鄭沫利 趙艷軻 陳思露 陳祺東 孫俊

摘要：為使減少糧食儲(chǔ)藏環(huán)節(jié)的損耗，調(diào)查儲(chǔ)藏環(huán)節(jié)中糧食作物的損失情況并進(jìn)行評(píng)估預(yù)測(cè)。通過(guò)分析問(wèn)卷，統(tǒng)計(jì)描述影響損失率的各個(gè)因素，應(yīng)用隨機(jī)漂移粒子群優(yōu)化算法（random drift particle swarm optimization，RDPSO）和徑向基函數(shù)（radial basis function，RBF）網(wǎng)絡(luò)對(duì)儲(chǔ)藏環(huán)節(jié)損耗進(jìn)行評(píng)估預(yù)測(cè)，將調(diào)查問(wèn)卷獲得的數(shù)據(jù)作為RBF模型數(shù)據(jù)集，應(yīng)用RDPSO算法進(jìn)行模型的參數(shù)訓(xùn)練，從而獲得糧食損耗的智能評(píng)估模型。采用稻谷數(shù)據(jù)作為各模型的數(shù)據(jù)集，通過(guò)仿真試驗(yàn)，對(duì)比數(shù)據(jù)擬合情況和均方誤差，其RDPSO-RBF模型學(xué)習(xí)性能和泛化性能更強(qiáng)。因此，RDPSO-RBF能更好地應(yīng)用于實(shí)際的糧食管理中。

關(guān)鍵詞：產(chǎn)后糧食;統(tǒng)計(jì)描述分析;RDPSO-RBF模型;儲(chǔ)藏?fù)p耗;評(píng)估

中圖分類(lèi)號(hào)： F326.11文獻(xiàn)標(biāo)志碼： A

文章編號(hào)：1002-1302（2020）08-0307-05

收稿日期：2019-03-05

基金項(xiàng)目：國(guó)家公益性行業(yè)（糧食）科研專(zhuān)項(xiàng)（編號(hào)：201513004、201513004-6）。

作者簡(jiǎn)介：鄭沫利（1967—），男，廣東陸豐人，教授級(jí)高級(jí)工程師，主要從事糧食經(jīng)濟(jì)學(xué)研究，E-mail：zhengmoli@sohu.com。共同第一作者：趙艷軻（1987—），女，河南洛陽(yáng)人，博士研究生，中級(jí)工程師，主要從事糧食經(jīng)濟(jì)學(xué)研究，E-mail：zhao_yanke@126.com。

通信作者：孫?俊，博士，教授，主要從事人工智能、機(jī)器學(xué)習(xí)、計(jì)算智能和高性能計(jì)算研究。E-mail：sunjin_wx@hotmial.com。

糧食是人類(lèi)最基本的生存物資，是人類(lèi)生活的第一要求，在國(guó)民經(jīng)濟(jì)中占有重要地位。長(zhǎng)期以來(lái)，我國(guó)在保障糧食安全問(wèn)題上一直較注重產(chǎn)前與產(chǎn)中的管理與投入。然而在糧食產(chǎn)后損失的關(guān)注嚴(yán)重不足，產(chǎn)后大概分為收獲、運(yùn)輸、干燥、儲(chǔ)藏、加工、銷(xiāo)售和消費(fèi)等環(huán)節(jié)[1]。而每年糧食的產(chǎn)后損失情況極其嚴(yán)重，儲(chǔ)藏環(huán)節(jié)糧食損失在產(chǎn)后總損失中所占比例較高。若在此環(huán)節(jié)能采取有力的防護(hù)措施，將可有效控制產(chǎn)后儲(chǔ)藏環(huán)節(jié)中糧食的損耗。目前，已有不少的學(xué)者對(duì)糧食產(chǎn)后損失展開(kāi)廣泛的研究。在產(chǎn)后糧食損失方面，主要在儲(chǔ)糧的損耗分析和減損措施。如儲(chǔ)糧技術(shù)和儲(chǔ)糧安全，主要是研究不同因素對(duì)儲(chǔ)糧損耗的影響，進(jìn)而采取相關(guān)技術(shù)減損，保證儲(chǔ)糧的質(zhì)量與數(shù)量[2-3]。在儲(chǔ)糧模型構(gòu)造方面，主要是依據(jù)機(jī)器學(xué)習(xí)或優(yōu)化算法對(duì)儲(chǔ)糧害蟲(chóng)進(jìn)行研究[4-6]。鮮有對(duì)糧食產(chǎn)后儲(chǔ)藏環(huán)節(jié)的損失率預(yù)測(cè)的分析研究。

鑒于此，本研究調(diào)查了稻谷、大米、小麥、玉米、大豆5大糧食作物，通過(guò)問(wèn)卷的形式記錄了10個(gè)省份的產(chǎn)后糧食損失率和損失因素。為了解損失因素和其損失率的關(guān)系，將問(wèn)卷進(jìn)行變量處理和統(tǒng)計(jì)分析，并將各品種糧食作物生成變量相同的數(shù)據(jù)集。然后采用人工智能的方法，研究損失數(shù)據(jù)的因素對(duì)在儲(chǔ)藏環(huán)節(jié)產(chǎn)后糧食損失率的影響，提出了基于RDPSO（random drift particle swarm optimization）-RBF（radial basis function）損失預(yù)測(cè)模型。RBF神經(jīng)網(wǎng)絡(luò)能很好地逼近非線(xiàn)性數(shù)據(jù)，真實(shí)地反映輸入、輸出變量間的內(nèi)在聯(lián)系，在眾多神經(jīng)網(wǎng)絡(luò)中RBF逼近能力比較突出。但直接采用RBF作為損失率預(yù)測(cè)模型，其初始隨機(jī)參數(shù)很難確定最優(yōu)值，導(dǎo)致預(yù)測(cè)結(jié)果隨機(jī)化。而RDPSO是一種全局優(yōu)化算法，在搜索能力、收斂速度以及高維問(wèn)題上表現(xiàn)突出。因此，用RDPSO優(yōu)化RBF網(wǎng)絡(luò)中參數(shù)，以之克服RBF網(wǎng)絡(luò)預(yù)測(cè)結(jié)果的隨機(jī)性，可使預(yù)測(cè)值更接近實(shí)際值。在實(shí)際儲(chǔ)糧中，可以根據(jù)該預(yù)測(cè)值，判斷是否需要采取措施來(lái)改善某些因素的影響，以達(dá)到減少糧食損耗的目的。

1?產(chǎn)后糧食儲(chǔ)藏環(huán)節(jié)調(diào)查研究

1.1?產(chǎn)后糧食儲(chǔ)藏環(huán)節(jié)損失率調(diào)查概況

以?xún)?chǔ)藏環(huán)節(jié)的產(chǎn)后糧食作物稻谷、大米、小麥、玉米、大豆這5類(lèi)品種作為調(diào)查主體。本研究根據(jù)全國(guó)糧食種植分布數(shù)據(jù)，抽取了青海、湖南、重慶、江西、福建、江蘇、安徽、黑龍江、貴州、遼寧10個(gè)省份的數(shù)據(jù)，分別對(duì)這5類(lèi)作物產(chǎn)后糧食的損失率情況進(jìn)行專(zhuān)項(xiàng)調(diào)研。此外，在每個(gè)地區(qū)的抽樣中選出幾個(gè)市（區(qū)），對(duì)該抽樣出的市（區(qū)）儲(chǔ)糧企業(yè)單位進(jìn)行訪(fǎng)問(wèn)。為了使問(wèn)卷真實(shí)、有效，通過(guò)與該企業(yè)代表人“一對(duì)一”訪(fǎng)談并當(dāng)場(chǎng)答卷的方式進(jìn)行調(diào)查，并由調(diào)查人員填寫(xiě)問(wèn)卷。最后，調(diào)查得到有效的關(guān)于產(chǎn)后糧食在儲(chǔ)藏環(huán)節(jié)損失率的問(wèn)卷324份。其中，調(diào)查稻谷的樣本問(wèn)卷占總問(wèn)卷的36.7%，其次是玉米、小麥分別占29.3%、27.2%，最后大豆和大米占 4.3% 和2.5%。因此，本研究選擇稻谷作為代表糧食，分析影響其損失率的特征變量。

1.2?糧食產(chǎn)后儲(chǔ)藏環(huán)節(jié)特征描述

在此次問(wèn)卷中，該產(chǎn)后糧食損失率是對(duì)產(chǎn)后糧食總損失率的描述，即為產(chǎn)后糧食在儲(chǔ)藏環(huán)節(jié)中的進(jìn)倉(cāng)損失率、出倉(cāng)損失率、蟲(chóng)害損失率、鼠害損失率、霉變損失率、其他損失率的總和。而影響這些損失率的因素包含了受訪(fǎng)者、受訪(fǎng)企業(yè)的信息，產(chǎn)后糧食儲(chǔ)藏的情況（年份、儲(chǔ)藏品種、儲(chǔ)藏時(shí)間、倉(cāng)型、儲(chǔ)藏量、儲(chǔ)藏形式）、進(jìn)倉(cāng)損失信息（進(jìn)倉(cāng)工藝、進(jìn)倉(cāng)總量）、出倉(cāng)損失（出倉(cāng)工藝、出倉(cāng)總量）等。從表1可以看出，糧食產(chǎn)后的儲(chǔ)藏條件并不是很理想，其中儲(chǔ)糧生態(tài)區(qū)域有60.7%為中溫高濕儲(chǔ)糧區(qū);儲(chǔ)糧技術(shù)有59.4%是尚未應(yīng)用“四合一”技術(shù)的常規(guī)儲(chǔ)藏;儲(chǔ)藏形式采用散裝的占95.0%。同時(shí)，除了儲(chǔ)藏倉(cāng)型（使用平方倉(cāng)的比例為90.9%），其他特征所占比例分布相對(duì)較均勻。

2?RDPSO-RBF模型

2.1?RBF神經(jīng)網(wǎng)絡(luò)簡(jiǎn)介

RBF神經(jīng)網(wǎng)絡(luò)是一種前饋神經(jīng)網(wǎng)絡(luò)[7]。一般最基本的RBF神經(jīng)網(wǎng)絡(luò)由輸入層、隱含層、輸出層構(gòu)成3層網(wǎng)絡(luò)結(jié)構(gòu)，其公式如下：

Y=f（x）=∑Kk=1αkφk（x）。（1）

式中：αk是第k個(gè)隱含層節(jié)點(diǎn)到輸出層的連接權(quán)值，φk（x）是第k個(gè)隱含層結(jié)點(diǎn)的輸出值，其定義如下：

φk（x）=exp-‖x-μk‖2σ2k。（2）

式中：μk和σ2k分別代表了第k個(gè)隱含層結(jié)點(diǎn)的中心向量和擴(kuò)展常數(shù)。

2.2?RDPSO算法簡(jiǎn)介

隨機(jī)漂移粒子群（RDPSO）算法是基于PSO對(duì)于受到自由電子運(yùn)動(dòng)軌跡分析的啟發(fā)而提出的[8-9]。當(dāng)金屬導(dǎo)體在外電場(chǎng)時(shí)，其導(dǎo)體內(nèi)的自由電子會(huì)發(fā)生定向漂移，同時(shí)還存在無(wú)規(guī)則的隨機(jī)熱運(yùn)動(dòng)，這2種運(yùn)動(dòng)的結(jié)合可以使整體的勢(shì)能逐漸變小。因此，電子的運(yùn)動(dòng)過(guò)程類(lèi)似于優(yōu)化問(wèn)題中的求解最優(yōu)解使得目標(biāo)函數(shù)值最小化。在RDPSO算法中，第t+1次的第i個(gè)粒子在j維的定向速度和隨機(jī)熱運(yùn)動(dòng)速度分別為Vdt+1i，j、Vrt+1i，j，因此第t+1次粒子速度為：

Vt+1i，j=Vdt+1i，j+Vrt+1i，j。（3）

根據(jù)PSO算法中粒子趨向局部位置的學(xué)習(xí)機(jī)理，定向漂移速度Vdt+1i，j的定義如下：

Vdt+1i，j=c1·rti，j·（Pti，j-Xti，j）+c2·Rti，j·（Gtj-Xti，j）。（4）

式中：c1和c2為常數(shù);rti，j和Rti，j是在（0，1）區(qū)間內(nèi)均勻分布的隨機(jī)數(shù)，Pti，j是個(gè)體粒子最優(yōu)值，Gtj是其所有粒子中最優(yōu)值。而式（4）可以等價(jià)為

Vdti，j=β·（pti，j-Xti，j）;（5）

β=c1·rti，j+c2·Rti，j;（6）

pti，j=c1·rti，j·Pti，j+c2·Rti，j·Gtjc1·rti，j+c2·Rti，j。（7）

式中：β為漂移系數(shù);pti，j為吸引子。

假設(shè)RDPSO中的粒子的無(wú)規(guī)則隨機(jī)熱運(yùn)動(dòng)速度Vrt+1i，j服從雙指數(shù)分布，通過(guò)蒙特卡洛法得到其表達(dá)式如下：

Vrt+1i，j=δti，j·φti，j。（8）

式中：φti，j為高斯分布函數(shù);δti，j是高斯分布的標(biāo)準(zhǔn)差，定義為

δti，j=α·|Mti，j-Xti，j|。（9）

α為熱敏系數(shù);Mti，j為當(dāng)前種群中所有粒子個(gè)體的歷史最優(yōu)位置平均值，即

Mti，j=1N∑Ni=1Pti，j。（10）

因此，式（8）可以改寫(xiě)為：

Vrt+1=α·|Mti，j-Xti，j|·φti，j。（11）

綜上，RDPSO算法中粒子速度和位置的更新公式為：

Vti，j=β·（pti，j-Xti，j）+α|Mti，j|-Xti，j·φti，j;（12）

Xti，j=Xti，j+Vt+1i，j。（13）

2.3?RDPSO-RBF模型

2.3.1?RBF神經(jīng)網(wǎng)絡(luò)模型確定

通過(guò)調(diào)查得到的問(wèn)卷，在SPSS中進(jìn)行分析。樣本在變量處理后得到51個(gè)特征變量。由于某些糧食品種樣本數(shù)量相對(duì)較少，特征數(shù)量過(guò)多，在試驗(yàn)中其誤差結(jié)果并不理想。通過(guò)相關(guān)性分析，得到其中8個(gè)相關(guān)性最高的變量，作為實(shí)驗(yàn)室數(shù)據(jù)樣本輸入變量，而產(chǎn)后總損失率作為樣本輸出。因此，RBF神經(jīng)網(wǎng)絡(luò)的輸入層結(jié)點(diǎn)個(gè)數(shù)為8，輸出結(jié)點(diǎn)1個(gè)。隱含層通過(guò)利用對(duì)手受罰的競(jìng)爭(zhēng)學(xué)習(xí)算法確定為8。綜上所述，該RBF神經(jīng)網(wǎng)絡(luò)模型結(jié)構(gòu)為8-8-1。

2.3.2?RDPSO算法目標(biāo)函數(shù)

采用均方誤差作為RDPSO算法的目標(biāo)函數(shù)，評(píng)價(jià)粒子群中所有個(gè)體，從中尋找最佳個(gè)體來(lái)判斷是否更新粒子的Pti和Gt。

2.3.3?RDPSO-RBF算法步驟

步驟1：通過(guò)上述描述的思想，構(gòu)建RBF網(wǎng)絡(luò)，同時(shí)給定輸入與輸出樣本集。

步驟2：將RBF神經(jīng)網(wǎng)絡(luò)中的隱含層中心、擴(kuò)展系數(shù)和權(quán)值編碼成實(shí)數(shù)串代表粒子個(gè)體，同時(shí)隨機(jī)產(chǎn)生規(guī)模為S的粒子群并初始化其位置和速度。

步驟3：解碼得到每個(gè)粒子個(gè)體串，映射到RBF網(wǎng)絡(luò)的不同參數(shù)，同時(shí)將N組訓(xùn)練樣本輸入到RBF網(wǎng)絡(luò)中，得到相應(yīng)的輸出，計(jì)算優(yōu)化算法的目標(biāo)函數(shù)。

步驟4：計(jì)算漂移系數(shù)β，根據(jù)式（10）計(jì)算群體平均最優(yōu)位置。

步驟5：對(duì)每個(gè)粒子按照式（12）和（13）進(jìn)行速度和位置的更新。

步驟6：更新得到全局最優(yōu)值Gtj和粒子局部最優(yōu)位置Ptj。

步驟7：判斷全局最優(yōu)值是否滿(mǎn)足RDPSO算法中的結(jié)束條件，即算法給定預(yù)定值或迭代條件。如果滿(mǎn)足條件，轉(zhuǎn)入步驟8，否則轉(zhuǎn)入步驟3。

步驟8：算法結(jié)束。

3?結(jié)果與分析

基于上述思路在MATLAB2015a中編程，創(chuàng)建RDPSO-RBF網(wǎng)絡(luò)模型，采用的計(jì)算機(jī)配置為：Intel CoreTM i7-6500U CPU @2.5 GHz，8 G內(nèi)存。這里采用產(chǎn)后糧食作物稻谷作為試驗(yàn)數(shù)據(jù)集，將207組樣本數(shù)據(jù)隨機(jī)分成2份，前160組作為網(wǎng)絡(luò)的訓(xùn)練數(shù)據(jù)，后47組作為測(cè)試樣本?；谏鲜雒枋觯ㄟ^(guò)降維后的變量（這里利用相關(guān)性，如：企業(yè)所屬生態(tài)區(qū)域、儲(chǔ)藏量、進(jìn)倉(cāng)總量、出倉(cāng)總量、進(jìn)倉(cāng)形式是散糧散裝進(jìn)倉(cāng)、出倉(cāng)形式是包糧拆包出倉(cāng)等）作為模型網(wǎng)絡(luò)的輸入，其產(chǎn)后糧食總損失率作為輸出。

首先，通過(guò)訓(xùn)練樣本訓(xùn)練出預(yù)測(cè)模型，并根據(jù)學(xué)習(xí)得到的模型輸出的訓(xùn)練樣本的預(yù)測(cè)值與訓(xùn)練樣本實(shí)際值作比較。為了突出RDPSO-RBF模型預(yù)測(cè)產(chǎn)后總損失率的效果，將設(shè)計(jì)線(xiàn)性回歸模型、RBF模型進(jìn)行試驗(yàn)效果的比較。從圖1可以看出，線(xiàn)性回歸模型在訓(xùn)練樣本的擬合情況相當(dāng)差，說(shuō)明了該數(shù)據(jù)集并非線(xiàn)性的，線(xiàn)性模型在這里不適用于糧食的產(chǎn)后損失數(shù)據(jù)。而非線(xiàn)性的RBF神經(jīng)網(wǎng)絡(luò)和RDPSO-RBF網(wǎng)絡(luò)，卻能較好地?cái)M合。

通過(guò)圖1得知，RBF神經(jīng)網(wǎng)絡(luò)算法和RDPSO-RBF算法通過(guò)訓(xùn)練樣本學(xué)習(xí)到模型，其模型對(duì)訓(xùn)練樣本有精準(zhǔn)的預(yù)測(cè)輸出。因此，為了檢驗(yàn)?zāi)Ｐ偷姆夯阅埽瑘D2呈現(xiàn)了在測(cè)試集上的擬合情況，可以看出基于RDPSO-RBF模型能更好地預(yù)測(cè)損失率，其泛化性能比基于RBF神經(jīng)網(wǎng)絡(luò)模型的更好，其RBF模型有過(guò)擬合現(xiàn)象。

根據(jù)表3的2種算法模型的均方誤差的數(shù)據(jù)可知RDPSO-RBF模型學(xué)習(xí)能力與泛化能力的優(yōu)越性，能更好地預(yù)測(cè)糧食產(chǎn)后損失率。

4?結(jié)論

研究?jī)?chǔ)藏環(huán)節(jié)糧食損失因素、預(yù)測(cè)糧食損失率，以期為糧食在儲(chǔ)藏環(huán)節(jié)損失量提供參考值。為此，本研究基于對(duì)糧食產(chǎn)后損失率情況的調(diào)查，描述影響損失因素的特征。為精準(zhǔn)地預(yù)測(cè)糧食產(chǎn)后儲(chǔ)藏環(huán)節(jié)損失率，建立了RDPSO-RBF網(wǎng)絡(luò)模型。通過(guò)試驗(yàn)對(duì)比，RDPSO優(yōu)化后的RBF神經(jīng)網(wǎng)絡(luò)能更好地對(duì)損失率作出準(zhǔn)確預(yù)測(cè)，具有更強(qiáng)的泛化性能，在實(shí)際場(chǎng)景中預(yù)測(cè)損失率的值更加準(zhǔn)確。

參考文獻(xiàn)：

[1]高利偉，許世衛(wèi)，李哲敏，等. 中國(guó)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.

[2]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.

[3]張?彩. 散裝糧食平房倉(cāng)外圍護(hù)體系研究[D]. 鄭州：河南工業(yè)大學(xué)，2015.

[4]胡麗華，郭?敏，張景虎，等. 儲(chǔ)糧害蟲(chóng)檢測(cè)新技術(shù)及應(yīng)用現(xiàn)狀[J]. 農(nóng)業(yè)工程學(xué)報(bào)，2007，23（11）：286-290.

[5]Shen Y F，Zhou H L，Li J T，et al. Detection of stored-grain insects using deep learning[J]. Computers & Electronics in Agriculture，2018，145：319-325.

[6]郭?敏，張明真. 基于GMM和聚類(lèi)方法的儲(chǔ)糧害蟲(chóng)聲信號(hào)識(shí)別研究[J]. 南京農(nóng)業(yè)大學(xué)學(xué)報(bào)，2012，35（6）：44-48.

[7]Chen S，Cowan C F N，Grant P M，et al. Orthogonal least squares learning algorithm for radial basis function networks[J]. IEEE Transactions on Neural Networks，1991，2（2）：302-309.

[8]Sun J，Wu X，Palade V，et al. Random drift particle swarm optimization algorithm：convergence analysis and parameter selection[J]. Machine Learning，2015，101（1/2/3）：345-376.

[9]Kennedy J，Eberhart R. Particle swarm optimization：Proceedings of ICNN95-International Conference on Neural Networks[C]. Perth：IEEE，2002，1942-1948.

[10]張?鈴，張?鈸. 人工神經(jīng)網(wǎng)絡(luò)理論及應(yīng)用[M]. 杭州：浙江科學(xué)技術(shù)出版社，1997.