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

• 作者: 吕芳 孔丹丹 岳岩 方鹏 王红英 陈啸
• 来源期刊: 农业工程学报
• 学科: 农学
• 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
• 年，卷（期）: 2016,（14）
• 所属期刊栏目: 农产品加工工程
• 页码范围: 306-314
• 页数: 9页
• 分类号: S816.9
• 字数: 7757字
• 语种: 中文
• DOI: 10.11975/j.issn.1002-6819.2016.14.041

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。

作者信息

序号	姓名	单位	发文数	被引次数	H指数	G指数
1	王红英	中国农业大学工学院	101	507	14.0	17.0
2	孔丹丹	中国农业大学工学院	28	101	5.0	8.0
3	陈啸	中国农业大学工学院	19	63	4.0	6.0
4	岳岩	中国农业大学工学院	7	37	3.0	5.0
5	吕芳	中国农业大学工学院	6	35	3.0	5.0
6	方鹏	中国农业大学工学院	24	44	3.0	5.0