基于RDPSO-BP的糧食產(chǎn)后儲(chǔ)藏環(huán)節(jié)損耗預(yù)測(cè)分析

鄭沫利 趙艷軻 汪芬 陳祺東 孫俊 劉雍容

摘要：對(duì)產(chǎn)后糧食損耗進(jìn)行分析與研究，調(diào)查獲得10多個(gè)省份的糧食損耗問卷，對(duì)問卷進(jìn)行統(tǒng)計(jì)分析得到影響損耗的各個(gè)因素變量，同時(shí)進(jìn)行數(shù)據(jù)預(yù)處理作為模型數(shù)據(jù)集。最后，將該數(shù)據(jù)集應(yīng)用于提出的RDPSO-BP模型中。將隨機(jī)粒子群（RDPSO）算法與BP神經(jīng)網(wǎng)絡(luò)相結(jié)合，并優(yōu)化神經(jīng)網(wǎng)絡(luò)參數(shù)，從而得到糧食產(chǎn)后儲(chǔ)藏環(huán)節(jié)損耗率預(yù)測(cè)模型。通過MATLAB仿真實(shí)驗(yàn)，發(fā)現(xiàn)優(yōu)化后的RDPSO-BP模型相比傳統(tǒng)BP神經(jīng)網(wǎng)絡(luò)，具有更高的預(yù)測(cè)精度，訓(xùn)練與測(cè)試誤差分別降低了0.041%和0.055%。因此，該模型能夠更好地預(yù)測(cè)糧食產(chǎn)后儲(chǔ)藏環(huán)節(jié)的損失率，在實(shí)際糧食損耗分析中具有重要作用。

關(guān)鍵詞：RDPSO-BP模型;糧食產(chǎn)后儲(chǔ)藏;損耗預(yù)測(cè)

DOI： 10. 11907/rjdk.191274

開放科學(xué)（資源服務(wù)）標(biāo)識(shí)碼（OSID）：

中圖分類號(hào)：TP301

文獻(xiàn)標(biāo)識(shí)碼：A

文章編號(hào)：1672-7800（2020）001-0032-04

0 引言

長期以來，糧食產(chǎn)后儲(chǔ)藏環(huán)節(jié)的損耗一直是困擾國家及相關(guān)企業(yè)的一大難題。我國作為糧食生產(chǎn)大國，由于儲(chǔ)藏設(shè)施不夠完備，相關(guān)專業(yè)知識(shí)不足，容易受到進(jìn)出倉、蟲害、鼠害、霉變等因素影響，造成大量糧食損耗。這不僅增加了國家及企業(yè)負(fù)擔(dān)，同時(shí)對(duì)全球環(huán)境及經(jīng)濟(jì)可持續(xù)發(fā)展造成了不可忽視的影響。因此，針對(duì)如何安全高效儲(chǔ)糧、降低糧食產(chǎn)后儲(chǔ)藏環(huán)節(jié)損耗[5-6]，眾多學(xué)者進(jìn)行了大量研究。隨著智能科技的迅猛發(fā)展，已有學(xué)者利用人工智能與機(jī)器學(xué)習(xí)方法[7-12]研究糧食產(chǎn)后儲(chǔ)藏環(huán)節(jié)損耗問題，對(duì)降低糧食損失率具有重要意義。

本文針對(duì)青海、湖南等10個(gè)地區(qū)的糧食作物，包括稻谷、大米等12類儲(chǔ)藏品種，對(duì)于管理區(qū)域信息、儲(chǔ)藏情況及進(jìn)出倉情況等問題設(shè)計(jì)問卷并進(jìn)行統(tǒng)計(jì)分析。同時(shí)，在SPSS中進(jìn)行表格問題的數(shù)據(jù)轉(zhuǎn)換與預(yù)分析?？梢钥闯?，儲(chǔ)糧損耗與儲(chǔ)糧技術(shù)、儲(chǔ)糧設(shè)施、進(jìn)出倉情況等因素密切相關(guān)。以此為基礎(chǔ)進(jìn)行模型構(gòu)建，發(fā)現(xiàn)BP神經(jīng)網(wǎng)絡(luò)在非線性與高維問題上表現(xiàn)較為突出，但具有收斂速度慢、易陷入局部最優(yōu)等缺點(diǎn)。本文利用隨機(jī)漂移粒子群的全局搜索能力彌補(bǔ)BP網(wǎng)絡(luò)的缺陷，使預(yù)測(cè)更為準(zhǔn)確。通過對(duì)主要損失因素進(jìn)行描述分析，為今后糧食產(chǎn)后儲(chǔ)藏?fù)p耗分析預(yù)測(cè)提供一定的理論基礎(chǔ)。

1 糧食儲(chǔ)藏?fù)p耗調(diào)查信息

1.1 調(diào)查問卷分析

通過對(duì)問卷的整理與分析，將影響儲(chǔ)糧損耗的因素分為4大類：管理信息、儲(chǔ)藏情況、進(jìn)倉情況、出倉情況。其中，管理區(qū)域信息變量如表1所示。

管理區(qū)域主要是對(duì)各省份城市儲(chǔ)糧管理企業(yè)的信息統(tǒng)計(jì)與企業(yè)所在地信息描述。但在數(shù)據(jù)分析過程中發(fā)現(xiàn)，糧食損耗主要與3個(gè)屬性變量相關(guān)。

同樣在前期數(shù)據(jù)分析中，得出相關(guān)性較高的儲(chǔ)藏情況影響因素。

由于進(jìn)、出倉變量一致，所以將其統(tǒng)一列出，如表3所示。

通過分析，初步篩選得出影響儲(chǔ)糧損失的各個(gè)因素。對(duì)于儲(chǔ)糧損失率，問卷設(shè)計(jì)中包含了進(jìn)倉損失率、出倉損失率、蟲害損失率與霉變損失率。為了便于實(shí)驗(yàn)設(shè)計(jì)，將各個(gè)損失率累加作為總損失率。因此，在模型訓(xùn)練部分通過表1一表3中的變量對(duì)總損失率進(jìn)行模型構(gòu)建。

1.2 變量數(shù)據(jù)統(tǒng)計(jì)分布描述

由于儲(chǔ)存糧食品種較多，本文以稻谷品種為例，統(tǒng)計(jì)分析其數(shù)據(jù)分布情況。通過數(shù)據(jù)分析與預(yù)處理，同時(shí)將某些變量轉(zhuǎn)化為多變量，從而得到理想數(shù)據(jù)集。相關(guān)統(tǒng)計(jì)信息如表4所示。

2 RDPSO-BP模型

2.1 BP神經(jīng)網(wǎng)絡(luò)

BP神經(jīng)網(wǎng)絡(luò)[15-17]是一種按誤差逆向傳播訓(xùn)練的多層前饋網(wǎng)絡(luò)，也是一種應(yīng)用最廣泛的神經(jīng)網(wǎng)絡(luò)。BP算法運(yùn)行機(jī)制包括信號(hào)正向傳播及誤差反向傳播。BP神經(jīng)網(wǎng)絡(luò)能夠?qū)W習(xí)與存儲(chǔ)大量輸入一輸出模式的映射關(guān)系，并對(duì)大規(guī)模數(shù)據(jù)進(jìn)行并聯(lián)處理。通過使用最速下降法及反向傳播不斷調(diào)整網(wǎng)絡(luò)權(quán)值和閾值，從而使網(wǎng)絡(luò)誤差平方和最小。本文以三層BP網(wǎng)絡(luò)結(jié)構(gòu)為基礎(chǔ)，介紹三層結(jié)構(gòu)下的參數(shù)優(yōu)化。三層BP神經(jīng)網(wǎng)絡(luò)模型結(jié)構(gòu)如圖1所示。

雖然BP算法可以通過自身的訓(xùn)練學(xué)習(xí)某種規(guī)則，從而在給定輸入值時(shí)得到最接近期望輸出值的結(jié)果，但BP算法自身也存在較大缺陷，主要有以下3點(diǎn)：①BP算法學(xué)習(xí)過程中收斂速度慢，需要進(jìn)行成百上千次訓(xùn)練才能得出結(jié)果;②BP算法容易陷入局部最小值;③BP算法網(wǎng)絡(luò)推廣能力不強(qiáng)。

2.2 RDPSO算法

粒子群優(yōu)化算法[18-21]（ Particle Swarm Optimizatiom，PSO）是一種模擬群體行為的隨機(jī)優(yōu)化算法，具有設(shè)定參數(shù)少、易于實(shí)現(xiàn)的優(yōu)點(diǎn)，但在經(jīng)過一定次數(shù)迭代后，由于粒子飛行速度逐漸減慢，種群收斂于某個(gè)滿意解。此時(shí)若環(huán)境發(fā)生變化，由于種群已經(jīng)失去多樣性，很難對(duì)該變化迅速作出反應(yīng)。因此，本文采用一種具有更強(qiáng)全局搜索能力的隨機(jī)漂移粒子群優(yōu)化（Random Drift PSO，RDPSO）算法優(yōu)化BP神經(jīng)網(wǎng)絡(luò)。

RDPSO算法中粒子運(yùn)動(dòng)包含兩部分：一部分是定向漂移運(yùn)動(dòng)，表現(xiàn)為粒子局部搜索;另一部分是無規(guī)則隨機(jī)熱運(yùn)動(dòng)，表現(xiàn)為粒子全局搜索。粒子速度即為兩部分運(yùn)動(dòng)速度的疊加，如式（1）所示。

2.3 RDPSO-BP模型

針對(duì)前文所述BP神經(jīng)網(wǎng)絡(luò)的不足，采用一種基于RDPSO算法的BP神經(jīng)網(wǎng)絡(luò)，基本步驟如下：①構(gòu)建BP神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)，給定輸人數(shù)據(jù)集及輸出數(shù)據(jù)集;②將BP網(wǎng)絡(luò)權(quán)值、偏置系數(shù)組織成RDPSO優(yōu)化算法的粒子參數(shù)，同時(shí)初始化粒子群;③將第i個(gè)粒子參數(shù)映射到BP網(wǎng)絡(luò)中，訓(xùn)練其網(wǎng)絡(luò)模型得到輸出;④此時(shí)對(duì)該粒子速度及位置進(jìn)行計(jì)算更改，同時(shí)根據(jù)優(yōu)化算法目標(biāo)函數(shù)，更新該粒子的局部最優(yōu)值，以及群體的全局最優(yōu)值;⑤判斷步驟④中全局最優(yōu)值是否達(dá)到算法結(jié)束條件，若滿足，進(jìn)入步驟⑥，否則進(jìn)入步驟③;⑥算法結(jié)束。

3 結(jié)果與分析

對(duì)于以上描述的10多個(gè)變量而言，由于有些品種樣本量相對(duì)較少，當(dāng)選取相關(guān)變量進(jìn)行模型訓(xùn)練時(shí)，效果不太理想。根據(jù)綜合考量，本文通過降維獲取每個(gè)品種相關(guān)性較高的變量因素，實(shí)驗(yàn)采用稻谷數(shù)據(jù)進(jìn)行分析與測(cè)試。

3.1 相關(guān)性分析

根據(jù)相關(guān)性分析結(jié)果，得到“年份”、“企業(yè)所屬儲(chǔ)糧生態(tài)區(qū)域”、“你的儲(chǔ)糧技術(shù)是？_1”、“儲(chǔ)藏量”、“儲(chǔ)藏時(shí)間”、“儲(chǔ)藏形式”、“進(jìn)倉工藝2_1”、“出倉工藝2_1”8個(gè)變量的相關(guān)性更強(qiáng)，因此將以上8個(gè)變量作為模型輸入變量，總損失率作為模型輸出變量。

3.3 實(shí)驗(yàn)結(jié)果

在MATLAB平臺(tái)上進(jìn)行仿真實(shí)驗(yàn)，將207條數(shù)據(jù)分為訓(xùn)練集與測(cè)試集，其中訓(xùn)練集包括160條數(shù)據(jù)，測(cè)試集包括47條數(shù)據(jù)。對(duì)訓(xùn)練集數(shù)據(jù)分別進(jìn)行線性回歸、BP、RDP-SO-BP算法優(yōu)化訓(xùn)練，將輸出結(jié)果與損失率的真實(shí)值進(jìn)行對(duì)比，對(duì)比結(jié)果輸出如圖2所示。

由圖2可知，相對(duì)于線性回歸，經(jīng)過BP算法及改進(jìn)RDPSO-BP算法得到的損失率輸出值與真實(shí)值誤差更小。線性回歸模型雖然簡(jiǎn)單，但預(yù)測(cè)精度不高，故針對(duì)測(cè)試集不再采用線性回歸模型進(jìn)行預(yù)測(cè)。

采用BP算法與RDPSO-BP算法對(duì)測(cè)試集進(jìn)行預(yù)測(cè)，輸出結(jié)果與真實(shí)值對(duì)比如圖3所示，可以看出優(yōu)化后的網(wǎng)絡(luò)效果優(yōu)于傳統(tǒng)BP網(wǎng)絡(luò)效果。

通過擬合圖直觀給出了RDPSO-BP與BP算法效果對(duì)比，訓(xùn)練與測(cè)試誤差率如表5所示，這里采用均方誤差。由表5可知，RDPSO-BP相比BP算法誤差率更小，訓(xùn)練與測(cè)試誤差率分別降低了0.041%和0.055%，同時(shí)收斂速度更快。

4 結(jié)語

糧食損耗一直是國家關(guān)注的重點(diǎn)問題之一，本文通過調(diào)查獲得10多個(gè)省份的糧食損耗問卷，然后對(duì)問卷進(jìn)行統(tǒng)計(jì)分析得到影響損耗的各個(gè)因素變量，同時(shí)進(jìn)行數(shù)據(jù)預(yù)處理作為模型數(shù)據(jù)集，最后將該數(shù)據(jù)集應(yīng)用于RDPSO-BP模型中。本文提出的RDPSO-BP模型可以較為精準(zhǔn)地預(yù)測(cè)損失率，在實(shí)際應(yīng)用中可通過該模型預(yù)測(cè)糧食損耗趨勢(shì)，作為一個(gè)損耗預(yù)防的基準(zhǔn)值，從而為國家與相關(guān)企業(yè)制定糧食減損方案提供參考。

參考文獻(xiàn)：

[1]張歡歡，唐浩林，葉?？?，等.糧食儲(chǔ)存損耗的原因分析及對(duì)策[J].糧食加工，2015，40（3）：69-72.

[2]KUMAR D， KALITA P. Reducing postharvest losses during storage ofgrain crops to strengthen food security in developing countries [J].Foods， 2017， 6（1）：8.

[3]XIE W. Analvsis of the influence of the barn duct design on controltechniques of pests in stored grain[C].International Conference on In-telligent Transportation， 2016.

[4] 農(nóng)戶水稻收獲損失及影響因素的實(shí)證研究[D].無錫：江南大學(xué)， 2017.

[5]GURU-PIRASANNA-PANDI G，ADAK T， GOWDA B，et al. Toxico-logical effect of underutilized plant， cleistanthus collinus leaf extractsagainst two major stored grain pests， the rice weevil， sitophilus oryzaeand red flour beetle， Tribolium castaneum [J]. Ecotoxicol EnvironSaf. 2018. 154：92-99.

[6] 高利偉，許世衛(wèi)，李哲敏，等.中國主要糧食作物產(chǎn)后損失特征及減損潛力研究[J].農(nóng)業(yè)工程學(xué)報(bào)，2016. 32（ 23）：1-11.

[7]SHEN Y， ZHOU H，LI J，et al.Detection of stored-grain insects usingdeep learning [Jl. Computers&Electronics in Agriculture， 2018，145：319-325.

[8]SHI J F，JIAO H J.Application of the CRA and SVM for forecast ofChina grain production[J]. Advanced Materials Research， 2012，433-440：1106-1111.

[9]CHAKRABORTY A， MAZUMDAR B. MUKHOPADHYAY D.A prac-tical DPA on Crain vl using LS-SVM[C].IEEE International Sympo-sium on Hardware Oriented Security&Trust. 2015.

[10]程尚坤.基于深度學(xué)習(xí)的儲(chǔ)糧害蟲檢測(cè)方法研究[D].鄭州：河南工業(yè)大學(xué)，2017.

[11] CENG R. ZHANC D，CHAI J. Research on grain information classi-fication based on SVM decision tree[C].IEEE International Confer-ence on Granular Computing， 2012.

[12] 李貝.基于SVR的糧倉儲(chǔ)糧數(shù)量檢測(cè)模型與系統(tǒng)實(shí)現(xiàn)[D].鄭州：河南工業(yè)大學(xué)，2017.

[13] 張彩.散裝糧食平房倉外圍護(hù)體系研究[D].鄭州：河南工業(yè)大學(xué)，2015.

[14]ASTAPENKO N V. KOSHEKOV K T，PETROV P A.Design of thegranary technological process control subsvstem for monitoring of thegrain volume in a silo[ C]. Dvnamics of Systems， Mechanisms& Ma-chines.2017.

[15] 潘慶先，董紅斌，韓啟龍，等.一種基于BP神經(jīng)網(wǎng)絡(luò)的屬性重要性計(jì)算方法[J].中國科學(xué)技術(shù)大學(xué)學(xué)報(bào)，2017（1）：18-25.

[16]HECHTNIELSEN R.Theory of the backpropagation neural nenvork[ M]. New York： Harcourt Brace&Co. 1989.

[17]張宏，馬巖，李勇，等.基于遺傳BP神經(jīng)網(wǎng)絡(luò)的核桃破裂功預(yù)測(cè)模型[J].農(nóng)業(yè)工程學(xué)報(bào)，2014，30（ 18）：78-84.

[18]SUN J，WU X. PALADE V， et aI.Random drift particle swarm opti-mization algorithm： convergence analysis and parameter selection[J]. Machine Learning， 2015， 101（ 1-3）： 345-376.

[19]王夢(mèng).求解動(dòng)態(tài)優(yōu)化問題的隨機(jī)漂移粒子群優(yōu)化算法[J].福建電腦.2018（1）：109-111.

[20]COUCEIRO M S，RUI P R， FERREIRA N M F.A novel multi-ro-bot exploration approach based on Particle Swarm Optimization algo-rithms[C].Kyoto： IEEE International Symposium on Safety， 2011.

[21]SUN J，PALADE V， WU X， et al.Multiple sequence alignment withhidden Markov models learned by random drift particle swarm optimi-zationlJ].IEEE/ACM Transactions on Computational Biology&Bio-informatics. 2014. 11（1）：243-257.

（責(zé)任編輯：黃?。?/p>

基金項(xiàng)目：國家糧食公益性行業(yè)科研專項(xiàng)項(xiàng)目（ 201513004，201513004-6）

作者簡(jiǎn)介：鄭沫利（1967-），男，國貿(mào)工程設(shè)計(jì)院教授級(jí)高級(jí)工程師，研究方向?yàn)榧Z食經(jīng)濟(jì)學(xué);趙艷軻（1987-），女，國貿(mào)工程設(shè)計(jì)院中級(jí)工程師，研究方向?yàn)榧Z食經(jīng)濟(jì)學(xué);汪芬（1995-），女，江南大學(xué)物聯(lián)網(wǎng)工程學(xué)院碩士研究生，研究方向?yàn)閿?shù)據(jù)挖掘;陳祺東（1992-），男，江南大學(xué)物聯(lián)網(wǎng)工程學(xué)院博士研究生，研究方向?yàn)槿斯ぶ悄堋C(jī)器學(xué)習(xí)、計(jì)算智能和生物信息學(xué);孫?。?971-），男，江南大學(xué)物聯(lián)網(wǎng)工程學(xué)院教授，研究方向?yàn)槿斯ぶ悄?、機(jī)器學(xué)習(xí)、計(jì)算智能和高性能計(jì)算;劉雍容（1988-），男，國貿(mào)工程設(shè)計(jì)院工程師，研究方向?yàn)榧Z食經(jīng)濟(jì)學(xué)。