基于遗传BP神经网络的核桃破裂功预测模型

发布时间：2016-09-14 11:17

  本文关键词：基于遗传BP神经网络的核桃破裂功预测模型，由笔耕文化传播整理发布。

第30卷 第18期 农 业 工 程 学 报 Vol.30 No.18

78 2014年 9月 Transactions of the Chinese Society of Agricultural Engineering Sep. 2014

基于遗传BP神经网络的核桃破裂功预测模型

张 宏1,2,5，马 岩1※，李 勇2,5，张锐利3，张学军4，张 锐3

（1. 东北林业大学林业与木工机械工程技术中心，哈尔滨 150040； 2. 塔里木大学机械电气化工程学院，阿拉尔 843300；

3. 塔里木大学生命科学学院，阿拉尔 843300； 4. 新疆农业大学机械交通学院，乌鲁木齐 830052；

5. 新疆维吾尔自治区普通高等学校现代农业工程重点实验室，阿拉尔 843300）

摘 要：针对核桃壳破裂所需机械能易受核桃含水率、加载速度和体积级别等多种因素影响，提出一种核桃壳破裂功预测方法。以南疆地区温185核桃为研究对象，选择核桃含水率（4%、6%、8%、10%）、加载速度（100、200、300、400 mm/min）和横径级别（1、2、3、4级）3个因素作为BP神经网络模型的输入量，利用遗传算法优化神经网络的权值与阈值，建立温185核桃破壳破裂功的遗传BP神经网络预测模型。结果表明：遗传BP神经网络模型能较好表达温185核桃破壳破裂功与主控因素之间的非线性关系，预测结果与实测值之间的平均绝对百分比误差为0.035，测试样本的网络输出值与网络目标值的相关系数达0.92488，模型预测效果较佳。研究结果为温185核桃破壳取仁加工过程的在线监控提供参考依据。 关键词：神经网络；模型；遗传算法；核桃破壳；破裂功 doi：10.3969/j.issn.1002-6819.2014.18.010

中图分类号：TS255.6 文献标志码：A 文章编号：1002-6819(2014)-18-0078-07

张 宏，马 岩，李 勇，等. 基于遗传BP神经网络的核桃破裂功预测模型[J]. 农业工程学报，2014，30(18)：78－84.

Zhang Hong, Ma Yan, Li Yong, et al. Rupture energy prediction model for walnut shell breaking based on genetic BP neural network[J]. Transactions of the Chinese Society of Agricultural Engineering (Transactions of the CSAE), 2014, 30(18): 78－84. (in Chinese with English abstract)

0 引 言

长期以来，核桃破壳取仁以人工破壳为主，生产效率低，成本高，且因敲击的力度不易控制，破壳时核桃仁碎裂程度高[1]。随着核桃产量增长和产品多样化的需求，核桃破壳取仁产业化加工已势在必行。基于此国内外诸多研究人员长期致力于研究核桃破壳的影响因素和开发高效的机械式核桃破

部分研究者利用壳机械[2-3]。基于一定的试验研究，

有限元原理分析了核桃的最佳受力方位和方式，表

国外研究者明核桃沿纵向两端施力有利于破壳[4-5]。

以核桃挤压试验为基础，分析了核桃含水率、加载速度和加载方向3个因素对核桃壳破率力、破裂功

结果表明，核桃含水率增加和破裂状况的影响[6-8]。

时核桃的断裂力下降，在高加载速度沿纵向加载核

收稿日期：2014-07-05 修订日期：2014-09-30

基金项目：国家自然科学基金资助项目（31160196，31260469）；兵团科技攻关计划项目（2014BA014）；兵团博士资金（2011BB006） 作者简介：张 宏（1975－），男（汉），内蒙古武川人，副教授，博士，农业机械化电气化。哈尔滨 东北林业大学林业与木工机械工程中心， 150040。Email：zhghog@163.com

※通信作者：马 岩（1955－），男，吉林榆树人，教授，从事林业与木工机械方面的研究。哈尔滨 东北林业大学林业与木工机械工程中心，150040。Email：mayan@vip163.com 农业工程学会高级会号：E0412005585

桃的破壳效果更佳，且3个因素与核桃壳破裂力之

间呈非线性关系。BP神经网络模型在分析处理非线性数据方面效果颇佳，可有效表明具非线性关系的输入量与输出量的关联性。但在实际应用中BP神经网络呈现出网络全局搜索能力不足、迭代收敛缓慢和局部最优的缺陷。使用遗传算法优化BP神经网络模型的连接权值后，可提高BP神经网络的训练速度，克服了网络易陷入局部极小[9]。

本文以南疆地区产温185核桃为原料，从影响核桃破壳的含水率、加载速度和横径级别入手，采用BP人工神经网络预测方法，基于万能试验机压缩核桃破壳的指标建立核桃壳破裂功预测的遗传BP神经网络模型。为实际生产中不同工况条件下核桃破壳的机械作用的智能调控提供理论基础。

1 材料与方法

1.1 材料与仪器

原料为市售新疆温185青皮核桃（核桃采收于成熟期，核桃树上青果开裂数量达整树青果总量的2/3时，认定核桃成熟适于采摘）。

WD-D3万能材料试验机（上海卓技仪器设备有限公司），有效测力范围：10～5 000 N，试验速度调节范围：0.001～500 mm/min；DHG-9070电热

第18期 张 宏等：基于遗传BP神经网络的核桃破裂功预测模型

79

鼓风烘箱，上海圣科仪器设备有限公司，温度范围：室温5～200℃；FA1104电子天平，上海安亭科学仪器厂，称量范围：0～200 g。 1.2 试验方法 1.2.1 核桃筛选

采收于9月下旬的同批次温185青皮核桃剥皮，剔除壳体畸形的核桃，筛选出核桃横径在32～42 mm范围内的核桃分4级（参照和田地区温185核桃加工的分级标准），1级核桃横径为38～42 mm，2级核桃横径为36～38 mm，3级核桃横径为34～36 mm，4级核桃横径为32～34 mm。 1.2.2 核桃调湿

经试验测试，剥除青皮的温185核桃湿基含水率约为42%。各级温185核桃置于恒温烘箱内40℃烘燥至湿基含水率为4%

、

6%、8%、10%（依据南疆地区温185核桃加工的湿基含水率一般为6%～8%设定核桃湿基含水率范围）。 1.2.3 核桃破壳

由前期预试验得知，核桃沿纵向压缩时核桃仁破损碎裂程度较低，故本文核桃压缩试验均沿纵向压缩核桃，为防止核桃受压滑移，核桃由螺母定位[10]。试验机压头加载方式，如图1所示。

图2 压力变化曲线

Fig.2 Variation curves of compressive force

试验所用核桃的含水率、加载速度和横径级别3参数的详细指标，如表1所示。

表1 试验参数指标

Table 1 Test parameters index

因素Factors

水平 Level

含水率 Moisture content/%

加载速度

Compression speeds/

(mm·min-1)

100 200 300 400

横径级别 Diameter level

4 3 2 1

1 4 2 6 3 8 4 10

2 BP神经网络模型结构的设计

1986年，由斯坦福大学的D E Rumelhart等提出的BP神经网络算法，解决了多层网络模型中隐含层的连接权问题，有效提升了神经网络的自学习和组织能力，是当前工业领域应用较多的一种前馈式学习算法与反向传播算法的神经网络[12-13]。BP神经网络的输入层由隐含层作用于输出层，经非线性变换得输出量。网络训练的每个样本包含输入量和期望输出量，网络输出量与期望输出量之间的偏差，通过调整网络权值与阈值，使误差沿梯度方向下降，直至实际输出与期望输出在预定范围内。

设输出层有m个神经元，BP网络的实际输出是y；期望输出是y′；函数ε为：

1m

ε=∑(yj?y′j)2 （1）

2j=1

图1 核桃加载装置

Fig.1 Device of loading on walnut

将各级核桃调湿至预定含水率，由万能材料试验机以100、200、300、400 mm/min的加载速度（加载速度参照和田地区温185核桃加工厂的核桃破壳设备的工作部件速度）下分别沿纵向压缩核桃至完全破裂，并依据试验机记录的加载压力-位移曲线，如图2所示，压力-位移曲线采用公式（1）计算出核桃壳的破裂功[11]。

W=∫Fdl

（1）

012

每个权值的修正值为：

?ε?ε?Ij

Δωij=?η=?η （2）

?ωij?Ij?ωij

式中：ωij为输入单元i到隐含层单元j的权重；η

是学习速率，Ij是中间第j个隐含层的传输函数。输入层到隐含层的函数采用Logsig型，隐含层到输出层的函数采用Purelin型。

式中：W为核桃壳的破裂功，MJ；F为核桃壳的压力，N；l为核桃壳的变形量，mm。

80

农业工程学报 2014年

核桃破壳过程中破裂功的主控因素是核桃含水率、加载速度和横径级别，设定此3因素做为神经网络模型的输入参数，确定输入端点数为3。据查，BP神经网络的输入节点为u时，网络的隐含层节点数选取2u+1时，BP网络模型能很好反映实际[14]，故隐含层节点数为7个。据此，该BP网络模型采用3层网络，BP结构为3-7-1，网络结构图如图3所示。

改进后的遗传算法具体步骤如下： 1）初始化种群

随机产生一种群Xm×n，每个个体X1×n代表一个神经网络的初始权值分布，每个基因值为一个连接权值，则个体的长度为神经网络权值的个数，即：

n=r×s1+s1×s2+s1+s2 （3） 式中：n为个体的长度；r为输入层节点数；s1为隐含层节点数；s2为输出层节点数。

选择浮点数编码方式对权值编码。 2）适应度函数

依据适应度函数值对个体进行评价，对每一个体解码得到BP神经网络输入样本，计算输出误差值E，适应度函数f。

1f= （4） 1+E

计算各个体的适应值，种群个体适应度最大者进入子种群。

3）选择算子

采用轮盘赌法选择算子。设第i个个体的适应值fi，则被选中的概率为：

图3 BP神经网络模型拓扑

Fig.3 Topological graph of BP neural networks model

选核桃含水率、加载速度和横径级别3个关键因素为网络的输入，选核桃破壳的破裂功为网络的输出，建立BP神经网络预测模型。BP神经网络训练前，为减弱各主控因素不同量纲的数据对网络模型训练与预测值的影响，各主控因素的数据做归一化处理。

pi=fi/∑fi （5）

i=1

m

3 遗传优化BP神经网络模型

遗传算法擅长全局搜索，BP神经网络在用于局部搜索较有效，故遗传算法和BP算法相结合颇为有效。遗传算法对神经网络初始权值进行优化，定位出较好的搜索空间，再采用BP算法在小空间内搜索最优值[15]。改进后的遗传算法流程图如图4。

式中：m为种群规模，m=50。

4）交叉算子

交叉算子选择算术交叉，由两个个体的线性组合出两个新的个体。假设在两个个体Xi(k)、Xi+1(k)之间以交叉概率pc进行交叉操作，则交叉后产生的两个新的个体是

?Xi(k+1)=αXi(k)+βXi+1(k)

（6） ?

X(k1)X(k)X(k)+=α+βi+1i?i+1式中：Xi(k)、Xi+1(k)分别表示第i和第i+1个个体在

第k位的基因；α、β是0～1之间的随机数。

5）变异算子

选择均匀变异算子，对每一基因值，以变异率pm对应的基因取值域取一随机数进行替换。

Xi=Xi(p)+r×q+Xi(n?p?1) （7） 式中：q为第p+1个基因值对应的阈值宽度。

6）计算适应度函数值

计算适应度函数值，判断是否达到最大迭代次数或满足精度要求，否则返回第2步。

遗传完成后，取遗传算法中得到的最优个体作为神经网络的初始权值，通过给定样本数据，按BP算法对神经网络训练，求出最优解。

图4 改进遗传算法流程图

Fig.4 Flow chart of genetic algorithm

4 结果与分析

试验按3类指标值依次进行得到网络模型的样

第18期 张 宏等：基于遗传BP神经网络的核桃破裂功预测模型

81

本组。为降低试验数据的随机误差，各试验样本组采用相同指标下的核桃测试20次，取20次测试值的算术平均值为样本数据。在不同的核桃含水率、加载速度和横径范围下，试验采集破壳破裂功数据合计64组，详见表2。

表2 核桃壳破裂功样本数据

Table 2 Sample data of rupture energy of walnut shell

breaking

编号 含水率 Sample Moisture number Content/%

加载速度 Compression speeds/ (mm·min-1)

横径级别 破裂功实测值Diameter Measured value of level rupture energy/J

1 1354.45 2 1398.2 3 1461.8 4 1093.13 1 1602.41 2 1448.1 3 1319.5 4 1356.06 1 1696.87 2

1588.5

3 1537.98 4 1410.15 1 1871.27 2 3 … 3 … 4 … 3 … 3 … 3 … 3 … 4

1767.4 1689.3 … 2022.4 … 2132.55 … 2256.2 … 2539.8 … 2829.48 … 2861.73 … 2559.72

遗传算法对BP网络初始权值和阈值进行优化赋

值，再利用BP神经网络预测模型进行局部寻优。遗传算法进化过程中设置种群数目为50，进化代数为100，交叉概率为0.5，变异概率为0.09。根据上述遗传BP神经网络模型，通过Matlab软件编程，可得经实数遗传算法优化后的BP神经网络各层之间权值和阈值，如表3所示。

表3 遗传BP神经网络的各主控因素系数

Table 3 Cofficient of main controlling factors based on

genetic BP neural network model

类别 Class sfication

加载速度

含水率 横径级别

阈值 Compression

Moisture Diameter

Thresholdspeeds/

content/%level

(mm·min-1) 0.758 -0.0025 -0.1778-0.2931 -0.0035 0.3182

输入层到隐含层结点

的权值

Weights between input and hidden layers

1.7197 -0.1751 -0.0147-0.0449 -0.0020 0.4690-0.0113 -0.0017 -0.09770.4698 -0.0092 0.09471.5904 -0.0039 -2.1798

隐含层到输出层结点-60.7653

的权值

-85.3302

Weights between hidden

and output layers 380.8610

-254.3689 57.9909-9.7934 55.4129

0.53052.96610.03760.41861.5920-0.53690.53132.3104

1 4 2 4 3 4 4 4 5 4 6 4 7 4 8 4 *9 4 10 4 11 4 12 4 13 4 14 4 *15 4 … … *19 6 … … *24 6 … … *27 6 … … *31 6 … … *43 8 … … *59 10 … … 64 10 注 *为测试样本。

Note:* is testing sample.

100 100 100 100 200 200 200 200 300 300 300 300 400 400 400 … 100 … 200 … 300 … 400 … 300 … 300 … 400

见图5

和图

6，遗传进化过程中的适应度函数变化曲线和误差平方和变化曲线，由图可知个体进化40代以后适应度和误差平方和基本没有变化，可见遗传算法在改善BP神经网络的收敛速度和误差精度方面效果突出。

南疆温185核桃破壳的破裂功经BP神经网络模型与遗传BP神经网络模型预测分析，网络模型核桃破壳的破裂功预测值与实测值的进行比较，见图7。

由表2可知，其中前3项为网络学习样本中的输入因子，输出因子为实测核桃破裂功。在64组数据中，随机抽取出56组数据作为BP神经网络的训练样本，其余8组数据（9，15，19，，24，27，31，43，59）为BP神经网络的测试样本。网络学习样本数据先归一化，再经多次迭代，使试验数据的网络训练误差值逐步收敛。

遗传算法通过随机问题假设集合，根据适应度函数对个体进行数值评价，遗传算子模拟遗传过程中出现的复制、交叉和变异现象，对种群个体择优。

图5 适应度函数变化曲线

Fig5 Variation curves of fitness function

82

农业工程学报 2014年

为0.92488，近似为1。另，回归直线与斜率为1的直线（Y=X）基本重合，表明遗传BP神经网络的输

出值与其目标值偏差极小，是非常有效的预测方法。

图6 误差平方和变化曲线

Fig.6

Variation curves of error sum of squares

图8 训练样本输出回归直线

Fig.8 Regression line of network output

for training samples

5 结 论

图7 核桃破裂功的预测值与实测值对比

Fig.7 Comparison between predictive value and measured

value of rupture energy of walnut shell breaking

由图7可知，依据核桃破壳的破裂功的主控因素所建立的两神经网络模型，其破裂功预测值与实

、测值基本吻合。采用平均绝对百分比误差（MAPE）

均方根误差（MSE）和绝对误差（MAE）3个特征指标进行比较，各类指标值越大预测值与实测值的

各统计指标结果见表3。由表3可知，偏差越大[16]。

经遗传法优化的BP神经网络模型的拟合效果要优于BP神经网络模型。

表3 2种预测模型结果评价

Table 3 Evaluation of two kinds of prediction model

特征指标 Index 平均绝对百分比误差

MAPE

均方根误差 MSE 绝对误差 MAE

BP神经网络 预测模型

BP neural network model

遗传BP神经网络

预测模型 Genetic BP neural network model

1）建立了一个用于测定核桃壳破裂功的遗传BP神经网络模型，测试样本的网络输出值与网络目标值的相关系数达0.92488，表明所建立的网络模型是有效的。

2）用BP神经网络模型和遗传BP神经网络模型对8组未参加建模的样本数据进行破裂功预测，预测结果与实测值的平均绝对百分比误差为0.035，遗传BP神经网络模型的平均绝对百分比误差、均方根误差和绝对误差3个特征指标值均小于BP神经网络模型的指标值，表明遗传BP神经网络模型预测拟合效果远优于BP神经网络模型。

3）核桃破壳的断裂功受自身结构尺寸和外部条件影响较大，且与破裂主控因素存在着复杂的非线性关系。基于温185核桃壳破裂功的遗传BP神经网络模型可作为温185核桃破壳取仁加工过程中机械作用量度量预测的新方法，并可实现核桃破壳取仁加工过程的在线监控。

[参 考 文 献]

[1] 李忠新，杨军，杨莉玲，等. 一种核桃破壳取仁设备的

研究[J]. 中国农机化，2011，30(3)：104－106. Li Zhongxin, Yang Jun, Yang Liling, et al. Research of an equipment about walnut shell breaking[J]. Chinese Agricultural Mechanization, 2011, 30(3): 104－106. (in Chinese with English abstract)

[2] 张彦彬，刘洋，刘明政，等. 核桃剥壳取仁机的设计与

实验研究[J]. 农机化研究，2014，33(4)：132－136.

0.092 0.035 259.3 95.5

219.4 83.01

图8为遗传BP神经网络模型测试样本的网络

网络输出值输出值Y和网络目标值X的回归直线。

Y是用训练后的遗传BP神经网络模型计算得出输出值。网络目标值X是遗传BP神经网络训练所要实现实测值。由图8可知，回归直线的相关系数R

博泰典藏网btdcw.com包含总结汇报、农林牧渔、出国留学、外语学习、IT计算机、教学研究、计划方案以及基于遗传BP神经网络的核桃破裂功预测模型_图文等内容。

本文共2页12

  本文关键词：基于遗传BP神经网络的核桃破裂功预测模型，由笔耕文化传播整理发布。

本文编号：114881