随着科学技术的发展，新的学科、新的研究方法、新的分析方法不断出现，特别是人工智能技术、计算机应用技术的发展，给人类的生活和工作带来了很大的改变。我们应该采用先进的科学技术为农业生产服务，提高工作效率，增强工作能力。虽然自主地研制人工神经网络系统软件是很困难的(对此作者深有体会)，但对已研制成功的软件的应用是不困难的，就象使用其它一般的计算机应用软件一样简单，愿人工神经网络技术在农业病虫害预测预报方面开花结果。关于此技术在桑树病虫害预测预报中的应用实例，作者将另文再述。同时也希望本文能起到抛砖引玉的作用。桑叶的稳产、高产是蚕业生产稳定和发展的重要条件之一，而桑园病虫害的预测预报工作是指导桑园病虫害防治，提高防治效果的一项重要工作。用人工智能技术来进行病虫害预测预报是一种很好的方法。
1桑树病虫害预测系统的现状和存在问题
1.1目前病虫害预测的常用方法：
1.利用病虫害有效积温较为稳定来预测病虫害发生时期的“有效积温法”。
2.利用在一定的气象条件下病虫害生长发育阶段较为稳定的“期距预测法”。
3.利用生物间物候变化规律性的“物候预测法”。
4.利用虫群群体发育发生规律来预测发生趋势及危害程度的“预测法”。
1.2常用方法存在的问题：
      上述的预测方法中，建立数学模型，并用数学公式的形式来描述因果关系是一种基本的工作方法。由于技术和分析手段上的局限性，这些预测公式所依据的自变量(影响因素)个数较少，并且往往采用直接回归的方法来求解公式，复杂一点的也只是用到指数法、对数法、抛物线等少数几种常见的数学曲线来建立模型。而作物病虫害的发生是受多种环境条件综合影响的，并且这种影响不一定是直线性的，大多数情况下是复杂的，只有用多变量的高次方程来描述才是合理的。虽然在一定的范围内有些公式采用直线拟合会取得一定的准确性，但往往拟合的不是很好。
      其次，常规预测方法在建立数学公式(模型)时，事先需要进行大量的试验或调查，得到大量的原始数据，再经过数据的初步分析和回归分析，然后用方差分析的方法来判断所建立的数学公式是否有足够的可靠性，历时较长。因此对于一些新出现的病虫害要建立起合理可行的预测公式，并及时在生产实际中加以应用是很难做到的。这样就造成了与快速发展的农业生产形势不相适应的局面。
2改进现有预测系统的思路
      在改进和发展现有预测系统时，作者认为应考虑到下列问题：
1.由于病虫害的发生是受多因素的综合影响，是各因素间相互作用的结果，所以在预测公式中应有多个变量。
2.预测公式中各变量对结果的影响程度不同：有正相关的，也有负相关的；有强相关的，也有弱相关的；有简单的直线相关的，也有复杂的高次曲线相关的。
3.在建立预报公式时，不应假定某因素与发病率是直线相关的或者是与某特定的曲线相关，而应假定是某些因素与发病率之间存在着复杂的相关关系，预测公式应是一个多元高次方程或方程组： Y= f(xl， x2，x3……)。
4.建立预报公式的速度应是比较快的，有几年或几期的少量数据即可建立模型，并能进行初步的实际应用，且有一定的准确性。
5.当实践中遇到原预测公式与实际情况不相符合时，此预测公式也能不断地进行学习和改进，其结果既要包含原有因果关系(即原有知识)，又要包含新的情况；这种学习和改进人为干预要少，操作要方便。只有这样，该预测公式才会越来越完善，越来越能在更广泛的环境条件下做出更准确的预测。
3人工神经网络技术简介
      人工神经网络是模拟人脑的智能特点，是由许多神经元构成的非线性动力系统，能进行丰富多彩的信息处理活动。人工神经网络技术与计算机技术、人工智能技术、认知科学、信息科学、脑神经科学、逻辑数学、模糊数学、微积分、非欧几何等学科密切相关。
人工神经网络的基本特点：
1.由简单的神经元构成；
2.是一种非线性的处理系统，能进行并行处理，能处理复杂的非线性关系；
3.知识与信息的存贮是分散在各神经元中的；
4.信息的处理与存贮是同时的，信息处理和存贮是合二为一的；
5.各神经元具有广泛的联结性；
6.具有高维性、自适应性和学习联想能力，能够不断地进化，以适应新的环境条件。
4 KX-Ⅱ型人工神经网络的研制及特点介绍
      KX-Ⅱ型人工神经网络软件是作者经过三年的探索研究，把人工神经网络技术(人工智能技术中的一部分)和现代计算机技术相结合后开发出来的一个软件。该软件直接连接检疫工具箱，将工具箱检疫的数据通过该软件传递到计算机上面，其主要用途是在多因素共同作用、非直线相关的情况下对结果进行预测，效果良好，且软件本身具有不断学习提高的功能，特别适用于桑园病虫害等受复杂因素影响的预测工作。
      从人工神经网络的分类上来说，该模型属网络层次模型，是一种具有四层结构的前向网络，是一种多层感知器，采用B-P算法(反向传播算法)，从本质上说是一种B-P网络。
      该网络设有输入层节点、第一隐层节点、第二隐层节点、输出层节点等四层，其中输出层为一个节点。隐层神经节点的结构与功能如图1所示。

      X1、X2、X3、X4是该神经节点的输入信号，总的输入信号即该节点的总刺激为：
      Neti=ΣXi×Wi=X1×W1+X2×W2+X3×W3+X4×W4
      其中W1、W2、W3、W4为输入信号与该神经节的联接强度，取值范围为-1~1。当W=0，说明该路信号被阻断，不对该节点发生作用；当W>0，则该路信号对节点的输出有促进作用；当W<0，则该路信号对节点的输出有抑制作用。W绝对值越大，则作用越强烈。

      该节点的活化程度即输出值Y=f(neti)，即活化程度是总刺激的函数。该函数我们采用了Sigmoid型函数，其曲线如图3所示。

      T为该神经节点的激活阈值，只有超过了阈值该神经节点才有输出，如果未超过阈值，说明刺激量太低，该神经节点也就没有输出。该神经节点的模型是对生物神经元功能上的仿真。
      树突对应于人工神经元的输入端，接受外界或其它神经元的信号，而神经末梢则将经神元处理过的信号向其它神经元传送，即是神经元的输出。一个人工神经节点也模拟生物神经元，可以接受多路信号的同时输入，也可以向许多其它神经元传送、传递经该神经元处理后的信号。
      单个生物神经元功能有限，只有大量的神经元组成了神经系统才能很好地发挥信息的处理功能。同样，人工神经网络也是由许多人工神经单元组成的，这样的网络就具备了一定的信息处理能力。
KX-Ⅱ型人工神经网络系统具有下列特点和功能：
      系统初始时并不具有特定的功能，只有经过若干个模式的训练和学习后才能具备。一个模式的学习是指：给定输入信号即X1、X2、X3…并且指定在此条件下网络应该有的输出值即目标值。然后，网络进行自我调整各个人工神经节点的阈值以及与下一层各个神经节点的联接强度。经过反复的自我调整，使得在给定的条件下网络的输出值与给定的目标值一致。学习的结果是各个神经节点的W及R值矩阵，并存贮在各个神经节点中。经过若干个模式的学习，该神经网络系统就学会了在给定的环境条件下输出适当的值，该输出的值与给定学习的样本的规律是一致的。如我们以若干环境条件与害虫发生盛期的数据作为特定的学习模式来训练人工神经网络的话，则训练后的神经网络就掌握了发生盛期与环境条件的基本因果关系。故在训练后的神经网络中只要输入一定的环境条件即X1、X2、X3…，网络就会输出一定的结果Y。因此，我们就可以预测在此环境条件下害虫发生的盛期。
      随着学习模式的增加，人工神经网络所掌握的规律也会越来越准确和完整。在实际使用中，如果发现某年的预测值不准，则应将该年的环境条件和实际发生的盛期作为新的模式让人工神经网络再次学习，使其掌握在该特殊条件下的环境条件和害虫发生盛期之间的因果关系，以提高人工神经网络的能力。
5小结
      人工神经网络技术能够处理高度非线性的多因素的相关关系，并具有不断学习提高的能力和机制。作者认为人工神经网络技术中的B-P模型很适合在作物病虫害预测预报方面的应用。