針對(duì)松茸發(fā)酵過程中關(guān)鍵參量難以實(shí)時(shí)在線檢測(cè)的難題,提出了一種基于改進(jìn)布谷鳥算法（CS）與改進(jìn)BP神經(jīng)網(wǎng)絡(luò)（BPNN）相結(jié)合的松茸菌絲生物量軟測(cè)量建模方法;首先采用兩階段動(dòng)態(tài)發(fā)現(xiàn)概率法對(duì)傳統(tǒng)CS進(jìn)行改進(jìn),平衡CS的全局搜索與局部搜索能力;然后引入附加動(dòng)量和動(dòng)態(tài)調(diào)整學(xué)習(xí)率對(duì)BPNN進(jìn)行改進(jìn),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(dòng)量與動(dòng)態(tài)學(xué)習(xí)率相結(jié)合）對(duì)權(quán)值進(jìn)行動(dòng)態(tài)修正;仿真結(jié)果表明,改進(jìn)的CS-BPNN軟測(cè)量模型在預(yù)測(cè)精度提高了6%以上,能夠?qū)崿F(xiàn)松茸發(fā)酵過程實(shí)時(shí)在線測(cè)量的需求。 

【文章來源】：計(jì)算機(jī)測(cè)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(cè)曲線

計(jì)算機(jī)測(cè)量與控制第２７????????????????????????????????????????????????????·４２·卷性，采用改進(jìn)ＣＳ－ＢＰＮＮ軟測(cè)量方法建立了松茸發(fā)酵過程軟測(cè)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(duì)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(cè)曲線從預(yù)測(cè)結(jié)果擬合程度能夠發(fā)現(xiàn)，改進(jìn)型ＣＳ－ＢＰＮＮ軟測(cè)量模型相比傳統(tǒng)ＢＰＮＮ軟測(cè)量建模，具有更強(qiáng)的預(yù)測(cè)能力。比較兩種軟測(cè)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(jìn)ＣＳ－ＢＰＮＮ模型的預(yù)測(cè)值與實(shí)驗(yàn)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(jìn)ＣＳ－ＢＰＮＮ和傳統(tǒng)ＢＰＮＮ軟測(cè)量模型預(yù)測(cè)輸出的誤差對(duì)比情況。由表能夠輕易發(fā)現(xiàn)，對(duì)于第一批測(cè)試樣本，改進(jìn)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(cè)試樣本，傳統(tǒng)ＢＰＮＮ的表２兩種模型誤差對(duì)比模型測(cè)試樣本ＲＭＳＥ第一批ＢＰＮＮ０．５８１４改進(jìn)ＣＳ－ＢＰＮＮ０．２４７７第二批ＢＰＮＮ０．７１３２改進(jìn)ＣＳ－ＢＰＮＮ０．２９４４

4382V}9量結(jié)奧


本文編號(hào)：3367695