廖燕玲１，韦艳玲１，覃宝勤２
（１．柳州职业技术学院电子信息工程系，广西 柳州 ５４５００６；２．宜州市植保站，广西 宜州 ５４６３００）
摘要：极限学习机（ＥＬＭ）学习速度快且泛化性好，极易产生惟一最优解，适用于虫害预测。通过实情验证，在广西宜州三化螟虫害预测预报中，ＥＬＭ预测精度较高，能够满足虫害预测对准确率和实时性的要求，可作为一种新的虫害预测方法。
教育期刊网 http://www.jyqkw.com
关键词 ：极限学习机（ＥＬＭ）；三化螟；预测
中图分类号：Ｓ１２６；Ｓ４３５．１１２＋．１文献标识码：A文章编号：0439－８114（２０15）05－1205-03
ＤＯＩ：１０．１４０８８／ｊ．ｃｎｋｉ．ｉｓｓｎ０４３９－８１１４．２０１５．０5．０45
收稿日期：２０１４－０５－１５
基金项目：广西教育厅科研项目（２０１０１０ＬＸ６４２）
作者简介：廖燕玲（１９６５－），女，广西柳州人，副教授，主要从事数据挖掘的研究工作，（电话）１３８０７７２８２１６（电子信箱）ｌｄｙ０２０＠１６３．ｃｏｍ。
广西河池宜州地区水稻病虫害主要是“三虫两病”，即三化螟、稻纵卷叶螟、稻飞虱、纹枯病、稻瘟病，在各稻作区普遍发生且较为严重，尤其是三化螟虫害对水稻生产影响较大，甚至造成颗粒无收。三化螟虫害预测预报的准确性是有效防治三化螟虫害的前提和保证。传统的虫害预测预报常用的是线性方法，而在大多数情况下，预报因子与虫害发生之间常常是非线性关系，若广西宜州三化螟虫害预测仍采用传统的线性方法，则难以确保三化螟虫害预测预报的准确性。
近年来的研究表明，人工神经网络具有较强的非线性逼近能力，在虫害预测中常被采用［１－３］。极限学习机，即ＥＬＭ（Ｅｘｔｒｅｍｅ Ｌｅａｒｎｉｎｇ Ｍａｃｈｉｎｅ）是一种简洁、快速、有效的单隐层前馈神经网络（ＳＬＦＮ）学习算法。相比较而言，传统的神经网络学习算法（如ＢＰ算法）需要人为设置大量的网络训练参数，且极易产生局部最优解，而ＥＬＭ只需要设置网络的隐层节点个数，在算法执行过程中不需要调整网络的输入权值以及隐元的阈值，只产生惟一最优解，具有学习速度快且泛化性能好的优点［４］，故ＥＬＭ应用领域极其广泛［５－８］，已取得了令人满意的结果。为此，提出了一种基于ＥＬＭ的广西宜州三化螟虫害预测方法，以期为该地区三化螟虫害的预测方法提供一定的参考。
１ 极限学习机基本原理
ＥＬＭ算法是单隐层前馈神经网络（ＳＬＦＮ）的训练算法。设有Ｎ个样本（ｘｉ，ｄｉ），ｘｉ＝［ｘｉ１，ｘｉ２，…， ｘｉｍ］Ｔ∈Ｒｎ，ｄｉ＝［ｄｉ１，ｄｉ２，…，ｄiｍ］Ｔ∈Ｒｍ，Ｄ＝［ｄ１，ｄ２，…，ｄＮ］；又设隐含层有Ｌ个节点，输入节点与第ｉ个隐层节点的连接权值为ωｉ＝［ωｉ１，ωｉ２，…，ωｉｎ］Ｔ，第ｉ个隐层节点与输出节点的连接权值为βｉ＝［βｉ１，βｉ２，…， βｉｍ］Ｔ，ｂi是第ｉ个隐层节点的阈值，则激发函数为ｇ（ｘ）的ＥＬＭ模型的数学表示为［４］：
当激发函数ｇ（ｘ）无限可微时，输入连接权值和隐层节点阈值，在训练开始时可随机选择，且在训练过程中固定不变。而隐层节点与输出节点的连接权值β可通过求解线性方程组
的最小二乘解来获得，其解为
。
其中H+为隐含层输出矩阵Ｈ的Ｍｏｏｒｅ－Ｐｅｎｒｏｓｅ广义逆矩阵，Ｄ′是Ｄ的转置；解
可使训练误差最小，且得到权值的最小范式以及最优泛化性能，并且具有惟一性。
ＥＬＭ在训练的过程中不需要调整ω和ｂ的值，只需根据相应算法调整β值，便可获得一个全局最优解，参数选择的过程简单易用，训练速度提升明显，且不会如传统神经网络学习算法（如ＢＰ算法）陷入局部最优。
２ 实例仿真
将上述ＥＬＭ模型应用于广西河池宜州地区田间水稻病虫害的预测。
２．１ 预测的样本数据来源
实例所用的数据来自宜州市虫情灯下诱蛾数据及田间虫情调查，是该地区第１～９年３、５、７、９月的三化螟虫害发生程度及相应的田间数据，３、５、７、９月的三化螟对应第１代、第２代、第３代、第４代三化螟。把第１～６年的数据作为ＥＬＭ学习样本，第７～９年的数据作为ＥＬＭ预测样本。
通过综合考虑，选取上代残虫密度、上代灯下蛾量、平均气温、降雨量等４个因素作为预测的影响因子。
２．２ 虫情等级标准
三化螟发生程度分级参照广西农作物主要病虫测报技术规范标准，具体见表１。由虫害发生面积和卵密度的数据作为分级依据，把预报对象划分为５个等级，依次为：１级，小发生；２级，中等偏轻发生； ３级，中等发生； ４级，中等偏重发生；５级，大发生。
２．３ 数据预处理
预测的影响因子数据均为数值型，但是量纲和单位存在不同，故必须对数据进行标准化处理。把影响因子数据归一化，使其分布在区间（－１，１）内。归一化后的部分数据如表２。
２．４ 仿真结果
选择隐含层神经元个数为３５，隐含层神经元的激活函数为ｓｉｇ。由于宜州地区三化螟病虫害连续９年的数据发生程度只有１级（小发生）、２级（中等偏轻发生）、３级（中等发生），所以发生程度只分为１～３级，目标输出模式为（１００）、（０１０）、（００１），故输出层神经元个数为３，采用ＥＬＭ预测第７～９年各代虫害的程度。用ＥＬＭ模型得到的目标输出中，对于每个目标输出，当ａ是最大值时，取ａ＝１，否则ａ＝０。ＥＬＭ模型虫害预测测试集训练结果与预测值的对比如图１所示，回测率和预测率均达到了１００％。预测值与模拟结果对应如表３所示。
选择隐含层神经元个数不同，得到的结果也不相同，在２５～４５之间，回测率一般达到９７％～１００％，预测率达到９４％～１００％，隐含层神经元个数太多会使预测率呈逐步下降趋势，隐含层神经元个数太少，回测率和预测率不高。在学习速度上，试验基于３．０ ＧＨｚ 的双核Ｉｎｔｅｌ处理器、２ ＧＢ内存的ＰＣ机，试验环境为ＭＡＴＬＡＢ ２００９ａ版本，运行预测模型所花的时间为３．５３３ ５ ｓ， 满足了虫情预测实时性要求。
３ 小结
仿真试验结果表明，在广西宜州三化螟虫害预测中采用极限学习机（ＥＬＭ）方法，在参数选择以及学习速度上优势明显，准确率高，实时性强，可作为一种新的虫害预测方法。下一步将继续对极限学习机（ＥＬＭ）应用作深入研究，如采用优化的极限学习机［９］或引入结构风险最小化策略［１０］等，进一步提高虫害预测的效率和准确度；同时开展广西宜州三化螟虫害预测软件的研发，将极限学习机（ＥＬＭ）推广应用到农业生产领域的其他方面，比如甘蔗种植户信息分析模型研究等。
教育期刊网 http://www.jyqkw.com
参考文献：
［１］ 赵国富，赵 朋．基于ＢＰ网络的虫害预测预报系统的分析与实现［Ｊ］．农机化研究， ２００８（４）： １４－１７，２８．
［２］ 唐建军，王映龙，彭莹琼，等．ＢＰ神经网络在水稻病虫害诊断中的应用研究［Ｊ］．安徽农业科学，２０１０，３８（１）：１９９－２００，２０４．
［３］ 贾花萍．农作物虫情的模糊神经网络预测模型［Ｊ］．浙江农业学报， ２０１３， ２５（４）： ８１９－８２２．
［４］ ＨＵＡＮＧ Ｇ Ｂ，ＺＨＵ Ｑ Ｙ，ＳＩＥＷ Ｃ Ｋ．Ｅｘｔｒｅｍｅ ｌｅａｒｎｉｎｇ ｍａｃｈｉｎｅ： Ｔｈｅｏｒｙ ａｎｄ ａｐｐｌｉｃａｔｉｏｎｓ［Ｊ］． Ｎｅｕｒｏｃｏｍｐｕｔｉｎｇ， ２００６， ７０：４８９－５０１．
［５］ 潘华贤，程国建，蔡 磊．极限学习机与支持向量机在储层渗透率预测中的对比研究［Ｊ］．计算机工程与科学， ２０１０，３２（２）：１３１－１３３．
［６］ 黄宴委，吴登国，李 竣．基于极限学习机的结构健康监测数据恢复［Ｊ］．计算机工程，２０１１，３７（１６）：２４１－２４３．
［７］ 陈盛双．基于极限学习机的ＸＭＬ文档分类［Ｊ］．计算机工程，２０１１，３７（１９）：１７７－１７８，１８２．
［８］ 丁 姣，蔡建荣，张海东，等．近红外结合Ｓｉ－ＥＬＭ检测食醋品质指标［Ｊ］．食品与机械，２０１２，２８（１）：９３－９６．
［９］ 王 杰，毕浩洋．一种基于粒子群优化的极限学习机［Ｊ］．郑州大学学报（理学版），２０１３，４５（１）：１００－１０４．
［１０］ 何其慧，姚登宝，王翠翠，等．基于模糊随机样本的结构风险最小化原则［Ｊ］．计算机工程与科学，２０１１，４７（３４）：５１－５５，１４４．
责任编辑 （王晓芳）