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

　　摘 要： 在使用BP神經(jīng)網(wǎng)絡(luò)構(gòu)建糧情溫度預(yù)測模型時，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)來預(yù)測糧食溫度。首先為驗證GANPSO算法的可用性，將該算法與PSO算法和IPSO算法在測試函數(shù)上利用Matlab軟件進(jìn)行模擬測試，結(jié)果得出GANPSO算法效果相對與其他兩種算法有著明顯提高;然后再對BP，PSO?BP和GANPSO?BP三種神經(jīng)網(wǎng)絡(luò)進(jìn)行測試，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)相對于其他兩種有著較好的穩(wěn)定性，能夠很好地預(yù)測糧食溫度的變化情況。

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

　　0 引 言

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

　　近些年，有很多學(xué)者對糧庫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)道對房型倉底輸送冷風(fēng)可以使倉內(nèi)溫度分布均勻，減少通風(fēng)死角[4]。Jian F等發(fā)現(xiàn)害蟲運動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)值模擬的方法對大型糧倉冬夏兩季溫度分布反演了多項式的數(shù)學(xué)模型[6]。通過對這些研究現(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，利用糧倉中諸多影響糧堆溫度的因素對糧堆中溫度進(jìn)行分析研究。因BP神經(jīng)網(wǎng)絡(luò)的自身缺陷，所以在對神經(jīng)元的權(quán)值和閾值初始化的過程中使用GANPSO算法對其神經(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個輸入;[ω]為連接權(quán)值;[α]和[β]為閾值;[Ij]為第j個隱層輸出;M和N為隱層和輸出層神經(jīng)元個數(shù);[yk]為第k個輸出層神經(jīng)元的輸出;[ek]為第k個輸出層神經(jīng)元的誤差值。

　　1.2 標(biāo)準(zhǔn)PSO原理

　　粒子群算法(PSO)是通過群體智慧來尋覓目標(biāo)的最優(yōu)解。在PSO算法中最為核心的就是群體中個體的位置和速度的更新，通過它們的有效更新才能完整運行整個算法。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PSO算法的尋求中，許多專家和學(xué)者都對其尋優(yōu)有著自己獨特的更新方法。如吳沖等提出了一種動態(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、輪盤賭的方法和改進(jìn)精英策略來改進(jìn)PSO[9]等。

　　針對PSO算法的缺點，提出了新的慣性權(quán)重函數(shù)來對其進(jìn)行優(yōu)化，同時借助遺傳算法思想來優(yōu)化PSO算法的尋優(yōu)過程，從而使問題盡快得到最優(yōu)。

　　1.3.1 慣性權(quán)重優(yōu)化

　　前文已提到PSO算法可以通過對粒子的更新來尋找目標(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。針對這些問題，對粒子的慣性權(quán)重進(jìn)行優(yōu)化。對慣性權(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

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

　　在計算出各個粒子的FIT值后，對其排序，取前一半粒子新建粒子群，并在該群中隨機(jī)取出兩個不同粒子，再對選好粒子進(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[0，1]之間的隨機(jī)數(shù)，若該隨機(jī)數(shù)大于給定的某一個值，那么決定對循環(huán)中的該粒子進(jìn)行變異。變異時只變異該粒子的全部元素。同時若最優(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)，又對其FIT值在4次未改變時，對該次的全局最優(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)在對非線性系統(tǒng)建模時，其初始閾值和權(quán)值都是隨機(jī)生成的，生成值不同會導(dǎo)致不一樣的預(yù)測結(jié)果。因此可以使用粒子群算法對其權(quán)值和閾值進(jìn)行優(yōu)化。在對其優(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算法測試

　　2.1.1 測試函數(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)測試函數(shù)中，選取3個極值為零的測試函數(shù)。測試函數(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)選擇及測試環(huán)境

　　對于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。本文的測試環(huán)境是Windows 10系統(tǒng)，測試軟件為Matlab R2016a。

　　2.1.3 測試結(jié)果

　　為了保證測試結(jié)果有效性和可靠性，對于每個測試這三種算法均運行50次，最后FIT的絕對值中最大值(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。

　　對于表2的數(shù)據(jù)，可以明顯看出在Sphere，Ackley和Griewank三個函數(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算法在運行到146次左右時其適應(yīng)度值為3.552 7×10-15。

　　2.2 糧情預(yù)測結(jié)果測試

　　2.2.1 測試數(shù)據(jù)

　　該算法模型的實驗樣本來自華東地區(qū)的某個糧庫，以2016年前11個月的糧倉數(shù)據(jù)來預(yù)測后1個月的溫度數(shù)據(jù)。用于預(yù)測的輸入數(shù)據(jù)有糧倉外部溫度、糧倉外部濕度、糧倉內(nèi)部溫度、糧倉內(nèi)部濕度和糧堆溫度。由于在本次實驗中主要預(yù)測為糧倉中糧堆的底層溫度點的平均溫度，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)量級的差別，所以在對實驗數(shù)據(jù)訓(xùn)練前，需要對該實驗數(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)點數(shù)按照經(jīng)驗得到節(jié)點數(shù)為3時較好。BP神經(jīng)網(wǎng)絡(luò)的激勵函數(shù)根據(jù)實際訓(xùn)練情況，發(fā)現(xiàn)將隱含層激勵函數(shù)設(shè)置為tan?sigmoid函數(shù)，同時將輸出層為線性函數(shù)purelin時，訓(xùn)練函數(shù)為trainscg，預(yù)測效果較好。

　　在對糧溫的預(yù)測誤差方面主要用均方誤差(MSE)、平均絕對誤差(MAE)和平均相對誤差(MRE)來表示。

　　2.2.3 測試結(jié)果

　　對測試數(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。為保證其有效性，對于每一個序號內(nèi)的預(yù)測值，均為該三種神經(jīng)網(wǎng)絡(luò)運行10次后不同誤差值的平均值。

　　其預(yù)測結(jié)果如表3所示。

　　從表1中不同公式計算出來的誤差值可以看出，BP神經(jīng)網(wǎng)絡(luò)中各項誤差值均大于通過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)測效果相對較差。而使用GANPSO?BP算法的數(shù)據(jù)預(yù)測結(jié)果相對于其他方法較為理想，其誤差數(shù)值相對較小，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)測結(jié)果的不同，選取其中一次的預(yù)測溫度和誤差，用Matlab畫圖見圖2、圖3。

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

　　3 結(jié) 語

　　對于PSO算法的優(yōu)化問題，通過改變其慣性權(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優(yōu)化其粒子更新過程。同時利用三個常用測試函數(shù)對其性能進(jìn)行測試，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。

　　對于糧食溫度預(yù)測問題，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)測糧倉中糧食溫度。實驗對比結(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)測試數(shù)據(jù)的預(yù)測溫度誤差相對較小，預(yù)測穩(wěn)定性更好，預(yù)測溫度精度更高。

　　參考文獻(xiàn)

　　[1] 鄧永學(xué)，趙志模，李隆術(shù).環(huán)境因子對儲糧害蟲影響的研究進(jìn)展[J].糧食儲藏，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.主要糧食品種儲藏期間霉菌活動特性研究[J].中國糧油學(xué)報，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