Алгоритм прогнозирования селекционной ценности образцов тритикале на основе искусственных нейронных сетей

Размещено на http://www.allbest.ru/

Размещено на http://www.allbest.ru/

Алгоритм прогнозирования селекционной ценности образцов тритикале на основе искусственных нейронных сетей

При обеспечении продовольственной безопасности продукции необходимо изучать новые сельскохозяйственные растения, созданные без применения генной инженерии и выращенные без использования ядохимикатов. Новая культура тритикале, полученная отдаленной гибридизацией пшеницы с рожью, отвечает таким требованиям. Она устойчива ко многим грибковым заболеваниям, не требует обработки ядохимикатами, что позволяет создать экологически чистую продукцию. Показатели качества зерна тритикале в значительной мере определяют технологические достоинства этой культуры. Эти показатели неустойчивы и зависят от особенностей сорта, почвенно-климатических условий и погодных условий года выращивания. Совокупность этих и других причин делают актуальной задачу повышения эффективности селекционного процесса для выведения новых сортов растения тритикале, обладающих требуемым сочетанием хозяйственно-важных признаков, за счёт прогнозирования результатов отбора.

Цель работы - разработка методики раннего прогнозирования селекционной ценности образца на основе параметрических показателей растительного пищевого сырья.

Развитие вычислительной техники и информационных технологий в последние годы привело к тому, что во многих предметных областях активно используются искусственные нейронные сети (ИНС) [1].

Для создания нейронной сети PNN используется М-функция newpnn. Определим 7 следующих векторов входа и соотнесём каждый из них к одному из 3 классов в соответствии с программным обеспечением Matlab (рисунок 1):

Размещено на http://www.allbest.ru/

Размещено на http://www.allbest.ru/

Алгоритм ИНС PNN

селекционный нейронный сеть прогнозирование

clear, P = [0 0; 1 1; 0 3; 1 4; 3 1; 4 1; 4 3]'; Tc = [1 1 2 2 3 3 3]

Вектор Тс назовём вектором индексов классов. Этому индексному вектору можно поставить в соответствие матрицу связности T в виде разреженной матрицы вида T = ind2vec(Tc): [{(1,1) 1}; {(1,2) 1}; {(2,3) 1}; {(2,4) 1}; {(3,5) 1}; (3,6) 1}; {(3,7) 1}], которая определяет принадлежность первых двух векторов классу 1, двух последующих - классу 2 и трёх последних - классу 3. Полная матрица Т имеет вид:

T = full(T)

T =

1 1 0 0 0 0 0

0 0 1 1 0 0 0

0 0 0 0 1 1 1

Матрицы Р и Т задают обучающее множество, что позволяет выполнить формирование сети, промоделировать её, используя массив входов, и удостовериться, что сеть правильно решает задачу классификации на элементах обучающего множества. В результате моделирования сети формируется матрица связности, соответствующая массиву векторов входа. Для того, чтобы преобразовать ее в индексный вектор, предназначена М-функция vec2ind.

net = newpnn (P, T);

net.layers{1}.size% Число нейронов в сети PNN

ans7

Y = sim (net, P); Yc = vec2ind(Y)

Yc = 1 1 2 2 3 3 3

Здесь Y - результат обучения, а Yc - результат соответствия вектора индекса индексу. Результат подтверждает правильность решения задачи классификации.

Выполним классификацию некоторого набора произвольных векторов р, не принадлежащих обучающему множеству, используя ранее созданную сеть PNN: p = [1 3; 0 1; 5 2]';

Выполняя моделирование сети для этого набора векторов, получаем:

a = sim (net, p); ac = vec2ind(a) ac = 2 1 3

В данной работе приведены результаты применения ИНС к коллекции тритикале урожая 2011 года с балловой оценкой входных параметров. Для сравнения образцов был выбран 21 признак с присвоенными им селекционно-значимыми весами (в таблице представлен фрагмент из случайно выбранных 6 образцов). Один из них - визуальная ценность образца (ВВ) - является субъективным фактором, плодом интуиции и опыта селекционера. Подтвердить или поправить оценку селекционера призвана ИНС.

На вход сети подавался 21 количественный показатель, характеризующий каждый экземпляр коллекции. Выходом было значение селекционной ценности изучаемых образцов в баллах - оценка по ИНС. В первом расчёте в обучении были задействованы 37, в основном, самых лучших образцов тритикале, а прогноз осуществлялся для всех 210 образцов тритикале этой коллекции. Отклонение от оценки селекционера при прогнозе в этом расчёте составило 2,42%. Во втором расчёте в обучении были задействованы 33, в основном, самых худших образцов тритикале, а прогноз осуществлялся для всех 210 образцов тритикале. Результатом второго расчёта стало отклонение от прогноза 2,40%. На рисунке 2 представлены результаты этого расчета и процентный график отклонения. Результаты расчетов свидетельствуют о том, что, с одной стороны, визуальная оценка выставлена квалифицированно, а с другой, о высокой эффективности применения сети PNN в данной задаче. Сказалось и качество входных параметров.

С 2009 года авторами ведётся мониторинг селекционной ценности образцов тритикале, каждый год выращиваемых в полевых условиях на полигонах ГНУ СибФТИ и ГНУ СибНИИРС [1-3]. За три года наработана технология обработки урожайных образцов, а с 2011 года введён электронный журнал учёта их параметров. Эти факторы сказались на качестве обработки параметров селекционного процесса. Разрешилась немаловажная загадка. До введения электронного журнала происходило неприятие программой ИНС некоторого числа комбинаций коллекции - программа ИНС давала сбой, и в расчётах не участвовала часть выборки. Число таких комбинаций в коллекциях иногда достигало 1% от их общего числа. Причиной сбоя считалась капризность ИНС. Однако, коллекцию урожая 2011 года (все 210 комбинаций) программа ИНС приняла без сбоя. Это свойство программы ИНС - давать сбой - позволяет использовать её для контроля качества обработки параметров селекционного процесса.

Вывод: разработанный алгоритм прогнозирования селекционной ценности образцов тритикале позволяет применять его с высокой эффективностью для этой и других культур на различных этапах селекции.

Библиографический список

селекционный нейронный сеть прогнозирование

1. Алейников А.Ф., Чанышев Д.И. Алгоритм прогнозирования показателей качества пищевого сырья растительного происхождения // Пища. Экология. Качество: трудыVII международной научно-практической конференции (Краснообск, 21-22 сентября 2010 г.). - Новосибирск, 2010. - С. 258-260.

2. Чанышев Д.И., Алейников А.Ф. Прогнозирование показателей качества пищевого сырья растительного происхождения на стадии селекции // Сибирский научный вестник, 2011. - вып. XV. - С. 160-164.

3. Чанышев Д.И., Алейников А.Ф., Гребенникова И.Г., Стёпочкин П.И. Алгоритм прогнозирования показателей качества пищевого сырья на ранней стадии его производства // Сибирский вестник с.-х. науки., 2012. - №3. - С. 129-132.

Размещено на Allbest.ru