基于深度学习算法的粮堆温度预测研究

发布时间：2021-10-31 18:56

　　针对粮堆温度的非线性时间序列特点,本文提出一种基于长短时记忆网络（Long Short-Term Memory,LSTM）算法的粮堆温度预测模型,该模型不但解决了传统方法处理非线性数据能力较差的问题,而且较其他现有方法能够更好地处理时间序列数据。本文根据已有的粮仓环境数据搭建模型结构,进行模型训练和测试,并设置支持向量机和整合移动平均自回归模型作为对比实验。实验表明,该模型的均方误差MSE为0.048,较其他方法对粮堆温度的预测效果更好,准确性更高。 

【文章来源】：粮食科技与经济. 2019,44(11)

【文章页数】：5 页

【部分图文】：

RNN模型内部结构图

LSTM模型遗忘门ft、输入门it、细胞状态ct、输出门ot以及单元输出ht的计算公式：式中：Wf、Wi、Wo分别表示遗忘门、输入门和输出门的权重矩阵；bf、bi、bo分别表示对应权重的偏置项；σ表示Sigmoid函数；ο表示按元素乘。

本文基于已有的粮仓内部温湿度数据，利用LSTM方法建立粮仓内部粮堆温度预测模型。实验中使用深度学习框架Keras，利用框架中Sequential模型对温度时间序列进行模拟预测。该模型是由多个网络层线性堆叠形成的栈，层与层之间只有相邻关系。实验模型搭建网络图见图3。图3为LSTM模型搭建的网络图，图中虚线箭头表示反向传播，接收当前时间输出层的残差和下一时间隐藏层的残差作为反向传播的累计残差；而实线箭头表示前向传播，将前一时间隐藏层的输出与前一个隐藏层经过激活函数的输出之和作为前向传播隐藏层的输入。

【参考文献】：
期刊论文
[1]基于LSTM的大棚环境变量预测[J]. 陈亮,裴晓辉,刘韵婷.  沈阳理工大学学报. 2018(05)
[2]基于计算流体力学的平房仓通风系统数值模拟[J]. 陈桂香,岳龙飞,林淼达.  河南工业大学学报(自然科学版). 2013(05)
[3]平房仓粮堆温度时空分布的基本统计特征分析[J]. 赫振方,赵玉霞,曹阳,李东方,甄彤,付鹏程,吴建军.  粮食储藏. 2010(04)



本文编号：3468674