基于GRNN算法的白芨产量智能预测模型

时间：2024-05-21

钱晔孙吉红李晓曙徐敏刘庭姜微微

摘要：为确保白芨种植户（企业）获得最大的经济效益，科研人员取得精确的数据进行科学研究。首先，收集白芨种植过程中，浇水量、施肥量、喷洒农药量以及对应的单位面积产量等数据，构建基于广义回归神经网络（general regression neural network，简称GRNN）算法的智能预测模型对特定种植条件下白芨的产量进行预测，得到不同种植环境下白芨的不同产量数据;然后，将这些数据输入信息系统中，为用户提供数据，以便于在最适合的条件下种植白芨。试验结果表明，GRNN在小样本构建智能预测模型时能够取得较好的预测效果。因此，在白芨种植过程中，当测试数据、输入数据不断增大的同时，采用该模型能够为种植户（企业）提高更精准的种植信息，最大化地提高产量，增加经济效益;为科研人员提供准确的数据确保研究成果的真实性。

关键词：白芨;智能;预测;GRNN算法;产量

中图分类号： S126 文献标志码： A 文章编号：1002-1302（2021）09-0190-05

大数据时代的到来，使各种农业数据爆炸式增长[1]，加速了农业信息技术、云计算、智能算法的发展，为建立各类农业大数据中心提供了基础数据。同时，全国各省市农业大数据中心陆续推动了数据分析方法的发展，将已经处于边沿地带的各种算法重新拉回了信息技术的核心位置，并处于不断完善和改进中。针对农业种植行业，近年来，国内外学者采用回归预测法、神经网络法和灰色预测法等[2-4]进行了深入研究，其中时间序列模型对于非线性的预测并不理想[5-8]，智能算法成为了主流预测方法。本研究采用传统农业技术与信息技术（神经网络算法、云计算等）相结合的方式，开展农业信息技术活动，将神经网络算法进行改进，把统计的农业数据作为训练数据，构建智能预测模型，以确保种植的农产品质量高、价格高、收益高。

白芨（Bletilla striata）为兰科白芨属植物，具有良好的药用价值[9]，在我国大部分省区均有分布，在云南省主要分布在昆明、文山、红河、曲靖、宁洱、德宏和西双版纳等地，生长在海拔为500～2 600 m的疏林下阴湿处。白芨块根白色，具有收敛止血、消肿生肌等功效[10]。近年来，由于白芨价格上涨，人们对野生白芨的过度滥采滥挖，加之白芨种子自然萌发率极低，导致野生白芨资源逐年稀少[11-14]。当前与白芨相关的论文及报道较少，仅限于白芨的多糖分析研究等[15-17]。云南省作为白芨的主要产区之一，每年种植企业、种植户数量迅速增长，白芨逐渐占据云南省主要的中药材市场。因此，通过构建云南省白芨种植过程信息采集系统，将采集的数据输入基于广义回归神经网络（general regression neural network，简称GRNN）算法构建的智能模型，预测白芨在单位面积内的产量，并通过信息平台进行展示。

1 材料与方法

1.1 试验数据来源及处理

1.1.1 构建管理信息系统采用软件工程方法学，在.net平台下，采用C#语言构建白芨管理信息系统，系统功能主要有前台功能和后台功能，前台功能包括用户登录、数据上传、论坛等。后台功能包括数据删除、添加，用户权限的修改。用户权限包括管理员、一般用户、会员用户。管理员权限最高，能够浏览前台所有信息，能够在后台修改、删除前台的所用数据以及更改、删除用户权限及信息;一般用户权限最低，只能够浏览信息系统中的部分大众信息;会员用户主要是订购信息，能够从管理信息系统中获取对白芨种植、生产过程中具有价值的数据，能够在论坛中畅所欲言，能够随时与管理员保持交流、获取相关信息。

1.1.2 收集数据构建基于智能算法的白芨产量智能预测系统，实现用户注册、登录、权限管理、种植户（企业）填报相关种植信息、管理员增加或删除用户、上传信息、用户论坛等功能。其中，最主要的功能为收集数据，具体如下。

种植户（企业）在注册成为会员后，首先将进入种植信息上传页面（图1），将种植白芨的信息上传，为收集预测信息做准备。种植户（企业）加入系统之后，将种植的所有信息填写在信息表中，由管理员提取相关信息，用于收集构建智能预测模型的数据。

1.2 试验方法

目前，对白芨的研究停滞于对白芨多糖含量的

研究，将白芨与信息技术结合构建智能预测模型，尚为首例，具有多学科结合的应用创新性。构建白芨产量管理信息系统和基于GRNN算法的产量预测模型的技术路线见图2。

1.2.1 选择算法智能算法构建预测模型，通常采用的智能算法包括人工神经网络算法、灰色算法、聚类分析等算法，每种算法都各有优缺点。例如，近年来最为流行的人工神经网络算法中，BP（back propagation）神经网络算法构建智能模型时，训练样本的时间较长，影响预测的准确率;GRNN算法适用于训练样本较少的智能模型;径向基函数（radial basis function，简称RBF）神经网络算法适用于训练样本较大的智能模型。但是，随着信息技术、人工智能的发展，对智能模型的预测准确度越来越高。魏明桦等将BP神经网络算法进行改进，构建农产品价格預测模型，取得较好的预测效果，具有推广实践的作用[18-19]。郭鹏飞将RBF 神经网络算法进行改进，构建水质预测模型[20]。王李等将遗传算法与BP 神经网络相结合运用于水质预测中[21]。以上研究表明，近年来多位研究者已经将神经网络算法进行改进并运用于各种模型的构建中。但是，在中草药领域构建智能预测模型尚处于应用创新领域。结合白芨管理信息系统的特点以及信息系统建立初期信息量较小等情况，本研究将采用聚类分析结合GRNN算法构建基于改进的GRNN算法的智能模型。

1.2.2 数据处理首先，须要对数据集中空缺数据、异常数据进行处理后才能作为样本数据。出现数据空缺时，根据数据集中前后数据的关系进行填充;发现异常数据时，直接将异常数据删除或者按空缺数据的情况进行处理。

1.2.3 GRNN预测模型构建 GRNN算法适用于小样本的训练集数据的模型构建，如果在数据训练之前，采用聚类算法先将同类数据进行规整，将提高GRNN算法构建智能模型的准确率。具体步骤如下：

（1）在Matlab平台下，采用聚类算法中pdist函数，用于计算输入变量之间的距离;采用linkage函数定义变量之间的连接，cophenetic函数用于评价聚类信息;最后使用cluster函数创建聚类。

（2）使用归一化算法获取的数据集进行归一化处理，所有数据控制在（-1，1）之间。

（3）由于GRNN模型中，第1层输入层神经元个数与学习样本中输入向量维数相等，因此上一步中的数据集作为输入样本（Xn）将直接进入模式层中。

（4）学习样本的数量与模式层中神经元的数量（n）一致，各个神经元（Pn）对应不同的样本。

（5）根据求和公式计算学习样本与模式层中神经元之间的距离。

（6）求和层进行求和后将进入输出层，输出层中各神经元（SD）将求和层的输出数据（SNT）相除，得到模型的预测结果（YK）。

GRNN结构见图3，用GRNN算法构建智能预测模型时将按照图3进行。

2 结果与分析

2.1 确定白芨产量智能预测模型的输入及输入模式

由于该研究构建的信息系统尚未在线运行，以下内容以相同技术环境下的模拟数据进行试验。在温度可以恒定的温室大棚中，将种植户（企业）提供的浇水、施肥、喷洒农药量等信息，进行归一化处理后，作为输入层的数据向量，确定GRNN算法的输入层神经元个数为5，由于白芨产量作为输出目标，确定输出层的神经元个数为1。

2.2 基于GRNN算法的智能预测模型的实现

2.2.1 试验数据由于该研究中，白芨管理信息系统仅作为科学研究使用，尚未推出市场。本研究采用模拟数据进行试验，白芨产量预测系统中影响产量的因子的部分模拟数据见表1、表2。

2.2.2 智能模型训练此次试验采用了模拟数据，按照GRNN算法构建智能模型的要求，在Matlab平台下，编写训练程序，建立基于智能算法的白芨产量预测模型。

2.2.3 GRNN算法构建白芨产量智能预测模型的实现由于GRNN算法实用于样本较小的智能预测模型构建。采用GRNN算法构建白芨产量智能预测模型的预测结果见表3，与试验数据相比较，预测准确率达到80%以上，具有较好的预测准确率。

2.3 预测结果分析

从网络预测误差进行分析，网络预测误差见图4，试验中将光滑因子设置为0.01，目的为了提高预测的准确率，由于试验数据为模拟数据，预测结果的准确率控制在90%以内，视为较精确的预测率。

由表3、图4可知，该模型具有较为精确的预测率，表明基于GRNN算法构建白芨产量预测模型是合理可行的，显示出模型的选择算法的可行性，与传统的预测方法相比较具有更好的实用性和推广性。该模型不仅适用于白芨产量的预测，在适度改变参数的状况下也适用于白芨质量智能预测模型的构建，为云南中药材行业的健康发展提供了新路径。

3 结论与讨论

白芨作为重要的中药材之一，在日常的生产、生活中具有重要的药用价值，将白芨产业与智能算法、软件工程等多学科相结合，可实现白芨产业的信息化发展，具有应用创新性。

本研究将聚类分析与GRNN算法相结合构建基于智能算法的白芨产量预测系统，充分将智能算法、软件工程等信息技术与白芨产业的发展现状相结合，构建白芨产业的大数据中心雏形。规避了传统人工神经网络算法的缺点，提高了预测的准确率。本研究将智能预测模型与管理信息系统相结合，实现种植户、种植企业提供数据，管理员收集数据、利用智能模型分析数据、提供信息，其他用户支付数据信息费用等类生态循环圈。

如图5所示，在构建白芨管理信息系统的同时，如果将智能模型嵌入管理信息系统中，使得原本只能“听”代码指挥的系统具有模拟人工的智慧。一是采用聚类分析结合GRNN算法构建基于改进的GRNN算法的智能预测模型。二是构建白芨管理信息系统，在信息系统中设置预测模型的接口，用于上传预测结果，并根据不同的权限进行展示，将实现智能预测系统在农业领域中的創新型应用。

参考文献：

[1]王剑，吴定峰. 大数据视角下农业科研信息资源共建共享模式探索[J]. 中国农学通报，2017，33（11）：147-152.

[2]Hygh J S，Decarolis J F，Hill D B，et al. Multivariate regression as an energy assessment tool in early building design[J]. Building and Environment，2012，57（17）：165-175.

[3]Ferreira P M，Ruano A E，Silva S，et al. Neural networks based predictive control for thermal comfort and energy savings in public buildings[J]. Energy and Buildings，2012，55：238-251.

[4]Leephakpreeda T. Grey prediction on indoor comfort tempera-ture for HVAC systems[J]. Expert Systems with Applications，2008，34（4）：2284-2289.

[5]Kristiansen T. A time series spot price forecast model for the Nord Pool market[J]. International Journal of Electrical Power & Energy Systems，2014，61：20-26.

[6]Rojas I，Valenzuela O，Rojas F，et al. Soft-computing techniques and ARMA model for time series prediction[J]. Neurocomputing，2008，71（4）：519-537.

[7]Buncic D，Moretto C. Forecasting Copper prices with dynamic averaging and selection models[J]. The North American Journal of Economics and Finance，2015，33：1-38.

[8]段青玲，張磊，魏芳芳，等. 基于时间序列GA-SVR的水产品价格预测模型及验证[J]. 农业工程学报，2017，33（1）：308-314.

[9]王宝森，白红丽，张虹，等. 云南蒙自野生白芨中矿质元素含量分析[J]. 北方园艺，2011（2）：181-182.

[10]张永为，蒋福升，王寅，等. 白及产业现状及可持续发展的探讨[J]. 中华中医药学刊，2012，30（10）：17-19.

[11]李嵘，王喆之. 白及的研究概述及其资源利用对策[J]. 中草药，2006，37（11）：1751-1755.

[12]张亦诚. 白芨的生物特性及栽培技术[J]. 农业科技与信息，2007（11）：45.

[13]刘逢芹，夏丽娅. 中药白芨的现代研究概况[J]. 山东医药工业，2000（7）：32-33.

[14]于占国，刘贤旺. 白芨研究进展[J]. 江西林业科技，2002（5）：42-44.

[15]张颖，周岐新，赖舒. 白芨多糖对骨髓造血功能的影响[J]. 中药药理与临床，2009，25（4）：35-37.

[16]芮海云，吴国荣，陈景耀，等. 白芨中性多糖抗氧化作用的实验研究[J]. 南京师大学报（自然科学版），2003，26（4）：94-98.

[17]芮海云，吴国荣，陈景耀，等. 白芨中性杂多糖的分离纯化与结构分析[J]. 安徽农业大学学报，2004，31（1）：30-33.

[18]魏明桦，郑金贵. 基于改进BP神经算法的农产品价格预测模型的构建与实现[J]. 唐山师范学院学报，2014，36（2）：66-68.

[19]张永超，赵录怀，王昊，等. 基于环境气体信息的BP神经网络苹果贮藏品质预测[J]. 江苏农业学报，2020，36（1）：194-198.