【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 ...
【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
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。