一种粮食储藏品质预测方法及装置制造方法及图纸

本发明专利技术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。本发明专利技术采用非线性函数对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。因此本发明专利技术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。

【技术实现步骤摘要】
一种粮食储藏品质预测方法及装置
本专利技术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

技术介绍
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(BackPropagationNeuralNetwork，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本文档来自技高网...

【技术保护点】
1.一种粮食储藏品质预测方法，其特征在于，该预测方法包括以下步骤：/n1)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；/n2)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：/n

【技术特征摘要】
1.一种粮食储藏品质预测方法，其特征在于，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。


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...

【专利技术属性】
技术研发人员：蒋华伟，郭陶，杨震，
申请(专利权)人：河南工业大学，
类型：发明
国别省市：河南;41