基于粒子群参数优化和 BP 神经网络的颗粒饲料质量预测模型.pdf

第 32 卷 第 14 期 农 业 工 程 学 报 Vol.32 No.14 306 2016 年 7 月 Transactions of the Chinese Society of Agricultural Engineering Jul. 2016 基于粒子群参数优化和 BP 神经网络的颗粒饲料质量预测模型 陈 啸，王红英，孔丹丹，岳 岩，方 鹏，吕 芳 （中国农业大学工学院，北京 100083） 摘 要：针对颗粒饲料产品受配方原料、加工参数变化而带来的质量波动问题，提出了一种以误差反向传播算法神经网 络（back-propagation neural network，BPNN）为核心，平均影响值法（mean impact value，MIV）为数据预处理方法，粒 子群算法（particle swarm optimization，PSO）为关键参数优化算法的颗粒饲料质量预测模型。基于面向实际建立的输入 输出指标体系，使用实地采集的颗粒饲料生产数据对模型进行训练和测试，测试结果显示实际值与模型预测值呈显著正 相关，决定系数 R2均在 0.94 以上；平均绝对误差、平均绝对百分比误差及均方根误差显示预测精度达到较高水平，各误 差平均值依次达到 0.442、2.185%和 0.5481。以多元线性回归模型及基本 BPNN 模型预测结果对比可以发现， MIV-PSO-BPNN 预测模型预测性能有显著提升，各输出误差优化幅度从 39.55%91.80%不等，平均优化幅度分别达到 84.99%和 56.95%；同时相对误差变化趋势图显示 MIV-PSO-BPNN 预测模型具有更优的预测稳定性，相对误差极值差降幅 均值达 91.46%。该研究为颗粒饲料质量控制提出了一种新思路，可为饲料行业高效低耗生产提供理论依据。 关键词：神经网络；模型；算法；颗粒饲料；质量预测；BPNN；平均影响值法；粒子群优化算法 doi：10.11975/j.issn.1002-6819.2016.14.041 中图分类号：S816.9 文献标志码：A 文章编号：1002-6819(2016)-14-0306-09 陈 啸，王红英，孔丹丹，岳 岩，方 鹏，吕 芳. 基于粒子群参数优化和 BP 神经网络的颗粒饲料质量预测模型J. 农业工程学报，2016，32(14)：306314. doi：10.11975/j.issn.1002-6819.2016.14.041 Chen Xiao, Wang Hongying, Kong Dandan, Yue Yan, Fang Peng, L Fang. Quality prediction model of pellet feed basing on BP network using PSO parameters optimization methodJ. Transactions of the Chinese Society of Agricultural Engineering (Transactions of the CSAE), 2016, 32(14): 306314. (in Chinese with English abstract) doi：10.11975/j.issn.1002-6819.2016.14.041 0 引 言 颗粒饲料是饲料主要应用形式之一1，与粉状混合饲 料相比具有适口性好，报酬率高，可杀灭有害菌，避免自 动分级，改善动物挑食等优点2-4。在实际生产中，颗粒饲 料的配方依据不同饲喂动物生长特性、不同阶段饲喂目的 而设计，而配方中原料种类与比例通常因为季节及供应情 况等处在动态变化的过程中，颗粒饲料加工质量也由此产 生波动。同时，颗粒饲料生产过程中的调质、制粒、冷却 等工段，发生了大量的水热交换、物料挤压变形等物理变 化及蛋白质变性、淀粉糊化等化学变化，这些复杂的过程 同样对颗粒饲料最终质量会产生极大的影响。因此，如果 能在颗粒饲料实际生产前对产品质量作出具有一定可信 度的预测，并由此对配方成分、加工参数等可控因素作出 有针对性的调整，即可在改善颗粒饲料产品质量的同时减 少原料浪费，提高生产效率并降低生产成本。 目前，国内外学者已经开展了一些针对饲料质量的 预测研究。宋欣等5对鱼类饲料颗粒进行压制模拟试验， 收稿日期：2016-03-24 修订日期：2016-05-09 基金项目：公益性行业（农业）科研专项（201203015） 作者简介：陈 啸，男，北京人，博士生，主要从事饲料加工工艺技术研究。 北京 中国农业大学工学院，100083。Email：chenxiaocau 通信作者：王红英，女，江西人，教授，博士生导师，主要从事饲料加工 工艺技术与设备及饲料产品质量评价研究。北京 北京市海淀区清华东路 17 号，100083。Email：hongyingw 中国农业工程学会会员：王红英（ED41200500S） 采用响应面方法拟合得到颗粒密度关于颗粒压缩比和压 制速度的二阶预测模型；王红英等6以粉碎粒度、淀粉糊 化度和膨化度组成的原料特性参数和喂料速度、调质温 度等加工过程参数作为输入变量建立了基于基本 BPNN （back-propagation neural network，BPNN）的乳猪料颗粒 质量预测模型，有针对性地预测了淀粉糊化度等对于乳 猪料较为关键的指标。Pathumnakul S 则以实际生产数据 为基础7， 基于基本 BPNN 使用配方成分与比例作为输入 对生产率及含粉率进行预测；Sudha L 使用人工神经网络 对固定配方的颗粒饲料加工参数进行优化8， 在网络训练 完成后对生产率进行预测，获得最高生产率的输入参数 即作为最优加工参数。上述报道中，有关颗粒饲料质量 的预测模型或是仅着眼于某种特定的饲料品种，或是输 入输出参数不易获得，或是只考虑颗粒饲料产品质量影 响因素的某方面，使得预测性能有待提升的同时实际应 用性亦有发展的空间。 人工神经网络（artificial neural network，ANN）具有 优良的自组织、自学习、自适应能力，针对某些对象所 具有的模糊性、非线性及不明确性有着分析过程简洁、 模型建立迅速、大规模并行处理等优势9；同时，由于颗 粒饲料生产过程是一个多输入多输出过程系统，各输入 量与输出量之间存在着相互叠加和交叉影响的耦合关 系，而神经网络的“黑箱”建模方式及各层神经元的多 维连接方式可以较好地适应这样的耦合关系； 其中 BPNN 模型结构较为成熟，应用比较广泛10-11，但面对颗粒饲 第 14 期 陈 啸等：基于粒子群参数优化和 BP 神经网络的颗粒饲料质量预测模型 307 料加工过程中各变量间复杂多变的关系，存在结构参数 完全随机化、易陷入局部最优等劣势12，仍需采取一定 方法提高 BPNN 模型的预测性能和实际应用性。 本文在构建面向实际的输入输出指标体系的基础 上，以生产企业采集的实际颗粒饲料生产数据为依托， 提出了一种以基本 BPNN 模型为核心，平均影响值算法 为数据预处理方法，粒子群算法为网络结构参数优化手 段的完整颗粒饲料质量预测模型，可为颗粒饲料质量控 制提供一种新思路，为饲料行业高效低耗生产提供理论 依据和技术途径。 1 材料与方法 1.1 输入输出指标体系的构建 根据颗粒饲料产品质量影响因素4,13-17，建立输入输 出指标体系。本着紧密联系生产实际的原则，将输入参 数分为基于配方的原料种类参数和加工过程参数两类， 其中加工过程参数本着易获得、易监测、易调整的原则 进行选择，确定为筛片孔径、调质温度、环模长径比、 模孔直径，分别代表颗粒饲料生产过程中较为关键的粉 碎、调质和制粒工段。以上输入指标的选取原则使得从 业者可以根据模型预测结果迅速调整配方参数或加工过 程参数，一定程度上提升了模型的实际应用性。 同时，结合饲料行业生产实际，指示颗粒饲料产品 质量和产量的输出指标选择含粉率、生产率和颗粒耐久 度（pellet durability index，PDI），分别从颗粒成型质量、 加工效率和抵抗外力破坏能力4的角度进行考量。 输入输 出指标体系结合 BPNN 拓扑结构如图 1 所示。 1.2 试验数据的采集 为训练和测试预测模型，根据输入输出指标体系， 于2015年3月12月在北京密云昕三峰饲料生产企业采 集饲料生产数据共 102 组作为实际值使用，训练/测试数 据组比例在 2.2.2 节中确定； 所采集的颗粒饲料为畜禽料， 主要包括大猪料、仔猪料、蛋鸡料共 6 种配方，具体配 比见表 1。 表 1 试验用颗粒饲料配方参数 Table 1 Diet parameters of feed for experiments 大猪料配比/% Hog finisher proportion/% 配方成分 Diet ingredients 配方 1 Diet 1 配方 2 Diet 2 配方 3 Diet 3 配方 4 Diet 4 仔猪料 配比 Pig starter proportion /% 蛋鸡料 配比 Layer feed proportion /% 玉米 Corn 60 54 48 42 0 57 膨化玉米Extruded corn 0 6 12 18 52 0 小麦麸 Wheat bran 18 18 18 18 0 0 DDGS 4 4 4 4 0 6 膨化豆粕 Extruded soybean meal 8 8 8 8 32 21 棉粕 Cottonseed meal 4 4 4 4 0 4 啤酒酵母 Beer yeast 2 2 2 2 2 0 鱼粉 Fish meal 0 0 0 0 2 0 乳清粉 Whey powder 0 0 0 0 5 0 红糖 Brown sugar 0 0 0 0 2 0 钙石粉 Stone powder 0 0 0 0 0 8 预混料 Premix 4 4 4 4 4 4 油脂 Fat 0 0 0 0 1 0 各指标中配方参数、筛片孔径、模孔直径、环模长 径比在实际生产前获得，而调质温度、生产率、含粉率、 颗粒耐久度需在生产过程中测定，测定方法如下。 1）调质温度 使用保温容器从调质器出口处采集物料，并使用水 银温度计进行测量。 2）生产率 制粒过程进入稳定状态后，一定时间内（秒表计时， s） ， 使用容器在制粒出料口采集颗粒料并测定料质量 （台 秤称量，kg），并参照式（1）计算生产率（t/h） 3.6= 料质量 生产率 一定时间 。 （1） 3）含粉率 将测定生产率采集的颗粒料样品冷却至室温 （25 ），使用标准试验筛（GB/T6003.1-2007，同心机 械有限责任公司）进行筛分测定，试验筛孔径选择为样 品颗粒直径的 85%4。依照式（2）计算含粉率（%）18。 100%= 筛下物质量 含粉率 样品总质量 。 （2） 4）PDI 颗粒饲料成品在储藏、运输和使用过程中，受到震 动、撞击、摩擦和挤压作用，部分颗粒破碎产生新的粉 末与碎屑， PDI 则用于评定颗粒饲料产品在送达用户前抵 抗外力的能力。使用 PDI 粉化仪（ST-136，盛泰仪器有 限公司），采用旋转翻滚箱法18进行测定。并依据下式 计算颗粒耐久度（PDI）（%）18 PDI PDI100% PDI = 粉化仪处理后筛下物质量 粉化仪处理前样品总质量 。 （3） 1.3 模型实现过程 使用 MATLAB 2014b 软件进行编程，实现自变量筛 选、 粒子群优化算法和 BPNN 模型； 使用 SPSS 20.0 软件 及 Microsoft Excel 2003 软件进行多元回归及数据分析。 2 MIV-PSO-BPNN 预测模型的构建 2.1 MIV 自变量筛选 自变量筛选作为数据预处理的一种手段，在主要的 处理之前对数据进行筛选、分类和清理等工作19，提高 数据使用效率，提高模型预测精度20。神经网络输入自 变量往往是研究者根据专业知识预先选择的，而在实际 应用中，由于过程的复杂性和理论依据的匮乏，这些输 入自变量往往繁杂而难以确定；如果将一些不重要的变 量也引入模型，不仅会降低模型预测性能和精度，也会 增加模型收敛速度和难度21。 在进行神经网络自变量选择时，应尽可能将对输出 作用效果显著的自变量选入模型中，而将作用不显著的 自变量排除在外。平均影响值算法（mean impact value， MIV） 是一种目前被认为在神经网络中评价输入输出变量 之间相关性、适应性较好的方法之一22，能够反映神经 网络权值矩阵的变化情况23。本文将结合 BPNN 应用 MIV 算法对输入自变量进行筛选，从而对三项输出获得 农业工程学报（） 2016 年 308 有针对性的输入指标方案。 MIV 计算流程主要由以下步骤组成：使用全部自变 量构成的训练样本 D 输入 BPNN 进行计算，计算终止后 将训练样本中每一自变量特征在原值基础上分别加（减） 10%构成两个新的训练样本 D1、D2。将 D1、D2分别作为 训练样本利用已建成的神经网络进行仿真模拟，得到相 对应的仿真结果 S1、S2，则 S1、S2的差值即为变动该自 变量后对输出产生的影响值（impact value，IV），其正 负代表对输出影响的方向。将影响值按训练样本总个数 进行平均，即获得该自变量的平均影响值 MIV。由此可 以对各输入自变量的 MIV 值进行排序，判断不同输入特 征对网络输出的影响程度，进而对其进行筛选获得针对 不同输出的输入指标方案。 2.2 BPNN 建模 大量理论研究和实践证实， BPNN 的柔性网络结构使 其具有较强的非线性映射能力24，是当前工业领域应用 较多的一种反向传播式神经网络25-26。如前所述，颗粒 饲料质量受原料特性、配方成分、加工过程参数等诸多 因素影响，在实际生产过程中发生了大量的水热交换、 淀粉糊化等复杂物理化学变化，使得各变量间在固有的 相关性基础上，伴随着一定随机性和很强的非线性特征， 使得一些线性机理模型在表达颗粒饲料加工过程变量间 的非线性关系时有很大局限9， 而 BPNN 可以较好地适应 这些特点。本文以 BPNN 为核心构建颗粒饲料质量的预 测模型。 2.2.1 BPNN 学习方法 误差反向传播算法由输入信号的正向传播和误差信 号的反向传播两个过程组成。其运行核心为将期望输出 与网络输出进行比对，以比对结果即误差值为依据按照 梯度下降算法迭代更新网络，以使误差函数达到要求， 完成对信息的提取和记忆过程。 结合 2.1 节构建的输入输 出指标体系，BPNN 拓扑结构图见图 1。 注：()、()代表隐含层、输出层的激活函数，ij、jk及 j、k分别代表各 层权值、阈值向量。 Note: () and () stands for activation function in hidden and output layers, ij, jk and j, k represent weights and bias value of each layer. 图 1 基本 BPNN 拓扑结构图 Fig.1 Schematic structure of basic BPNN BPNN 算法中，隐含层神经元输入信号 netj为 jij j netu i =+ 。 （4） 隐含层神经元节点的输出信号 oj为 ()() jjijijonetu =+ 。 （5） 输出层神经元节点输入信号 netk为 ()() kjk jk jkijijk neto u =+ =+ 。 （6） 输出层神经元输出信号yk为 () ()()() k k jkijijk y net u = =+ 。 （7） 式中()、()分别表示隐含层和输出层激活函数；ui为输 入层的输入信号；ij、ik与j、k分别表示各层的权值 和阈值；i、j、k为各层神经元数目。 在误差信号反向传播过程中，权值、阈值按式（8）、 （9）进行更新迭代。 ( )( ) () j ki j ij jk o =， （8） j(k)=j(k)。 （9） 式中，为误差反向传播学习率(01)，j(k)为各层误差 信号；BPNN 学习算法流程图见图 2。 图 2 基本 BPNN 学习算法流程图 Fig.2 Schematic representation of basic back-propagation algorithm 2.2.2 模型的建立 基于 MATLAB 2014b 中的 Neural Network Toolbox 工具箱进行基本三层 BPNN 的构建，构建网络时主要考 虑样本集的处理和网络结构的设计27。目前，学界对 BPNN 结构设计方法并无统一的理论指导， 因此本文采用 第 14 期 陈 啸等：基于粒子群参数优化和 BP 神经网络的颗粒饲料质量预测模型 309 应用较为广泛的预试验分析法完成网络拓扑结构设计。 根据所采集样本集情况，对其进行分组，训练用数 据、测试用数据比例分别设定为 7:3、8:2、9:1，使用平 均绝对误差（mean absolute error，MAE）评价网络性能， 经预试验发现，分组比例为 9:1 时模型预测值的 MAE 值 为最低，因此选择该比例对训练、预测数据组进行分类。 隐含层神经元数的选择在结构设计中会直接影响神经网 络对复杂系统映射能力，学界目前亦并未从机理上给出 明确量化标准，国内外学者28-29虽提供了不同方法，但 也一致认为试凑法30更具实用性，方便研究者根据不同 研究对象特点设计模型规则。使用试凑法确定网络结构 为三层（输入层、隐含层、输出层），隐含层神经元数 为 16；其余参数根据文献经验值参考，设置最大迭代次 数 100 次，学习率 0.1，目标误差 0.00121,24,27。 2.3 PSO 优化算法 2.3.1 PSO 优化算法理论结构 作为一种典型的群体智能优化算法，粒子群算法 （particle swarm optimization，PSO）31思想源于对鸟群社 会的研究模拟，具有结构简单、易于实现、搜索速度快 等优点，适用于求解各种非线性的复杂优化问题32。该 算法以其独有特点已应用到农业工程领域的许多方面， 李峰等使用 PSO 算法优化了农产品召回系统33，殷国玺 等以此算法构建了农田多目标控制排水模型34，肖艳等 使用 PSO 算法对土地利用分类问题中的最优特征子集进 行优化筛选35，李智、王俊36-37等将 PSO 算法应用到农 业工程优化设计等方面，取得了良好的优化效果；本文 使用粒子群算法对BPNN模型初始权值及阈值进行优化， 以期进一步提高该模型的预测性能。 PSO 算法中，将潜在参数优化解视为具备“位置X” 和“速度V”38特征的“粒子”39。在搜索空间迭代过 程中，pbest为粒子经历的最优位置即个体最优位置；若 设f(X)为评价性能优劣的适应度函数， 则粒子当前最优位 置由式（10）确定40 () ( )()()( )() ()()()( )() ,1 1 1 ,1 pbest tfX tfpbest t pbest t X tfX tfpbest t + += + 若 若 。 （10） 设群体中粒子数为 M，则群体中所有粒子经历过的 最好位置 gbest 称为全局最优位置，由式（11）确定 ( )()( )() 1 min,., M gbestftftpbestpbest=。 （11） 迭代过程中，粒子的速度和位置根据个体迭代经验和群 体迭代经验进行动态调整，更新方程分别为式（12）、 （13） ()( )( )( )() ( )( )() 11 22 1v tv tpbest tx t c r gbest tx t c r +=+ + ， （12） ()( )()11x tx tv t+=+。 （13） 式中 v(t)、x(t)、pbest(t)、gbest(t)分别表示表示粒子在迭 代步数为 t 时的飞行速度分量、 位置分量以及该时刻的个 体最优位置 pbest 以及整个粒子群最优位置 gbest； 为惯 性因子，c1、c2为加速因子或称学习因子；r1、r2为 0 和 1 之间的随机数。 作为算法核心的速度更新方程由三部分 组成，第一部分称为粒子的先前速度；而“认知 （Cognition）”部分表明粒子个体的认知能力，来源于粒 子自身的经验， 学习因子c1可以调节粒子飞向自身最优位 置的迭代步长；粒子的“社会（Social）”部分则表明粒 子间的信息共享和相互作用，学习因子 c2可以调节粒子 飞向群体最优位置的迭代步长32；标准粒子群算法运行 流程见图 3。 图 3 标准粒子群算法运行流程图 Fig.3 Schematic representation of standard PSO algorithm 与传统的基于梯度下降的优化算法相比，粒子群算 法具有鲁棒性强、扩充性好、不易陷入局部最优等优点； 而与进化规划、遗传算法等基于自然界进化过程的优化 方法相比，粒子群算法的信息共享机制使得种群可以更 快地收敛到最优值。 2.3.2 适应度函数的选择 由算法内容及流程可知粒子的适应度函数值代表着 由粒子包含的解的优劣，这一函数是 PSO 优化算法应用 设计的关键。根据 PSO 算法优化对象为基本 BPNN 的初 始权值、阈值参数，则由不同粒子包含的解即这两种参 数所构建的BPNN的预测误差可以对模型优劣进行衡量， 农业工程学报（） 2016 年 310 进而对不同粒子进行评价和筛选。由此，将算法适应度 函数设置为网络误差函数进行粒子更新迭代， 即式 （14） 。 ()fX = 预测值 实际值 （14） 2.3.3 PSO 算法参数选择 1）惯性因子 PSO算法中，惯性因子的大小影响着粒子的全局 搜索能力和收敛性的控制。本PSO算法中采用线性递减 惯性权重策略（linearly decreasing inertia weight）40确定 惯性因子 ，即 () maxmin max max t t =。 （15） 式中最大值和最小值典型取值分别为0.9和0.4，t 即前文迭代步数，tmax表示最大迭代步数。则模型选择 t=50，tmax=100，得=0.65。 2）种群规模的取值设置 种群粒子个数一般取204041，本模型取30。 3）学习因子的取值设置 学习因子 c1和 c2决定粒子本身经验信息与其他粒子 对寻优轨迹的影响，反映粒子间的信息交流。通过大量 文献研究及试验结果对比，指出 c1、c2之和最好在4.0附 近，通常 c1=c2=2.05。 4）最大限制速度的取值设置 最大限制速度 Vmax的功能为设定粒子速度最值，由 此限定粒子移动距离。 Vmax可间接地影响算法的全局搜索 能力。若 Vmax值过大，则粒子或飞过较优解，使算法性 能主要取决于惯性权重；反之，粒子或无法对局部较优 区域以外的空间进行充分的探测，使算法陷于局部最优， 削弱全局搜索能力。本文最大限制速度 Vmax设为1。 2.4 MIV-PSO-BPNN 预测模型整体方案 由以上各环节模型构建获得MIV-PSO-BPNN预测模 型整体方案，方案流程如图4。 2.5 模型评价指标的选择及依据 采用平均绝对误差（mean absolute error，MAE）、 平均绝对百分比误差（mean absolute percentage error， MAPE）、均方根误差（root mean square error，RMSE） 对模型性能进行评价，见式（16）（18）。 1 n ii i MAE yy R n = = ， （16） 1 100% n ii i i MAPE yy y R n = = ， （17） () 2 1 n i RMSE yy ii R n = = 。 （18） 式中 yi、iy分别为实际值、模型预测值，n 为样本数量。 图 4 MIV-PSO-BPNN 预测模型整体方案 Fig.4 Schematic representation of MIV-PSO-BPNN prediction model 3 结果与分析 3.1 MIV-PSO-BPNN 预测模型结果分析 根据实际生产数据，全部输入变量包括加工工艺参 数（见图1）和配方参数（见表1），经过MIV自变量筛 选、PSO算法优化等过程，获得了MIV-PSO-BPNN预测 模型；利用1.2节中采集的102组实际生产数据，随机取 出其中的92组对模型进行训练，使模型学习数据输入输 出间的内在关系，并使用其余10组数据对训练完成的模 型进行预测精度的验证。图5显示三项输出的预测值与 实际值的线性拟合关系，图中实际值即所采集的实际生 产数据，预测值即MIV-PSO-BPNN模型预测结果。 图 5 MIV-PSO-BPNN 模型不同输出测试样本回归曲线 Fig.5 Regression line for outputs of MIV-PSO-BPNN model 第 14 期 陈 啸等：基于粒子群参数优化和 BP 神经网络的颗粒饲料质量预测模型 311 所得拟合曲线(y=ax+b)各 a 值接近于1而 b 值接近于 0，R2较高，两值呈显著正相关；拟合曲线与斜率为1的 y=x 重合度较高，表明各预测值与实际值较为接近，体现 出MIV-PSO-BPNN预测模型的有效性。 同时，使用平均绝对误差（MAE）、平均绝对百分 比误差（MAPE）和均方根误差（RMSE）检测实际值与 预测值的误差关系，从而评价MIV-PSO-BPNN预测模型 的预测性能，各误差指标见表2。 表 2 MIV-PSO-BPNN 模型预测性能及与多元线性回归、基本 BPNN 网络性能比较 Table 2 Performance results of MIV-PSO-BPNN model and comparison with multi-linear regression model, basic BPNN 模型种类 Model type 输出变量 Output variable 平均绝对 误差 Mean absolute error 平均绝对百 分比误差 Mean absolute percentage error/% 均方根 误差 Root mean square error /% 含粉率 Powder content rate/% 0.485 4.426 0.5368 生产率 Productivity/(th-1) 0.046 1.235 0.0624 MIV-PSO-BPN N 预测模型 MIV-PSO-BPN N model PDI/% 0.796 0.895 1.0451 含粉率 Powder content rate/% 2.199 (77.96) 19.051 (76.77) 2.5342 (78.82) 生产率 Productivity/(th-1) 0.56 1(91.80) 13.728 (91.01) 0.5944 (89.50) 多元线性回归 Multiple linear regression PDI/% 6.209 (87.18) 6.796 (86.82) 7.0079 (85.09) 含粉率 Powder content rate/% 0.802 (39.55) 7.366 (39.91) 1.1204 (52.09) 生产率 Productivity/(th-1) 0.145 (68.36) 4.457 (72.30) 0.1844 (66.14) 基本 BPNN Basic BPNN PDI/% 1.869 (57.41) 2.003 (55.28) 2.7175 (61.54) 注：多元线性回归、基本BPNN 各项指标值下方括号中数值为MIV-PSO-BPNN 预测模型预测方案相同输出对应指标值的优化幅度，即各指标值降低百分比 (%)。 Note: The values in brackets below each error of multiple linear regression and basic BPNN are MIV-PSO-BP prediction model optimized range accordingly, i.e. falling range of each error value. 误差结果显示，本文所构建的预测模型达到了较高的 预测精度，可以在一定程度上满足相关从业者的使用要求。 3.2 本文算法与基本BPNN、 多元线性回归等模型性能比较 为了对比经过MIV变量筛选和PSO算法优化后的预 测方案性能优劣，使用经典多元线性回归方法及基本 BPNN对数据进行了建模， 并使用相同数据进行了模型训 练和测试，得模型预测性能指标结果见表1；同时对应列 出MIV-PSO-BPNN预测模型各预测性能指标提高幅度进 行比较。 与多元线性回归模型相比，MIV-PSO-BPNN预测模 型各项误差值降低幅度均较大，由表2数据计算可知含 粉率、PDI输出的MAE、MAPE和RMSE值平均优化幅 度为77.85%、86.36%，生产率甚至达到90.77%，平均优 化幅度达到84.99%，体现出颗粒饲料加工过程的非线性 特点及以BPNN为核心的预测手段对这一特点的适应性。 而与基本BPNN模型相比，MIV-PSO-BPNN预测模型也 有较明显的优势，由表2数据，含粉率、PDI、生产率的 各误差指标值平均优化幅度分别达到43.85%、68.93%和 58.08%，总平均优化幅度达到56.95%，PSO算法的优化 效果相当可观。 模型使用过程中的预测稳定性是需要考量的另外一 个方面，稳定性不佳的预测模型在使用过程中势必会影 响使用效果。图6分别表示当输出为含粉率、生产率和 PDI时，MIV-PSO-BPNN模型与BPNN模型的相对误差 值变化情况。 可以很直观地看出，各输出情况下BPNN模型的相 对误差值波动较大，出现较明显的极大值峰，而 MIV-PSO-BPNN模型相对误差值变化相对平稳；从数值 上看，MIV-PSO-BPNN预测模型的三项输出的相对误差 值极值差较相应的BPNN模型分别降低了76.43%、 99.21%和98.74%，表现出稳定性方面非常明显的优势。 图 6 MIV-PSO-BPNN 与基本 BPNN 预测误差变化趋势比较 Fig.6 Comparison of predictive error changing tendency between MIV-PSO-BPNN and BPNN 4 结 论 1）通过构建面向实际的输入输出指标体系，建立了 一种以BPNN为核心，MIV自变量筛选为数据前处理， 粒子群算法为优化手段的颗粒饲料质量预测模型，使用 相关编程软件完成了整个算法模型的实现。 2）使用饲料加工企业采集的实际生产数据对 MIV-PSO-BPNN预测模型进行了训练和测试，测试结果 显示，对反映颗粒饲料质量与产量的颗粒耐久度、含粉 率、生产率等指标，实际值与预测值呈显著正相关，决 定系数 R2达到0.94以上，且预测精度处于较高水平。与 多元线性回归模型及基本BPNN模型性能对比结果显示， 本预测模型预测性能有较明显的优势，各误差指标降幅 从39.55%91.80%不等， 误差总平均降幅分别达84.99% 农业工程学报（） 2016 年 312 和56.95%；同时MIV-PSO-BPNN预测模型预测性能稳 定性更佳，相对误差极值差降幅均值达91.46%。 在对模型调试过程中发现，部分参数如PSO算法更 新公式中的随机量是在算法运行过程中随机赋值获得 的，这导致模型或需若干次试运行方可达到使用者要求 的精度。在接下来的研究中，可以有针对性的对模型参 数随机赋值问题开展研究，使其可以更好地为相关从业 者服务。 参 考 文 献 1 武凯，施水娟，彭斌彬，等. 环模制粒挤压过程力学建模 及影响因素分析J. 农业工程学报，2010，26(12)：142 147. Wu Kai, Shi Shuijuan, Peng Binbin, et al. Modeling and analysis on extruding force in pelleting processJ. Transactions of the Chinese Society of Agricultural Engineering (Transactions of the CSAE), 2010, 26(12): 142147. (in Chinese with English abstract) 2 Barrows F T, Stone D A J, Hardy R W. The effects of extrusion conditions on the nutritional value of soybean meal for rainbow troutJ. Aquaculture, 2007, 265(1): 244252. 3 Abdollahi M R, Ravindran V, Svihus B. Pelleting of broiler diets: An overview with emphasis on pellet quality and nutritional valueJ. Animal Feed Science and Technology, 2013, 179(1): 123. 4 曹康. 中国现代饲料工程学M. 上海： 上海科学技术文献 出版社，2014. 5 宋欣，李艳聪，万志生，等. 基于响应面法的鱼类饲料颗 粒密度预测模型研究J. 饲料工业，2015，36(3)：2731. Song Xin, Li Yancong, Wan Zhisheng, et al. Research on pellet density of fish feed prediction model by response surface methodJ. Feed Industry, 2015, 36(3): 2731. (in Chinese with English abstract) 6 王红英，宋春风. 基于 BP 神经网络的饲料产品品质预测 方法J. 饲料工业，2011，32(11)：15. Wang Hongying, Song Chunfeng. Prediction of the quality of feed based on the BP networkJ. Feed Industry, 2011, 32(11): 15. (in Chinese with English abstract) 7 Pathumnakul S, Piewthongngam K, Apichottanakul A. A neural network approach to the selection of feed mix in the feed industryJ. Computers and Electronics in Agriculture, 2009, 68(1): 1824. 8 Sudha L, Dillibabu R, Srivatsa S S, et al. Optimization of process parameters in feed manufacturing using artificial neural networkJ. Computers and Electronics in Agriculture, 2016, 120: 16. 9 陈亚新，屈忠义，高占义. 基于 ANN 技术的大型灌区节水改 造后农田水环境预测J. 农业工程学报，2009，25(1)：15. Chen Yaxin, Qu Zhongyi, Gao Zhanyi. Prediction of farmland water environment after reconstruction of water-saving in the large-scale irrigation district based on the ANN technologyJ. Transactions of the Chinese Society of Agricultural Engineering (Transactions of the CSAE), 2009, 25(1): 15. (in Chinese with English abstract) 10 郄瑞卿，关侠，鄢旭久，等. 基于自组织神经网络的耕地 自然质量评价方法及其应用J. 农业工程学报，2014， 30(23)：298305. Qie Ruiqing, Guan Xia, Yan Xujiu, et al. Method and its application of natural quality evaluation of arable land based on self-organizing feature map neural networkJ. Transactions of the Chinese Society of Agricultural Engineering (Transactions of the CSAE), 2014, 30(23): 298305. (in Chinese with English abstract) 11 沈文颖，李映雪，冯伟，等. 基于因子分析-BP 神经网络 的小麦叶片白粉病反演模型J. 农业工程学报，2015， 31(22)：183190. Shen Wenying, Li Yingxue, Feng Wei, et al. Inversion model for severity of powdery mildew in wheat leaves based on factor analysis-BP neural networkJ. Transactions of the Chinese Society of Agricultural Engineering (Transactions of the CSAE), 2015, 31(22): 183190. (in Chinese with English abstract) 12 张宏，马岩，李勇，等. 基于遗传 BP 神经网络的核桃破 裂功预测模型J. 农业工程学报，2014，30(18)：7884. Zhang Hong, Ma Yan, Li Yong, et al. Rupture energy prediction model for walnut shell breaking based on genetic BP neural networkJ. Transactions of the Chinese Society of Agricultural Engineering (Transactions of the CSAE), 2014, 30(18): 7884. (in Chinese with English abstract) 13 王红英，高蕊，李军国，等. 不同原料组分的配合饲料比 热模型J. 农业工程学报，2013，29(9)：285292. Wang Hongying,Gao Rui,Li Junguo.et al. Model of formula feed specific heat based on different components of feed ingredientsJ. Transactions of the Chinese Society of Agricultural Engineering (Transactions of the CSAE), 2013, 29(9): 285292. (in Chinese with English abstract) 14 王红英，李倪薇，高蕊，等. 不同前处理对饲料玉米比热 的影响J. 农业工程学报，2012，28(14)：269276. Wang Hongying, Li Niwei, Gao Rui, et al. Effects of different pretreatments on specific heat of forage maizeJ. Transactions of the Chinese Society of Agricultural Engineering (Transactions of the CSAE), 2