BP人工神经网络在稻米储藏质量评估中的应用

曹冬梅 张东杰 鹿保鑫 翟爱华

(黑龙江八一农垦大学食品学院，大庆 163319)

大米在储藏过程中，因为没有谷壳的保护，胚乳直接暴露在空气中，极易受湿、热、虫、霉的影响而变质，不仅影响了大米的食味品质。而且关系到大米储藏的安全。因此如何准确、快速地预测和监控大米质量指标对大米储藏和品质影响具有十分重要的意义。

人工神经网络(ANN，Artificial Neural Networks)是一种应用类似于大脑神经突触联接的结构进行信息处理的数学模型。在工程与学术界也常直接简称为神经网络或类神经网络。由大量的节点(或称神经元)相互联接构成。每个节点代表一种特定的输出函数，称为激励函数(activation function)。每2个节点间的连接都代表一个对于通过该连接信号的加权值，称之为权重，这相当于人工神经网络的记忆。网络的输出则依网络的连接方式，权重值和激励函数的不同而不同。而网络自身通常都是对自然界某种算法或者函数的逼近［1］。因此具有强大的信息处理能力，在进行数值的监控、预测方面更具有明显的优势。

通过检测大米样本的脂肪酸值、还原糖、黏度，并以其检测值作为训练样本，建立基于反向传播算法的人工神经网络(BP网络)的大米储藏品质模型，实现准确、快速预测与监控大米的品质随时间变化的规律，保证大米的食用品质和安全性。

1 人工神经网络及BP算法

人工神经网络是由人工建立的以有向图为拓扑结构的动态系统，通过分析连续或断续输入的状态响应来进行信息处理。其实质是输入转化成输出的一种数学表达式，这种数学关系由网络的结构来确定［2］，ANN所包含的大量神经元可分为输入层、隐层和输出层的多层结构。输入、输出层为单层，神经元数(也称节点数)分别由输入、输出变量的数目确定;隐层可以是单层也可以是多层。隐层层数与各隐层节点数的确定比较复杂，一般应以获得最优网络性能为目标，根据所研究的具体问题，按经验或作尝试比较确定。误差反向传播网络(Back Propagation，BP网络)是人工神经网络的重要模型之一，基本的BP网络拓扑结构见图1。

图1 BP网络拓朴结构

ANN是一种新型的黑箱方法，与传统的线性或非线性回归方法相比，它具有以下优点［3］:ANN具有学习能力;ANN是一个复杂非线性系统，对于非线性系统具有较好的处理能力，包括模拟、优化和控制;ANN是一种并行运算系统，与串行运算相比具有较高的运算速度，响应时间较短，可以满足在线模拟、在线优化、自适应控制的需要。

2 大米储藏品质的人工神经网络模型

2.1 网络模型的建立和训练

对来自黑龙江省大型米业集团的同一批次的5个样本稻米在实验室室温下避光储藏360 d，按照国标方法(LS/T 6101—2002谷物黏度测定、GB/T 5009.7—2003食品中还原糖的测定、GB/T 15684—1995谷物制品脂肪酸值测定法)每隔15天检测其脂肪酸值，还原糖和黏度值，见表1。

2.2 样本数据预处理

将表1中的检测值数据作为样本的训练数据，进行归一化处理，即通过变换处理将网络的输入、输出数据限制在［0，1］或［－1，1］区间内。从而使网络训练一开始就给各输入分量以同等重要的地位。处理后的数据见表1(归一化处理后数据)。

表1 实验室储藏大米的脂肪酸值、还原糖和黏度检测值和归一化处理后数据样本

3 结果与分析

对表1的24个样本(黏度值选择12个样本)进行训练BP网络，该BP网络采用输入层为3个结点，输出层为1个结点，而隐含层有8个结点。取学习率为0.1，取动量系数为0.6，初始权值为0.3。输入 BP神经网络，对其进行学习训练，迭代计算，直到输出的误差足够小，能对24个样本(黏度值12个样本)进行正确选择，将已知数据代入模型进行学习与训练，结果见图2、图5、图8。

3.1 脂肪酸

由图2可知，所设计的大米脂肪酸值神经网络模型用实测的24组样本数据进行训练，当步长达到103次的时候，输出层的均方误差就达到了4.23×10－6，满足训练参数中要求的目标误差要求。利用模型得到大米脂肪酸值的预测值与实测值的结果如图3、图4所示。

图2 脂肪酸值的训练误差曲线

图3 脂肪酸值的预测值与实测值的拟合曲线

图4 脂肪酸值的预测值与实际值的绝对误差曲线

由图3、图4可知，应用神经网络模型预测数据与实测数据的对比来看，BP神经网络检测性能较好，绝对误差在±0.004之间，误差较小，BP神经网络模型的预测效果好。为了进一步验证预测模型的有效性，对5个样本稻米进一步储藏，每15 d检测其脂肪酸值与建立的神经网络预测值进行比较分析，见表2。

表2 脂肪酸值的预测值与实测值

由表2可知，平均相对误差为0.17%，小于0.01，故模型可以用来预测大米在储藏时脂肪酸值随时间变化的规律。

3.2 还原糖

由图5中可知，所设计的大米还原糖神经网络模型用实测的24组样本数据进行训练，在经过152步以后，输出层的均方误差就达到了4.51×10－5，满足训练参数中要求的目标误差要求。利用模型得到大米还原糖的预测值与实测值的结果如图6、图7所示。

图5 还原糖的训练误差曲线

由图6、图7可知，应用神经网络模型预测数据与实测数据的对比来看，BP神经网络检测绝对误差在±0.015之间，误差较小，BP神经网络模型的预测效果好。为了进一步验证预测模型的有效性，对5个样本稻米进一步储藏，每15 d检测其还原糖与建立的神经网络预测值进行比较分析，见表3。

图6 还原糖的预测值与实测值的拟合曲线

图7 还原糖的预测值与实际值的绝对误差曲线

表3 BP神经网络的预测结果

由表3可知，平均相对误差为0.17%，小于0.01，故模型可以用来预测大米在储藏时还原糖含量随时间变化的规律。

3.3 黏度

从图8中可以看出，在经过90步以后，输出层的均方误差就达到了1.54×10－8，满足训练参数中要求的目标误差要求。利用模型得到大米黏度的预测值与实测值的结果如图9、图10所示。

由图9、图10可知，应用神经网络模型预测数据与实测数据的绝对误差在－0.000 25～0.000 2之间，预测效果好。为了进一步验证预测模型的有效性，对5个样本稻米进一步储藏，每15 d检测其黏度值与建立的神经网络预测值进行比较分析，见表4。

由表4可以看出，平均相对误差为0.24%，小于0.01，故模型可以用来预测大米在储藏时黏度随时间变化的规律。

图8 黏度的训练误差曲线

图9 黏度的预测值与实测值的拟合曲线

图10 黏度的预测值与实际值的绝对误差曲线

表4 BP神经网络的预测结果

4 结论

基于BP人工神经网络建立了大米储藏品质的预测模型，用该模型预测大米的脂肪酸值、还原糖含量和黏度随时间变化的规律，通过实测值与预测值的对比验证，确定了预测模型的有效性。利用该模型可以快速、准确监控大米品质的变化情况，在品质发生劣变之前采取有效措施，保证大米的食用品质和安全性。

［1］张青贵.人工神经网络导论［M］.北京:中国水利水电出版社，2004:11－13

［2］Hecht－ Nielsen R.Theory of Back propagation Neural Networks［M］.Proc.IEEE IJCNN，1989:593 －603

［3］罗鑫，沈大中，冯冬青.神经网络算法在暖通空调控制中的应用［J］.微计算机信息(测控自动化)，2009，25(1):26－28

［4］李季，蒲彪.人工神经网络在食品微生物发酵中的应用［J］.食品研究与开发，2009，30(4):171 －173

［5］Eberhart R C，Dobbins RW.Neural Network PC Tools［M］.Academic Press，1990，35 －58

［6］Gironif，Poggio T.Representation properties of network:kolmogorov’s theorem is irrelevant［J］.Neural Computation，1989(1):465－469

［7］TakefuJi Y，Lee k C.A parallel algorithm for tiling problems［J］.IEEE Trans.Neural Networks，1990，1(1):143 －145

［8］Klopf A H.The hedonistic neuron:a theory of memory，learning，and intelligence［M］.Hemisp － here，Washington，DC，1982

［9］McAvoy T J，Wang N S，Naidu S，etal.Interpreting biosensor data via backpropagation［M］.International Joint Conference on Neural Networks，1989(1):227 －233

［10］Psaltis D，Sideris A，Yamamura A A.A multilayered neural network controller［J］.IEEE Co － ntrol Systems Magazine，1988，8(2):17 －21

［11］孙永海，万鹏，于春生.基于BP神经网络的大米含水量近红外检测方法［J］.中国粮油学报，2008，23(6):193－197

［12］汪小芳.基于人工神经网络利用机械特性检测苹果品质方法的研究［D］.华中农业大学，2006

［13］闻新著.MATLAB神经网络仿真与应用［M］.科学出版社，2003(7):258－284

［14］钱永中.应用于农药残留对人体暴露评估的蒙特卡洛方法及其进展［J］.农业质量标准，2007(5):43－46

［15］刘潇威.农产品中重金属风险评估的研究进展［J］.农业环境科学学报，2007，26(1):15 －18.