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

郭平飛 甄彤

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

中圖分類(lèi)號(hào)： TN711?34; TP301.6 ? ? ? ? ? ? ? ? ? ? 文獻(xiàn)標(biāo)識(shí)碼： A ? ? ? ? ? ? ? ? ?文章編號(hào)： 1004?373X（2019）20?0021?05

Research on grain situation prediction model based on GANPSO?BP neural network

GUO Pingfei， ZHEN Tong

（College of Information Science and Engineering， Henan University of Technology， Zhengzhou 450001， China）

Abstract： Since the grain temperature prediction model constructed with the BP neural network has some shortcomings such as high error and poor stability， a GANPSO?BP neural network is proposed to predict the grain temperature by means of the genetic algorithm and particle swarm thought. The simulation testing of GANPSO algorithm， PSO algorithm and IPSO algorithm are conducted for their testing functions by means of MATLAB software to verify the availability of GANPSO algorithm. The results show that the predicting effect of GANPSO algorithm is improved more significantly in comparison with other two algorithms. The BP neural network， BP?GANP neural network and GANPSO?BP neural network were tested， and the mean square errors of 0.021 79， 0.017 65 and 0.013 30 were obtained respectively for PSO?BP neural network， BP neural network and GANPSO?BP neural network. ?The results show that， in comparison with other two algorithms， the GANPSO?BP neural network has better stability， and can predict the change of grain temperature much better.

Keywords： grain temperature; regression prediction; GANPSO?BP neural network; analogue simulation; predictive analysis; weight optimization

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(zhuān)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。

表1 ?測(cè)試函數(shù)

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。

圖2 ?預(yù)測(cè)溫度圖

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。

圖3 ?預(yù)測(cè)誤差圖

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.

[3] 余磊.糧倉(cāng)有害氣體檢測(cè)系統(tǒng)的研究[D].鄭州：河南工業(yè)大學(xué)，2014.

YU Lei. Study on detection system for harmful gas in granary [D]. Zhengzhou： Henan University of Technology， 2014.

[4] 李祥利，王雙鳳，王遠(yuǎn)成.房式倉(cāng)糧堆溫度和水分變化的模擬研究[J].糧油食品科技，2012，20（3）：53?56.

LI Xiangli， WANG Shuangfeng， WANG Yuancheng. Numerical simulation of temperature and moisture in grain heap in large warehouse [J]. Science and technology of cereals， oils and foods， 2012， 20（3）： 53?56.

[5] JIAN F， JAYAS D S， WHITE N D G. Movement of adult rusty grain beetles， cryptolestes ferrugineus （coleoptera： cucujidae）， in wheat in response to 5 ℃/m temperature gradients at cool temperatures [J]. Journal of stored products research， 2003， 39（1）： 87?101.

[6] 張燕君，謝曉偉，黃寶凱，等.大型糧倉(cāng)溫度分布反演數(shù)學(xué)模型的研究[J].光學(xué)技術(shù)，2012，38（3）：288?294.

ZHANG Yanjun， XIE Xiaowei， HUANG Baokai， et al. The application of fiber Bragg grating temperature testing system in the barn [J]. Optical technique， 2012， 38（3）： 288?294.

[7] 吳沖，劉佳明，郭志達(dá).基于改進(jìn)粒子群算法的模糊聚類(lèi)?概率神經(jīng)網(wǎng)絡(luò)模型的企業(yè)財(cái)務(wù)危機(jī)預(yù)警模型研究[J].運(yùn)籌與管理，2018（2）：106?132.

WU Chong， LIU Jiaming， GUO Zhida. Use of hybrid fuzzy c?means and probabilistic neural network based on improved particle swarm optimization in the prediction of financial distress [J]. Operations research and management science， 2018（2）： 106?132.

[8] 張世欽.基于改進(jìn)粒子群算法的風(fēng)光水互補(bǔ)發(fā)電系統(tǒng)短期調(diào)峰優(yōu)化調(diào)度[J].水電能源科學(xué)，2018（4）：208?212.

ZHANG Shiqin. Short?term peak shaving for wind?photovoltaic?hydro system optimization based on improved particle swarm optimization [J]. Water resources and power， 2018（4）： 208?212.

[9] 肖理慶，王化祥.利用改進(jìn)粒子群算法優(yōu)化ERT有限元模型[J].計(jì)算機(jī)應(yīng)用研究，2017，34（5）：1581?1584.

XIAO Liqing， WANG Huaxiang. Optimization of ERT finite element model by improved particle swarm optimization algorithm [J]. Application research of computers， 2017， 34（5）： 1581?1584.

[10] 梁昔明，陳富，龍文.基于動(dòng)態(tài)隨機(jī)搜索和佳點(diǎn)集構(gòu)造的改進(jìn)粒子群優(yōu)化算法[J].計(jì)算機(jī)應(yīng)用，2011，31（10）：2796?2799.

LIANG Ximing， CHEN Fu， LONG Wen. Improved particle swarm optimization based on dynamic random search technique and good?point set [J]. Journal of computer applications， 2011， 31（10）： 2796?2799.