葉嬋，鄧長輝，曹向南，劉駿，姜玉聲

(1．大連海洋大學信息工程學院，遼寧大連116023;2．大連海洋大學機械與動力工程學院，遼寧大連116023;3．大連海洋大學海洋科技與環(huán)境學院，遼寧大連116023;4．大連海洋大學水產(chǎn)與生命學院，遼寧大連116023)

2010年，一場蝦病席卷中國整個對蝦養(yǎng)殖業(yè)，造成了嚴重的經(jīng)濟損失。時至今日，病害問題仍然是對蝦養(yǎng)殖環(huán)節(jié)最大的問題。目前，在基層進行蝦病診斷的專家相對短缺，導致蝦病診斷與防治不及時，延誤病情，甚至有可能使疾病擴散開來。因此，為指導基層養(yǎng)殖戶和集約化養(yǎng)殖場技術人員科學養(yǎng)殖對蝦，開發(fā)對蝦病害診斷與防治專家系統(tǒng)是很有必要的［1-7］。

對蝦病害防治專家系統(tǒng)是蝦蟹養(yǎng)殖專家系統(tǒng)的一個子系統(tǒng)，也是集約化水產(chǎn)養(yǎng)殖數(shù)字化系統(tǒng)的重要組成部分。該系統(tǒng)運用智能化信息處理技術、網(wǎng)絡技術，將匯集總結(jié)的蝦、蟹養(yǎng)殖領域?qū)＜业闹R和經(jīng)驗展現(xiàn)在用戶面前。采用BP神經(jīng)網(wǎng)絡與專家系統(tǒng)相結(jié)合的設計方法，解決了傳統(tǒng)專家系統(tǒng)知識獲取的“瓶頸”，如推理能力弱、智能水平低、實用性差等問題［8-13］。通過對收集到的對蝦病害診治數(shù)據(jù)進行處理，設計并構建BP網(wǎng)絡，編碼實現(xiàn)，進行訓練，最終得到了比較準確的診斷結(jié)果。

1 系統(tǒng)設計

1.1 系統(tǒng)構架

系統(tǒng)在瀏覽器、Web服務器和數(shù)據(jù)庫服務器的B/S三層架構下，通過Web瀏覽器實現(xiàn)用戶工作界面;運用 ASP．NET技術，以 Visual Studio 2010為開發(fā)平臺，用C#語言編程開發(fā)動態(tài)、交互、高性能的Web服務應用程序;利用SQL Server 2008數(shù)據(jù)庫，實現(xiàn)對蝦病害防治信息的數(shù)據(jù)庫和神經(jīng)網(wǎng)絡知識庫的后臺數(shù)據(jù)管理。該系統(tǒng)的體系結(jié)構如圖1所示。

用戶通過瀏覽器登錄系統(tǒng)，選擇對蝦的種類，了解和掌握該種類對蝦生態(tài)學特征、養(yǎng)殖情況、養(yǎng)殖要點等相關信息和知識，完成對蝦病害查詢和病害診斷。領域?qū)＜覍ξr疾病癥狀和典型病例等信息輸入到數(shù)據(jù)庫，訓練神經(jīng)網(wǎng)絡，形成神經(jīng)網(wǎng)絡知識庫，利用BP神經(jīng)網(wǎng)絡實現(xiàn)自學習功能。用戶選擇患病對蝦癥狀，系統(tǒng)根據(jù)輸入癥狀通過BP神經(jīng)網(wǎng)絡推理策略來推斷對蝦所患疾病，并將該病的詳細情況，包括病原、流行情況、防治方法等信息返回給用戶，系統(tǒng)也會根據(jù)用戶的診斷結(jié)果做相應的記錄，以便提供給知識工程師和領域?qū)＜疫M一步完善知識庫。

1.2 系統(tǒng)功能模塊

根據(jù)專家系統(tǒng)具體實現(xiàn)功能，系統(tǒng)功能模塊主要分為四部分:用戶管理模塊、數(shù)據(jù)庫管理模塊、知識庫管理模塊和病害防治模塊，如圖2所示。

圖1 系統(tǒng)體系結(jié)構Fig.1 The architecture in the system

圖2 系統(tǒng)功能模塊劃分Fig.2 The function modules in the system

用戶管理模塊主要是對用戶的登錄及注冊信息進行管理;數(shù)據(jù)庫管理模塊主要管理癥狀和疾病相關信息，可以實現(xiàn)更新、添加、刪除、查詢等功能;知識庫管理模塊主要存儲典型病例知識及神經(jīng)網(wǎng)絡知識，可以實現(xiàn)更新、添加、刪除、查詢等功能;病害防治模塊主要分為病害查詢模塊和病害診斷模塊，用戶可以實現(xiàn)對蝦病害信息的查詢，以及利用神經(jīng)網(wǎng)絡的自學習功能進行對蝦病害的診斷。

1.3 文件組織結(jié)構

每個項目都會有相應的文件夾組織結(jié)構，本系統(tǒng)按照三層架構的模式來開發(fā)，包括4個項目文件夾，如圖3所示。CrustaceansSystem．BLL用于實現(xiàn)業(yè)務邏輯層，主要負責數(shù)據(jù)的傳遞和處理;CrustaceansSystem．DAL用于數(shù)據(jù)訪問層，主要實現(xiàn)對數(shù)據(jù)的讀取、保存和更新等操作;CrustaceansSystem．Models用于實現(xiàn)模型層，包含所有與數(shù)據(jù)庫中的表相對應的實體類;ASP．NET網(wǎng)站文件為表示層，用于顯示和接收用戶提交的數(shù)據(jù)，為用戶提供交互式的界面［14］。

1.4 數(shù)據(jù)庫設計

圖3 系統(tǒng)文件組織結(jié)構Fig.3 The file structure in the system

對蝦病害防治專家系統(tǒng)的數(shù)據(jù)庫主要由四部分組成:癥狀庫、疾病庫、規(guī)則庫和病例庫。癥狀庫是存放與對蝦病害相關癥狀的名稱、文字描述和圖片等相關信息的數(shù)據(jù)庫，這里將對蝦的癥狀進行了分類，分為攝食情況、行為特征、蝦體癥狀、鏡/剖檢四類。疾病庫主要存放對蝦的疾病名稱、病原、流行規(guī)律、防治方法等相關信息，是診斷的結(jié)論部分。規(guī)則庫中存儲的是通過樣本訓練而得到的神經(jīng)網(wǎng)絡推理規(guī)則，將通過對神經(jīng)網(wǎng)絡的訓練把知識變換為網(wǎng)絡的連接權值和閾值分布存儲起來。病例庫中存儲的是典型病例以及用來訓練神經(jīng)網(wǎng)絡的病例樣本，包括癥狀與對應的疾病相關信息。

2 BP神經(jīng)網(wǎng)絡的構建

根據(jù)BP神經(jīng)網(wǎng)絡的構建原則以及以往經(jīng)驗，以對蝦疾病癥狀為輸入變量，疾病名稱為輸出變量，確定網(wǎng)絡層數(shù)、各層節(jié)點數(shù)和激活函數(shù)，構建神經(jīng)網(wǎng)絡模型［15］。

2.1 BP網(wǎng)絡結(jié)構設計

理論上已經(jīng)證明:具有偏差和至少一個S型隱含層和一個線性輸出層的網(wǎng)絡，便能逼近所有有理數(shù)。雖然增加隱含層層數(shù)可以降低誤差，提高精度，但同時也使網(wǎng)絡復雜化，訓練時間更長。實際上，也可以通過增加神經(jīng)元數(shù)目來提高誤差精度，其訓練效果也比增加隱含層層數(shù)更容易觀察和調(diào)整。故本系統(tǒng)采用含有一個隱含層的3層BP神經(jīng)網(wǎng)絡，其結(jié)構如圖4所示。在網(wǎng)絡的訓練過程中，通過調(diào)整隱含層的神經(jīng)元數(shù)目來提高精度。

圖4 BP網(wǎng)絡結(jié)構圖Fig.4 BP network structure

2.2 輸入輸出層設計

系統(tǒng)根據(jù)每個疾病癥狀的輸入樣本集為各節(jié)點確定輸入值，每個節(jié)點對應一種癥狀，當用戶選中某條癥狀時，該節(jié)點賦值為1，無此癥狀時，該節(jié)點賦值為0。輸出變量對應病害的名稱，輸出節(jié)點數(shù)為疾病的總數(shù)目，如果是該病，則得到該節(jié)點值為1，反之，節(jié)點值則為0。例如該系統(tǒng)中總結(jié)的南美白對蝦的疾病癥狀共有84種，病害種類有23種，即輸入層節(jié)點數(shù)84個，輸出層節(jié)點數(shù)23個。

2.3 隱含層設計

隱含層的節(jié)點數(shù)先用經(jīng)驗公式 (1)確定一個相對較小的節(jié)點數(shù):

其中:ni為輸入層節(jié)點數(shù);no為輸出層節(jié)點數(shù)。然后根據(jù)訓練收斂速度和測試的誤差來決定是否增加隱含層節(jié)點數(shù)，直到網(wǎng)絡收斂為止［16］。

2.4 訓練參數(shù)設置

(1)激勵函數(shù)。對于如圖4所示BP網(wǎng)絡的正向計算，輸入層節(jié)點的輸入和輸出相同，由式(2)計算得到隱含層的輸入neti，后經(jīng)激勵函數(shù)處理即得隱含層輸出yi，如式 (3)。輸出層的計算方法與隱含層相同，這里隱含層和輸出層的激勵函數(shù)均采用S型函數(shù)，將網(wǎng)絡的輸出限制在 (0，1)之間。

其中:xh為輸入層第h個神經(jīng)元的輸入值;vih為輸入層第h個神經(jīng)元到隱含層第i個神經(jīng)元的連接權值;ai為隱含層第i個神經(jīng)元的閾值。

(2)權值和閾值初始化。為了使每個節(jié)點的輸出值經(jīng)過初始加權后都接近于0，這里將輸入層與隱含層的連接權值vih、隱含層與輸出層的連接權值wji、隱含層各神經(jīng)元閾值ai和輸出層各神經(jīng)元閾值bj均初始化為一個 (-1，1)區(qū)間內(nèi)的隨機數(shù)，從而保證它們的權值都能夠在S型激勵函數(shù)變化最大處進行調(diào)節(jié)。

(3)誤差函數(shù)與誤差精度。在BP網(wǎng)絡的反向傳播過程中，對于m個訓練樣本的總誤差準則函數(shù)如下:

(4)學習速率和權值閾值調(diào)整。學習速率決定了每一次循環(huán)訓練中權值所產(chǎn)生的變化量。一般傾向于選取較小的學習速率以保證系統(tǒng)的穩(wěn)定性，這里將初始學習速率η設為0．01，并且采用變化的自適應學習速率，根據(jù)權值對誤差的影響進行調(diào)整。根據(jù)以下公式對權值閾值進行調(diào)整:

輸出層權值調(diào)整公式為

輸出層閾值調(diào)整公式為

隱含層權值調(diào)整公式為

隱含層閾值調(diào)整公式為

3 系統(tǒng)實現(xiàn)

蝦蟹養(yǎng)殖專家系統(tǒng)以Visual Studio 2010為集成開發(fā)環(huán)境，運用ASP．NET技術、C#程序編程語言和JavaScript腳本語言實現(xiàn)用戶交互界面和計算邏輯，客戶端不需要加載任何其他組件，用戶只需通過瀏覽器即可使用系統(tǒng)的各項功能。對蝦病害診斷專家系統(tǒng)是其主要的子系統(tǒng)，不僅擁有大量的數(shù)據(jù)和圖片，還具備分析、預測和輔助診斷的能力。不僅實現(xiàn)了對蝦病害診斷與防治的數(shù)字化、智能化和網(wǎng)絡化，更重要的是利用BP神經(jīng)網(wǎng)絡實現(xiàn)了系統(tǒng)的自學習功能，讓病害診斷不僅僅局限在已知病例知識的查詢上。系統(tǒng)的功能模塊有很多，本研究中僅簡單介紹其中兩個模塊的實現(xiàn)過程。

3.1 用戶登錄界面

系統(tǒng)采用自然化、人性化設計風格設計了清新自然、簡潔明了的用戶登錄界面，模塊功能齊全，操作簡單，如圖5所示。

圖5 用戶登錄界面Fig.5 User login interface

3.2 對蝦病害防治子系統(tǒng)

此子系統(tǒng)是整個系統(tǒng)的核心組成部分，包括對蝦的診斷防治、疾病瀏覽、疾病查詢等功能。在病害診斷部分，用戶通過選擇癥狀，系統(tǒng)通過訓練好的BP神經(jīng)網(wǎng)絡進行推理診斷，將診斷結(jié)果返回給用戶，包括該病的病原、流行規(guī)律、防治方法等相關信息。系統(tǒng)的運行實例簡要介紹如下。

(1)BP網(wǎng)絡的訓練。系統(tǒng)的后臺負責對BP神經(jīng)網(wǎng)絡的管理，包括網(wǎng)絡參數(shù)的設置，訓練樣本的添加與刪除等，如圖6所示。

病害診斷BP神經(jīng)網(wǎng)絡推理過程實現(xiàn)的部分關鍵代碼如下:

計算隱含層節(jié)點數(shù)代碼:

計算隱含層的輸入和輸出代碼:

計算輸出層的輸入和輸出代碼:

圖6 BP網(wǎng)絡管理界面Fig.6 Interface of BP network management

(2)實現(xiàn)診斷。診斷界面如圖7所示，用戶進入前臺系統(tǒng)后，選擇疾病癥狀，通過后臺訓練好的BP神經(jīng)網(wǎng)絡進行計算，實現(xiàn)對疾病的診斷。

圖7 病害診斷界面Fig.7 Interface of disease diagnosis

［1］蘭天堯．親歷病蝦四次病害防治［N］．中國漁業(yè)報，2014-09-08(B02)．

［2］鄧昌明．南美白對蝦病害困擾浙江養(yǎng)殖戶［N］．中國漁業(yè)報，2014-11-10(B02)．

［3］劉志玲，唐啟勝．對蝦病害的防治方法［J］．科學養(yǎng)魚，2014(8):89．

［4］劉雙印，徐龍琴，沈玉利．基于．NET的對蝦病害防治專家系統(tǒng)的設計與實現(xiàn)［J］．計算機工程與設計，2008，29(13):3444-3447．

［5］段金榮，張紅燕，劉凱，等．基于WebGIS水產(chǎn)動物疾病專家系統(tǒng)的設計與實現(xiàn)［J］．中國農(nóng)業(yè)科技導報，2008，10(5):99-103．

［6］于毅，徐睿，劉鑫，等．專家系統(tǒng)在水產(chǎn)養(yǎng)殖病害上的應用與發(fā)展［J］．北京農(nóng)業(yè)，2011(8):42-43．

［7］曹晶，謝駿，王海英，等．基于BP神經(jīng)網(wǎng)絡的水產(chǎn)健康養(yǎng)殖專家系統(tǒng)設計與實現(xiàn)［J］．湘潭大學自然科學學報，2010(3):117-121．

［8］張昕，鄧長輝．BP神經(jīng)網(wǎng)絡在水質(zhì)參數(shù)預測中的應用［J］．大連海洋大學學報，2012，27(S):86-88．

［9］高艷萍，于紅，崔新忠．基于優(yōu)化BP網(wǎng)絡的工廠化水產(chǎn)養(yǎng)殖水質(zhì)預測模型的實現(xiàn)［J］．大連海洋大學學報，2008，23(3):221-224．

［10］Deng C H，Lin X L，Gu J，et al．Expert system for fish disease diagnosis based on neural network［C］//2012 Second International Conference on Electric Information and Control Engineering，Jiangxi，China，2012:3640-3644．

［11］Gu J，Deng C H，Lin X L，et al．Expert system for fish disease diagnosis based on fuzzy neural network［C］//ICICIP 2012 3rd International Conference on Intelligent Control and Information Processing，Dalian，China，2012:146-149．

［12］Deng C H，Wang W，Gu J，et al．Research of fish disease diagnosis expert system based on artificial neural networks［C］//The Fifth Chinese Conference on Parallel Control，Parallel Management and Social Computing，Qingdao，China，2013:591-595．

［13］鐘昌樂，鐘勇，李寧．基于BP神經(jīng)網(wǎng)絡的畜禽疾病診斷專家系統(tǒng)的設計與實現(xiàn)［J］．現(xiàn)代計算機:專業(yè)版，2010(4):23-26．

［14］楊紅利．陶瓷配方專家系統(tǒng)的研究與設計［D］．西安:陜西科技大學，2012．

［15］葉進，邢傳鼎．基于人工神經(jīng)網(wǎng)絡的病癥診斷原型系統(tǒng)［J］．東華大學學報:自然科學版，2004，29(4):43-47．

［16］陳強，吳平，鄭麗敏．基于BP神經(jīng)網(wǎng)絡的水牛疾病診斷專家系統(tǒng)［J］．計算機工程與設計，2008，29(6):1485-1488．