一种小麦生长期真菌毒素污染预测方法技术

一种小麦生长期真菌毒素污染预测方法,包括：A.建立人工神经网络模型，统计影响小麦生长期真菌毒素污染的数据，作为人工神经网络输入；B.计算神经网络隐含层和输出层中神经元的输入、输出值，设立神经网络的训练样本和目标函数；C.以多阶光滑模为逼近度量估计神经网络逼近阶的范围，确定神经网络的函数逼近能力；D.通过自适应遗传算法对人工神经网络模型的网络结构和权重系数进行全局优化搜索，逼近拟合小麦生长期真菌毒素污染预测与影响因素的复杂函数关系，提高小麦生长期真菌毒素污染的预测精度。该方法具有较好的自适应性和鲁棒性，提高神经网络函数逼近能力，加强小麦生长期真菌毒素污染的预测精度，以便做好产前防控，确保小麦的质量安全。

【技术实现步骤摘要】
一种小麦生长期真菌毒素污染预测方法
本专利技术涉及一种小麦生长期真菌毒素污染预测方法，属于食品安全、人工神经网络、人工智能领域。
技术介绍
小麦真菌毒素的污染一直消费者健康安全的一大隐患，因此应在小麦进入食物链之前预测其污染。现有的小麦生长期真菌毒素污染预测方法运用数理统计建立小麦自身真菌毒素污染变化的规律，而不涉及其他环境因素，统计因素较少污染预测不够精准，预测的污染范围和程度与实际相差较大，无法准确做好产前防控，影响小麦质量。
技术实现思路
为解决上述问题，本专利技术的目的在于提供一种具有较好的自适应性和鲁棒性的小麦生长期真菌毒素污染预测方法，提高神经网络函数逼近能力，加强小麦生长期真菌毒素污染的预测精度，减少误差，以便做好产前防控，确保小麦的质量安全。本专利技术解决其问题所采用的技术方案，包括以下步骤：A.建立人工神经网络模型，统计影响小麦生长期真菌毒素污染的数据，作为人工神经网络的输入；B.计算神经网络隐含层和输出层中神经元的输入、输出值，设立神经网络的训练样本和目标函数；C.以多阶光滑模为逼近度量估计神经网络逼近阶的范围，确定神经网络的函数逼近能力；D.通过自适应遗传算法对人工神经网络模型的网络结构和权重系数进行全局优化搜索，逼近拟合小麦生长期真菌毒素污染预测与影响因素的复杂函数关系，提高小麦生长期真菌毒素污染的预测精度。本专利技术的有益效果是：在小麦真菌污染防控越来越重要的情况下，本专利技术具有较好的自适应性和鲁棒性，提高神经网络函数逼近能力，加强小麦生长期真菌毒素污染的预测精度，减少误差，以便做好产前防控，确保小麦的质量安全。附图说明图1为一种小麦生长期真菌毒素污染预测方法的整体流程图；图2为人工神经网络模型图；图3为自适应遗传算法优化网络连接权重和阈值的流程图。具体实施方式参照图1，本专利技术所述的方法包括以下步骤：A.建立人工神经网络模型，统计影响小麦生长期真菌毒素污染的数据，作为人工神经网络的输入；(1)建立人工神经网络模型，如图2所示。在麦田建立温度、湿度检测装备，记录小麦生长期间的温度、湿度数据；真菌一般容易在受伤位置繁殖生长，因此，需要定时检查小麦体的机械损伤和虫害损伤程度，并记录数据；记录小麦生长期间杀虫剂和杀真菌剂的用量及时间数据；记录小麦生长期间的雨水、光照数据。(2)统计上述数据作为人工神经网络的输入神经元，输出神经元为真菌毒素污染的范围和程度，输入神经元与输出神经元之间通过隐含层的神经元结点进行连接。B.计算神经网络隐含层和输出层中神经元的输入、输出值，设立神经网络的训练样本和目标函数；(1)设立神经网络的输入层、隐含层和输出层的神经元分别有N，K，M个，输入层的第i个神经元的输入和输出分别为XIi，XOi。①隐含层第j个神经元的输入为：其中，ωij是输入层第i个神经元到隐含层第j个神经元的权重，ξj是隐含层第j个神经元的阈值。隐含层第j个神经元的输出为：其中，φ(x)是神经网络的激活函数，将神经元的输入映射到输出端。②输出层第k个神经元的输入为：其中，ωkj是隐含层第j个神经元到输出层第k个神经元的权重，ξk是输出层第k个神经元的阈值。输出层第k个神经元的输出为：(2)设立神经网络的训练样本有Q个，输入向量、实际输出向量、期望输出向量分别为：XI1XI2…XIQXO1XO2…XOQXE1XE2…XEQ则第p个样本的均方误差为：其中，是第k个输出层神经元的第p个训练样本的期望输出，是第k个输出神经元的第p个训练样本的实际输出。通过神经网络的学习训练使MSEp最小。C.以多阶光滑模为逼近度量估计神经网络逼近阶的范围，确定神经网络的函数逼近能力；(1)激励函数f在向量空间的r阶光滑模为：其中，是在[1，∞)上取正值的函数，且ω(x)是权重函数，X＝{x1，x2，…，xN}是神经网络的输入集合，t∈X，k∈[0，r]，sup是上确值。激励函数f的r阶K-泛函数为：其中，inf是下确界，g是f的卷积函数。(2)估计逼近范围：其中，(f·1)是f与单位向量的内积，K是隐含层神经元数量，θ是逼近系数。是神经网络的逼近速度上下界估计，可以确定神经网络的逼近能力。D.通过自适应遗传算法对人工神经网络模型的网络结构和权重系数进行全局优化搜索，提高神经网络的函数逼近能力，完成小麦生长期真菌毒素污染的精确预测。(1)训练样本有Q对(Xi，Yi)，i＝1，2，…，Q。Xi，Yi分别是N维和M维向量，通过遗传算法的优化能力逼近拟合小麦生长期真菌毒素污染预测与影响因素的复杂函数关系。初始化权重、阈值，按照权重、阈值的行列顺序对染色体进行排列，适应度函数为：其中，yi是统计的数据值，是输出层的输出值。将隐含层的输出值带入到B步骤输出层的输出函数得到遗传算法在进化过程中通过选择、杂交、变异算子寻找适应度最优的染色体，直至适应度函数的值达到事先设定的阈值或进化代数大于500，算法停止。(2)利用自适应遗传算法对网络连接权重、阈值进行优化，输出层神经元权重系数调整为：其中，γ是学习效率，是第j个隐含层神经元的第p个训练样本的实际输出，是第k个输出层神经元的第p个训练样本的期望输出，是第k个输出神经元的第p个训练样本的实际输出。隐含层神经元权重系数的调整为：其中，ωkj是隐含层第j个神经元到输出层第k个神经元的权重。通过网络连接权重、阈值优化，以此提高神经网络的函数逼近能力，从而完成小麦生长期真菌毒素污染的精确预测。综上所述，便完成了本专利技术所述的一种小麦生长期真菌毒素污染预测方法。该方法具有较好的自适应性和鲁棒性，提高神经网络函数逼近能力，加强小麦生长期真菌毒素污染的预测精度，减少误差，以便做好产前防控，确保小麦的质量安全。本文档来自技高网...

【技术保护点】
1.一种小麦生长期真菌毒素污染预测方法，其特征在于，利用遗传算法优化人工神经网络的函数逼近，提高小麦生长期真菌毒素污染的预测精度，所述方法包括以下步骤：A.建立人工神经网络模型，统计影响小麦生长期真菌毒素污染的数据，作为人工神经网络的输入；B.计算神经网络隐含层和输出层中神经元的输入、输出值，设立神经网络的训练样本和目标函数；C.以多阶光滑模为逼近度量估计神经网络逼近阶的范围，确定神经网络的函数逼近能力；D.通过自适应遗传算法对人工神经网络模型的网络结构和权重系数进行全局优化搜索，逼近拟合小麦生长期真菌毒素污染预测与影响因素的复杂函数关系，提高小麦生长期真菌毒素污染的预测精度。

【技术特征摘要】
1.一种小麦生长期真菌毒素污染预测方法，其特征在于，利用遗传算法优化人工神经网络的函数逼近，提高小麦生长期真菌毒素污染的预测精度，所述方法包括以下步骤：A.建立人工神经网络模型，统计影响小麦生长期真菌毒素污染的数据，作为人工神经网络的输入；B.计算神经网络隐含层和输出层中神经元的输入、输出值，设立神经网络的训练样本和目标函数；C.以多阶光滑模为逼近度量估计神经网络逼近阶的范围，确定神经网络的函数逼近能力；D.通过自适应遗传算法对人工神经网络模型的网络结构和权重系数进行全局优化搜索，逼近拟合小麦生长期真菌毒素污染预测与影响因素的复杂函数关系，提高小麦生长期真菌毒素污染的预测精度。2.根据权利要求1所述的小麦生长期真菌毒素污染预测方法，其特征在于，所述步骤A包括：(1)建立人工神经网络模型，记录小麦生长期间的温度、湿度数据；定时检查小麦体的机械损伤和虫害损伤程度，并记录数据；记录小麦生长期间杀虫剂和杀真菌剂的用量及时间数据；记录小麦生长期间的雨水、光照数据；(2)统计上述数据作为人工神经网络的输入神经元，输出神经元为真菌毒素污染的范围和程度，输入神经元与输出神经元之间通过隐含层的神经元结点进行连接。3.根据权利要求2所述的小麦生长期真菌毒素污染预测方法，其特征在于，所述步骤B包括：(1)设立神经网络的输入层、隐含层和输出层的神经元分别有N，K，M个，输入层的第i个神经元的输入和输出分别为XIi，XOi①隐含层第j个神经元的输入为：其中，ωij是输入层第i个神经元到隐含层第j个神经元的权重，ξj是隐含层第j个神经元的阈值；隐含层第j个神经元的输出为：其中，φ(x)是神经网络的激活函数，将神经元的输入映射到输出端；②输出层第k个神经元的输入为：其中，ωkj是隐含层第j个神经元到输出层第k个神经元的权重，ξk是输出层第k个神经元的阈值，输出层第k个神经元的输出为：(2)设立神经网络的训练样本有Q个，输入向量、实际输出向量、期望输出向量分别为：XI1XI2...XIQXO1XO...

【专利技术属性】
技术研发人员：杨迎霞，
申请(专利权)人：龙口味美思环保科技有限公司，
类型：发明
国别省市：山东,37