孫彪瑞，廉飛宇，王 珂，蘇庭奕，趙中原，張 元

（河南工業(yè)大學(xué) 信息科學(xué)與工程學(xué)院，河南 鄭州 450001）

0 引言

如何控制和減少糧食產(chǎn)后損失、保障國(guó)家糧食安全，是我國(guó)糧食行業(yè)致力解決的重要問題，而針對(duì)實(shí)際糧情，實(shí)現(xiàn)科學(xué)有效的糧倉(cāng)通風(fēng)管理是減少糧食倉(cāng)儲(chǔ)損耗的重要方法之一.機(jī)械通風(fēng)技術(shù)是目前國(guó)內(nèi)外應(yīng)用最廣泛的糧食儲(chǔ)藏技術(shù)之一[1].而在大多數(shù)的糧庫(kù)機(jī)械通風(fēng)控制中采用的都是基于專家系統(tǒng)的通風(fēng)決策控制，專家系統(tǒng)雖然具有符號(hào)知識(shí)處理能力、提供領(lǐng)域?qū)＜壹?jí)的指導(dǎo)服務(wù)等優(yōu)點(diǎn)，但也存在領(lǐng)域知識(shí)獲取困難、容錯(cuò)能力差、處理偏離知識(shí)領(lǐng)域的問題時(shí)性能將急劇下降等缺點(diǎn)[2].隨著信息化技術(shù)向社會(huì)各個(gè)領(lǐng)域的滲透和擴(kuò)展，糧食行業(yè)也提出了信息化的要求，繼而糧食倉(cāng)儲(chǔ)智能通風(fēng)的概念[3]被提了出來.目前已經(jīng)有很多學(xué)者和團(tuán)體在研究智能化的糧倉(cāng)通風(fēng)控制系統(tǒng)且已有了相應(yīng)的成果[4-6]，然而許多智能通風(fēng)控制系統(tǒng)只是在結(jié)合了糧情測(cè)控系統(tǒng)[7]的基礎(chǔ)上實(shí)現(xiàn)了糧倉(cāng)通風(fēng)設(shè)備的自動(dòng)控制，也就是說對(duì)通風(fēng)決策方案的研究還不夠深入，智能化程度還不夠高.在糧倉(cāng)智能通風(fēng)控制系統(tǒng)中，通風(fēng)決策方案的選擇直接決定智能通風(fēng)控制系統(tǒng)的好壞，所以尋求一種準(zhǔn)確、高效的通風(fēng)決策方法是很有必要的.

BP（Error Back Propagation）神經(jīng)網(wǎng)絡(luò)又稱誤差反向傳播神經(jīng)網(wǎng)絡(luò)，是諸多神經(jīng)網(wǎng)絡(luò)模型中應(yīng)用最廣泛的一種，也是解決非線性問題的有力工具，它將信息全部存儲(chǔ)于網(wǎng)絡(luò)的連接權(quán)系數(shù)中，使網(wǎng)絡(luò)具有一定的泛化能力和容錯(cuò)性.BP 神經(jīng)網(wǎng)絡(luò)可以將多種糧情信息進(jìn)行融合處理，從而給出更加真實(shí)可靠的通風(fēng)決策結(jié)果.但傳統(tǒng)的BP 算法采用的是梯度下降法，收斂速度較慢，訓(xùn)練時(shí)也易陷入局部極小值.而遺傳算法（Genetic Algorithm，GA）是一種自適應(yīng)啟發(fā)式全局搜索算法，它仿效生物的進(jìn)化和遺傳，根據(jù)適者生存和優(yōu)勝劣汰的進(jìn)化原則，不斷得到更優(yōu)的群體，同時(shí)以全局并行搜索的方式來搜索優(yōu)化群體中的最優(yōu)個(gè)體，使待解決的問題一步一步逼近最優(yōu)解或近似最優(yōu)解.

作者在傳統(tǒng)BP 神經(jīng)網(wǎng)絡(luò)的基礎(chǔ)上，利用GA對(duì)BP 神經(jīng)網(wǎng)絡(luò)的連接權(quán)值和閾值進(jìn)行優(yōu)化并進(jìn)行二次尋優(yōu)，建立GA-BP 神經(jīng)網(wǎng)絡(luò)通風(fēng)控制模型，利用GA 全局搜索能力擺脫了傳統(tǒng)BP 神經(jīng)網(wǎng)絡(luò)收斂速度慢和易陷入局部極小值的缺點(diǎn).GABP 神經(jīng)網(wǎng)絡(luò)應(yīng)用于糧倉(cāng)通風(fēng)控制中，可以根據(jù)糧情測(cè)控系統(tǒng)采集到的實(shí)時(shí)糧情數(shù)據(jù)對(duì)通風(fēng)模式做智能化的決策，這就為糧倉(cāng)通風(fēng)決策又提供了一種高效、可靠的方法，提高了智能通風(fēng)控制系統(tǒng)的智能化程度.

1 理論分析與模型建立

1.1 BP 神經(jīng)網(wǎng)絡(luò)

BP 神經(jīng)網(wǎng)絡(luò)是典型的有監(jiān)督學(xué)習(xí)型前饋神經(jīng)網(wǎng)絡(luò)，它由輸入層、隱含層和輸出層組成，隱含層可以由一層或多層組成.Kolmogorov 定理[8]指出，包含一個(gè)隱含層的3 層BP 神經(jīng)網(wǎng)絡(luò)在閉集上可以以任意精度逼近任意連續(xù)函數(shù).所以，作者采用簡(jiǎn)單的3 層BP 神經(jīng)網(wǎng)絡(luò)建立模型，其網(wǎng)絡(luò)結(jié)構(gòu)如圖1 所示.

圖1 3 層BP 神經(jīng)網(wǎng)絡(luò)的網(wǎng)絡(luò)結(jié)構(gòu)

在圖1 中，x1，x2，…，xN為神經(jīng)網(wǎng)絡(luò)的輸入變量；y1，y2，…，yM為網(wǎng)絡(luò)輸出值；ωij和νjk分別為輸入層與隱含層、隱含層與輸出層的連接權(quán)系數(shù)；αj和βk分別為隱含層和輸出層各神經(jīng)元的閾值，j=1，2，…，L；k=1，2，…，M；N、L、M 分別為輸入層、隱含層和輸出層神經(jīng)元的個(gè)數(shù).設(shè)X=（x1，x2，…，xn）T，Y=（y1，y2，…，ym）T，則神經(jīng)網(wǎng)絡(luò)就建立了從X到Y(jié) 的一種函數(shù)映射關(guān)系，實(shí)現(xiàn)了從N 維空間到M 維空間的非線性映射.對(duì)于這3 層BP 神經(jīng)網(wǎng)絡(luò)，輸入輸出函數(shù)關(guān)系為：

式中:f1（x）為隱含層神經(jīng)元激活函數(shù)；f2（x）為輸出層神經(jīng)元激活函數(shù)；t 表示網(wǎng)絡(luò)訓(xùn)練次數(shù).

建立BP 神經(jīng)網(wǎng)絡(luò)時(shí)需要考慮的一個(gè)重要因素就是神經(jīng)元激活函數(shù)f 的選取，常用的激活函數(shù)有階躍型、線性和Sigmoid 函數(shù)等.為了便于輸出結(jié)果和實(shí)際通風(fēng)模式的編碼映射，再結(jié)合各激活函數(shù)的性質(zhì)，隱含層和輸出層均選擇Sigmoid 函數(shù)作為神經(jīng)元的激活函數(shù).另外，在BP 神經(jīng)網(wǎng)絡(luò)模型的建立過程中，隱含層神經(jīng)元的個(gè)數(shù)確定是一件十分重要的事情，如果隱含層神經(jīng)元的個(gè)數(shù)取得太少，就會(huì)因?yàn)榫W(wǎng)絡(luò)無法獲取到足夠的信息而使問題無法得到解決；如果神經(jīng)元個(gè)數(shù)太多又容易引起“過度擬合”現(xiàn)象，而且還會(huì)大大增加網(wǎng)絡(luò)的訓(xùn)練時(shí)間.目前，神經(jīng)網(wǎng)絡(luò)隱含層神經(jīng)元個(gè)數(shù)的選取還缺乏有力的理論知識(shí)作指導(dǎo)，大多是針對(duì)特定問題基于經(jīng)驗(yàn)的選取.作者采用經(jīng)驗(yàn)公式來選取隱含層神經(jīng)元個(gè)數(shù)[9]：

式中:Nhidden為隱含層節(jié)點(diǎn)數(shù)；NIn、NOut、NClass分別為神經(jīng)網(wǎng)絡(luò)的輸入層節(jié)點(diǎn)數(shù)、輸出層節(jié)點(diǎn)數(shù)和所需分的目標(biāo)分類數(shù);max（x，y）為求最大值的函數(shù).

相對(duì)于隱含層，輸入層和輸出層的神經(jīng)元個(gè)數(shù)的選取相對(duì)比較固定.對(duì)于一般的3 層BP 神經(jīng)網(wǎng)絡(luò)，輸入層的神經(jīng)元個(gè)數(shù)一般取為神經(jīng)網(wǎng)絡(luò)輸入特征向量的維數(shù)，而輸出層神經(jīng)元個(gè)數(shù)取為目標(biāo)結(jié)果（類別）數(shù).

1.2 遺傳算法

GA 是一種模擬生物進(jìn)化論和自然選擇的計(jì)算模型，它采用了全局搜索技術(shù)，把種群看作是一組問題的解，通過對(duì)當(dāng)前種群施加復(fù)制、交叉和變異等遺傳操作，并在每一代中利用適應(yīng)度函數(shù)來決定遺傳到下一代的種群個(gè)體，產(chǎn)生新一代的種群.依次循環(huán)下去，進(jìn)化的末代種群將包含近似最優(yōu)解.與生物的進(jìn)化過程類似，GA 對(duì)變量集合的編碼進(jìn)行處理而非變量本身，是直接對(duì)結(jié)構(gòu)對(duì)象的操作，不存在函數(shù)連續(xù)性和求導(dǎo)的限制.且GA 具有內(nèi)在的隱并行性和更好的全局尋優(yōu)能力，直接以適應(yīng)度函數(shù)作為搜索條件，運(yùn)用概率化尋優(yōu)方法，可以自動(dòng)獲取和指導(dǎo)優(yōu)化的搜索空間，自適應(yīng)調(diào)整搜索的方向，不需要確切的規(guī)則，是一個(gè)全局自適應(yīng)搜索算法，被廣泛應(yīng)用于函數(shù)優(yōu)化、組合優(yōu)化、機(jī)器學(xué)習(xí)和自動(dòng)控制等領(lǐng)域[10].GA 的實(shí)施過程包括編解碼、產(chǎn)生群體、計(jì)算適應(yīng)度、復(fù)制、交換和變異等操作，其具體算法實(shí)現(xiàn)參照文獻(xiàn)[11].

1.3 GA-BP 神經(jīng)網(wǎng)絡(luò)通風(fēng)決策模型建立

傳統(tǒng)的BP 神經(jīng)網(wǎng)絡(luò)在初始化網(wǎng)絡(luò)權(quán)系數(shù)時(shí)一般采用的是隨機(jī)給出一組初始權(quán)系數(shù)，然而BP算法所采用的是梯度下降法，對(duì)于給定的不同初始權(quán)值，往往得到的精度和穩(wěn)定性是有差異的，而且不同的初始權(quán)值可能產(chǎn)生不同的極小值，甚至導(dǎo)致網(wǎng)絡(luò)震蕩，從而找不到最優(yōu)解.

將GA 應(yīng)用到BP 神經(jīng)網(wǎng)絡(luò)中，利用GA 的全局搜索能力，擺脫了基于梯度下降法的易陷入局部最小值的問題，并且有利于提高網(wǎng)絡(luò)的收斂速度和泛化能力.GA 優(yōu)化BP 神經(jīng)網(wǎng)絡(luò)權(quán)值和閾值的基本思想是:摒棄BP 算法利用梯度信息的指導(dǎo)來調(diào)整網(wǎng)絡(luò)連接權(quán)值的方法，改用GA 直接對(duì)網(wǎng)絡(luò)進(jìn)行優(yōu)化，找尋最優(yōu)或近似最優(yōu)的網(wǎng)絡(luò)閾值和連接權(quán)值.

遺傳-神經(jīng)網(wǎng)絡(luò)的優(yōu)化問題數(shù)學(xué)描述為[12]：

為了減少GA 的算法復(fù)雜度和網(wǎng)絡(luò)訓(xùn)練時(shí)間，BP 神經(jīng)網(wǎng)絡(luò)中隱含層神經(jīng)元的個(gè)數(shù)利用式（2）來確定，只利用GA 對(duì)網(wǎng)絡(luò)的閾值和連接權(quán)值進(jìn)行優(yōu)化.在具體過程中，把全部樣本分成訓(xùn)練樣本集Ψ1、訓(xùn)練樣本集Ψ2和測(cè)試樣本集Φ 3 部分.具體的實(shí)現(xiàn)為：

（1）確定基本解空間.設(shè)定網(wǎng)絡(luò)的訓(xùn)練誤差，輸入訓(xùn)練樣本集Ψ1對(duì)網(wǎng)絡(luò)進(jìn)行訓(xùn)練，使其滿足式（3），然后找出網(wǎng)絡(luò)連接權(quán)值與閾值中的最小值和最大值分別記為umin和umax，以區(qū)間[umin-δ1，umax+δ2]（δ1，δ2為調(diào)節(jié)參數(shù)）作為連接權(quán)和閾值的基本解空間.

（2）對(duì)基本解空間編碼.由于網(wǎng)絡(luò)閾值和連接權(quán)值的學(xué)習(xí)是一個(gè)連續(xù)參數(shù)優(yōu)化的復(fù)雜問題，采用二進(jìn)制編碼會(huì)造成碼串過長(zhǎng)，而且最終還要解碼為實(shí)數(shù)，為了提高網(wǎng)絡(luò)的學(xué)習(xí)效率和精度，直接采用實(shí)數(shù)編碼.將網(wǎng)絡(luò)的各個(gè)閾值和連接權(quán)值按輸入層到隱含層的連接權(quán)w、隱含層到輸出層的連接權(quán)v、隱含層閾值α 和輸出層閾值β 的先后順序連接為一個(gè)長(zhǎng)串，構(gòu)成種群的個(gè)體Pi.

（3）生成初始群體.根據(jù)確定的變量取值范圍隨機(jī)生成種群規(guī)模數(shù)量的個(gè)體Pi，組成初始群體.

（4）計(jì)算種群中每個(gè)個(gè)體的適應(yīng)度值.將訓(xùn)練樣本集Ψ1輸入，按照式（4）定義好的適應(yīng)度函數(shù)計(jì)算種群中每個(gè)個(gè)體的適應(yīng)度值.

（5）遺傳操作.①選擇算子：為防止已搜到的最優(yōu)解丟失，直接將上一代中適應(yīng)度值最大的個(gè)體復(fù)制到下一代，而對(duì)其他個(gè)體采用輪盤賭法進(jìn)行選取.②交叉算子：由于網(wǎng)絡(luò)閾值和連接權(quán)采用的是實(shí)數(shù)編碼，無法像二進(jìn)制編碼中采用等位交換的方式實(shí)施交叉操作，在這里使用整體算數(shù)交

叉實(shí)現(xiàn)交叉，整體算數(shù)交叉的交叉算子為[13]：

式中：Pt+1i 為父代在第i 個(gè)基因位置發(fā)生變異后產(chǎn)生的個(gè)體；umin，umax，δ1和δ2同步驟（1）；γ 為區(qū)間[0，1]內(nèi)符合均勻分布的一個(gè)隨機(jī)數(shù).

（6）生成新一代群體.反復(fù)執(zhí)行（4）（5）步，不斷使種群進(jìn)化，直至達(dá)到指定的進(jìn)化代數(shù).

（7）將進(jìn)化產(chǎn)生的最后一代群體中適應(yīng)度值最大的個(gè)體解碼，得到相應(yīng)的1 組神經(jīng)網(wǎng)絡(luò)的閾值和連接權(quán)值，將閾值和連接權(quán)值賦予網(wǎng)絡(luò).然后輸入訓(xùn)練樣本集Ψ2，對(duì)優(yōu)化后的BP 神經(jīng)網(wǎng)絡(luò)采用BP 中的Levenberg-Marquardt（L-M）學(xué)習(xí)算法[15]對(duì)網(wǎng)絡(luò)繼續(xù)尋優(yōu).

（8）對(duì)最終得到的神經(jīng)網(wǎng)絡(luò)，利用檢測(cè)樣本Φ檢測(cè)網(wǎng)絡(luò)的泛化能力.

該算法采用了二次訓(xùn)練的方法來確定網(wǎng)絡(luò)的閾值和連接權(quán)，充分發(fā)揮了GA 的全局搜索性能和BP 算法的局部尋優(yōu)能力，克服了傳統(tǒng)BP 神經(jīng)網(wǎng)絡(luò)的缺點(diǎn)，提高了網(wǎng)絡(luò)的泛化能力.

2 試驗(yàn)與結(jié)果分析

2.1 確定網(wǎng)絡(luò)結(jié)構(gòu)

以山西洪洞直屬庫(kù)的糧倉(cāng)通風(fēng)來建立GA-BP神經(jīng)網(wǎng)絡(luò)糧倉(cāng)通風(fēng)決策模型，以記錄的糧溫、倉(cāng)溫（儲(chǔ)糧頂部到倉(cāng)頂之間的溫度）、外溫（外界大氣的溫度）、倉(cāng)濕（儲(chǔ)糧頂部到倉(cāng)頂之間的濕度）和外濕（外界大氣濕度）5 種特征信息組成特征向量作為輸入信息，以糧倉(cāng)的降溫通風(fēng)、降水通風(fēng)和不通風(fēng)3 種模式作為輸出信息.根據(jù)前述理論分析，GABP 神經(jīng)網(wǎng)絡(luò)的輸入層應(yīng)取5 個(gè)神經(jīng)元，輸出層取3 個(gè)神經(jīng)元.由式（2）計(jì)算可得，隱含層應(yīng)取4 個(gè)神經(jīng)元，則試驗(yàn)確定為5-4-3 結(jié)構(gòu)的BP 神經(jīng)網(wǎng)絡(luò).

2.2 處理樣本

采集糧庫(kù)最近兩年成功通風(fēng)案例的糧情數(shù)據(jù)組成試驗(yàn)樣本集，由于溫度和濕度的糧情數(shù)據(jù)是以時(shí)間為主鍵分別存儲(chǔ)在不同的表中，首先需要以時(shí)間為依據(jù)作數(shù)據(jù)的關(guān)聯(lián)與配準(zhǔn).其次，由于選取Sigmoid 函數(shù)作為神經(jīng)元的激活函數(shù)，而Sigmoid函數(shù)只有在區(qū)間[-1，1]時(shí)才比較靈敏，而對(duì)于此區(qū)間外的數(shù)據(jù)變化則非常緩慢，為了加快網(wǎng)絡(luò)的收斂速度，前期需對(duì)輸入數(shù)據(jù)作預(yù)處理，使輸入數(shù)據(jù)盡量位于[-1，1]區(qū)間內(nèi).對(duì)數(shù)據(jù)做預(yù)處理的另一個(gè)好處就是可以消除輸入樣本各元素取值范圍的不一致性，減少網(wǎng)絡(luò)優(yōu)化過程的波動(dòng)性，從而加速網(wǎng)絡(luò)的訓(xùn)練.這里采用一種簡(jiǎn)單有效的處理方法，將數(shù)據(jù)歸一化到區(qū)間[0，1]，具體處理為：以輸入樣本集里的樣本為行向量組成一個(gè)樣本矩陣，則矩陣的各列對(duì)應(yīng)構(gòu)成輸入樣本的各同質(zhì)元素；找出矩陣每列的最小值和最大值；然后通過下式對(duì)數(shù)據(jù)進(jìn)行處理：

其中，bij為變換后矩陣元素（實(shí)際輸入特征向量元素），aij為原樣本矩陣元素，aminj和amaxj分別為原樣本矩陣中第j 列元素中的最大值和最小值.最后，將樣本分成訓(xùn)練樣本集Ψ1、訓(xùn)練樣本集Ψ2和測(cè)試樣本集Φ 3 組，其中，訓(xùn)練樣本集Ψ1由降溫通風(fēng)、不通風(fēng)和降水通風(fēng)各25 組樣本組成；訓(xùn)練樣本集Ψ2由降溫通風(fēng)、不通風(fēng)和降水通風(fēng)各15 組樣本組成；測(cè)試樣本集Φ 由降溫通風(fēng)、不通風(fēng)和降水通風(fēng)各10 組樣本組成.

2.3 輸出的編碼轉(zhuǎn)換

為了網(wǎng)絡(luò)的數(shù)據(jù)化處理，這里將3 種通風(fēng)模式進(jìn)行二進(jìn)制編碼映射：

2.4 參數(shù)設(shè)定及網(wǎng)絡(luò)訓(xùn)練

設(shè)定GA 的初始種群S=20，進(jìn)化代數(shù)K=100，交叉概率Pc=0.85，變異概率Pm=0.005，BP 的誤差精度為0.000 1.按照建立模型的步驟建立GA-BP神經(jīng)網(wǎng)絡(luò)通風(fēng)決策模型，將訓(xùn)練樣本輸入網(wǎng)絡(luò)，在GA 優(yōu)化網(wǎng)絡(luò)過程中適應(yīng)度函數(shù)進(jìn)化曲線如圖2所示；圖3 為L(zhǎng)-M 學(xué)習(xí)算法二次優(yōu)化網(wǎng)絡(luò)的收斂結(jié)果.將測(cè)試樣本輸入訓(xùn)練好的網(wǎng)絡(luò)，該模型對(duì)測(cè)試樣本集Φ 的部分通風(fēng)決策結(jié)果如表1 所示.

2.5 結(jié)果分析

對(duì)于反映網(wǎng)絡(luò)輸出誤差的式（4）中定義的適應(yīng)度函數(shù)，從圖2 中可以發(fā)現(xiàn)，用GA 優(yōu)化網(wǎng)絡(luò)可以在一定代數(shù)內(nèi)使誤差達(dá)到指定要求；從圖3 可以看出，用L-M 學(xué)習(xí)算法對(duì)GA 優(yōu)化過的網(wǎng)絡(luò)進(jìn)行二次優(yōu)化可以在很少的步數(shù)內(nèi)達(dá)到很高的誤差精度，克服了傳統(tǒng)BP 神經(jīng)網(wǎng)絡(luò)中存在的問題.另外，從表1 可以看出，作者介紹的通風(fēng)決策模型具有較好的泛化能力，在實(shí)際輸出和期望輸出誤差滿足5%以內(nèi)時(shí)對(duì)測(cè)試樣本的模式?jīng)Q策和實(shí)際采取的通風(fēng)模式完全符合，試驗(yàn)結(jié)果達(dá)到預(yù)期目標(biāo).在實(shí)際應(yīng)用過程中，獲取的5 種特征信息會(huì)受采集這些信息的傳感器的誤差和位置影響，單一的通風(fēng)決策結(jié)果有時(shí)會(huì)有偏差甚至是與實(shí)際相悖的通風(fēng)決策.因此，為了消除這種影響，同時(shí)考慮到糧堆內(nèi)部可能出現(xiàn)局部聚熱現(xiàn)象對(duì)內(nèi)部傳感器產(chǎn)生影響，可以選擇靠近倉(cāng)壁的傳感器來抽取多組數(shù)據(jù)，組成一個(gè)測(cè)試樣本集，然后用訓(xùn)練好的神經(jīng)網(wǎng)絡(luò)對(duì)測(cè)試樣本逐一進(jìn)行通風(fēng)決策，最后應(yīng)用統(tǒng)計(jì)學(xué)原理進(jìn)行最終的通風(fēng)模式?jīng)Q策.

表1 測(cè)試樣本通風(fēng)決策結(jié)果

圖2 適應(yīng)度函數(shù)進(jìn)化曲線

圖3 L-M 學(xué)習(xí)算法二次優(yōu)化網(wǎng)絡(luò)收斂結(jié)果

3 結(jié)論

作者在剖析原有基于專家系統(tǒng)的糧倉(cāng)通風(fēng)決策存在問題的基礎(chǔ)上，給出了一種遺傳算法優(yōu)化BP 神經(jīng)網(wǎng)絡(luò)并進(jìn)行二次優(yōu)化的GA-BP 神經(jīng)網(wǎng)絡(luò)糧倉(cāng)通風(fēng)決策模型.該模型有利于在實(shí)時(shí)糧情監(jiān)測(cè)的環(huán)境中對(duì)通風(fēng)模式進(jìn)行智能決策（包括不通風(fēng)模式），充分捕捉有利的通風(fēng)時(shí)機(jī)，避免無效通風(fēng)和有害通風(fēng)等現(xiàn)象的發(fā)生.另外，作者所采用的建模方法充分利用了GA 的全局搜索性能力和BP神經(jīng)網(wǎng)絡(luò)的局部尋優(yōu)能力，克服了傳統(tǒng)BP 神經(jīng)網(wǎng)絡(luò)易陷入局部極小值和收斂速度慢等缺點(diǎn)，提高了網(wǎng)絡(luò)的收斂速度和精度.應(yīng)用該模型對(duì)山西洪洞糧庫(kù)的通風(fēng)決策進(jìn)行試驗(yàn)，結(jié)果表明，該模型具有較好的泛化性能，測(cè)試樣本集的通風(fēng)決策結(jié)果和實(shí)際通風(fēng)模式有較好的符合度，說明應(yīng)用該模型進(jìn)行糧倉(cāng)的智能通風(fēng)決策具有可行性.

［1］張來林，金文，朱慶芳，等.儲(chǔ)糧通風(fēng)技術(shù)的應(yīng)用及發(fā)展［J］.糧食加工，2011，36（3）:66-70.

［2］劉衛(wèi)紅.基于神經(jīng)網(wǎng)絡(luò)與專家系統(tǒng)集成的智能決策系統(tǒng)的應(yīng)用研究［D］.重慶:重慶大學(xué)，2002.

［3］付鵬程，趙小軍，王偉，等.智能通風(fēng)儲(chǔ)糧技術(shù)在中國(guó)的發(fā)展應(yīng)用概況［J］.糧食儲(chǔ)藏，2012，41（5）:143-146.

［4］陳德發(fā)，秦維平，馬飛.改進(jìn)型儲(chǔ)糧智能通風(fēng)系統(tǒng)實(shí)倉(cāng)應(yīng)用效果［J］.糧油倉(cāng)儲(chǔ)科技通訊，2013，29（3）:43-45.

［5］馮黎明，陳衛(wèi)東，呂宗旺，等.儲(chǔ)糧智能通風(fēng)系統(tǒng)研究［J］.電腦知識(shí)與技術(shù)，2013，9（15）:3588-3590.

［6］余吉慶，李宗良，周智華，等.智能通風(fēng)在儲(chǔ)糧降溫中擴(kuò)大應(yīng)用的研究［J］.糧食儲(chǔ)藏，2012，41（6）:22-26.

［7］黃志宏，林春華.智能化糧庫(kù)建設(shè)的探討與構(gòu)想［J］.糧食儲(chǔ)藏，2012，41（1）:52-56.

［8］Krylov N V.Introduction to the theory of random processes［M］.Providence，Rhode Island：American Mathematical Society，2002.

［9］林開平.人工神經(jīng)網(wǎng)絡(luò)的泛化性能與降水預(yù)報(bào)的應(yīng)用研究［D］.南京:南京信息工程大學(xué)，2007.

［10］葛繼科，邱玉輝，吳春明，等.遺傳算法研究綜述［J］.計(jì)算機(jī)應(yīng)用研究，2008，25（10）:2911-2916.

［11］鐘珞，饒文碧，鄒承明.人工神經(jīng)網(wǎng)絡(luò)及其融合應(yīng)用研究［M］.北京:科學(xué)出版社，2007:69-81.

［12］Hopfield J J.Neural networks and physical systems with emergent collective computation abilities［C］.Washington:Proceedings of the National Academy of Science，1982，98（11）:2554-2558.

［13］玄光男，程潤(rùn)偉.遺傳算法與工程設(shè)計(jì)［M］.北京：科學(xué)出版社，2000:85-87.

［14］雷英杰，張善文，李續(xù)武，等.MATLAB 遺傳算法工具箱及應(yīng)用［M］.西安:西安電子科技大學(xué)出版社，2005:55-57.

［15］張德豐，何正風(fēng)，周品，等.MATLAB 神經(jīng)網(wǎng)絡(luò)應(yīng)用設(shè)計(jì)［M］.北京:機(jī)械工業(yè)出版社，2012:146-158.