曹冬梅 張東杰 鹿保鑫 翟愛華
(黑龍江八一農墾大學食品學院,大慶 163319)
大米在儲藏過程中,因為沒有谷殼的保護,胚乳直接暴露在空氣中,極易受濕、熱、蟲、霉的影響而變質,不僅影響了大米的食味品質。而且關系到大米儲藏的安全。因此如何準確、快速地預測和監(jiān)控大米質量指標對大米儲藏和品質影響具有十分重要的意義。
人工神經網絡(ANN,Artificial Neural Networks)是一種應用類似于大腦神經突觸聯(lián)接的結構進行信息處理的數學模型。在工程與學術界也常直接簡稱為神經網絡或類神經網絡。由大量的節(jié)點(或稱神經元)相互聯(lián)接構成。每個節(jié)點代表一種特定的輸出函數,稱為激勵函數(activation function)。每2個節(jié)點間的連接都代表一個對于通過該連接信號的加權值,稱之為權重,這相當于人工神經網絡的記憶。網絡的輸出則依網絡的連接方式,權重值和激勵函數的不同而不同。而網絡自身通常都是對自然界某種算法或者函數的逼近[1]。因此具有強大的信息處理能力,在進行數值的監(jiān)控、預測方面更具有明顯的優(yōu)勢。
通過檢測大米樣本的脂肪酸值、還原糖、黏度,并以其檢測值作為訓練樣本,建立基于反向傳播算法的人工神經網絡(BP網絡)的大米儲藏品質模型,實現(xiàn)準確、快速預測與監(jiān)控大米的品質隨時間變化的規(guī)律,保證大米的食用品質和安全性。
人工神經網絡是由人工建立的以有向圖為拓撲結構的動態(tài)系統(tǒng),通過分析連續(xù)或斷續(xù)輸入的狀態(tài)響應來進行信息處理。其實質是輸入轉化成輸出的一種數學表達式,這種數學關系由網絡的結構來確定[2],ANN所包含的大量神經元可分為輸入層、隱層和輸出層的多層結構。輸入、輸出層為單層,神經元數(也稱節(jié)點數)分別由輸入、輸出變量的數目確定;隱層可以是單層也可以是多層。隱層層數與各隱層節(jié)點數的確定比較復雜,一般應以獲得最優(yōu)網絡性能為目標,根據所研究的具體問題,按經驗或作嘗試比較確定。誤差反向傳播網絡(Back Propagation,BP網絡)是人工神經網絡的重要模型之一,基本的BP網絡拓撲結構見圖1。
圖1 BP網絡拓樸結構
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[3]:ANN具有學習能力;ANN是一個復雜非線性系統(tǒng),對于非線性系統(tǒng)具有較好的處理能力,包括模擬、優(yōu)化和控制;ANN是一種并行運算系統(tǒng),與串行運算相比具有較高的運算速度,響應時間較短,可以滿足在線模擬、在線優(yōu)化、自適應控制的需要。
對來自黑龍江省大型米業(yè)集團的同一批次的5個樣本稻米在實驗室室溫下避光儲藏360 d,按照國標方法(LS/T 6101—2002谷物黏度測定、GB/T 5009.7—2003食品中還原糖的測定、GB/T 15684—1995谷物制品脂肪酸值測定法)每隔15天檢測其脂肪酸值,還原糖和黏度值,見表1。
將表1中的檢測值數據作為樣本的訓練數據,進行歸一化處理,即通過變換處理將網絡的輸入、輸出數據限制在[0,1]或[-1,1]區(qū)間內。從而使網絡訓練一開始就給各輸入分量以同等重要的地位。處理后的數據見表1(歸一化處理后數據)。
表1 實驗室儲藏大米的脂肪酸值、還原糖和黏度檢測值和歸一化處理后數據樣本
對表1的24個樣本(黏度值選擇12個樣本)進行訓練BP網絡,該BP網絡采用輸入層為3個結點,輸出層為1個結點,而隱含層有8個結點。取學習率為0.1,取動量系數為0.6,初始權值為0.3。輸入 BP神經網絡,對其進行學習訓練,迭代計算,直到輸出的誤差足夠小,能對24個樣本(黏度值12個樣本)進行正確選擇,將已知數據代入模型進行學習與訓練,結果見圖2、圖5、圖8。
由圖2可知,所設計的大米脂肪酸值神經網絡模型用實測的24組樣本數據進行訓練,當步長達到103次的時候,輸出層的均方誤差就達到了4.23×10-6,滿足訓練參數中要求的目標誤差要求。利用模型得到大米脂肪酸值的預測值與實測值的結果如圖3、圖4所示。
圖2 脂肪酸值的訓練誤差曲線
圖3 脂肪酸值的預測值與實測值的擬合曲線
圖4 脂肪酸值的預測值與實際值的絕對誤差曲線
由圖3、圖4可知,應用神經網絡模型預測數據與實測數據的對比來看,BP神經網絡檢測性能較好,絕對誤差在±0.004之間,誤差較小,BP神經網絡模型的預測效果好。為了進一步驗證預測模型的有效性,對5個樣本稻米進一步儲藏,每15 d檢測其脂肪酸值與建立的神經網絡預測值進行比較分析,見表2。
表2 脂肪酸值的預測值與實測值
由表2可知,平均相對誤差為0.17%,小于0.01,故模型可以用來預測大米在儲藏時脂肪酸值隨時間變化的規(guī)律。
由圖5中可知,所設計的大米還原糖神經網絡模型用實測的24組樣本數據進行訓練,在經過152步以后,輸出層的均方誤差就達到了4.51×10-5,滿足訓練參數中要求的目標誤差要求。利用模型得到大米還原糖的預測值與實測值的結果如圖6、圖7所示。
圖5 還原糖的訓練誤差曲線
由圖6、圖7可知,應用神經網絡模型預測數據與實測數據的對比來看,BP神經網絡檢測絕對誤差在±0.015之間,誤差較小,BP神經網絡模型的預測效果好。為了進一步驗證預測模型的有效性,對5個樣本稻米進一步儲藏,每15 d檢測其還原糖與建立的神經網絡預測值進行比較分析,見表3。
圖6 還原糖的預測值與實測值的擬合曲線
圖7 還原糖的預測值與實際值的絕對誤差曲線
表3 BP神經網絡的預測結果
由表3可知,平均相對誤差為0.17%,小于0.01,故模型可以用來預測大米在儲藏時還原糖含量隨時間變化的規(guī)律。
從圖8中可以看出,在經過90步以后,輸出層的均方誤差就達到了1.54×10-8,滿足訓練參數中要求的目標誤差要求。利用模型得到大米黏度的預測值與實測值的結果如圖9、圖10所示。
由圖9、圖10可知,應用神經網絡模型預測數據與實測數據的絕對誤差在-0.000 25~0.000 2之間,預測效果好。為了進一步驗證預測模型的有效性,對5個樣本稻米進一步儲藏,每15 d檢測其黏度值與建立的神經網絡預測值進行比較分析,見表4。
由表4可以看出,平均相對誤差為0.24%,小于0.01,故模型可以用來預測大米在儲藏時黏度隨時間變化的規(guī)律。
圖8 黏度的訓練誤差曲線
圖9 黏度的預測值與實測值的擬合曲線
圖10 黏度的預測值與實際值的絕對誤差曲線
表4 BP神經網絡的預測結果
基于BP人工神經網絡建立了大米儲藏品質的預測模型,用該模型預測大米的脂肪酸值、還原糖含量和黏度隨時間變化的規(guī)律,通過實測值與預測值的對比驗證,確定了預測模型的有效性。利用該模型可以快速、準確監(jiān)控大米品質的變化情況,在品質發(fā)生劣變之前采取有效措施,保證大米的食用品質和安全性。
[1]張青貴.人工神經網絡導論[M].北京:中國水利水電出版社,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.神經網絡算法在暖通空調控制中的應用[J].微計算機信息(測控自動化),2009,25(1):26-28
[4]李季,蒲彪.人工神經網絡在食品微生物發(fā)酵中的應用[J].食品研究與開發(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,萬鵬,于春生.基于BP神經網絡的大米含水量近紅外檢測方法[J].中國糧油學報,2008,23(6):193-197
[12]汪小芳.基于人工神經網絡利用機械特性檢測蘋果品質方法的研究[D].華中農業(yè)大學,2006
[13]聞新著.MATLAB神經網絡仿真與應用[M].科學出版社,2003(7):258-284
[14]錢永中.應用于農藥殘留對人體暴露評估的蒙特卡洛方法及其進展[J].農業(yè)質量標準,2007(5):43-46
[15]劉瀟威.農產品中重金屬風險評估的研究進展[J].農業(yè)環(huán)境科學學報,2007,26(1):15 -18.