利用多项式网络与反向传播确定预测蘑菇菌株的最佳质量参数

《Journal of Agriculture and Food Research》:DETERMINING OPTIMAL QUALITY PARAMETERS TO PREDICT MUSHROOM STRAINS USING POLYNOMIAL NETWORKS AND BACKPROPAGATION

【字体: 大 中 小 】 时间:2026年06月01日 来源:Journal of Agriculture and Food Research 6.2

编辑推荐:

  摘要:蘑菇在全球范围内被广泛种植,因其显著的营养价值和健康益处备受推崇,同时具备极高的多功能性和经济效益。因此,众多研究致力于探究决定这种食品质量的营养参数,但并非所有此类参数都能显著代表蘑菇的质量。本研究旨在开发一种新型模型,通过整合数据处理分组法(GMDH

  
摘要:蘑菇在全球范围内被广泛种植,因其显著的营养价值和健康益处备受推崇,同时具备极高的多功能性和经济效益。因此,众多研究致力于探究决定这种食品质量的营养参数,但并非所有此类参数都能显著代表蘑菇的质量。本研究旨在开发一种新型模型,通过整合数据处理分组法(GMDH)网络与反向传播(Backpropagation)及广泛使用的优化算法(如自适应矩估计(ADAM)),实现对蘑菇菌株的预测,从而最优且准确地选择蘑菇菌株的质量参数组合,以获取更高的收益。为此,研究人员使用了7种由27个质量参数(包括质地和颜色)表征的双孢蘑菇(Agaricus bisporus)菌株。所实施的模型取得了积极成果,建立了积极的协同效应,并增强了蘑菇菌株的预测效果。当最优组合包含8个质量参数时,获得了91.5%的可靠性;而当最优组合包含12个质量参数时,可靠性达到了92.5%。因此,本研究证明了利用GMDH-ADAM生成的模型在预测双孢蘑菇代表性质量参数方面具有高可靠性,这也为未来其他类型作物的研究提供了方法论上的进步。

论文解读:利用多项式网络与反向传播确定预测蘑菇菌株的最佳质量参数

研究背景与意义

双孢蘑菇(Agaricus bisporus)是全球栽培和消费最广泛的蘑菇品种之一。商业化的蘑菇生产依赖于五个关键策略:获取高选择性复合基质、使用特定性质的覆盖层、接种优质高产菌株、在环境可控的房间内栽培以及对种植者进行适当培训。虽然提高产量是生产者的首要任务,但随着市场趋势的变化,消费者越来越偏好更白皙、质地更坚实的蘑菇。因此,商业菌株的选择不仅基于产量,还高度依赖于质量和感官特征。在众多质量参数中,硬度、菌盖的白色度以及抗酶促褐变能力是影响消费者购买决策的关键因素,直接关系到新鲜度感知、市场价格和采后保质期。此外,生物学效率和子实体单重等生产参数也对作物的最终盈利能力和生产成本优化产生重大影响。
然而,目前的挑战在于并非所有测量的质量参数都对区分不同菌株具有同等重要的代表性。同时,传统的人工神经网络(ANN)虽然广泛应用于分类模型,但存在计算成本高昂以及无法提供透明、可迁移数学模型的问题。为了解决这些问题,本研究提出了一种新颖的方法,旨在通过集成数据处理分组法(GMDH)网络与反向传播算法,并结合现代优化技术,准确筛选出能够预测蘑菇菌株的最优质量参数组合,从而在保证预测精度的前提下简化模型,为农业生产带来实际的经济效益。

关键技术方法

研究人员选取了7种高产商业白杂交双孢蘑菇菌株作为实验对象。为了表征这些菌株,研究测定了27个初始质量参数,涵盖颜色参数(如L、a、b*、白度指数WI、黄度指数YI等)、质地参数(如最大力Fmax、断裂变形Dr、断裂力Fb等)以及其他参数(如单菇重量、菌盖直径、干物质、粗蛋白、生物学效率)。实验数据来源于在配备自动环境控制系统的实验生长室中进行的21个蘑菇生长周期(每种菌株3个周期)。
在分析方法上,研究团队开发了定制的C++库来执行计算。核心技术采用了数据处理分组法(GMDH)算法,这是一种自组织归纳学习策略,能够通过多层竞争过程自动筛选变量。为了克服GMDH可能陷入局部最优且精度受限的缺点,研究人员创新性地将反向传播(Backpropagation)算法集成到GMDH网络中,并利用梯度下降(GD)、带动量的梯度下降(GDM)、均方根传播(RMSProp)和自适应矩估计(ADAM)等优化算法对模型进行微调。此外,由于GMDH架构通常只能处理单一输出,研究团队构建了7个子模型(对应7个菌株),并通过独立的选择数据集来控制网络生长,防止过拟合。

研究结果

质量参数的降维
在处理27个初始参数时,考虑到计算能力的限制,研究人员利用GMDH算法的自动选择能力进行了参数降维。通过分析7个子网络生成的层数及参数重复出现频率,最终筛选出19个最具代表性的质量参数。研究发现,虽然保留了约70%的参数,但这些参数能解释模型中超过22个有效位置。具体分析表明,不同菌株的关键决定参数具有特异性。例如,参数Wb(Wb = Fb x Db / 2)对于Amycel Triple X菌株最为重要,但对于Amycel 2600-7、Amycel 6000和Gurelan 55则不那么关键。总体而言,Rt(Rt)、生物学效率(Biological efficiency)、Wb、菌盖直径(Cap diameter)和粗蛋白(crude protein)被认定为最重要的全局质量参数。这一发现不仅降低了后续模型的复杂度,也明确了区分特定菌株的核心指标。
GMDH模型的生成与参数组合
研究人员基于筛选出的19个参数,生成了从2个到19个参数不等的数十万种组合模型。结果显示,随着考虑的参数数量增加,验证集的平均命中率也随之上升,并在12个参数左右达到性能饱和点。值得注意的是,单个参数的高平均命中率并不等同于其所在组合的最优性。例如,单菇重量(Unitary wt)虽然在各项组合中平均命中率最高,但在9个参数的最佳模型中并未被选中,因为其他参数之间的协同效应产生了更好的整体结果。最终,由Wb和Rt构成的2参数模型表现最佳,而Dr参数虽然平均命中率高于Wb,却未能入选该最佳二元组合。
提出的分类模型
通过GMDH算法与反向传播的集成,研究提出了一个高效的分类模型。在未进行反向传播优化前,12个参数的组合模型在验证集上的准确率已达到91.5%。经过基于ADAM算法的反向传播微调后,模型的准确率进一步提升至92.5%。更为突出的是,研究人员发现一个仅包含8个参数(单菇重量、粗蛋白、白度指数、断裂变形Dr、断裂力Fb、梯度2 Grad2、重量差Wp、生物学效率)的模型,在经过优化后达到了91.59%的高准确率。这8个参数构成的模型不仅精度极高,而且结构简洁,可以直接在Excel电子表格中实现,极大地便利了农业从业者的实际操作与知识转移。
梯度下降优化器的适应性
研究详细测试了四种优化算法在GMDH网络中的表现。结果表明,标准的梯度下降(GD)和带动量的梯度下降(GDM)表现出明显的不稳定性,仅在处理极少神经元和最多2层深度的网络时有效,偶尔能在3层网络中保持稳定。这种不稳定性归因于Kolmogorov-Gabor多项式中的二次项导致梯度变化率过大。相比之下,均方根传播(RMSProp)和自适应矩估计(ADAM)在处理大型深层网络时表现出极高的稳定性。这是由于这两种算法对权重梯度进行了有效的“归一化”处理。尽管RMSProp在迭代次数较少时表现较好,但随着迭代的进行,ADAM算法凭借其在RMSProp基础上引入动量的优势,展现出更优越的性能。因此,在对GMDH网络进行微调时,强烈推荐使用ADAM算法,并建议将学习率设定为0.0000001。
预测模型的局限性
尽管模型展现出了高预测精度,但仍存在一定的局限性。首先,作为一种监督学习方法,模型的性能与训练数据集的多样性密切相关。当应用于与研究中分析的7个商业品种差异较大的栽培条件、基质或菌株时,其可靠性可能会降低。其次,虽然GMDH比传统的“黑盒”神经网络提供了更透明的数学表达式,但高阶多项式交互作用的生物学意义仍然难以直观解释。此外,尽管GMDH在执行效率上优于传统人工神经网络,但自动参数选择的迭代过程需要对数据进行谨慎的初始划分以避免偏差。同时,标准GMDH架构通常针对单一输出变量设计,因此在处理多类别分类问题时,需要集成子模型或特定的优化算法(如ADAM)来维持稳定性并防止过拟合。

结论

本研究通过实施不同的ANN模型,为农业食品行业预测双孢蘑菇菌株提供了新技术。提出的模型使研究人员能够识别出最能精确定义蘑菇菌株质量的特征参数。该方法论使得研究人员能够获得一个简单的模型,该模型可在Excel电子表格中实现,仅需8个参数即可达到91.59%的命中率,而使用12个参数可达到92.5%。
这些结果表明,基于质量参数的最优组合,可以高可靠性地预测蘑菇菌株。这一发现对商业生产具有直接影响,因为它允许种植者提前选择最适合其生产目标的菌株,优化生物学效率,并减少与质地、颜色或产量变异相关的损失。利用可测量的参数进行早期菌株识别有助于在作物管理中做出更精确的决策,并提高盈利能力。能够使用像Excel这样通用的日常工具来处理该模型是一个显著的优势,因为其应用可能触达所有用户。
事实证明,GMDH网络结合反向传播和ADAM算法能有效解决分类问题,且计算成本低于传统神经网络。此外,不建议在GMDH网络中使用梯度下降和带动量的梯度下降优化算法,相反,推荐使用RMSProp和ADAM算法。
相关新闻
生物通微信公众号
微信
新浪微博

热点排行

    今日动态 | 人才市场 | 新技术专栏 | 中国科学人 | 云展台 | BioHot | 云讲堂直播 | 会展中心 | 特价专栏 | 技术快讯 | 免费试用

    版权所有 生物通

    Copyright© eBiotrade.com, All Rights Reserved

    联系信箱:

    粤ICP备09063491号