人工神經(jīng)網(wǎng)絡(luò)的發(fā)展與應(yīng)用

人工神經(jīng)網(wǎng)絡(luò)的發(fā)展與應(yīng)用

1人工神經(jīng)網(wǎng)絡(luò)的發(fā)展歷程人工神經(jīng)網(wǎng)絡(luò)是人工智能領(lǐng)域發(fā)展最快的信息系統(tǒng)技術(shù)之一。這是基于對(duì)大腦和神經(jīng)系統(tǒng)的研究而建立的計(jì)算模型。人工神經(jīng)網(wǎng)絡(luò)由排列成層次的許多處理單元組成,可以用過去的經(jīng)驗(yàn)進(jìn)行學(xué)習(xí),特別適用于很難用常規(guī)數(shù)學(xué)方法表達(dá)過程的信息處理。它的發(fā)展對(duì)計(jì)算機(jī)科學(xué)、人工智能、認(rèn)知科學(xué)、腦神經(jīng)科學(xué)、數(shù)理科學(xué)、信息科學(xué)、微電子學(xué)、自動(dòng)控制與機(jī)器人、系統(tǒng)工程等領(lǐng)域都有不可估量的影響。人們對(duì)人工神經(jīng)網(wǎng)絡(luò)的研究歷史由來以久。1940年,心理學(xué)家McCulloch與數(shù)學(xué)家Pitts根據(jù)生物神經(jīng)元的一些基本生理特性開始研究大腦和神經(jīng)系統(tǒng)的學(xué)習(xí)過程并描述了后來的M-P模型。開創(chuàng)了人工神經(jīng)網(wǎng)絡(luò)的新紀(jì)元。1958年,Rosenblatt定義了一個(gè)神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu),稱為感知器模型,此模型類似于M-P模型,但連接權(quán)值Wij是可變的,因而使神經(jīng)網(wǎng)絡(luò)具有學(xué)習(xí)功能,在一定輸入值情況下,通過搜索方式改變連接權(quán)值以獲得一組適當(dāng)?shù)倪B接權(quán)值,從而保證輸出符合期望值。此模型可用來進(jìn)行分類。1960年,Widrow等提出自適應(yīng)線形神經(jīng)元,用于信號(hào)處理中的自適應(yīng)濾波、預(yù)測和模型識(shí)別。第一次用神經(jīng)網(wǎng)絡(luò)技術(shù)來解決現(xiàn)實(shí)生活中的問題。1974年,美國哈佛大學(xué)博士Werbos.P在其博士論文中,獨(dú)立的提出誤差逆?zhèn)鞑ニ惴˙P網(wǎng)絡(luò)。1982年,美國生物物理學(xué)家Hopfield提出HNN網(wǎng)絡(luò)模型,用于解決N-P問題,取得了很好的解答。1985年,Rumelhart等發(fā)展了BP網(wǎng)絡(luò)算法,實(shí)現(xiàn)了Minsky的多層網(wǎng)絡(luò)設(shè)想。加上早些時(shí)候在神經(jīng)網(wǎng)絡(luò)自適應(yīng)共振、自組織映照等方面的研究成果使人工神經(jīng)網(wǎng)絡(luò)的研究興起了熱潮。2神經(jīng)網(wǎng)絡(luò)的結(jié)構(gòu)所謂人工神經(jīng)網(wǎng)絡(luò),就是模仿生理神經(jīng)網(wǎng)絡(luò)的結(jié)構(gòu)和功能而設(shè)計(jì)的一種信息處理系統(tǒng)。確切地說,人工神經(jīng)網(wǎng)絡(luò)是由多個(gè)非常簡單的處理單元彼此按某種方式相互連接而形成的信息處理網(wǎng)絡(luò)。網(wǎng)絡(luò)的信息處理由神經(jīng)元之間的相互作用來實(shí)現(xiàn);知識(shí)與信息的存儲(chǔ)表現(xiàn)為網(wǎng)絡(luò)元件互聯(lián)間分布式的物理聯(lián)系;網(wǎng)絡(luò)的學(xué)習(xí)和訓(xùn)練決定于各神經(jīng)元連接權(quán)系的動(dòng)態(tài)演化過程。用人工神經(jīng)網(wǎng)絡(luò)解決問題的過程要經(jīng)過兩個(gè)階段:(1)訓(xùn)練或?qū)W習(xí)階段。訓(xùn)練時(shí),把要交給網(wǎng)絡(luò)的信息作為網(wǎng)絡(luò)的輸入和要求的輸出,使網(wǎng)絡(luò)按某種規(guī)則(稱訓(xùn)練算法)調(diào)節(jié)各處理單元間的連接權(quán)值,直到加上給定輸入,網(wǎng)絡(luò)就能產(chǎn)生給定輸出為止。這時(shí),各連接權(quán)已調(diào)節(jié)好,網(wǎng)絡(luò)的訓(xùn)練完成了。(2)正常操作或稱回憶階段,就是對(duì)訓(xùn)練好的網(wǎng)絡(luò)輸入一個(gè)信號(hào),它就可正確回憶出相應(yīng)輸出,所以也稱回憶操作。這就像小孩認(rèn)人一樣。目前已有數(shù)十種不同的神經(jīng)網(wǎng)絡(luò)的結(jié)構(gòu),其中后傳遞神經(jīng)網(wǎng)絡(luò)是一種最常用的指導(dǎo)下學(xué)習(xí)結(jié)構(gòu),它由層狀組織的處理單元組成,有輸入層、中間層和輸出層。輸入層和輸出層的處理單元數(shù)根據(jù)輸入變量與輸出變量數(shù)來決定。中間層象一個(gè)黑箱,其層數(shù)及處理單元數(shù)只能依問題的要求來定。由于后傳遞網(wǎng)絡(luò)程序比較簡單易學(xué),便于掌握,可用于處理一般分類、預(yù)測、過程控制、圖像識(shí)別等問題,在農(nóng)業(yè)信息科學(xué)中應(yīng)用的比較多。3人工神經(jīng)網(wǎng)絡(luò)的特點(diǎn)對(duì)人工神經(jīng)網(wǎng)絡(luò)理論和模型的研究表明,人工神經(jīng)網(wǎng)絡(luò)具有下述四個(gè)主要特點(diǎn)。3.1個(gè)網(wǎng)絡(luò)系統(tǒng)的設(shè)計(jì)網(wǎng)絡(luò)中每個(gè)單元都是獨(dú)立的信息處理單元,它的計(jì)算可獨(dú)立進(jìn)行,而整個(gè)網(wǎng)絡(luò)系統(tǒng)卻是并行計(jì)算的。它完全不同于傳統(tǒng)的計(jì)算機(jī)的串行運(yùn)算。由于神經(jīng)網(wǎng)絡(luò)是一個(gè)大規(guī)模互聯(lián)的復(fù)雜網(wǎng)絡(luò)系統(tǒng),因而是大規(guī)模的并行處理,這就大大提高了系統(tǒng)的處理速度,并為實(shí)時(shí)處理提供了重要條件。3.2人工智能學(xué)習(xí)能力分析人類的很多智能是通過學(xué)習(xí)得到的。人工神經(jīng)網(wǎng)絡(luò)與人腦類似,具有學(xué)習(xí)的功能。目前,在傳統(tǒng)的人工智能研究中,如在專家系統(tǒng)建立中,機(jī)器學(xué)習(xí)、知識(shí)獲取是一個(gè)難題,而人工神經(jīng)網(wǎng)絡(luò)具有學(xué)習(xí)能力,其知識(shí)獲取工作遠(yuǎn)比當(dāng)前的傳統(tǒng)人工智能方法簡單得多。通常只要給出所需的數(shù)據(jù)、實(shí)例,由網(wǎng)絡(luò)去學(xué)習(xí),而學(xué)習(xí)獲得的知識(shí)都分布儲(chǔ)存在整個(gè)網(wǎng)絡(luò)的用權(quán)系數(shù)表示的連接線上。不同網(wǎng)絡(luò),因?qū)W習(xí)方法及內(nèi)容不同,可得到不同的功能和不同的應(yīng)用。因而,有可能解決傳統(tǒng)人工智能目前最感困難的機(jī)器學(xué)習(xí)中知識(shí)獲取、知識(shí)表示等問題。3.3信息和知識(shí)分布式儲(chǔ)存在人工神經(jīng)網(wǎng)絡(luò)系統(tǒng)中,信息分布地儲(chǔ)存在整個(gè)網(wǎng)絡(luò)連線的權(quán)系統(tǒng)上,每個(gè)權(quán)系數(shù)又涉及或紀(jì)錄著不同的信息或知識(shí),即信息或知識(shí)在神經(jīng)網(wǎng)絡(luò)中是分布式地儲(chǔ)存的。這種分布式儲(chǔ)存方式,決定了神經(jīng)網(wǎng)絡(luò)具有容錯(cuò)性。與人腦類似,神經(jīng)細(xì)胞的正常死亡,并不影響大腦功能。反映在人工神經(jīng)網(wǎng)絡(luò)中,如果有一些處理單元損壞時(shí),系統(tǒng)仍能正常工作。3.4人工神經(jīng)網(wǎng)絡(luò)人們很容易由一事物聯(lián)想到另一事物,從當(dāng)前的事物回憶起過去的事物。人工神經(jīng)網(wǎng)絡(luò)同樣具有聯(lián)想性。例如,輸入一個(gè)不完整的或者模糊的圖像信息,人工神經(jīng)網(wǎng)絡(luò)就可以聯(lián)想出存儲(chǔ)在其記憶中的一個(gè)完整、清晰的圖像來。4人工神經(jīng)網(wǎng)絡(luò)在農(nóng)業(yè)中的應(yīng)用4.1神經(jīng)網(wǎng)絡(luò)分析神經(jīng)網(wǎng)絡(luò)模型可以用過去的事件來進(jìn)行學(xué)習(xí),學(xué)習(xí)好的網(wǎng)絡(luò)模型就能以過去的經(jīng)驗(yàn)來進(jìn)行預(yù)測。Linko等采用在發(fā)酵過程中容易測取的量如pH值、攪拌速度、CO2和O2的消耗率等指標(biāo)作為輸入量,將酶活性及干物質(zhì)生成量作為輸出,建立神經(jīng)網(wǎng)絡(luò)模型。經(jīng)過數(shù)據(jù)的學(xué)習(xí),此系統(tǒng)可以滿意地用葡萄糖淀粉酶過程中在線檢測的數(shù)據(jù)來預(yù)測反映結(jié)果,而對(duì)輸入過程進(jìn)行控制。Thai等用神經(jīng)網(wǎng)絡(luò)分析甜瓜質(zhì)量的物理測量指標(biāo)與人們感官對(duì)甜瓜香味、甜度、酸度、組織結(jié)構(gòu)、水份等質(zhì)量指標(biāo)的相關(guān)關(guān)系,來預(yù)測甜瓜質(zhì)量。將實(shí)測物理指標(biāo)與人的感官分類聯(lián)系起來,對(duì)食品質(zhì)量進(jìn)行預(yù)測,在食品工業(yè)中有很重要的意義。Murase等用神經(jīng)網(wǎng)絡(luò)來預(yù)測西紅柿表皮破裂時(shí),表皮中產(chǎn)生的最大應(yīng)力。西紅柿表皮應(yīng)力的增加與西紅柿內(nèi)靠近表皮部分水分的增加有關(guān),當(dāng)表皮應(yīng)力超過最大表皮強(qiáng)度時(shí),將導(dǎo)致表皮破裂。神經(jīng)網(wǎng)絡(luò)系統(tǒng)可以預(yù)測在環(huán)境溫度和濕度下的表皮應(yīng)力。可用來控制環(huán)境變量來降低西紅柿表皮破裂造成的損失。Das等采用計(jì)算機(jī)視覺技術(shù)將燈光照射雞蛋的圖像數(shù)字化,然后建立神經(jīng)網(wǎng)絡(luò)模型對(duì)圖像進(jìn)行分析。雞蛋在孵化過程中,胚胎圖像的變化可以說明雞蛋是否受精或是否死胎。將雞蛋照射圖像的灰度直方圖分為八個(gè)部分,每部分灰度頻度的平均值做為輸入量輸入神經(jīng)網(wǎng)絡(luò)模型。學(xué)習(xí)好的網(wǎng)絡(luò)分辨雞蛋孵化第三天后的死胎率,精度可達(dá)93.5%。禹建麗等以我國糧食播種面積X1、成災(zāi)面積X2、單位面積化肥用量X3為輸入神經(jīng)元,以我國糧食總產(chǎn)量Y為輸出神經(jīng)元,建立BP神經(jīng)網(wǎng)絡(luò)模型,在神經(jīng)網(wǎng)絡(luò)訓(xùn)練后,得到了令人滿意的回檢精度和預(yù)測精度。4.2對(duì)常用神經(jīng)網(wǎng)絡(luò)的認(rèn)識(shí)和操作模擬在農(nóng)業(yè)工程中,存在著大量的分類問題,如農(nóng)產(chǎn)品的分級(jí)分類等。由于分類指標(biāo)涉及到體積、尺寸、形狀、重量、色彩、生物特征等,許多產(chǎn)品過去都只能靠人工來進(jìn)行分類和分級(jí),這樣很不準(zhǔn)確,而且因?yàn)槿藶橐蛩匾矌砹撕芏啾撞『吐┒?。采用?jì)算機(jī)視覺系統(tǒng),將產(chǎn)品外觀信息輸入計(jì)算機(jī),根據(jù)圖像的分類特征將圖像數(shù)據(jù)進(jìn)行預(yù)處理,然后輸入神經(jīng)網(wǎng)絡(luò)進(jìn)行學(xué)習(xí),學(xué)習(xí)好的網(wǎng)絡(luò)系統(tǒng)用于分類分級(jí),達(dá)到了良好的效果。Liao等將玉米種子圖像的形態(tài)用34個(gè)設(shè)計(jì)參數(shù)來描述,其中包括16個(gè)沿周邊的最大曲率,13個(gè)沿主軸的對(duì)稱比,1個(gè)外形圓度與主軸長度比,1個(gè)面積值及3個(gè)垂直于主軸的副軸長度比,作為神經(jīng)網(wǎng)絡(luò)的輸入變量,輸出為種子形態(tài)的五種分類,經(jīng)過學(xué)習(xí)的神經(jīng)網(wǎng)絡(luò)模型分類精度可達(dá)到91%以上。Deck等用正交放置的兩個(gè)攝像機(jī)拍攝土豆的圖像,對(duì)土豆進(jìn)行鑒別和分類。他們將彩色圖像中的紅、綠和藍(lán)三個(gè)分量轉(zhuǎn)換成色彩度,將預(yù)處理后色彩度的直方圖數(shù)據(jù)和面積等六個(gè)參數(shù)作為神經(jīng)網(wǎng)絡(luò)的輸入變量,把土豆按形狀尺寸和發(fā)綠程度分類,其結(jié)果也優(yōu)于傳統(tǒng)分類方法。Miller用相同的系數(shù)將葡萄柚分類,采用面積比=物體面積/包圍物體的矩形面積,圓度=周長*周長/物體面積,直徑范圍=dmax-dmin及直徑比=dmax/dmin作為神經(jīng)網(wǎng)絡(luò)輸入變量,可以準(zhǔn)確地將水果分為不同等級(jí)。Yang用平行光柵照射蘋果表面所得到的一組表面曲線的曲率特征以及蘋果圖像的特征作為輸入,建立神經(jīng)網(wǎng)絡(luò)模型來區(qū)分蘋果表面?zhèn)叟c正常凹陷。經(jīng)學(xué)習(xí)后的網(wǎng)絡(luò)識(shí)別正確率達(dá)96%以上。4.3生產(chǎn)過程控制許多加工工業(yè)的生產(chǎn)過程是難以用精確數(shù)學(xué)模型來描述的,但神經(jīng)網(wǎng)絡(luò)可以用生產(chǎn)過程積累的數(shù)據(jù)進(jìn)行學(xué)習(xí),可以充分反映過程控制變量對(duì)生產(chǎn)過程的影響,預(yù)測產(chǎn)品質(zhì)量,因此可用來對(duì)生產(chǎn)過程進(jìn)行實(shí)時(shí)控制,以優(yōu)化生產(chǎn)過程。在用木屑生產(chǎn)膠合板的過程中,由于過程參數(shù)過多,且呈非線性,不可能用數(shù)學(xué)模型來描述生產(chǎn)過程參數(shù)值對(duì)產(chǎn)品質(zhì)量的影響。在一批膠合板生產(chǎn)完成后,約用兩個(gè)小時(shí)才能在實(shí)驗(yàn)室得到膠合板質(zhì)量的測試值,因此難以控制過程參數(shù)來對(duì)產(chǎn)品質(zhì)量進(jìn)行控制。Cook等采用后傳遞網(wǎng)絡(luò),取過程參數(shù)如濕度、干燥溫度、木屑密度、傳送帶速度、黏結(jié)質(zhì)量、加壓時(shí)間、加壓溫度和壓力等的輸入變量,預(yù)測產(chǎn)品質(zhì)量,近而對(duì)生產(chǎn)過程進(jìn)行控制。試驗(yàn)表明預(yù)測精度達(dá)90%以上。Seginer等用神經(jīng)網(wǎng)絡(luò)對(duì)溫室氣候進(jìn)行控制。溫室氣候因素包括作物移栽日期、作物狀態(tài)、平均日溫和太陽輻射、次日的平均室外溫度、室外溫度標(biāo)準(zhǔn)差、次日太陽輻射以及所消耗能量與作物市場價(jià)格的比值等。神經(jīng)網(wǎng)絡(luò)可用這些輸入變量預(yù)測第二天的最優(yōu)溫度控制點(diǎn),以便對(duì)室內(nèi)氣候進(jìn)行控制。4.4土壤特性的神經(jīng)網(wǎng)絡(luò)建模神經(jīng)網(wǎng)絡(luò)系統(tǒng)除了用于預(yù)測、分類等,還可以用于其他一些非線性過程,作為數(shù)據(jù)處理的一種工具,如Lin等采用神經(jīng)網(wǎng)絡(luò)來標(biāo)定土壤有機(jī)質(zhì)含量傳感器。由于土壤有機(jī)質(zhì)傳感器值是非線性的,噪聲和環(huán)境因素對(duì)傳感器值影響很大,采用常規(guī)的統(tǒng)計(jì)分析方法比較復(fù)雜且費(fèi)時(shí)。用神經(jīng)網(wǎng)絡(luò)將土壤特性如濕度、機(jī)械組成及傳感器相對(duì)于土壤有機(jī)質(zhì)含量的反應(yīng)值作為輸入變量,輸出為土壤有機(jī)質(zhì)含量。經(jīng)過69組試驗(yàn)數(shù)據(jù)的學(xué)習(xí),7組測試數(shù)據(jù)的精度達(dá)94%以上。神經(jīng)網(wǎng)絡(luò)在圖像處理上也得到廣泛應(yīng)用。Zhuang等根據(jù)計(jì)算機(jī)視覺系統(tǒng)在田間實(shí)測的圖像數(shù)據(jù)來確定甜瓜的位置,以裝備甜瓜收獲機(jī)器人的視覺系統(tǒng)。他們采用三層后傳遞網(wǎng)絡(luò)模型,輸入層有3*8個(gè)處理單元,代表一個(gè)像素中三種色彩的編碼值。輸出層三個(gè)處理單元代表此像素為葉子、土壤或甜瓜時(shí)的編碼,中間層含15個(gè)處理單元。只用一幅實(shí)測圖像的像素?cái)?shù)值來使網(wǎng)絡(luò)學(xué)習(xí),系統(tǒng)就可以清楚地分辨葉子、土壤和甜瓜,并精確確定甜瓜在圖像中的位置。4.5人工神經(jīng)網(wǎng)絡(luò)隨著人工神經(jīng)網(wǎng)絡(luò)理論的發(fā)展,其在農(nóng)業(yè)中應(yīng)用的逐步深入,農(nóng)業(yè)中的很多問題都可以用人工神經(jīng)網(wǎng)絡(luò)技術(shù)來解決,但要注意以下兩個(gè)問題:(1)并非所有的農(nóng)業(yè)中的問題都可以用人工神經(jīng)網(wǎng)絡(luò)來解決。在決定采用人工神經(jīng)網(wǎng)絡(luò)之前,首先應(yīng)考慮是用一般計(jì)算方法、統(tǒng)計(jì)方法,還是用人工智能方法或人工神經(jīng)網(wǎng)絡(luò)方法。一般具有下列特點(diǎn)的問題,可用人工神經(jīng)網(wǎng)絡(luò)方法解決:第一是這個(gè)問題用一般的計(jì)算機(jī)方法不能夠解決或難以解決的;二是如果問題要求定性描述或復(fù)雜量化的推論;三是問題的解是從一些高度關(guān)聯(lián)的參數(shù)中導(dǎo)出的,而這些參數(shù)又沒有確切的數(shù)量表示;四是數(shù)據(jù)雖然是可用,但它們是多變的、伴有噪聲的或有誤差的。相反,下列一些應(yīng)用都不能采用人工神經(jīng)網(wǎng)絡(luò)在數(shù)字上要求高精確度的應(yīng)用,像收支帳目、貨物盤存等;另外,要求臨時(shí)加載、分析和報(bào)告的應(yīng)用,包括銷售數(shù)據(jù)分析和資源管理也不適于用人工神經(jīng)網(wǎng)絡(luò)。一般來說,要求演繹和步進(jìn)邏輯的場合不適于用人工神經(jīng)網(wǎng)絡(luò)。(2)人工神經(jīng)網(wǎng)絡(luò)解決問題的前提必須具備足夠量大的樣本數(shù)據(jù)來訓(xùn)練網(wǎng)絡(luò)。人工神經(jīng)網(wǎng)絡(luò)是依靠學(xué)習(xí)和聯(lián)想來工作的,如果沒有足夠的樣本數(shù)據(jù),人工神經(jīng)網(wǎng)絡(luò)就失去了基礎(chǔ),解決問題就無意義。因此,要用人工神經(jīng)網(wǎng)絡(luò)解決問題,必須注意數(shù)據(jù)的積累,而這一點(diǎn)在農(nóng)業(yè)生產(chǎn)中經(jīng)常被人們所忽視。5未來的人類網(wǎng)絡(luò)和網(wǎng)絡(luò)發(fā)展方向5.1農(nóng)業(yè)互聯(lián)網(wǎng)的應(yīng)用需要利用由于人工神經(jīng)網(wǎng)絡(luò)由于其具有鮮明的幾大特點(diǎn),較強(qiáng)的自學(xué)習(xí)、自適應(yīng)、自組織能力,通過對(duì)有代表性的樣本的學(xué)習(xí)可以掌握學(xué)習(xí)對(duì)象的內(nèi)在規(guī)律,從而可以在一定程度上克服信息量大的問題,解決傳統(tǒng)方法的不足。所以充分發(fā)揮人工神經(jīng)網(wǎng)絡(luò)的技術(shù)優(yōu)勢(shì),在繼承過去科學(xué)寶貴的方法和經(jīng)驗(yàn)的同時(shí),更有效和自覺地在實(shí)踐中應(yīng)用這些技術(shù),促進(jìn)人工神經(jīng)網(wǎng)絡(luò)系統(tǒng)在農(nóng)業(yè)應(yīng)用中承擔(dān)更多智能型工作,加速實(shí)現(xiàn)農(nóng)業(yè)現(xiàn)代化。水肥耦合效應(yīng)指在農(nóng)業(yè)生態(tài)系統(tǒng)中,土壤礦質(zhì)元素與水這兩個(gè)體系融為一體,相互作用、互相影響而對(duì)植物的生長發(fā)育產(chǎn)生的結(jié)果或現(xiàn)象。水肥對(duì)植物的耦合效應(yīng)可產(chǎn)生三種不同的結(jié)果或現(xiàn)象,即協(xié)同效應(yīng)、疊加效應(yīng)和拮抗效應(yīng)。水分對(duì)肥料的作用,肥料對(duì)水分的作用,水肥的辨證關(guān)系以及在應(yīng)用過程中其余各種復(fù)雜自然條件(地域,環(huán)境,季節(jié)等)使該效應(yīng)的研究復(fù)雜化,而如果要得出產(chǎn)生水肥耦合效應(yīng)的最佳配比值單純的靠實(shí)驗(yàn)是很難做到的。利用人工神經(jīng)網(wǎng)絡(luò)建立模型,以確定特定的某種農(nóng)作物在什么樣的水分和肥料的配比效應(yīng)能最大限度的提高生產(chǎn)產(chǎn)量(在正常自然條件下)。這也許是研究水肥耦合效應(yīng)的捷徑。5.2人工神經(jīng)網(wǎng)絡(luò)的信息處理技術(shù)的局限性由于人工神經(jīng)網(wǎng)絡(luò)是通過對(duì)大量數(shù)據(jù)的“學(xué)習(xí)”過程來積累“經(jīng)驗(yàn)”,從而對(duì)新的數(shù)據(jù)進(jìn)行預(yù)測,因此,要求樣本取樣要有一定的廣度和均勻性。但隨著數(shù)據(jù)數(shù)量的增加,易出現(xiàn)訓(xùn)練時(shí)間過長、過度擬合、不穩(wěn)定等問題,所以采用人工神經(jīng)網(wǎng)絡(luò)的算法的信息處理技術(shù)在農(nóng)業(yè)