基于RDPSO-RBF的糧食產(chǎn)后儲藏環(huán)節(jié)損耗評估模型

鄭沫利 趙艷軻 陳思露 陳祺東 孫俊

摘要：為使減少糧食儲藏環(huán)節(jié)的損耗，調(diào)查儲藏環(huán)節(jié)中糧食作物的損失情況并進(jìn)行評估預(yù)測。通過分析問卷，統(tǒng)計描述影響損失率的各個因素，應(yīng)用隨機(jī)漂移粒子群優(yōu)化算法（random drift particle swarm optimization，RDPSO）和徑向基函數(shù)（radial basis function，RBF）網(wǎng)絡(luò)對儲藏環(huán)節(jié)損耗進(jìn)行評估預(yù)測，將調(diào)查問卷獲得的數(shù)據(jù)作為RBF模型數(shù)據(jù)集，應(yīng)用RDPSO算法進(jìn)行模型的參數(shù)訓(xùn)練，從而獲得糧食損耗的智能評估模型。采用稻谷數(shù)據(jù)作為各模型的數(shù)據(jù)集，通過仿真試驗，對比數(shù)據(jù)擬合情況和均方誤差，其RDPSO-RBF模型學(xué)習(xí)性能和泛化性能更強(qiáng)。因此，RDPSO-RBF能更好地應(yīng)用于實際的糧食管理中。

關(guān)鍵詞：產(chǎn)后糧食;統(tǒng)計描述分析;RDPSO-RBF模型;儲藏?fù)p耗;評估

中圖分類號： F326.11文獻(xiàn)標(biāo)志碼： A

文章編號：1002-1302（2020）08-0307-05

收稿日期：2019-03-05

基金項目：國家公益性行業(yè)（糧食）科研專項（編號：201513004、201513004-6）。

作者簡介：鄭沫利（1967—），男，廣東陸豐人，教授級高級工程師，主要從事糧食經(jīng)濟(jì)學(xué)研究，E-mail：zhengmoli@sohu.com。共同第一作者：趙艷軻（1987—），女，河南洛陽人，博士研究生，中級工程師，主要從事糧食經(jīng)濟(jì)學(xué)研究，E-mail：zhao_yanke@126.com。

通信作者：孫?俊，博士，教授，主要從事人工智能、機(jī)器學(xué)習(xí)、計算智能和高性能計算研究。E-mail：sunjin_wx@hotmial.com。

糧食是人類最基本的生存物資，是人類生活的第一要求，在國民經(jīng)濟(jì)中占有重要地位。長期以來，我國在保障糧食安全問題上一直較注重產(chǎn)前與產(chǎn)中的管理與投入。然而在糧食產(chǎn)后損失的關(guān)注嚴(yán)重不足，產(chǎn)后大概分為收獲、運輸、干燥、儲藏、加工、銷售和消費等環(huán)節(jié)[1]。而每年糧食的產(chǎn)后損失情況極其嚴(yán)重，儲藏環(huán)節(jié)糧食損失在產(chǎn)后總損失中所占比例較高。若在此環(huán)節(jié)能采取有力的防護(hù)措施，將可有效控制產(chǎn)后儲藏環(huán)節(jié)中糧食的損耗。目前，已有不少的學(xué)者對糧食產(chǎn)后損失展開廣泛的研究。在產(chǎn)后糧食損失方面，主要在儲糧的損耗分析和減損措施。如儲糧技術(shù)和儲糧安全，主要是研究不同因素對儲糧損耗的影響，進(jìn)而采取相關(guān)技術(shù)減損，保證儲糧的質(zhì)量與數(shù)量[2-3]。在儲糧模型構(gòu)造方面，主要是依據(jù)機(jī)器學(xué)習(xí)或優(yōu)化算法對儲糧害蟲進(jìn)行研究[4-6]。鮮有對糧食產(chǎn)后儲藏環(huán)節(jié)的損失率預(yù)測的分析研究。

鑒于此，本研究調(diào)查了稻谷、大米、小麥、玉米、大豆5大糧食作物，通過問卷的形式記錄了10個省份的產(chǎn)后糧食損失率和損失因素。為了解損失因素和其損失率的關(guān)系，將問卷進(jìn)行變量處理和統(tǒng)計分析，并將各品種糧食作物生成變量相同的數(shù)據(jù)集。然后采用人工智能的方法，研究損失數(shù)據(jù)的因素對在儲藏環(huán)節(jié)產(chǎn)后糧食損失率的影響，提出了基于RDPSO（random drift particle swarm optimization）-RBF（radial basis function）損失預(yù)測模型。RBF神經(jīng)網(wǎng)絡(luò)能很好地逼近非線性數(shù)據(jù)，真實地反映輸入、輸出變量間的內(nèi)在聯(lián)系，在眾多神經(jīng)網(wǎng)絡(luò)中RBF逼近能力比較突出。但直接采用RBF作為損失率預(yù)測模型，其初始隨機(jī)參數(shù)很難確定最優(yōu)值，導(dǎo)致預(yù)測結(jié)果隨機(jī)化。而RDPSO是一種全局優(yōu)化算法，在搜索能力、收斂速度以及高維問題上表現(xiàn)突出。因此，用RDPSO優(yōu)化RBF網(wǎng)絡(luò)中參數(shù)，以之克服RBF網(wǎng)絡(luò)預(yù)測結(jié)果的隨機(jī)性，可使預(yù)測值更接近實際值。在實際儲糧中，可以根據(jù)該預(yù)測值，判斷是否需要采取措施來改善某些因素的影響，以達(dá)到減少糧食損耗的目的。

1?產(chǎn)后糧食儲藏環(huán)節(jié)調(diào)查研究

1.1?產(chǎn)后糧食儲藏環(huán)節(jié)損失率調(diào)查概況

以儲藏環(huán)節(jié)的產(chǎn)后糧食作物稻谷、大米、小麥、玉米、大豆這5類品種作為調(diào)查主體。本研究根據(jù)全國糧食種植分布數(shù)據(jù)，抽取了青海、湖南、重慶、江西、福建、江蘇、安徽、黑龍江、貴州、遼寧10個省份的數(shù)據(jù)，分別對這5類作物產(chǎn)后糧食的損失率情況進(jìn)行專項調(diào)研。此外，在每個地區(qū)的抽樣中選出幾個市（區(qū)），對該抽樣出的市（區(qū)）儲糧企業(yè)單位進(jìn)行訪問。為了使問卷真實、有效，通過與該企業(yè)代表人“一對一”訪談并當(dāng)場答卷的方式進(jìn)行調(diào)查，并由調(diào)查人員填寫問卷。最后，調(diào)查得到有效的關(guān)于產(chǎn)后糧食在儲藏環(huán)節(jié)損失率的問卷324份。其中，調(diào)查稻谷的樣本問卷占總問卷的36.7%，其次是玉米、小麥分別占29.3%、27.2%，最后大豆和大米占 4.3% 和2.5%。因此，本研究選擇稻谷作為代表糧食，分析影響其損失率的特征變量。

1.2?糧食產(chǎn)后儲藏環(huán)節(jié)特征描述

在此次問卷中，該產(chǎn)后糧食損失率是對產(chǎn)后糧食總損失率的描述，即為產(chǎn)后糧食在儲藏環(huán)節(jié)中的進(jìn)倉損失率、出倉損失率、蟲害損失率、鼠害損失率、霉變損失率、其他損失率的總和。而影響這些損失率的因素包含了受訪者、受訪企業(yè)的信息，產(chǎn)后糧食儲藏的情況（年份、儲藏品種、儲藏時間、倉型、儲藏量、儲藏形式）、進(jìn)倉損失信息（進(jìn)倉工藝、進(jìn)倉總量）、出倉損失（出倉工藝、出倉總量）等。從表1可以看出，糧食產(chǎn)后的儲藏條件并不是很理想，其中儲糧生態(tài)區(qū)域有60.7%為中溫高濕儲糧區(qū);儲糧技術(shù)有59.4%是尚未應(yīng)用“四合一”技術(shù)的常規(guī)儲藏;儲藏形式采用散裝的占95.0%。同時，除了儲藏倉型（使用平方倉的比例為90.9%），其他特征所占比例分布相對較均勻。

2?RDPSO-RBF模型

2.1?RBF神經(jīng)網(wǎng)絡(luò)簡介

RBF神經(jīng)網(wǎng)絡(luò)是一種前饋神經(jīng)網(wǎng)絡(luò)[7]。一般最基本的RBF神經(jīng)網(wǎng)絡(luò)由輸入層、隱含層、輸出層構(gòu)成3層網(wǎng)絡(luò)結(jié)構(gòu)，其公式如下：

Y=f（x）=∑Kk=1αkφk（x）。（1）

式中：αk是第k個隱含層節(jié)點到輸出層的連接權(quán)值，φk（x）是第k個隱含層結(jié)點的輸出值，其定義如下：

φk（x）=exp-‖x-μk‖2σ2k。（2）

式中：μk和σ2k分別代表了第k個隱含層結(jié)點的中心向量和擴(kuò)展常數(shù)。

2.2?RDPSO算法簡介

隨機(jī)漂移粒子群（RDPSO）算法是基于PSO對于受到自由電子運動軌跡分析的啟發(fā)而提出的[8-9]。當(dāng)金屬導(dǎo)體在外電場時，其導(dǎo)體內(nèi)的自由電子會發(fā)生定向漂移，同時還存在無規(guī)則的隨機(jī)熱運動，這2種運動的結(jié)合可以使整體的勢能逐漸變小。因此，電子的運動過程類似于優(yōu)化問題中的求解最優(yōu)解使得目標(biāo)函數(shù)值最小化。在RDPSO算法中，第t+1次的第i個粒子在j維的定向速度和隨機(jī)熱運動速度分別為Vdt+1i，j、Vrt+1i，j，因此第t+1次粒子速度為：

Vt+1i，j=Vdt+1i，j+Vrt+1i，j。（3）

根據(jù)PSO算法中粒子趨向局部位置的學(xué)習(xí)機(jī)理，定向漂移速度Vdt+1i，j的定義如下：

Vdt+1i，j=c1·rti，j·（Pti，j-Xti，j）+c2·Rti，j·（Gtj-Xti，j）。（4）

式中：c1和c2為常數(shù);rti，j和Rti，j是在（0，1）區(qū)間內(nèi)均勻分布的隨機(jī)數(shù)，Pti，j是個體粒子最優(yōu)值，Gtj是其所有粒子中最優(yōu)值。而式（4）可以等價為

Vdti，j=β·（pti，j-Xti，j）;（5）

β=c1·rti，j+c2·Rti，j;（6）

pti，j=c1·rti，j·Pti，j+c2·Rti，j·Gtjc1·rti，j+c2·Rti，j。（7）

式中：β為漂移系數(shù);pti，j為吸引子。

假設(shè)RDPSO中的粒子的無規(guī)則隨機(jī)熱運動速度Vrt+1i，j服從雙指數(shù)分布，通過蒙特卡洛法得到其表達(dá)式如下：

Vrt+1i，j=δti，j·φti，j。（8）

式中：φti，j為高斯分布函數(shù);δti，j是高斯分布的標(biāo)準(zhǔn)差，定義為

δti，j=α·|Mti，j-Xti，j|。（9）

α為熱敏系數(shù);Mti，j為當(dāng)前種群中所有粒子個體的歷史最優(yōu)位置平均值，即

Mti，j=1N∑Ni=1Pti，j。（10）

因此，式（8）可以改寫為：

Vrt+1=α·|Mti，j-Xti，j|·φti，j。（11）

綜上，RDPSO算法中粒子速度和位置的更新公式為：

Vti，j=β·（pti，j-Xti，j）+α|Mti，j|-Xti，j·φti，j;（12）

Xti，j=Xti，j+Vt+1i，j。（13）

2.3?RDPSO-RBF模型

2.3.1?RBF神經(jīng)網(wǎng)絡(luò)模型確定

通過調(diào)查得到的問卷，在SPSS中進(jìn)行分析。樣本在變量處理后得到51個特征變量。由于某些糧食品種樣本數(shù)量相對較少，特征數(shù)量過多，在試驗中其誤差結(jié)果并不理想。通過相關(guān)性分析，得到其中8個相關(guān)性最高的變量，作為實驗室數(shù)據(jù)樣本輸入變量，而產(chǎn)后總損失率作為樣本輸出。因此，RBF神經(jīng)網(wǎng)絡(luò)的輸入層結(jié)點個數(shù)為8，輸出結(jié)點1個。隱含層通過利用對手受罰的競爭學(xué)習(xí)算法確定為8。綜上所述，該RBF神經(jīng)網(wǎng)絡(luò)模型結(jié)構(gòu)為8-8-1。

2.3.2?RDPSO算法目標(biāo)函數(shù)

采用均方誤差作為RDPSO算法的目標(biāo)函數(shù)，評價粒子群中所有個體，從中尋找最佳個體來判斷是否更新粒子的Pti和Gt。

2.3.3?RDPSO-RBF算法步驟

步驟1：通過上述描述的思想，構(gòu)建RBF網(wǎng)絡(luò)，同時給定輸入與輸出樣本集。

步驟2：將RBF神經(jīng)網(wǎng)絡(luò)中的隱含層中心、擴(kuò)展系數(shù)和權(quán)值編碼成實數(shù)串代表粒子個體，同時隨機(jī)產(chǎn)生規(guī)模為S的粒子群并初始化其位置和速度。

步驟3：解碼得到每個粒子個體串，映射到RBF網(wǎng)絡(luò)的不同參數(shù)，同時將N組訓(xùn)練樣本輸入到RBF網(wǎng)絡(luò)中，得到相應(yīng)的輸出，計算優(yōu)化算法的目標(biāo)函數(shù)。

步驟4：計算漂移系數(shù)β，根據(jù)式（10）計算群體平均最優(yōu)位置。

步驟5：對每個粒子按照式（12）和（13）進(jìn)行速度和位置的更新。

步驟6：更新得到全局最優(yōu)值Gtj和粒子局部最優(yōu)位置Ptj。

步驟7：判斷全局最優(yōu)值是否滿足RDPSO算法中的結(jié)束條件，即算法給定預(yù)定值或迭代條件。如果滿足條件，轉(zhuǎn)入步驟8，否則轉(zhuǎn)入步驟3。

步驟8：算法結(jié)束。

3?結(jié)果與分析

基于上述思路在MATLAB2015a中編程，創(chuàng)建RDPSO-RBF網(wǎng)絡(luò)模型，采用的計算機(jī)配置為：Intel CoreTM i7-6500U CPU @2.5 GHz，8 G內(nèi)存。這里采用產(chǎn)后糧食作物稻谷作為試驗數(shù)據(jù)集，將207組樣本數(shù)據(jù)隨機(jī)分成2份，前160組作為網(wǎng)絡(luò)的訓(xùn)練數(shù)據(jù)，后47組作為測試樣本。基于上述描述，通過降維后的變量（這里利用相關(guān)性，如：企業(yè)所屬生態(tài)區(qū)域、儲藏量、進(jìn)倉總量、出倉總量、進(jìn)倉形式是散糧散裝進(jìn)倉、出倉形式是包糧拆包出倉等）作為模型網(wǎng)絡(luò)的輸入，其產(chǎn)后糧食總損失率作為輸出。

首先，通過訓(xùn)練樣本訓(xùn)練出預(yù)測模型，并根據(jù)學(xué)習(xí)得到的模型輸出的訓(xùn)練樣本的預(yù)測值與訓(xùn)練樣本實際值作比較。為了突出RDPSO-RBF模型預(yù)測產(chǎn)后總損失率的效果，將設(shè)計線性回歸模型、RBF模型進(jìn)行試驗效果的比較。從圖1可以看出，線性回歸模型在訓(xùn)練樣本的擬合情況相當(dāng)差，說明了該數(shù)據(jù)集并非線性的，線性模型在這里不適用于糧食的產(chǎn)后損失數(shù)據(jù)。而非線性的RBF神經(jīng)網(wǎng)絡(luò)和RDPSO-RBF網(wǎng)絡(luò)，卻能較好地擬合。

通過圖1得知，RBF神經(jīng)網(wǎng)絡(luò)算法和RDPSO-RBF算法通過訓(xùn)練樣本學(xué)習(xí)到模型，其模型對訓(xùn)練樣本有精準(zhǔn)的預(yù)測輸出。因此，為了檢驗?zāi)Ｐ偷姆夯阅?，圖2呈現(xiàn)了在測試集上的擬合情況，可以看出基于RDPSO-RBF模型能更好地預(yù)測損失率，其泛化性能比基于RBF神經(jīng)網(wǎng)絡(luò)模型的更好，其RBF模型有過擬合現(xiàn)象。

根據(jù)表3的2種算法模型的均方誤差的數(shù)據(jù)可知RDPSO-RBF模型學(xué)習(xí)能力與泛化能力的優(yōu)越性，能更好地預(yù)測糧食產(chǎn)后損失率。

4?結(jié)論

研究儲藏環(huán)節(jié)糧食損失因素、預(yù)測糧食損失率，以期為糧食在儲藏環(huán)節(jié)損失量提供參考值。為此，本研究基于對糧食產(chǎn)后損失率情況的調(diào)查，描述影響損失因素的特征。為精準(zhǔn)地預(yù)測糧食產(chǎn)后儲藏環(huán)節(jié)損失率，建立了RDPSO-RBF網(wǎng)絡(luò)模型。通過試驗對比，RDPSO優(yōu)化后的RBF神經(jīng)網(wǎng)絡(luò)能更好地對損失率作出準(zhǔn)確預(yù)測，具有更強(qiáng)的泛化性能，在實際場景中預(yù)測損失率的值更加準(zhǔn)確。

參考文獻(xiàn)：

[1]高利偉，許世衛(wèi)，李哲敏，等. 中國主要糧食作物產(chǎn)后損失特征及減損潛力研究[J]. 農(nóng)業(yè)工程學(xué)報，2016，32（23）：1-11.

[2]張歡歡，唐浩林，葉?？?，等. 糧食儲存損耗的原因分析及對策[J]. 糧食加工，2015，40（3）：69-72.

[3]張?彩. 散裝糧食平房倉外圍護(hù)體系研究[D]. 鄭州：河南工業(yè)大學(xué)，2015.

[4]胡麗華，郭?敏，張景虎，等. 儲糧害蟲檢測新技術(shù)及應(yīng)用現(xiàn)狀[J]. 農(nóng)業(yè)工程學(xué)報，2007，23（11）：286-290.

[5]Shen Y F，Zhou H L，Li J T，et al. Detection of stored-grain insects using deep learning[J]. Computers & Electronics in Agriculture，2018，145：319-325.

[6]郭?敏，張明真. 基于GMM和聚類方法的儲糧害蟲聲信號識別研究[J]. 南京農(nóng)業(yè)大學(xué)學(xué)報，2012，35（6）：44-48.

[7]Chen S，Cowan C F N，Grant P M，et al. Orthogonal least squares learning algorithm for radial basis function networks[J]. IEEE Transactions on Neural Networks，1991，2（2）：302-309.

[8]Sun J，Wu X，Palade V，et al. Random drift particle swarm optimization algorithm：convergence analysis and parameter selection[J]. Machine Learning，2015，101（1/2/3）：345-376.

[9]Kennedy J，Eberhart R. Particle swarm optimization：Proceedings of ICNN95-International Conference on Neural Networks[C]. Perth：IEEE，2002，1942-1948.

[10]張?鈴，張?鈸. 人工神經(jīng)網(wǎng)絡(luò)理論及應(yīng)用[M]. 杭州：浙江科學(xué)技術(shù)出版社，1997.