本文關(guān)鍵詞：基于遺傳BP神經(jīng)網(wǎng)絡(luò)的核桃破裂功預(yù)測模型，由筆耕文化傳播整理發(fā)布。

第30卷 第18期 農(nóng) 業(yè) 工 程 學(xué) 報 Vol.30 No.18

78 2014年 9月 Transactions of the Chinese Society of Agricultural Engineering Sep. 2014

基于遺傳BP神經(jīng)網(wǎng)絡(luò)的核桃破裂功預(yù)測模型

張 宏1,2,5，馬 巖1※，李 勇2,5，張銳利3，張學(xué)軍4，張 銳3

（1. 東北林業(yè)大學(xué)林業(yè)與木工機械工程技術(shù)中心，哈爾濱 150040； 2. 塔里木大學(xué)機械電氣化工程學(xué)院，阿拉爾 843300；

3. 塔里木大學(xué)生命科學(xué)學(xué)院，阿拉爾 843300； 4. 新疆農(nóng)業(yè)大學(xué)機械交通學(xué)院，烏魯木齊 830052；

5. 新疆維吾爾自治區(qū)普通高等學(xué)校現(xiàn)代農(nóng)業(yè)工程重點實驗室，阿拉爾 843300）

摘 要：針對核桃殼破裂所需機械能易受核桃含水率、加載速度和體積級別等多種因素影響，提出一種核桃殼破裂功預(yù)測方法。以南疆地區(qū)溫185核桃為研究對象，選擇核桃含水率（4%、6%、8%、10%）、加載速度（100、200、300、400 mm/min）和橫徑級別（1、2、3、4級）3個因素作為BP神經(jīng)網(wǎng)絡(luò)模型的輸入量，利用遺傳算法優(yōu)化神經(jīng)網(wǎng)絡(luò)的權(quán)值與閾值，建立溫185核桃破殼破裂功的遺傳BP神經(jīng)網(wǎng)絡(luò)預(yù)測模型。結(jié)果表明：遺傳BP神經(jīng)網(wǎng)絡(luò)模型能較好表達溫185核桃破殼破裂功與主控因素之間的非線性關(guān)系，預(yù)測結(jié)果與實測值之間的平均絕對百分比誤差為0.035，測試樣本的網(wǎng)絡(luò)輸出值與網(wǎng)絡(luò)目標值的相關(guān)系數(shù)達0.92488，模型預(yù)測效果較佳。研究結(jié)果為溫185核桃破殼取仁加工過程的在線監(jiān)控提供參考依據(jù)。 關(guān)鍵詞：神經(jīng)網(wǎng)絡(luò)；模型；遺傳算法；核桃破殼；破裂功 doi：10.3969/j.issn.1002-6819.2014.18.010

中圖分類號：TS255.6 文獻標志碼：A 文章編號：1002-6819(2014)-18-0078-07

張 宏，馬 巖，李 勇，等. 基于遺傳BP神經(jīng)網(wǎng)絡(luò)的核桃破裂功預(yù)測模型[J]. 農(nóng)業(yè)工程學(xué)報，2014，30(18)：78－84.

Zhang Hong, Ma Yan, Li Yong, et al. Rupture energy prediction model for walnut shell breaking based on genetic BP neural network[J]. Transactions of the Chinese Society of Agricultural Engineering (Transactions of the CSAE), 2014, 30(18): 78－84. (in Chinese with English abstract)

0 引 言

長期以來，核桃破殼取仁以人工破殼為主，生產(chǎn)效率低，成本高，且因敲擊的力度不易控制，破殼時核桃仁碎裂程度高[1]。隨著核桃產(chǎn)量增長和產(chǎn)品多樣化的需求，核桃破殼取仁產(chǎn)業(yè)化加工已勢在必行�；诖藝鴥�(nèi)外諸多研究人員長期致力于研究核桃破殼的影響因素和開發(fā)高效的機械式核桃破

部分研究者利用殼機械[2-3]�；谝欢ǖ脑囼炑芯浚�

有限元原理分析了核桃的最佳受力方位和方式，表

國外研究者明核桃沿縱向兩端施力有利于破殼[4-5]。

以核桃擠壓試驗為基礎(chǔ)，分析了核桃含水率、加載速度和加載方向3個因素對核桃殼破率力、破裂功

結(jié)果表明，核桃含水率增加和破裂狀況的影響[6-8]。

時核桃的斷裂力下降，在高加載速度沿縱向加載核

收稿日期：2014-07-05 修訂日期：2014-09-30

基金項目：國家自然科學(xué)基金資助項目（31160196，31260469）；兵團科技攻關(guān)計劃項目（2014BA014）；兵團博士資金（2011BB006） 作者簡介：張 宏（1975－），男（漢），內(nèi)蒙古武川人，副教授，博士，農(nóng)業(yè)機械化電氣化。哈爾濱 東北林業(yè)大學(xué)林業(yè)與木工機械工程中心， 150040。Email：zhghog@163.com

※通信作者：馬 巖（1955－），男，吉林榆樹人，教授，從事林業(yè)與木工機械方面的研究。哈爾濱 東北林業(yè)大學(xué)林業(yè)與木工機械工程中心，150040。Email：mayan@vip163.com 農(nóng)業(yè)工程學(xué)會高級會號：E0412005585

桃的破殼效果更佳，且3個因素與核桃殼破裂力之

間呈非線性關(guān)系。BP神經(jīng)網(wǎng)絡(luò)模型在分析處理非線性數(shù)據(jù)方面效果頗佳，可有效表明具非線性關(guān)系的輸入量與輸出量的關(guān)聯(lián)性。但在實際應(yīng)用中BP神經(jīng)網(wǎng)絡(luò)呈現(xiàn)出網(wǎng)絡(luò)全局搜索能力不足、迭代收斂緩慢和局部最優(yōu)的缺陷。使用遺傳算法優(yōu)化BP神經(jīng)網(wǎng)絡(luò)模型的連接權(quán)值后，可提高BP神經(jīng)網(wǎng)絡(luò)的訓(xùn)練速度，克服了網(wǎng)絡(luò)易陷入局部極小[9]。

本文以南疆地區(qū)產(chǎn)溫185核桃為原料，從影響核桃破殼的含水率、加載速度和橫徑級別入手，采用BP人工神經(jīng)網(wǎng)絡(luò)預(yù)測方法，基于萬能試驗機壓縮核桃破殼的指標建立核桃殼破裂功預(yù)測的遺傳BP神經(jīng)網(wǎng)絡(luò)模型。為實際生產(chǎn)中不同工況條件下核桃破殼的機械作用的智能調(diào)控提供理論基礎(chǔ)。

1 材料與方法

1.1 材料與儀器

原料為市售新疆溫185青皮核桃（核桃采收于成熟期，核桃樹上青果開裂數(shù)量達整樹青果總量的2/3時，認定核桃成熟適于采摘）。

WD-D3萬能材料試驗機（上海卓技儀器設(shè)備有限公司），有效測力范圍：10～5 000 N，試驗速度調(diào)節(jié)范圍：0.001～500 mm/min；DHG-9070電熱

第18期 張 宏等：基于遺傳BP神經(jīng)網(wǎng)絡(luò)的核桃破裂功預(yù)測模型

79

鼓風(fēng)烘箱，上海圣科儀器設(shè)備有限公司，溫度范圍：室溫5～200℃；FA1104電子天平，上海安亭科學(xué)儀器廠，稱量范圍：0～200 g。 1.2 試驗方法 1.2.1 核桃篩選

采收于9月下旬的同批次溫185青皮核桃剝皮，剔除殼體畸形的核桃，篩選出核桃橫徑在32～42 mm范圍內(nèi)的核桃分4級（參照和田地區(qū)溫185核桃加工的分級標準），1級核桃橫徑為38～42 mm，2級核桃橫徑為36～38 mm，3級核桃橫徑為34～36 mm，4級核桃橫徑為32～34 mm。 1.2.2 核桃調(diào)濕

經(jīng)試驗測試，剝除青皮的溫185核桃濕基含水率約為42%。各級溫185核桃置于恒溫烘箱內(nèi)40℃烘燥至濕基含水率為4%

、

6%、8%、10%（依據(jù)南疆地區(qū)溫185核桃加工的濕基含水率一般為6%～8%設(shè)定核桃濕基含水率范圍）。 1.2.3 核桃破殼

由前期預(yù)試驗得知，核桃沿縱向壓縮時核桃仁破損碎裂程度較低，故本文核桃壓縮試驗均沿縱向壓縮核桃，為防止核桃受壓滑移，核桃由螺母定位[10]。試驗機壓頭加載方式，如圖1所示。

圖2 壓力變化曲線

Fig.2 Variation curves of compressive force

試驗所用核桃的含水率、加載速度和橫徑級別3參數(shù)的詳細指標，如表1所示。

表1 試驗參數(shù)指標

Table 1 Test parameters index

因素Factors

水平 Level

含水率 Moisture content/%

加載速度

Compression speeds/

(mm·min-1)

100 200 300 400

橫徑級別 Diameter level

4 3 2 1

1 4 2 6 3 8 4 10

2 BP神經(jīng)網(wǎng)絡(luò)模型結(jié)構(gòu)的設(shè)計

1986年，由斯坦福大學(xué)的D E Rumelhart等提出的BP神經(jīng)網(wǎng)絡(luò)算法，解決了多層網(wǎng)絡(luò)模型中隱含層的連接權(quán)問題，有效提升了神經(jīng)網(wǎng)絡(luò)的自學(xué)習(xí)和組織能力，是當前工業(yè)領(lǐng)域應(yīng)用較多的一種前饋式學(xué)習(xí)算法與反向傳播算法的神經(jīng)網(wǎng)絡(luò)[12-13]。BP神經(jīng)網(wǎng)絡(luò)的輸入層由隱含層作用于輸出層，經(jīng)非線性變換得輸出量。網(wǎng)絡(luò)訓(xùn)練的每個樣本包含輸入量和期望輸出量，網(wǎng)絡(luò)輸出量與期望輸出量之間的偏差，通過調(diào)整網(wǎng)絡(luò)權(quán)值與閾值，使誤差沿梯度方向下降，直至實際輸出與期望輸出在預(yù)定范圍內(nèi)。

設(shè)輸出層有m個神經(jīng)元，BP網(wǎng)絡(luò)的實際輸出是y；期望輸出是y′；函數(shù)ε為：

1m

ε=∑(yj?y′j)2 （1）

2j=1

圖1 核桃加載裝置

Fig.1 Device of loading on walnut

將各級核桃調(diào)濕至預(yù)定含水率，由萬能材料試驗機以100、200、300、400 mm/min的加載速度（加載速度參照和田地區(qū)溫185核桃加工廠的核桃破殼設(shè)備的工作部件速度）下分別沿縱向壓縮核桃至完全破裂，并依據(jù)試驗機記錄的加載壓力-位移曲線，如圖2所示，壓力-位移曲線采用公式（1）計算出核桃殼的破裂功[11]。

W=∫Fdl

（1）

012

每個權(quán)值的修正值為：

?ε?ε?Ij

Δωij=?η=?η （2）

?ωij?Ij?ωij

式中：ωij為輸入單元i到隱含層單元j的權(quán)重；η

是學(xué)習(xí)速率，Ij是中間第j個隱含層的傳輸函數(shù)。輸入層到隱含層的函數(shù)采用Logsig型，隱含層到輸出層的函數(shù)采用Purelin型。

式中：W為核桃殼的破裂功，MJ；F為核桃殼的壓力，N；l為核桃殼的變形量，mm。

80

農(nóng)業(yè)工程學(xué)報 2014年

核桃破殼過程中破裂功的主控因素是核桃含水率、加載速度和橫徑級別，設(shè)定此3因素做為神經(jīng)網(wǎng)絡(luò)模型的輸入?yún)?shù)，確定輸入端點數(shù)為3。據(jù)查，BP神經(jīng)網(wǎng)絡(luò)的輸入節(jié)點為u時，網(wǎng)絡(luò)的隱含層節(jié)點數(shù)選取2u+1時，BP網(wǎng)絡(luò)模型能很好反映實際[14]，故隱含層節(jié)點數(shù)為7個。據(jù)此，該BP網(wǎng)絡(luò)模型采用3層網(wǎng)絡(luò)，BP結(jié)構(gòu)為3-7-1，網(wǎng)絡(luò)結(jié)構(gòu)圖如圖3所示。

改進后的遺傳算法具體步驟如下： 1）初始化種群

隨機產(chǎn)生一種群Xm×n，每個個體X1×n代表一個神經(jīng)網(wǎng)絡(luò)的初始權(quán)值分布，每個基因值為一個連接權(quán)值，則個體的長度為神經(jīng)網(wǎng)絡(luò)權(quán)值的個數(shù)，即：

n=r×s1+s1×s2+s1+s2 （3） 式中：n為個體的長度；r為輸入層節(jié)點數(shù)；s1為隱含層節(jié)點數(shù)；s2為輸出層節(jié)點數(shù)。

選擇浮點數(shù)編碼方式對權(quán)值編碼。 2）適應(yīng)度函數(shù)

依據(jù)適應(yīng)度函數(shù)值對個體進行評價，對每一個體解碼得到BP神經(jīng)網(wǎng)絡(luò)輸入樣本，計算輸出誤差值E，適應(yīng)度函數(shù)f。

1f= （4） 1+E

計算各個體的適應(yīng)值，種群個體適應(yīng)度最大者進入子種群。

3）選擇算子

采用輪盤賭法選擇算子。設(shè)第i個個體的適應(yīng)值fi，則被選中的概率為：

圖3 BP神經(jīng)網(wǎng)絡(luò)模型拓撲

Fig.3 Topological graph of BP neural networks model

選核桃含水率、加載速度和橫徑級別3個關(guān)鍵因素為網(wǎng)絡(luò)的輸入，選核桃破殼的破裂功為網(wǎng)絡(luò)的輸出，建立BP神經(jīng)網(wǎng)絡(luò)預(yù)測模型。BP神經(jīng)網(wǎng)絡(luò)訓(xùn)練前，為減弱各主控因素不同量綱的數(shù)據(jù)對網(wǎng)絡(luò)模型訓(xùn)練與預(yù)測值的影響，各主控因素的數(shù)據(jù)做歸一化處理。

pi=fi/∑fi （5）

i=1

m

3 遺傳優(yōu)化BP神經(jīng)網(wǎng)絡(luò)模型

遺傳算法擅長全局搜索，BP神經(jīng)網(wǎng)絡(luò)在用于局部搜索較有效，故遺傳算法和BP算法相結(jié)合頗為有效。遺傳算法對神經(jīng)網(wǎng)絡(luò)初始權(quán)值進行優(yōu)化，定位出較好的搜索空間，再采用BP算法在小空間內(nèi)搜索最優(yōu)值[15]。改進后的遺傳算法流程圖如圖4。

式中：m為種群規(guī)模，m=50。

4）交叉算子

交叉算子選擇算術(shù)交叉，由兩個個體的線性組合出兩個新的個體。假設(shè)在兩個個體Xi(k)、Xi+1(k)之間以交叉概率pc進行交叉操作，則交叉后產(chǎn)生的兩個新的個體是

?Xi(k+1)=αXi(k)+βXi+1(k)

（6） ?

X(k1)X(k)X(k)+=α+βi+1i?i+1式中：Xi(k)、Xi+1(k)分別表示第i和第i+1個個體在

第k位的基因；α、β是0～1之間的隨機數(shù)。

5）變異算子

選擇均勻變異算子，對每一基因值，以變異率pm對應(yīng)的基因取值域取一隨機數(shù)進行替換。

Xi=Xi(p)+r×q+Xi(n?p?1) （7） 式中：q為第p+1個基因值對應(yīng)的閾值寬度。

6）計算適應(yīng)度函數(shù)值

計算適應(yīng)度函數(shù)值，判斷是否達到最大迭代次數(shù)或滿足精度要求，否則返回第2步。

遺傳完成后，取遺傳算法中得到的最優(yōu)個體作為神經(jīng)網(wǎng)絡(luò)的初始權(quán)值，通過給定樣本數(shù)據(jù)，按BP算法對神經(jīng)網(wǎng)絡(luò)訓(xùn)練，求出最優(yōu)解。

圖4 改進遺傳算法流程圖

Fig.4 Flow chart of genetic algorithm

4 結(jié)果與分析

試驗按3類指標值依次進行得到網(wǎng)絡(luò)模型的樣

第18期 張 宏等：基于遺傳BP神經(jīng)網(wǎng)絡(luò)的核桃破裂功預(yù)測模型

81

本組。為降低試驗數(shù)據(jù)的隨機誤差，各試驗樣本組采用相同指標下的核桃測試20次，取20次測試值的算術(shù)平均值為樣本數(shù)據(jù)。在不同的核桃含水率、加載速度和橫徑范圍下，試驗采集破殼破裂功數(shù)據(jù)合計64組，詳見表2。

表2 核桃殼破裂功樣本數(shù)據(jù)

Table 2 Sample data of rupture energy of walnut shell

breaking

編號 含水率 Sample Moisture number Content/%

加載速度 Compression speeds/ (mm·min-1)

橫徑級別 破裂功實測值Diameter Measured value of level rupture energy/J

1 1354.45 2 1398.2 3 1461.8 4 1093.13 1 1602.41 2 1448.1 3 1319.5 4 1356.06 1 1696.87 2

1588.5

3 1537.98 4 1410.15 1 1871.27 2 3 … 3 … 4 … 3 … 3 … 3 … 3 … 4

1767.4 1689.3 … 2022.4 … 2132.55 … 2256.2 … 2539.8 … 2829.48 … 2861.73 … 2559.72

遺傳算法對BP網(wǎng)絡(luò)初始權(quán)值和閾值進行優(yōu)化賦

值，再利用BP神經(jīng)網(wǎng)絡(luò)預(yù)測模型進行局部尋優(yōu)。遺傳算法進化過程中設(shè)置種群數(shù)目為50，進化代數(shù)為100，交叉概率為0.5，變異概率為0.09。根據(jù)上述遺傳BP神經(jīng)網(wǎng)絡(luò)模型，通過Matlab軟件編程，可得經(jīng)實數(shù)遺傳算法優(yōu)化后的BP神經(jīng)網(wǎng)絡(luò)各層之間權(quán)值和閾值，如表3所示。

表3 遺傳BP神經(jīng)網(wǎng)絡(luò)的各主控因素系數(shù)

Table 3 Cofficient of main controlling factors based on

genetic BP neural network model

類別 Class sfication

加載速度

含水率 橫徑級別

閾值 Compression

Moisture Diameter

Thresholdspeeds/

content/%level

(mm·min-1) 0.758 -0.0025 -0.1778-0.2931 -0.0035 0.3182

輸入層到隱含層結(jié)點

的權(quán)值

Weights between input and hidden layers

1.7197 -0.1751 -0.0147-0.0449 -0.0020 0.4690-0.0113 -0.0017 -0.09770.4698 -0.0092 0.09471.5904 -0.0039 -2.1798

隱含層到輸出層結(jié)點-60.7653

的權(quán)值

-85.3302

Weights between hidden

and output layers 380.8610

-254.3689 57.9909-9.7934 55.4129

0.53052.96610.03760.41861.5920-0.53690.53132.3104

1 4 2 4 3 4 4 4 5 4 6 4 7 4 8 4 *9 4 10 4 11 4 12 4 13 4 14 4 *15 4 … … *19 6 … … *24 6 … … *27 6 … … *31 6 … … *43 8 … … *59 10 … … 64 10 注 *為測試樣本。

Note:* is testing sample.

100 100 100 100 200 200 200 200 300 300 300 300 400 400 400 … 100 … 200 … 300 … 400 … 300 … 300 … 400

見圖5

和圖

6，遺傳進化過程中的適應(yīng)度函數(shù)變化曲線和誤差平方和變化曲線，由圖可知個體進化40代以后適應(yīng)度和誤差平方和基本沒有變化，可見遺傳算法在改善BP神經(jīng)網(wǎng)絡(luò)的收斂速度和誤差精度方面效果突出。

南疆溫185核桃破殼的破裂功經(jīng)BP神經(jīng)網(wǎng)絡(luò)模型與遺傳BP神經(jīng)網(wǎng)絡(luò)模型預(yù)測分析，網(wǎng)絡(luò)模型核桃破殼的破裂功預(yù)測值與實測值的進行比較，見圖7。

由表2可知，其中前3項為網(wǎng)絡(luò)學(xué)習(xí)樣本中的輸入因子，輸出因子為實測核桃破裂功。在64組數(shù)據(jù)中，隨機抽取出56組數(shù)據(jù)作為BP神經(jīng)網(wǎng)絡(luò)的訓(xùn)練樣本，其余8組數(shù)據(jù)（9，15，19，，24，27，31，43，59）為BP神經(jīng)網(wǎng)絡(luò)的測試樣本。網(wǎng)絡(luò)學(xué)習(xí)樣本數(shù)據(jù)先歸一化，再經(jīng)多次迭代，使試驗數(shù)據(jù)的網(wǎng)絡(luò)訓(xùn)練誤差值逐步收斂。

遺傳算法通過隨機問題假設(shè)集合，根據(jù)適應(yīng)度函數(shù)對個體進行數(shù)值評價，遺傳算子模擬遺傳過程中出現(xiàn)的復(fù)制、交叉和變異現(xiàn)象，對種群個體擇優(yōu)。

圖5 適應(yīng)度函數(shù)變化曲線

Fig5 Variation curves of fitness function

82

農(nóng)業(yè)工程學(xué)報 2014年

為0.92488，近似為1。另，回歸直線與斜率為1的直線（Y=X）基本重合，表明遺傳BP神經(jīng)網(wǎng)絡(luò)的輸

出值與其目標值偏差極小，是非常有效的預(yù)測方法。

圖6 誤差平方和變化曲線

Fig.6

Variation curves of error sum of squares

圖8 訓(xùn)練樣本輸出回歸直線

Fig.8 Regression line of network output

for training samples

5 結(jié) 論

圖7 核桃破裂功的預(yù)測值與實測值對比

Fig.7 Comparison between predictive value and measured

value of rupture energy of walnut shell breaking

由圖7可知，依據(jù)核桃破殼的破裂功的主控因素所建立的兩神經(jīng)網(wǎng)絡(luò)模型，其破裂功預(yù)測值與實

、測值基本吻合。采用平均絕對百分比誤差（MAPE）

均方根誤差（MSE）和絕對誤差（MAE）3個特征指標進行比較，各類指標值越大預(yù)測值與實測值的

各統(tǒng)計指標結(jié)果見表3。由表3可知，偏差越大[16]。

經(jīng)遺傳法優(yōu)化的BP神經(jīng)網(wǎng)絡(luò)模型的擬合效果要優(yōu)于BP神經(jīng)網(wǎng)絡(luò)模型。

表3 2種預(yù)測模型結(jié)果評價

Table 3 Evaluation of two kinds of prediction model

特征指標 Index 平均絕對百分比誤差

MAPE

均方根誤差 MSE 絕對誤差 MAE

BP神經(jīng)網(wǎng)絡(luò) 預(yù)測模型

BP neural network model

遺傳BP神經(jīng)網(wǎng)絡(luò)

預(yù)測模型 Genetic BP neural network model

1）建立了一個用于測定核桃殼破裂功的遺傳BP神經(jīng)網(wǎng)絡(luò)模型，測試樣本的網(wǎng)絡(luò)輸出值與網(wǎng)絡(luò)目標值的相關(guān)系數(shù)達0.92488，表明所建立的網(wǎng)絡(luò)模型是有效的。

2）用BP神經(jīng)網(wǎng)絡(luò)模型和遺傳BP神經(jīng)網(wǎng)絡(luò)模型對8組未參加建模的樣本數(shù)據(jù)進行破裂功預(yù)測，預(yù)測結(jié)果與實測值的平均絕對百分比誤差為0.035，遺傳BP神經(jīng)網(wǎng)絡(luò)模型的平均絕對百分比誤差、均方根誤差和絕對誤差3個特征指標值均小于BP神經(jīng)網(wǎng)絡(luò)模型的指標值，表明遺傳BP神經(jīng)網(wǎng)絡(luò)模型預(yù)測擬合效果遠優(yōu)于BP神經(jīng)網(wǎng)絡(luò)模型。

3）核桃破殼的斷裂功受自身結(jié)構(gòu)尺寸和外部條件影響較大，且與破裂主控因素存在著復(fù)雜的非線性關(guān)系。基于溫185核桃殼破裂功的遺傳BP神經(jīng)網(wǎng)絡(luò)模型可作為溫185核桃破殼取仁加工過程中機械作用量度量預(yù)測的新方法，并可實現(xiàn)核桃破殼取仁加工過程的在線監(jiān)控。

[參 考 文 獻]

[1] 李忠新，楊軍，楊莉玲，等. 一種核桃破殼取仁設(shè)備的

研究[J]. 中國農(nóng)機化，2011，30(3)：104－106. Li Zhongxin, Yang Jun, Yang Liling, et al. Research of an equipment about walnut shell breaking[J]. Chinese Agricultural Mechanization, 2011, 30(3): 104－106. (in Chinese with English abstract)

[2] 張彥彬，劉洋，劉明政，等. 核桃剝殼取仁機的設(shè)計與

實驗研究[J]. 農(nóng)機化研究，2014，33(4)：132－136.

0.092 0.035 259.3 95.5

219.4 83.01

圖8為遺傳BP神經(jīng)網(wǎng)絡(luò)模型測試樣本的網(wǎng)絡(luò)

網(wǎng)絡(luò)輸出值輸出值Y和網(wǎng)絡(luò)目標值X的回歸直線。

Y是用訓(xùn)練后的遺傳BP神經(jīng)網(wǎng)絡(luò)模型計算得出輸出值。網(wǎng)絡(luò)目標值X是遺傳BP神經(jīng)網(wǎng)絡(luò)訓(xùn)練所要實現(xiàn)實測值。由圖8可知，回歸直線的相關(guān)系數(shù)R

博泰典藏網(wǎng)btdcw.com包含總結(jié)匯報、農(nóng)林牧漁、出國留學(xué)、外語學(xué)習(xí)、IT計算機、教學(xué)研究、計劃方案以及基于遺傳BP神經(jīng)網(wǎng)絡(luò)的核桃破裂功預(yù)測模型_圖文等內(nèi)容。

本文共2頁12

  本文關(guān)鍵詞：基于遺傳BP神經(jīng)網(wǎng)絡(luò)的核桃破裂功預(yù)測模型，由筆耕文化傳播整理發(fā)布。

本文編號：114881