[發明專利]基于改進粒子群算法的平房倉糧溫BP神經網絡預測方法

在審

• 申請號: 202010987396.9
• 申請日: 2020-09-18
• 公開（公告）號: CN112070318A
• 公開（公告）日: 2020-12-11
• 發明（設計）人: 王赫;曹毅;趙旭;徐寧;李佳;祝國強;高樹成
• 申請（專利權）人: 遼寧省糧食科學研究所
• 主分類號: G06Q10/04
• 分類號: G06Q10/04;G06Q10/08;G06N3/08;G06N3/04
• 代理公司: 鄭州立格知識產權代理有限公司 41126
• 代理人: 田磊

1.基于改進粒子群算法的平房倉糧溫BP神經網絡預測方法，其特征在于：所述方法包括以下步驟：

1)對平房倉歷史的糧食溫度進行數據采集與整理、數據預處理；

2)初始化BP神經網絡和改進的粒子群算法的各項參數；

3)通過改進的粒子群優化BP神經網絡權值建立平房倉糧溫預測模型，并輸出糧溫預測結果。

2.如權利要求1所述的平房倉糧溫BP神經網絡預測方法，其特征在于：步驟1)中平房倉糧食溫度數據采集與整理具體包括：

通過平房倉內的糧食溫度監測點實時監控來獲取糧倉糧食內部不同位置的溫度，其中平房倉內部設有A層溫度監測層，每一層有包含B個溫度監測點，其中A≥1，B≥1；

平房倉糧食溫度初步選取的測溫點數據分為兩個部分，第一部分選取靠近平房倉四周墻壁、頂層和底層位置處，此為邊界溫度監測點；第二部分選取平房倉中間位置，其為中部溫度測點；通過對不同位置的溫度監測點的糧食溫度數據進行訓練、預測，建立不同溫度監控點的預測模型；

所述數據的預處理具體包括：

選取平房倉歷史糧食溫度的數據其中兩年的溫度數據，將其中一年的糧食溫度數據作為訓練集建立預測模型，另一年的糧食溫度數據作為測試集來檢驗模型的預測效果；利用歸一化的方法對初始數據進行處理，公式為：

y＝(x-x_min)/(x_max-x_min) (1)

其中x為實際的糧食溫度；x_min和x_max分別為輸入的最小值和最大值；y為歸一化的輸出向量；上式將數據歸一化到[0,1]區間內，預測結束后再將數據反歸一化為實際數據；

預測模型的輸入由是k個歷史時刻的糧食溫度組成的，通過這些歷史數據來預測下一時刻的目標值；下一時刻的真實測量值則作為輸入進行滾動預測，以此類推，直到整個時間序列預測完成；模型預測的策略如表1所示；

表1：模型預測的策略

其中k為選取的歷史時間步長；為模型的預測糧溫。

3.如權利要求2所述的平房倉糧溫BP神經網絡預測方法，其特征在于：步驟2)中初始化BP神經網絡各項參數時，采用的BP神經網絡預測模型具體為：

通過設定初始的閾值和權值以及一定數目的迭代次數來訓練BP神經網絡來獲取預測模型，在第t次迭代的正向傳播中，其隱含層的第j個神經元的輸出結果如下：

其中選取的激勵函數f₁和f₂為Sigmoid函數；I_j為第j個隱含層輸出；y_k為第k個輸出層神經元的輸出；E(t)為損失函數；d_k(t)為實際值；e_k為第k個輸出層神經元的輸出誤差值；

則其第t+1次迭代的反向傳播為

其中x_i為第i個輸入；ω_ij為輸入層到隱含層的連接權值；ω_jk為隱含層到輸出層的連接權值；α和β為閾值；I_j為第j個隱含層輸出；M和N為隱含層和輸出層神經元個數；δ(t)為輸出層到隱含層的誤差項；φ(t)為隱含層到輸入層的誤差項；η為學習率；d_k(t)為實際值；y_k為第k個輸出層神經元的輸出；e_k為第k個輸出層神經元的輸出誤差值；

其中，初始化改進的粒子群算法的參數時，采用粒子群算法具體為：

通過優化一群粒子，然后不斷迭代并跟蹤當前最優的粒子來搜索最優值；首先設多維搜索空間中，存在m個粒子構成一個群體，在第t次迭代中，第i個粒子的速度和位置為X_i,t和V_i,t，粒子通過兩個最優解來更新自己的合適位置和速度；這兩個最優解分別為粒子自身找尋的最優解即個體極值P_i和整個種群當前找尋的最優解即全局最優解G_i；在迭代過程中，粒子通過公式(8)和(9)進行更新自己的速度和新的位置：

V_i,t+1＝w·V_i,t+1+c₁·rand·(P_i-X_i,t)+c₂·rand·(G_i-X_i,t) (8)

X_i,t+1＝X_i,t+λ·V_i,t+1 (9)

其中w為慣性權重；rand為[0,1]之間的任意隨機數；c₁和c₂為學習因子；λ為速度系數并且λ＝1；

改進的粒子群算法具體為：

采用非線性變化的慣性權重代替固定的慣性權重來提高粒子群算法的性能；因此新的非線性變化的慣性權重表達式如下：

其中w_min和w_max分別為慣性權重w的最小值和最大值；t為當前迭代次數；t_max為最大迭代次數；當t較小時，w接近于w_max，并且w的減少速度也較慢；隨著t增大，w以非線性變化遞減且w的減少速度加快；通過多次迭代，不斷更新全局極值和個體極值，得到BP神經網絡的最優權值和閾值參數。

4.如權利要求3所述的平房倉糧溫BP神經網絡預測方法，其特征在于：步驟3)中建立平房倉糧溫預測模型具體為；

通過BP神經網絡訓練樣本得到的預測均方根誤差作為粒子群適應度函數，通過步驟2)中多次迭代后得到的BP神經網絡最優權值和閾值參數，建立平房倉糧溫預測模型；具體步驟如下：

31)設計BP神經網絡各層神經元節點數；其中預測模型設置BP神經網絡輸入層神經元個數為3；隱含層神經元個數設置為10；輸出層神經元個數為1；

32)將BP神經網絡的初始權值和閾值轉化成粒子群算法中的粒子，隨機初始化粒子的速度V_i和位置X_i,將預測結果與實際值的平方和作為適應度值，

其中和y_i分別是預測值和真實值；K為誤差放大系數；

33)通過改進的粒子群算法計算個體和全局的最優極值，得到的最優初始權值和閾值即神經網絡的最優初始權值和閾值；具體計算公式如(8)(9)(10)；學習因子c₁＝c₂＝2，最大和最小的慣性權重分別為w_max＝0.9；w_min＝0.1；最大迭代次數t_max＝2000；

34)將優化得到的最優極值即最優初始權值和閾值矩陣代入BP神經網絡公式(5)(6)(7)中，用訓練數據和測試數據分別對神經網絡訓練和測試，輸出預測結果，預測模型建立完成。