基于改进布谷鸟算法-BP神经网络的松茸发酵过程软测量建模

发布时间：2021-08-28 03:28

　　针对松茸发酵过程中关键参量难以实时在线检测的难题,提出了一种基于改进布谷鸟算法（CS）与改进BP神经网络（BPNN）相结合的松茸菌丝生物量软测量建模方法;首先采用两阶段动态发现概率法对传统CS进行改进,平衡CS的全局搜索与局部搜索能力;然后引入附加动量和动态调整学习率对BPNN进行改进,提高BPNN参量的修正精度;最后,通过CS算法获取BPNN的初始权值和阈值,并由权值修正公式（附加动量与动态学习率相结合）对权值进行动态修正;仿真结果表明,改进的CS-BPNN软测量模型在预测精度提高了6%以上,能够实现松茸发酵过程实时在线测量的需求。 

【文章来源】：计算机测量与控制. 2019,27(05)

【文章页数】：5 页

【部分图文】：

菌丝生物量预测曲线

计算机测量与控制第２７????????????????????????????????????????????????????·４２·卷性，采用改进ＣＳ－ＢＰＮＮ软测量方法建立了松茸发酵过程软测量模型，经过反复训练确定神经网络采用４－９－１的结构，选用传统ＢＰＮＮ与其作对比。设定鸟巢种群规模ｎ＝５０，鸟蛋的最大发现概率ｐａｍａｘ＝０．９、最小发现概率ｐａｍｉｎ＝０．１，迭代次数设为Ｎｍａｘ＝２０００，ｍｃ∈（０，１），Ｎ′ｍａｘ＝３０００，ε＝０．０５；仿真结果如图１所示。图１菌丝生物量预测曲线从预测结果拟合程度能够发现，改进型ＣＳ－ＢＰＮＮ软测量模型相比传统ＢＰＮＮ软测量建模，具有更强的预测能力。比较两种软测量模型的菌丝生物量误差曲线如图２所示。图２菌丝生物量误差曲线根据图中曲线，能够轻易的发现，改进ＣＳ－ＢＰＮＮ模型的预测值与实验值之间的误差要比传统ＢＰＮＮ小得多，拟合程度也高很多。表２为松茸发酵过程中菌丝生物量用改进ＣＳ－ＢＰＮＮ和传统ＢＰＮＮ软测量模型预测输出的误差对比情况。由表能够轻易发现，对于第一批测试样本，改进ＣＳ－ＢＰＮＮ模型下样本均方根误差（ＲＭＳＥ）为０．２４７７，明显低于传统ＢＰＮＮ均方误差０．５８１４。其他两批测试样本，传统ＢＰＮＮ的表２两种模型误差对比模型测试样本ＲＭＳＥ第一批ＢＰＮＮ０．５８１４改进ＣＳ－ＢＰＮＮ０．２４７７第二批ＢＰＮＮ０．７１３２改进ＣＳ－ＢＰＮＮ０．２９４４

4382V}9量结奥


本文编号：3367695