基于BP神經(jīng)網(wǎng)絡(luò)的倉儲煙草霉變預(yù)測

張利華，馬鈞釗，勒國慶，戴熙昌

（華東交通大學(xué)電氣與電子工程學(xué)院，江西南昌 330013）

我國是煙草大國，煙草防霉變的研究具有重要的經(jīng)濟價值和應(yīng)用意義。導(dǎo)致煙草霉變的因素有很多，其中主要的影響因素是其存儲環(huán)境的溫度、濕度以及煙草的自身含水量［1］。但是由于在不同的地域、不同的煙草種類、所含菌類別及數(shù)量的不同等等，上述因素造就了煙草霉變過程的非線性和不確定性。煙草防霉變的關(guān)鍵在于預(yù)測煙草霉變程度，實時監(jiān)測煙草存儲環(huán)境的變化，并構(gòu)建出適合煙草存儲的環(huán)境。其中，煙草霉變預(yù)測是基礎(chǔ)。電子鼻傳感器陣列常用于糧食霉變［2］、山核桃陳化［3］的檢測，取得了一定效果，但是電子鼻傳感器陣列檢測需要嚴(yán)格的檢測條件如配備檢測樣本培育箱并密閉數(shù)小時［2］，不能實現(xiàn)大范圍實時的監(jiān)測。文獻(xiàn)［4］給出了基于機器視覺和神經(jīng)網(wǎng)絡(luò)的花生仁霉變識別方法，但提取包裝完好的成品煙的圖像存在困難。目前煙草霉變預(yù)測尚沒有有效的方法。

BP神經(jīng)網(wǎng)絡(luò)具有自組織、自學(xué)習(xí)、聯(lián)想、容錯、抗干擾、非線性動態(tài)處理等特征，可揭示出樣本中的非線性關(guān)系，可解決因變量和多個自變量之間的非線性精確預(yù)測［5］，已經(jīng)在廣泛的領(lǐng)域得到了應(yīng)用［6］，并取得了理想的效果。煙草霉變過程的非線性和不確定性為建立較為完善的理論模型和借助于某種解析式來進(jìn)行煙草霉變預(yù)測增加了復(fù)雜度。而BP神經(jīng)網(wǎng)絡(luò)是一種高度自適應(yīng)的非線性系統(tǒng)，通過BP神經(jīng)網(wǎng)絡(luò)的訓(xùn)練可得輸入與輸出之間的高度非線性映射。因此，可將影響煙草霉變的各個因素與其霉變情況之間的關(guān)系看成是某種未知的函數(shù)關(guān)系，進(jìn)而通過訓(xùn)練好的BP神經(jīng)網(wǎng)絡(luò)來預(yù)測煙草霉變情況。

本文利用溫濕度傳感器實際監(jiān)測獲得的數(shù)據(jù)，建立了BP神經(jīng)網(wǎng)絡(luò)煙草霉變預(yù)測模型，并在基于嵌入式ARM+Linux+Web的某公司煙草倉庫智能監(jiān)測系統(tǒng)中，實現(xiàn)了煙草霉變預(yù)測功能。

1 煙草霉變BP神經(jīng)網(wǎng)絡(luò)預(yù)測模型結(jié)構(gòu)

由于存儲環(huán)境的溫度、濕度能直接影響煙草霉變情況［7］，煙草的含水量直接關(guān)系到煙草霉變發(fā)生的時間和發(fā)展的速度［8］，因此，選取溫度、濕度和煙草自身含水量作為BP神經(jīng)網(wǎng)絡(luò)的輸入變量，即輸入層的節(jié)點數(shù)為3。選取霉變率為BP神經(jīng)網(wǎng)絡(luò)的輸出變量，即輸出層節(jié)點數(shù)為1。其中，霉變率為在一定的溫度、濕度和自身含水量情況下，經(jīng)過一個周期（30 d），煙草霉菌分布占總表面積的比例［7］。同時，給定霉變度標(biāo)準(zhǔn)如下：霉變率在［0，0.01］區(qū)間內(nèi)，則霉變度為無霉變；霉變率在（0.01，0.1］區(qū)間內(nèi)，則霉變度為輕度霉變；霉變率在（0.1，0.2］區(qū)間內(nèi)，則霉變度為中度霉變；霉變率在（0.2，1］區(qū)間內(nèi)，則霉變度為重度霉變。因此，BP神經(jīng)網(wǎng)絡(luò)的結(jié)構(gòu)為3-x-1，如圖1所示。

通常當(dāng)BP神經(jīng)網(wǎng)絡(luò)的輸入層有m個神經(jīng)元，輸出層有n個神經(jīng)元，隱層有s個節(jié)點，則

其中：a為1～9的整數(shù)。本模型中m=3，n=1，則s為3～11的整數(shù)。

2 煙草霉變BP神經(jīng)網(wǎng)絡(luò)預(yù)測模型參數(shù)

圖1 BP神經(jīng)網(wǎng)絡(luò)煙草霉變預(yù)測模型Fig.1 Tobaccom ildew predictionmodel based on BPneuralnetwork

2.1 樣本歸一化

為了訓(xùn)練和測試建立的BP神經(jīng)網(wǎng)絡(luò)預(yù)測模型，從實際監(jiān)測的數(shù)據(jù)中共收集了從2004年4月至2011年4月的92個樣本模型，即每個月的倉儲情況作為一個樣本。將這些模型分為兩部分，一部分為78組訓(xùn)練樣本，一部分為14組測試樣本。然后將變量都?xì)w一化到［0，1］區(qū)間中，歸一化的公式：

其中：R為歸一化之后的煙草霉變預(yù)測結(jié)果；x為未經(jīng)過歸一化的煙草霉變預(yù)測結(jié)果；Xmax和Xmin分別為霉變結(jié)果的最大值和最小值。表1給出了從92組樣本中隨機選出的14組預(yù)測樣本的歸一化數(shù)據(jù)，其他78組作為為訓(xùn)練樣本。

2.2 網(wǎng)絡(luò)訓(xùn)練

神經(jīng)網(wǎng)絡(luò)的學(xué)習(xí)，主要通過樣本的反復(fù)訓(xùn)練來實現(xiàn)。本文利用MATLAB的BP神經(jīng)網(wǎng)絡(luò)工具箱，用標(biāo)準(zhǔn)BP神經(jīng)網(wǎng)絡(luò)算法對網(wǎng)絡(luò)進(jìn)行訓(xùn)練。設(shè)定目標(biāo)誤差為0.007，最大循環(huán)次數(shù)為1 000。選取隱含層神經(jīng)元的傳遞函數(shù)選S型正切函數(shù)tansig，輸出層神經(jīng)元的傳遞函數(shù)選S型對數(shù)函數(shù)logsig，選取traingdx函數(shù)為訓(xùn)練函數(shù)。隱含層節(jié)點為7時，神經(jīng)網(wǎng)絡(luò)訓(xùn)練結(jié)果如圖2所示。

圖2 BP神經(jīng)網(wǎng)絡(luò)訓(xùn)練結(jié)果Fig.2 Training resultof BPneuralnetwork

表1 不同隱含層節(jié)點數(shù)的預(yù)測誤差Tab.1 Prediction errorsof differenthidden layer nodes

2.3 網(wǎng)絡(luò)參數(shù)

以煙草倉庫的溫度、濕度以及自身含水量作為網(wǎng)絡(luò)輸入，利用14組測試樣本，由網(wǎng)絡(luò)計算出煙草霉變率的預(yù)測值，并得到隱含層的節(jié)點數(shù)從3到11的預(yù)測值?？梢杂嬎愠霾煌碾[含層節(jié)點時模型的預(yù)測值和實際值的誤差，不同隱含層節(jié)點數(shù)的預(yù)測誤差對比如表1所示。

根據(jù)誤差對比，隱含層節(jié)點數(shù)為7時，預(yù)測效果較好，故確定BP神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)為3-7-1。

3 模型預(yù)測精度檢驗

3.1 預(yù)測結(jié)果

為了驗證建立的預(yù)測模型，利用14組測試樣本對網(wǎng)絡(luò)模型進(jìn)行了測試，并將其與實際值進(jìn)行了對比，如圖3所示。

測試樣本預(yù)測結(jié)果如表2所示。由表2可知，網(wǎng)絡(luò)的預(yù)測值和實際值的偏差在［-0.028，0.033］之間，相對誤差絕對值的平均值為0.001 9。由上述結(jié)果分析可知，網(wǎng)絡(luò)的預(yù)測精度可控制在5%以內(nèi)，滿足其工程應(yīng)用需求。而且，隨著BP神經(jīng)網(wǎng)絡(luò)訓(xùn)練樣本的增多，網(wǎng)絡(luò)的預(yù)測精度還可以進(jìn)一步提高。

圖3 預(yù)測值與實際值曲線圖Fig.3 Predictive valueand theactualvalue

表2 測試樣本預(yù)測結(jié)果Tab.2 Prediction resultsw ith test samp les

3.2 預(yù)測結(jié)果回歸分析

借助工具箱函數(shù)corrcoef，對輸出結(jié)果進(jìn)行回歸分析。線性回歸分析結(jié)果：

式中：A為預(yù)測值；T為實際值；R為相關(guān)系數(shù)。

由式（3）可知，BP神經(jīng)網(wǎng)絡(luò)的預(yù)測結(jié)果和實際結(jié)果的相關(guān)性很好，相關(guān)系數(shù)達(dá)到了0.975 8。這說明建立的BP網(wǎng)絡(luò)泛化能力較好，具有比較高的工程實用價值。

4 煙草霉變預(yù)測模型的應(yīng)用

在某公司的煙草倉庫智能監(jiān)測系統(tǒng)中，實現(xiàn)了基于BP神經(jīng)網(wǎng)絡(luò)的煙草霉變預(yù)測模型。該系統(tǒng)具有溫濕度監(jiān)測、視頻監(jiān)控、煙草霉變預(yù)測和環(huán)境自動控制功能。該系統(tǒng)以基于ARM體系結(jié)構(gòu)的處理器S3C2410作為系統(tǒng)的硬件平臺，使用符合系統(tǒng)本身要求的經(jīng)過裁剪的Linux系統(tǒng)作為系統(tǒng)的軟件平臺。系統(tǒng)硬件由上位機和下位機構(gòu)成。上位機以PC機為平臺，用于接收、顯示并處理監(jiān)測信息，然后發(fā)出進(jìn)一步控制的命令。下位機采集并發(fā)送數(shù)據(jù)信息，并執(zhí)行控制命令，包括S3C2410芯片、數(shù)據(jù)采集模塊、傳感器、攝像頭等。系統(tǒng)結(jié)構(gòu)示意如圖4所示。系統(tǒng)的軟件平臺是Linux系統(tǒng)，并在其基礎(chǔ)上移植了管理Web的Boa服務(wù)器以及視頻服務(wù)器m jpg-streamer，用C語言和HTML語言編寫系統(tǒng)應(yīng)用程序，來實現(xiàn)系統(tǒng)功能。系統(tǒng)軟件主要可分為7個模塊，分別為：注冊、登錄模塊，視頻監(jiān)控模塊，實時溫濕度監(jiān)測模塊，溫濕度曲線監(jiān)測模塊，霉變預(yù)測模塊，溫濕度自動控制模塊，告警模塊。其中，煙草霉變預(yù)測模塊流程由BP神經(jīng)網(wǎng)絡(luò)構(gòu)建、BP神經(jīng)網(wǎng)絡(luò)訓(xùn)練、BP神經(jīng)網(wǎng)絡(luò)預(yù)測組成，如圖5所示。系統(tǒng)通過溫濕度傳感器采集溫濕度值，并將其存在外存的數(shù)據(jù)庫中，自身含水量通過WEB輸入。該系統(tǒng)經(jīng)過一段時間的試運行，取得了較為滿意的效果。

圖4 智能監(jiān)控系統(tǒng)結(jié)構(gòu)Fig.4 Intelligentmonitoring system

5 結(jié)束語

圖5 煙草霉變預(yù)測模塊流程Fig.5 Flow chartof tobaccom ildew predictionm odule

本文利用BP神經(jīng)網(wǎng)絡(luò)建立了煙草霉變的預(yù)測模型，BP神經(jīng)網(wǎng)絡(luò)預(yù)測模型的結(jié)構(gòu)為3-7-1，網(wǎng)絡(luò)的輸入為溫度、濕度和自身含水量，輸出為霉變率。經(jīng)過網(wǎng)絡(luò)精度檢驗和線性回歸分析，建立的模型有較好的預(yù)測效果。該模型最終在基于嵌入式ARM+Linux+Web的某公司煙草倉庫智能監(jiān)測系統(tǒng)得以實現(xiàn)，實現(xiàn)了煙草霉變的在線和實時監(jiān)測，取得了較好的應(yīng)用效果，表明基于BP神經(jīng)網(wǎng)絡(luò)的煙草霉變預(yù)測模型具有一定的工程應(yīng)用價值。

［1］孔凡玉，林建勝.儲煙霉變機理與防霉技術(shù)研究進(jìn)展［J］.中國煙草學(xué)報，2009，5（15）：78-81.

［2］張紅梅，王俊，葉盛，等.電子鼻傳感器陣列優(yōu)化與谷物霉變程度的檢測［J］.傳感技術(shù)學(xué)報，2007，20（6）：1207-1210.

［3］龐林江，王俊，王允祥，等.基于電子鼻的山核桃陳化時間檢測［J］.傳感技術(shù)學(xué)報，2011，26（4）：928-933.

［4］周竹，李小星，李培武，等.基于GA-LSSVM和近紅外傅里葉變換的霉變板栗識別［J］.農(nóng)業(yè)工程學(xué)報，2011，27（3）：331-335.

［5］ GANG PING TAN，DENG FENGWANG，QIAN LI.Vehicle interior sound quality prediction based on back propagation neuralnetwork［J］.Procedia Environmental Sciences，2011，11（A）：471-477.

［6］王野平，陳文倩，江華榮.基于BP算法的中密度纖維板熱壓機壓力控制研究［J］.華東交通大學(xué)學(xué)報，2012，29（4）：29-34.

［7］張成省，王海濱.倉儲片煙霉變的影響因素分析［J］.中國煙草科學(xué)，2011，32（3）：80-83.

［8］劉強，朱列書.不同溫濕度對片煙自然醇化過程中主要化學(xué)成分的影響［J］.湖南農(nóng)業(yè)科學(xué)，2012（15）：99-102.