專利名稱：一種蔬菜病害診斷方法和便攜系統(tǒng)的制作方法
技術(shù)領(lǐng)域：
本發(fā)明涉及農(nóng)業(yè)信息技術(shù)領(lǐng)域，尤其涉及一種蔬菜病害診斷方法和便攜系統(tǒng)。
背景技術(shù)：
目前在農(nóng)業(yè)研究領(lǐng)域中已經(jīng)通過多種技術(shù)和方法實(shí)現(xiàn)對(duì)蔬菜病害診斷，例如圖像處理技術(shù)、專家系統(tǒng)分析和模糊神經(jīng)網(wǎng)絡(luò)的使用等?；趫D像分析的植物病害診斷方法，其基于計(jì)算機(jī)圖像處理開發(fā)農(nóng)作物病害診斷系統(tǒng)，該系統(tǒng)在攝像機(jī)、圖像采集卡和光源箱的支持下，利用農(nóng)作物病害信息數(shù)據(jù)庫(kù)，對(duì)病害圖像進(jìn)行處理、識(shí)別、專家診斷。但是基于圖像分析的植物病害診斷方法存在的主要問題是，其圖像的獲取受環(huán)境光照的影響較大，且需要專業(yè)人員在室內(nèi)進(jìn)行數(shù)據(jù)分析和識(shí)別，時(shí)效性差，無法滿足具體生產(chǎn)實(shí)踐要求?；趯＜蚁到y(tǒng)的植物病害診斷方法，其提出了一種蔬菜病蟲害診斷專家系統(tǒng)構(gòu)建和服務(wù)方法，該方法模仿植保專家病蟲害診斷的分析方式，采用了基于案例的推理機(jī)制，創(chuàng)立了包括新案例產(chǎn)生、案例庫(kù)構(gòu)成、病蟲害癥狀權(quán)重計(jì)算、案例檢索和匹配、人機(jī)交互接口等內(nèi)容的病蟲害診斷專家系統(tǒng)。但是基于專家系統(tǒng)的植物病害診斷方法存在診斷知識(shí)獲取有瓶頸，覆蓋面有限，知識(shí)規(guī)則更新難，泛化能力差，運(yùn)行效率低、系統(tǒng)性能差等不足?；谀：窠?jīng)網(wǎng)絡(luò)的植物病害診斷方法，根據(jù)模糊技術(shù)確定農(nóng)作物病害特征的隸屬度，根據(jù)病害癥狀的隸屬度，通過人工神經(jīng)網(wǎng)絡(luò)，推理出病害的隸屬度，以此表現(xiàn)病害存在的傾向性。近年來人工神經(jīng)網(wǎng)絡(luò)具有較強(qiáng)診斷知識(shí)學(xué)習(xí)能力、泛化能力和并行處理能力，較引人注目，但仍然存在如下問題:1、蔬菜病害癥狀表現(xiàn)劃分不全面:目前研究多取植株葉片、枝蔓、花、果、根系癥狀，而部分病害癥狀表現(xiàn)是在苗上，如黃瓜猝倒病在苗期表現(xiàn)出典型癥狀。2、單一利用癥狀重要性權(quán)值(或隸屬度)構(gòu)建輸入向量，使得樣本中診斷規(guī)律體現(xiàn)不明顯，對(duì)部分病種的區(qū)分識(shí)別能力有限。如辣椒黑霉病和辣椒黑斑病，兩種病害同在果實(shí)上表現(xiàn)出典型癥狀，其他部位無癥狀，這時(shí)兩者權(quán)值相同，容易出現(xiàn)相同的輸入向量對(duì)應(yīng)不同的病害、神經(jīng)網(wǎng)絡(luò)模型構(gòu)建出錯(cuò)等問題。3、傳統(tǒng)方法(附加動(dòng)量及自適應(yīng)學(xué)習(xí)速率法)進(jìn)行神經(jīng)網(wǎng)絡(luò)性能優(yōu)化，是從解空間的一個(gè)初始點(diǎn)開始以獲得最優(yōu)解的迭代搜索過程。這種單個(gè)搜索點(diǎn)所提供的搜索信息不多，因此，在意圖獲得全局最優(yōu)解的過程中搜索效率不高。此外，這些算法往往使用的是確定性搜索方法，即一個(gè)搜索點(diǎn)到另一個(gè)搜索點(diǎn)有確定的轉(zhuǎn)移方法和轉(zhuǎn)移關(guān)系，這種確定性往往使搜索過程陷于局部最優(yōu)解，甚至也有可能造成永遠(yuǎn)無法達(dá)到最優(yōu)解。

發(fā)明內(nèi)容
(一)要解決的技術(shù)問題針對(duì)上述缺陷，本發(fā)明要解決的技術(shù)問題是如何提高蔬菜病害診斷模型的準(zhǔn)確性和容錯(cuò)推理能力。(二)技術(shù)方案為解決上述問題，本發(fā)明提供了一種蔬菜病害診斷方法，所述方法包括:A:對(duì)具有外觀病態(tài)表現(xiàn)的蔬菜植株建立癥狀集和癥狀重要性隸屬度，其中所述癥狀集包括6個(gè)癥狀子集，每個(gè)癥狀子集都與部位集的6個(gè)子集:根、莖蔓、葉、花、果和苗分別對(duì)應(yīng)，所述癥狀重要性隸屬度用來表征癥狀對(duì)病害識(shí)別的重要程度；B:獲取癥狀特征，結(jié)合所述癥狀重要性隸屬度構(gòu)建輸入向量；C:在所述輸入向量基礎(chǔ)上，構(gòu)建基于改進(jìn)遺傳算法的模型神經(jīng)網(wǎng)絡(luò)，并進(jìn)行訓(xùn)練，得到成熟的模糊神經(jīng)網(wǎng)絡(luò)；D:在所述成熟的模糊神經(jīng)網(wǎng)絡(luò)中輸入蔬菜病害癥狀，得出輸出向量，確定診斷結(jié)果O優(yōu)選地,所述步驟B具體包括:B1:在共同語義空間將所述癥狀的自然語言描述轉(zhuǎn)化為術(shù)語描述，得到樣本定義值；B2:根據(jù)所述樣本定義值和所述癥狀重要性隸屬度計(jì)算得到具有癥狀特征和癥狀重要性信息的向量；B3:對(duì)所述具有癥狀特征和癥狀重要性信息的向量進(jìn)行簡(jiǎn)約處理，得到輸入向量。優(yōu)選地，所述模糊神經(jīng)網(wǎng)絡(luò)用于進(jìn)行病害的診斷，包括輸入層、模糊層、隱含層和輸出層；其中所述輸入層用于將所述樣本定義值輸入到所述模糊層，每一個(gè)節(jié)點(diǎn)代表一個(gè)輸入變量；所述模糊層用于計(jì)算癥狀對(duì)于病害重要性的隸屬度函數(shù)，將所述輸入變量模糊化，并根據(jù)共同語義空間的向量構(gòu)建方法獲取癥狀的樣本定義值，基于癥狀隸屬度和癥狀樣本定義值，對(duì)原始樣本進(jìn)行向量化，通過遺傳算法獲得初始優(yōu)化權(quán)值，與樣本向量一起傳遞給所述隱含層神經(jīng)元；所述隱含層用于基于所述樣本向量和所述初始優(yōu)化權(quán)值，計(jì)算所述輸入層到所述輸出層的映射；所述輸出層用于根據(jù)所述輸出向量中的最大向元位置確定可疑病害，若所述最大值接近于0，則所對(duì)應(yīng)的病害可能性??；若所述最大值接近于I,則所對(duì)應(yīng)的病害可能性大。為解決上述問題，本發(fā)明還提供了一種蔬菜病害診斷便攜系統(tǒng)，所述系統(tǒng)包括:移動(dòng)終端系統(tǒng)、應(yīng)用支持系統(tǒng)和數(shù)據(jù)通訊中間件；其中所述移動(dòng)終端系統(tǒng)包括移動(dòng)終端和蔬菜病害診斷移動(dòng)應(yīng)用軟件；所述應(yīng)用支持系統(tǒng)包括網(wǎng)絡(luò)體驗(yàn)服務(wù)系統(tǒng)、后臺(tái)管理支持系統(tǒng)和服務(wù)器；所述數(shù)據(jù)通訊中間件用于連接所述移動(dòng)終端系統(tǒng)和所述應(yīng)用支持系統(tǒng)。優(yōu)選地，所述后臺(tái)管理支持系統(tǒng)包括:樣本數(shù)據(jù)維護(hù)單元、診斷模型訓(xùn)練單元和用
戶管理單元；其中所述樣本數(shù)據(jù)維護(hù)單元包括原始診斷樣本編輯模塊、樣本輸入輸出向量構(gòu)建模塊和樣本更新通知模塊；所述原始診斷樣本編輯模塊，用于在原始診斷樣本編輯過程中，根據(jù)選擇的蔬菜種類、病害名稱和不同的發(fā)病部位分別輸入對(duì)應(yīng)的癥狀，并調(diào)用基于共同語義空間的術(shù)語映射模塊對(duì)自然語言病害癥狀進(jìn)行統(tǒng)一描述，得到癥狀描述術(shù)語序列，存入癥狀特征數(shù)據(jù)表;所述樣本輸入輸出向量構(gòu)建模塊，用于從所述癥狀特征數(shù)據(jù)表中獲取癥狀描述術(shù)語的定義值，并通過調(diào)用癥狀重要性隸屬度函數(shù)，再利用輸入向量構(gòu)建公式得到所述輸入向量，通過調(diào)用“η中取I”二進(jìn)制識(shí)別位轉(zhuǎn)換模塊構(gòu)建輸出向量，最后將輸入輸出向量存入訓(xùn)練樣本值表中；所述樣本更新通知模塊，用于發(fā)布所述訓(xùn)練樣本值表中發(fā)生變動(dòng)的信息。優(yōu)選地，所述樣本輸入輸出向量構(gòu)建模塊具體包括:癥狀處理模塊、輸入向量構(gòu)建模塊和輸出向量構(gòu)建模塊；所述癥狀處理模塊，用于對(duì)具有外觀病態(tài)表現(xiàn)的蔬菜植株建立癥狀集和確定癥狀重要性隸屬度，其中所述癥狀集包括6個(gè)癥狀子集，每個(gè)癥狀子集都與部位集的6個(gè)子集:根、莖蔓、葉、花、果和苗分別對(duì)應(yīng)，所述癥狀重要性隸屬度用來表征癥狀對(duì)病害識(shí)別的重要程度；所述輸入向量構(gòu)建模塊，用于獲取癥狀特征，結(jié)合所述癥狀重要性隸屬度構(gòu)建輸入向量；所述輸出向量構(gòu)建模塊，用于對(duì)所述病害集采用“η中取I”的二進(jìn)制編碼方法構(gòu)建輸出向量。優(yōu)選地，所述輸入向量構(gòu)建模塊具體包括:轉(zhuǎn)化模塊、計(jì)算模塊和簡(jiǎn)約模塊；所述轉(zhuǎn)化模塊，用于在共同語義空間將所述癥狀的自然語言描述轉(zhuǎn)化為術(shù)語描述，得到樣本定義值；所述計(jì)算模塊，用于根據(jù)所述樣本定義值和癥狀重要性隸屬度計(jì)算得到具有癥狀特征和癥狀重要性信息的向量；所述簡(jiǎn)約模塊，用于對(duì)所述具有癥狀特征和癥狀重要性信息的向量進(jìn)行簡(jiǎn)約處理，得到輸入向量。所述模糊神經(jīng)網(wǎng)絡(luò)模塊包括輸入層、模糊層、隱含層和輸出層；其中所述輸入層用于將所述樣本定義值輸入到所述模糊層，每一個(gè)節(jié)點(diǎn)代表一個(gè)輸入變量；所述模糊層用于計(jì)算癥狀對(duì)于病害重要性的隸屬度函數(shù)，將所述輸入變量模糊化，并根據(jù)共同語義空間的向量構(gòu)建方法獲取癥狀的樣本定義值，基于癥狀隸屬度和癥狀樣本定義值，對(duì)原始樣本進(jìn)行向量化得到樣本向量，通過遺傳算法獲得初始優(yōu)化權(quán)值，與所述樣本向量一起傳遞給所述隱含層的神經(jīng)元；所述隱含層用于基于所述樣本向量和所述初始優(yōu)化權(quán)值，計(jì)算所述輸入層到所述輸出層的映射；所述輸出層用于根據(jù)輸出向量中的最大向元值位置確定可疑病害，若所述最大值接近于0，則所對(duì)應(yīng)的病害可能性?。蝗羲鲎畲笾到咏贗,則所對(duì)應(yīng)的病害可能性大。優(yōu)選地，所述網(wǎng)絡(luò)體驗(yàn)服務(wù)系統(tǒng)用于提供用戶使用說明、功能在線體驗(yàn)與升級(jí)、數(shù)據(jù)庫(kù)資源下載與更新。(三)有益 效果
本發(fā)明提出了一種蔬菜病害診斷方法和便攜系統(tǒng)，利用基于共同語義空間的輸入向量構(gòu)建方法建立承載描述癥狀特征和癥狀重要性的輸入向量，解決樣本集代表性差、矛盾樣本多、診斷規(guī)律體現(xiàn)不明顯等的問題，并結(jié)合基于改進(jìn)遺傳算法構(gòu)建模糊神經(jīng)網(wǎng)絡(luò)模型，使得模型診斷結(jié)果準(zhǔn)確率更高，容錯(cuò)能力更強(qiáng)。


圖1為本發(fā)明實(shí)施例一的一種蔬菜病害診斷方法的流程圖；圖2為本發(fā)明實(shí)施例一的一種蔬菜病害診斷方法中步驟B的具體流程圖；圖3為本發(fā)明實(shí)施例一的一種蔬菜 病害診斷方法中輸入向量構(gòu)建不例圖；圖4為本發(fā)明實(shí)施例一的一種蔬菜病害診斷方法中的模糊神經(jīng)網(wǎng)絡(luò)模型圖；圖5為本發(fā)明實(shí)施例一的一種蔬菜病害診斷方法中輸出向量構(gòu)建不例圖；圖6為本發(fā)明實(shí)施例一的一種蔬菜病害診斷方法中診斷測(cè)試的輸入向量示例；圖7為本發(fā)明實(shí)施例一的一種蔬菜病害診斷方法中診斷測(cè)試的輸出向量示例；圖8為本發(fā)明實(shí)施例二的一種蔬菜病害診斷便攜系統(tǒng)的組成示意圖；圖9為本發(fā)明實(shí)施例二的一種蔬菜病害診斷便攜系統(tǒng)使用的界面圖；圖10為本發(fā)明實(shí)施例二的一種蔬菜病害診斷便攜系統(tǒng)中后臺(tái)管理支持系統(tǒng)的組成示意圖；圖11為本發(fā)明實(shí)施例二的一種蔬菜病害診斷便攜系統(tǒng)中樣本輸入輸出向量模塊的組成示意圖；圖12為本發(fā)明實(shí)施例二中的輸入向量構(gòu)建模塊、輸出向量構(gòu)建模塊與模糊神經(jīng)網(wǎng)絡(luò)的連接示意圖。
具體實(shí)施例方式下面結(jié)合附圖和實(shí)施例，對(duì)本發(fā)明的具體實(shí)施方式
作進(jìn)一步詳細(xì)描述。以下實(shí)施例用于說明本發(fā)明，但不用來限制本發(fā)明的范圍。實(shí)施例一本發(fā)明實(shí)施例一中提供了一種蔬菜病害診斷方法，步驟流程如圖1所示，具體包括以下步驟:步驟A:對(duì)具有外觀病態(tài)表現(xiàn)的蔬菜植株建立癥狀集和癥狀重要性隸屬度。其中，根據(jù)植株發(fā)病表現(xiàn)進(jìn)行劃分，對(duì)植株的各個(gè)部位用一個(gè)集合表不，一般研究中，將植株的發(fā)病部位劃分為根、莖、葉、花、果5個(gè)部分。由于部分蔬菜在苗期即發(fā)病，通過苗期的癥狀表現(xiàn)能迅速確定其病害原因，如番茄猝倒病。因此，為提高診斷的全面性和準(zhǔn)確性，將蔬菜植株發(fā)病表現(xiàn)最終劃分為根、莖蔓、葉、花、果、苗6個(gè)部分，發(fā)病表現(xiàn)的部位集表示如下:P= (Pi I i=l, 2, 3,4, 5,6}(I)式中，Pi表不根、莖蔓、葉、花、果、苗6個(gè)部分之一。癥狀是植物與病因互相作用的結(jié)果，它是人們識(shí)別病害、描述病害和命名病害的主要依據(jù)。發(fā)病部位相對(duì)應(yīng)的癥狀集S包括6個(gè)癥狀子集Si, 6個(gè)癥狀子集相對(duì)應(yīng)根、莖蔓、葉、花、果和苗6個(gè)部位，癥狀子集Si為各發(fā)病表現(xiàn)部位相關(guān)癥狀的描述。
S= (Si I i=l，2，3，4，5，6}(2)通過植保文獻(xiàn)調(diào)研、典型案例分析，以及農(nóng)業(yè)專家咨詢審核，對(duì)病害癥狀描述原始文本資料中表達(dá)的知識(shí)進(jìn)行劃分，形成由病害名稱及根、莖蔓、葉、花、果、苗6部位組成的癥狀二維表。因?yàn)椴煌Y狀對(duì)病害診斷的貢獻(xiàn)程度不同，一些特征明顯的癥狀表現(xiàn)往往是確定某種病害的重要依據(jù)。通常用模糊的自然語言來描述癥狀對(duì)于病害識(shí)別的重要程度。在本實(shí)施實(shí)例中，將其劃分為典型癥狀 > 主要癥狀 > 一般癥狀三個(gè)層次，并不局限在本發(fā)明的其它實(shí)施例子中對(duì)癥狀類型識(shí)別度分為其它層次，每一個(gè)層次對(duì)于癥狀判斷的貢獻(xiàn)都不同，例如:典型癥狀對(duì)于判斷病害植株患有某種病害的決定性最大，可以根據(jù)此癥狀直接判斷出病害的種類，主要癥狀對(duì)于判斷該病癥的決定性就要次于典型癥狀，也就是根據(jù)主要病癥不能肯定地判斷出病害類型，根據(jù)一般癥狀判斷出病害種類的決定性最小，幾乎無法根據(jù)一般癥狀判斷出病害類型。在其它實(shí)施例中可以劃分為不等于3的層次。在本實(shí)施例中的三個(gè)癥狀類型說明如表I所示。表I癥狀類型說明
權(quán)利要求
1.一種蔬菜病害診斷方法，其特征在于，所述方法具體包括: A:對(duì)具有外觀病態(tài)表現(xiàn)的蔬菜植株建立癥狀集和癥狀重要性隸屬度，其中所述癥狀集包括6個(gè)癥狀子集，每個(gè)癥狀子集都與部位集根、莖蔓、葉、花、果和苗分別對(duì)應(yīng)，所述癥狀重要性隸屬度用來表征癥狀對(duì)病害識(shí)別的重要程度； B:獲取癥狀特征，結(jié)合所述癥狀重要性隸屬度構(gòu)建輸入向量； C:在所述輸入向量基礎(chǔ)上，構(gòu)建基于改進(jìn)遺傳算法的模型神經(jīng)網(wǎng)絡(luò)，并進(jìn)行訓(xùn)練，得到成熟的模糊神經(jīng)網(wǎng)絡(luò)； D:在所述成熟的模糊神經(jīng)網(wǎng)絡(luò)中輸入蔬菜病害癥狀，得出輸出向量，確定診斷結(jié)果。
2.如權(quán)利要求1所述的方法，其特征在于，所述步驟B具體包括: B1:在共同語義空間將所述癥狀的自然語言描述轉(zhuǎn)化為術(shù)語描述，得到樣本定義值； B2:根據(jù)所述樣本定義值和所述癥狀重要性隸屬度計(jì)算得到具有癥狀特征和癥狀重要性信息的向量； B3:對(duì)所述具有癥狀特征和癥狀重要性信息的向量進(jìn)行簡(jiǎn)約處理，得到輸入向量。
3.如權(quán)利要求1所述的方法，其特征在于，所述癥狀子集中包含所述具有外觀病態(tài)表現(xiàn)的蔬菜植株發(fā)病部位的癥狀特征，所述癥狀特征包括病狀和病癥，所述樣本定義值是由所述病狀描述編碼和病癥分類編碼組成的向量。
4.如權(quán)利要求1所述的方法，其特征在于，所述模糊神經(jīng)網(wǎng)絡(luò)用于進(jìn)行病害的診斷，包括輸入層、模糊層、隱含層和輸出層； 其中所述輸入層用于將所述樣本定義值輸入到所述模糊層，每一個(gè)節(jié)點(diǎn)代表一個(gè)輸入變量； 所述模糊層用于計(jì)算癥狀對(duì)于病害重要性的隸屬度函數(shù)，將所述輸入變量模糊化，并根據(jù)共同語義空間的向量構(gòu)建方法獲取癥狀的樣本定義值，基于癥狀隸屬度和癥狀樣本定義值，對(duì)原始樣本進(jìn)行向量化，通過遺傳算法獲得初始優(yōu)化權(quán)值，與樣本向量一起傳遞給所述隱含層神經(jīng)元； 所述隱含層用于基于所述樣本向量和所述初始優(yōu)化權(quán)值，計(jì)算所述輸入層到所述輸出層的映射； 所述輸出層用于根據(jù)所述輸出向量中的最大向元位置確定可疑病害，若所述最大值接近于O，則所對(duì)應(yīng)的病害可能性??；若所述最大值接近于I,則所對(duì)應(yīng)的病害可能性大。
5.一種蔬菜病害診斷便攜系統(tǒng)，其特征在于，所述系統(tǒng)具體包括:移動(dòng)終端系統(tǒng)、應(yīng)用支持系統(tǒng)和數(shù)據(jù)通訊中間件； 其中所述移動(dòng)終端系統(tǒng)包括移動(dòng)終端和蔬菜病害診斷移動(dòng)應(yīng)用軟件；所述應(yīng)用支持系統(tǒng)包括網(wǎng)絡(luò)體驗(yàn)服務(wù)系統(tǒng)、后臺(tái)管理支持系統(tǒng)和服務(wù)器；所述數(shù)據(jù)通訊中間件用于連接所述移動(dòng)終端系統(tǒng)和所述應(yīng)用支持系統(tǒng)。
6.如權(quán)利要求5所述的便攜系統(tǒng)，其特征在于，所述后臺(tái)管理支持系統(tǒng)包括:樣本數(shù)據(jù)維護(hù)單元、診斷模型訓(xùn)練單元和用戶管理單元； 其中所述樣本數(shù)據(jù)維護(hù)單元包括原始診斷樣本編輯模塊、樣本輸入輸出向量構(gòu)建模塊和樣本更新通知模塊； 所述原始診斷樣本編輯模塊，用于在原始診斷樣本編輯過程中，根據(jù)選擇的蔬菜種類、病害名稱和不同的發(fā)病部位分別輸入對(duì)應(yīng)的癥狀，并調(diào)用基于共同語義空間的術(shù)語映射模塊對(duì)自然語言病害癥狀進(jìn)行統(tǒng)一描述，得到癥狀描述術(shù)語序列，存入癥狀特征數(shù)據(jù)表； 所述樣本輸入輸出向量構(gòu)建模塊，用于從所述癥狀特征數(shù)據(jù)表中獲取癥狀描述術(shù)語的定義值，并通過調(diào)用癥狀重要性隸屬度函數(shù)，再利用輸入向量構(gòu)建公式得到所述輸入向量，通過調(diào)用“η中取I” 二進(jìn)制識(shí)別位轉(zhuǎn)換模塊構(gòu)建輸出向量，最后將輸入輸出向量存入訓(xùn)練樣本值表中； 所述樣本更新通知模塊，用于發(fā)布所述訓(xùn)練樣本值表中發(fā)生變動(dòng)的信息。
7.如權(quán)利要求6所述的便攜系統(tǒng),其特征在于，所述樣本輸入輸出向量構(gòu)建模塊具體包括:癥狀處理模塊、輸入向量構(gòu)建模塊和輸出向量構(gòu)建模塊； 所述癥狀處理模塊，用于對(duì)具有外觀病態(tài)表現(xiàn)的蔬菜植株建立癥狀集和確定癥狀重要性隸屬度，其中所述癥狀集包括6個(gè)癥狀子集，每個(gè)癥狀子集都與部位集的6個(gè)子集:根、莖蔓、葉、花、果和苗分別對(duì)應(yīng)，所述癥狀重要性隸屬度用來表征癥狀對(duì)病害識(shí)別的重要程度； 所述輸入向量構(gòu)建模塊，用于獲取癥狀特征，結(jié)合所述癥狀重要性隸屬度構(gòu)建輸入向量; 所述輸出向量構(gòu)建模塊，用于對(duì)所述病害集采用“η中取I”的二進(jìn)制編碼方法構(gòu)建輸出向量。
8.如權(quán)利要求7所述的便攜系統(tǒng)，其特征在于，所述輸入向量構(gòu)建模塊具體包括:轉(zhuǎn)化模塊、計(jì)算模塊和簡(jiǎn)約模塊； 所述轉(zhuǎn)化模塊，用于在共同語義空間將所述癥狀的自然語言描述轉(zhuǎn)化為術(shù)語描述，得到樣本定義值； 所述計(jì)算模塊，用于根據(jù)所述樣本定義值和癥狀重要性隸屬度計(jì)算得到具有癥狀特征和癥狀重要性信息的向量； 所述簡(jiǎn)約模塊，用于對(duì)所述具有癥狀特征和癥狀重要性信息的向量進(jìn)行簡(jiǎn)約處理，得到輸入向量。
9.如權(quán)利要求7所述的便攜系統(tǒng)，其特征在于，所述基于遺傳算法的模糊神經(jīng)網(wǎng)絡(luò)，包括輸入層、模糊層、隱含層和輸出層； 其中所述輸入層用于將所述樣本定義值輸入到所述模糊層，每一個(gè)節(jié)點(diǎn)代表一個(gè)輸入變量； 所述模糊層用于計(jì)算癥狀對(duì)于病害重要性的隸屬度函數(shù)，將所述輸入變量模糊化，并根據(jù)共同語義空間的向量構(gòu)建方法獲取癥狀的樣本定義值，基于癥狀隸屬度和癥狀樣本定義值，對(duì)原始樣本進(jìn)行向量化得到樣本向量，通過遺傳算法獲得初始優(yōu)化權(quán)值，與所述樣本向量一起傳遞給所述隱含層的神經(jīng)元； 所述隱含層用于基于所述樣本向量和所述初始優(yōu)化權(quán)值，計(jì)算所述輸入層到所述輸出層的映射； 所述輸出層用于根據(jù)輸出向量中的最大向元值位置確定可疑病害，若所述最大值接近于O，則所對(duì)應(yīng)的病害可能性?。蝗羲鲎畲笾到咏贗,則所對(duì)應(yīng)的病害可能性大。
10.如權(quán)利要求5所述的便攜系統(tǒng)，其特征在于，所述網(wǎng)絡(luò)體驗(yàn)服務(wù)系統(tǒng)用于提供用戶使用說明、功能在線體驗(yàn)與升級(jí)、數(shù)據(jù)庫(kù)資源下載與更新。
全文摘要
本發(fā)明公開了一種蔬菜病害診斷方法和便攜系統(tǒng)，對(duì)具有外觀病態(tài)表現(xiàn)的蔬菜植株建立蔬菜病害診斷知識(shí)模糊集和癥狀重要性隸屬度；根據(jù)癥狀重要性隸屬度和癥狀特征構(gòu)建基于共同語義空間的輸入向量；基于上述構(gòu)建的輸入向量，構(gòu)建基于改進(jìn)遺傳算法的模糊神經(jīng)網(wǎng)絡(luò)，并進(jìn)行訓(xùn)練，得到成熟的模糊神經(jīng)網(wǎng)絡(luò)；在成熟的模糊神經(jīng)網(wǎng)絡(luò)中輸入蔬菜病害癥狀，得出輸出向量，確定診斷結(jié)果。本發(fā)明利用基于共同語義空間的輸入向量構(gòu)建方法建立承載描述癥狀特征和癥狀重要性的輸入向量，解決了樣本集代表性差、矛盾樣本多、診斷規(guī)律體現(xiàn)不明顯等問題，結(jié)合利用基于改進(jìn)的遺傳算法的模糊神經(jīng)網(wǎng)絡(luò)模型，使得蔬菜病害診斷結(jié)果準(zhǔn)確率更高，容錯(cuò)推理能力更強(qiáng)。
文檔編號(hào)G06Q50/02GK103218748SQ20131008447
公開日2013年7月24日 申請(qǐng)日期2013年3月15日 優(yōu)先權(quán)日2013年3月15日
發(fā)明者羅長(zhǎng)壽, 魏清鳳, 孫素芬, 張峻峰, 曹承忠, 劉娟, 孟鶴, 郭強(qiáng) 申請(qǐng)人:北京市農(nóng)林科學(xué)院