BP人工神經(jīng)網(wǎng)絡(luò)在稻米儲(chǔ)藏質(zhì)量評(píng)估中的應(yīng)用

曹冬梅 張東杰 鹿保鑫 翟愛(ài)華

(黑龍江八一農(nóng)墾大學(xué)食品學(xué)院，大慶 163319)

大米在儲(chǔ)藏過(guò)程中，因?yàn)闆](méi)有谷殼的保護(hù)，胚乳直接暴露在空氣中，極易受濕、熱、蟲(chóng)、霉的影響而變質(zhì)，不僅影響了大米的食味品質(zhì)。而且關(guān)系到大米儲(chǔ)藏的安全。因此如何準(zhǔn)確、快速地預(yù)測(cè)和監(jiān)控大米質(zhì)量指標(biāo)對(duì)大米儲(chǔ)藏和品質(zhì)影響具有十分重要的意義。

人工神經(jīng)網(wǎng)絡(luò)(ANN，Artificial Neural Networks)是一種應(yīng)用類(lèi)似于大腦神經(jīng)突觸聯(lián)接的結(jié)構(gòu)進(jìn)行信息處理的數(shù)學(xué)模型。在工程與學(xué)術(shù)界也常直接簡(jiǎn)稱(chēng)為神經(jīng)網(wǎng)絡(luò)或類(lèi)神經(jīng)網(wǎng)絡(luò)。由大量的節(jié)點(diǎn)(或稱(chēng)神經(jīng)元)相互聯(lián)接構(gòu)成。每個(gè)節(jié)點(diǎn)代表一種特定的輸出函數(shù)，稱(chēng)為激勵(lì)函數(shù)(activation function)。每2個(gè)節(jié)點(diǎn)間的連接都代表一個(gè)對(duì)于通過(guò)該連接信號(hào)的加權(quán)值，稱(chēng)之為權(quán)重，這相當(dāng)于人工神經(jīng)網(wǎng)絡(luò)的記憶。網(wǎng)絡(luò)的輸出則依網(wǎng)絡(luò)的連接方式，權(quán)重值和激勵(lì)函數(shù)的不同而不同。而網(wǎng)絡(luò)自身通常都是對(duì)自然界某種算法或者函數(shù)的逼近［1］。因此具有強(qiáng)大的信息處理能力，在進(jìn)行數(shù)值的監(jiān)控、預(yù)測(cè)方面更具有明顯的優(yōu)勢(shì)。

通過(guò)檢測(cè)大米樣本的脂肪酸值、還原糖、黏度，并以其檢測(cè)值作為訓(xùn)練樣本，建立基于反向傳播算法的人工神經(jīng)網(wǎng)絡(luò)(BP網(wǎng)絡(luò))的大米儲(chǔ)藏品質(zhì)模型，實(shí)現(xiàn)準(zhǔn)確、快速預(yù)測(cè)與監(jiān)控大米的品質(zhì)隨時(shí)間變化的規(guī)律，保證大米的食用品質(zhì)和安全性。

1 人工神經(jīng)網(wǎng)絡(luò)及BP算法

人工神經(jīng)網(wǎng)絡(luò)是由人工建立的以有向圖為拓?fù)浣Y(jié)構(gòu)的動(dòng)態(tài)系統(tǒng)，通過(guò)分析連續(xù)或斷續(xù)輸入的狀態(tài)響應(yīng)來(lái)進(jìn)行信息處理。其實(shí)質(zhì)是輸入轉(zhuǎn)化成輸出的一種數(shù)學(xué)表達(dá)式，這種數(shù)學(xué)關(guān)系由網(wǎng)絡(luò)的結(jié)構(gòu)來(lái)確定［2］，ANN所包含的大量神經(jīng)元可分為輸入層、隱層和輸出層的多層結(jié)構(gòu)。輸入、輸出層為單層，神經(jīng)元數(shù)(也稱(chēng)節(jié)點(diǎn)數(shù))分別由輸入、輸出變量的數(shù)目確定;隱層可以是單層也可以是多層。隱層層數(shù)與各隱層節(jié)點(diǎn)數(shù)的確定比較復(fù)雜，一般應(yīng)以獲得最優(yōu)網(wǎng)絡(luò)性能為目標(biāo)，根據(jù)所研究的具體問(wèn)題，按經(jīng)驗(yàn)或作嘗試比較確定。誤差反向傳播網(wǎng)絡(luò)(Back Propagation，BP網(wǎng)絡(luò))是人工神經(jīng)網(wǎng)絡(luò)的重要模型之一，基本的BP網(wǎng)絡(luò)拓?fù)浣Y(jié)構(gòu)見(jiàn)圖1。

圖1 BP網(wǎng)絡(luò)拓樸結(jié)構(gòu)

ANN是一種新型的黑箱方法，與傳統(tǒng)的線性或非線性回歸方法相比，它具有以下優(yōu)點(diǎn)［3］:ANN具有學(xué)習(xí)能力;ANN是一個(gè)復(fù)雜非線性系統(tǒng)，對(duì)于非線性系統(tǒng)具有較好的處理能力，包括模擬、優(yōu)化和控制;ANN是一種并行運(yùn)算系統(tǒng)，與串行運(yùn)算相比具有較高的運(yùn)算速度，響應(yīng)時(shí)間較短，可以滿(mǎn)足在線模擬、在線優(yōu)化、自適應(yīng)控制的需要。

2 大米儲(chǔ)藏品質(zhì)的人工神經(jīng)網(wǎng)絡(luò)模型

2.1 網(wǎng)絡(luò)模型的建立和訓(xùn)練

對(duì)來(lái)自黑龍江省大型米業(yè)集團(tuán)的同一批次的5個(gè)樣本稻米在實(shí)驗(yàn)室室溫下避光儲(chǔ)藏360 d，按照國(guó)標(biāo)方法(LS/T 6101—2002谷物黏度測(cè)定、GB/T 5009.7—2003食品中還原糖的測(cè)定、GB/T 15684—1995谷物制品脂肪酸值測(cè)定法)每隔15天檢測(cè)其脂肪酸值，還原糖和黏度值，見(jiàn)表1。

2.2 樣本數(shù)據(jù)預(yù)處理

將表1中的檢測(cè)值數(shù)據(jù)作為樣本的訓(xùn)練數(shù)據(jù)，進(jìn)行歸一化處理，即通過(guò)變換處理將網(wǎng)絡(luò)的輸入、輸出數(shù)據(jù)限制在［0，1］或［－1，1］區(qū)間內(nèi)。從而使網(wǎng)絡(luò)訓(xùn)練一開(kāi)始就給各輸入分量以同等重要的地位。處理后的數(shù)據(jù)見(jiàn)表1(歸一化處理后數(shù)據(jù))。

表1 實(shí)驗(yàn)室儲(chǔ)藏大米的脂肪酸值、還原糖和黏度檢測(cè)值和歸一化處理后數(shù)據(jù)樣本

3 結(jié)果與分析

對(duì)表1的24個(gè)樣本(黏度值選擇12個(gè)樣本)進(jìn)行訓(xùn)練BP網(wǎng)絡(luò)，該BP網(wǎng)絡(luò)采用輸入層為3個(gè)結(jié)點(diǎn)，輸出層為1個(gè)結(jié)點(diǎn)，而隱含層有8個(gè)結(jié)點(diǎn)。取學(xué)習(xí)率為0.1，取動(dòng)量系數(shù)為0.6，初始權(quán)值為0.3。輸入 BP神經(jīng)網(wǎng)絡(luò)，對(duì)其進(jìn)行學(xué)習(xí)訓(xùn)練，迭代計(jì)算，直到輸出的誤差足夠小，能對(duì)24個(gè)樣本(黏度值12個(gè)樣本)進(jìn)行正確選擇，將已知數(shù)據(jù)代入模型進(jìn)行學(xué)習(xí)與訓(xùn)練，結(jié)果見(jiàn)圖2、圖5、圖8。

3.1 脂肪酸

由圖2可知，所設(shè)計(jì)的大米脂肪酸值神經(jīng)網(wǎng)絡(luò)模型用實(shí)測(cè)的24組樣本數(shù)據(jù)進(jìn)行訓(xùn)練，當(dāng)步長(zhǎng)達(dá)到103次的時(shí)候，輸出層的均方誤差就達(dá)到了4.23×10－6，滿(mǎn)足訓(xùn)練參數(shù)中要求的目標(biāo)誤差要求。利用模型得到大米脂肪酸值的預(yù)測(cè)值與實(shí)測(cè)值的結(jié)果如圖3、圖4所示。

圖2 脂肪酸值的訓(xùn)練誤差曲線

圖3 脂肪酸值的預(yù)測(cè)值與實(shí)測(cè)值的擬合曲線

圖4 脂肪酸值的預(yù)測(cè)值與實(shí)際值的絕對(duì)誤差曲線

由圖3、圖4可知，應(yīng)用神經(jīng)網(wǎng)絡(luò)模型預(yù)測(cè)數(shù)據(jù)與實(shí)測(cè)數(shù)據(jù)的對(duì)比來(lái)看，BP神經(jīng)網(wǎng)絡(luò)檢測(cè)性能較好，絕對(duì)誤差在±0.004之間，誤差較小，BP神經(jīng)網(wǎng)絡(luò)模型的預(yù)測(cè)效果好。為了進(jìn)一步驗(yàn)證預(yù)測(cè)模型的有效性，對(duì)5個(gè)樣本稻米進(jìn)一步儲(chǔ)藏，每15 d檢測(cè)其脂肪酸值與建立的神經(jīng)網(wǎng)絡(luò)預(yù)測(cè)值進(jìn)行比較分析，見(jiàn)表2。

表2 脂肪酸值的預(yù)測(cè)值與實(shí)測(cè)值

由表2可知，平均相對(duì)誤差為0.17%，小于0.01，故模型可以用來(lái)預(yù)測(cè)大米在儲(chǔ)藏時(shí)脂肪酸值隨時(shí)間變化的規(guī)律。

3.2 還原糖

由圖5中可知，所設(shè)計(jì)的大米還原糖神經(jīng)網(wǎng)絡(luò)模型用實(shí)測(cè)的24組樣本數(shù)據(jù)進(jìn)行訓(xùn)練，在經(jīng)過(guò)152步以后，輸出層的均方誤差就達(dá)到了4.51×10－5，滿(mǎn)足訓(xùn)練參數(shù)中要求的目標(biāo)誤差要求。利用模型得到大米還原糖的預(yù)測(cè)值與實(shí)測(cè)值的結(jié)果如圖6、圖7所示。

圖5 還原糖的訓(xùn)練誤差曲線

由圖6、圖7可知，應(yīng)用神經(jīng)網(wǎng)絡(luò)模型預(yù)測(cè)數(shù)據(jù)與實(shí)測(cè)數(shù)據(jù)的對(duì)比來(lái)看，BP神經(jīng)網(wǎng)絡(luò)檢測(cè)絕對(duì)誤差在±0.015之間，誤差較小，BP神經(jīng)網(wǎng)絡(luò)模型的預(yù)測(cè)效果好。為了進(jìn)一步驗(yàn)證預(yù)測(cè)模型的有效性，對(duì)5個(gè)樣本稻米進(jìn)一步儲(chǔ)藏，每15 d檢測(cè)其還原糖與建立的神經(jīng)網(wǎng)絡(luò)預(yù)測(cè)值進(jìn)行比較分析，見(jiàn)表3。

圖6 還原糖的預(yù)測(cè)值與實(shí)測(cè)值的擬合曲線

圖7 還原糖的預(yù)測(cè)值與實(shí)際值的絕對(duì)誤差曲線

表3 BP神經(jīng)網(wǎng)絡(luò)的預(yù)測(cè)結(jié)果

由表3可知，平均相對(duì)誤差為0.17%，小于0.01，故模型可以用來(lái)預(yù)測(cè)大米在儲(chǔ)藏時(shí)還原糖含量隨時(shí)間變化的規(guī)律。

3.3 黏度

從圖8中可以看出，在經(jīng)過(guò)90步以后，輸出層的均方誤差就達(dá)到了1.54×10－8，滿(mǎn)足訓(xùn)練參數(shù)中要求的目標(biāo)誤差要求。利用模型得到大米黏度的預(yù)測(cè)值與實(shí)測(cè)值的結(jié)果如圖9、圖10所示。

由圖9、圖10可知，應(yīng)用神經(jīng)網(wǎng)絡(luò)模型預(yù)測(cè)數(shù)據(jù)與實(shí)測(cè)數(shù)據(jù)的絕對(duì)誤差在－0.000 25～0.000 2之間，預(yù)測(cè)效果好。為了進(jìn)一步驗(yàn)證預(yù)測(cè)模型的有效性，對(duì)5個(gè)樣本稻米進(jìn)一步儲(chǔ)藏，每15 d檢測(cè)其黏度值與建立的神經(jīng)網(wǎng)絡(luò)預(yù)測(cè)值進(jìn)行比較分析，見(jiàn)表4。

由表4可以看出，平均相對(duì)誤差為0.24%，小于0.01，故模型可以用來(lái)預(yù)測(cè)大米在儲(chǔ)藏時(shí)黏度隨時(shí)間變化的規(guī)律。

圖8 黏度的訓(xùn)練誤差曲線

圖9 黏度的預(yù)測(cè)值與實(shí)測(cè)值的擬合曲線

圖10 黏度的預(yù)測(cè)值與實(shí)際值的絕對(duì)誤差曲線

表4 BP神經(jīng)網(wǎng)絡(luò)的預(yù)測(cè)結(jié)果

4 結(jié)論

基于BP人工神經(jīng)網(wǎng)絡(luò)建立了大米儲(chǔ)藏品質(zhì)的預(yù)測(cè)模型，用該模型預(yù)測(cè)大米的脂肪酸值、還原糖含量和黏度隨時(shí)間變化的規(guī)律，通過(guò)實(shí)測(cè)值與預(yù)測(cè)值的對(duì)比驗(yàn)證，確定了預(yù)測(cè)模型的有效性。利用該模型可以快速、準(zhǔn)確監(jiān)控大米品質(zhì)的變化情況，在品質(zhì)發(fā)生劣變之前采取有效措施，保證大米的食用品質(zhì)和安全性。

［1］張青貴.人工神經(jīng)網(wǎng)絡(luò)導(dǎo)論［M］.北京:中國(guó)水利水電出版社，2004:11－13

［2］Hecht－ Nielsen R.Theory of Back propagation Neural Networks［M］.Proc.IEEE IJCNN，1989:593 －603

［3］羅鑫，沈大中，馮冬青.神經(jīng)網(wǎng)絡(luò)算法在暖通空調(diào)控制中的應(yīng)用［J］.微計(jì)算機(jī)信息(測(cè)控自動(dòng)化)，2009，25(1):26－28

［4］李季，蒲彪.人工神經(jīng)網(wǎng)絡(luò)在食品微生物發(fā)酵中的應(yīng)用［J］.食品研究與開(kāi)發(fā)，2009，30(4):171 －173

［5］Eberhart R C，Dobbins RW.Neural Network PC Tools［M］.Academic Press，1990，35 －58

［6］Gironif，Poggio T.Representation properties of network:kolmogorov’s theorem is irrelevant［J］.Neural Computation，1989(1):465－469

［7］TakefuJi Y，Lee k C.A parallel algorithm for tiling problems［J］.IEEE Trans.Neural Networks，1990，1(1):143 －145

［8］Klopf A H.The hedonistic neuron:a theory of memory，learning，and intelligence［M］.Hemisp － here，Washington，DC，1982

［9］McAvoy T J，Wang N S，Naidu S，etal.Interpreting biosensor data via backpropagation［M］.International Joint Conference on Neural Networks，1989(1):227 －233

［10］Psaltis D，Sideris A，Yamamura A A.A multilayered neural network controller［J］.IEEE Co － ntrol Systems Magazine，1988，8(2):17 －21

［11］孫永海，萬(wàn)鵬，于春生.基于BP神經(jīng)網(wǎng)絡(luò)的大米含水量近紅外檢測(cè)方法［J］.中國(guó)糧油學(xué)報(bào)，2008，23(6):193－197

［12］汪小芳.基于人工神經(jīng)網(wǎng)絡(luò)利用機(jī)械特性檢測(cè)蘋(píng)果品質(zhì)方法的研究［D］.華中農(nóng)業(yè)大學(xué)，2006

［13］聞新著.MATLAB神經(jīng)網(wǎng)絡(luò)仿真與應(yīng)用［M］.科學(xué)出版社，2003(7):258－284

［14］錢(qián)永中.應(yīng)用于農(nóng)藥殘留對(duì)人體暴露評(píng)估的蒙特卡洛方法及其進(jìn)展［J］.農(nóng)業(yè)質(zhì)量標(biāo)準(zhǔn)，2007(5):43－46

［15］劉瀟威.農(nóng)產(chǎn)品中重金屬風(fēng)險(xiǎn)評(píng)估的研究進(jìn)展［J］.農(nóng)業(yè)環(huán)境科學(xué)學(xué)報(bào)，2007，26(1):15 －18.