摘要：中藥材品質(zhì)的形成和環(huán)境因子有著密切的關(guān)系，以黃岑為例，分析其生境環(huán)境因子，根據(jù)不同地理位置的環(huán)境因子，結(jié)合生物適生地分析系統(tǒng)數(shù)據(jù)，通過構(gòu)建改進(jìn)的基于大數(shù)據(jù)的神經(jīng)網(wǎng)絡(luò)模型對(duì)其進(jìn)行訓(xùn)練，從而找到收益最高的地理位置，挖掘更高的商業(yè)價(jià)值。
　　關(guān)鍵詞：
　　神經(jīng)網(wǎng)絡(luò)模型；大數(shù)據(jù)；種植基地；生物適生地分析系統(tǒng)
　　中圖分類號(hào)：TP3016文獻(xiàn)標(biāo)志碼：A
　　文章編號(hào)：2095-5383（2019）01-0045-03
　　Research on Adaptive Area Selection of Chinese Herbal Medicine based
　　on Improved PSOBP Algorithm
　　QI Menga，WANG Yanb，HE Ruoxuea
　�。╝. School of Electronic Engineering；b. School of Network and Communication Engineering，Chengdu Technological University，Chengdu 611730， China）
　　Abstract：
　　The environmental factors are closely related to the formation of the quality of Chinese herbal medicines. Taking Huangqi as an example， its environmental factors of habitat were analyzed. Based on the environmental factors of different geographical locations and the biophysical analysis of system data， the improved neural network model was constructed based on big data. By training the improved neural network model， the most profitable geographic location can be found and the higher business value can be accessed.
　　Keywords：
　　neural network model； big data； planting base； biological adaptive analysis system
　　我國地域廣闊，天然藥材資源豐富。中藥材除了能治病救人，還是一種珍貴的自然資源，可持續(xù)發(fā)展對(duì)其至關(guān)重要。但是近年來我國由于種植方法和地域以及自然因素的差異，中藥材的質(zhì)量差別很大，產(chǎn)量也不同[1]，為了克服上述問題，本文在中草藥的適宜栽培區(qū)域劃分研究的基礎(chǔ)上，基于生物適生地分析系統(tǒng)數(shù)據(jù)，以黃芩的種植為例，利用改進(jìn)的BP神經(jīng)網(wǎng)絡(luò)算法，方便快捷地找到對(duì)應(yīng)的適合中草藥種植的基地，為企業(yè)獲得更多利潤。
　　1BP神經(jīng)網(wǎng)絡(luò)算法與改進(jìn)
　　11工作信號(hào)正向傳播
　　n、q、m分別代表輸入層、隱含層、輸出層節(jié)點(diǎn)數(shù)，從輸入層到輸出層彼此之間的權(quán)值分別為vki和wjk，隱含層和輸出層的傳遞函數(shù)分別為f1（·）和f2（·），隱含層節(jié)點(diǎn)的輸出為：
　　zk=f1（∑ni=0vkixi） k=1，2，…，q（1）
　　輸出層節(jié)點(diǎn)的輸出為：
　　yj=f2（∑qk=0wjkzk）j=1，2，…，m（2）
　　12誤差信號(hào)反向傳播
　　首先對(duì)誤差函數(shù)進(jìn)行定義，學(xué)習(xí)樣本的輸入為P個(gè)，分別表示為x1，x2，…，xp。當(dāng)?shù)趐個(gè)樣本輸入進(jìn)網(wǎng)絡(luò)之后，輸出為ypj（j=1，2，…，m）。本次采用的函數(shù)為平方型誤差函數(shù)，最終得到的樣本誤差Ep為：
　　Ep=12∑mj=1（tpj-ypj）2（3）
　　式中：tjp為期望輸出。P個(gè)樣本的全局誤差為：
　　E=12∑Pp=1 ∑m j=1（tpj-ypj）2=∑Pp=1Ep（4）
　　用累計(jì)誤差BP算法調(diào)整輸出層權(quán)值的變化、即wjk，使全局誤差E逐漸變小，即
　　Δwjk=-ηEwjk=-ηwjk（∑Pp=1EP）=∑Pp=1（-ηEpwjk）（5）
　　式中：η為學(xué)習(xí)率。定義誤差信號(hào)為：
　　δyj=-EpSj=-Epyj·yjSj
　　（6）
　　其中第一項(xiàng)：
　　vk+1id=wvkid+c1ξ（pkid-xkid）+c2η（pkgd-xkid）（7）
　　第二項(xiàng)：
　　yjsj= f2′（sj）
　�。�8）
　　是輸出層傳遞函數(shù)的偏微分。于是：
　　yj=∑mj=1（tpj-ypj） f2′（sj）
　�。�9）
　　由鏈定理得：
　　Epwjk=Epδj·δjwjk=-δyjzk=-
　　∑mj=1 （tpj-ypj） f2′（sj）·zk
　�。�10）
　　輸出層的權(quán)值調(diào)整公式為：
　　Δwjk=∑Pp=1 ∑m j=1η（tpj-ypj） f2′（sj）zk（11）
　　隱含層權(quán)值的變化，隱含層權(quán)值的調(diào)整采取與輸出層權(quán)值調(diào)整相似的方式，從而得到隱含層各神經(jīng)元的權(quán)值調(diào)整公式為：
　　Δvki=∑Pp=1∑mj=1η（tpj-ypj） f2′（sj）wjk f1′（sk）xi（12）

相關(guān)熱詞搜索：生地 選址 中藥材 算法 改進(jìn)