針對松茸發(fā)酵過程中關(guān)鍵參量難以實時在線檢測的難題,提出了一種基于改進布谷鳥算法（CS）與改進BP神經(jīng)網(wǎng)絡(luò)（BPNN）相結(jié)合的松茸菌絲生物量軟測量建模方法;首先采用兩階段動態(tài)發(fā)現(xiàn)概率法對傳統(tǒng)CS進行改進,平衡CS的全局搜索與局部搜索能力;然后引入附加動量和動態(tài)調(diào)整學(xué)習(xí)率對BPNN進行改進,提高BPNN參量的修正精度;最后,通過CS算法獲取BPNN的初始權(quán)值和閾值,并由權(quán)值修正公式（附加動量與動態(tài)學(xué)習(xí)率相結(jié)合）對權(quán)值進行動態(tài)修正;仿真結(jié)果表明,改進的CS-BPNN軟測量模型在預(yù)測精度提高了6%以上,能夠?qū)崿F(xiàn)松茸發(fā)酵過程實時在線測量的需求。 

【文章來源】：計算機測量與控制. 2019,27(05)

【文章頁數(shù)】：5 頁

【部分圖文】：

菌絲生物量預(yù)測曲線

計算機測量與控制第２７????????????????????????????????????????????????????·４２·卷性，采用改進ＣＳ－ＢＰＮＮ軟測量方法建立了松茸發(fā)酵過程軟測量模型，經(jīng)過反復(fù)訓(xùn)練確定神經(jīng)網(wǎng)絡(luò)采用４－９－１的結(jié)構(gòu)，選用傳統(tǒng)ＢＰＮＮ與其作對比。設(shè)定鳥巢種群規(guī)模ｎ＝５０，鳥蛋的最大發(fā)現(xiàn)概率ｐａｍａｘ＝０．９、最小發(fā)現(xiàn)概率ｐａｍｉｎ＝０．１，迭代次數(shù)設(shè)為Ｎｍａｘ＝２０００，ｍｃ∈（０，１），Ｎ′ｍａｘ＝３０００，ε＝０．０５；仿真結(jié)果如圖１所示。圖１菌絲生物量預(yù)測曲線從預(yù)測結(jié)果擬合程度能夠發(fā)現(xiàn)，改進型ＣＳ－ＢＰＮＮ軟測量模型相比傳統(tǒng)ＢＰＮＮ軟測量建模，具有更強的預(yù)測能力。比較兩種軟測量模型的菌絲生物量誤差曲線如圖２所示。圖２菌絲生物量誤差曲線根據(jù)圖中曲線，能夠輕易的發(fā)現(xiàn)，改進ＣＳ－ＢＰＮＮ模型的預(yù)測值與實驗值之間的誤差要比傳統(tǒng)ＢＰＮＮ小得多，擬合程度也高很多。表２為松茸發(fā)酵過程中菌絲生物量用改進ＣＳ－ＢＰＮＮ和傳統(tǒng)ＢＰＮＮ軟測量模型預(yù)測輸出的誤差對比情況。由表能夠輕易發(fā)現(xiàn)，對于第一批測試樣本，改進ＣＳ－ＢＰＮＮ模型下樣本均方根誤差（ＲＭＳＥ）為０．２４７７，明顯低于傳統(tǒng)ＢＰＮＮ均方誤差０．５８１４。其他兩批測試樣本，傳統(tǒng)ＢＰＮＮ的表２兩種模型誤差對比模型測試樣本ＲＭＳＥ第一批ＢＰＮＮ０．５８１４改進ＣＳ－ＢＰＮＮ０．２４７７第二批ＢＰＮＮ０．７１３２改進ＣＳ－ＢＰＮＮ０．２９４４

4382V}9量結(jié)奧


本文編號：3367695