前言

粮堆内部环境可视为一个非线性动态系统， 粮堆内部环境的变化是该系统对温度、湿度及气 体等物质进行调整的结果．神经网络模型具有很 强的非线性映射能力和柔性网络结构，以及高度 的容错性和鲁棒性，适合非线性问题的研究，故而
粮特征预先选定P组数据组成训练样本集，使用
附加动量项的BP算法对网络进行学习和训练． 将模糊规则和隶属度函数用神经网络表现出来， 隶属度函数的参数赋予为神经网络权值，生成的 神经网络用于模糊推理，经模糊神经网络智能化 处理后得储粮安全等级．

票腓
 
也适合粮堆内部环境评价研究．本文选取BP神
经网络算法，进行粮堆内部环境的评价研究，但 是，标准BP算法存在着收敛速度慢和容易陷入 局部极值两个问题．为此，采用粒子群算法对神经 网络的训练进行优化．
温度
传感器
储粮安全 等级
 

1     粮情测控系统模型

应用模糊神经网络进行粮情测控的系统模型 如图1所示，其主要由以下3部分组成：传感器测 量数值的预处理、模糊神经网络对信号的处理部 分以及储粮安全等级的识别判断．
由各传感器完成温度和湿度的测量，根据储

收稿日期：2009∞4-02 基金项目：“十～五”国家科技支撑计划(2006BAD08801)；郑州
市科技攻关项目(083sGxG25121．19)
作者简介：吴建军(1976一)。男，河南温县人，讲师，博士。主要从事 计算机控制系统工程研究等．
图l基于模糊神经网络的粮情测控系统模型

2  基于粒子群改进算法的模糊神经
网络的结构模型

2．1模糊神经网络计算模型
本文以温度和湿度作为输入变量建立模糊神
‘经网络，其结构如图2所示．模糊神经网络的第一 层和第二层对应于模糊规则的前件，第三层和第 四层对应于模糊规则的后件．也即第一层为输入 层，第二层为模糊化层，第三层作为模糊推理规则 与归一化层，第四层为去模糊化层．各层输入输出 关系如下若用I表示各层的输入信息，O表示各层的
输出信息，且假设每一个输入量的模糊子集一样， 则每一层的输入和输出关系为(下标日和r分别 为湿度和温度)：
图2  模糊神经网络结构

图中兀=心。．(石。)•p。。(菇：)是一个T模运 算，完成模糊与操作．弘为隶属函数，用于模糊输 入信息．
第一层：两个神经元分别表示预处理后的传 感器信号，输出为：
，：1)I菇。                           (1)
D：1’=疋1’    (后=1，2)            (2) 第二层：把输入信号变为对应的各等级隶属 度函数，即被模糊化．将输入变量日和r分别分 为小(S)、中(M)、大(L)三个等级，各等级的隶
属度可由隶属度函数得到．
E，=D∥              (3) D等’=p“(搿’)     (江1，2，3)     (4) 第三层：综合处理两输入信号，完成模糊规
则提取，为去模糊作准备，输出为：
叠3’=D∥•Di尹             (5) D：3’=学’      (i=1，2，3，．『=l，2，3) (6) 该层节点总数为c=m凡，代表模糊规则个数，
其中n为系统中输入信号的个数，m为每个输入 变量的隶属度函数被分成的状态个数．
第四层：进行归一化运算处理，通过去模糊得
粮食储藏安全等级，实现模糊量的清晰化和解模 糊计算，输出为：
y JI    墼
变化调整各条模糊推理规则在储粮安全等级判别
的相对重要性．埘。权值的应用优化了模糊推理规 则，并使模糊推理具有自适应性，从而提高系统的 智能化程度，通过学习算法修改权值使该网络适 应于不同的环境．
2．2基于粒子群算法的模糊神经网络参数优化
设计
2．2．1   粒子群优化算法
粒子群优化算法(PsO)源于对鸟群捕食的行 为研究，由Eberhan博士和Kennedy和博士发明， 是一种进化计算技术，PsO同遗传算法类似，是一 种基于叠代的优化工具。
PSO首先初始化为一群随机粒子(随机解)， 通过叠代找到最优解，在叠代中，粒子通过跟踪两 个“极值”来更新自己．第一个个体极值pBest就 是粒子本身所找到的最优解，另一个极值称为全 局极值gBest，是整个种群目前找到的最优解。当 然也可以不用整个种群，利用其中一部分做为粒 子的邻居，那么在所有邻居中的极值就是局部极 值。计算公式如下：
tJ^+1=钾移I+cl r1(p6e毗‘一戈^)+c2r2(96e础I一菇^) (8)
髫^+l=菇I+秽^+l，               (9) 其中，口。是粒子的速度向量；石。是当前粒子 的位置；c。，c：为常数，称为学习因子；r。，r：是在
[0，1]上均匀分布的随机数；埘是惯性权重．
2．2．2参数优化算法设计
本文提出的参数优化算法的思想是将模糊神 经网络算法中的运行参数作为粒子群算法的优化 对象(粒子的位置)，在每一次迭代过程中，使用 粒子的当前位置信息来运行模糊神经网络算法求 解一标准优化问题，并使用适应值评价函数对求 解性能做出评价，从而引导各粒子向着适应值高 的方向改进．
根据模糊神经网络结构可知，在模糊多层前 馈网络，第一层与第二层，第二层与第三层之间的 权值均可设为为1，神经网络通过学习要调整的 是第二层隶属函数的参数和第四层的网络权 值H制，当隶属函数取Gauss函数时，神经网络有
12个隶属函数参数和9个权值参数需要通过网
 
∑∑D；3’
i=l j=l
其中，训i为第三层到第四层之间的权值，其它 各层之间的权值均为1．
通过该层钾。权值的应用，使得直声网络中的(责任编辑：南粤论文中心)转贴于南粤论文中心: http://www.nylw.net(南粤论文中心__代写代发论文_毕业论文带写_广州职称论文代发_广州论文网）