CN110458361A - 基于bp神经网络的粮食品质指标预测方法 - Google Patents
基于bp神经网络的粮食品质指标预测方法 Download PDFInfo
- Publication number
- CN110458361A CN110458361A CN201910750723.6A CN201910750723A CN110458361A CN 110458361 A CN110458361 A CN 110458361A CN 201910750723 A CN201910750723 A CN 201910750723A CN 110458361 A CN110458361 A CN 110458361A
- Authority
- CN
- China
- Prior art keywords
- grain
- neural network
- prediction
- quality
- phase
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Pending
Links
- 238000013528 artificial neural network Methods 0.000 title claims abstract description 54
- 238000000034 method Methods 0.000 title claims abstract description 24
- 238000012549 training Methods 0.000 claims description 25
- 238000003062 neural network model Methods 0.000 claims description 19
- 239000011159 matrix material Substances 0.000 claims description 15
- 210000002569 neuron Anatomy 0.000 claims description 6
- 230000004913 activation Effects 0.000 claims description 5
- 238000000605 extraction Methods 0.000 claims description 3
- 210000005036 nerve Anatomy 0.000 claims 1
- 239000000463 material Substances 0.000 abstract description 5
- 235000013339 cereals Nutrition 0.000 description 114
- 239000010410 layer Substances 0.000 description 80
- 240000008042 Zea mays Species 0.000 description 20
- 235000005824 Zea mays ssp. parviglumis Nutrition 0.000 description 20
- 235000002017 Zea mays subsp mays Nutrition 0.000 description 20
- 235000005822 corn Nutrition 0.000 description 20
- 241000209094 Oryza Species 0.000 description 9
- 235000007164 Oryza sativa Nutrition 0.000 description 9
- 235000014113 dietary fatty acids Nutrition 0.000 description 9
- 229930195729 fatty acid Natural products 0.000 description 9
- 239000000194 fatty acid Substances 0.000 description 9
- 235000009566 rice Nutrition 0.000 description 9
- 150000004665 fatty acids Chemical class 0.000 description 8
- 108010068370 Glutens Proteins 0.000 description 7
- 238000010521 absorption reaction Methods 0.000 description 7
- 235000021312 gluten Nutrition 0.000 description 7
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 description 7
- 240000008467 Oryza sativa Japonica Group Species 0.000 description 5
- 235000013305 food Nutrition 0.000 description 5
- 241000209140 Triticum Species 0.000 description 4
- 235000021307 Triticum Nutrition 0.000 description 4
- 239000012535 impurity Substances 0.000 description 4
- 239000002344 surface layer Substances 0.000 description 3
- 230000000694 effects Effects 0.000 description 2
- 238000002474 experimental method Methods 0.000 description 2
- 230000007812 deficiency Effects 0.000 description 1
- 125000005313 fatty acid group Chemical group 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 238000012360 testing method Methods 0.000 description 1
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
- G06F16/20—Information retrieval; Database structures therefor; File system structures therefor of structured data, e.g. relational data
- G06F16/24—Querying
- G06F16/245—Query processing
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/08—Learning methods
- G06N3/084—Backpropagation, e.g. using gradient descent
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q10/00—Administration; Management
- G06Q10/04—Forecasting or optimisation specially adapted for administrative or management purposes, e.g. linear programming or "cutting stock problem"
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q10/00—Administration; Management
- G06Q10/06—Resources, workflows, human or project management; Enterprise or organisation planning; Enterprise or organisation modelling
- G06Q10/063—Operations research, analysis or management
- G06Q10/0639—Performance analysis of employees; Performance analysis of enterprise or organisation operations
- G06Q10/06393—Score-carding, benchmarking or key performance indicator [KPI] analysis
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q10/00—Administration; Management
- G06Q10/06—Resources, workflows, human or project management; Enterprise or organisation planning; Enterprise or organisation modelling
- G06Q10/063—Operations research, analysis or management
- G06Q10/0639—Performance analysis of employees; Performance analysis of enterprise or organisation operations
- G06Q10/06395—Quality analysis or management
Landscapes
- Engineering & Computer Science (AREA)
- Business, Economics & Management (AREA)
- Human Resources & Organizations (AREA)
- Theoretical Computer Science (AREA)
- Strategic Management (AREA)
- Physics & Mathematics (AREA)
- Economics (AREA)
- Entrepreneurship & Innovation (AREA)
- Development Economics (AREA)
- General Physics & Mathematics (AREA)
- Educational Administration (AREA)
- Quality & Reliability (AREA)
- Tourism & Hospitality (AREA)
- General Business, Economics & Management (AREA)
- Operations Research (AREA)
- Marketing (AREA)
- Game Theory and Decision Science (AREA)
- General Engineering & Computer Science (AREA)
- Computational Linguistics (AREA)
- Data Mining & Analysis (AREA)
- Databases & Information Systems (AREA)
- Health & Medical Sciences (AREA)
- Life Sciences & Earth Sciences (AREA)
- Artificial Intelligence (AREA)
- Biomedical Technology (AREA)
- Biophysics (AREA)
- Evolutionary Computation (AREA)
- General Health & Medical Sciences (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明公开一种基于BP神经网络的粮食品质指标预测方法,包括:获取粮食预测期信息t,其中,所述粮食预测期信息t表示需要预测第t期粮食的品质指标;根据粮食预测期信息t,获取符合时间要求的粮食品质指标数据;根据获取到的粮食品质指标数据构建BP神经网络预测模型;根据所述BP神经网络预测模型预测第t期粮食的品质指标。本发明通过储存粮食已有的相关数据建立预测模型,可以对未来一段时间的粮食品质指标进行预测,效率高,节约人力物力。
Description
技术领域
本发明涉及粮食储存领域,具体涉及一种基于BP神经网络的粮食品质指标预测方法。
背景技术
众所周知,保障我国粮食储备安全是关系到国计民生的重大事项,而如何预测储存的粮食品质变化对评估粮食储存状态的好坏有重要意义,现有技术中,关于粮食品质指标的研究大部分是基于实验萃取的方法,但是由于每个生态区、每个仓库的粮食初始水平各异,如果每个生态区、每个仓库的粮食品质指标均用实验萃取的方法获得,会大大降低效率,浪费人力物力。
发明内容
为克服现有技术的不足,本发明提供一种基于BP神经网络的粮食品质指标预测方法,通过储存粮食已有的相关数据建立预测模型,可以对未来一段时间的粮食品质指标进行预测,效率高,节约人力物力。为解决以上技术问题,本发明通过下面的技术手段实现:
基于BP神经网络的粮食品质指标预测方法,包括:
获取粮食预测期信息t,其中,所述粮食预测期信息t表示需要预测第t期粮食的品质指标;
根据粮食预测期信息t,获取符合时间要求的粮食品质指标数据;
根据获取到的粮食品质指标数据构建BP神经网络预测模型;
根据所述BP神经网络预测模型预测第t期粮食的品质指标。
进一步地,所述根据粮食预测期信息t,获取符合时间要求的粮食品质指标数据包括:分别从历史数据库中获取第t-1期的粮食品质指标数据Xt—1、第t-2期的粮食品质指标数据Xt-—2和第t-3期的粮食品质指标数据Xt—3。
进一步地,根据获取到的粮食品质指标数据构建BP神经网络预测模型包括:
分别从粮食品质指标数据Xt—1、粮食品质指标数据Xt—2和粮食品质指标数据Xt—3中抽取一部分数据构成训练集XP,XP=[XP t—1,XP t—2,XP t—3];
对所述训练集XP作归一化处理得到XR;
根据XR构建BP神经网络模型。
进一步地,对所述训练集XP作归一化处理得到XR包括:令XR ij=(XP ij-min(XP ij))/(max(XP ij)—min(XP ij)),其中,XP ij表示列变量XP j中的一个数据,min(XP ij)表示列变量XP j中的最小值,max(XP ij)表示列变量XP j中的最大值,max(XP ij)—min(XP ij)表示列变量XP j的极差,j=t-1,t-2,t-3。
进一步地,根据XR构建BP神经网络模型包括:
搭建BP神经网络架构,所述BP神经网络架构中包括输入层、第一隐藏层、第二隐藏层、Dropout层、Dense层和输出层;
将数据XR输入到输入层;
通过公式(1)得到第一隐藏层的输出f1,f1作为第一隐藏层的输入;
通过公式(2)得到第二隐藏层的输出f2,f2作为Dense层的输入;
通过公式(3)得到输出层的输出f3,f3为构建完成的BP神经网络模型;
f1=ReLU((Wf1*XR)+b1) (1)
f2=ReLU((Wf2*f1)+b2) (2)
f3=(Wf3*f2)+b3 (3)
其中,Wf1表示第一隐藏层的权重矩阵,Wf2表示第二隐藏层的权重矩阵,Wf3表示Dense层的权重矩阵,b1表示第一隐藏层的偏置项,b2表示第二隐藏层的偏置项,b3表示Dense层的偏置项,ReLU表示激活函数,Dropout层用于模型训练过程中在更新参数时暂时随机断开指定数量的神经元。
进一步地,所述方法还包括:
通过公式(4)进行模型验证;
其中,RE表示相对误差,Ot为第t期粮食品质指标实测数据,Pt为通过构建完成的BP神经网络模型预测的第t期粮食品质指标数据,n为模型验证样本数。
作为另一种优选,所述根据粮食预测期信息t,获取符合时间要求的粮食品质指标数据包括:从历史数据库中获取第t-4期的粮食品质指标数据Xt—4。
进一步地,根据获取到的粮食品质指标数据构建BP神经网络预测模型包括:
从粮食品质指标数据Xt—4中抽取一部分数据构成训练集XP t—4;
对所述训练集XP t—4作归一化处理得到XR t—4;
根据XR t—4构建BP神经网络模型。
基于BP神经网络的粮食品质指标预测方法,包括:
获取粮食预测期信息t,其中,所述粮食预测期信息t表示需要预测第t期粮食的质量指标;
根据粮食预测期信息t,获取符合时间要求的粮食质量指标数据;
根据获取到的粮食质量指标数据构建BP神经网络预测模型;
根据构建完成的BP神经网络预测模型预测第t期粮食的品质指标。
本发明通过储存粮食已有的相关数据建立预测模型,可以对未来一段时间的粮食品质指标进行预测,效率高,节约人力物力。
附图说明
图1为根据一示例性实施例示出的一种基于BP神经网络的粮食品质指标预测方法流程图。
具体实施方式
为了使本领域的技术人员更好地理解本发明的技术方案,下面结合附图和具体实施例对本发明作进一步的详细说明。
实施例1
如图1所示,本实施例提供一种基于BP神经网络的粮食品质指标预测方法,包括:
S1:获取粮食预测期信息t,其中,所述粮食预测期信息t表示需要预测第t期粮食的品质指标;
S2:根据粮食预测期信息t,获取符合时间要求的粮食品质指标数据;
S3:根据获取到的粮食品质指标数据构建BP神经网络预测模型;
S4:根据所述BP神经网络预测模型预测第t期粮食的品质指标。
本实施例中,粮食可以为玉米、小麦、粳稻、籼稻等,粮食指标包括品质指标和质量指标(本实施例是根据品质指标预测品质指标,实施例2是根据质量指标预测品质指标),其中,玉米的品质指标为脂肪酸值,小麦的品质指标为面筋吸水量,粳稻的品质指标为脂肪酸值,籼稻的品质指标为脂肪酸值,粮食的质量指标包括水分、杂质等除品质指标之外的其他指标,根据质量指标建模时,可以根据需要选择质量指标中的某些指标。
作为举例,本实施例需要预测的粮食为某批玉米(同时进入一个库点的玉米为同一批玉米),当该批玉米进入仓库时可以定义为第1期,固定时段后为第2期,依次递增,第1期的玉米品质指标数据为X1,第2期的玉米品质指标数据为X2,以此类推,其中,上述固定时段可以为1个月,3个月,半年等,同时需要记录每期玉米的品质指标和质量指标,当需要预测该批玉米第t期的品质指标数据时,需要从该批玉米已有的历史数据中获取该批玉米中符合时间要求的玉米品质指标数据来构建BP神经网络预测模型。其中,每批粮食每期可以记录多个品质指标和多个质量指标,比如,对于一批玉米,在记录某期玉米指标数据时可以分别记录表层、中间层和底层的指标数据,表层、中间层和底层的品质指标构成该期玉米的一组品质指标数据,表层、中间层和底层的质量指标构成该期玉米的一组质量指标数据。
具体实施时,我们对面筋吸水量预测期望误差为5%以内,从实际预测预测结果看,平均误差在2.29%左右,远低于我们期望误差;对玉米脂肪酸值期望误差为不超过10%,实际误差为9.1%左右;对稻谷脂肪酸值期望误差不超过10%,籼稻实际误差为8.7%,粳稻实际误差为9.3%。
作为优选,所述根据粮食预测期信息t,获取符合时间要求的粮食品质指标数据包括:分别从历史数据库中获取第t-1期的粮食品质指标数据Xt—1、第t-2期的粮食品质指标数据Xt-—2和第t-3期的粮食品质指标数据Xt—3。
这里,可以先从历史数据库中按库点为单位将数据提取成Excel表格,再从Excel表格中筛选出每一批粮食的指标数据(包括品质指标和质量指标)并按时间顺序排列。由于构建BP神经网络预测模型时需要符合一定时间要求的数据,因此可以对筛选出的数据按照少弃多删的原则进行预处理,比如,某一批粮食储存了1年就被卖出或换仓,以半年时间为1期,那么数据库中就只保存了这批粮食两期的指标数据,小于4期,这时候需要舍弃这批粮食的数据,再比如,某一批粮食储存的3年,这时数据库中就保存了这批粮食6期数据,由于建模时不需要这么多期数据,可以根据实际情况将多余的数据舍弃。本实施例之所以使用4期作为临界点,是因为经过反复数据比较和构建模型试验之后,发现以4期作为临界点预测效果最好。
作为优选,根据获取到的粮食品质指标数据构建BP神经网络预测模型包括:
分别从粮食品质指标数据Xt—1、粮食品质指标数据Xt—2和粮食品质指标数据Xt—3中抽取一部分数据构成训练集XP,XP=[XP t—1,XP t—2,XP t—3];
对所述训练集XP作归一化处理得到XR;
根据XR构建BP神经网络模型。
本实施例中,经过归一化处理后,XR中的每个指标数据值均在0—1之间。
作为优选,令XR ij=(XP ij-min(XP ij))/(max(XP ij)—min(XP ij)),其中,XP ij表示列变量XP j中的一个数据,min(XP ij)表示列变量XP j中的最小值,max(XP ij)表示列变量XP j中的最大值,max(XP ij)—min(XP ij)表示列变量XP j的极差,j=t-1,t-2,t-3。这里,第t-1期的一组粮食指标数据可以构成Xt—1,第t-2期的一组粮食指标数据可以构成Xt—2,第t-3期的一组粮食指标数据可以构成Xt—3。
作为优选,根据XR构建BP神经网络模型包括:
搭建BP神经网络架构,所述BP神经网络架构中包括输入层、第一隐藏层、第二隐藏层、Dropout层、Dense层和输出层;
将数据XR输入到输入层;
通过公式(1)得到第一隐藏层的输出f1,f1作为第一隐藏层的输入;
通过公式(2)得到第二隐藏层的输出f2,f2作为Dense层的输入;
通过公式(3)得到输出层的输出f3,f3为构建完成的BP神经网络模型;
f1=ReLU((Wf1*XR)+b1) (1)
f2=ReLU((Wf2*f1)+b2) (2)
f3=(Wf3*f2)+b3 (3)
其中,Wf1表示第一隐藏层的权重矩阵,Wf2表示第二隐藏层的权重矩阵,Wf3表示Dense层的权重矩阵,b1表示第一隐藏层的偏置项,b2表示第二隐藏层的偏置项,b3表示Dense层的偏置项,ReLU表示激活函数,Dropout层用于模型训练过程中在更新参数时暂时随机断开指定数量的神经元,f3为预测的品质指标。
这里,之所以采用,Dropout层用于模型训练过程中在更新参数时暂时随机断开指定数量的神经元,是为了防止训练出来的模型过拟合。
作为优选,本实施例还包括:
通过公式(4)进行模型验证;
其中,RE表示相对误差,Ot为第t期粮食品质指标实测数据,Pt为通过构建完成的BP神经网络模型预测的第t期粮食品质指标数据,n为模型验证样本数。
实施例2
与上述实施方式稍有区别,上述实施例需要连续3期的粮食指标数据,作为另一种优选,本实施例只需要1期的粮食指标数据,通过这1期的粮食指标数据预测4期后的粮食指标,比如知道第1期的粮食指标数据来预测第5期的粮食指标数据,具体地,本实施例包括:
S1:获取粮食预测期信息t,其中,所述粮食预测期信息t表示需要预测第t期粮食的品质指标;
S2:根据粮食预测期信息t,获取符合时间要求的粮食品质指标数据;
S3:根据获取到的粮食品质指标数据构建BP神经网络预测模型;
S4:根据所述BP神经网络预测模型预测第t期粮食的品质指标。
所述根据粮食预测期信息t,获取符合时间要求的粮食品质指标数据包括:从历史数据库中获取第t-4期的粮食品质指标数据Xt—4。
作为优选:根据获取到的粮食品质指标数据构建BP神经网络预测模型包括:
从粮食品质指标数据Xt—4中抽取一部分数据构成训练集XP t—4;
对所述训练集XP t—4作归一化处理得到XR t—4;
根据XR t—4构建BP神经网络模型。
这里,对所述训练集XP t—4作归一化处理得到XR t—4为:XR i=(XP i-min(XP i))/(max(XP i)—min(XP i)),其中,XP i表示列变量XP t—4中的一个数据,min(XP i)表示列变量XP t-4中的最小值,max(XP i)表示列变量XP t-4中的最大值,max(XP i)—min(XP i)表示列变量XP t-4的极差。
作为优选,根据XR t—4构建BP神经网络模型包括:
搭建BP神经网络架构,所述BP神经网络架构中包括输入层、第一隐藏层、第二隐藏层、Dropout层、Dense层和输出层;
将数据XR t—4输入到输入层;
通过公式(5)得到第一隐藏层的输出y1,y1作为第一隐藏层的输入;
通过公式(6)得到第二隐藏层的输出y2,y2作为Dense层的输入;
通过公式(7)得到输出层的输出y3,y3为构建完成的BP神经网络模型;
y1=ReLU((Wy1*XR t—4)+c1) (5)
y2=ReLU((Wy2*y1)+c2) (6)
y3=(Wy3*y2)+c3 (7)
其中,Wy1表示第一隐藏层的权重矩阵,Wy2表示第二隐藏层的权重矩阵,Wy3表示Dense层的权重矩阵,c1表示第一隐藏层的偏置项,c2表示第二隐藏层的偏置项,c3表示Dense层的偏置项,ReLU表示激活函数,Dropout层用于模型训练过程中在更新参数时暂时随机断开指定数量的神经元。
作为优选,本实施例还包括:
通过公式(4)进行模型验证。
具体实施时,我们对面筋吸水量预测期望误差为5%以内,从实际预测预测结果看,平均误差在1.02%左右,远低于我们期望误差;对玉米脂肪酸值期望误差为不超过10%,实际误差为3.98%左右;对稻谷脂肪酸值期望误差不超过10%,籼稻实际误差为6.27%,粳稻实际误差为5.29%。
实施例3
本实施例提供另一种基于BP神经网络的粮食品质指标预测方法,包括:
A1:获取粮食预测期信息t,其中,所述粮食预测期信息t表示需要预测第t期粮食的质量指标;
A2:根据粮食预测期信息t,获取符合时间要求的粮食质量指标数据;
A3:根据获取到的粮食质量指标数据构建BP神经网络预测模型;
A4:根据构建完成的BP神经网络预测模型预测第t期粮食的质量指标;
A5:根据预测到的第t期粮食的质量指标评估第t期粮食的品质指标。
这里需要说明的是,本实施例之所以可以通过质量指标预测品质指标,是因为质量指标或是品质指标都是粮食本身的某种特征,人为地根据人们的需要被分为质量指标和品质指标,其实各种特征之间是有联系的,在生物领域中,这种联系可以采用经验或常规方法获得,比如小麦的质量指标水分的高低会影响品质指标面筋吸水量的高低,通过预测到的质量指标水分就可以预测品质指标面筋吸水量的高低,所以本实施例可以先通过质量指标来预测质量指标,然后根据预测的质量指标评估品质指标。
本实施例中,粮食的质量指标包括粮食的水分、杂质、完整粒率、整精米率和黄粒米率,其中,获取符合时间要求的粮食质量指标数据为获取第t-1期的粮食质量指标数据Zt-1,Zt-1=(x1t-1,x2t-1,x3t-1,x4t-1,x5t-1),x1t-1,x2t-1,x3t-1,x4t-1,x5t-1分别是指第t-1期的粮食的水分、杂质、完整粒率、整精米率和黄粒米率。这里需要说明的是,不同的粮种在预测品质指标时用到的质量指标不一样,比如,对于小麦来说,可以通过水分这一质量指标来评估面筋吸水量这一品质指标,则可以令Zt-1=x1t-1,同样地,如果需要用到水分和杂质,则可以令Zt-1=(x1t-1,x2t-1)。
作为优选:根据获取到的粮食品质指标数据构建BP神经网络预测模型包括:
从粮食品质指标数据Zt—1中抽取一部分数据构成训练集ZP t—1;这里,是指分别从x1t-1,x2t-1,x3t-1,x4t-1,x5t-1中抽取一部分数据构成训练集ZP t—1;
对所述训练集ZP t—1作归一化处理得到ZR t—1;
根据ZR t—1构建BP神经网络模型。
这里,对所述训练集ZP t—1作归一化处理得到ZR t—1为:ZR i=(ZP i-min(ZP i))/(max(ZP i)—min(ZP i)),其中,ZP i表示列变量ZP t—4中的一个数据,min(ZP i)表示列变量ZP t-4中的最小值,max(ZP i)表示列变量ZP t-4中的最大值,max(ZP i)—min(ZP i)表示列变量ZP t-4的极差。
作为优选,根据ZR t—1构建BP神经网络模型包括:
搭建BP神经网络架构,所述BP神经网络架构中包括输入层、第一隐藏层、第二隐藏层、Dropout层、Dense层和输出层;
将数据ZR t—1输入到输入层;
通过公式(8)得到第一隐藏层的输出v1,v1作为第一隐藏层的输入;
通过公式(9)得到第二隐藏层的输出v2,v2作为Dense层的输入;
通过公式(10)得到输出层的输出v3,v3,为构建完成的BP神经网络模型;
v1=ReLU((Wv1*ZR t—4)+d1) (1)
v2=ReLU((Wv2*v1)+d2) (2)
v3=(Wv3*v2)+d3 (3)
其中,Wv1表示第一隐藏层的权重矩阵,Wv2表示第二隐藏层的权重矩阵,Wv3表示Dense层的权重矩阵,d1表示第一隐藏层的偏置项,d2表示第二隐藏层的偏置项,d3表示Dense层的偏置项,ReLU表示激活函数,Dropout层用于模型训练过程中在更新参数时暂时随机断开指定数量的神经元。
作为优选,本实施例还包括通过公式(4)进行模型验证。
具体实施时,我们对面筋吸水量预测期望误差为5%以内,从实际预测预测结果看,平均误差在3.6%左右,远低于我们期望误差;对玉米脂肪酸值期望误差为不超过10%,实际误差为8.5%左右;对稻谷脂肪酸值期望误差不超过10%,籼稻实际误差为8.7%,粳稻实际误差为6.4%。
以上仅是本发明的优选实施方式,应当指出的是,上述优选实施方式不应视为对本发明的限制,本发明的保护范围应当以权利要求所限定的范围为准。对于本技术领域的普通技术人员来说,在不脱离本发明的精神和范围内,还可以做出若干改进和润饰,这些改进和润饰也应视为本发明的保护范围。
Claims (9)
1.基于BP神经网络的粮食品质指标预测方法,其特征在于,包括:
获取粮食预测期信息t,其中,所述粮食预测期信息t表示需要预测第t期粮食的品质指标;
根据粮食预测期信息t,获取符合时间要求的粮食品质指标数据;
根据获取到的粮食品质指标数据构建BP神经网络预测模型;
根据所述BP神经网络预测模型预测第t期粮食的品质指标。
2.根据权利要求1所述的基于BP神经网络的粮食品质指标预测方法,其特征在于,所述根据粮食预测期信息t,获取符合时间要求的粮食品质指标数据包括:分别从历史数据库中获取第t-1期的粮食品质指标数据Xt—1、第t-2期的粮食品质指标数据Xt-—2和第t-3期的粮食品质指标数据Xt—3。
3.根据权利要求2所述的基于BP神经网络的粮食品质指标预测方法,其特征在于,根据获取到的粮食品质指标数据构建BP神经网络预测模型包括:
分别从粮食品质指标数据Xt—1、粮食品质指标数据Xt—2和粮食品质指标数据Xt—3中抽取一部分数据构成训练集XP,XP=[XP t—1,XP t—2,XP t—3];
对所述训练集XP作归一化处理得到XR;
根据XR构建BP神经网络模型。
4.根据权利要求3所述的基于BP神经网络的粮食品质指标预测方法,其特征在于,对所述训练集XP作归一化处理得到XR包括:令XR ij=(XP ij-min(XP ij))/(max(XP ij)—min(XP ij)),其中,XP ij表示列变量XP j中的一个数据,min(XP ij)表示列变量XP j中的最小值,max(XP ij)表示列变量XP j中的最大值,max(XP ij)—min(XP ij)表示列变量XP j的极差,j=t-1,t-2,t-3。
5.根据权利要求3所述的基于BP神经网络的粮食品质指标预测方法,其特征在于,根据XR构建BP神经网络模型包括:
搭建BP神经网络架构,所述BP神经网络架构中包括输入层、第一隐藏层、第二隐藏层、Dropout层、Dense层和输出层;
将数据XR输入到输入层;
通过公式(1)得到第一隐藏层的输出f1,f1作为第一隐藏层的输入;
通过公式(2)得到第二隐藏层的输出f2,f2作为Dense层的输入;
通过公式(3)得到输出层的输出f3,f3为构建完成的BP神经网络模型;
f1=ReLU((Wf1*XR)+b1) (1)
f2=ReLU((Wf2*f1)+b2) (2)
f3=(Wf3*f2)+b3 (3)
其中,Wf1表示第一隐藏层的权重矩阵,Wf2表示第二隐藏层的权重矩阵,Wf3表示Dense层的权重矩阵,b1表示第一隐藏层的偏置项,b2表示第二隐藏层的偏置项,b3表示Dense层的偏置项,ReLU表示激活函数,Dropout层用于模型训练过程中在更新参数时暂时随机断开指定数量的神经元。
6.根据权利要求5所述的基于BP神经网络的粮食品质指标预测方法,其特征在于,还包括:
通过公式(4)进行模型验证;
其中,RE表示相对误差,Ot为第t期粮食品质指标实测数据,Pt为通过构建完成的BP神经网络模型预测的第t期粮食品质指标数据,n为模型验证样本数。
7.根据权利要求1所述的基于BP神经网络的粮食品质指标预测方法,其特征在于:所述根据粮食预测期信息t,获取符合时间要求的粮食品质指标数据包括:从历史数据库中获取第t-4期的粮食品质指标数据Xt—4。
8.根据权利要求7所述的基于BP神经网络的粮食品质指标预测方法,其特征在于:根据获取到的粮食品质指标数据构建BP神经网络预测模型包括:
从粮食品质指标数据Xt—4中抽取一部分数据构成训练集XP t—4;
对所述训练集XP t—4作归一化处理得到XR t—4;
根据XR t—4构建BP神经网络模型。
9.基于BP神经网络的粮食品质指标预测方法,其特征在于,包括:
获取粮食预测期信息t,其中,所述粮食预测期信息t表示需要预测第t期粮食的质量指标;
根据粮食预测期信息t,获取符合时间要求的粮食质量指标数据;
根据获取到的粮食质量指标数据构建BP神经网络预测模型;
根据构建完成的BP神经网络预测模型预测第t期粮食的质量指标;
根据预测到的第t期粮食的质量指标评估第t期粮食的品质指标。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910750723.6A CN110458361A (zh) | 2019-08-14 | 2019-08-14 | 基于bp神经网络的粮食品质指标预测方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910750723.6A CN110458361A (zh) | 2019-08-14 | 2019-08-14 | 基于bp神经网络的粮食品质指标预测方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN110458361A true CN110458361A (zh) | 2019-11-15 |
Family
ID=68486688
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201910750723.6A Pending CN110458361A (zh) | 2019-08-14 | 2019-08-14 | 基于bp神经网络的粮食品质指标预测方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN110458361A (zh) |
Cited By (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111274538A (zh) * | 2020-01-21 | 2020-06-12 | 中国农业大学 | 一种生食水产品储运过程中质量状态判别方法及*** |
CN112395753A (zh) * | 2020-11-11 | 2021-02-23 | 中国农业大学 | 定向调控稻谷品质的干燥方法、装置、设备及储存介质 |
CN112598116A (zh) * | 2020-12-22 | 2021-04-02 | 王槐林 | 一种宠物食欲评价方法、装置、设备及存储介质 |
CN113763033A (zh) * | 2021-08-04 | 2021-12-07 | 武汉轻工大学 | 全自动钓鱼场鱼种投放选择方法、装置、设备及存储介质 |
CN116912244A (zh) * | 2023-09-12 | 2023-10-20 | 中储粮成都储藏研究院有限公司 | 基于机器视觉的粮食质量指标智能检测方法 |
Citations (15)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101655454A (zh) * | 2009-09-15 | 2010-02-24 | 北京市农林科学院 | 一种粮食储存品质判定的快速测定方法 |
US20110066579A1 (en) * | 2009-09-16 | 2011-03-17 | Oki Electric Industry Co., Ltd. | Neural network system for time series data prediction |
US20110307228A1 (en) * | 2008-10-15 | 2011-12-15 | Nikola Kirilov Kasabov | Data analysis and predictive systems and related methodologies |
US20140332994A1 (en) * | 2013-05-13 | 2014-11-13 | Jeffrey E. Danes | Detection in thermoplastics |
CN105891430A (zh) * | 2016-04-11 | 2016-08-24 | 上海大学 | 一种基于神经网络的食品质量监测装置 |
CN106227038A (zh) * | 2016-07-29 | 2016-12-14 | 中国人民解放军信息工程大学 | 基于神经网络和模糊控制的粮食烘干塔智能控制方法 |
US20170154347A1 (en) * | 2013-09-18 | 2017-06-01 | Simpler Postage, Inc. | Method and system for generating delivery estimates |
CN107358388A (zh) * | 2016-11-03 | 2017-11-17 | 厦门嵘拓物联科技有限公司 | 一种基于物联网的仓储管理***及基于该***的仓储质量风险评估方法 |
CN108090628A (zh) * | 2018-01-16 | 2018-05-29 | 浙江大学 | 一种基于pso-lssvm算法的粮情安全检测分析方法 |
CN109002917A (zh) * | 2018-07-13 | 2018-12-14 | 山东省农业信息中心 | 基于lstm神经网络的粮食总产量多维时间序列预测方法 |
CN109062296A (zh) * | 2018-08-27 | 2018-12-21 | 华夏易通国际物流有限公司 | 一种基于温湿度监控的粮食仓储方法 |
CN109840854A (zh) * | 2019-03-04 | 2019-06-04 | 中国科学技术大学 | 粮食霉变预测方法及装置 |
CN109991325A (zh) * | 2019-03-07 | 2019-07-09 | 中国检验检疫科学研究院 | 基于代谢组学数据融合和人工神经网络的食品品质的评价方法及其应用 |
US20190228855A1 (en) * | 2018-01-25 | 2019-07-25 | Kraft Foods Group Brands Llc | Method and system for improving food-related personalization |
US20190228176A1 (en) * | 2018-01-19 | 2019-07-25 | Griffin Group Global, LLC | System and method for providing a prediction-based data structure having different-scheme-derived portions |
-
2019
- 2019-08-14 CN CN201910750723.6A patent/CN110458361A/zh active Pending
Patent Citations (15)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20110307228A1 (en) * | 2008-10-15 | 2011-12-15 | Nikola Kirilov Kasabov | Data analysis and predictive systems and related methodologies |
CN101655454A (zh) * | 2009-09-15 | 2010-02-24 | 北京市农林科学院 | 一种粮食储存品质判定的快速测定方法 |
US20110066579A1 (en) * | 2009-09-16 | 2011-03-17 | Oki Electric Industry Co., Ltd. | Neural network system for time series data prediction |
US20140332994A1 (en) * | 2013-05-13 | 2014-11-13 | Jeffrey E. Danes | Detection in thermoplastics |
US20170154347A1 (en) * | 2013-09-18 | 2017-06-01 | Simpler Postage, Inc. | Method and system for generating delivery estimates |
CN105891430A (zh) * | 2016-04-11 | 2016-08-24 | 上海大学 | 一种基于神经网络的食品质量监测装置 |
CN106227038A (zh) * | 2016-07-29 | 2016-12-14 | 中国人民解放军信息工程大学 | 基于神经网络和模糊控制的粮食烘干塔智能控制方法 |
CN107358388A (zh) * | 2016-11-03 | 2017-11-17 | 厦门嵘拓物联科技有限公司 | 一种基于物联网的仓储管理***及基于该***的仓储质量风险评估方法 |
CN108090628A (zh) * | 2018-01-16 | 2018-05-29 | 浙江大学 | 一种基于pso-lssvm算法的粮情安全检测分析方法 |
US20190228176A1 (en) * | 2018-01-19 | 2019-07-25 | Griffin Group Global, LLC | System and method for providing a prediction-based data structure having different-scheme-derived portions |
US20190228855A1 (en) * | 2018-01-25 | 2019-07-25 | Kraft Foods Group Brands Llc | Method and system for improving food-related personalization |
CN109002917A (zh) * | 2018-07-13 | 2018-12-14 | 山东省农业信息中心 | 基于lstm神经网络的粮食总产量多维时间序列预测方法 |
CN109062296A (zh) * | 2018-08-27 | 2018-12-21 | 华夏易通国际物流有限公司 | 一种基于温湿度监控的粮食仓储方法 |
CN109840854A (zh) * | 2019-03-04 | 2019-06-04 | 中国科学技术大学 | 粮食霉变预测方法及装置 |
CN109991325A (zh) * | 2019-03-07 | 2019-07-09 | 中国检验检疫科学研究院 | 基于代谢组学数据融合和人工神经网络的食品品质的评价方法及其应用 |
Non-Patent Citations (3)
Title |
---|
ANONYMOUS: "《IP.COM非专利全文库》", 15 December 2017, IP.COM * |
哈根: "《神经网络设计》", 30 September 2002, 机械工业出版社 * |
沈兵: "基于BP神经网络的储粮安全预测模型研究", 《交通信息与安全》 * |
Cited By (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111274538A (zh) * | 2020-01-21 | 2020-06-12 | 中国农业大学 | 一种生食水产品储运过程中质量状态判别方法及*** |
CN111274538B (zh) * | 2020-01-21 | 2021-10-26 | 中国农业大学 | 一种生食水产品储运过程中质量状态判别方法及*** |
CN112395753A (zh) * | 2020-11-11 | 2021-02-23 | 中国农业大学 | 定向调控稻谷品质的干燥方法、装置、设备及储存介质 |
CN112395753B (zh) * | 2020-11-11 | 2021-10-29 | 中国农业大学 | 定向调控稻谷品质的干燥方法、装置、设备及储存介质 |
CN112598116A (zh) * | 2020-12-22 | 2021-04-02 | 王槐林 | 一种宠物食欲评价方法、装置、设备及存储介质 |
CN113763033A (zh) * | 2021-08-04 | 2021-12-07 | 武汉轻工大学 | 全自动钓鱼场鱼种投放选择方法、装置、设备及存储介质 |
CN116912244A (zh) * | 2023-09-12 | 2023-10-20 | 中储粮成都储藏研究院有限公司 | 基于机器视觉的粮食质量指标智能检测方法 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN110458361A (zh) | 基于bp神经网络的粮食品质指标预测方法 | |
Kuo et al. | Integration of particle swarm optimization and genetic algorithm for dynamic clustering | |
CN106777874A (zh) | 基于循环神经网络构建预测模型的方法 | |
CN106779867A (zh) | 基于上下文感知的支持向量回归推荐方法及*** | |
CN109002917A (zh) | 基于lstm神经网络的粮食总产量多维时间序列预测方法 | |
CN107862179A (zh) | 一种基于相似性和逻辑矩阵分解的miRNA‑疾病关联关系预测方法 | |
CN110458362A (zh) | 基于svm支持向量机模型的粮食品质指标预测方法 | |
CN107239993A (zh) | 一种基于拓展标签的矩阵分解推荐方法及*** | |
CN106874355A (zh) | 同时融入社交关系和用户相似度的协同过滤方法 | |
CN108537624A (zh) | 一种基于深度学习的旅游服务推荐方法 | |
Ahmed et al. | Relative efficacy of food and cash transfers in improving food security and livelihoods of the ultra-poor in Bangladesh | |
CN108509573A (zh) | 基于矩阵分解协同过滤算法的图书推荐方法及*** | |
CN107609289A (zh) | 基于bim模型的结构加固工程的建材成本管控方法以及*** | |
CN106503438A (zh) | 一种用于药店会员分析的h‑rfm用户建模方法及*** | |
CN106469336B (zh) | 基于bp神经网络的二维码防伪预测装置和方法 | |
CN108038629A (zh) | 一种基于协同过滤的优化方法 | |
CN107506845A (zh) | 一种基于多模型融合的售电量预测方法及其*** | |
CN106709758A (zh) | 一种电商产品中服务类商品的智能推荐和分配解决方法 | |
CN108334638A (zh) | 基于长短期记忆神经网络与兴趣迁移的项目评分预测方法 | |
CN111091241A (zh) | 一种基于bp神经网络的药品销量预测与决策方法及*** | |
CN107016122A (zh) | 基于时间迁移的知识推荐方法 | |
CN109493151A (zh) | 销量预测方法及*** | |
CN113722997A (zh) | 一种基于静态油气田数据的新井动态产量预测方法 | |
CN106202377A (zh) | 一种基于随机梯度下降的在线协同排序方法 | |
CN109740734A (zh) | 一种优化卷积神经网络中神经元空间排布的方法 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
RJ01 | Rejection of invention patent application after publication |
Application publication date: 20191115 |
|
RJ01 | Rejection of invention patent application after publication |