郭平飛 甄彤

摘 ?要： 在使用BP神經(jīng)網(wǎng)絡(luò)構(gòu)建糧情溫度預測模型時，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)來預測糧食溫度。首先為驗證GANPSO算法的可用性，將該算法與PSO算法和IPSO算法在測試函數(shù)上利用Matlab軟件進行模擬測試，結(jié)果得出GANPSO算法效果相對與其他兩種算法有著明顯提高;然后再對BP，PSO?BP和GANPSO?BP三種神經(jīng)網(wǎng)絡(luò)進行測試，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)相對于其他兩種有著較好的穩(wěn)定性，能夠很好地預測糧食溫度的變化情況。

關(guān)鍵詞： 糧食溫度; 回歸預測; GANPSO?BP神經(jīng)網(wǎng)絡(luò); 仿真模擬; 預測分析; 權(quán)重優(yōu)化

中圖分類號： TN711?34; TP301.6 ? ? ? ? ? ? ? ? ? ? 文獻標識碼： A ? ? ? ? ? ? ? ? ?文章編號： 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

在糧食儲藏的過程中，糧堆中糧食受到的影響因子較多，再加上儲藏周期很長，如何提高糧食儲藏的品質(zhì)和降低在儲存過程中造成的損失就顯得尤為重要。在糧食儲藏中對糧食品質(zhì)有影響的因素很多[1]，如溫度、濕度、害蟲、霉菌[2]和氣體[3]等，但在這些因素中對其影響最大的是溫度。若能利用這些已測數(shù)據(jù)對糧堆內(nèi)溫度進行預測就可以提前發(fā)現(xiàn)問題，減少糧食損失。

近些年，有很多學者對糧庫中糧食的溫度方面有所研究。如李祥利等發(fā)現(xiàn)利用“F”型通風道對房型倉底輸送冷風可以使倉內(nèi)溫度分布均勻，減少通風死角[4]。Jian F等發(fā)現(xiàn)害蟲運動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)值模擬的方法對大型糧倉冬夏兩季溫度分布反演了多項式的數(shù)學模型[6]。通過對這些研究現(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，利用糧倉中諸多影響糧堆溫度的因素對糧堆中溫度進行分析研究。因BP神經(jīng)網(wǎng)絡(luò)的自身缺陷，所以在對神經(jīng)元的權(quán)值和閾值初始化的過程中使用GANPSO算法對其神經(jīng)元的權(quán)值和閾值進行優(yōu)化。

1 ?基于GANPSO?BP的糧情預測模型

1.1 ?BP神經(jīng)網(wǎng)絡(luò)

BP（Back Propagation）神經(jīng)網(wǎng)絡(luò)是將訓練出的所有信息以神經(jīng)元節(jié)點閾值和權(quán)值的形式存放在訓練網(wǎng)絡(luò)中，從而使該網(wǎng)絡(luò)有較好的自學習效果和泛化能力。

式中：[xi]為第i個輸入;[ω]為連接權(quán)值;[α]和[β]為閾值;[Ij]為第j個隱層輸出;M和N為隱層和輸出層神經(jīng)元個數(shù);[yk]為第k個輸出層神經(jīng)元的輸出;[ek]為第k個輸出層神經(jīng)元的誤差值。

1.2 ?標準PSO原理

粒子群算法（PSO）是通過群體智慧來尋覓目標的最優(yōu)解。在PSO算法中最為核心的就是群體中個體的位置和速度的更新，通過它們的有效更新才能完整運行整個算法。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，加速因子為非負數(shù);[Xin]為粒子位置;[Vin]為粒子速度;[r1]，[r2]是[0，1]之間的隨機數(shù)。

1.3 ?GANPSO算法

在面對PSO算法的尋求中，許多專家和學者都對其尋優(yōu)有著自己獨特的更新方法。如吳沖等提出了一種動態(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撲這兩方面對PSO算法進行改進[8];肖理慶等提出使用區(qū)間算法、輪盤賭的方法和改進精英策略來改進PSO[9]等。

針對PSO算法的缺點，提出了新的慣性權(quán)重函數(shù)來對其進行優(yōu)化，同時借助遺傳算法思想來優(yōu)化PSO算法的尋優(yōu)過程，從而使問題盡快得到最優(yōu)。

1.3.1 ?慣性權(quán)重優(yōu)化

前文已提到PSO算法可以通過對粒子的更新來尋找目標空間的最優(yōu)，但是在標準PSO算法中仍舊存在著一些缺陷。針對這些問題，對粒子的慣性權(quán)重進行優(yōu)化。對慣性權(quán)重[ω]改進公式為：

式中：[ωmin]和[ωmax]值分別為0.4和0.9;T為最大迭代次數(shù);i為當前迭代次數(shù)。

1.3.2 ?遺傳算法優(yōu)化

除了對慣性權(quán)重進行優(yōu)化外，還可以利用遺傳算法對其尋優(yōu)過程進行優(yōu)化，在優(yōu)化前，需要先初始化位置和速度，然后在計算適應(yīng)度值（FIT值）后，才可以對粒子進行優(yōu)化操作。在該算法中，適應(yīng)度函數(shù)為平均絕對誤差值。

在計算出各個粒子的FIT值后，對其排序，取前一半粒子新建粒子群，并在該群中隨機取出兩個不同粒子，再對選好粒子進行交叉。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，先隨機一個[0，1]之間的隨機數(shù)，若該隨機數(shù)大于給定的某一個值，那么決定對循環(huán)中的該粒子進行變異。變異時只變異該粒子的全部元素。同時若最優(yōu)解的粒子位置數(shù)次未變，也可以變異該粒子。

當然為防止該算法再次陷入局部最優(yōu)，又對其FIT值在4次未改變時，對該次的全局最優(yōu)值進行變異。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)在對非線性系統(tǒng)建模時，其初始閾值和權(quán)值都是隨機生成的，生成值不同會導致不一樣的預測結(jié)果。因此可以使用粒子群算法對其權(quán)值和閾值進行優(yōu)化。在對其優(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算法測試

2.1.1 ?測試函數(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算法標準測試函數(shù)中，選取3個極值為零的測試函數(shù)。測試函數(shù)的表達式和粒子收索空間如表1所示。

2.1.2 ?算法參數(shù)選擇及測試環(huán)境

對于PSO算法和IPSO算法[10]中具體參數(shù)可以參考其文獻中設(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。本文的測試環(huán)境是Windows 10系統(tǒng)，測試軟件為Matlab R2016a。

2.1.3 ?測試結(jié)果

為了保證測試結(jié)果有效性和可靠性，對于每個測試這三種算法均運行50次，最后FIT的絕對值中最大值（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。不同算法比較結(jié)果如表2所示。

表1 ?測試函數(shù)

對于表2的數(shù)據(jù)，可以明顯看出在Sphere，Ackley和Griewank三個函數(shù)中，GANPSO算法要明顯強于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算法在運行到146次左右時其適應(yīng)度值為3.552 7×10-15。

2.2 ?糧情預測結(jié)果測試

2.2.1 ?測試數(shù)據(jù)

該算法模型的實驗樣本來自華東地區(qū)的某個糧庫，以2016年前11個月的糧倉數(shù)據(jù)來預測后1個月的溫度數(shù)據(jù)。用于預測的輸入數(shù)據(jù)有糧倉外部溫度、糧倉外部濕度、糧倉內(nèi)部溫度、糧倉內(nèi)部濕度和糧堆溫度。由于在本次實驗中主要預測為糧倉中糧堆的底層溫度點的平均溫度，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)量級的差別，所以在對實驗數(shù)據(jù)訓練前，需要對該實驗數(shù)據(jù)進行歸一化。在本文中使用的歸一化公式為：

式中：[xk]為第k個訓練數(shù)據(jù);[xmax]為訓練參數(shù)中的最大值;[xmin]為訓練參數(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)點數(shù)按照經(jīng)驗得到節(jié)點數(shù)為3時較好。BP神經(jīng)網(wǎng)絡(luò)的激勵函數(shù)根據(jù)實際訓練情況，發(fā)現(xiàn)將隱含層激勵函數(shù)設(shè)置為tan?sigmoid函數(shù)，同時將輸出層為線性函數(shù)purelin時，訓練函數(shù)為trainscg，預測效果較好。

在對糧溫的預測誤差方面主要用均方誤差（MSE）、平均絕對誤差（MAE）和平均相對誤差（MRE）來表示。

2.2.3 ?測試結(jié)果

對測試數(shù)據(jù)使用BP，PSO?BP和GANPSO?BP這三種神經(jīng)網(wǎng)絡(luò)分別進行預測。為保證其有效性，對于每一個序號內(nèi)的預測值，均為該三種神經(jīng)網(wǎng)絡(luò)運行10次后不同誤差值的平均值。

其預測結(jié)果如表3所示。

從表1中不同公式計算出來的誤差值可以看出，BP神經(jīng)網(wǎng)絡(luò)中各項誤差值均大于通過其他方法得到的誤差值，由此可知BP神經(jīng)網(wǎng)絡(luò)的預測效果相對較差。而使用GANPSO?BP算法的數(shù)據(jù)預測結(jié)果相對于其他方法較為理想，其誤差數(shù)值相對較小，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測結(jié)果的不同，選取其中一次的預測溫度和誤差，用Matlab畫圖見圖2、圖3。

從圖2和圖3可以看出，使用遺傳算法和對慣性權(quán)重改進后的GANPSO?BP相對于其他兩種神經(jīng)網(wǎng)絡(luò)，預測效果較好，絕對預測誤差值較低。GANPSO?BP較BP和PSO?BP神經(jīng)網(wǎng)絡(luò)的預測結(jié)果最大偏差較小，穩(wěn)定性較高。

圖2 ?預測溫度圖

3 ?結(jié) ?語

對于PSO算法的優(yōu)化問題，通過改變其慣性權(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優(yōu)化其粒子更新過程。同時利用三個常用測試函數(shù)對其性能進行測試，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。

對于糧食溫度預測問題，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)分別預測糧倉中糧食溫度。實驗對比結(jié)果顯示，改進后GANPSO?BP比BP神經(jīng)網(wǎng)絡(luò)和PSO?BP神經(jīng)網(wǎng)絡(luò)測試數(shù)據(jù)的預測溫度誤差相對較小，預測穩(wěn)定性更好，預測溫度精度更高。

圖3 ?預測誤差圖

參考文獻

[1] 鄧永學，趙志模，李隆術(shù).環(huán)境因子對儲糧害蟲影響的研究進展[J].糧食儲藏，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.主要糧食品種儲藏期間霉菌活動特性研究[J].中國糧油學報，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.糧倉有害氣體檢測系統(tǒng)的研究[D].鄭州：河南工業(yè)大學，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，王遠成.房式倉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.大型糧倉溫度分布反演數(shù)學模型的研究[J].光學技術(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.基于改進粒子群算法的模糊聚類?概率神經(jīng)網(wǎng)絡(luò)模型的企業(yè)財務(wù)危機預警模型研究[J].運籌與管理，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.基于改進粒子群算法的風光水互補發(fā)電系統(tǒng)短期調(diào)峰優(yōu)化調(diào)度[J].水電能源科學，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.利用改進粒子群算法優(yōu)化ERT有限元模型[J].計算機應(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.基于動態(tài)隨機搜索和佳點集構(gòu)造的改進粒子群優(yōu)化算法[J].計算機應(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.