基于GANPSOBP神經(jīng)網(wǎng)絡(luò)的糧情預(yù)測(cè)模型研究

　　摘 要： 在使用BP神經(jīng)網(wǎng)絡(luò)構(gòu)建糧情溫度預(yù)測(cè)模型時(shí)，因其存在誤差高、穩(wěn)定性差等缺陷，借鑒遺傳算法和粒子群的思想，提出一種GANPSO?BP神經(jīng)網(wǎng)絡(luò)來(lái)預(yù)測(cè)糧食溫度。首先為驗(yàn)證GANPSO算法的可用性，將該算法與PSO算法和IPSO算法在測(cè)試函數(shù)上利用Matlab軟件進(jìn)行模擬測(cè)試，結(jié)果得出GANPSO算法效果相對(duì)與其他兩種算法有著明顯提高;然后再對(duì)BP，PSO?BP和GANPSO?BP三種神經(jīng)網(wǎng)絡(luò)進(jìn)行測(cè)試，得出BP的均方誤差為0.021 79，PSO?BP的均方誤差為0.017 65， GANPSO?BP的均方誤差為0.013 30;從而得到GANPSO?BP神經(jīng)網(wǎng)絡(luò)相對(duì)于其他兩種有著較好的穩(wěn)定性，能夠很好地預(yù)測(cè)糧食溫度的變化情況。

　　關(guān)鍵詞： 糧食溫度; 回歸預(yù)測(cè); GANPSO?BP神經(jīng)網(wǎng)絡(luò); 仿真模擬; 預(yù)測(cè)分析; 權(quán)重優(yōu)化

　　0 引 言

　　在糧食儲(chǔ)藏的過(guò)程中，糧堆中糧食受到的影響因子較多，再加上儲(chǔ)藏周期很長(zhǎng)，如何提高糧食儲(chǔ)藏的品質(zhì)和降低在儲(chǔ)存過(guò)程中造成的損失就顯得尤為重要。在糧食儲(chǔ)藏中對(duì)糧食品質(zhì)有影響的因素很多[1]，如溫度、濕度、害蟲(chóng)、霉菌[2]和氣體[3]等，但在這些因素中對(duì)其影響最大的是溫度。若能利用這些已測(cè)數(shù)據(jù)對(duì)糧堆內(nèi)溫度進(jìn)行預(yù)測(cè)就可以提前發(fā)現(xiàn)問(wèn)題，減少糧食損失。

　　近些年，有很多學(xué)者對(duì)糧庫(kù)中糧食的溫度方面有所研究。如李祥利等發(fā)現(xiàn)利用“F”型通風(fēng)道對(duì)房型倉(cāng)底輸送冷風(fēng)可以使倉(cāng)內(nèi)溫度分布均勻，減少通風(fēng)死角[4]。Jian F等發(fā)現(xiàn)害蟲(chóng)運(yùn)動(dòng)的速度和方向受溫度、溫度梯度、地形起伏以及溫度梯度與地形的相互作用影響[5]。張燕君等以響應(yīng)面模型理論為基礎(chǔ)，采用有限元數(shù)值模擬的方法對(duì)大型糧倉(cāng)冬夏兩季溫度分布反演了多項(xiàng)式的數(shù)學(xué)模型[6]。通過(guò)對(duì)這些研究現(xiàn)狀的了解，為建立一種新的研究思路，引入一種前饋神經(jīng)網(wǎng)絡(luò)的方法，利用糧倉(cāng)中諸多影響糧堆溫度的因素對(duì)糧堆中溫度進(jìn)行分析研究。因BP神經(jīng)網(wǎng)絡(luò)的自身缺陷，所以在對(duì)神經(jīng)元的權(quán)值和閾值初始化的過(guò)程中使用GANPSO算法對(duì)其神經(jīng)元的權(quán)值和閾值進(jìn)行優(yōu)化。

　　1 基于GANPSO?BP的糧情預(yù)測(cè)模型

　　1.1 BP神經(jīng)網(wǎng)絡(luò)

　　BP(Back Propagation)神經(jīng)網(wǎng)絡(luò)是將訓(xùn)練出的所有信息以神經(jīng)元節(jié)點(diǎn)閾值和權(quán)值的形式存放在訓(xùn)練網(wǎng)絡(luò)中，從而使該網(wǎng)絡(luò)有較好的自學(xué)習(xí)效果和泛化能力。

　　式中：[xi]為第i個(gè)輸入;[ω]為連接權(quán)值;[α]和[β]為閾值;[Ij]為第j個(gè)隱層輸出;M和N為隱層和輸出層神經(jīng)元個(gè)數(shù);[yk]為第k個(gè)輸出層神經(jīng)元的輸出;[ek]為第k個(gè)輸出層神經(jīng)元的誤差值。

　　1.2 標(biāo)準(zhǔn)PSO原理

　　粒子群算法(PSO)是通過(guò)群體智慧來(lái)尋覓目標(biāo)的最優(yōu)解。在PSO算法中最為核心的就是群體中個(gè)體的位置和速度的更新，通過(guò)它們的有效更新才能完整運(yùn)行整個(gè)算法。粒子第k+1次的主要更新公式如下：

　　式中：[ω]為慣性權(quán)重;[c1]，[c2]為加速度因子，通常情況下，加速因子為非負(fù)數(shù);[Xin]為粒子位置;[Vin]為粒子速度;[r1]，[r2]是[0，1]之間的隨機(jī)數(shù)。

　　1.3 GANPSO算法

　　在面對(duì)PSO算法的尋求中，許多專家和學(xué)者都對(duì)其尋優(yōu)有著自己獨(dú)特的更新方法。如吳沖等提出了一種動(dòng)態(tài)調(diào)整加速因子和慣性權(quán)重的PSO算法[7];張世欽提出在慣性因子和種群拓?fù)溥@兩方面對(duì)PSO算法進(jìn)行改進(jìn)[8];肖理慶等提出使用區(qū)間算法、輪盤(pán)賭的方法和改進(jìn)精英策略來(lái)改進(jìn)PSO[9]等。

　　針對(duì)PSO算法的缺點(diǎn)，提出了新的慣性權(quán)重函數(shù)來(lái)對(duì)其進(jìn)行優(yōu)化，同時(shí)借助遺傳算法思想來(lái)優(yōu)化PSO算法的尋優(yōu)過(guò)程，從而使問(wèn)題盡快得到最優(yōu)。

　　1.3.1 慣性權(quán)重優(yōu)化

　　前文已提到PSO算法可以通過(guò)對(duì)粒子的更新來(lái)尋找目標(biāo)空間的最優(yōu)，但是在標(biāo)準(zhǔn)PSO算法中仍舊存在著一些缺陷。針對(duì)這些問(wèn)題，對(duì)粒子的慣性權(quán)重進(jìn)行優(yōu)化。對(duì)慣性權(quán)重[ω]改進(jìn)公式為：

　　式中：[ωmin]和[ωmax]值分別為0.4和0.9;T為最大迭代次數(shù);i為當(dāng)前迭代次數(shù)。

　　1.3.2 遺傳算法優(yōu)化

　　除了對(duì)慣性權(quán)重進(jìn)行優(yōu)化外，還可以利用遺傳算法對(duì)其尋優(yōu)過(guò)程進(jìn)行優(yōu)化，在優(yōu)化前，需要先初始化位置和速度，然后在計(jì)算適應(yīng)度值(FIT值)后，才可以對(duì)粒子進(jìn)行優(yōu)化操作。在該算法中，適應(yīng)度函數(shù)為平均絕對(duì)誤差值。

　　在計(jì)算出各個(gè)粒子的FIT值后，對(duì)其排序，取前一半粒子新建粒子群，并在該群中隨機(jī)取出兩個(gè)不同粒子，再對(duì)選好粒子進(jìn)行交叉。若操作失敗，則放棄此次結(jié)果。交叉公式為：

　　除此之外，在粒子種群更新中，先隨機(jī)一個(gè)[0，1]之間的隨機(jī)數(shù)，若該隨機(jī)數(shù)大于給定的某一個(gè)值，那么決定對(duì)循環(huán)中的該粒子進(jìn)行變異。變異時(shí)只變異該粒子的全部元素。同時(shí)若最優(yōu)解的粒子位置數(shù)次未變，也可以變異該粒子。

　　當(dāng)然為防止該算法再次陷入局部最優(yōu)，又對(duì)其FIT值在4次未改變時(shí)，對(duì)該次的全局最優(yōu)值進(jìn)行變異。若變異后的FIT值不如以前，則返回先前的全局最優(yōu)值。變異公式如下：

　　1.4 GANPSO?BP神經(jīng)網(wǎng)絡(luò)

　　BP神經(jīng)網(wǎng)絡(luò)在對(duì)非線性系統(tǒng)建模時(shí)，其初始閾值和權(quán)值都是隨機(jī)生成的，生成值不同會(huì)導(dǎo)致不一樣的預(yù)測(cè)結(jié)果。因此可以使用粒子群算法對(duì)其權(quán)值和閾值進(jìn)行優(yōu)化。在對(duì)其優(yōu)化前，還需確定BP神經(jīng)網(wǎng)絡(luò)各層的神經(jīng)元數(shù)量，以便于定下PSO算法的粒子維度。在優(yōu)化過(guò)程中，粒子群的適應(yīng)度函數(shù)為BP神經(jīng)網(wǎng)絡(luò)，適應(yīng)度值為訓(xùn)練數(shù)據(jù)的平均誤差值。GANPSO?BP算法的流程圖如圖1所示。

　　圖1 GANPSO?BP算法的流程圖

　　2 建模與仿真

　　2.1 GANPSO算法測(cè)試

　　2.1.1 測(cè)試函數(shù)

　　為比較PSO算法、IPSO[10]算法和GANPSO算法的性能效果，本文在CEC2014的PSO算法標(biāo)準(zhǔn)測(cè)試函數(shù)中，選取3個(gè)極值為零的測(cè)試函數(shù)。測(cè)試函數(shù)的表達(dá)式和粒子收索空間如表1所示。

　　2.1.2 算法參數(shù)選擇及測(cè)試環(huán)境

　　對(duì)于PSO算法和IPSO算法[10]中具體參數(shù)可以參考其文獻(xiàn)中設(shè)置的相應(yīng)值。在GANPSO算法中，交叉操作和變異操作的概率分別為0.5和0.4。本文的測(cè)試環(huán)境是Windows 10系統(tǒng)，測(cè)試軟件為Matlab R2016a。

　　2.1.3 測(cè)試結(jié)果

　　為了保證測(cè)試結(jié)果有效性和可靠性，對(duì)于每個(gè)測(cè)試這三種算法均運(yùn)行50次，最后FIT的絕對(duì)值中最大值(MAX)、最小值(MIN)、平均值(MEAN)和方差(SD)的平均值作為判斷這三種算法的性能指標(biāo)。不同算法比較結(jié)果如表2所示。

　　對(duì)于表2的數(shù)據(jù)，可以明顯看出在Sphere，Ackley和Griewank三個(gè)函數(shù)中，GANPSO算法要明顯強(qiáng)于PSO算法和IPSO算法的效果。表2中GANPSO算法的部分結(jié)果為零，并不是真的為零，而是因其值太小，軟件顯示結(jié)果為零。如在Ackley函數(shù)中，GANPSO算法在運(yùn)行到146次左右時(shí)其適應(yīng)度值為3.552 7×10-15。

　　2.2 糧情預(yù)測(cè)結(jié)果測(cè)試

　　2.2.1 測(cè)試數(shù)據(jù)

　　該算法模型的實(shí)驗(yàn)樣本來(lái)自華東地區(qū)的某個(gè)糧庫(kù)，以2016年前11個(gè)月的糧倉(cāng)數(shù)據(jù)來(lái)預(yù)測(cè)后1個(gè)月的溫度數(shù)據(jù)。用于預(yù)測(cè)的輸入數(shù)據(jù)有糧倉(cāng)外部溫度、糧倉(cāng)外部濕度、糧倉(cāng)內(nèi)部溫度、糧倉(cāng)內(nèi)部濕度和糧堆溫度。由于在本次實(shí)驗(yàn)中主要預(yù)測(cè)為糧倉(cāng)中糧堆的底層溫度點(diǎn)的平均溫度，因此期望輸出數(shù)據(jù)設(shè)置為該平均溫度3天后的溫度值。

　　2.2.2 算法參數(shù)選擇及測(cè)試環(huán)境

　　由于在不同輸入的參數(shù)中間可能存在著數(shù)量級(jí)的差別，所以在對(duì)實(shí)驗(yàn)數(shù)據(jù)訓(xùn)練前，需要對(duì)該實(shí)驗(yàn)數(shù)據(jù)進(jìn)行歸一化。在本文中使用的歸一化公式為：

　　式中：[xk]為第k個(gè)訓(xùn)練數(shù)據(jù);[xmax]為訓(xùn)練參數(shù)中的最大值;[xmin]為訓(xùn)練參數(shù)中最小值。

　　在BP神經(jīng)網(wǎng)絡(luò)中，隱層只有一層，神經(jīng)元節(jié)點(diǎn)數(shù)按照經(jīng)驗(yàn)得到節(jié)點(diǎn)數(shù)為3時(shí)較好。BP神經(jīng)網(wǎng)絡(luò)的激勵(lì)函數(shù)根據(jù)實(shí)際訓(xùn)練情況，發(fā)現(xiàn)將隱含層激勵(lì)函數(shù)設(shè)置為tan?sigmoid函數(shù)，同時(shí)將輸出層為線性函數(shù)purelin時(shí)，訓(xùn)練函數(shù)為trainscg，預(yù)測(cè)效果較好。

　　在對(duì)糧溫的預(yù)測(cè)誤差方面主要用均方誤差(MSE)、平均絕對(duì)誤差(MAE)和平均相對(duì)誤差(MRE)來(lái)表示。

　　2.2.3 測(cè)試結(jié)果

　　對(duì)測(cè)試數(shù)據(jù)使用BP，PSO?BP和GANPSO?BP這三種神經(jīng)網(wǎng)絡(luò)分別進(jìn)行預(yù)測(cè)。為保證其有效性，對(duì)于每一個(gè)序號(hào)內(nèi)的預(yù)測(cè)值，均為該三種神經(jīng)網(wǎng)絡(luò)運(yùn)行10次后不同誤差值的平均值。

　　其預(yù)測(cè)結(jié)果如表3所示。

　　從表1中不同公式計(jì)算出來(lái)的誤差值可以看出，BP神經(jīng)網(wǎng)絡(luò)中各項(xiàng)誤差值均大于通過(guò)其他方法得到的誤差值，由此可知BP神經(jīng)網(wǎng)絡(luò)的預(yù)測(cè)效果相對(duì)較差。而使用GANPSO?BP算法的數(shù)據(jù)預(yù)測(cè)結(jié)果相對(duì)于其他方法較為理想，其誤差數(shù)值相對(duì)較小，數(shù)據(jù)變化程度較低，可信度較高。為了更能清晰地看出預(yù)測(cè)結(jié)果的不同，選取其中一次的預(yù)測(cè)溫度和誤差，用Matlab畫(huà)圖見(jiàn)圖2、圖3。

　　從圖2和圖3可以看出，使用遺傳算法和對(duì)慣性權(quán)重改進(jìn)后的GANPSO?BP相對(duì)于其他兩種神經(jīng)網(wǎng)絡(luò)，預(yù)測(cè)效果較好，絕對(duì)預(yù)測(cè)誤差值較低。GANPSO?BP較BP和PSO?BP神經(jīng)網(wǎng)絡(luò)的預(yù)測(cè)結(jié)果最大偏差較小，穩(wěn)定性較高。

　　3 結(jié) 語(yǔ)

　　對(duì)于PSO算法的優(yōu)化問(wèn)題，通過(guò)改變其慣性權(quán)重，而后在此基礎(chǔ)上使用遺傳算法中變異和交叉方法來(lái)優(yōu)化其粒子更新過(guò)程。同時(shí)利用三個(gè)常用測(cè)試函數(shù)對(duì)其性能進(jìn)行測(cè)試，發(fā)現(xiàn)GANPSO算法比IPSO算法和PSO算法的得出結(jié)果有明顯的提高。

　　對(duì)于糧食溫度預(yù)測(cè)問(wèn)題，使用BP神經(jīng)網(wǎng)絡(luò)、PSO?BP神經(jīng)網(wǎng)絡(luò)和GANPSO?BP神經(jīng)網(wǎng)絡(luò)分別預(yù)測(cè)糧倉(cāng)中糧食溫度。實(shí)驗(yàn)對(duì)比結(jié)果顯示，改進(jìn)后GANPSO?BP比BP神經(jīng)網(wǎng)絡(luò)和PSO?BP神經(jīng)網(wǎng)絡(luò)測(cè)試數(shù)據(jù)的預(yù)測(cè)溫度誤差相對(duì)較小，預(yù)測(cè)穩(wěn)定性更好，預(yù)測(cè)溫度精度更高。

　　參考文獻(xiàn)

　　[1] 鄧永學(xué)，趙志模，李隆術(shù).環(huán)境因子對(duì)儲(chǔ)糧害蟲(chóng)影響的研究進(jìn)展[J].糧食儲(chǔ)藏，2003，32(1)：5?12.

　　DENG Yongxue， ZHAO Zhimo， LI Longshu. Research advance of environmental factors on stored grain insects [J]. Food storage， 2003， 32(1)： 5?12.

　　[2] 黃淑霞，蔡靜平，田海娟.主要糧食品種儲(chǔ)藏期間霉菌活動(dòng)特性研究[J].中國(guó)糧油學(xué)報(bào)，2010，25(1)：99?102.

　　HUANG Shuxia， CAI Jingping， TIAN Haijuan. Mould development characters of different stored grains [J]. Journal of the Chinese cereals and oils association， 2010， 25(1)： 99?102.

　　推薦閱讀：電子商務(wù)盈利模式研究綜述