基于粒子群参数优化和bp 神经网络的颗粒饲料质量 - ingenta connect.pdf

第 32 卷 第 14 期 农 业 工 程 学 报 Vol.32 No.14 306 2016 年 7 月 Transactions of the Chinese Society of Agricultural Engineering Jul. 2016 基于粒子群参数优化和 BP 神经网络的颗粒饲料质量预测模型 ※ 陈 啸，王红英 ，孔丹丹，岳 岩，方 鹏，吕 芳 （中国农业大学工学院，北京 100083 ） 摘 要：针对颗粒饲料产品受配方原料、加工参数变化而带来的质量波动问题，提出了一种以误差反向传播算法神经网 络（back-propagation neural network ，BPNN ）为核心，平均影响值法（mean impact value ，MIV ）为数据预处理方法，粒 子群算法（particle swarm optimization ，PSO ）为关键参数优化算法的颗粒饲料质量预测模型。基于面向实际建立的输入 输出指标体系，使用实地采集的颗粒饲料生产数据对模型进行训练和测试，测试结果显示实际值与模型预测值呈显著正 相关，决定系数 R2 均在 0.94 以上；平均绝对误差、平均绝对百分比误差及均方根误差显示预测精度达到较高水平，各误 差平均值依次达到 0.442 、2.185% 和 0.5481 。以多元线性回归模型及基本 BPNN 模型预测结果对比可以发现， MIV-PSO-BPNN 预测模型预测性能有显著提升，各输出误差优化幅度从 39.55%～91.80%不等，平均优化幅度分别达到 84.99%和 56.95%；同时相对误差变化趋势图显示 MIV-PSO-BPNN 预测模型具有更优的预测稳定性，相对误差极值差降幅 均值达 91.46% 。该研究为颗粒饲料质量控制提出了一种新思路，可为饲料行业高效低耗生产提供理论依据。 关键词：神经网络；模型；算法；颗粒饲料；质量预测；BPNN；平均影响值法；粒子群优化算法 doi ：10.11975/j.issn.1002-6819.2016.14.041 中图分类号：S816.9 文献标志码：A 文章编号：1002-6819(2016)-14-0306-09 陈 啸，王红英，孔丹丹，岳 岩，方 鹏，吕 芳. 基于粒子群参数优化和BP神经网络的颗粒饲料质量预测模型[J]. 农业工程学报，2016，32(14)：306－314. doi ：10.11975/j.issn.1002-6819.2016.14.041 Chen Xiao, Wang Hongying, Kong Dandan, Yue Yan, Fang Peng, Lü Fang. Quality prediction model of pellet feed basing on BP network using PSO parameters optimization method[J]. Transactions of the Chinese Society of Agricultural Engineering (Transactions of the CSAE), 2016, 32(14): 306 －314. (in Chinese with English abstract) doi ：10.11975/j.issn.1002-6819.2016.14.041 采用响应面方法拟合得到颗粒密度关于颗粒压缩比和压 0 引 言 制速度的二阶预测模型；王红英等[6] 以粉碎粒度、淀粉