基于优化BP神经网络的粮堆温度预测模型研究

发布时间：2024-05-10 19:52

　　粮食安全对于维护社会的安定至关重要,而科学储粮是保障粮食安全的必要手段。由于粮仓里的粮食是在没有经过任何加工和包装的情况下直接储藏在粮库内,所以如果粮堆温度过高将直接导致粮食发霉、发芽、滋生微生物等情况的发生。因此,科学储粮的关键是粮仓管理人员需要及时掌握粮库中粮堆的温度变化情况,因为粮堆温度变化是粮食品质变化的重要标志,然后在根据温度的各种变化情况采取通风和防霉措施以及其他安全管理措施,以保证粮食在粮库里更好的储藏,所以在粮库中建立完善的粮堆温度预测体系就非常必要。本文为实现对粮堆温度的准确预测,主要做了以下研究工作。在分析了粮堆温度变化的生态环境后,并依据温度数据变化的复杂性和不确定性,本文采用以BP神经网络算法为基础的组合算法模型实现对粮堆温度的短期准确预测。第一种组合方法是将粒子群优化算法和BP神经网络算法结合起来,由于神经网络的初始权重都是通过初始化得到,然后在训练的过程中不断的迭代不断的优化,但是我们不确定哪一次迭代后得到的权重和偏向是最优的,因此提出了第一种组合方法,先使用粒子群算法对BP神经网络算法进行权重和偏向的寻优,然后在进行粮堆温度预测。第二种组合方式是将主成分分...

【文章页数】：47 页

【学位级别】：硕士

【部分图文】：

图1BP神经网络的网络结构图

结构BackPropagationNeuralNetwork）是一种的称为多层感知器或者BP神经网络，它的入，另一方面是方向反馈。原始观测数据出层的节点数，但是神经网络的隐藏层的般情况来看，我们可以通过经验公式来确下h=√++P神经网络的隐藏层的节点数量，m代表....

图2BP神经网络的算法流程图

图4BP神经网络预测的结果

的不同量纲的影响，具体如下所示=∑()()（3.22）其中，为原始观测序列，为归一化处理后的数据序列。下面引用具体的图例说明实验结果，其中红线代表预测值，蓝线代表实际值。

图5基于粒子群优化算法和BP神经网络组合预测的结果

图5基于粒子群优化算法和BP神经网络组合预测的结果BP神经网络和PSO_BP神经网络的预测误差结果如下表所示，其中RMSE为均误差。表1神经网络预测的结果实际值预测值（BP）准确率%（PSO_BP）准确率%12.2312.317914920.71....

本文编号：3968939