农业病虫害专家系统，也称为农业智能系统，已成为农业信息化的一项重要技术，其主要功能是模拟人类专家的决策分析过程。
农业病虫害专家系统建有独立的知识库，具有知识表示、模拟专家推理、结果获取和知识库更新等技术。
目前的农业病虫害专家系统能在相对较短的时间内，综合考虑农业专家多年积累的知识和经验，根据用户的实际情况做出专家水平的病虫害诊断［1］。
我国从上世纪80年代开始才进入到农业专家系统的研究中［2］。
第一个农业专家系统是由中科院合肥智能化研究所开发的施肥咨询专家系统。
上世纪90年代以后，我国农业专家系统的研究蓬勃发展，如1993年研制的作物病虫害诊断专家系统HDS、中国农业科学院研制的棉花高产栽培生育动态模型CGSM等。
自1999年以来，中国农业大学等在农业专家系统与3S的结合等方面进行了研究；湖南农业大学开发了基于Web的油菜专家系统［3］。
由于我国的农业病虫害问题纷繁复杂且不断变化，而传统农业病虫害专家系统在知识库建立方面存在局限性，因此在我国农业病虫害问题上，模糊推理越来越体现出其得天独厚的优势［4］。
随着Web等技术的出现，模糊推理在农业应用中有了飞速发展。
近年来涌现出许多浙江农业学报Acta Agriculturae Zhejiangensis21（5）：506～509，2009基于模糊推理的农业病虫害专家系统唐惠丽，周炼清*，叶基瑶，梁建设，史舟（浙江大学农业遥感与信息技术应用研究所，浙江杭州310029）摘要：针对农业病虫害问题的复杂性，将模糊推理技术应用到农业病虫害专家系统中，建立病虫害介绍、症状及权重数据库。
考虑对病症发生起肯定与否定两方面作用的症状，根据隶属度阈值筛选用户提供的信息，选用加权欧式距离法计算相似性，给出有效的病症诊断结果与信度。
赋予用户一定的权限以修改数据库。
最后说明系统推理过程。
关键词：模糊推理；加权欧式距离法；专家系统；信度中图分类号：TP182文献标识码：A文章编号：1004-1524（2009）05-0506-04Agriculture disease and pest diagnosis expert system based on fuzzy reasoning TANG Hui-li，ZHOU Lian-qing*，YE Ji-yao，LIANG Jian-she，SHI Zhou（Institute of Agricultural Remote Sensing&Information Technology，College of Environmental and Resource Sci-ences，Zhejiang University，Hangzhou310029，China）Abstract：In view of the complexity of the disease and pest problem，fuzzy reasoning method was presented in the agriculture disease and pest diagnosis expert system，including disease and pest introduction，symptoms，database of weights.Considering both positive and negative effects of the disease and pest symptoms on the diagnosis results，threshold was used to choose information given by users.Weighted Euclidean distance method was introduced to calculate the comparability.Effective diagnosis results and reliabilities were given out.Besides，users were granted with certain authorities to modify database.Finally，the reasoning process was illustrated.Key words：fuzzy reasoning；weighted Euclidean distance method；expert system；reliability收稿日期：2008-12-26基金项目：国家科技支撑项目（2006BAD10A09）作者简介：唐惠丽（1985-），女，浙江杭州人，硕士，主要从事遥感应用研究。
E-mail：thlsugar@；Tel：86-571-86971831*通讯作者，周炼清，E-mail：lianqing@；Tel：86-138********基于Web的农业专家系统，比较典型的如杭州市科技局、杭州市农办主办的“农业专家系统．net”、广西智能农业信息网等［5］。
目前，大部分系统的模糊推理技术是基于相似性的，即重点考虑了对某种病症发生起肯定作用的症状，却没有将对某种病症发生起否定作用的症状放在同等重要的地位进行考虑。
另外，专家系统的诊断结果往往只给出作物可能患有的病症，却缺乏诊断结果的信度。
本研究针对这些问题，综合考虑了对病症发生起肯定和否定作用的症状，采用欧氏距离法将诊断结果的信度进行量化，使农业病虫害专家系统的诊断结果更直观、明确、且更具有说服力。
1基于知识库的模糊推理方法现实世界里存在大量很难用数学方式精确描述的模糊现象，例如：“好”、“坏”、“适合”、“比较理想”等概念，而模糊数学的出现很好地解决了这些问题。
模糊数学是模糊推理的理论基础，是一个崭新的数学分支。
其诞生的标志是美国加利福尼亚大学教授查德于1965年写的《模糊集合》［6］。
之后，模糊数学很好地解决了许多精确数学无能为力的情况，给我们研究复杂的、难以用精确数学描述的问题带来了新的方法。
将其应用到病虫害专家系统中，形成了基于模糊推理的农业病虫害专家系统。
基于模糊推理的农业病虫害专家系统能将用户反映的情况和数据库知识进行比较、选择、修改、补充后，选择性地使用存入数据库的知识，给出诊断结果及信度。
近年来，随着国内外模糊数学逐渐应用到各个领域，模糊技术得到飞速发展。
由于模糊推理描述、解决问题的方式更接近于人的思维，满足了用户复杂多样的实际问题对专家系统的要求，因此能降低知识描述的精确性要求、提高诊断效率、改善诊断质量、快速进行知识更新。
1.1模糊推理知识表示通过查找农业病虫害资料及总结专家经验，采用如下模糊推理知识表示法。
对各种病症建立病症症状模糊集。
病症知识表示采用序偶表示法［4］：A＝｛（x1，A（x1）），（x2，A（x2）），…，（x n，A（x n）），（y1，A（y1）），（y2，A（y2）），…，（y m，A（y m））…｝各症状的权重集为：W=（w1，w2，…，w n，w′1，w′2，…，w′m）病症的诊断结果集表示为：Diagnose=（R，I，M）其中，A表示某种病害或虫害；x i（i=1，2，…，n）表示数据库中对A发生起肯定作用的各种症状；y j（j=1，2，…，m）表示数据库中对A发生起否定作用的各种症状；A（x i）（i=1，2，…，n）［或A（y j）（j=1，2，…，m）］表示待测病症的症状相对于A的相应症状x i（或y j）的隶属度，是一个模糊描述待测病症的症状属于x i（或y j）的程度的量，取值为［0，1］。
w i（i=1，2，…，n）表示症状x i和A的权重关系，即x i对A的肯定程度；w′j（j=1，2，…，m）表示症状y j和A的权重关系，即y j对A的否定程度。
将用户选择的症状与数据库中的各个病症知识集进行模糊推理，推理成功则返回诊断结果：Diagnose=（R，I，M）。
R表示用户选择的症状被诊断为A的信度；I表示病症A的介绍，包括主要症状、发病原因、主要分布地区等；M表示A的防治方法。
为了排除一些干扰因素，采用了筛选法。
用户选择症状时，设定隶属度阈值λ1，只考虑隶属度不小于λ1的输入症状。
1.2工作流程模糊推理过程是农业病虫害专家系统的核心，可以模拟专家的思维过程，进行模糊推理，快速给出符合要求的结果［7］。
系统工作流程图见图1。
首先，用户选择症状及待测病症各个症状与其的相似性，即隶属度。
然后，症状按关键字在数据库中搜索。
根据隶属度阈值，对所选症状进行筛选，那些隶属度小于阈值的症状不予考虑。
通过模糊推理得出待测症状的诊断结果及信度。
最后，若用户对诊断结果不满意，经过用户名和密码认证后，用户将获得一定的权限用以修改、添加或删除数据库中的症状及权重。
系统将保存用户修改内容，建立个性化的诊断系统。
管理员定期查看用户个性化数据库中的知识修改，将合理的修改结果应用到总数据库。
1.3模糊推理过程目前，模糊推理主要是通过计算输入症状集唐惠丽等：基于模糊推理的农业病虫害专家系统507··浙江农业学报第21卷第5期（2009年9月）与数据库症状集的相似程度来进行的，其方法主要有贴近度、语义距离、相似度等。
针对农业病虫害专家系统的知识特点，本研究采用加权的欧式距离法计算相似度。
用户选择症状及相对隶属度后，模糊推理过程如下：（1）找出病症A 的所有症状，包含所有肯定症状x i （i =1，2，…，n ）和否定症状y j （j =1，2，…，m ），以向量的形式建立A 的症状集：A 0=（x 1，x 2，…，x n ，y 1，y 2，…，y m ）将肯定症状x i （i =1，2，…，n ）赋值为1，否定症状y j （j =1，2，…，m ）赋值为0。
A 0=（1，1，…，1，0，0，…，0）（n 个1，m 个0）（2）用户选择症状经关键词匹配后，找出满足A 0的症状。
根据用户选择的隶属度建立待测病症症状集向量B 0：B 0＝［A （x 1），A （x 2），…，A （x n ），A （y 1），A （y 2）…A（y m ）］隶属度由该症状发生的频数表示［8］：A （x i ）＝f （x i ）＝times （x i ）T。
T ：待测品种植株总数；times （x i ）：待测品种表现出病症x i 的植株数；f （x i ）：待测品种植株中病症x i 的出现频率。
根据设定的隶属度λ1，对B 0进行修正：A （x i ）＝A （x i ）当A （x i ）≥λ10当A （x i ）＜λ1≥（i =1，2，…，n ）A （y j ）＝A （yj ）当A （y j ）≥λ10当A （y j ）＜λ1≥（j =1，2，…，m ）（3）用加权欧氏距离法计算两个模糊集的相似程度。