英语原文共 10 页，剩余内容已隐藏，支付完成后下载完整资料
基于BP神经网络对薄层干燥过程的设计与优化
Sh.Gorjian,T.Tavakkoli Hashjin,M.H.Khoshtaghaza,A.R.Sharafat
Department of Agricultural
Machinery Mechanics, College of Agricultural Engineering,
Tarbiat modares University Department of Electrical Engineering, College of Engineering, Tarbiat modares University Tehran, Islamic Republic of Iran Shgorjian@gmail.com
摘要：在本研究中，运用了BP神经网络来在干燥过程中的伏牛水果（小檗果实）的水分含量进行了预测。本文中重要的过程有，伏牛的预处理（热水浸泡，橄榄油 和NAT），空气干燥温度（60,70和80℃），干燥速度（0.3，0.5和1m/s）和时间（s），这些是该神经网络的输入层，神经网络的输出层则是水分。用薄层干燥方法得到的实验数据训练和测试网络。在训练BP神经网络时，训练算法，学习速率，动量系数，隐层的数量，每个隐含层神经元个数和激活函数的选择都将影响神经网络的性能。本文确定的最佳的训练算法是MSE值最少的LM算法，激活函数采取logsig，学习速率设为0.5，动量系数为0.7，神经网络的拓扑结构为4-20-1，此时最小的MSE值为0.00318。当设置四层神经网络时拓扑结构为4-25-5-1，此时MSE值为0.001。当激活函数采用tansig时，最佳神经网络结构为4-20-1和四层拓扑结构4-15-15-1，这两个神经网络的MSE值分别为0.00293和0.00130。这两个激活函数没有显著的差别。最终通过神经网络得到的预测值与实际值之间误差不大。
关键词：薄层；人工神经网络；水分含量；训练算法；拓扑；动量
1、引言
伏牛水果（小檗果实）是一种药用和观赏类植物。早在2500年前，伏牛就体现了其药用价值。在印度民间医药中，它有治疗腹泻、减少发热、提高食欲、缓解胃部不适的作用，也可以提高人的活力以及幸福感。伊朗是世界上的伏牛生产大国。将农产品的脱水的托盘干燥机需要很多能量，所以在维护和控制机器这一块会产生费用。伏牛过高的含水量导致微生物的生长和伏牛低质量，而它过低的水含量可能会导致能量消耗过大。提高干燥机器的处理效率和降低能量消耗，工艺参数必须被优化。数字模拟系统是一种便捷的方式，预测的主要参数进化不同的操作条件。大部分的农产品缺乏热物理性能是数值模拟脱水过程的主要障碍。另一方面，从数字的结果仿真已通过的装置进行验证实验研究。数学模型通常给出最准确的结果，但在具体的实验和它们不是最有效的。此外通过数学模型模拟，由于根据一些假设干燥过程而忽视某些效果依存变量，所以导致预测能力下降。神经网络有许多吸引人的特性，它没有复杂过程建模。现已经有一些关于干燥过程的研究是基于人工神经网络进行的：预测食品太阳能干燥过程中的温度，预测农产品的水分含量，预测木薯饼干和半成品的水分含量，预测薄层玉米内容干燥过程的水分，预测在胡萝卜的干燥过程物理性质的变化，模拟的工业干燥过程，番茄干燥过程的建模。
本文的目的是验证神经网络可以用来预测在伏牛果实在不同的干燥过程的水分含量。另外，获取代表学习数据和标准以确保训练神经网络达到最佳。本文的结构如下：第一，描述实验过程。介绍最初用来训练神经网络的数据集的来源。第二，参数优化。建立一些标准来优化处理数据。考虑学习算法、不同动量系数的数值、学习率、隐含层的数量、每层神经元的数量和训练算法的取值与使用。最后，使用线性回归分析来处理各种情形下的神经网络的预测值与实际值。
2、实验过程
新鲜的浆果的水分含量在105ordm;C的烘箱中进行为期4小时的干燥，直到在一式三份中任取两个质量无明显差异。使用浸涂样品的化学物质是工业级的。通过打破伏牛果实的蜡状层来加快干燥，将浆果被浸泡热水中，接着用冷水冷却。增加伏牛果实表皮的渗透性，然后将浆果浸入橄榄油和中。将在加热板上加热到50℃的蒸馏水中不断搅拌加入以达到合适浓度，然后在该溶液中，在浆果浸渍过程中保持连续搅拌，加入橄榄油。三种处理方式如下：
●第一种：在85ordm;C热水煮60秒，接着立即用10ordm;C的冷水漂洗。
●第二种：在50ordm;C的环境下将浆果浸在含3％橄榄油和6％的溶液中浸泡2分钟。
●NAT（第三种）：无预处理。
使用Tarbiat Modares大学农业工程学院实验室的横流热风干燥机对浆果进行干燥实验。干燥器包括托盘，空气流系统，空气干燥加热部和主干燥室（图1）。
图1 横流热风干燥机:(1)空气流速控制器(2)离心机(3)空气加热室(4)加热器(5)门(6)托盘放置处 (7)电子称重传感器 (8)电脑
干燥器装有一个自动温度控制器（精确值plusmn;0.1℃），通过使用精密天平的在线重量记载器（精确值0.01克; A＆D ModelJapan），负载传感器和在线数据记录器记录了2分钟的浆果的重量损失区间。实验时空气的温度设置为60ordm;C，70ordm;C和80ordm;C。在三个温度下干燥速度分别为：0.3m/s，0.5m/s和1m/s。对于预处理的定量评价效果还包括与实验未经处理的伏牛果。为了实现稳态热状态，干燥器提前半小时开始工作。在每个干燥实验，约10克伏牛果被放置在薄层干燥室的托盘上。为确保储存稳定性，经过干燥的伏牛果最终水分得低于18％水含量（w / w）。重复三次实验，并且用平均的在每个时间点的水分比绘制干燥曲线。含水率（MR）用计算公式如下：
（1）
其中，，，分别为初始水分含量，某时刻t时含水量，平均含水量。
3、神经网络描述
人工神经网络模型的开发涉及使用实验数据对这个网络的训练，评估各种值的设定导致最优配置的选择。 使用MATLAB R2009a软件实现BP算法。在这项研究中，数据被划分成三组，一组为训练样本，另一组用来验证模型。该网络有三层：输入层，隐含层和输出层。输入层和输出层的神经元个数分别等于输入和输出的参数个数。输入层有四个类型的预处理神经元：干燥空气温度（℃），干燥空气流速（m / s）和时间（s）。把水分含量值作为输出层（图2）。
图2 预测含水量的神经网络模型
运用从薄层干燥器获得的实验数据，通过人工神经网络优化模型来预测伏牛水果的含水量。输入层的神经元接收输入信号，接着将信号传播到隐含层。隐含层单元 由输入信号加权决定并应用其训练算法计算输出信号。
（2）
其中，为输入层中第i个神经元到隐含层第k个神经元的权值， 是为第j个偏置连接隐含层的权重单元。隐含层单元的输出信号被发送到在输出层中的所有单元。输出层单元综合加权输入层单元并应用其训练算法计算其输出信号。
（3）
其中，为隐含层中第j个神经元到输出层第k个神经元的权值，b为方程偏差值。将隐含层阈值设置为1，使得输出层相应的权重沿x移位。在这所使用的激活函数有tangent sigmoid和logistic sigmoid，其定义分别为：
（4）
（5）
在隐含层中使用这两个激活函数，在输出层中则使用的激活函数为线性函数（如图3）。
图3 神经网络的各层使用的激活函数模型
BP算法使用梯度法，使网络误差平方和（MSE）达到最小值且平均绝对误差超过所有层的均值。其计算公式如下：
（6）
（7）
其中，是预期或实际产量，是的预测值，是在输出层神经元的数目，是层数。
在训练神经网络过程中，人工神经网络是经历数千次的数据训练出的，这被称为时点。每个时点后的人工神经网络将实际输出值与预期值之间的误差值反向传播到到网络的上一层来调整权重。
训练时不断调整权重，直到达到特殊值时，才允许网络生产出足够接近输出实际需要的输出。所以开发的模型的精度主要依赖于权重。一旦取得最优权重，权重和偏置值使网络处于学习状态。
在这项研究中，可用的数据被分拆成三组，一组用于训练网络，另一组用来做测试样本，还有一组用来做确认样本。用从薄层烘干机得到的数据，经过优化的人工神经网络模型是来预测伏牛水果出来的水分量。基本的BP算法通过反向传播来调整权重（负的梯度）。
神经网络中最重要的任务是寻找最佳网络架构。该网络架构是通过选择多个网络配置而选择出的。包括各种模型参数的选择：动量系数、学习速度、隐含层数、隐含层神经元个数、不同的激活函数和训练算法的选择。不同训练算法如表1所示。
表1 BP神经网络的训练算法
4、结果与讨论
最初，神经网络采用了训练算法。为了得到最好的结果，每一个模型的参数是变化的，保持其他参数不变，研究变量参数的影响。随机选择tansig作为激活函数，将隐含层神经元个数设定为20，通过人工神经网络模型最有效的仿真实验数据被选定最佳模型。不同的训练算法对水分含量预测结果于图4。
图4 不同训练算法下的神经网络的MSE值
由上图可以看出，不同的训练算法中，LM算法结果最为满意。CGF和OSS也令人满意。
在该网络训练次数中，误差的水平是令人满意的，并在接下来的循环中它的减少对输出结果无显著影响。为了获得最佳隐含层的数目和隐含层中神经元的个数，最初进行训练的人工神经网络模型，具有一个隐含层，该隐含层含有不同数量的神经元，采用logsig作为激活函数和LM训练算法。然后用相同的训练算法和激活函数，取隐含层个数为2，选取不同的隐含层节点个数进行训练。该神经网络隐含层节点的最小和最大数目分别为5和20，从5开始，下次实验时再逐次增加5个节点。经试验，最好的拓扑结构为4-20-1和4-25-5-1，它们得到的MSE值分别为0.00318和0.001，结果如表2所示。
表2 LM训练算法与激活函数为logsig下的神经网络的MSE值
当神经网络只有一个隐含层时，以5个节点为一个阶级，随着节点的增加，MSE值都逐渐降低。但是，当节点数量为25时，MSE值再次增加。隐含层节点太少会导致低拟合的情况。在低拟合时在复杂的数据集时隐含层节点数少可以充分检测信号。隐含层节点过多可能导致过拟合。过度拟合发生时，神经网络信息处理能力有限，在训练集所包含的信息量有限，是不足以训练隐层所有节点的。当网络开始超过适合于验证数据时，MSE值通常会开始增加。训练具有2个隐含层的神经网络，相比于只有一个隐含层的网络，MSE值有所减少。这些网络命名为浅网络，有更好的性能。显然，在隐含层中，太多和太少的神经元之间必须达成一些妥协。因此，确定隐含层的数目的并且在他们每层的节点数目是基于不断尝试和观察MSE值。为了评估两个网络的性能不同的激活函数，先前实验用tansig作为激活函数，其结果如图5所示。
图5 两种不同激活函数的神经网络的MSE值
最好的拓扑结构和激活函数为4-20-1和4-15-15-1，MSE值分别为0.00293和0.00130，结果如表3所示。
表3 采用LM算法和tansig作为激活函数的神经网络的MSE值
两种激活函数比较表明，除了4-5-1，4-5-15-1，4-5-5-1和4-10-15-1，在其它拓扑转移的影响对神经网络的预测能力没有显著差异。最后，提出的模型的预测能力进一步评估的基础回归线其特征在于它的相关系数（R），间预测和测试试验值和验证数据集。结果如表4。
表4 采用logsig和tansig作为激活函数的神经网络的结果比较
可以看出，这些拓扑结构预测结果具有误差都小，被发现是略接近实验数据。
5、结论
结果是，人工神经网络在薄层不同干燥条件下的干燥过程中伏牛果的水分含量的预测是成功的。通过最小的MSE值确定训练算法采取LM算法为最佳的。最佳的激活函数采取logsig，拓扑结构则是4-20-1和4-25-5-1，这两种情况下MSE值分别为0.00318和0.001。采取tansig作为激活函数，拓扑结构为4-20-1和4-15-15-1时，MSE值分别为0.00293和0.00130。结果表明：采用tansig和logsig作为激活函数在最佳拓扑结构时没有差异显著。此外，最佳的人工神经网络模型可以通过R方值成功的估计所述在线状态和控制在工业操作中的干燥过程。
参考文献：
[1] Aghbashlo, M., Kianmehr, M.H., Samimi-Akhijahani, H. 2008. Influence of drying conditions on the effective moisture diffusivity, energy of activation and energy consumption during the thinlayer drying of berberis fruit (Berberidaceae). Journal of Energy Conversion and Manageme
剩余内容已隐藏，支付完成后下载完整资料
资料编号：[31581]，资料为PDF文档或Word文档，PDF文档可免费转换为Word
以上是毕业论文外文翻译，课题毕业论文、任务书、文献综述、开题报告、程序设计、图纸设计等资料可联系客服协助查找。
