基于分解的深度学习模型在粮堆温度预测中的应用

在粮食储存过程中,存储温度过高或过低都会造成粮食的损失,准确检测粮堆温度对粮食有效存储至关重要.提出了一种基于分解和深度学习方法的SSA-BiGRU-MLP组合模型来预测粮堆中层温度.首先针对粮堆的外温、外湿、仓温、仓湿和中层温度等多因素变量,使用奇异谱分析(SSA)方法对粮堆的中层温度进行分解,得到本征模态函数(IMF);然后运用多层感知机(MLP)优化的双向门控循环神经网络(BiGRU)对粮堆温度进行预测.实验结果表明:所提出的SSA-BiGRU-MLP模型与SSA-BiLSTM-MLP,SSA-LSTM-MLP,SSA-GRU-MLP相比,不论是在绝对平均误差、均方误差,还是均方根误差上所提出的SSA-BiGRU-MLP方法都优于其它组合模型,具有更好的预测精度.

基于深度特征融合的米粉原料指标含量预测问题研究

米粉是中国南方地区的一种特色小吃,随着粮食行业的发展和生活水平的提高,选择合适的原料来生产优质的米粉是目前有待解决的问题之一。为此,在满足米粉各种特性的前提下,提出了一种深度特征融合技术,结合机器学习算法来实现米粉制品指标对原料指标的逆向预测。深度特征融合技术通过对米粉制品指标进行多层的加权特征融合,使用机器学习预测模型对原料指标预测,并使用粒子群算法对特征融合的权值与预测模型结构进行内外嵌套优化,达到提高预测精度的目的。实验表明,经优化后单项指标最高的决定系数(R2)可达0.987,单项指标最低的均方根误差(RMSE)可达0.030 2,其中水分、淀粉含量、蛋白质含量、膨润力、糊化温度等原料指标值的预测值与真实值之间的误差较小,具有很好的预测效果,可为生产优质米粉提供很好的原料选择参考。

基于多维度特征并行提取模型的黄酒制品指标预测

随着粮食行业的逐渐发展,常见预测方法得到制品的原料指标含量不满足时代需要。提出多维度特征并行提取与神经网络全局优化结合的混合模型,通过0,1加权后完成不同数据处理方法并行组合。采用和声搜索算法分别与BP、RNN神经网络结合,分组化处理和声记忆库避免陷入局部最优,实现网络类型及结构的优选并完成特征选择,通过HS算法代替传统优化器进一步优化网络权重,从整体性实现神经网络全局优化。实验表明,通过混合模型实现预测,在黄酒原料指标大米水分、蛋白质、粗淀粉、脂肪含量、直链淀粉等指标值上的预测值与真实值之间具有较小的误差值。模型决定系数提高8%至24%,均方误差缩小7%至21%。可为生产优质制品提供满足时代需要的原料优选参考。