基于改进粒子群优化-反向传播神经网络算法的小麦储藏品质预测模型

在使用反向传播神经网络(back propagation neural network,BPNN)预测小麦的储藏品质时,由于其易陷入局部极值且收敛速度慢,导致预测误差较大且稳定性较差,由此提出一种改进粒子群(improved particle swarm optimization,IPSO)算法优化的BPNN预测模型。采用非线性函数动态调整粒子群算法中的惯性权重和学习因子,优化BPNN中的权值参数,进而构建IPSO-BPNN预测模型。为验证该模型的准确性和稳定性,将其与BPNN模型、PSO-BPNN模型进行对比,结果表明:IPSO-BPNN模型预测的均方误差显著降低,有助于提高小麦储藏品质预测的准确性和可靠性。

基于ISSA-LSTM的储麦长期品质预测

为了解决非时序预测模型无法预测储麦品质时序劣变趋势,以及现有数据驱动的时序预测模型在长期储麦品质预测中因样本不足导致长期预测精度不高的问题,提出一种基于改进麻雀搜索算法(ISSA)优化长短时记忆网络(LSTM)的长期储麦品质预测模型。首先,提出了一种统计均匀分布方法,利用小麦稳定劣化的生理知识对原始数据进行增强扩容。其次,利用麻雀搜索算法(SSA)对LSTM模型进行优化,克服局部极值点,提高收敛速度。最后,引入t分布函数对SSA位置更新过程进行扰动避免局部最优。结果表明,储麦品质参数中的吸水率、咀嚼度、脂肪酸值和峰值黏度与储藏时间的Spearman相关性较为显著,相关系数均高于0.9,ISSA-LSTM模型预测精度相比于BP、LSTM、SSA-LSTM预测模型分别提高了11.83%、16.98%、26.50%,有助于提高小麦品质预测及分析的准确性。

基于Broad-AdaBoost的小麦品质指标预测模型

小麦品质的劣变机理较为复杂,利用常规的分析方法预测小麦品质指标存在稳定性及准确性不足等问题,为此,提出一种用于小麦品质多生理生化指标精准预测的BroadAdaBoost模型。综合了宽度学习系统(BLS)和AdaBoost算法在高效性及稳定性方面的优势,分别采用线性激活函数、非线性激活函数进行特征变换以获得特征学习器、增强学习器,并由AdaBoost算法加权组合为性能更优的强学习器,完成小麦品质指标的预测分析。实验结果表明:Broad-AdaBoost模型的综合预测误差为0.166,相对于BP-AdaBoost、DNN、BLS、SVR、GM分别降低了9.29%、20.19%、3.49%、5.14%、10.75%,其稳定性优于原有算法,在6种模型中性能最优,可有效提高小麦品质指标预测的效率及准确性。