BP神经网络在粮仓平均温度预测中应用.docVIP

BP神经网络在粮仓平均温度预测中应用 　　摘要：粮仓平均温度决定粮食变质的快慢。经研究发现，粮仓平均温度表现为非线性变化，而BP神经网络能够无限逼近任意非线性函数，故可利用BP神经网络对粮仓平均温度进行预测。介绍了粮仓平均温度预测的重要性，阐述了BP神经网络的预测原理，介绍了BP神经网络设计及MATLAB实现。据此编写程序进行平均温度预测，为粮食保质工作提供依据。 　　关键词：神经网络；平均温度预测；BP算法；MATLAB 　　DOIDOI：10.11907/rjdk.151565 　　中图分类号：TP301 　　文献标识码：A 文章编号文章编号2015）008004203 　　0 引言 　　粮仓平均温度预测主要是通过系统中前几日仓库的平均温度来预测之后该仓库的平均温度。近年来，随着BP算法在故障预测、台风暴雨预测、市场股票以及房地产价格指数预测等领域逐步成熟，其已运用到更多的非线性预测中，可以建立相应的预测模型并在MATLAB中对其进行仿真实验。 　　1 粮仓平均温度预测问题分析 　　粮食作为农作物，其保质至关重要。粮食的平均温度决定着粮食变质速度，关系着人们采取何种措施进行处理。因此，正确预测平均温度特别重要。之前，粮仓平均温度主要是通过直觉和平均温度曲线的趋势进行预测，可靠性较低。 　　粮食的平均温度受室内温度、湿度、所在仓库地点等多种因素影响，若要精确地估计未来粮食的温度，就要综合考虑不同因素。BP神经网络算法提供了坚实的理论基础和可信度。本文利用BP算法对平均温度进行预测，并在MATLAB中仿真验证，证明其有效性。 　　2 神经网络 　　人工神经网络（Artificial Neural NetworkANN），简称神经网络（NN），是对人脑的模拟、简化与抽象[1]。它是根据神经学、计算机科学、物理学和数学统计等多种学科发展起来的一门新技术[2]。 　　2.1 人工神经网络模型 　　神经元模型的3个要素：①有一组类似于生物神经元突触的连接，神经元之间的密切度用权值Wxy表示，Wxy可正可负，正值表示激活，负值则表示抑制；②有一个输入信号累加器，反映了生物神经元空间、时间的整合特性[3]；③有一个非线性的激活函数，控制着神经元的输出，且输出值被限定在允许范围内[3]。 　　经典神经元模型见图1。 　　图1 人工神经元模型 　　对于每个输入量（Xy），均有一个相关联的权重（Wxy），需要进行处理的单元首先经过权重的输入量化，然后得到加权值总和，计算出唯一的输出量（yx），它就是传递函数的一个权重和[59]，计算公式如下： 　　Ux=∑yWxyXy（1） 　　Vx=Ux+θx（2） 　　F（.）表示激励函数，yx表示神经元x的输出，则有： 　　yx=f（∑yWxyXy+θx）（3） 　　激励函数的形式多样，使用比较多的是Sigmoid函数。Sigmoid为可微的S型函数，公式定义为： 　　f（v）=11+exp（-αv）（4） 　　通过调节斜率参数α的大小，可以得到不同斜率的Sigmoid函数[4]。 　　2.2 BP神经网络结构 　　BP神经网络又称为反向传播网络，包括输入层、隐含层和输出层。同层节点间互不相连，而层与层之间全部互联，输入层、输出层的节点数通常选取输入及输出向量的维数，隐含层没有明确的规定，需要根据实际情况确定[10]。经验证，三层BP神经网络能够任意逼近任何一个非线性映射函数，不需要建立数学解析式模型，因此在预测方面应用最为广泛。 　　BP网络结构见图2。 　　图2 BP网络结构 　　2.3 BP神经网络算法 　　BP神经网络算法是一种有导师的学习方法，学习过程由信号正向传播过程与误差反向传播过程组成。正向传播时，从输入层传入输入样本，经各隐含层处理，最后传向输出层， 每层神经元（节点）的状态只影响下一层神经元状态，若输出层的实际输出与期望的输出不符合要求，则转入误差的反向传播阶段；误差反向传播是将输出误差以某一形式通过隐含层向输入层逐层反向传播， 将误差信号按连接通路反向计算，从而获得各层单元的误差信号，此误差信号即为修正各单元的依据[4] 。由梯度下降法调整各层神经元权值，使误差信号减小。这种信号正向传播过程与误差反向传播过程中的各层权值调整，周而复始地进行着，网络一直学习与训练，直到网络输出的误差小到能够接受的程度或者是学习次数达到预先设定的目标为止。 　　2.4 神经网络训练 　　神经网络训练主要分为有导师算法、无导师算法。 　　（1）有导师学习算法。神经网络对外界环境的未知性特点，使得在训练时既要给出输入信号，又要给出响应信号。最后根据实际输出与要求目标之间的差值来调整权值，使系统做出正确有效的回复[7]。