基于BP神經網絡的棉花回潮率預測模型研究

王婷婷，張學東

(塔里木大學信息工程學院，新疆 阿拉爾 843300)

1 引言

棉花是中國重要的經濟作物之一，在經濟發(fā)展中占據重要地位。棉花回潮率是指棉花中所含水分的重量與干燥棉花纖維重量的百分比，水分所占比例越高，棉花回潮率就越高?；爻甭适敲揶r進行棉花貿易時的重要依據，也是存儲時的一項重要的數據指標，然而現(xiàn)存設備存在檢測的數據不準確或者設備價格高昂等問題。因此，研究一套價格便宜且數值精確的回潮率檢測設備是我國現(xiàn)代棉花行業(yè)急需解決的問題。

我國棉花回潮率檢測方法分為直接法和間接法兩種類型。直接法根據回潮率的定義，用烘箱得到干燥的棉花纖維，根據重量進行計算得出回潮率數值；間接法又分為微波式、紅外式、CCD式、電容式和電阻式等。其中較為常見的是電阻式檢測方法，烏斯特公司的Intelligin產品利用電阻式檢測原理實現(xiàn)棉花回潮率的在線檢測，該系統(tǒng)在設計時，需要將溫度補償、外加電壓等誤差因素考慮進去，增加了系統(tǒng)的復雜性和成本。安少元等研究了YZ-1型智能在線檢測系統(tǒng)，實現(xiàn)棉花在加工生產線上的回潮率的檢測，該系統(tǒng)不適用于棉花交易收儲時使用。李懷珍等基于微波相位法測定皮棉回潮率，有利于提高回潮率檢測時的效率，但是設備的成本較高。院志霞等通過微波法建立微波衰減和籽棉整體回潮的對應關系，為籽棉回潮率驗收提供了一種新的方法，同樣設備成本高。

本文提出一種基于BP神經網絡的方法得出回潮率數據，該方法需要先通過硬件檢測出籽棉樣本的溫度、濕度以及電阻值的數據，建立BP神經網絡預測模型，利用該模型對籽棉回潮率的數值進行預測。夏春江等提出了一種基于深度信念網絡的木材含水率預測模型，通過該模型得出的預測值與實際值之間的均方根誤差小，預測精度較高，通過該神經網絡預測模型可知，將深度學習算法應用到回潮率預測方面是有效可行的。

神經網絡是模擬人腦智能化處理過程的一種技術，是處理非線性問題的較好方法，具有處理任意復雜的模式分類能力和優(yōu)良的多維函數映射能力。盡管存在樣本量需求較高等困難，但目前尚無研究表明樣本量與精確度之間存在對應關系。在樣本量較少的情況下，設置合適的參數也可以最大限度的突出其優(yōu)點，BP神經網絡也是該方法較成熟的表現(xiàn)形式。因此本文選用BP神經網絡對籽棉回潮率的數值進行預測，為南疆當地的棉農提供一個準確率較高、成本低的回潮率檢測設備，從而促進棉花產業(yè)的健康發(fā)展。

2 BP神經網絡的基本內容

BP(Back Propagation)神經網絡是人工神經網絡的分類中的多層前饋型神經網絡。BP神經網絡的主要特征為傳遞信號向前傳播，而誤差向后傳播。在前向傳遞中，輸入信號從輸入層經隱含層逐層處理，直至輸出層。如果輸出層得不到想要的輸出，則進行逆向傳播，根據預測誤差調整網絡的權值和閥值，從而使BP神經網絡預測輸出不斷的逼近期望輸出，BP神經網絡的拓撲結構如圖1所示。

圖1 三層BP神經網絡拓撲

2.1 信息正向傳播過程

BP神經網絡信息傳播過程和生物體的突觸結構類似，樣本從輸入層輸入后，經過每個隱含層計算后輸出，上一層中輸出的數值加權值后再求和，就作為下一層的輸入，每層都需要進行計算直到輸出為止。

設

W

是兩層之間的兩個節(jié)點

i

、

j

之間的權值，

b

是節(jié)點

j

的閾值，每個節(jié)點都會有一個輸出值為

x

，輸出值

x

與上層每一個結點的輸出值，當前層與上一層之間的權值和閾值，以及激活函數有關。其計算公式如下

(1)

X

=

f

(

S

)

(2)

g

(

z

)=max(0，

z

)

(3)

其中

f

為激活函數，常用的就是sigmoid函數、tanh激活函數、Relu以及帶泄露的Relu函數，本文選用的是Relu激活函數，計算公式如式(3)、函數圖像如圖2所示：

圖2 Relu函數圖像

2.2 信息逆向傳播過程

當輸出的結果與期望值不符時，進入逆向傳播過程，主要工作是反復修正權值和閾值，使誤差函數達到最小。假設輸出層的結果都為

d

，

y

為理想輸出，誤差函數式如(4)所示

(4)

根據梯度下降法，對于隱含層和輸出層權值和閾值更新公式如式(5)、(6)所示

(5)

(6)

同樣，隱含層與輸入層也適用此公式，式中字母代表含義同上，

η

為學習率。

3 基于BP神經網絡的棉花回潮率預測模型

要想創(chuàng)建一個好的神經網絡模型用于預測，網絡結構設計非常重要。BP神經網絡建立模型的思路是：確定輸入輸出端，選擇合適的網絡層數以及隱含層的神經元個數，選取初始權值，確定學習速率，利用合適的激活函數訓練模型，使誤差減小達到理想值。

本文采用南疆棉花測得的數值為樣本，構建基于BP神經網絡的棉花回潮率預測模型，如圖3所示。

圖3 基于BP神經網絡的棉花回潮率預測模型圖

3.1 影響因素確定

通過文獻調研的方式對棉花回潮率影響因素進行詳細的研究，倪玉婷等做了溫濕度對棉花回潮率測定的影響，實驗結果明確指出棉纖維與其水分含量與溫濕度之間具有相關關系，水分含量可間接用電阻值表示出來。何啟平做了棉花加工回潮率對棉纖維長度影響的實驗，該實驗分為兩個車間對比進行，實驗表明手采棉和機采棉的平均回潮率有一定的差距，同時回潮率的高低對棉纖維長度影響較大。所以本文選取了如表1所示的溫度、濕度、電阻值、長絨棉細絨棉、手采棉機采棉五項因素作為影響回潮率數據的變量。

表1 變量說明表

3.2 數據歸一化處理

樣本選用2020年測得籽棉的550組數據做為網絡訓練數據，50組數據為測試組數據對其訓練，部分數據截取如表2所示。籽棉回潮率的預測因子包括溫濕度電阻值等，這三項的預測因子的物理意義和數量等級均有所差異，所以對原始的數據進行歸一化處理，處理后的數據介于[0，1]之間，更有利于使用梯度下降法訓練網絡。機采棉

/

手采棉和長絨棉

/

短絨棉這兩項參數直接可以用0

/

1輸出，在本文中機采棉和長絨棉定義為1，手采棉和短絨棉定義為0。

表2 部分實驗數據截取

數據歸一化處理有兩種方法，最大最小法和平均數方差法，本文采用最大最小法來處理數據，公式如下

(7)

x

為處理之后的數據，

x

為原始數據，

x

為樣本最大值，

x

為樣本最小值。樣本訓練時采用的是處理后的數據，后期輸出的預測值也需要對其進行轉化。

3.3 訓練網絡

本文利用Tensorflow深度學習框架訓練網絡，它支持Python語言，并且內置了全面的神經網絡各種算法，具有很好的擴展性。Tensorflow中的Tensor的含義就是“張量”，用數組和矩陣來表示，訓練網絡的基本流程和結構如圖4所示。

圖4 網絡訓練基本流程圖

構造的神經網絡模型可以通過Tensorflow中自帶的可視化工具Tensorboard查看，構造好的BP神經網絡模型如圖5所示：

該模型輸入層包含 5個節(jié)點，分別對應5個影響因素，隱藏層 3 個節(jié)點，輸出層一個節(jié)點，對應預測值籽棉回潮率數值?？紤]到輸入特征與結果存在較為明顯的規(guī)律，故使用網絡層數較少。這樣在保證準確率的前提下，有效減少訓練以及預測的耗時，同時防止出現(xiàn)過擬合現(xiàn)象。

表3 參數設置表

圖5 BP神經網絡模型圖

4 模型檢驗與優(yōu)化

4.1 檢驗

利用得到的訓練模型在測試集中使用，其均方誤差均MSE符合要求。如圖6均方根誤差圖所示，模型未出現(xiàn)過擬合現(xiàn)象，且訓練、測試中MSE都很小，能達到精度的要求，梯度也是穩(wěn)步下降的，可用于實際生成環(huán)境中。

圖6 均方誤差圖

4.2 優(yōu)化

BP神經網絡中的參數設置，都會對預測結果產生一定的影響。目前對于模型訓練時參數設置并沒有統(tǒng)一的理論指導，通常情況下時根據經驗或者進行多次網絡訓練得到最優(yōu)結果。本文從隱含層和隱含層節(jié)點數的選擇來優(yōu)化模型，最終確定最優(yōu)模型。

一般來說數據量越多，選擇的模型越復雜，數據量越少模型越簡單。本文分別對三層神經網絡和四層神經網絡進行訓練，結果如圖7、8所示。

圖7 三層神經網絡誤差

圖8 四層神經網絡誤差

通過圖6、圖7對比，可以明顯看出三層神經網絡效果更好一些，誤差在逐步減小，四層神經網絡隨著迭代次數增加，并未出現(xiàn)明顯下降趨勢。無論是從理論知識還是從訓練結果來看，三層結構更適合回潮率的預測模型，故本文選用三層結構。

5 結論

應用Tensorflow框架搭建了預測回潮率數據的BP神經網絡模型，并且對該模型進行了訓練和優(yōu)化，結果表明：

1)BP神經網絡模型能夠處理好溫濕度、電阻值、機采棉/手工棉、長絨棉/短絨棉這5個參數與回潮率之間的非線性關系，對BP神經網絡模型進行訓練學習之后，能夠用來對籽棉回潮率數據進行預測。

2)基于深度學習Tensorflow框架的神經網絡建模較簡單，網絡參數和結構修改較靈活，預測結果精度較高，具有一定的推廣意義。