錢曄 孫吉紅 李曉曙 徐敏 劉庭 姜微微

摘要：為確保白芨種植戶（企業(yè)）獲得最大的經(jīng)濟(jì)效益，科研人員取得精確的數(shù)據(jù)進(jìn)行科學(xué)研究。首先，收集白芨種植過程中，澆水量、施肥量、噴灑農(nóng)藥量以及對應(yīng)的單位面積產(chǎn)量等數(shù)據(jù)，構(gòu)建基于廣義回歸神經(jīng)網(wǎng)絡(luò)（general regression neural network，簡稱GRNN）算法的智能預(yù)測模型對特定種植條件下白芨的產(chǎn)量進(jìn)行預(yù)測，得到不同種植環(huán)境下白芨的不同產(chǎn)量數(shù)據(jù);然后，將這些數(shù)據(jù)輸入信息系統(tǒng)中，為用戶提供數(shù)據(jù)，以便于在最適合的條件下種植白芨。試驗結(jié)果表明，GRNN在小樣本構(gòu)建智能預(yù)測模型時能夠取得較好的預(yù)測效果。因此，在白芨種植過程中，當(dāng)測試數(shù)據(jù)、輸入數(shù)據(jù)不斷增大的同時，采用該模型能夠為種植戶（企業(yè)）提高更精準(zhǔn)的種植信息，最大化地提高產(chǎn)量，增加經(jīng)濟(jì)效益;為科研人員提供準(zhǔn)確的數(shù)據(jù)確保研究成果的真實性。

關(guān)鍵詞：白芨;智能;預(yù)測;GRNN算法;產(chǎn)量

中圖分類號： S126 ?文獻(xiàn)標(biāo)志碼： A ?文章編號：1002-1302（2021）09-0190-05

大數(shù)據(jù)時代的到來，使各種農(nóng)業(yè)數(shù)據(jù)爆炸式增長[1]，加速了農(nóng)業(yè)信息技術(shù)、云計算、智能算法的發(fā)展，為建立各類農(nóng)業(yè)大數(shù)據(jù)中心提供了基礎(chǔ)數(shù)據(jù)。同時，全國各省市農(nóng)業(yè)大數(shù)據(jù)中心陸續(xù)推動了數(shù)據(jù)分析方法的發(fā)展，將已經(jīng)處于邊沿地帶的各種算法重新拉回了信息技術(shù)的核心位置，并處于不斷完善和改進(jìn)中。針對農(nóng)業(yè)種植行業(yè)，近年來，國內(nèi)外學(xué)者采用回歸預(yù)測法、神經(jīng)網(wǎng)絡(luò)法和灰色預(yù)測法等[2-4]進(jìn)行了深入研究，其中時間序列模型對于非線性的預(yù)測并不理想[5-8]，智能算法成為了主流預(yù)測方法。本研究采用傳統(tǒng)農(nóng)業(yè)技術(shù)與信息技術(shù)（神經(jīng)網(wǎng)絡(luò)算法、云計算等）相結(jié)合的方式，開展農(nóng)業(yè)信息技術(shù)活動，將神經(jīng)網(wǎng)絡(luò)算法進(jìn)行改進(jìn)，把統(tǒng)計的農(nóng)業(yè)數(shù)據(jù)作為訓(xùn)練數(shù)據(jù)，構(gòu)建智能預(yù)測模型，以確保種植的農(nóng)產(chǎn)品質(zhì)量高、價格高、收益高。

白芨（Bletilla striata）為蘭科白芨屬植物，具有良好的藥用價值[9]，在我國大部分省區(qū)均有分布，在云南省主要分布在昆明、文山、紅河、曲靖、寧洱、德宏和西雙版納等地，生長在海拔為500～2 600 m的疏林下陰濕處。白芨塊根白色，具有收斂止血、消腫生肌等功效[10]。近年來，由于白芨價格上漲，人們對野生白芨的過度濫采濫挖，加之白芨種子自然萌發(fā)率極低，導(dǎo)致野生白芨資源逐年稀少[11-14]。當(dāng)前與白芨相關(guān)的論文及報道較少，僅限于白芨的多糖分析研究等[15-17]。云南省作為白芨的主要產(chǎn)區(qū)之一，每年種植企業(yè)、種植戶數(shù)量迅速增長，白芨逐漸占據(jù)云南省主要的中藥材市場。因此，通過構(gòu)建云南省白芨種植過程信息采集系統(tǒng)，將采集的數(shù)據(jù)輸入基于廣義回歸神經(jīng)網(wǎng)絡(luò)（general regression neural network，簡稱GRNN）算法構(gòu)建的智能模型，預(yù)測白芨在單位面積內(nèi)的產(chǎn)量，并通過信息平臺進(jìn)行展示。

1 材料與方法

1.1 試驗數(shù)據(jù)來源及處理

1.1.1 構(gòu)建管理信息系統(tǒng) 采用軟件工程方法學(xué)，在.net平臺下，采用C#語言構(gòu)建白芨管理信息系統(tǒng)，系統(tǒng)功能主要有前臺功能和后臺功能，前臺功能包括用戶登錄、數(shù)據(jù)上傳、論壇等。后臺功能包括數(shù)據(jù)刪除、添加，用戶權(quán)限的修改。用戶權(quán)限包括管理員、一般用戶、會員用戶。管理員權(quán)限最高，能夠瀏覽前臺所有信息，能夠在后臺修改、刪除前臺的所用數(shù)據(jù)以及更改、刪除用戶權(quán)限及信息;一般用戶權(quán)限最低，只能夠瀏覽信息系統(tǒng)中的部分大眾信息;會員用戶主要是訂購信息，能夠從管理信息系統(tǒng)中獲取對白芨種植、生產(chǎn)過程中具有價值的數(shù)據(jù)，能夠在論壇中暢所欲言，能夠隨時與管理員保持交流、獲取相關(guān)信息。

1.1.2 收集數(shù)據(jù) 構(gòu)建基于智能算法的白芨產(chǎn)量智能預(yù)測系統(tǒng)，實現(xiàn)用戶注冊、登錄、權(quán)限管理、種植戶（企業(yè)）填報相關(guān)種植信息、管理員增加或刪除用戶、上傳信息、用戶論壇等功能。其中，最主要的功能為收集數(shù)據(jù)，具體如下。

種植戶（企業(yè)）在注冊成為會員后，首先將進(jìn)入種植信息上傳頁面（圖1），將種植白芨的信息上傳，為收集預(yù)測信息做準(zhǔn)備。種植戶（企業(yè)）加入系統(tǒng)之后，將種植的所有信息填寫在信息表中，由管理員提取相關(guān)信息，用于收集構(gòu)建智能預(yù)測模型的數(shù)據(jù)。

1.2 試驗方法

目前，對白芨的研究停滯于對白芨多糖含量的

研究，將白芨與信息技術(shù)結(jié)合構(gòu)建智能預(yù)測模型，尚為首例，具有多學(xué)科結(jié)合的應(yīng)用創(chuàng)新性。構(gòu)建白芨產(chǎn)量管理信息系統(tǒng)和基于GRNN算法的產(chǎn)量預(yù)測模型的技術(shù)路線見圖2。

1.2.1 選擇算法 智能算法構(gòu)建預(yù)測模型，通常采用的智能算法包括人工神經(jīng)網(wǎng)絡(luò)算法、灰色算法、聚類分析等算法，每種算法都各有優(yōu)缺點。例如，近年來最為流行的人工神經(jīng)網(wǎng)絡(luò)算法中，BP（back propagation）神經(jīng)網(wǎng)絡(luò)算法構(gòu)建智能模型時，訓(xùn)練樣本的時間較長，影響預(yù)測的準(zhǔn)確率;GRNN算法適用于訓(xùn)練樣本較少的智能模型;徑向基函數(shù)（radial basis function，簡稱RBF）神經(jīng)網(wǎng)絡(luò)算法適用于訓(xùn)練樣本較大的智能模型。但是，隨著信息技術(shù)、人工智能的發(fā)展，對智能模型的預(yù)測準(zhǔn)確度越來越高。魏明樺等將BP神經(jīng)網(wǎng)絡(luò)算法進(jìn)行改進(jìn)，構(gòu)建農(nóng)產(chǎn)品價格預(yù)測模型，取得較好的預(yù)測效果，具有推廣實踐的作用[18-19]。郭鵬飛將RBF 神經(jīng)網(wǎng)絡(luò)算法進(jìn)行改進(jìn)，構(gòu)建水質(zhì)預(yù)測模型[20]。王李等將遺傳算法與BP 神經(jīng)網(wǎng)絡(luò)相結(jié)合運用于水質(zhì)預(yù)測中[21]。以上研究表明，近年來多位研究者已經(jīng)將神經(jīng)網(wǎng)絡(luò)算法進(jìn)行改進(jìn)并運用于各種模型的構(gòu)建中。但是，在中草藥領(lǐng)域構(gòu)建智能預(yù)測模型尚處于應(yīng)用創(chuàng)新領(lǐng)域。結(jié)合白芨管理信息系統(tǒng)的特點以及信息系統(tǒng)建立初期信息量較小等情況，本研究將采用聚類分析結(jié)合GRNN算法構(gòu)建基于改進(jìn)的GRNN算法的智能模型。

1.2.2 數(shù)據(jù)處理 首先，須要對數(shù)據(jù)集中空缺數(shù)據(jù)、異常數(shù)據(jù)進(jìn)行處理后才能作為樣本數(shù)據(jù)。出現(xiàn)數(shù)據(jù)空缺時，根據(jù)數(shù)據(jù)集中前后數(shù)據(jù)的關(guān)系進(jìn)行填充;發(fā)現(xiàn)異常數(shù)據(jù)時，直接將異常數(shù)據(jù)刪除或者按空缺數(shù)據(jù)的情況進(jìn)行處理。

1.2.3 GRNN預(yù)測模型構(gòu)建 GRNN算法適用于小樣本的訓(xùn)練集數(shù)據(jù)的模型構(gòu)建，如果在數(shù)據(jù)訓(xùn)練之前，采用聚類算法先將同類數(shù)據(jù)進(jìn)行規(guī)整，將提高GRNN算法構(gòu)建智能模型的準(zhǔn)確率。具體步驟如下：

（1）在Matlab平臺下，采用聚類算法中pdist函數(shù)，用于計算輸入變量之間的距離;采用linkage函數(shù)定義變量之間的連接，cophenetic函數(shù)用于評價聚類信息;最后使用cluster函數(shù)創(chuàng)建聚類。

（2）使用歸一化算法獲取的數(shù)據(jù)集進(jìn)行歸一化處理，所有數(shù)據(jù)控制在（-1，1）之間。

（3）由于GRNN模型中，第1層輸入層神經(jīng)元個數(shù)與學(xué)習(xí)樣本中輸入向量維數(shù)相等，因此上一步中的數(shù)據(jù)集作為輸入樣本（Xn）將直接進(jìn)入模式層中。

（4）學(xué)習(xí)樣本的數(shù)量與模式層中神經(jīng)元的數(shù)量（n）一致，各個神經(jīng)元（Pn）對應(yīng)不同的樣本。

（5）根據(jù)求和公式計算學(xué)習(xí)樣本與模式層中神經(jīng)元之間的距離。

（6）求和層進(jìn)行求和后將進(jìn)入輸出層，輸出層中各神經(jīng)元（SD）將求和層的輸出數(shù)據(jù)（SNT）相除，得到模型的預(yù)測結(jié)果（YK）。

GRNN結(jié)構(gòu)見圖3，用GRNN算法構(gòu)建智能預(yù)測模型時將按照圖3進(jìn)行。

2 結(jié)果與分析

2.1 確定白芨產(chǎn)量智能預(yù)測模型的輸入及輸入模式

由于該研究構(gòu)建的信息系統(tǒng)尚未在線運行，以下內(nèi)容以相同技術(shù)環(huán)境下的模擬數(shù)據(jù)進(jìn)行試驗。在溫度可以恒定的溫室大棚中，將種植戶（企業(yè)）提供的澆水、施肥、噴灑農(nóng)藥量等信息，進(jìn)行歸一化處理后，作為輸入層的數(shù)據(jù)向量，確定GRNN算法的輸入層神經(jīng)元個數(shù)為5，由于白芨產(chǎn)量作為輸出目標(biāo)，確定輸出層的神經(jīng)元個數(shù)為1。

2.2 基于GRNN算法的智能預(yù)測模型的實現(xiàn)

2.2.1 試驗數(shù)據(jù) 由于該研究中，白芨管理信息系統(tǒng)僅作為科學(xué)研究使用，尚未推出市場。本研究采用模擬數(shù)據(jù)進(jìn)行試驗，白芨產(chǎn)量預(yù)測系統(tǒng)中影響產(chǎn)量的因子的部分模擬數(shù)據(jù)見表1、表2。

2.2.2 智能模型訓(xùn)練 此次試驗采用了模擬數(shù)據(jù)，按照GRNN算法構(gòu)建智能模型的要求，在Matlab平臺下，編寫訓(xùn)練程序，建立基于智能算法的白芨產(chǎn)量預(yù)測模型。

2.2.3 GRNN算法構(gòu)建白芨產(chǎn)量智能預(yù)測模型的實現(xiàn) 由于GRNN算法實用于樣本較小的智能預(yù)測模型構(gòu)建。采用GRNN算法構(gòu)建白芨產(chǎn)量智能預(yù)測模型的預(yù)測結(jié)果見表3，與試驗數(shù)據(jù)相比較，預(yù)測準(zhǔn)確率達(dá)到80%以上，具有較好的預(yù)測準(zhǔn)確率。

2.3 預(yù)測結(jié)果分析

從網(wǎng)絡(luò)預(yù)測誤差進(jìn)行分析，網(wǎng)絡(luò)預(yù)測誤差見圖4，試驗中將光滑因子設(shè)置為0.01，目的為了提高預(yù)測的準(zhǔn)確率，由于試驗數(shù)據(jù)為模擬數(shù)據(jù)，預(yù)測結(jié)果的準(zhǔn)確率控制在90%以內(nèi)，視為較精確的預(yù)測率。

由表3、圖4可知，該模型具有較為精確的預(yù)測率，表明基于GRNN算法構(gòu)建白芨產(chǎn)量預(yù)測模型是合理可行的，顯示出模型的選擇算法的可行性，與傳統(tǒng)的預(yù)測方法相比較具有更好的實用性和推廣性。該模型不僅適用于白芨產(chǎn)量的預(yù)測，在適度改變參數(shù)的狀況下也適用于白芨質(zhì)量智能預(yù)測模型的構(gòu)建，為云南中藥材行業(yè)的健康發(fā)展提供了新路徑。

3 結(jié)論與討論

白芨作為重要的中藥材之一，在日常的生產(chǎn)、生活中具有重要的藥用價值，將白芨產(chǎn)業(yè)與智能算法、軟件工程等多學(xué)科相結(jié)合，可實現(xiàn)白芨產(chǎn)業(yè)的信息化發(fā)展，具有應(yīng)用創(chuàng)新性。

本研究將聚類分析與GRNN算法相結(jié)合構(gòu)建基于智能算法的白芨產(chǎn)量預(yù)測系統(tǒng)，充分將智能算法、軟件工程等信息技術(shù)與白芨產(chǎn)業(yè)的發(fā)展現(xiàn)狀相結(jié)合，構(gòu)建白芨產(chǎn)業(yè)的大數(shù)據(jù)中心雛形。規(guī)避了傳統(tǒng)人工神經(jīng)網(wǎng)絡(luò)算法的缺點，提高了預(yù)測的準(zhǔn)確率。本研究將智能預(yù)測模型與管理信息系統(tǒng)相結(jié)合，實現(xiàn)種植戶、種植企業(yè)提供數(shù)據(jù)，管理員收集數(shù)據(jù)、利用智能模型分析數(shù)據(jù)、提供信息，其他用戶支付數(shù)據(jù)信息費用等類生態(tài)循環(huán)圈。

如圖5所示，在構(gòu)建白芨管理信息系統(tǒng)的同時，如果將智能模型嵌入管理信息系統(tǒng)中，使得原本只能“聽”代碼指揮的系統(tǒng)具有模擬人工的智慧。一是采用聚類分析結(jié)合GRNN算法構(gòu)建基于改進(jìn)的GRNN算法的智能預(yù)測模型。二是構(gòu)建白芨管理信息系統(tǒng)，在信息系統(tǒng)中設(shè)置預(yù)測模型的接口，用于上傳預(yù)測結(jié)果，并根據(jù)不同的權(quán)限進(jìn)行展示，將實現(xiàn)智能預(yù)測系統(tǒng)在農(nóng)業(yè)領(lǐng)域中的創(chuàng)新型應(yīng)用。

參考文獻(xiàn)：

[1]王 劍，吳定峰. 大數(shù)據(jù)視角下農(nóng)業(yè)科研信息資源共建共享模式探索[J]. 中國農(nóng)學(xué)通報，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. 基于時間序列GA-SVR的水產(chǎn)品價格預(yù)測模型及驗證[J]. 農(nóng)業(yè)工程學(xué)報，2017，33（1）：308-314.

[9]王寶森，白紅麗，張 虹，等. 云南蒙自野生白芨中礦質(zhì)元素含量分析[J]. 北方園藝，2011（2）：181-182.

[10]張永為，蔣福升，王 寅，等. 白及產(chǎn)業(yè)現(xiàn)狀及可持續(xù)發(fā)展的探討[J]. 中華中醫(yī)藥學(xué)刊，2012，30（10）：17-19.

[11]李 嶸，王喆之. 白及的研究概述及其資源利用對策[J]. 中草藥，2006，37（11）：1751-1755.

[12]張亦誠. 白芨的生物特性及栽培技術(shù)[J]. 農(nóng)業(yè)科技與信息，2007（11）：45.

[13]劉逢芹，夏麗婭. 中藥白芨的現(xiàn)代研究概況[J]. 山東醫(yī)藥工業(yè)，2000（7）：32-33.

[14]于占國，劉賢旺. 白芨研究進(jìn)展[J]. 江西林業(yè)科技，2002（5）：42-44.

[15]張 穎，周岐新，賴 舒. 白芨多糖對骨髓造血功能的影響[J]. 中藥藥理與臨床，2009，25（4）：35-37.

[16]芮海云，吳國榮，陳景耀，等. 白芨中性多糖抗氧化作用的實驗研究[J]. 南京師大學(xué)報（自然科學(xué)版），2003，26（4）：94-98.

[17]芮海云，吳國榮，陳景耀，等. 白芨中性雜多糖的分離純化與結(jié)構(gòu)分析[J]. 安徽農(nóng)業(yè)大學(xué)學(xué)報，2004，31（1）：30-33.

[18]魏明樺，鄭金貴. 基于改進(jìn)BP神經(jīng)算法的農(nóng)產(chǎn)品價格預(yù)測模型的構(gòu)建與實現(xiàn)[J]. 唐山師范學(xué)院學(xué)報，2014，36（2）：66-68.

[19]張永超，趙錄懷，王 昊，等. 基于環(huán)境氣體信息的BP神經(jīng)網(wǎng)絡(luò)蘋果貯藏品質(zhì)預(yù)測[J]. 江蘇農(nóng)業(yè)學(xué)報，2020，36（1）：194-198.

[20]郭鵬飛. 基于改進(jìn)RBF神經(jīng)網(wǎng)絡(luò)算法的水質(zhì)預(yù)測模型研究[D]. 南昌：華東交通大學(xué)，2013.

[21]王 李，劉志斌，常 歡. 自適應(yīng)遺傳BP神經(jīng)網(wǎng)絡(luò)在水質(zhì)預(yù)測中應(yīng)用[J]. 微計算機信息，2011，27（4）：230-231.