首页 > 论文范文 > 农业科技论文 > 林业论文 > 林业机械论文 > 探究基于神经网络的深松铲作业阻力和功耗的预测模型

探究基于神经网络的深松铲作业阻力和功耗的预测模型

2020-04-04 259 上传者：管理员

摘要：本文就深松铲作业阻力和功率消耗预测问题提出了基于神经网络的预测方法,并构建了基于BP神经网络及径向基神经网络两种预测的模型,在对比两种模型的预测误差及预测效果后,结果得出,径向基函数神经网络对深松铲作业阻力及功耗的预测误差较小、预测效果更好,能够在深松铲作业阻力及功耗的预测下使用。

关键词：
BP神经网络
径向基神经网络
深松铲
预测
加入收藏

土壤是各种农作物生长基础,能够为农作物生长提供所需的各种营养成分。为了使土壤中固相、液相、气相间的比例以及水、热、气、肥的理化关系正常合理,就必须要对土壤进行耕作作业[1]。近年来,为了更好地改善土壤环境,促进农业生产的可持续发展,提高粮食作物产量,使深松技术得到了较好发展,深松铲作为深松技术实现的主要作业工具得到了大范围的推广和使用。虽然现在深松铲在农业生产中被广泛使用,但深松作业中牵引阻力以及功率消耗都较大,如何能更好地获得作业时的阻力及功率消耗,然后据此优化改进深松铲以减少阻力和功耗,一直是研究人员探索的重点。近年来,人工神经网络作为一种新兴的人工智能技术,因其在数据拟合及预测方面的优秀性能,已经在许多领域得到了较好的运用。如果能够将这种技术运用于深松铲作业阻力及功耗的预测,将大大减少实验成本和深松铲的优化周期,从而更好地促进深松技术的发展。

1、深松铲作业阻力及功耗的神经网络预测模型

1.1 理论基础

人工神经网络又称为神经网络,是一种在生物神经网络的启示下建立的数据处理模型。神经网络由许多人工神经元相互连接而成,根据输入的信息来改变自身的结构,其建模的过程主要是调节神经元间权值的过程[2]。神经网络通常由输入层、隐含层和输出层三层组成。神经网络的优点可以概括为:自学习和适应性强、鲁棒性与容错性好、具有较高的计算和储存速度。目前,在数据拟合与预测方面,最常用的神经网络类型是BP神经网络和径向基函数神经网络,本文将使用这两种网络建立预测模型,然后选取预测误差较小的作为最终的模型。BP网络即基于误差反向传播算法的神经网络一般由三层组成,但隐层可以是单层也可以是多层,图1所示为标准BP网络结构图。BP网络一般使用Sigmoid函数或线性函数作为传递函数,其中Sigmoid函数又可分为Log-Sigmoid函数和Tan-Sigmoid函数。标准的BP网络采用最速下降学习算法来调整网络的权值。此外,还有其他一些改进的算法,如最速下降法、拟牛顿法和LM(Levenberg-Marquardt)算法。

图1 标准BP网络结构

1988年,根据生物神经元存在局部相应的特点,Broomhead和Lowe将径向基函数引入到神经网络。很快,径向基神经网络便被证明对任意非线性网络均具有很好的逼近性能,随后便逐步在不同行业和领域得到了广泛应用。图2所示为常用径向基函数网络结构图。径向基函数网络由三层组成,第一层为输入层;第二层为隐含层,其节点个数视问题的复杂程度决定;第三层为输出层。径向基网络与BP网络不同之处是其隐含层是非线性的,采用径向基函数作为基函数,可以将输入的向量空间转换到隐含层空间,使线性不可分问题变为线性可分。同时,径向基网络一经创建即可使用,无需训练。

图2 常用径向基函数网络结构

本文建模所采用的软件工具为Matlab神经网络工具箱。打开Matlab软件,在命令窗口输入nntool并按回车键便可以启动神经网络工具箱,其界面如图3所示。另外,由于实验条件与实验环境所限,不能进行实际作业实验而获得直接的建模数据,所以本文使用吉林大学生物与农业工程学院硕士研究生张璐的学位论文[3]里的部分数据作为原始建模数据,所使用的部分原始建模数据见表1。另外,笔者对这部分数据进行了一定的处理,得到了最终建模所需的数据,见表2。

表1 原始建模数据

图3 神经网络工具箱界面

表2 最终建模数据

1.2 BP模型的建立与预测

1.2.1 模型输入层与输出层的确定

对于模型输入层来说,各输入变量一般要满足两个条件:输入变量与输出变量间要有较高的相关性(或较好的因果关系);各个输入变量之间要不相关或相关性很低。耕速与耕深是耕具作业的基本参数,两者之间不存在相关性,同时两者又都直接影响到耕具的作业阻力,也影响作业功率,所以将耕速与耕深作为模型的两个输入变量。另外,深松铲铲形变化,其与土壤的接触面积就会变化,即深松铲工作面积会发生变化,也会引起深松铲作业阻力及功耗变化,所以将深松铲铲形也作为模型的一个输入变量。对于模型输出层来说,由于本文研究的是深松铲的作业阻力及功耗,所以把作业阻力和功耗作为输出层的输出变量。

1.2.2 模型隐含层的确定

BP网络可以包含多个隐含层,但有研究表明,仅含有一个隐含层的神经网络可以以任意精度逼近任意的非线性系统[4]。因此,BP模型隐含层的层数设计为一层。对于隐含层节点数目的确定,目前没有明确的计算公式,一般采用的是试凑法,即先由式(1)~(3)确定最小的隐层节点数目[5-7],然后逐渐增大节点数目,直至模型的预测误差达到最小,便可以确定最优的隐层节点数目。经过多次的试验,最终确定的隐层节点数为5。

式中:m为隐层神经元数目,n为输入层神经元数目,l为输出层神经元数目,α为1~10之间的常数。

1.2.3 模型传递函数及训练算法的确定

本文设计的BP模型,隐含层采用的传递函数为Tan-Sigmoid函数,输出层的传递函数为Purelin线性函数。训练算法使用TRAINGD算法。

1.2.4 训练与预测

样本归一化数据归一化之前,为了区分不同的铲形,分别将表2中的三种不同的深松铲形(复合形、仿生钩形、圆弧形)标记为1、2、3以示区分。归一化后的训练数据和预测数据分别见表3和表4,使用的归一化函数为mapminmax函数,该函数可以将训练数据与预测数据归一化到[0,1]区间范围内,调用格式为[Y,PS]=mapminmax(X,0,1)。

表3 归一化后的训练数据

表4 归一化后的预测数据

1.2.5 模型最终结构及训练过程

BP神经网络模型结构如图4所示,模型各结构参数取值见表5,训练过程如图5所示。

图4 BP神经网络模型结构

表5 BP模型结构参数取值

图5 BP模型训练过程

1.2.6 基于BP模型的作业阻力及功耗预测

将归一化后的预测数据输入BP模型,得到相应的预测结果。对预测结果进行反归一化处理,得到的数据见表6,归一化前的预测数据见表7。预测数据与归一化前预测数据之间的相对误差见表8。

表6 BP模型反归一化后的预测数据

表7 归一化前的预测数据

表8 BP模型预测数据与归一化前预测数据之间的相对误差

由表8可以看出,对于作业阻力,除第一组数据相对误差较大外,其他4组的相对误差均保持在10%以内,由此可以得出,建立的BP模型对深松铲作业阻力预测效果较好。同时可以看出,建立的BP模型对深松铲作业功耗的预测效果还不是很理想,因为模型预测的前两组数据相对误差都较大。由上面分析可以得知,本文利用BP神经网络所建立的预测模型,比较适合于深松铲作业阻力的预测。

1.3 径向基函数神经网络模型的建立与预测

径向基函数神经网络是一种结构简单、收敛速度快、能够任意逼近非线性函数的神经网络,其又可以细分为径向基神经网络、严格的径向基神经网络、广义回归神经网络及概率神经网络。本文建模所使用的是严格的径向基神经网络,对应于神经网络工具箱网络类型选项为Radialbasis(exactfit)。径向基网络的输入层与输出层与BP神经网络相同,网络的隐层由工具箱确定,建立模型所用的数据见表3,预测所用数据见表4。

1.3.1 径向基函数神经网络的建立

打开神经网络工具箱,将神经网络类型选为严格径向基网络,输入训练数据,建立径向基神经网络,建立的径向基网络结构如图6示。

图6 径向基神经网络模型结构

1.3.2 基于径向基网络模型的作业阻力及功耗预测

将预测数据(表4)输入到建立的径向基网络中,得到相应的预测数据,对预测结果进行反归一化处理,得到的数据见表9,归一化前的预测数据见表7。径向基网络预测数据与归一化前预测数据的相对误差见表10。

表9 径向基网络模型反归一化后的预测数据

表10 径向基网络模型预测数据与归一化前预测数据之间的相对误差

由表10可以看出,对于深松铲作业阻力预测,除第二组数据相对误差较大外,其他4组数据相对误差均保持在10%以内,由此可以得出,建立的径向基网络模型对深松铲作业阻力预测效果较好。同时,对于深松铲功率消耗预测,除第二组数据相对误差较大外,其他四组数据相对误差也都保持在10%以内,可以得知,径向基神经网络模型对深松铲作业功耗预测效果也较好。

1.4 两种模型的比较

对于深松铲作业阻力的预测,BP模型和径向基模型的预测误差大致相同,即除一组数据相对误差较大外,其他四组数据相对误差都在10%以内。另外,从其他四组数据比较来看,径向基网络模型的相对误差较小,均保持在7%以内。以上分析可以得出,径向基网络模型对深松铲作业阻力预测误差较小,预测效果较好。对于深松铲作业功率消耗的预测,BP模型的预测效果较差,有两组数据的相对误差都大于10%,其他三组数据的相对误差也都大于4%。径向基网络模型对于作业功耗的预测效果相对较好,除一组数据的相对误差大于10%以外,其他四组均在10%以内,并且从其他四组数据比较来看,径向基网络模型预测误差也都较小。根据上面分析可以得出,基于所得的训练与预测数据,基于BP神经网络和径向基函数神经网络两种工具,在笔者所建立的两种预测深松铲阻力及功耗的模型中,预测误差较小、预测效果较好的是径向基函数神经网络模型。

2、结论

简要介绍了BP神经网络及径向基神经网络,借鉴了相关资料及实验数据,利用BP网络和径向基网络这两种工具,建立了预测深松铲作业阻力及功耗的预测模型,并对两种模型的预测误差及预测效果进行了比较,最后得出,径向基函数神经网络模型对于深松铲阻力及功耗的预测误差较小,预测效果较好,因此可以使用径向基函数神经网络对深松铲作业阻力及功率消耗进行预测。

参考文献:

[1]齐关宇.深松铲牵引阻力及土壤扰动量研究[D].哈尔滨:东北农业大学,2015.

[2]陈明.MATLAB神经网络原理与实例精解[M].北京:清华大学出版社,2017.

[3]张璐.深松铲减阻技术研究[D].长春:吉林大学,2013.

[4]王志强.GA-BP柴油机NOx排放预测模型的建立及实船应用研究[D].大连:大连海事大学,2014.

[5]白利波.基于BP神经网络的船用柴油机NOx排放特性预测[D].大连:大连海事大学,2010.

[6]张连滨,葛浙东,鞠明远,等.改进型神经网络在木件打磨机器人中的应用[J].林业机械与木工设备,2017,45(4):19-22.

[7]牟洪波,王世伟,戚大伟,等.基于灰度共生矩阵和模糊BP神经网络的木材缺陷识别[J].森林工程,2017,33(4):40-43.

张荣柱,刘学渊.基于神经网络的深松铲作业阻力及功耗的预测模型研究[J].林业机械与木工设备,2019,47(1):20-25.