CN112183884A - 一种粮食储藏品质预测方法及装置 - Google Patents
一种粮食储藏品质预测方法及装置 Download PDFInfo
- Publication number
- CN112183884A CN112183884A CN202011120592.2A CN202011120592A CN112183884A CN 112183884 A CN112183884 A CN 112183884A CN 202011120592 A CN202011120592 A CN 202011120592A CN 112183884 A CN112183884 A CN 112183884A
- Authority
- CN
- China
- Prior art keywords
- particle
- value
- grain storage
- neural network
- storage quality
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Pending
Links
- 238000000034 method Methods 0.000 title claims abstract description 48
- 238000004422 calculation algorithm Methods 0.000 claims abstract description 52
- 238000013528 artificial neural network Methods 0.000 claims abstract description 51
- 230000006870 function Effects 0.000 claims abstract description 20
- 239000002245 particle Substances 0.000 claims description 116
- 238000012549 training Methods 0.000 claims description 19
- 230000015654 memory Effects 0.000 claims description 16
- 230000008569 process Effects 0.000 claims description 11
- 238000005457 optimization Methods 0.000 claims description 10
- WSMYVTOQOOLQHP-UHFFFAOYSA-N Malondialdehyde Chemical compound O=CCC=O WSMYVTOQOOLQHP-UHFFFAOYSA-N 0.000 claims description 8
- 230000019771 cognition Effects 0.000 claims description 8
- 235000014113 dietary fatty acids Nutrition 0.000 claims description 8
- 229930195729 fatty acid Natural products 0.000 claims description 8
- 239000000194 fatty acid Substances 0.000 claims description 8
- 150000004665 fatty acids Chemical class 0.000 claims description 8
- 238000012545 processing Methods 0.000 claims description 8
- 238000004590 computer program Methods 0.000 claims description 7
- 230000004913 activation Effects 0.000 claims description 4
- 229940118019 malondialdehyde Drugs 0.000 claims description 3
- 230000007547 defect Effects 0.000 abstract description 4
- 241000209140 Triticum Species 0.000 description 33
- 235000021307 Triticum Nutrition 0.000 description 33
- 235000013339 cereals Nutrition 0.000 description 22
- 238000003062 neural network model Methods 0.000 description 16
- 210000002569 neuron Anatomy 0.000 description 6
- 230000008859 change Effects 0.000 description 5
- 238000010586 diagram Methods 0.000 description 5
- 102000016938 Catalase Human genes 0.000 description 4
- 108010053835 Catalase Proteins 0.000 description 4
- 230000035784 germination Effects 0.000 description 4
- 238000010606 normalization Methods 0.000 description 3
- 238000004364 calculation method Methods 0.000 description 2
- 230000003930 cognitive ability Effects 0.000 description 2
- 230000000694 effects Effects 0.000 description 2
- 238000002474 experimental method Methods 0.000 description 2
- 230000002028 premature Effects 0.000 description 2
- 238000012360 testing method Methods 0.000 description 2
- NAWXUBYGYWOOIX-SFHVURJKSA-N (2s)-2-[[4-[2-(2,4-diaminoquinazolin-6-yl)ethyl]benzoyl]amino]-4-methylidenepentanedioic acid Chemical compound C1=CC2=NC(N)=NC(N)=C2C=C1CCC1=CC=C(C(=O)N[C@@H](CC(=C)C(O)=O)C(O)=O)C=C1 NAWXUBYGYWOOIX-SFHVURJKSA-N 0.000 description 1
- OKTJSMMVPCPJKN-UHFFFAOYSA-N Carbon Chemical compound [C] OKTJSMMVPCPJKN-UHFFFAOYSA-N 0.000 description 1
- 230000001133 acceleration Effects 0.000 description 1
- 238000004458 analytical method Methods 0.000 description 1
- 238000013473 artificial intelligence Methods 0.000 description 1
- 230000001149 cognitive effect Effects 0.000 description 1
- 230000003247 decreasing effect Effects 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 230000018109 developmental process Effects 0.000 description 1
- 238000003745 diagnosis Methods 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 230000002349 favourable effect Effects 0.000 description 1
- 235000013305 food Nutrition 0.000 description 1
- 230000002068 genetic effect Effects 0.000 description 1
- 229910021389 graphene Inorganic materials 0.000 description 1
- 230000005484 gravity Effects 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 230000003993 interaction Effects 0.000 description 1
- 238000012804 iterative process Methods 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 238000007781 pre-processing Methods 0.000 description 1
- 230000009467 reduction Effects 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 238000011425 standardization method Methods 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q10/00—Administration; Management
- G06Q10/04—Forecasting or optimisation specially adapted for administrative or management purposes, e.g. linear programming or "cutting stock problem"
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/004—Artificial life, i.e. computing arrangements simulating life
- G06N3/006—Artificial life, i.e. computing arrangements simulating life based on simulated virtual individual or collective life forms, e.g. social simulations or particle swarm optimisation [PSO]
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/045—Combinations of networks
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/08—Learning methods
- G06N3/084—Backpropagation, e.g. using gradient descent
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q10/00—Administration; Management
- G06Q10/06—Resources, workflows, human or project management; Enterprise or organisation planning; Enterprise or organisation modelling
- G06Q10/063—Operations research, analysis or management
- G06Q10/0639—Performance analysis of employees; Performance analysis of enterprise or organisation operations
- G06Q10/06393—Score-carding, benchmarking or key performance indicator [KPI] analysis
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q10/00—Administration; Management
- G06Q10/08—Logistics, e.g. warehousing, loading or distribution; Inventory or stock management
- G06Q10/087—Inventory or stock management, e.g. order filling, procurement or balancing against orders
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q50/00—Information and communication technology [ICT] specially adapted for implementation of business processes of specific business sectors, e.g. utilities or tourism
- G06Q50/04—Manufacturing
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02P—CLIMATE CHANGE MITIGATION TECHNOLOGIES IN THE PRODUCTION OR PROCESSING OF GOODS
- Y02P90/00—Enabling technologies with a potential contribution to greenhouse gas [GHG] emissions mitigation
- Y02P90/30—Computing systems specially adapted for manufacturing
Landscapes
- Engineering & Computer Science (AREA)
- Business, Economics & Management (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Human Resources & Organizations (AREA)
- Economics (AREA)
- General Physics & Mathematics (AREA)
- Strategic Management (AREA)
- General Business, Economics & Management (AREA)
- Tourism & Hospitality (AREA)
- Marketing (AREA)
- Entrepreneurship & Innovation (AREA)
- General Health & Medical Sciences (AREA)
- Development Economics (AREA)
- Health & Medical Sciences (AREA)
- Evolutionary Computation (AREA)
- Life Sciences & Earth Sciences (AREA)
- Mathematical Physics (AREA)
- General Engineering & Computer Science (AREA)
- Computing Systems (AREA)
- Molecular Biology (AREA)
- Software Systems (AREA)
- Data Mining & Analysis (AREA)
- Computational Linguistics (AREA)
- Biophysics (AREA)
- Biomedical Technology (AREA)
- Operations Research (AREA)
- Quality & Reliability (AREA)
- Artificial Intelligence (AREA)
- Game Theory and Decision Science (AREA)
- Educational Administration (AREA)
- Accounting & Taxation (AREA)
- Finance (AREA)
- Manufacturing & Machinery (AREA)
- Primary Health Care (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明涉及一种粮食储藏品质预测方法及装置,属于粮食品质预测技术领域。本发明采用非线性函数对PSO算法中的惯性权重和学习因子进行动态调整,使PSO算法可以避免陷入局部极值,利用改进后的PSO算法更新神经网络中的权值和阈值参数,加快了BP神经网络的收敛速度,提高神经网络作为预测模型准确性,将待预测粮食储藏的相关指标数据输入到该预测模型中,实现对粮食储藏品质的预测。因此本发明有效解决了粮食储藏品质预测中BP神经网络和PSO算法易陷入局部极值、收敛速度慢等缺点,并具有一定的稳定性,大大提高粮食储藏品质预测的准确性。
Description
技术领域
本发明涉及一种粮食储藏品质预测方法及装置,属于粮食品质预测技术领域。
背景技术
小麦在储藏过程中,其品质会随着环境的变化和储存时间的延长逐渐产生质变甚至劣变,降低了小麦的食用品质和加工价值,造成大量的经济损失,因此可通过研究预测储藏小麦的品质变化来降低其损失,对国民经济具有重要意义。现有的文献资料显示小麦在发生质变的同时其自身的生理生化指标也相应产生一定变化,利用这一特点可以对其品质进行预测。目前,主要通过仪器设备对储藏小麦的各项指标进行检测来判断其品质的变化,但该方法人工和时间成本较高,并且忽略了小麦自身各生理生化指标之间的相互作用及外部环境产生的影响。近年来,随着人工智能和计算机技术的快速发展,为研究小麦储藏品质预测提供了新的思路。
BP神经网络(Back Propagation Neural Network,BPNN)具有良好的自学习和自适应能力,目前大量的实验测试和理论研究表明BP算法是一种有效的学习算法。但其在实际应用中会出现收敛速度慢、泛化性能低等缺点。为了提高其预测的准确性,已有学者提出了一些优化算法,如采用遗传算法优化的BP神经网络算法、基于头脑风暴优化算法的BP神经网络算法、采用粒子群算法优化的BP神经网络算法等。这些方法在一定程度上能够优化BP神经网络的性能,但搜索速度较慢,得到精确的解需要花费较多时间,特别是采用粒子群优化算法(Particle Swarm Optimization,PSO)优化BP神经网络,不仅稳定性较差,且由于PSO算法中粒子习惯聚集于自身历史极值或群体历史极值,容易陷入局部极值,并出现早熟收敛、停滞等现象,导致BP神经网络性能不佳,进而影响对粮食品质的预测。
发明内容
本发明的目的是提供一种粮食储藏品质预测方法及装置,以解决目前粮食储藏品质预测准确率低的问题。
本发明为解决上述技术问题而提供一种粮食储藏品质预测方法,该预测方法包括以下步骤:
1)获取待预测粮食储藏的相关指标数据,并对获取的相关指标数据进行标准化处理;
2)将标准化处理后的指标数据输入到已训练的预测模型中进行预测,得到待预测粮食储藏的品质;所述预测模型采用神经网络,该神经网络中的权值和阈值由粒子群算法优化得到,其中粒子群算法采用的惯性权重为非线性函数,惯性权重的迭代公式为:
其中ωmax为惯性权重的最大值;ωmin为惯性权重的最小值;t为当前的迭代次数;tmax为最大迭代次数。
本发明还提供了一种粮食储藏品质预测装置,该预测装置包括处理器和存储器,所述处理器执行由所述存储器存储的计算机程序,以实现本发明的粮食储藏品质预测方法。
本发明采用非线性函数对PSO算法中的惯性权重进行动态调整,使PSO算法可以避免陷入局部极值,利用改进后的PSO算法更新神经网络中的权值和阈值参数,加快了BP神经网络的收敛速度,提高神经网络作为预测模型准确性,将待预测粮食储藏的相关指标数据输入到该预测模型中,实现对粮食储藏品质的预测。因此本发明有效解决了粮食储藏品质预测中BP神经网络和PSO算法易陷入局部极值、收敛速度慢等缺点,并具有一定的稳定性,大大提高粮食储藏品质预测的准确性。
进一步地,本发明还给出了预测模型的训练过程包括以下步骤:
a.将神经网络中的权值和阈值编为粒子,并对其进行初始化;
b.以神经网络对训练集训练得到的粮食储藏品质预测值与训练集中的粮食储藏品质实际值之差构建适应度函数,计算每个粒子适应度值;
c.将每个粒子的适应度值与个体最优粒子进行比较,得到全局最优粒子;
d.更新粒子速度与位置;
e.判断所得全局最优粒子是否满足设定终止条件,若满足,则停止运算,将该全局最优粒子对应的数值作为神经网络的最终权值和阈值,实现对神经网络的训练,否则,返回步骤b进行迭代运算,直至满足设定终止条件。
进一步地,为了提高全局最优解的收敛速度和精度,所述的粒子群算法在迭代初期采用较大的自我认知能力和较小的群体认知能力,在迭代后期采用较小的自我认知能力和较大的群体认知能力。
进一步地,为了保证粒子不易陷入局部极值,提高收敛速度,所述的粒子群算法采用以下公式进行学习因子的调整:
c1(t)=(c1e-c1s)(t/tmax)2+c1s
c2(t)=(c2e-c2s)(t/tmax)2+c2s
其中c1(t)和c2(t)分别为第t次迭代时的粒子自我认知能力和群体认知能力,c1s和c1e分别为粒子自我认知能力c1的初始值和终止值;c2s和c2e分别为粒子群体认知能力c2的初始值和终止值;t为当前的迭代次数;tmax为最大迭代次数。
进一步地,为了保证粒子不易陷入局部极值,提高收敛速度,所述粒子群算法中采用的速度更新公式为:
其中ωmax为惯性权重的最大值;ωmin为惯性权重的最小值;t为当前的迭代次数;tmax为最大迭代次数;c1s和c1e分别为c1的初始值和终止值;c2s和c2e分别为c2的初始值和终止值;和分别为粒子i在迭代t+1、t次时第d维的速度;为粒子i第t次迭代时的个体极值;为迭代到第t次时的全局极值;为粒子i迭代到第t次时的第d维的位置;r1,r2是介于(0,1)之间的随机数。
进一步地,所述粒子群算法中采用的位置更新公式为:
进一步地,所述步骤c中若每个粒子的适应度值优于个体最优,则将该粒子设为个体最优,再将个体最优与全局最优进行比较,若优于全局最优,则将该粒子设为全局最优。
进一步地,所述的神经网络包括输入层、隐含层和输出层,隐含层的输出hj和输出层的输出yk分别为:
其中wji为输入层节点i和隐含层节点j之间的连接权值,xi为输入层节点i的输入值;wkj为隐含层节点j和输出层节点k之间的连接权值,hj为隐含层节点的输入值,b1、b2分别为输入层和隐含层的阈值;f为激活函数。
进一步地,为了提高预测的准确性,所述相关指标数据选取的是指标相关性较大的指标,包括降落数值、脂肪酸值、电导率、还原糖和丙二醛。
附图说明
图1是本发明实施例中所采用的BP神经网络的结构图;
图2是本发明实施例中预测模型的训练流程示意图;
图3是本发明实验过程不同迭代次数下三种预测模型的均方误差曲线示意图;
图4是本发明实验过程不同实验批次三种预测模型的均方误差曲线示意图;
图5是本发明粮食品质预测装置的结构框图。
具体实施方式
下面结合附图对本发明的具体实施方式做进一步地说明。
方法实施例
本发明的粮食品质预测方法基于改进后的PSO算法优化的神经网络作为预测方法,其中PSO算法的主要改进:采用非线性函数函数更新PSO算法中的惯性权重和学习因子。下面以小麦储藏品质的研究为例对该方法的实现过程进行详细说明。
1.构建预测模型。
本实施例中的预测模型采用BP神经网络,如图1所示,BP神经网络包括输入层、隐含层和输出层,其中x1,...,xi,...,xn为BP神经网络的输入;wji为输入层节点i和隐含层节点j之间的权值;wkj为隐含层节点j和输出层节点k之间的权值;y1,...,yk,...,ym为BP神经网络的输出,输入数据经过输入层、隐含层和输出层进行处理,得到模型的输出。其中隐含层的输出hj和输出层的输出yk如式(1)和式(2)所示:
其中wji为输入层节点i和隐含层节点j之间的连接权值,xi为输入层节点i的输入值;wkj为隐含层节点j和输出层节点k之间的连接权值,hj为隐含层节点的输入值,b1、b2分别为输入层和隐含层的阈值;f为激活函数,采用式(3):
根据目标函数计算BP神经网络模型的误差,当误差不小于指定值时,将误差从输出层向隐含层、输入层逐层传递,并按照随机梯度下降算法更新其权值和阈值,如式(4)和式(5),目标函数如式(6):
2.利用改进的粒子群算法对预测模型进行训练,确定BP神经网络的权值和阈值。
在PSO算法中,对分布在d维空间中的n个粒子,第i个粒子的位置为Xi=(xi1,xi2,...,xid),飞行速度为Vi=(vi1,vi2,...,vid),其中xid、vid为粒子i在第d维的分量;Pi=(pi1,pi2,...,pid)为粒子i到目前为止搜索到的最优位置,即个体极值Pbest;gi=(gi1,gi2,...,gid)为粒子群目前搜索到的最优位置,即全局极值gbest。
粒子在迭代过程中,通过个体极值和全局极值更新其自身的飞行速度和位置,如式(7)和式(8):
其中ω称为惯性权重;c1(个体认知能力)和c2(群体认知能力)为加速因子;t为当前的迭代次数;r1,r2为介于(0,1)之间的随机数。
惯性权重ω用来平衡粒子的局部和全局搜索能力,其大小决定了粒子更偏向与全局搜索还是局部搜索,当其取较大值时,不易陷入局部极值,可增强算法的全局搜索能力;反之能加快算法的收敛速度,提高算法的局部搜索能力。为了保证粒子在迭代前期拥有良好的局部搜索能力,同时在后期又可以快速收敛,需对惯性权重ω进行动态调整,常采用线性递减策略调整惯性权重,如式(9):
ω(t)=ωmax-(ωmax-ωmin)t/tmax (9)
其中ωmax为惯性权重的最大值;ωmin为惯性权重的最小值;t为当前的迭代次数;tmax为最大迭代次数。由于PSO算法中粒子的搜索过程是非线性且复杂的,为更好反映出粒子的实际搜索过程,本发明采用非线性函数动态调整惯性权重,如式(10):
其中ωmax为惯性权重的最大值;ωmin为惯性权重的最小值;t为当前的迭代次数;tmax为最大迭代次数
c1决定了粒子对自身依赖的程度,c2决定了粒子对全局依赖的程度,其二者的比值称为学习因子,在式(7)中,当c1=0时,粒子失去自我认知能力,此时粒子具有扩展搜索空间的能力,并具有较快的收敛速度,但由于缺少局部搜索,对于复杂的问题,比基本的PSO算法更易陷入局部最优。当c2=0时,由于粒子失去了群体认知能力,粒子之间没有信息交流,群体中的粒子个体盲目的进行随机搜索,进而收敛速度慢,得到最优解的可能性小。
因此合理调节c1和c2的大小,可以调整粒子的自我认知和群体认知能力在速度更新中所占的比重。在迭代早期,主要考虑粒子的自我认知能力,在迭代后期,群体认知部分占主导地位,从而使整个过程有利于全局最优解的收敛和精度的提高。因而在算法初期使用较大的c1和较小的c2然后逐渐减小c1并增大c2,可以实现在初期粒子能够在局部范围内进行比较细致的搜索,同时随着c1的减小使其不易陷入局部极值,而在算法后期则可以提高算法的收敛速度。本发明采用改进后的式(11)和(12)来调整:
c1(t)=(c1e-c1s)(t/tmax)2+c1s (11)
c2(t)=(c2e-c2s)(t/tmax)2+c2s (12)
其中c1s和c1e分别为c1的初始值和终止值;c2s和c2e分别为c2的初始值和终止值;t为当前的迭代次数;tmax为最大迭代次数。
本实施例中改进的粒子群算法可以是仅改进惯性权重,也可以关系权重和学习因子均改进,本实施例采用关系权重和学习因子全改进的方式,这种方式下PSO算法中的粒子飞行速度为:
其中ωmax为惯性权重的最大值;ωmin为惯性权重的最小值;t为当前的迭代次数;tmax为最大迭代次数;c1s和c1e分别为c1的初始值和终止值;c2s和c2e分别为c2的初始值和终止值;和分别为粒子i在迭代t+1、t次时第d维的速度;为粒子i第t次迭代时的个体极值;为迭代到第t次时的全局极值;为粒子i迭代到第t次时的第d维的位置;r1,r2是介于(0,1)之间的随机数。
采用上述改进后的粒子群算法对BP神经网络进行训练,训练流程如图2所示,具体包括以下步骤:
1)将BP神经网络中的权值和阈值编为粒子,对其进行初始化,初始化内容包括粒子种群规模、初始位置和初始速度;
2)获取训练集,将训练集中的数据输入到BP神经网络中,将神经网络的所得结果与训练集中的真实值之差作为适应度函数(可采用公式(6)),计算每个粒子的适应度值;
其中训练集包括已知的小麦品质以及对应的相关指标数据,本实施例中选取降落数值、脂肪酸值、电导率、发芽率、过氧化氢酶、还原糖和丙二醛与小麦品质有关七个指标对小麦储藏品质进行分析,由于它们之间存在复杂的相互关系,所表达的信息也具有很大的差异,因而在对小麦储藏品质进行预测之前需要对各指标数据进行相关的预处理,对于其他粮食品种,其相关指标可能会有变化,可根据实际情况进行选取;
由于小麦各指标在数量级上有一定的差别,同时为了简化计算分析过程,需要对各指标数据进行标准化处理。本发明使用min-max标准化方法对各指标原始数据进行归一化处理,如式(14):
对数据进行标准化处理后,使用式(15)的曼哈顿距离计算分析各指标间的相似性,其距离越小说明两个指标越相似,为提高预测准确性,一般选取相似性较大的指标进行模型训练和预测,本实施例从七个指标选出五个指标,分别为降落数值、脂肪酸值、电导率、还原糖和丙二醛;
3)将每个粒子的适应度值与个体最优粒子进行比较,若每个粒子的适应度值优于个体最优,则将该粒子设为个体最优,再将个体最优与全局最优进行比较,若优于全局最优,则将该粒子设为全局最优;
4)按照公式(13)和公式(8)更新粒子速度和位置;
5)判断所得全局最优粒子是否满足终止条件,若满足设定条件,则停止运算,并输出优化结果作为神经网络的权值和阈值,实现对神经网络的训练,否则返回步骤2)进行迭代运算,直至满足设定条件,设定条件为适应度值小于设定阈值。
3.利用已训练完成的BP神经网络对待预测小麦储藏品质进行预测。
获取待预测小麦储藏的相关指标数据,本实施例获取的相关指标分别为降落数值、脂肪酸值、电导率、还原糖和丙二醛,对获取上述指标数据进行标准化处理,可按照训练集中的数据处理方式,采用公式(14)完成,将经过标准化处理后的指标数据输入到按照步骤2训练完成的BP神经网络中,以此实现对小麦储藏品质的预测。
装置实施例
本实施例提出的装置,如图5所示,包括处理器、存储器,存储器中存储有可在处理器上运行的计算机程序,所述处理器在执行计算机程序时实现上述方法实施例的方法。
也就是说,以上方法实施例中的方法应理解可由计算机程序指令实现粮食储藏品质预测方法的流程。可提供这些计算机程序指令到处理器,使得通过处理器执行这些指令产生用于实现上述方法流程所指定的功能。
本实施例所指的处理器是指微处理器MCU或可编程逻辑器件FPGA等的处理装置;
本实施例所指的存储器包括用于存储信息的物理装置,通常是将信息数字化后再以利用电、磁或者光学等方式的媒体加以存储。例如:利用电能方式存储信息的各式存储器,RAM、ROM等;利用磁能方式存储信息的的各式存储器,硬盘、软盘、磁带、磁芯存储器、磁泡存储器、U盘;利用光学方式存储信息的各式存储器,CD或DVD。当然,还有其他方式的存储器,例如量子存储器、石墨烯存储器等等。
通过上述存储器、处理器以及计算机程序构成的装置,在计算机中由处理器执行相应的程序指令来实现,处理器可以搭载各种操作系统,如windows操作系统、linux系统、android、iOS系统等。
作为其他实施方式,装置还可以包括显示器,显示器用于将诊断结果展示出来,以供工作人员参考。
为全面评价本发明提出的粮食储藏品质预测方法及装置的,下面建立了通过测试数据集,对本发明开展实验,测试其精度与适应性,并采用均方误差对本发明进行评价。
本实验例选取降落数值、脂肪酸值、电导率、发芽率、过氧化氢酶、还原糖和丙二醛七个指标对小麦储藏品质进行分析,由于它们之间存在复杂的相互关系,所表达的信息也具有很大的差异,因而在对小麦储藏品质进行预测之前需要对各指标数据进行相关的预处理。预处理包括标准化处理和相似性确定,分别采用方法实施例中的公式(14)和公式(15)。
其中在对本实验例选用指标进行标准化处理后,使用式(15)的曼哈顿距离计算分析各指标间的相似性的结果如表1所示,表1中距离越小说明两个指标越相似。
表1
由表1可知,降落数值、脂肪酸值、电导率、还原糖和丙二醛之间的距离较小,表明它们之间更相似,在反映小麦储藏品质方面具有一致性;而发芽率和过氧化氢酶之间较相似,表明它们两者在反映小麦储藏品质方面具有一致性。因此可以选定降落数值、脂肪酸值、电导率、还原糖和丙二醛五个指标对本发明的预测模型进行训练。
BP神经网络的结构和PSO算法中粒子的个数会对实验的结果产生一定影响,因此需要分析不同隐含层神经元个数和粒子个数对IPSO-BP神经网络模型产生的误差。本实验例采用式(16)的均方误差来评价模型的预测效果。预测结果的均方误差越小,表明模型的预测效果越好。
为了分析不同隐含层神经元的个数和粒子的个数对IPSO-BP神经网络模型(本发明)所带来的影响,分别分析了采用七个指标和五个指标作为输入数据时的情况,其中输出层的神经元个数为1,隐含层的层数为1,惯性权重的最大值为0.9,最小值为0.4,c1的初始值为2.75,终止值为1.25,c2的初始值为0.5,终止值为2.25,最大迭代次数为1400次;激活函数使用式(3),目标函数即粒子适应度函数使用式(6)。分别计算隐含层神经元个数为6、8、10、12、14,粒子个数为20、30、40时IPSO-BP神经网络模型所产生的均方误差,其结果如表2和3所示:
表2
表3
由表2和表3可知,当采用七个指标对模型进行训练时,其均方误差与采用五个指标进行训练时相比较大,结合表1可知,这是因为发芽率和过氧化氢酶与其他五个指标之间的相似性较低,因此用来预测小麦储藏品质时,其均方误差较大。
由表3可知,当隐含层神经元个数为10、粒子数为30时,采用五个指标对模型进行训练得到的均方误差最小。当隐含层的神经元个数过少时,IPSO-BP模型无法充分学习获得各指标对小麦储藏品质变化的经验表达,从而导致训练的均方误差较大;反之会产生过拟合现象。当粒子数过少时,由于种群的多样性差,易引起过早收敛,从而不易找到全局最优解;反之会使该模型的寻优效率降低。
为验证发明模型在预测小麦储藏品质上的准确性和稳定性,使用相同的小麦指标数据,将其与BP神经网络模型和PSO-BP神经网络模型的预测结果相比较,其结果如表4及图3和4所示:
表4
由表4可知,对于同一组小麦数据,在经过多次实验之后,使用BP神经网络预测的均方误差为0.146,使用PSO-BP神经网络预测的均方误差为0.143,使用本发明(简称IPSO-BP神经网络)预测的均方误差为0.114;由此可以看出使用IPSO-BP神经网络模型预测的小麦储藏品质误差较小,表明IPSO-BP神经网络模型有效解决了BP神经网络易陷入局部极值以及收敛速度慢的缺点。
由图3可知,在不同迭代次数下对三种模型分别进行训练,当迭代次数为1400次时,相对于其他迭代次数,IPSO-BP神经网络模型和PSO-BP神经网络模型预测的均方误差最小,BP神经网络模型预测的均方误差也较小。
由图4可知,在不同的实验批次下,相对于BP神经网络模型和PSO-BP神经网络模型,IPSO-BP神经网络模型预测的均方误差较小,并且误差波动较小,这表明它的稳定性也较好。在第6批实验中,采用BP神经网络模型得到的均方误差小于本发明,这是由于BP神经网络模型预测的不稳定性造成的。
因此,本发明的预测模型采用非线性函数对PSO算法中的惯性权重和学习因子进行动态调整,使PSO算法可以避免陷入局部极值,利用改进后的PSO算法更新BP神经网络中的权值参数,加快了BP神经网络的收敛速度,改进后的模型在一定程度上提高了预测的准确性,有效解决了BP神经网络和PSO算法易陷入局部极值、收敛速度慢等缺点,并具有一定的稳定性,可以用来预测小麦等粮食的储藏品质。
Claims (10)
2.根据权利要求1所述的粮食储藏品质预测方法,其特征在于,预测模型的训练过程包括以下步骤:
a.将神经网络中的权值和阈值编为粒子,并对其进行初始化;
b.以神经网络对训练集训练得到的粮食储藏品质预测值与训练集中的粮食储藏品质实际值之差构建适应度函数,计算每个粒子适应度值;
c.将每个粒子的适应度值与个体最优粒子进行比较,得到全局最优粒子;
d.更新粒子速度与位置;
e.判断所得全局最优粒子是否满足设定终止条件,若满足,则停止运算,将该全局最优粒子对应的数值作为神经网络的最终权值和阈值,实现对神经网络的训练,否则,返回步骤b进行迭代运算,直至满足设定终止条件。
3.根据权利要求1或2所述的粮食储藏品质预测方法,其特征在于,所述的粒子群算法在迭代初期采用较大的自我认知能力和较小的群体认知能力,在迭代后期采用较小的自我认知能力和较大的群体认知能力。
4.根据权利要求1或2所述的粮食储藏品质预测方法,其特征在于,所述的粒子群算法采用以下公式进行学习因子的调整:
c1(t)=(c1e-c1s)(t/tmax)2+c1s
c2(t)=(c2e-c2s)(t/tmax)2+c2s
其中c1(t)和c2(t)分别为第t次迭代时的粒子自我认知能力和群体认知能力,c1s和c1e分别为粒子自我认知能力c1的初始值和终止值;c2s和c2e分别为粒子群体认知能力c2的初始值和终止值;t为当前的迭代次数;tmax为最大迭代次数。
7.根据权利要求2所述的粮食储藏品质预测方法,其特征在于,所述步骤c中若每个粒子的适应度值优于个体最优,则将该粒子设为个体最优,再将个体最优与全局最优进行比较,若优于全局最优,则将该粒子设为全局最优。
9.根据权利要求1或2所述的粮食储藏品质预测方法,其特征在于,所述相关指标数据选取的是指标相关性较大的指标,包括降落数值、脂肪酸值、电导率、还原糖和丙二醛。
10.一种粮食储藏品质预测装置,其特征在于,该预测装置包括处理器和存储器,所述处理器执行由所述存储器存储的计算机程序,以实现如上述权利要求1-9任一项所述的粮食储藏品质预测方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202011120592.2A CN112183884A (zh) | 2020-10-19 | 2020-10-19 | 一种粮食储藏品质预测方法及装置 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202011120592.2A CN112183884A (zh) | 2020-10-19 | 2020-10-19 | 一种粮食储藏品质预测方法及装置 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN112183884A true CN112183884A (zh) | 2021-01-05 |
Family
ID=73921954
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202011120592.2A Pending CN112183884A (zh) | 2020-10-19 | 2020-10-19 | 一种粮食储藏品质预测方法及装置 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN112183884A (zh) |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN114913933A (zh) * | 2021-02-08 | 2022-08-16 | 中国石油化工股份有限公司 | 存储器、污水处理过程atp预测方法、装置及设备 |
CN117854612A (zh) * | 2024-01-10 | 2024-04-09 | 山东嘉华油脂有限公司 | 基于长短期记忆网络的大豆蛋白酸沉工序在线检测的方法 |
Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2018072351A1 (zh) * | 2016-10-20 | 2018-04-26 | 北京工业大学 | 一种基于粒子群优化算法对支持向量机的优化方法 |
CN108537376A (zh) * | 2018-04-02 | 2018-09-14 | 西安建筑科技大学 | 基于rs-pso-grnn的埋地油气管道土壤腐蚀预测方法 |
CN108665322A (zh) * | 2018-05-18 | 2018-10-16 | 河南工业大学 | 口粮消费量预测模型的构建方法、消费量预测方法及装置 |
CN109711070A (zh) * | 2018-12-29 | 2019-05-03 | 上海海事大学 | 一种基于活性污泥水处理的溶解氧浓度优化方法 |
CN110570091A (zh) * | 2019-08-12 | 2019-12-13 | 国网上海市电力公司 | 基于改进F-score特征选择及粒子群BP神经网络的负荷辨识方法 |
CN111210082A (zh) * | 2020-01-13 | 2020-05-29 | 东南大学 | 一种基于优化的bp神经网络算法的降水量预测方法 |
-
2020
- 2020-10-19 CN CN202011120592.2A patent/CN112183884A/zh active Pending
Patent Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2018072351A1 (zh) * | 2016-10-20 | 2018-04-26 | 北京工业大学 | 一种基于粒子群优化算法对支持向量机的优化方法 |
CN108537376A (zh) * | 2018-04-02 | 2018-09-14 | 西安建筑科技大学 | 基于rs-pso-grnn的埋地油气管道土壤腐蚀预测方法 |
CN108665322A (zh) * | 2018-05-18 | 2018-10-16 | 河南工业大学 | 口粮消费量预测模型的构建方法、消费量预测方法及装置 |
CN109711070A (zh) * | 2018-12-29 | 2019-05-03 | 上海海事大学 | 一种基于活性污泥水处理的溶解氧浓度优化方法 |
CN110570091A (zh) * | 2019-08-12 | 2019-12-13 | 国网上海市电力公司 | 基于改进F-score特征选择及粒子群BP神经网络的负荷辨识方法 |
CN111210082A (zh) * | 2020-01-13 | 2020-05-29 | 东南大学 | 一种基于优化的bp神经网络算法的降水量预测方法 |
Non-Patent Citations (4)
Title |
---|
ZONGMING LIN: "PSO-BPNN-Based Prediction of Network Security Situation", 《IEEE XPLORE》 * |
孙淑生等: "基于BP神经网络的我国粮食产量预测", 《物流工程与管理》 * |
李雪: "改进粒子群算法优化BP神经网络的粮食产量预测", 《闽南师范大学学报(自然科学版)》 * |
陈啸: "基于粒子群参数优化和BP神经网络的颗粒饲料质量预测模型", 《农业工程学报》 * |
Cited By (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN114913933A (zh) * | 2021-02-08 | 2022-08-16 | 中国石油化工股份有限公司 | 存储器、污水处理过程atp预测方法、装置及设备 |
CN117854612A (zh) * | 2024-01-10 | 2024-04-09 | 山东嘉华油脂有限公司 | 基于长短期记忆网络的大豆蛋白酸沉工序在线检测的方法 |
CN117854612B (zh) * | 2024-01-10 | 2024-06-04 | 山东嘉华油脂有限公司 | 基于长短期记忆网络的大豆蛋白酸沉工序在线检测的方法 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
US20210390416A1 (en) | Variable parameter probability for machine-learning model generation and training | |
US11100403B2 (en) | Cooperative execution of a genetic algorithm with an efficient training algorithm for data-driven model creation | |
US20190130277A1 (en) | Ensembling of neural network models | |
CN108108762B (zh) | 一种用于冠心病数据的核极限学习机及随机森林分类方法 | |
CN112382352A (zh) | 基于机器学习的金属有机骨架材料结构特征快速评估方法 | |
CN110827921B (zh) | 一种单细胞聚类方法、装置、电子设备及存储介质 | |
CN112232413B (zh) | 基于图神经网络与谱聚类的高维数据特征选择方法 | |
JP2021047854A (ja) | ニューラルネットワークに対するプルーニングを行う方法及びその装置 | |
CN112183884A (zh) | 一种粮食储藏品质预测方法及装置 | |
CN108182500A (zh) | 基于加速寿命试验的弹药贮存可靠性预测方法 | |
CN108009571A (zh) | 一种新的直推式半监督数据分类方法及系统 | |
CN110738362A (zh) | 一种基于改进的多元宇宙算法构建预测模型的方法 | |
US20240095535A1 (en) | Executing a genetic algorithm on a low-power controller | |
CN112149884A (zh) | 一种面向大规模学员的学业预警监测方法 | |
CN111798940B (zh) | 一种基于深度神经网络算法预测超导材料的方法及装置 | |
CN109598329A (zh) | 一种基于进化混沌边缘的卷积储备池优化方法 | |
CN116993548A (zh) | 基于增量学习的LightGBM-SVM的教育培训机构信用评估方法及系统 | |
CN113822522A (zh) | 一种滑坡易发性评估方法、装置、设备及可读存储介质 | |
Kumar | Remaining useful life prediction of aircraft engines using hybrid model based on artificial intelligence techniques | |
CN113673679A (zh) | 一种基于粒子群优化神经网络的烘丝工艺参数选取方法 | |
CN112215412A (zh) | 溶解氧预测方法及装置 | |
CN116520281A (zh) | 一种基于ddpg的扩展目标跟踪优化方法和装置 | |
CN112651499A (zh) | 一种基于蚁群优化算法和层间信息的结构化模型剪枝方法 | |
CN107766887A (zh) | 一种局部加权的不完整数据混杂聚类方法 | |
US20230214668A1 (en) | Hyperparameter adjustment device, non-transitory recording medium in which hyperparameter adjustment program is recorded, and hyperparameter adjustment program |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
RJ01 | Rejection of invention patent application after publication | ||
RJ01 | Rejection of invention patent application after publication |
Application publication date: 20210105 |