基于改进粒子群算法的平房仓粮温BP神经网络预测方法技术

本发明专利技术公开了基于改进粒子群算法的平房仓粮温BP神经网络预测方法，该方法是基于以下步骤实现的：1）采集方型仓粮食历史温度并对温度数据进行预处理；2)初始化BP神经网络和改进的粒子群算法的各项参数；3)通过改进的粒子群算法优化BP神经网络权值以建立方型仓粮温预测模型，并输出粮温预测结果。本发明专利技术所述的方法克服了平房仓传统BP神经网络温度预测算法的收敛速度缓慢、易陷入局部极值、预测精度低的缺点，能够实现对平房仓粮食温度的精准预测，对不正常粮食温度的出现提前预测，对监控粮食的质量提供参考依据，大大减少了粮食发生霉变的可能性。

【技术实现步骤摘要】
基于改进粒子群算法的平房仓粮温BP神经网络预测方法
本专利技术属于粮食质量检测领域，具体涉及基于改进粒子群算法的平房仓粮温BP神经网络预测方法。
技术介绍
目前我国的粮食储存大多数以平房仓为主要仓型进行储粮；平房仓有着容量大，防潮隔热性能较好等优点，并在不同间隔位置设有粮温监控点以及通风散热等系统，这大大地提高了粮食储存的安全性和可靠性。由于平房仓内部粮食储量大，并且粮食的传热速度慢，平房仓内部粮食被外部粮食包裹，使得内部存在一个冷心，起到一个很好的保温效果。但外部粮食受到外界温度变化的影响，可能会存在局部持续发热的情况出现，加快微生物繁殖生长，最终导致粮食霉变，从而影响粮食的品质，对粮食的储存产生危害。因此，为了保证平房仓内储存的粮食品质，预防不正常粮温的出现，粮食温度的预测模型的研究和应用就十分有意义。传统的BP神经网络是一种多层前馈神经网络，其主要特点在于信号正向传播；通过反向误差传播不断修正神经网络内部的权值和阈值来实现神经网络的搭建。但在迭代的过程中容易出现局部极值，从而造成神经网络识别能力不足。
技术实现思路
为了解决现有技术中的不足，本专利技术通过引入改进的粒子群算法对BP神经网络中的权值和阈值进行不断优化，旨在提供基于改进粒子群算法的平房仓粮温BP神经网络预测方法，能有效提高传统BP神经网络的识别能力与学习能力，并且本专利技术改进后的粒子群算法拥有更好的局部寻优能力和全局寻优能力，使优化后的BP神经网络能快速的从历史粮温中总结方形仓粮温变化规律，实现平房仓粮温的预测，方法紧凑，预测效果好，能实现提前监测不正常粮温的出现，提前采取防护措施，将会大大地减少了粮食储存消耗，保证了储粮的品质。为实现上述目的，本专利技术提供了如下的技术方案：基于改进粒子群算法的平房仓粮温BP神经网络预测方法，所述方法包括以下步骤：1)对平房仓历史的粮食温度进行数据采集与整理、数据预处理；2)初始化BP神经网络和改进的粒子群算法的各项参数；3)通过改进的粒子群优化BP神经网络权值建立平房仓粮温预测模型，并输出粮温预测结果。进一步的，步骤1)中平房仓粮食温度数据采集与整理具体包括：通过平房仓内的粮食温度监测点实时监控来获取粮仓粮食内部不同位置的温度，平房仓内部设有A层温度监测层，每一层有包含B个温度监测点，其中A≥1，B≥1；平房仓粮食温度初步选取的测温点数据分为两个部分，第一部分选取靠近平房仓四周墙壁、顶层和底层位置处，此为边界温度监测点；第二部分选取平房仓中间位置，其为中部温度测点；通过对不同位置的温度监测点的粮食温度数据进行训练、预测，建立不同温度监控点的预测模型；所述数据的预处理具体包括：选取两年的平房仓粮食温度的数据，将其中一年的粮食温度数据作为训练集建立预测模型，另一年的粮食温度数据作为测试集来检验模型的预测效果；利用归一化的方法对初始数据进行处理，公式为：y＝(x-xmin)(xmax-xmin)(1)其中x为实际的粮食温度；xmin和xmax分别为输入的最小值和最大值；y为归一化的输出向量；上式将数据归一化到[0,1]区间内，预测结束后再将数据反归一化为实际数据；预测模型的输入由是k个历史时刻的粮食温度组成的，通过这些历史数据来预测下一时刻的目标值；下一时刻的真实测量值则作为输入进行滚动预测，以此类推，直到整个时间序列预测完成；模型预测的策略如表1所示；表1：模型预测的策略其中k为选取的历史时间步长；为模型的预测粮温。进一步的，步骤2)中初始化BP神经网络各项参数时，采用的BP神经网络预测模型具体为：通过设定初始的阈值和权值以及一定数目的迭代次数来训练BP神经网络来获取预测模型，在第t次迭代的正向传播中，其隐含层的第j个神经元的输出结果如下：其中选取的激励函数f1和f2为Sigmoid函数；Ij为第j个隐含层输出；yk为第k个输出层神经元的输出；E(t)为损失函数；dk(t)为实际值；ek为第k个输出层神经元的输出误差值；则其第t+1次迭代的反向传播为其中xi为第i个输入；ωij为输入层到隐含层的连接权值；ωjk为隐含层到输出层的连接权值；α和β为阈值；Ij为第j个隐含层输出；M和N为隐含层和输出层神经元个数；δ(t)为输出层到隐含层的误差项；φ(t)为隐含层到输入层的误差项；η为学习率；dk(t)为实际值；yk为第k个输出层神经元的输出；ek为第k个输出层神经元的输出误差值；其中，初始化改进的粒子群算法的参数时，采用粒子群算法具体为：通过优化一群粒子，然后不断迭代并跟踪当前最优的粒子来搜索最优值；首先设多维搜索空间中，存在m个粒子构成一个群体，在第t次迭代中，第i个粒子的速度和位置为Xi,t和Vi,t，粒子通过两个最优解来更新自己的合适位置和速度；这两个最优解分别为粒子自身找寻的最优解即个体极值Pi和整个种群当前找寻的最优解即全局最优解Gi；在迭代过程中，粒子通过公式(8)和(9)进行更新自己的速度和新的位置：Vi,t+1＝w·Vi,t+1+c1·rand·(Pi-Xi,t)+c2·rand·(Gi-Xi,t)(8)Xi,t+1＝Xi,t+λ·Vi,t+1(9)其中w为惯性权重；rand为[0,1]之间的任意随机数；c1和c2为学习因子；λ为速度系数并且λ＝1；改进的粒子群算法具体为：采用非线性变化的惯性权重代替固定的惯性权重来提高粒子群算法的性能；因此新的非线性变化的惯性权重表达式如下：其中wmin和wmax分别为惯性权重w的最小值和最大值；t为当前迭代次数；tmax为最大迭代次数；当t较小时，w接近于wmax，并且w的减少速度也较慢；随着t增大，w以非线性变化递减且w的减少速度加快；通过多次迭代，不断更新全局极值和个体极值，得到BP神经网络的最优权值和阈值参数。进一步的，步骤3)中建立平房仓粮温预测模型具体为；通过BP神经网络训练样本得到的预测均方根误差作为粒子群适应度函数，通过步骤2)中多次迭代后得到的BP神经网络最优权值和阈值参数，建立平房仓粮温预测模型；具体步骤如下：31)设计BP神经网络各层神经元节点数；其中预测模型设置BP神经网络输入层神经元个数为3；隐含层神经元个数设置为10；输出层神经元个数为1；32)将BP神经网络的初始权值和阈值转化成粒子群算法中的粒子，随机初始化粒子的速度Vi和位置Xi,将预测结果与实际值的平方和作为适应度值，其中和yi分别是预测值和真实值；K为误差放大系数；33)通过改进的粒子群算法计算个体和全局的最优极值，得到的最优初始权值和阈值即神经网络的最优初始权值和阈值；具体计算公式如(8)(9)(10)；学习因子c1＝c2＝2，最大和最小的惯性权重分别为wmax＝0.9；wmin＝0.1；最大迭代次数tmax＝2000。34)将优化得到本文档来自技高网...

【技术保护点】
1.基于改进粒子群算法的平房仓粮温BP神经网络预测方法，其特征在于：所述方法包括以下步骤：/n1)对平房仓历史的粮食温度进行数据采集与整理、数据预处理；/n2)初始化BP神经网络和改进的粒子群算法的各项参数；/n3)通过改进的粒子群优化BP神经网络权值建立平房仓粮温预测模型，并输出粮温预测结果。/n

【技术特征摘要】
1.基于改进粒子群算法的平房仓粮温BP神经网络预测方法，其特征在于：所述方法包括以下步骤：
1)对平房仓历史的粮食温度进行数据采集与整理、数据预处理；
2)初始化BP神经网络和改进的粒子群算法的各项参数；
3)通过改进的粒子群优化BP神经网络权值建立平房仓粮温预测模型，并输出粮温预测结果。


2.如权利要求1所述的平房仓粮温BP神经网络预测方法，其特征在于：步骤1)中平房仓粮食温度数据采集与整理具体包括：
通过平房仓内的粮食温度监测点实时监控来获取粮仓粮食内部不同位置的温度，其中平房仓内部设有A层温度监测层，每一层有包含B个温度监测点，其中A≥1，B≥1；
平房仓粮食温度初步选取的测温点数据分为两个部分，第一部分选取靠近平房仓四周墙壁、顶层和底层位置处，此为边界温度监测点；第二部分选取平房仓中间位置，其为中部温度测点；通过对不同位置的温度监测点的粮食温度数据进行训练、预测，建立不同温度监控点的预测模型；
所述数据的预处理具体包括：
选取平房仓历史粮食温度的数据其中两年的温度数据，将其中一年的粮食温度数据作为训练集建立预测模型，另一年的粮食温度数据作为测试集来检验模型的预测效果；利用归一化的方法对初始数据进行处理，公式为：
y＝(x-xmin)/(xmax-xmin)(1)
其中x为实际的粮食温度；xmin和xmax分别为输入的最小值和最大值；y为归一化的输出向量；上式将数据归一化到[0,1]区间内，预测结束后再将数据反归一化为实际数据；
预测模型的输入由是k个历史时刻的粮食温度组成的，通过这些历史数据来预测下一时刻的目标值；下一时刻的真实测量值则作为输入进行滚动预测，以此类推，直到整个时间序列预测完成；模型预测的策略如表1所示；
表1：模型预测的策略



其中k为选取的历史时间步长；为模型的预测粮温。


3.如权利要求2所述的平房仓粮温BP神经网络预测方法，其特征在于：步骤2)中初始化BP神经网络各项参数时，采用的BP神经网络预测模型具体为：
通过设定初始的阈值和权值以及一定数目的迭代次数来训练BP神经网络来获取预测模型，在第t次迭代的正向传播中，其隐含层的第j个神经元的输出结果如下：






其中选取的激励函数f1和f2为Sigmoid函数；Ij为第j个隐含层输出；yk为第k个输出层神经元的输出；E(t)为损失函数；dk(t)为实际值；ek为第k个输出层神经元的输出误差值；



则其第t+1次迭代的反向传播为









其中xi为第i个输入；ωij为输入层到隐含层的连接权值；ωjk为隐含层到输出层的连接权值；α和β为阈值；Ij为第j个隐含层输出；M和N为隐含层和输出层神经元个数；...

【专利技术属性】
技术研发人员：王赫，曹毅，赵旭，徐宁，李佳，祝国强，高树成，
申请(专利权)人：辽宁省粮食科学研究所，
类型：发明
国别省市：辽宁;21