiseasesandpests,givedecisionsupporttodiseasepredictionwhichissignificantforthefarmertopreparepreventionandcontrol.Itisconductivetomakepreventionmeasuresaccordingtotheseriousnessofthediseasesinordertoreduceeconomicloss.Keywords:AppleTree;DiseasesandPests;BPNeuralNetwork;WaveletNetwork;DecisionSupportSystemIII 山东农业大学硕士学位论文1绪论1.1研究目的及意义苹果是主要的经济作物之一，每年的总产量位于世界第四，仅次于香蕉、柑橘和葡萄（王娟，2013）。近年来，随着科技的进步带动了我国苹果业的快速发展，我国已成为世界苹果生产大国，苹果的栽培面积和产量都居于世界首位。我国苹果产业以7%-10%的速度增产，2009年对世界苹果增产贡献率达105.26%，出口增产贡献率达58.2%,消费增长贡献率达84.08%（汪景彦等，2011）。苹果已成为一些地区或农村的经济支柱，增加了农民的收入，改善了农民的生活。受气候的影响，我国北方比较适宜苹果的栽培，然而病虫害对苹果的产量和品质危害却很大，据不完全统计，缺少科学管理措施的果园损失率可达50%，即使是一般的果园，因病虫害而引起的损失率也达10%-20%（郑晓洁，2011）。当前已知的苹果病虫害有90多种，常见的有30多种，可发生于果树的叶部、根部、枝干及果实，为害较为严重的有腐烂病、轮纹病、斑点落叶病、炭疽病、褐斑病、霉心病等，尤其是被称为苹果树癌症的腐烂病，年年发生，很难治愈。我国农业科技界在苹果树腐烂病等病虫害的诊断与防治理论研究和应用研究方面都取得了很大进展，形成了丰富的经验。这些经验通过图书、期刊、报纸、广播、电视、现场培训等渠道传授给广大果农，在苹果病虫害诊断与防治工作中发挥着极其重要的作用。然而，随着过去常用的高毒、难分解的农药被大量禁用，以及“预防为主，综合防治”方针的贯彻，一批新的、更加科学的防治技术急需得到推广。受制于我国广大果农的文化水平和我国农业经济的发展水平，苹果病虫害的诊断和防治还主要依赖于园艺专家传授的经验或果农自学来的经验，新技术在大范围内难以进行传播和交流，通过经验的交流和积累促进诊断防治技术的提高也难以实现。当前我国苹果病虫害诊断与防治经验的总结与积累、传播与接收、理解与应用存在着如下的问题：（1）经验传播大多是专家到果农的单向传播，经验持有者间的交流有限，不利于专业技术水平的提高。（2）经验的传播效果和应用效能受园艺专家专业知识、活动范围、工作习惯的影响，也受果农文化水平、经济条件、地理位置的影响，在经验传播过程中还会有多种不可控的因素。1 苹果树病虫害预测与防治决策支持系统研究为促进苹果树病虫害诊断与防治经验的交流，加速防治技术的推广，本研究以神经网络基本理论为指导，以苹果树腐烂病为例，以泰安地区苹果园为研究对象，对病害预测的推理过程进行数学建模，建立推理机制。将病虫害诊断、预测技术应用于苹果病虫害诊断与防治，建立苹果树病虫害预测与防治决策支持系统，对果农及时做好防治准备工作具有重要意义，而且有利于果农根据预测流行程度的严重性较早制订防治方案，减少经济损失。同时，有利于相关经验的优化组合和不断积累，促进诊断与防治技术水平的提高，以及诊断的准确度和防治的效果，对改善我国苹果品质、提高苹果单产、增加果农收入，促进我国苹果产业的健康发展，并进一步提高我国苹果产业的国际竞争力具有重要的意义。1.2国内外研究现状植物保护在现代农业耕种体系中占据重要一环，但目前病虫害频繁发生，果农对防治方法和规律认识模糊，乱用农药十分普遍，农药残留非常严重，植保形势并不乐观。植保信息流通不畅，作物生产管理缺乏科学的辅助决策机制，是导致这种局面发生的原因之一。因此，建立有效的信息服务体系，科学的辅助管理决策机制成为植物保护工作成功的重中之重。决策支持系统在植物保护方面的应用已经有三十多年的历史。植物保护决策支持系根据不同的形式和功能分为两大类型：（1）作为查询工具，查询植物保护相关信息，主要形式是构建数据库解决结构化和简单的非结构化问题，包括文字、图片和视频等，早期的植保专家系统即属此类；（2）辅助决策工具，此类决策支持系统除具备第一类系统的功能外，还具有模型库或知识库，可建立模型进行分析预测，拟订方案进行辅助决策，实现动态分析与预测。1.2.1国外研究现状决策支持系统在国外植物保护中的应用始于20世纪70年代。三四十年来，各类植物保护决策支持系统在欧洲、北美许多国家相继建立，应用涉及多个方面，比如病虫草害预测、防治方案提供、杀虫剂残留评估等。国外植保决策支持系统在早期是一种信息查询工具，属于第一种类型，如美国伊利诺斯大学植病学家和计算机科学家在70年代末期联合开发的“大豆病虫害诊断专家系统(PLANT/DS)”，是世界上第一个植物保护专家系统，迈出了专家系统在农业中应用的第一步（张春芳，2007）。该系统能够帮助一个不懂农业知识的人识别大豆病害症状并提出相应的治理方案。但使用者必须掌握相应的计算机知识。2 山东农业大学硕士学位论文80年代中期日本千叶大学研制的番茄病虫害诊断系统MTCCS，用户不仅能够查询各类番茄病虫害信息，还能够根据专家经验进行人机互动来解决一些番茄相关的结构化和半结构的问题（尹涌华，2008）。进入90年代后，具备辅助决策功能的植物保护决策支持系统开始建立，如杂草管理决策支持系统HERB，由美国北卡罗来纳大学开发，在美国26个州已展开广泛应用。用户可从决策支持系统输入理想状态下大豆产量、售价、除草剂和设备成本和杂草种群密度的数据，系统根据输入的数据计算并输出大豆实际产量、杂草导致的损失和用相关除草剂后的经济回报等，为用户提供经济型防治方案，辅助用户进行决策（徐建祥等，2005）。由美国农业部农业研究署Baker和Lambert等领导的由各领域20多位科学家组成的研究小组研制成第三代棉花GOSSYM模拟模型（DavisRetal，1977），该模型进一步完善了对棉花系统动力过程的模拟。在此基础上Lemmon研制成功了解释GOSSYM的专家系统COMAX（BoulangerAG，1983），诞生了目前国际上最为成功的农业专家系统COMAX/GOSSYM棉花管理专家系统，用于向棉花种植者推荐棉田管理措施。它解决了GOSSYM模型与棉农之间的接口，并负责GOSSYM所需数据的准备和运行结果的解释工作。此系统在美国得到了广泛应用，给美国的棉花生产带来了巨大的经济效益。但该系统仅有制订灌溉定额、决定施氮量及施氮时期和决定收获期等几个功能，且系统界面不够友好。目前该系统又作了进一步的改进，推出了新版COMAX/CottonPlus（LemmonHetal，1998；刘莉，2004）。CottonPlus和GOSSYM都是系统动力学模型，但是CottonPlus采用最新的面向对象的程序设计方法，所有程序全部采用VC++编写而成，用户界面良好。J.W.Roach等研制的POMME系统（张梅，2001），给果农提供建议以提高苹果产量。在植物病理学家、昆虫学家处获得经验并整理录入系统。该系统在一定程度上具备预测黑星病等病害的发生日期，但仅能对少数几种病虫害进行诊治且不能自动识别病虫害类型。美国Florida大学H.Lal等人研制了农场机械管理决策支持系统FARMSYS（孟军，2002）。该系统中包含四个部分：信息管理系统、作业模拟系统、专家系统和产量评估系统。FARMSYS的智能前端是信息管理系统，它负责收集各种作业信息，比如农场、田块、作物、劳力、机械、其它能源等。FARMSYS系统能对各种资源的不同组合进行测试，诸如作物配置、农业机械的能力、不同气候年景下作物管理的策略3 苹果树病虫害预测与防治决策支持系统研究和劳力资源的安排。此外,它也能估计整个农场或个别田块的作物产量、毛收益和净利等。但是该系统中所包含的农场资料相对较少且未考虑到农场各个田块间的相互作用。STS-GMP，SharovA开发的决策支持系统为减缓美国白蛾扩散提供了决策支持。该系统由三部分组成：减缓扩散决策支持、减缓扩散措施评估和扩散速度预测。用户可自行查询往年白蛾在美国的扩散情况，预测当年白蛾的扩散趋势，根据自身条件获得控制白蛾扩散的最佳方法（李淑贤，2009）。墨西哥维拉克鲁斯大学的Bello-PinedaJavier等人建立的决策支持系统TreeDSS为加利福尼亚湾湿地走廊地区自然资源的管理和保护提供了有力工具（Bello-PinedaJavier，2013）。高质量信息的缺乏以及不同区域不同机构之间缺少交流导致为该地区自然资源的保护做决策时缺乏科学依据。TreeDSS作为WCGC（ThewetlandscorridoroftheGulfofCalifornia）项目的核心部分，主要包括三部分内容：用户接口、知识数据库和推理机。用户可以通过用户接口来建立决策树、选择数据库、分析参数，将结果显示出来并导入GIS环境中；知识数据库用来存储分析结论和用户创建的决策树；推理机的本质是搜索算法，它通过层级的判定规则分析并给出相应的结果。TreeDSS已经进行应用，例如，它通过建立合适的评估模型将加利福尼亚湾沿岸湿地走廊地区潜在的候鸟觅食区识别出来并进行相应的管理和保护。该系统可以帮助决策者结构化并解决适宜性脆弱性评估、资源分配和分区等多准则评价的问题。但是该系统对于处理复杂的决策问题还有待提高。1.2.2国内研究现状20世纪80年代，决策支持系统在我国的应用开始起步，90年代后发展较快。尹泰龙等人于90年代初期开发了针对落叶松落叶病测报管理的决策支持系统（尹泰龙等，1991），该系统测报的原理是结合气象数据，通过对发病面积和病情指数两个落叶松落叶病的关键指标进行对比，制定相应的防治指标，同时对防治效益进行预测。小麦病虫害治理决策支持系统由马洪森等人研发（马洪森等，1995），该系统具有四大功能：病虫害识别、预测、防治和经济核算。苹果、梨病虫害防治决策支持系统由刘书华等人研发，针对果园的具体特征，该系统可根据天气情况给出病虫害的预测和防治建议。棉铃虫预警预测与辅助防治决策支持系统由柏立新等人设计，该系统通过数据处理、作用评估等步骤，确定棉铃虫灾变预警等级、指导综合防治。4 山东农业大学硕士学位论文魏一鸣等在地理信息系统和智能决策支持系统技术的基础上设计实现了洪水灾害评估智能决策支持系统，实现对洪水灾害的准确评估和智能决策。杨昆等在ArcGIS软件平台的基础上，利用COM/DCOM和ASP等开发技术及ArcSDE空间数据库技术，建立了地震灾害应急决策支持系统，实现地震信息的快速发布和救援物资的合理调度（李炳南，2014）。北京理工大学的张娟、陈杰、刘志勇等人采用数据库技术和数据挖掘技术构建的温室蔬菜栽培决策支持系统（张娟等，2007）具有良好的可扩展性，并具有良好的人机交互功能，在应用中取得了良好的效果。该系统经过充分调研之后建立了七类数据库：蔬菜病害数据库、蔬菜虫害数据库、蔬菜病害诊断数据库、蔬菜生长状态数据库、温室环境参数数据库、蔬菜田间操作数据库和蔬菜植株参数数据库。数据库中包含两部分内容，一是温室环境和作物生长的实测数据，二是根据专家知识等提炼出来的知识库。为实现数据挖掘功能并使其满足系统需要和具有一定通用性，又对数据进行了一系列的清洗、集成、转换等，并通过趋势分析与预测、关联分析、相似搜索、序列模式分析等进行挖掘。该系统通过引入数据挖掘技术有效解决了农业专家知识获取难、归纳难的问题。但该系统仅是一个具有数据库和知识库的二库系统，应建立相应的模型库和方法库进一步完善该系统。中国农业大学植保生态智能系统技术实验室由沈佐锐教授创建，是国内专业研发植物保护决策支持系统的实验室之一，已成功开发多个植物保护相关的计算机辅助决策系统，如黄淮海地区麦蚜信息管理与预测预报系统、北京市蔬菜生产管理信息系统、蔬菜害虫辅助鉴定多媒体专家系统等（尹涌华，2008）。浙江大学郑文钟于2005年研发了农机管理决策支持系统（张晓丹，2014），该系统运用了地理信息系统技术，并结合了数据挖掘技术、决策支持系统技术，该系统兼具了决策支持系统的各种功能和GIS的部分功能，例如空间信息分析、数据处理结果地图化等。东北农业大学李中才设计开发了一套农业机器系统状态仿真及更新决策支持系统，将逻辑斯蒂模型、线性回归模型、指数模型相结合组成预测模型，用来提高农业机械评价指标的精度,并以黑龙江省绥棱农场为验证对象，证实了该系统的可行性。东北农业大学祝荣欣于2006年研发了网络版的农业机器选型智能决策支持系统（祝荣欣，2006），它分别应用模糊综合评判模型、层次分析模型和基于遗传算法的投影寻踪模型三种模型对农业机器进行选型，克服了以往学者研究选型方法单一性。该5 苹果树病虫害预测与防治决策支持系统研究系统主要包括六大功能模块，分别为农业机器选型智能决策模块、信息浏览模块、系统维护模块、专家打分模块和农业机器信息浏览等主要模块，同时为实现农机辅助远程选型，系统建立了模型库和基于规则的知识库，该系统极大地丰富了农机选型功能，用户使用方便。扬州大学的邢琳以稻麦周年优质高产为研究对象，运用农业信息技术相关原理与方法，结合姜堰市实际，于2011年开发出了功能全面、内容丰富、界面友好、易于操作的县域稻麦周年优质高产精确栽培决策支持系统（邢琳，2011）。该系统分为七大模块：文件处理、系统管理、电子地图、数据库、决策支持、常用工具和知识园地。其中决策支持包括精确播期决策、基本苗精确求算、精确施肥决策、精确测产、精确定量节水灌概、精确病虫害防治六大功能。基本苗精确求算模块根据凌启鸿等提出的基本苗计算公式分为三种类型基本苗定量方法，包括中、大移栽的合理基本苗定量，小苗移栽基本苗定量，直播稻基本苗定量。精确病虫害防治模块搜集了154种常见稻麦病虫害的特征、传播途径、发病条件及防治方法，并可根据稻麦发病时的特征进行模糊查询。湖南农业大学张建卿于2012年根据当地农作生产的实际状况，同时分析了当地对水稻插秧机性能的要求，研发了水稻插秧机选择决策支持系统（张建卿，2012）。该系统应用形态分析法，选出了适合当地作业的水稻插秧机机型，给出了备选水稻插秧机机型的优劣排序和优化方案，最终实现了对水稻插秧机的优化与选型的综合评价。新疆农业大学程敬春通过采用模糊综合评判法对动力机械进行评价，并选型得出了最佳的动力性能和经济性能的备用农业动力机械，该文充分考虑了影响动力机械选型的各方面因素，如当地实际的生产制度、自然环境和生产农艺等，对动力机械选型问题进行了深入地研究。首都师范大学孙培芬、王培、刘卉等人于2014年研发了农田信息管理决策支持系统（孙培芬等，2014）。该系统借助WebGIS开放性平台，微软Silverlight技术，采用4层B/S架构：客户层、界面表现层、数据访问层和数据层，实现了地块信息查询、施肥决策、环境监测数据图表显示、生产计划信息管理决策等功能，其中施肥决策模块以每个地块为施肥单元，采用土壤养分平衡模型，根据地块土壤采样的养分数据平均值，计算最佳施肥量。该系统已经在黑龙江红星农场投入使用，运行良好。6 山东农业大学硕士学位论文1.2.3研究现状分析在植物保护领域，决策支持系统已发展成为非常重要的辅助工具。然而，现有系统在解决数据变化快、影响因子多的植物保护类问题时存在明显不足。发生病虫害本身具有时间和空间上的不确定性，加上如气象、土壤等外部影响因子的介入，使得整个系统结构复杂，非结构化程度较高，因此，决策支持系统需要引入其他的新兴技术。目前，国内外专家正在积极探索建立新型的决策支持系统，有目的地在植物保护方面引入其他新兴技术。概括起来，目前植物保护决策支持系统的发展有以下三个重要的方向：（1）集成决策支持系统与地理信息系统，实现具有空间数据管理能力的植物保护决策支持系统。地理信息系统是一种空间型数据的管理分析系统，它的主要优点表现在能够对空间实体进行定义、查询和分析。将地理信息系统引入能弥补决策支持系统在处理空间数据方面的不足，使决策支持系统在植物保护中的应用领域得到更大的拓展。（2）结合地理信息系统，引入遥感和全球定位系统技术，建立基于“3S”的植物保护决策支持系统。遥感提供的信息实效性强、准确度高、监测范围大，能够为影像数据等提供精确信息。基于“3S”的决策支持系统解决了适时性和空间性两方面现有决策支持系统存在的不足。但目前基于“3S”的植物保护决策支持系统报道不多，在当今信息技术实效性要求日益急迫的情况下，“3S”技术一体化的引入将大大提高植物保护决策支持系统的有效性和实用性。（3）结合网络，构建基于Web的植物保护决策支持系统。将决策支持系统向网络移植，能够克服现有植物保护决策支持系统的许多不足。它可以满足计算机群体对数据的共享和通讯的需求，提高并发访问和人机交互的功能，优化系统维护和扩展的能力等。决策支持系统是一个融多种学科与技术于一体的集成系统，随着管理理论、行为科学、心理学等相关学科的不断发展，尤其是计算机技术和信息技术的巨大进步，决策支持系统的应用研究将不断深入，逐步向着智能化、多元化、集成化方向发展。决策支持系统在植物保护中的应用尽管时间不长，但已显示出强大的生命力。植物保护决策支持系统有效提高了各类植保决策的科学性，无论是有害生物种群动态预测还是防治方案提供，植保决策支持系统均可发挥重要作用。进一步开发实用、简便的决策7 苹果树病虫害预测与防治决策支持系统研究支持系统是目前面临的重要任务。伴随其自身体系的进一步完善和其他新兴技术的引入，植物保护决策支持系统的研究和应用必将呈现更好的前景。1.3研究内容、方法及技术路线1.3.1研究内容（1）病虫害预测模型研究收集多年观察积累的资料，并将信息采集到的数据进行记录和管理，探讨某种因素如气候因素、物候现象等，与苹果树病虫害的发生期、发生量的关系，或害虫种群本身前后不同的发生期、发生量之间的相关关系。利用神经网络和主成分分析相关知识，研究输入变量的选择，神经元激活函数的选取，探讨隐含层节点的个数，改进算法的特点，针对苹果树腐烂病，建立BP神经网络预测模型和小波网络预测模型，提高预测精度，为苹果树病害虫害预警与实时防控提供决策依据。（2）病虫害预测与防治决策支持系统研究在需求分析的基础上，结合对病虫害预测模型的研究，完成整个苹果树病虫害预测与防治决策支持系统的概要设计和详细设计，包括功能设计和数据库设计；采用S2SH整合开发技术等，利用MySQL数据库、Tomcat服务器，构建苹果树病虫害预测与防治决策支持系统，为果园管理者制定计划和决策提供可靠依据。本研究首先建立一个完善的二库（数据库、知识库）系统，并针对苹果树腐烂病等典型苹果树病虫害建立模型库，构建可扩展的结构体系。1.3.2研究方法本课题主要采用文献研究、理论分析、需求调研等研究方法。（1）文献研究：通过阅读大量的中外文献，了解国内外研究现状和发展趋势，确定课题研究方向和研究重点。通过对大量书籍、期刊、网络资料等文献的阅读，收集相关理论和案例，阅读系统建设的各种相关研究理论、相关概念、实施原则、影响因素、内容作用等，掌握系统研究现状，明确苹果树病虫害预测与防治决策支持系统的设计开发所需的相关技术、功能模块组成及实现途径，并找出不足力求能够避免或者进行改进。（2）需求调研：实地调研、参观苹果基地，咨询苹果专家，学习果树知识；确定将果树相关工作信息化管理的转换思路和转换方式；明确病虫害专家系统和病虫害预测模型所需要的信息等重要数据的来源。8 山东农业大学硕士学位论文（3）功能分析：通过研究分析，结合调研情况，确定系统的功能模块。研究苹果树病虫害预测与防治决策支持系统的信息采集及实现方法。确定信息存储及传输格式，在实验基础上，制定不同阶段的方案及实现方法，并在实验基础不断完善方案。（4）系统开发：按照前期的需求分析进行系统开发，在系统的设计过程中，通过定期与苹果基地工作人员进行交流和沟通，确保系统的易用性、可用性和易操作性等，保证用户的满意度和操作难易度。1.3.3技术路线通过文献阅读以及资料整理，制定了本研究的技术路线，如图1所示。首先，从文献研究入手，分析了决策支持系统的整个决策流程，研究了各个环节的内容。然后，根据肥城潮泉苹果园与果科所大河苹果园两地实地调研的数据和需求，对系统进行了需求分析和功能模块的设计，研究了近年来苹果树腐烂病和气候条件之间的关系，建立了预测模型。最后，在以上研究的基础上，完成了对整个系统的设计与实现。9 苹果树病虫害预测与防治决策支持系统研究图1技术路线Fig.1Technologyroadmap10 山东农业大学硕士学位论文2基本理论概述2.1决策支持系统概述2.1.1决策支持系统概念决策支持系统（DecisionSupportSystem,DSS）的概念，于20世纪70年代初由美国M.S.ScottMorton在《管理决策系统》一文首次提出（GAGorryetal，1971），是20世纪70年代末期兴起的一种新的管理系统，20世纪80年代中期引人我国。它以管理科学、运筹学、控制论和行为科学为基础，以计算机技术、仿真技术和信息技术为手段，用来支持半结构化和非结构化决策（Semi-StructuredandUnstructuredDecision）（林福永等，1997）。系统能够为决策者提供所需的数据、信息和背景资料，帮助明确决策目标和进行问题的识别，建立或修改决策模型，提供各种备选方案，并且对各种方案进行评价和优选，通过人机交互功能进行分析、比较和判断，为正确的决策提供必要的支持。它通过与决策者的一系列人机对话过程，为决策者提供各种可靠方案，检验决策者的要求和设想，从而达到支持决策的目的。40多年来，随着数据挖掘、人工智能、数据库等技术的飞速发展，DSS已在理论研究、系统开发和实际应用诸方面取得了令人瞩目的进步，广泛用于农业灾害预测和防灾决策、企业生产活动决策、经济形势预测和政策决策等领域（刘博元等，2011），并呈现出积极的多元化的发展态势。2.1.2决策支持系统分类2.1.2.1决策支持系统的形成20世界60年代，首先出现了电子数据处理系统EDP（ElectronicDataProcessing,EDP），用以处理大量数据，取代重复性的人工操作，显著提高了工作效率。20世纪70年代，对信息进行收集、存储、维护等的管理信息系统MIS（ManagementInformationSystem,MIS）出现，它包括多个EDP，为管理人员提供各种信息资料，不断提高管理水平。随后，决策支持系统出现，帮助决策者提高决策水平和质量。由于研究方法以及应用领域不同，形成了多种结构的决策支持系统。2.1.2.2群决策支持系统20世界80年代，对于复杂的决策问题，不仅涉及到多目标、不确定性、时间动态性、竞争性，而且个人的能力已远远达不到要求，为此需要发挥集体的智慧。为了解决集体讨论、效果评估等过程中的效率低下问题，群决策支持系统（GroupDecision11 苹果树病虫害预测与防治决策支持系统研究SupportSystem,GDSS）应运而生。所谓群体决策是相对个人而言的，两个或两个以上个体召集在一起，讨论实质性问题，提出解决方案、策略，综合评定后做出决策，这样的决策过程称为群决策制定。为群决策制定提供支持的系统，即为群决策支持系统（吴全胜等，2008）。其系统结构如图2。GDSS是在多个DSS和多个决策者的基础上进行集成、优化的结果，是由多个决策者的智慧、经验以及相应的决策支持系统组成的集成系统，应有自己的系统设计，而不是将现成的DSS的简单组合（王青海，2009）。GDSS面临的多数问题是半结构化、非结构化问题，很难直接用结构化方法提供支持（李樱，2001）。因此，GDSS以计算机及其网络为基础，着重采用系统的方法有组织的指导信息交流，安排议事日程，组织讨论形式、综合决议内容。图2群决策支持系统Fig.2GroupdecisionsupportsystemGDSS用到了计算机技术、通信技术、决策支持技术等相关技术，适用于情况特别复杂、知识交叉繁多的决策环境，主要应用类型有决策室、局域决策网、远程会议等。GDSS必须能够改善决策过程和决策方案，并且可以阻止群体消极行为的产生，有利于发挥群体决策成员的思维和能力，提高决策群体成员对决策结果的满意程度和置信度。GDSS需要产生一个局部妥协、整体优化、协调一致的决策方案，故在其系统设计方面需要引入多目标规划、决策分析等数学方法，进一步改善决策方案。12 山东农业大学硕士学位论文2.1.2.3分布式决策支持系统支持分布式决策的DSS即分布式决策支持系统（DistributedDecisionSupportSystem,DDSS）。随着DSS的迅速发展，人们希望在决策层次更高、决策环境更复杂时得到计算机的支持。这种支持面向的对象是若干具有一定独立性又存在某种联系的决策组织。许多大规模管理决策活动已不可能或不便于用集中方式进行，这些活动模块精细，决策人众多，决策过程必须的信息资源或某些重要的决策因素分散在较大的活动范围，是一类分布决策。为适应这类决策问题而建立的信息系统即分布式决策支持系统。DDSS包含有机结合起来的软、硬件两部分。决策体分布在不同的物理位置，不同物理位置上的多个决策体构成计算机网络，网络上有多个结点，DDSS为这些节点提供个体支持、群体支持和组织支持，协调各个节点，有效处理节点间可能发生的冲突，保证顺畅交流。DDSS包含有机结合起来的软、硬件两部分，使其效率更高、系统更可靠且易于扩展（吴全胜等，2008）。分布和多个决策体如何并发是DDSS研究的重点内容（李必成等，2005）。大型复杂系统的求解需要多个专业人员协作完成。例如，在中央制定相关政策的过程中，由于环境复杂、范围广，需要收集不同地区的信息，以便获得完整、准确的当前形势信息，而且政策的制定也需要各级政府出谋划策。DDSS也将“协作”作为一个重要点来研究。DDSS技术将大型复杂问题分化成多个子问题，同时各子系统并行工作可提高整个系统的效率和速度，有助于增强系统的可靠性、问题求解能力、容错能力和不精确知识处理能力（尹春华等，2002）。DDSS不仅需要其系统设计方面引入多目标规划、决策分析等数学方法，而且需要在其决策过程中引入大数据技术，进一步提高分析与预测能力。2.1.2.4智能决策支持系统美国学者Bonczek率先提出智能决策支持系统IDSS（IntelligenceDecisionSupportSystem,IDSS）。IDSS是DSS与AI（ArtificialIntelligence）相结合，利用专家系统知识，通过逻辑推理来帮助解决复杂的决策问题的辅助决策系统（曹晓静等，2006）。IDSS既能处理定量问题，又能处理定性问题。IDSS的核心思想是将AI与其它相关科学成果相结合，使DSS具有人工智能。IDSS为有效解决半结构化与非结构化的决策问题提供了有力的支持。单纯用定量方法解决此类问题非常困难，为此需要建立存放各种规则、因果关系、专家经验等的13 苹果树病虫害预测与防治决策支持系统研究知识库和利用知识库、数据库中的数据进行问题求解的推理机，存放已建好各种模型的模型库和存放各种求解方法的方法库（尹春华等，2002）。IDSS由用户通过人机接口，应用自然语言处理系统接入问题处理系统，然后由推理机在数据库、模型库、方法库及知识库中进行搜索推理，获取相关决策信息。具体结构如图3。IDSS将以定量分析辅助决策的决策支持系统与以定性分析辅助决策的专家系统结合，充分利用各系统的信息资源，系统各部分灵活组合，进一步提高了辅助决策能力。现在正处在一个变化复杂、不断发展的社会环境，大多数决策都需要采集、处理大量的信息，超出一般决策人员的自身大脑的信息处理能力。因此，决策支持系统已经逐步为政府、企业管理人员和各类专业人员所熟知。智能化的决策支持系统正是决策人员希望所求的新型支持工具（李红良，2009）。图3智能决策支持系统Fig.3Intelligencedecisionsupportingsystem2.1.2.5综合决策支持系统面对复杂问题建立决策支持系统时，采用单一的以信息为基础、以数学模型为基础或者以知识为基础的系统很难实现所要求的目标。因此，需要将专家系统、计算机技术、知识工程、运筹学方法等有机的融合在一起，协调工作，充分发挥各自的优势。在这种背景下，开发出3I决策支持系统（Intelligent,InteractiveandIntegratedDSS,14 山东农业大学硕士学位论文3IDSS），即智能型、交互式、集成化决策支持系统，是面向决策者、面向决策过程的综合性决策支持系统（陈氢，2005）。其结构如图4。综合决策支持系统结构包括以下三个主体：（1）模型库系统和数据库系统的结构；（2）数据仓库、联机处理分析（On-LineAnalysisProcessing,OLAP）和数据挖掘相结合的结构；（3）专家系统和数据开采相结合的结构。图4综合决策支持系统Fig.4Intelligent,interactiveandintegratedDSS第一个主体是DSS的基础，提供定量分析的辅助决策信息；第二个主体中，运用联机处理分析提供多维分析手法，决策者在数据仓库中可从不同角度提取数据和信息，并利用数据挖掘挖掘出大量隐藏知识。该过程体现了大量数据的内在本质；第三个主体中，通过数据开采从数据库和数据仓库中挖掘知识，并放入专家系统，由进行知识推理的专家系统达到定性分析辅助决策。三个主体相互补充、相互结合、相互协调地发挥各自优势，实现更有效的决策支持，使其辅助决策能力更上一个新台阶（沈雷，2006；马君，2005）。2.2BP神经网络概述2.2.1BP神经网络介绍15 苹果树病虫害预测与防治决策支持系统研究人工神经网络在处理非结构化信息上具有自适应、自组织和实时学习的特点。神经网络的基本处理单元称为神经元（也称节点），大量简单神经元的相互连结即构成了神经网络。神经网络中的任意两个神经元之间都可能有连接，根据网络中信息传递的方向，神经网络可分为前馈型神经网络和反馈型神经网络。前馈型神经网络也称前向网络或多层前向网络，是目前整个神经网络体系最常见的一种网络。前馈型神经网络的信息处理方向从输入层经隐层再到输出层，网络中没有反馈，是单方向网络，其神经元只有处理单元和输入单元这两种形式，每个神经元有多个输入端，但仅有一个输出端。反馈型神经网络又称递归网络或回归网络。在反馈网络中，每个神经元都相连，并且每个神经元都可以作为输入端和输出端，即每个神经元都是处理单元，能对信息进行处理，网络中存在反馈（姜天戟等，1995；徐春晖等，2007）。神经元模型图解表示如图5所示。图5神经元模型示意图Fig.5Neuronmodel以上作用可分别用数学表达式进行抽象和概括：pukwxkjj（2-1）j1vnetu（2-2）kkkky(v)（2-3）kk16 山东农业大学硕士学位论文式中，xx1,2,...,xp为输入端的信号，神经元k的权值用wk1,wk2,...,wkp表示，k为阈值，u为权值和输入信号线性组合结果，()为神经元的激活函数，y为输出端的kk信号。神经元最常用的激活函数()有以下三种形式：（1）线性：用数学表达式定义阈值型变换函数，公式如下：y(v)v(2-4)（2）非线性：常用非线性变换函数Sigmoid函数：1y(v)(2-5)v1e或者v1ey(v)(2-6)v1e（3）阈值型：用数学表达式定义阈值型变换函数1v0y()v(2-7)0v<0神经网络通过对样本的学习，不断的改变网络各层连接的权值，使得误差逐步缩小，网络的输出与期望输出不断的接近，这一过程称为神经网络的学习或训练（吴建生，2004）。根据环境提供信息的多少，神经网络的学习方式可分为三类：（1）无监督学习无监督学习也叫竞争学习，是在没有外界作用（期望信号）时对自己进行正确响应的一种网络学习。学习系统根据环境提供数据的某些统计规律来调节自身参数，是一种自组织、自学习的过程。这种方法适用于诸如向量量化等问题的应用上。（2）有监督学习有监督式学习不涉及竞争，是对每一个指导学习过程的输入模式使用了一个外部作用（期望信号）。学习系统根据每次学习的输出信号和期望输出相比较，如果输出信号不是所期望的信号，就根据期望的信号对网络的权值和阈值进行调整，使得实际输出越来越接近目标输出。（3）强化学习17 苹果树病虫害预测与防治决策支持系统研究强化学习介于有监督学习和无监督学习之间，外部环境对系统输出结果仅给出评价而不是正确答案，学习系统通过强化好的评价动作来改善自身性能。这类学习适用于控制系统应用领域。BP神经网络即误差反向传播神经网络（ErrorBackPropagation），是一种有隐含层的多层前馈网络，它的学习过程包括信号正向传播和误差反向传播两个阶段。在正向传播过程中，输入信息从输入层经隐含层逐层处理，并传向输出层，每一层神经元的状态只影响下一层神经元的状态；如果在输出层不能得到期望输出，则转入反向传播，将误差信号沿原来的连接通道返回，通过修改各层神经元的权值，使误差信号最小。BP网络己成为神经网络的重要模式之一，已被广泛应用到很多领域（曾红玉，2003；王世春，2003；AlejoR，2014）。图6BP神经网络结构图Fig.6StructureofBPnetwork从图6中可以看出该模型是三层结构的BP神经网络，由输入层、隐含层和输出层组成。Kolmogrov理论已证明，三层BP神经网络，只要隐含层节点的数目足够多，就可以逼近任意连续函数和非线性映射（段小东，2009）。隐含层节点的激活函数一般采用非线性变换函数即Sigmoid型函数。2.2.2BP网络学习方式BP神经网络的学习可采用两种方式，即在线学习和离线学习（曾红玉，2003）。在线学习的学习方式是对每个输入的模式对及时更新网络权值和阈值，具有需要少量18 山东农业大学硕士学位论文存储单元的特点，但可能会使网络整体输出误差增加。因此，为保证每次训练后权值的总体变化充分接近于最快速下降，使用在线学习时，一般使学习率足够小。离线学习也称为批处理学习，其学习方式是当训练集内所有模式对将网络训练完成后，累加各权值修正量并统一修正网络权值，它能使权值变化沿最快速下降方向进行。离线学习在整个学习过程中要用到较多存储单元，这是其主要缺点，但具有收敛速度快的优点。实际应用中，训练模式非常多时，可采用分组批处理学习方式，即将训练模式有序分成若干组，同时进行批处理学习。2.3小波分析概述2.3.1小波分析基础所谓小波，即小区域的波，是一种特殊的长度有限、平均值为零的微小波形。它有两个特点：“小”和正负交替“波动”。“小”即在时域具有紧支性或者近似紧支性，可以细化到很小的部分；正负交替的“波动性”即直流分量为零。小波分析是由Fourier变换改进而产生的，通过小波分解都可将高低频信号细小局部化，从而得到详细的信号信息。小波分析被广泛的应用到一些领域用于解决实际问题，例如：信号处理、图像处理、小麦条锈病预测、数据分析和分析故障等方面（朱军生，2011；朱希安等，2003；吴俊明，2005；钱振松，2010；罗德江等，2007；郑建国，2007）。小波具有良好的时频局部特性和变焦特性，是在傅里叶分析基础上取得的突破性发展。小波分析在很多领域中受到了重视和广泛运用，比传统的傅立叶分析在时域与频域方面有更好的“显微镜”功能，在分析信号的局部特征上具有突出优点，对突发与短时的信息分析具有明显的优势。在实际问题中，存在的大都是不光滑的信号，小波分析处理不光滑信号比Fourier变换有优势。小波变换是一种窗口大小固定但其形状可以改变，时间窗和频率窗都可改变的时频局部化分析方法，即具有“变焦距”的特点。小波分析对光滑或不光滑信号进行分析是通过伸缩和平移因子来实现的，不仅可以得到信号的局部信息还可以得到整体信息。如果(x)的Fourier变换是(t)，那么(t)应该满足以下条件：2|()w|Cdw(2-8)Rw通过伸缩和平移函数(t)之后将得到函数族。小波函数族为(t)：1/2tb()||ta()(2-9)ab,a19 苹果树病虫害预测与防治决策支持系统研究其中a为伸缩(尺度)因子，b为平移因子。小波系数为W(ab,)，主要功能是显示时频域的特点。当频域变小时，窗口宽度变f小，窗口的高度增加；当频域变大时，窗口宽度变大，窗口的高度减少。小波变换具有很强的灵活性，根据信号的大小来改变窗口的大小。函数ft()的小波变换为：1/2tbWab(,)||aft()()dt(2-10)fa2.3.2小波变换2（1）连续小波变换：连续小波变换将函数ft()LR()（ft()为所有函数的集合，2函数的平方可积空间用LR()表示）表示为公式（2-10）。其连续小波变换的逆变换为：11/2tbft()||aW()dadb(2-11)fCa（2）离散小波变换：在具体解决问题的过程中，信号数据处理通常简单化，这一简单性的实现就是将尺度因子和平移因子在连续小波变换中加以离散化。离散小波变换函数数学表达式如下：jj/2tkab00j/2j/2()ta()a(atkb)(2-12)jk,0j000a0jj式中aab0,kabj00,z。尺度因子a和平移因子b在连续小波变换中进行离散化后就得到离散小波变换。小波变换的重构：j=k=ft()CCjk,jk,()t(2-13)j=k=其中，小波变换的系数为：Cjk,ft()jk,()tdt(2-14)2.3.3常用小波函数从小波诞生开始，人们找到很多形式的小波，选取合适的小波函数对实际问题的解决十分重要。选用不同的小波函数分析解决同一个问题可能会产生不同的结果。下面介绍目前最常用的几种小波函数。（1）Haar小波20 山东农业大学硕士学位论文Haar小波是一种相互正交归一的函数集Haar函数衍生而成，它的基函数是阶跃的函数。其表达式为：11,0x21()x1,x1(2-15)20,其他（2）Morlet小波Morlet小波是高斯函数构造的一种小波，它具有对称性和良好的时频局部性的特点，因此处理连续的信号具有很好的分析能力和局部特征提取能力。其表达式为：2x/2()xecos(1.75)x(2-16)（3）Marr小波Marr小波也叫墨西哥帽（MexicanHat）小波函数，该函数的截面像墨西哥草帽。高斯函数负的二阶导数就是墨西哥帽小波函数。该函数具有对称性，不具有正交性，能够较好地提取信号的时频域中的局部特征。其表达形式为：21/42x2/2()x(1xe)(2-17)3（4）Daubechies小波Daubechies小波是由法国学者Daubechies所提出的一种常用小波函数，主要用于解决离散小波的信号。没有给定一个数学公式来表示Daubechies小波，该小波也不具有对称性，因此它不能处理连续的信号。它的特点是：1、时域上是有限支撑的，即(x)长度有限。2、在频域上(x)在w0处有N阶零点。3、(x)和它的整数位移正交归一，即(x)(xkdx)。K21 苹果树病虫害预测与防治决策支持系统研究3苹果树病虫害预测与防治决策支持系统相关模型研究3.1主要影响因子提取方法研究3.1.1主成分分析法概述变量之间信息的高度重叠和高度相关会给统计方法的应用带来许多障碍，但是削减变量的个数又会导致信息丢失和信息不完整等问题的产生。主成分分析既能大大减少参与数据建模的变量个数，同时也不会造成信息的大量丢失，是目前最流行的数据分析的降维方法之一。它是用少量数据信息解释原来较多的数据信息（高秀娟，2010；张明理等，2011；农孟松等2011）。该方法通过数学变换，将相互联系的大量数据转换成一些不相关的数据，这些不相关的数据就叫做主成分。每个主成分中都包括了大量的数据信息，主成分之间相互独立，先通过第一个主成分来表达原来的信息量，如果第一个主成分不能包括完原来的主要信息，剩下的信息量就通过第二个主成分来表示出来，依次类推，直到原来数据的信息量大部分被包括在主成分中。通过主成分分析法既可以减少数据的计算量而又不丢失数据的主要信息（寒冰，2014）。应用主成分分析法解决问题的计算步骤：第一步：数据归一化介绍三种常用的数据归一化方法：（1）计算原始数据的均值和方差，将数据归一化为零均值和单位方差：*xix(3-1),分别代表原始数据的均值和标准差。（2）计算原始数据中的最大值和最小值，利用最大值和最小值将数据归一化到[-1，1]区间：*xi0.5(xmaxxmin)x(3-2)0.5(xx)maxminx和x分别代表原始数据中的最大值和最小值。maxmin（3）计算原始数据中的最大值和最小值，与第二种方法的区别在于归一化的区间不同，该方法是利用最大值和最小值将数据归一化到[0，1]区间：*xixminx(3-3)xxmaxmin22 山东农业大学硕士学位论文xmax和xmin分别代表原始数据中的最大值和最小值。第二步：通过原始数据计算出数据之间的相关系数，原变量x与x的相关系数记ij为ri(1,2,...,)p计算公式为：ijn(xkixi)(xkjxj)k1rijn(3-4)22(xkixi)(xkjxj)k1xx,分别为第i个指标和第j个指标的平均值。ij计算出数据之间的相关系数，然后将其组合为相关系数矩阵R：r11r12r1prrrR21212p(3-5)rrrn1n2np第三步：根据相关系数矩阵R，计算特征值和特征向量。令RI0求出其特征值，并将求出的特征值按照大小排序，12...p。根据特征值i求出所对应的特征向量ui(1,2,...,)p。iu11u12u1puuu21222pu,u,...,u11p(3-6)uuup1p2ppp第四步：计算出贡献率和累计贡献率。第k个特征值的贡献率为kk/(i)，i1mpk越大表示代表的信息量越多。前m个特征值累计贡献率为k/(i)。实践证i1i1明，当累计贡献率达到85%以上，这时前m个变量就可以代替原来p个变量的信息。第五步：根据累计贡献率大于85%的前m个特征值所对应的单位特征向量与归一化的指标变量相乘就可得出主成分。23 苹果树病虫害预测与防治决策支持系统研究yuxuxux1111212p1pyuxuxux2211222p2p(3-7)yuxuxuxpp11p22ppp3.1.2影响苹果树腐烂病的因素分析根据大量的文献查阅和实地考察，得到苹果树腐烂病流行因素如下：（1）气象因素气象因素是影响苹果树腐烂病的大范围流行的主要因素之一。温度是影响苹果树腐烂病的病情加重最重要因素，在一定温度范围内，发病情况随着温度的升高而加重。降雨量是苹果树腐烂病的外界影响因素，随着雨水的增多，腐烂病更容易发病和加重病情。病菌通过雨水传播，从而加重病害流行（魏立新等，2008）。（2）冻害北方昼夜温差大，且冬季温度低，经常出现周期性的冻害，因此苹果树腐烂病主要发生在我国北方。冻害会加重腐烂病的病情，造成大面积的树皮冻死，减弱了树势，为病菌的侵入创造了条件。而低温造成对花芽和休眠枝条的伤害，也使得树体易被病菌感染。因此，冻害与苹果树腐烂病发生有着密切的关系（尉亚妮，2011）。（3）种植密度、土壤类型果园中果树在单位面积内栽植的果树越多，密度越大，果树与果树之间的间隔越小，导致果树通风不好，日照时间少，大大减弱了树势。如果一旦一个果树发生了腐烂病，将会很快的传给相邻的树，以致大范围的传播。土壤也是影响苹果树腐烂病流行的环境因素之一。不同的土壤对腐烂病有着不同的影响，例如果园为沙土和黄绵土腐烂病发生较重，而垆土果园腐烂病发生较轻（赵增锋等，2011；赵书华等，2008）。（4）管理水平与病斑重犯管理员对果树施肥不足，土壤缺乏有机质，灌溉次数较少，这些将影响到苹果树的树势强弱，没有定期的打病虫农药，彻底刮皮涂药治疗等，这些容易造成病斑重犯，以致第一年的腐烂病没有得到愈合，第二年又发生腐烂病，加重了病情，扩大了面积。果树一旦开始发病，病斑重犯即逐年增加。管理水平是人为因素，如果管理不当，会在一定程度上间接影响腐烂病的发生（王卫雄等，2014；卫军锋，2012）。24 山东农业大学硕士学位论文（5）树龄、树势以及树枝方向苹果树树龄越大，树势越弱，越容易受到病菌的侵入，相反树龄小些，树势越强，越能够抵制住病菌的侵入和传染。树枝的方向也会影响苹果树腐烂病的发生，根据观察，树势以南面的树枝发病最多，而北面的树枝发生腐烂病较少（黄银宝，2009；肖云学，2013）。影响苹果树腐烂病发生的因素很多，如以上分析的降雨量，温度，冻害，栽植密度等因素，其中气象因素是影响苹果树腐烂病的最主要因素。3.1.3基于主成分分析的苹果树腐烂病预测主要因子提取由于数据自变量较多，为减少神经网络的输入节点个数，提高其精准度，需要用主成分分析方法对原始数据中重叠的信息进行处理降维。本文选取了肥城潮泉苹果园与果科所大河苹果园为研究样本，1995-2013年的相关气象资料和果树腐烂病病情由山东统计信息网、中国经济与社会发展统计数据库和泰安市农业局植保站提供。根据实地考察和当地果农的经验，影响苹果树腐烂病发生和流行因素包括：1月、2月、6月、7月、8月、9月和12月的温度，1月、2月、6月、7月、8月和9月的降雨量，表1原始数据归一化Table1Normalizationofinitialdata平均温度降水量日照时数年代AveragetemperaturePrecipitationSunshinehours1月2月6月7月8月9月12月1月2月6月7月8月9月2月7月8月9月10月TimesJan.Feb.Jun.Jul.Aug.Sep.Dec.Jan.Feb.Jun.Jul.Aug.Sep.Feb.Jul.Aug.Sep.Oct.1995s0.19-0.29-0.53-0.780.19-0.77-0.69-0.52-0.771.690.321.17-0.860.97-0.35-0.540.050.221996s0.94-1.85-3.45-2.250.442.882.93-0.52-1.07-1.12-0.742.460.280.230.09-1.59-0.35-0.151997s-0.72-0.240.691.391.07-1.680.31-0.391.59-0.88-0.530.03-0.411.351.561.831.192.501998s-0.640.63-0.261.29-0.321.290.43-0.341.55-0.76-0.561.53-1.09-0.35-0.33-0.662.070.031999s1.360.54-0.19-0.38-0.071.210.25-0.52-1.180.31-1.24-1.171.380.72-0.700.94-0.48-0.932000s-0.47-0.880.560.700.060.371.241.360.13-0.50-0.400.45-0.550.780.580.070.91-2.072001s0.36-0.150.42-0.09-0.70-0.16-1.003.701.111.020.47-1.09-0.46-0.890.320.57-0.06-0.122002s2.351.460.631.390.44-0.16-0.56-0.09-1.18-0.49-1.31-1.38-0.830.491.980.941.100.402003s-0.390.19-0.33-1.27-0.95-0.01-0.310.07-0.71-0.700.550.081.72-0.551.980.941.100.402004s0.281.27-0.67-0.48-1.45-0.080.81-0.361.280.912.220.490.232.28-0.16-0.021.060.472005s-0.47-1.510.97-0.19-0.70-0.24-1.25-0.520.291.280.83-0.361.91-0.80-0.360.44-1.150.202006s1.27-0.340.630.210.56-0.46-0.070.05-0.390.89-0.64-0.09-0.89-0.28-0.690.05-0.17-0.022007s0.441.80-0.26-0.97-0.190.070.74-0.52-0.972.09-0.870.23-0.70-0.06-0.91-1.36-1.28-2.052008s-0.39-1.07-0.67-0.78-0.57-0.31-0.19-0.04-0.69-0.850.71-0.52-0.190.83-1.350.220.25-0.042009s-0.641.271.03-0.58-0.70-0.69-0.38-0.520.04-0.090.36-0.29-0.63-1.620.74-0.18-1.080.462010s-0.390.240.351.090.560.450.25-0.130.73-0.51-1.130.630.55-1.37-0.01-1.64-1.160.252011s-2.22-0.100.760.21-0.70-1.23-0.44-0.521.25-0.62-0.130.041.75-0.75-1.28-1.08-1.35-0.802012s-0.14-0.830.420.80-0.19-0.62-1.44-0.30-1.17-1.000.07-1.05-0.26-0.05-0.07-0.42-0.250.442013s-0.72-0.15-0.120.703.210.14-0.630.100.16-0.662.02-1.15-0.95-0.92-1.031.51-0.380.7825 苹果树病虫害预测与防治决策支持系统研究2月、7月、8月、9月和10月的日照时数，共18个原始变量，分别记作x，1x，…，x。按果树腐烂病的发病程度将苹果树腐烂病分为五个等级：1、2、3、4、2185级，分别对应不发病、轻度发病、中度发病、偏重发病和大发病。按主成分分析的步骤，第一步，对原始数据进行归一化处理，原始数据的归一化采用第一种方法，即把数据归一化为零均值和单位方差。如表1所示。第二步，计算出相关系数，并将其组合成相关系数矩阵R。如表2所示。表2原始数据相关系数Table2Correlationcoefficientoftheinitialdataxxxxxxxxxxxxxxxxxx123456789101112131415161718x1.000.21-0.26-0.130.070.370.180.06-0.590.27-0.37-0.14-0.260.310.240.120.16-0.091x20.211.000.290.18-0.14-0.17-0.07-0.120.080.29-0.10-0.21-0.240.010.190.020.10-0.08x3-0.260.291.000.65-0.05-0.74-0.700.170.320.15-0.02-0.620.00-0.310.140.35-0.110.09x4-0.130.180.651.000.36-0.36-0.360.110.44-0.28-0.19-0.35-0.31-0.060.180.300.300.29x50.07-0.14-0.050.361.000.070.04-0.06-0.08-0.25-0.04-0.12-0.41-0.13-0.070.29-0.050.27x60.37-0.17-0.74-0.360.071.000.67-0.02-0.27-0.18-0.250.470.05-0.02-0.10-0.350.07-0.35x70.18-0.07-0.70-0.360.040.671.00-0.16-0.03-0.18-0.290.71-0.070.340.02-0.380.16-0.28x80.06-0.120.170.11-0.06-0.02-0.161.000.240.110.11-0.28-0.20-0.160.160.220.14-0.16x9-0.590.080.320.44-0.08-0.27-0.030.241.00-0.070.270.160.02-0.06-0.010.070.210.30x100.270.290.15-0.28-0.25-0.18-0.180.11-0.071.000.12-0.04-0.060.08-0.27-0.11-0.31-0.32x11-0.37-0.10-0.02-0.19-0.04-0.25-0.290.110.270.121.00-0.150.040.08-0.200.300.050.28x12-0.14-0.21-0.62-0.35-0.120.470.71-0.280.16-0.04-0.151.00-0.040.15-0.05-0.630.15-0.10x13-0.26-0.240.00-0.31-0.410.05-0.07-0.200.02-0.060.04-0.041.00-0.13-0.03-0.03-0.33-0.08x140.310.01-0.31-0.06-0.13-0.020.34-0.16-0.060.080.080.15-0.131.000.070.210.530.06x150.240.190.140.18-0.07-0.100.020.16-0.01-0.27-0.20-0.05-0.030.071.000.380.490.39x160.120.020.350.300.29-0.35-0.380.220.07-0.110.30-0.63-0.030.210.381.000.410.47x170.160.10-0.110.30-0.050.070.160.140.21-0.310.050.15-0.330.530.490.411.000.30x18-0.09-0.080.090.290.27-0.35-0.28-0.160.30-0.320.28-0.10-0.080.060.390.470.301.0026 山东农业大学硕士学位论文最后，根据矩阵R，计算出特征值和特征向量u。由此求出贡献率和累计贡献ii率，并根据贡献率和累计贡献率求出主成分。表3特征值所对应的贡献率与累计贡献率Table3Contributionandtotalcontributionofeigenvalues序号特征值贡献率累计贡献率序号特征值贡献率累计贡献率No.EigenvalueProportionCumulativeNo.EigenvalueProportionCumulative14.11820.22880.2288100.55900.03110.938622.70470.15030.3791110.42590.02370.962332.14840.11940.4984120.29900.01660.978941.68760.09380.5922130.17600.00980.988651.58870.08830.6804140.13700.00760.996361.35340.07520.7556150.04710.00260.998971.25750.06990.8255160.01140.00060.999580.82020.04560.8710170.00880.00051.000090.65690.03650.9075180.00000.00001.0000由表3可知，前8个数据累计贡献率已经达到了85%以上，前10个数据累计贡献率已经达到了90%以上，前10个主成分分别记为：yi(1,2,...,10)，经过特征值对应的i特征向量和归一化数据计算，主成分如表4所示。表4主成分表Table4Tableofmainfactors年代yyyyyyyyy9y10Times123456781995s-0.7637-0.240.5574-1.1253-0.1373-1.2938-1.2676-0.3163-0.7637-0.13021996s-6.52041.5244-1.2610.7808-1.40030.25880.5537-0.728-6.52040.33611997s2.97333.0624-1.7648-0.06010.23680.4112-1.12650.28592.97331.20631998s-0.59851.6566-1.6050.73692.5375-0.3950.0819-0.0041-0.5985-0.60251999s-1.0962-0.18772.22420.0596-1.09480.9638-0.22281.329-1.09620.94322000s-0.57180.9973-0.11770.30991.2159-0.32521.91721.7027-0.5718-0.31792001s1.8764-0.67840.883-0.8310.4164-0.98073.5115-0.82451.87640.42342002s1.69832.78673.0580.81570.13541.2428-0.3896-0.08031.6983-0.27232003s0.17530.6232-0.4572-1.5191-1.09142.44350.7637-1.08430.1753-0.5482004s-0.47560.9048-0.6311-3.65840.976-0.8955-0.9283-0.082-0.47560.22362005s1.0135-2.5617-0.6282-0.819-1.30250.76970.09950.21521.01351.15562006s0.2278-0.10351.39290.72570.0016-0.9092-0.25820.16950.22780.48132007s-2.1916-1.96782.55940.02591.536-0.8779-0.9957-0.3046-2.19160.00992008s-0.439-0.2198-0.5874-0.8153-1.432-0.6364-0.00331.1681-0.439-1.28232009s1.1495-1.31980.15530.23830.58280.7248-0.5843-1.93691.1495-0.79422010s-0.3461-0.9823-0.86892.29351.24750.7727-0.1222-0.5297-0.34610.67832011s0.5825-3.2079-2.09680.36110.9120.9215-0.42421.01850.5825-0.07172012s1.2539-0.37760.1620.7813-1.07860.4847-0.35340.67751.2539-1.48692013s2.06050.3001-0.9761.6759-2.2504-2.6869-0.2771-0.65231.50540.045827 苹果树病虫害预测与防治决策支持系统研究3.2基于BP神经网络预测模型研究3.2.1BP算法基本流程BP学习算法由Werbos（黄丽，2008；李存斌等，2007）首先提出，后来由D.E.Rumelhart和J.L.McCelland（郑春燕，2004；刘炳春，2005）等发展。它的基本思想是通过网络的训练不断调整隐含层和输出层的权值。多层网络使用BP算法时，包含正向和反向传播两个阶段，即正向传播信号和反向传播误差。在正向传播过程中，信号通过输入层接收进入网络后，经过隐含层的激活函数的处理，交给输出层，最后由输出层输出处理过的信号。当输出的信号与期望输出的信号误差大于限定值，则转向误差反向传播的过程，输出端将误差分摊给隐含层，隐含层处理后，传给输入层。BP算法的基本思想就是调整权值使网络总误差最小，若这一训练调整权值的过程到预先设定的训练次数或者误差已经到很小的范围内，则停止训练。设BP神经网络输入节点数为M，隐含层节点数为Q，输出节点数为L，输入层节点i的输出为Y，隐含层激活函数采用Sigmoid型函数，中间层节点j的输出为Y，输ij出层节点k的输出为Y。输出层节点k对应的期望输出T。节点i到节点j之间连接权kk值的权值为W，节点j到节点k之间连接权值的权值为W，中间层节点j的阈值用ijjkj表示，输出层节点k的阈值用表示。输出与期望输出的误差E，定义如下：kL12E(TkYk)(3-8)2k=1BP算法实现的流程如7所示:28 山东农业大学硕士学位论文图7BP算法实现的流程图Fig.7DiagramofBPalgorithmBP算法过程如下：第一步：对整个网络的权值和阈值初始化，即W[1,1],W[1,1],[1,1],[1,1]，样本的训练次数t=0；ijjkjk第二步：输入训练样本对，(XT,),K1,2,...,N，N为训练样本数，kknmXRT,R。计算出隐含层第j个神经元和输出层第k个神经元的输出值：kkMMYjf(WYijij)f(WXijij)(j1,2,...,)Q(3-9)i=1i=1QYkf(WYjkjk)(k1,2,...,)L(3-10)j=1第三步：计算网络输出的误差。计算输出层节点到隐含层节点之间误差：Y(1Y)(TY)(3-11)kkkkk29 苹果树病虫害预测与防治决策支持系统研究计算隐含层节点到输入层节点之间的误差：LjYj(1Yj)kWjk(3-12)k=1第四步：由第三步结果，调整输出节点k和隐含节点j的连接权值W和节点k的jk阈值（为学习率）：W(t1)W()tY(t1)()t(3-13)jkjkkjkkk同理，调整隐含节点j和输入层节点i的连接权值Wij和节点j的阈值：Wt(1)Wt()Y(t1)()t(3-14)ijijkijjj第五步：判断训练样本是否完成一轮训练，如果未完成，则返回第二步。否则转第六步。第六步：检查网络总误差是否达到所要求的精度，如果达到，训练结束。否则，返回到第二步，进行新一轮的计算，并且学习次数加一，tt1。3.2.2BP算法的局限性BP算法在函数逼近、模式识别、分类、数据压缩等领域有着广泛的应用。其结构简单，可操作性强，能模拟任意的非线性输入输出关系。但BP算法在解决实际问题中也存在着一些局限性（林雅梅等，1996；MarziehMostafavizadehArdestanietal，2013；HamidTaghavifar，2014）：（1）学习算法的收敛速度较慢，而且收敛速度还与连接权值初始值和激活函数的选择有关系。（2）泛化能力较差，网络在学习新样本时，会遗忘以前学习样本的趋势。（3）网络的结构难以确定，即隐节点数的选择，缺乏理论指导。（4）在权值调整上采用梯度下降法作为优化算法，易陷入局部极小值。3.2.3BP算法的改进针对BP算法的缺点，许多学者提出了改进方法，典型BP算法的改进方法有自适应调节学习率、LM算法、附加动量法等（黄庆斌，2010；曾红玉，2003；贾丽会，2006），下面介绍这三种改进的BP算法：（1）自适应调节学习率通常调节学习速率的准则是，检查权值的修正值是否真正降低了误差函数，如果确实如此，则说明所选取的学习速率值较小，可以对其增加一个量；否则可认为产生30 山东农业大学硕士学位论文过调，应该减小学习速率的值。自适应调节学习率的基本思想是学习率在神经网络的训练过程中根据网络的收敛情况随时改变学习率的大小。当网络训练进入平坦区时，增大学习率使网络能够快速的从平坦区中出来，当网络误差变化剧大时，减少学习率可以使得网络的误差信号变化平稳。（2）LM算法BP算法的误差函数采用的是一阶梯度法，收敛速度较慢。误差函数也就是一阶导数，而牛顿法调整权值则是利用二阶导数，这样可以提高网络的训练速度。LM算法是牛顿法的变形，用以最小化那些作为其他非线性函数平方和的函数。该算法是收敛速度较快的牛顿法和保证收敛的最速下降法之间的折衷。在每次迭代时需作大量的计算，但对于中等数量的网络参数，该算法依然是最快的神经网络训练算法。（3）附加动量法为了使学习速率足够大，又不易产生振荡，在权值调整算式中，加入动量项，即：Wt(1)Wt()[(1)()DtDt(1)](3-15)E上式中为学习率，[0,1]称为动量系数，Dt()为t时刻的负梯度。附加Wt()动量法的基本思想是本次权值的调整是将上一次权值的调整量中取出一部分叠加到本次权值调整中，即本次的权值调整受上次的权值调整的影响。通过附加动量法可以使网络快速滑过局部极小区，提高学习样本的训练速度。3.2.4基于BP神经网络预测模型的建立BP神经网络预测模型的建立，具体构建过程如下:（1）输入变量的选择本模型的数据为泰安市1995-2013年苹果树腐烂病的发生与流行的原始数据，根据主成分分析法提取的主成分作为神经网络的输入。（2）隐含层神经元个数的选取目前理论上并没有明确的规定隐含层神经元个数选择的方法，很多学者进行了各种各样的尝试，但是都没有得出令人满意的理论方法。本文根据前人的经验公式（高大文等，2003）来确定隐层节点的个数，即输入层节点数记为M，输出层节点数记为L，隐层节点数为Q，a为1-10之间的常数：QMLa(3-16)31 苹果树病虫害预测与防治决策支持系统研究将试凑法与上面的公式相结合在一起，确定出BP神经网络隐含层神经元的个数。（3）激活函数的选取有效选取激活函数有利用加速BP神经网络收敛速度。BP神经网络隐含层和输出层激活函数通常选用Sigmoid型函数。其优点在于它将神经网络的输出值限制在[0,1]或[-1,1]范围内，而且实现了非线性逼近的能力。根据本模型的特点，将神经网络的输出值限制在[0,1]范围内，因此，神经网络采用Sigmoid型函数作为隐含层和输出层的激活函数。（4）学习算法的选取传统的BP神经网络的权值调整只根据本时刻的梯度下降的方向调整，而没有考虑到本时刻之前的时刻的权值调整方向，从而影响网络的收敛速度。附加动量法的基本思想是上次的权值调整影响着本次的权值调整。利用附加动量法能有效的滑过局部极小，提高收敛速度，减少网络在学习过程中出现的振荡次数。为了提高本模型预测的准确度，BP神经网络算法采取附加动量法进行改进。3.2.5实验结果分析该模型的输入端是利用主成分分析法提取出的主成分，输出端为泰安市苹果树腐烂病的流行程度，隐层激活函数选用Sigmoid型函数。用1995年至2010年泰安市影响苹果树腐烂病的因素及流行程度作为训练数据，建立BP神经网络模型，对2011年至2013年泰安市苹果树腐烂病的流行程度进行预测。其输出层节点数为1，附加动量为0.05，学习率为0.25，训练目标误差0.001。主成分个数为8时，累计贡献率已经达到85%以上；通过前人经验公式（3-16）和试凑法得到网络的隐含层节点数为4至13之间；网络的预测结果如表5。32 山东农业大学硕士学位论文表5不同主成分个数和隐含层神经元数目结果对比Table5Contrastofdifferentmainfactorsandhiddenlayerneurons主成分个数隐层神经元学习次数误差平方和主成分个数隐层神经元学习次数误差平方和NumberofNumberofNumberofLearningMeansquaredNumberofLearningMeansquaredhiddenlayerhiddenlayermainfactorstimeserrormainfactorstimeserrorneuronsneurons450000.0191000422170.0009998543600.0009998513230.0009994650000.0044000617690.0009998725770.0009990719940.0009982848750.0009996815850.000998479939770.0009986919960.00099761044060.00099961013160.00099211136670.00099981114380.00099741245100.00099921211840.00099951350000.00190001313990.0009970445090.0009994450000.0031000545170.0009992550000.0033000650000.0010000649590.0009967723230.0009998728410.0009985838730.0009994829200.0009989810936380.0009996945120.00099951025590.00099851019560.00099881139590.00099941144560.00099961225140.00099951250000.00420001327470.00099941350000.0046000通过表5可以看出，当主成分个数为9时，网络学习次数较少，收敛速度较快；当主成分个数为9，隐层神经元个数为10时，网络的误差平方和最小，预测精度最高。因此，模型的输入层神经元个数选取为9，隐含层神经元个数选取为10。表6不同改进算法结果对比Table6Contrastofdifferentimprovedalgorithm改进算法学习次数训练集MSE测试集MSEMeansquaredMeansquaredLearningImprovedalgorithmerroroftrainingerroroftesttimessetset附加动量法13160.00099210.0073005AdditionalmomentumLM算法1370.00014510.0235147LMalgorithm梯度下降法43900.00099890.0136129Gradientdescent自适应调节学习率50000.00310000.0075312Adaptinglearningrate33 苹果树病虫害预测与防治决策支持系统研究通过表6可以看出，四种改进算法中，只有自适应调节学习率算法的误差平方和在设定的学习次数之内没有达到相应的精度；LM算法虽然学习次数较少，且训练集的误差平方和达到了精度要求，但是测试集的误差平方和相对较大，预测结果不理想；综合学习次数、训练集误差平方和和测试集误差平方和三方面数据，选取附加动量法为预测模型的改进算法。BP网络预测模型预测结果如表7和图8所示：表7BP神经网络预测结果Table7PredictionofBPneuralnetwork年份201120122013Times实际流行程度0.40000.60000.4000Actualprevalence预测结果0.47660.50120.4792Predictionresults准确率0.80850.83530.8020Accuracy图8BP神经网络预测结果Fig.8PredictionofBPneuralnetwork从图8中可以看出，用1995年到2010年的数据进行训练，BP神经网络模型训练良好，拟合度较高；使用BP神经网络模型对泰安市2011、2012和2013年的苹果树腐烂病流行程度进行预测，从表7中可以看到预测值分别为了0.4766，0.5012，0.4792。BP神经网络模型选取常用的评价标准平均绝对误差、平均相对误差和均方误差这三个统计量来考察模型的预测效果，其计算公式分别如下：34 山东农业大学硕士学位论文n1EA|fxi()Ti|(3-17)ni=1n1|fx()T|iiER(3-18)ni=1Tin12MSE(()fxiTi)(3-19)ni=1其中，fxi()为第i次的预测值，Ti为第i次的期望输出，n为预测次数。表8BP预测结果评价Table8PredictionevaluationofBPneuralnetwork评价标准BP预测模型EvaluationBPpredictioncriterionmodelEA0.0848667ER0.1847222MSE0.0073005表8中可以看出，平均绝对误差、平均相对误差和均方误差数值较小。2011、2012和2013年的预测准确率分别达到80.85%、83.53%和80.20%，实验结果表明，该模型的预测精度良好。3.3基于小波网络预测模型研究目前，使用较多的BP神经网络的隐层激活函数大多数选用Sigmoid型函数，但是这是需要足够多的隐层节点数和权值才能以任意精度逼近，而且隐层节点数的选取上目前还没有理论指导。经过多次探索，国内外学者将神经网络和小波分析联系起来，发挥其各自优势，建立了小波网络(WaveletNeuralNetwork)（余健等，2007；张新红，2003）。3.3.1小波网络模型的选择小波网络起源于小波分析，是近年来在小波分析研究获得突破性进展的基础上提出的一种前向型网络（陈伟根等，2008；刘志刚等，2003）。它将神经网络和小波分析相结合，发挥了各自的优势（王新秀等，2004；LongqinXuetal，2013），因此小波网络具有强大的容错和函数逼近能力（余钰炜，2009；W.D.Wanroslietal，2013）。从结构形式上，小波网络可分为两大类：35 苹果树病虫害预测与防治决策支持系统研究（1）小波变换与常规神经网络分离式结合。整个系统是由小波变换和神经网络两部分构成，两者虽紧密联系，但又相互独立，如图9所示。信号经小波变换后，再输入常规神经网络来完成函数逼近等功能。图9分离式小波网络Fig.9Separatingwaveletneuralnetwork（2）小波函数与前向神经网络的嵌入式融合。该类型是将小波分析和神经网络完全融合在一起，即小波函数为隐含层神经元的激活函数，加入小波函数的伸缩因子和平移因子。小波网络在学习过程中除了调整权值和阈值外，还有伸缩和平移因子，可以分析到信号的局部和全局的特征，使网络的预测精度更高。融合式小波网络如图10所示。图10融合式小波网络Fig.10Integratingwaveletneuralnetwork二种结构的小波网络都具有空间逼近能力。由于分离式小波网络中的小波变换和神经网络虽有联系，但两者并没有实质性的结合。因此，对此类研究的必要性不大。融合式小波网络是将小波变换和神经网络完全嵌入在一起，是目前广泛采用的一种结36 山东农业大学硕士学位论文构形式。融合式小波网络具有预测精度高，收敛速度快等优点，已应用于水稻需水量预测等（冯艳等，2007），故本模型采用融合式小波网络来构建苹果树腐烂病预测模型。融合式小波网络根据节点激活函数和学习参数的不同选取，又可分为以下三种形式的网络：（1）基于多分辨分析的正交小波网络。该网络隐含层激活函数的选取有小波函数(x)和尺度函数(x)两种类型，其网络的输出为：fx()cjk,jk,()xdjk,jk,()x(3-17)jLkz=,jLkz,当尺度L足够大时，可以忽略公式中第二项所表示的小波细节，则网络输出fx()cjk,jk,()x可以以任意的精度逼近函数f。如果尺度函数(x)的二进伸缩jLkZ=,j/2j{jk,2(2xk)}jkZ,构成子空间Vj的一组正交基，我们把这种网络又称为正交尺度小波网络。（2）连续参数的小波网络。激活函数的表达式如下：pxbiijgxj()()(Axbjj),1jh(3-18)i=1aij网络输出为：hfxi()cgxijj(),1jq(3-19)j=1连续小波网络的小波时频局部性可以作为网络初始化和参数选取的依据，使网络具有较快的收敛速度和逼近能力。（3）由框架作为激活函数的小波网络。隐含层的激活函数选用小波框架：ppjgx()gx()i(2xik)(3-20)i1i1则神经网络输出为：fxi()djk,jk,(3-21)jk,该小波网络处理平稳信号有很好的效果，但是处理非平稳信号，存在着一些缺陷。连续参数的小波网络其尺度和平移参数均可调，可利用非线性优化方法进行参数修正，使网络快速收敛。因此，本模型通过连续小波变换来构建小波网络。由于37 苹果树病虫害预测与防治决策支持系统研究Morlet小波具有有限支撑、对称等特点，而且已经被广泛应用，本文中小波网络的激活函数选取Morlet小波：2x/2()xecos(1.75)x(3-22)3.3.2小波网络学习算法小波函数作为三层结构神经网络的激活函数，即Sigmoid型函数被小波函数所代替，小波函数中的伸缩和平移因子代替了原来神经网络中的权值和阈值。本文采用三层结构的小波网络，如11图所示。图11小波网络结构图Fig.11Structureofwaveletneuralnetwork中间层到输入层之间的连接权值用W表示，中间层到输出层之间的连接权值用ijW表示，本模型隐层激活函数采用目前预测模型中使用最多的Morlet小波函数，小波jk函数的尺度因子为a，平移因子为b。在小波网络中，采用最小均方误差函数对神经jj网络参数进行优化，通过梯度下降法调整网络的权值，尺度因子和平移因子。具体实现步骤如下:（1）通过随机产生网络的尺度因子a，平移因子b，连接权值W，W对其进jjijjk行初始化，通常在（0,1）区间。T（2）输入训练样本x，并产生相应的输出值f(x)，n为隐含层神经元的个数，nn2ts为输入样本的个数，(t)cos(1.75)exp(t)为Morlet函数。输出结果可表示为：238 山东农业大学硕士学位论文pnWxiijs()bjfT()xWi=1sjk(3-23)j=1aj(3)最小均方误差能量函数为：ssq1T21jj2E(yxj()fj())x(yi()xfi())x(3-24)2j=12j=1=1i调整小波网络中的权值，阈值，尺度因子和平移因子：EWW(3-25)jkjkWjkEWW(3-26)ijijWijEajaj(3-27)ajEbjbj(3-28)bj其中，和分别为学习率和动量因子。（4）当误差函数值减少到可接受范围内或预先设定的训练次数为止，则停止，否则返回第二步。3.3.3基于小波网络预测模型的建立与检验3.3.3.1模型的建立构建小波网络预测模型过程如下:（1）小波网络结构：小波网络也可以通过增加网络层数和隐含层神经元的个数来提高预测精度。但是，随着网络层数的增加会使网络的结构复杂，增加网络的训练时间。因此，本模型采用3层小波网络，即含有一个隐含层。（2）输入输出层：通过主成分分析法得到的主成分作为小波网络的输入，对某一年苹果树腐烂病流行程度的预测，输出层神经元个数为1。（3）隐含层个数：隐层小波元个数的选取根据公式（3-16）和试凑法来确定。39 苹果树病虫害预测与防治决策支持系统研究（4）激活函数：隐层激活函数选用Morlet小波函数。2x/2()xecos(1.75)x(3-29)（5）初始化小波网络参数：随机产生网络的尺度因子a，平移因子b，连接权值jjWij，Wjk，对其进行初始化。（6）最小均方误差作为误差函数，目标误差定义为0.001，学习率为0.25。3.3.3.2实验结果分析本模型数据为泰安市1995-2013年苹果树腐烂病发生和流行的原始数据，通过主成分分析从原始数据中提取的主成分作为小波网络的输入，苹果树腐烂病在泰安市表9不同主成分个数和隐含层神经元数目结果对比Table9Contrastofdifferentmainfactorsandhiddenlayerneurons主成分个数隐层神经元学习次数误差平方和主成分个数隐层神经元学习次数误差平方和NumberofNumberofNumberofLearningMeansquaredNumberofLearningMeansquaredhiddenlayerhiddenlayermainfactorstimeserrormainfactorstimeserrorneuronsneurons442430.000992942510.0009960550000.004800054480.000981861560.000979365950.000989076530.000990972470.000971282630.000987681010.00097067991280.000971991080.0009508103900.0009909101430.0009802112020.0009999111470.0009797121830.0009937121520.0009540132630.0009595131170.000992446880.0009968410870.000999453320.0009821515020.000999467620.000997262910.000964572010.000997372690.000982182890.000991081810.000988681094120.000983892550.0009942102090.0009590104350.0009630112080.0009927115910.0009110125890.0009948121930.0009638132880.0009798132310.0009672某一年的流行程度作为网络的输出，隐层激活函数选用Morlet小波函数。用1995-2010年泰安市影响苹果树腐烂病的因素及流行程度作为训练数据，建立小波网络模型，对2011-2013年泰安市苹果树腐烂病的流行程度进行预测。选取学习率为0.25，40 山东农业大学硕士学位论文训练目标误差为0.001。主成分个数为8时，累计贡献率已经达到85%以上，通过前人经验公式（3-16）和试凑法得到网络隐含层节点数为4至13之间，预测结果如表9。通过表9可以看出，当主成分个数为9时，隐含层神经元个数为8到13时，网络趋于稳定，学习次数较少，收敛速度较快；当主成分个数为9，隐层神经元个数为9时，网络的误差平方和最小，预测精度最高。因此，小波网络预测模型的输入层神经元个数选取为9，隐含层神经元个数选取为9。表10不同改进算法结果对比Table10Contrastofdifferentimprovedalgorithm改进算法学习次数训练集MSE测试集MSEMeansquaredMeansquaredLearningImprovedalgorithmerroroftrainingerroroftesttimessetset附加动量法1080.00095080.0054799AdditionalmomentumLM算法970.00096520.0315948LMalgorithm梯度下降法2110.00095870.0152141Gradientdescent自适应调节学习率1870.00096330.0073426Adaptinglearningrate通过表10可以看出，四种改进算法的误差平方和都在设定的学习次数之内达到了相应的精度；LM算法学习次数最少，但是测试集的误差平方和相对较大，预测结果不如其他三种改进算法；梯度下降法和LM算法测试集的误差平方和较大，预测结果不理想；综合学习次数、训练集误差平方和和测试集误差平方和三方面数据，选取附加动量法为小波预测模型的改进算法。小波网络预测模型预测结果如表11和图12所示：表11小波网络预测结果Table11Predictionofwaveletneuralnetwork年份201120122013Times实际流行程度0.40000.60000.4000Actualprevalence预测结果0.36320.48340.4386Predictionresults准确率0.90800.80570.9035Accuracy41 苹果树病虫害预测与防治决策支持系统研究图12小波网络预测结果Fig.12Predictionofwaveletneuralnetwork从图12中可以看出，用1995年到2010年的数据进行训练，小波网络模型训练良好，拟合度较高；使用小波网络模型对泰安市2011、2012和2013年的苹果树腐烂病流行程度进行预测，从表11中看到预测值分别为了0.3632，0.4834，0.4386。小波网络模型选取常用的评价标准平均绝对误差、平均相对误差和均方误差这三个统计量来考察模型的预测效果，如表12所示。表12BP预测结果评价Table12PredictionevaluationofBPneuralnetwork评价标准小波预测模型EvaluationWaveletpredictioncriterionmodelEA0.0640000ER0.1276111MSE0.0054799表12中可以看出，选取的三个误差评价指标数值较小。表11中2011、2012和2013年的预测准确率分别达到90.80%、80.57%和90.35%，实验结果表明，该模型的预测精度良好。3.3.3.3BP神经网络预测模型和小波网络预测模型预测精度对比BP神经网络预测模型和小波网络预测模型的网络参数设置相同，根据两个模型预测的结果进行预测精度的对比，结果如表13所示。42 山东农业大学硕士学位论文表13预测结果对比Table13Predictioncontrast评价标准BP预测模型小波预测模型EvaluationBPpredictionWaveletpredictioncriterionmodelmodelEA0.08486670.0640000ER0.18472220.1276111MSE0.00730050.0054799通过表13可以看出，在相同的实验数据和模型参数设置下，小波网络预测模型的平均绝对误差、平均相对误差和均方误差数值都比BP神经网络预测模型小，说明小波网络预测模型的精度更高，预测的结果与泰安地区2011、2012和2013年苹果树腐烂病实际流行程度更接近。43 苹果树病虫害预测与防治决策支持系统研究4苹果树病虫害预测与防治决策支持系统设计与实现本章运用软件工程原理，首先，对功能需求进行分析。然后，对系统进行了概要设计和详细设计，包括系统整体框架设计、功能模块划分、数据库设计。最终，借助农业信息化相关技术，构建了苹果树病虫害预测与防治决策支持系统，实现了苹果树病虫害的信息化管理。4.1系统设计4.1.1系统整体框架通过对系统各部分进行分析，结合其决策流程，确定了系统的整体框架，如图13所示。图13系统总体框架Fig.13Systemframework系统可分为四个层次，通过数据层、处理层、决策层和发布层四个部分来实现。数据层包含人工整理、感知设备采集、网络搜索和专家问答等途径获取的各类数据与知识，以及它们的分类管理系统；处理层通过数据筛选、分类加工、数学建模等手段，得到与苹果树病虫害防控相关的诊断、预测、决策模型及相关的知识与逻辑；通过决策模型的解析，得到苹果树病虫害诊断、预测预报所需的知识与逻辑。决策层通44 山东农业大学硕士学位论文过调用处理层中的模型、知识与逻辑，动态寻求最佳决策方案；信息发布层则将决策方案多途径发布，做好苹果树病虫害预测预报，提供优化的防控措施，并及时将审核后的反馈信息分类添加到数据库、知识库和推理逻辑，使整个系统不断得到优化与提升。4.1.2功能模块划分根据前期需求分析，结合对果园实际调研过程中果农的需求，制定了苹果树病虫害预测与防治决策支持系统的功能模块划分方案，如图14所示。系统分为病虫害信息库、病虫害搜索、病虫害诊断、病虫害预测、信息交流区、专家库、病虫害资讯和系统管理八个功能模块。图14系统功能模块Fig.14Systemfunctionmodules4.1.2.1病虫害信息库模块病虫害信息库模块用于显示苹果树所有病害、虫害的详细信息，包括病虫害形态特征，产生原因，危害影响，防治方法等，功能层次如图15所示。45 苹果树病虫害预测与防治决策支持系统研究图15病虫害信息库Fig.15Diseasesandpestsinformationbase4.1.2.2病虫害搜索模块病虫害搜索模块用于搜索苹果树病害、虫害的详细信息，功能层次如图16所示。搜索时，可根据病害、虫害的名称进行搜索，也可根据形态、特征等关键字进行模糊搜索。图16病虫害搜索Fig.16Diseasesandpestssearch46 山东农业大学硕士学位论文4.1.2.3病虫害诊断模块病虫害诊断模块用于诊断苹果树发生的病害、虫害的信息，用户根据系统提示，选择病害或虫害、发生症状一、发生症状二、发生症状三，同时也可以输入关键字，系统根究输入情况进行判定，给出相应结果，流程如图17所示。图17诊断流程图Fig.17Stepsofdiagnosis4.1.2.4病虫害预测模块病虫害预测模块用于预测苹果树发生的病害、虫害的信息，该系统以苹果树腐烂病为例，构建基于BP神经网络和小波网络的预测模型，用户根据系统提示，输入温度、降雨量等相关气象信息，系统根究输入情况进行预测，给出预测结果，流程如图18所示。选取病害选取预测输入气象给出预测模型预测或虫害模型数据结果图18预测流程图Fig.18Stepsofprediction其中，第四步模型预测的具体算法流程如图19所示，以BP模型为例。47 苹果树病虫害预测与防治决策支持系统研究图19BP算法流程图Fig.19StepsofBPalgorithm4.1.2.5信息交流区模块用户可在信息交流区模块讨论苹果树发生的病害、虫害信息，咨询防治方法、图20信息交流区功能模块图Fig.20Functionmodulesofforum48 山东农业大学硕士学位论文提出管理建议等。该模块分为苹果病虫害防治、苹果园管理、苹果苗木培育、苹果整形修剪、采后管理、贮藏加工技术、新技术应用和后台管理八大功能版块，该模块以论坛的形式展示，功能层次如图20所示。4.1.2.6专家库模块专家库模块用于提供从事苹果树研究的相关专家的详细信息，用户从系统可获得专家的姓名、工作单位、固定电话、手机号码、电子邮箱、研究方向、科研成果等信息，通过以上信息，用户可与专家取得联系，进行咨询交流，功能模块如图21所示。图21专家库功能模块图Fig.21Functionmodulesofexpertbase4.1.2.7病虫害资讯模块病虫害资讯模块用于提供最新的病虫害信息，包括病害信息、虫害信息、防治提图22病虫害资讯功能模块图Fig.22Functionmodulesofdiseasesandpestsnews49 苹果树病虫害预测与防治决策支持系统研究醒、最新动态以及与苹果树相关的最新资讯，功能模块如图22所示。4.1.2.8系统管理模块系统管理模块用于管理苹果树病虫害预测与防治决策支持系统的所有信息。进入管理平台之后，系统管理员具有病害信息管理、虫害信息管理、专家信息管理、病虫害资讯管理、人员管理等权限，可对所有信息进行增加、删除、修改等操作，功能模块如图23所示。图23系统管理功能模块图Fig.23Functionmodulesofsystemmanagement4.2数据库设计数据库是系统的数据支撑层，用来存储和管理各功能模块、模型所需的公共数据，同时，数据库作为各应用模型间数据交换的主要载体，协调各应用模型或子系统的数据关系，实现各种信息的一致性共享。在进行数据库设计时，主要遵循从概念模型到逻辑模型，再到详细设计的思路。其中，概念模型是从功能的角度对数据之间的层次和逻辑关系进行梳理和组织；逻辑模型则是将概念模型转换为平面二维表的形式，使之能够满足数据库存储的要求；详细设计则是对逻辑模型在数据库中的存储细节进行设计。50 山东农业大学硕士学位论文4.2.1概念模型综合数据库概念模型由七个子库系统构成：系统数据库、苹果树病害库、苹果树虫害库、专家库、知识库、模型库和论坛库，如图24所示。图24数据库概念模型Fig.24Conceptualmodelofdatabase系统数据库用于存储与系统运行和系统用户相关的数据，如用户账户、管理员账户等；病害库和虫害库用于存储苹果树病害、虫害相关数据，包括病害和虫害的名称、别名、发病部位、发病症状、图像信息等；专家库用于存储专家信息的详细数据，包括专家姓名、工作单位、联系方式、研究方向等；知识库存储苹果树病虫害诊断相关的领域专家知识和推理规则；模型库用于存储病虫害预测预警模型的信息，包括模型的名称、使用的资源等；论坛库存储信息交流区中信息的所有内容。本文综合数据库中的主要表共17张，如表14所示。51 苹果树病虫害预测与防治决策支持系统研究表14综合数据库概要Table14Summaryofdatabase表名称表用途TablenameTabledescriptionuser用户信息admin管理员信息model模型基本信息BPBP神经网络预测模型BP_wBP神经网络模型权值矩阵BP_oBP神经网络模型阈值存储wavelet小波网络预测模型wavelet_w小波网络预测模型权值矩阵wavelet_o小波模型阈值尺度因子平移因子存储disease苹果树病害信息hashdisease病害图片哈希值记录pest苹果树虫害信息hashpest虫害图片哈希值记录expert苹果专家信息news新闻资讯信息news_photo新闻资讯图片mvnforummember论坛成员信息4.2.2逻辑模型基于对上述综合数据库组成概念的细化，得到的系统综合数据库逻辑模型如图25所示。52 山东农业大学硕士学位论文图25部分数据库逻辑模型Fig.25Logicalmodelofdatabase4.2.3数据库详细设计根据数据库的逻辑模型，本文对综合数据库进行了详细设计，下文以病害库为例，列出系统数据库中病害表的定义，如表15所示。53 苹果树病虫害预测与防治决策支持系统研究表15病害表的定义Table15Definitionofdiseasetable编号字段数据类型描述NumberFieldsDatatypeDescription1disease_idint病害id号2disease_namevarchar病害名称3disease_alias_namevarchar病害别名4disease_latin_namevarchar病害拉丁名称5disease_treevarchar患病害树名6disease_datedate最后编辑日期7disease_body_keyvarchar患病部位关键字8disease_controlvarchar病害控制、治疗方法9disease_diagnosevarchar病害诊断方法10disease_pathogenvarchar病害病原体11disease_pesticidevarchar病害治疗药物12disease_propagatevarchar病害传播方式13disease_symptomvarchar病害症状14disease_symptom_keyvarchar病害症状关键字15disease_label_photovarchar标签图片地址16disease_photo_idsvarchar病害图片地址17disease_video_idsvarchar病害视频地址18disease_remarksvarchar备注信息4.3知识库设计4.3.1知识获取知识获取是收集和组织领域内使用的事实与规则的过程，知识质量与数量及知识的组织方式对系统的性能起关键的作用。本系统知识的获取主要通过人工方式，收集专家经验、学术成果、实验数据等。54 山东农业大学硕士学位论文4.3.2知识的表示与规则系统设计的重要内容包含知识的表示，本系统知识的表示采用如下规则，即系统知识存储的是产生式的规则，表示如下:知识::=IF<规则条件>THEN<规则结论>规则条件::=<前提条件集>=<结论条件集>|<关联><前提条件集>=<结论条件集>|<规则条件>规则结论::=<结论集>|<关联><结论集>关联::=<关联运算符集>式中，“::=”符号解释为“定义为”；前提条件集包括发病部位、发病症状等前提条件；结论条件集包括具体的发病部位和发病症状，如根、树干、叶子、黄褐色干斑、树皮易剥离等；结论集为诊断的具体病虫害，如苹果树腐烂病、轮纹病、炭疽病等；关联运算符集包括具体的关联词，如和、或等。根据产生式的表示方法，苹果树病虫害诊断的每条知识可以是如下形式:IF发病部位=“树干”and症状一=“淡褐色”and症状二=“病皮易剥离”and症状三=“溃疡”THEN病虫害诊断为：“腐烂病”。4.4系统实现4.4.1技术简介Web应用的普及，推动了Java语言的发展。J2EE（Java2EnterpriseEdition）是一套全然不同于传统应用开发的技术架构，包含许多组件，主要可简化且规范应用系统的开发与部署，进而提高可移植性、安全与再用价值。在J2EE技术中，开发者大都使用Struts2+Hibernate+Spring的整合框架进行开发。Struts2是轻量级的Web应用框架，采用MVC模式，Model部分由ActionForm和JavaBean组成，前者将用户请求参数封装成对象，经ActionServlet转发给Action处理，后者封装底层业务逻辑，包括数据库访问等；View部分采用JSP实现，将获取的数据展现给用户；Controller由系统核心控制器和业务逻辑控制器组成，前者拦截、过滤用户请求，后者通过调用Model来处理用户请求。Spring是一个轻量级控制反转和面向切面的容器框架。对象依赖的其它对象通过控制反转被动的传递进来，不需要自己创建或者查找依赖对象；面向切面使对象完成相应的业务逻辑即可，并不负责日志或事务支持等其它的系统级关注点。Spring包含55 苹果树病虫害预测与防治决策支持系统研究并管理应用对象的配置和生命周期，通过在XML文件中组合应用对象，可以将简单的组件配置成为复杂的应用。Hibernate是一个源代码共享的对象关系映射框架，通过对JDBC进行对象封装使得操纵数据库更加便捷。Hibernate的核心接口包括以下六个：Session、SessionFactory、Transaction、Query、Criteria和Configuration，通过这些接口，不仅可以对持久化对象进行存取，还能够进行事务控制。4.4.2技术架构苹果树病虫害预测与防治决策支持系统采用三层架构：表现层、业务逻辑层和数据服务层，如图26所示。图26系统技术架构Fig.26Systemtechnologyarchitecture系统架构为Struts2、Spring、Hibernate三大框架整合而成。系统前台界面通过jQuery技术设计完成，和后台以JSON格式进行数据交互。Web端通过Ajax访问服务器，服务器端通过Struts2统一处理并发送数据，整个服务器端的数据处理过程都在Spring的生命周期管理和事务管理范围内，确保了数据的安全和一致性。系统采用MyElipce10进行软件开发，数据库采用MySQL5.5，Web服务器采用Tomcat6.0。4.4.3系统界面以下是苹果树病虫害预测与防治决策支持系统的几个功能界面，病害库界面如图27所示。56 山东农业大学硕士学位论文图27病害库界面Fig.27Interfaceofdiseasedatabase病虫害诊断界面如图28所示，用户可选择发病部位、发病部位病害现象，同时可自行输入关键字进行病虫害诊断。57 苹果树病虫害预测与防治决策支持系统研究图28病害诊断界面Fig.28Interfaceofdiseasediagnosis图29信息交流区界面Fig.29Interfaceofforum58 山东农业大学硕士学位论文信息交流区以论坛形式展示，界面如图29所示。病虫害后台管理界面如图30、31所示。图30病虫害后台登录界面Fig.30Logininterface图31病害管理界面Fig.31Interfaceofdiseasesmanagement59 苹果树病虫害预测与防治决策支持系统研究5总结与展望5.1总结受到人为和自然因素的影响，苹果树经常发生各类病虫害，对苹果树造成巨大危害，不但威胁到产品的产量及品质，而且对于果农的经济收益和生产效益也会造成不同程度的影响。本文以苹果树病虫害为研究对象，以泰安市苹果树腐烂病为例，进行苹果树病虫害预测与防治决策支持系统的研究，得出如下研究结果和结论：（1）建立了BP神经网络预测模型。利用主成分分析法对BP神经网络预测模型的输入数据进行处理，提取了主要影响因素，实现了降维，该方法为提高模型的精准度提供了基础条件。选取Sigmoid函数作为模型的隐含层激活函数，附加动量法作为模型的学习算法，提高了收敛速度和模型预测的准确度。实验证明，模型训练速度快，能够准确预测结果。（2）建立了小波网络预测模型。通过对分离式和融合式小波网络的对比，将融合式小波网络应用于苹果树病虫害流行程度的预测。通过主成分分析法对输入数据进行降维，选取Morlet函数作为模型的激活函数，建立小波网络预测模型，对泰安市的苹果树腐烂病流行程度进行预测。实验证明，模型预测精准度较BP神经网络预测模型有显著提高。（3）建立了苹果树病虫害预测与防治决策支持系统。首先，在需求分析的基础上，将系统功能分为八个功能模块，并对其进行了详细的研究和设计；其次，根据功能模块的划分，对系统的数据库进行了分析与设计；最后，采用S2SH整合开发技术等，利用MySQL数据库、Tomcat服务器，完成了苹果树病虫害预测与防治决策支持系统的开发。系统可以为用户了解病虫害信息提供途径，为病虫害的预测预报提供决策支持，对果农及时做好防治准备工作具有重要意义，而且有利于果农根据预测流行程度的严重性较早制订防治方案，减少经济损失。5.2展望本研究实现了苹果树病虫害（以腐烂病为例）的预测预报，用户可获取病虫害相关信息，为病虫害的管理提供决策支持。但仍存在一些不足的问题需要进一步研究：（1）在BP神经网络预测模型和小波网络预测模型中，隐含层神经元个数的选取依据的是前人经验公式，目前在理论上并没有一个明确的规定隐含层神经元个数选择的方法，这是需要进一步探讨的地方。60 山东农业大学硕士学位论文（2）气象因素是影响苹果树腐烂病主要因素，但在影响苹果树腐烂的多种因素中，冻害、管理水平也尤其重要，如何将这几方面因素融合并建立应用模型，是进一步研究的重点。（3）由于技术水平有限，苹果树病虫害预测与防治决策支持系统在应用中还存在一些不够完善的地方，比如随着智能手机的普及，可以配套开发手机端系统更方便为果农提供决策支持；增加用户可通过上传图像进行对比来识别病虫害的功能等，该系统还需进一步改善和优化。61 苹果树病虫害预测与防治决策支持系统研究参考文献曹晓静,张航.决策支持系统的发展及其关键技术分析[J].计算机技术与发展,2006,11:94-96.曾红玉.基于神经网络BP算法的改进[D].新疆大学,2003.陈氢.几种新型决策支持系统的比较研究[J].情报科学,2005,01:102-105+110.陈伟根,潘翀,云玉新,王有元,孙才新.基于小波网络及油中溶解气体分析的电力变压器故障诊断方法[J].中国电机工程学报,2008,07:121-126.段小东.基于BP神经网络的中小企业信用评价模型研究[J].财务与金融,2009,03:86-89.冯艳,付强,李国良,李伟业,刘仁涛,冯登超.水稻需水量预测的小波BP网络模型[J].农业工程学报,2007,04:66-69.高大文,王鹏,蔡臻超.人工神经网络中隐含层节点与训练次数的优化[J].哈尔滨工业大学学报,2003,02:207-209.高秀娟.基于主成分分析与神经网络的肝病预测分析[D].中南大学,2010.韩冰.主成分分析和神经网络在工业经济数据中的应用[D].吉林大学,2014.黄丽.BP神经网络算法改进及应用研究[D].重庆师范大学,2008.黄庆斌.BP算法的改进及其应用研究[D].西南交通大学,2010.黄银宝.影响苹果树腐烂病发病的因素调查[J].甘肃农业科技,2009,04:25-28.贾丽会,张修如.BP算法分析与改进[J].计算机技术与发展,2006,10:101-103+107.姜天戟,袁曾任.新激活函数下前馈型神经网络及其在天气预报中的应用[J].信息与控制,1995,01:47-51.李必成,丁平,张乃华,叶爱华.决策支持系统(DSS)在农业中的应用[J].农机化研究,2005,03:231-234.李炳南.基于GIS的赤潮灾害应急决策支持系统研究与应用[D].华东师范大学,2014.李红良.智能决策支持系统的发展现状及应用展望[J].重庆工学院学报(自然科学版),2009,10:140-144.李淑贤.河北省美国白蛾预测预警体系研究[D].河北农业大学,2009.李樱.决策支持系统发展综述[J].长春金融高等专科学校学报,2001,02:40-43.林福永,左小德.决策支持系统(DSS)的研究与发展(综述)[J].暨南大学学报(自然科学与医学版),1997,05:38-43.林雅梅,郑文波.BP学习算法的局限性与对策[J].福州大学学报(自然科学版),1996,06:13-17.刘炳春.基于模糊神经网络的故障诊断方法与应用研究[D].河北工业大学,2005.刘博元,范文慧,肖田元.决策支持系统研究现状分析[J].系统仿真学报,2011,S1:241-244.刘莉.基于案例推理的砀山酥梨黑星病预测系统研究[D].安徽农业大学,2004.62 山东农业大学硕士学位论文刘志刚,王晓茹,何正友,钱清泉.小波变换、神经网络和小波网络的函数逼近能力分析与比较[J].电力系统自动化,2002,20:39-44.刘志刚,王晓茹,钱清泉.小波网络的研究进展与应用[J].电力系统自动化,2003,06:73-79+85.罗德江,张永锋,刘诚.非线性回归分析的PSO小波网络方法及应用[J].成都理工大学学报(自然科学版),2007,06:661-664.马洪森,曹克强,杨庆,邝朴生.小麦病虫害治理决策支持系统[J].河北省科学院学报,1995,Z1:80-85.马君.新一代决策支持系统体系结构研究[J].统计与决策,2005,16:149-150.孟军.农业生产宏观决策支持系统的研究及实证分析[D].东北农业大学,2002.农孟松,黄海洪,孙崇智,郑凤琴,陈伟斌.基于主分量神经网络的降水集成预报方法研究[J].气象,2011,03:352-355.钱振松.小波网络及组合预测在赤潮灾害智能预警系统中的应用研究[D].山东大学,2010.沈雷.对决策支持系统的认识[J].商业经济,2006,03:113-114+120.孙培芬,王培,刘卉.农田信息管理决策支持系统的设计与实现——基于Silverlight[J].农机化研究,2015,07:156-159.汪景彦,李壮,李敏,赵德英,厉恩茂.我国苹果业存在问题及其对策与发展趋势[J].中国果树,2011,02:62-65.汪新秀,吴耀武,熊信银,黄阿强.基于模糊小波网络的电力系统短期负荷预测方法[J].继电器,2004,04:13-17.王娟.河北省苹果树腐烂病菌侵染规律及菌群结构研究[D].河北农业大学,2013.王青海.决策支持系统发展趋势研究[J].商场现代化,2009,07:19-20.王世春.BP网络在多元回归分析中的应用[D].合肥工业大学,2003.王卫雄,徐秉良,薛应钰,陈臻,梁旭东.苹果树腐烂病拮抗细菌鉴定及其抑菌作用效果测定[J].中国生态农业学报,2014,10:1214-1221.卫军锋.苹果树腐烂病防治药剂筛选和新方法研究[D].西北农林科技大学,2012.尉亚妮.苹果树腐烂病发生情况调查及综合防治措施[J].山西果树,2011,03:30-32.魏立新,赵莉.苹果树腐烂病流行原因及有效防治措施[J].西北园艺(果树专刊),2008,02:23-24.吴建生.基于遗传算法的BP神经网络气象预报建模[D].广西师范大学,2004.吴俊明.论小波分析理论的应用研究与发展前景[J].长春理工大学学报(综合版),2005,02:146-147+158.吴全胜,马敏.决策支持系统及其最新发展[J].科技信息,2008,31:75+116.肖云学.苹果树腐烂病发生影响因素及防治研究[D].西北农林科技大学,2013.邢琳.基于多平台的水稻精确定量栽培信息服务系统研究与开发[D].扬州大学,2011.63 苹果树病虫害预测与防治决策支持系统研究徐春晖,徐向东.前馈型神经网络新学习算法的研究[J].清华大学学报(自然科学版),1999,03:2-4.徐建祥,刘宇.决策支持系统在植物保护上的应用[J].河南科技大学学报(自然科学版),2005,03:65-68+109.尹春华,顾培亮.决策支持系统研究现状及发展趋势[J].决策借鉴,2002,02:41-45.尹泰龙,佟影,王永民,刘国荣,王世君,张启云,常乃庆,张锡芝,孙礼,付荣华.落叶松落叶病测报管理微机决策支持系统[J].森林病虫通讯,1991,03:44-45.尹湧华.烟草病虫害管理决策支持系统的开发[D].西南大学,2008.余健,郭平.基于改进小波神经网络的网络流量预测研究.计算机应用[J],2007,12(27):2986-2988余钰炜.小波变换及小波网络在化工控制中的应用[D].厦门大学,2009.张春芳.基于Struts的大豆优化栽培管理决策支持系统研究[D].内蒙古农业大学,2007.张建卿.湖南西部山区水稻插秧机选型与配置研究[D].湖南农业大学,2012.张娟,陈杰,刘志勇.基于数据挖掘技术的温室决策支持系统[J].微计算机信息,2007,03:169-170+189.张梅.作物栽培管理农业专家系统工具[D].河北农业大学,2001.张明理,杨晓亮,滕云,徐建源,林莘.基于主成分分析与前向反馈传播神经网络的风电场输出功率预测[J].电网技术,2011,03:183-187.张晓丹.农业机械选型决策支持系统设计与实现[D].东北农业大学,2014.张新红.小波网络理论及其在经济预测中的应用研究[D].天津大学,2003.赵书华,翟玉洛,唐治红,赵江波.苹果树腐烂病发生较重原因调查及分析[J].中国果树,2008,04:60-62.赵增锋,曹克强.苹果树腐烂病流行分析及防治建议[J].中国果树,2011,01:61-63.郑春燕.基于模糊神经网络的自适应控制在pH中和过程控制中的应用[D].浙江大学,2004.郑建国.小波神经网络在图像压缩中的应用研究[D].西安建筑科技大学,2007.郑晓洁.苹果树腐烂病预测模型研究[D].西北农林科技大学,2011.朱军生.小波分析在害虫预测中的应用研究[D].南京农业大学,2011.朱希安,金声震,宁书年,王景宇.小波分析的应用现状及展望[J].煤田地质与勘探,2003,02:51-55.祝荣欣.基于Web的农业机器选型智能决策支持系统的研究[D].东北农业大学,2006.AlejoR,GarcíaV,H.Pacheco-SánchezJ.Anefficientover-samplingapproachbasedonmeansquareerrorback-propagationfordealingwiththemulti-classimbalanceproblem[J].NeuralProcessingLetters,2014.Bello-PinedaJavier.Developingauser-friendlydecisionsupportsystemforthewetlands64 山东农业大学硕士学位论文corridoroftheGulfofCalifornia[J].Ocean&CoastalManagement,2013,82:127-137.BoulangerAG.TheexpertsystemPLANT/DS:AcasestudyinapplyingthegeneralpurposeinferencesystemADVISEtopredictingblackcutwormdamageincorn.M.S.Thesis,1983.ChaoRen,NingAn,JianzhouWang.OptimalparametersselectionforBPneuralnetworkbasedonparticleswarmoptimization:Acasestudyofwindspeedforecasting[J].Knowledge-basedsystems,2014,56(Jan.):226-239.DavisR,BuchananBG,ShortliffeEH.Productionsystemsasarepresentationforaknowledge-basedconsultationprogram[J].ArtificialIntelligence,1977,8(1):15-45.GAGorry,MSScottMorton.Aframeworkformanagementinformationsystems[J].SloanManagementReview(S0019-848X),1971,13(1):50-70.H.S.Wang,Y.N.Wang,Y.C.Wangetal.CostestimationofplasticinjectionmoldingpartsthroughintegrationofPSOandBPneuralnetwork[J].ExpertSystemswithApplication,2013,40(2):418-428.HamidTaghavifar,HadiTaghavifar,ArefMardani.ExhaustemissionsprognosticationforDIdieselgroup-holeinjectorsusingasupervisedartificialneuralnetworkapproach[J].Fuel,2014,125(Jun.1):81-89.LemmonH,ChukN.User’sGuidesforCottonPlus.SystemsResearchlaboratory.USDA-ARS,1998.LICun-bin,WANGKe-cheng.AnewgreyforecastingmodelbasedonBPneuralnetworkandMarkovchain[J].JournalofCentralSouthUniversityofTechnology,2007,05:713-718.LIAOGwo-Ching.Hybridimproveddifferentialevolutionandwaveletneuralnetworkwithloadforecastingproblemofairconditioning[J].ElectricalPower&EnergySystems,2014.MarziehMostafavizadehArdestani,XuanZhang,LingWang.Humanlowerextremityjointmomentprediction:Awaveletneuralnetworkapproach[J].ExpertSystemswithApplication,2014,41(9):4422-4433.WanrosliWD,ZainuddinZ,OngP.Optimizationofcellulosephosphatesynthesisfromoilpalmlignocellulosicsusingwaveletneuralnetworks[J].IndustrialCrops&Products,2013,50(10):611-617.XuL,LiuS.Studyofshort-termwaterqualitypredictionmodelbasedonwaveletneuralnetwork[J].Mathematical&ComputerModelling,2013,58:807–813.65 苹果树病虫害预测与防治决策支持系统研究致谢光阴荏苒，岁月如梭。转眼间，三年的研究生求学生活即将结束，站在毕业的门槛上，回首往昔，奋斗和辛劳成为丝丝记忆，甜美与欢笑也已尘埃落定。山东农业大学以其优良的学习风气，严谨的科研氛围教我求学，以其博大包容的情怀胸襟、浪漫充实的校园生活育我成人。值此论文即将付梓之际，向给予我莫大帮助的老师、同学、朋友、家人表达深深的谢意！感谢导师程述汉教授，指导着我完成梦想的学业。三年来，导师渊博的专业知识，严谨的治学态度，精益求精的工作作风，诲人不倦的高尚师德，朴实无华、平易近人的人格魅力对我影响深远。导师不仅授我以文，而且教我做人，虽历时三载，却赋予我终生受益无穷之道。本论文从选题到完成，几易其稿，每一步都是在导师的指导下完成的，倾注了导师大量的心血，在此向我的导师表示深切的谢意与祝福。感谢各位老师在论文开题、初稿、预答辩期间所提出的宝贵意见。感谢我的父母，焉得谖草，言树之背，养育之恩，无以回报，你们永远健康快乐是我最大的心愿。感谢实验室的所有兄弟姐妹们对我的关心和帮助，感谢王军、刘岳峰、刘鑫、张耘凡、马鸿健、房慎彬、万曙静在科研以及论文写作过程中对我的帮助和支持。感谢我的女朋友陈琪，三年来对我的关心和照顾使我能够全身心投入到研究生的学习中去。最后再一次感谢所有在论文写作中曾经帮助过我的良师益友，以及在论文中被我引用或参考的论著的作者。回想整个论文的写作过程，虽有不易，却让我除却浮躁，经历了思考和启迪，也更加深切地体会了求学的含义，因此倍感珍惜。同时，我深感自己的水平还非常的欠缺，在今后的工作生活中，我将更加努力，不辜负社会以及父母对我的期望。66 山东农业大学硕士学位论文在读硕士期间获得的研究成果硕士期间发表的论文：1.姜猛,王军,王志军,程述汉.苹果树病虫害决策支持系统研究与集成.山东农业科学,2015,47(6).2.姜猛,程述汉.决策支持系统研究现状与其在农业中的应用.山东农业大学学报（已录用）.3.WangZhijun,JiangMeng,ChengShuhan.DiscussiononFruiterProfessionalInformationServiceModeofShandongProvince,IFIPAdvancesinInformationandCommunicationTechnology,2014,419:152-159.4.WangZhijun,LiuXin,JiangMeng,ChengShuhan.TheApplicationofImageRetrievalTechnologyinthePreventionofDiseasesandPestsinFruitTrees,IFIPAdvancesinInformationandCommunicationTechnology,2014,419:160-167.5.WangZhijun,LiuYuefeng,JiangMeng,ChengShuhan,WangYucun.ResearchonImageRetrievalofFruitTreePlantDiseasesandPestsBasedonNPROD,IntelligentAutomation&SoftComputing,2015,21:371-381.67