遗传算法在微波谐振腔水分测量中的应用

邹治军（南京科技职业学院，南京210048）

遗传算法在微波谐振腔水分测量中的应用

邹治军
（南京科技职业学院，南京210048）

0　引言

在物料水分检测技术研究中，找出各种电参量（如电导率、介电常数）或非电参量（如微波相位、频率）与水分的函数关系是主要的研究内容之一。利用微波谐振腔进行水分测量具有检测快、精度高、非接触的优点，国内外对此进行了深入研究［1-2］。这些研究的相同点是都采样传统的多元非线性回归方法建立谐振参量和物料水分的数学模型，测量精度有待提高。已有研究表明，水分是关于微波谐振腔谐振参量的非线性函数［3］，而人工神经网络具有良好的非线性函数映射能力。其中，BP网络具有较好的泛化能力，缺点是收敛速度慢，容易陷入局部极值。遗传算法的最大优点是可以获得全局最优解。本文利用遗传算法实现BP神经网络连接权的初步优化，缩小搜索空间，再由BP算法完成网络连接权的精确寻优。本方案综合两种算法的各自优点，提高了模型预测的速度与精度。

1　微波谐振腔水分测量原理

利用微波谐振腔测量水分时，放置于谐振腔电磁场中样品的水分含量会反映在频率偏移和品质因数参量上。在大多数场合，其关系可以用以下函数表示（湿基法）：

上式中的M表示样品的含水率，mW表示样品中水的质量，mD是样品烘干后的干物质质量，ψ1，ψ2分别是mW，mD关于谐振参量α、β的函数。在微波谐振腔水分测量中，通常关注的是谐振频率偏移ΔF和品质因数Q这两个参量。其中，ΔF=f0-fs，fo，fs分别代表谐振腔空腔以及放置样品后的谐振频率。品质因数变化可由下式表示：

考虑到测量方便以及测量精度，上式可用电压传输系数s21表示［2］：

将实验测量得到的谐振参量ΔF，ΔT与对应的样品水分值进行多元非线性回归拟合，即建立起谐振参量和水分值的数学模型，进而实现物料水分的检测。如何减少多元非线性回归过程误差是提高测量精度的重要研究内容［4］。张景阳等人［5］的研究结果表明BP神经网络模型要优于多元回归模型。

2　遗传算法原理

标准BP神经网络的学习过程是基于目标函数的梯度，这种学习方法的最大问题是收敛速度慢，而且容易陷入局部极值［6］。遗传算法是基于自然选择和基因遗传学原理的搜索算法，它通过对参数空间进行编码并用随机选择作为工具来搜索问题的全局最优解。遗传算法与BP算法相结合即可避免局部极值，又提高了网络学习速度与精度。利用遗传算法优化BP网络连接权的思路是首先对随机产生的BP网络初始连接权值进行编码，根据误差函数计算适配值，然后进行复制、交叉与变异操作，产生下一代种群，直至满足目标后结束训练。遗传算法优化BP网络连接权的操作步骤如图1所示。

3　MATLAB仿真及实验

3.1数据样本集准备

首先利用烘箱干燥法制作120组不同含水率（10%～20%）的稻种样本。把稻种样品放置谐振腔中，用网络矢量分析仪分别测量记录每组样品对应的谐振参量值。样品的水分值与其对应的谐振频移ΔF、传输因子ΔT参量构成一组数据样本（表1）。其中两个谐振参量作为BP网络输入数据，样品实际水分含量M作为BP网络的输出。随机选取100组数据作为BP算法的训练样本，剩下20组作为BP网络训练结束后的测试样本。样本数据在使用之前用premnmx函数做归一化处理。BP网络采用三层结构，包含1个输入层、1个隐含层和1个输出层。其中，输入层神经元个数为2，输出层神经元个数为1，隐含层神经元个数根据经验选取为5个。

表1　BP神经网络训练样本数据

图1　遗传算法优化BP网络连接权操作流程图

3.2MATLAB仿真实现

MATLAB仿真分为两个步骤。首先利用MATLAB实现遗传算法寻优BP网络的初始连接权值。在初始连接权值寻优结束后（结果为二进制长串），利用gadecod函数将结果分解为BP网络对应的连接权值和和阈值，并将其作为BP网络的初始权值与阈值。接下来使用准备好的100组样本数据，完成基于BP算法的网络连接权值的精确寻优。最后使用其余20组样本数据完成对训练后的神经网络性能测试 （衡量网络的泛化能力）。BP网络由newff函数创建，由train函数完成网络的训练。BP网络训练参数设置如下：

网络训练性能如图2所示，由图可见当训练到1620次时，达到预先设定的学习精度要求，整个训练过程用时10秒。图3为期望输出与模型计算输出的线性拟合图，由图可知训练后的BP网络可以得到满意的结果。

4　结语

本文利用遗传算法和BP网络建立微波谐振腔谐振参量和物料水分的数学模型，与采用标准BP网络建模相比，避免了局部极值，提高了收敛速度。大量研究表明，物料水分不仅与谐振腔谐振频移ΔF、传输因子ΔT有关，也与环境温度、物料堆密度（bulk density）等因素也存在复杂的、难以用数学精确描述的关系。在本文基础上，今后可进一步研究环境温度、堆密度作用于物料水分的机理，将它们添加为BP网络的输入，建立更精准的微波谐振腔水分测量模型，实现水分测量精度的提高。

图2　BP算法训练目标曲线图

图3　期望输出与模型计算输出线性拟合图

［1］尤田束.用微波谐振腔技术测定任意形状生物体的湿度［J］.微波学报，1998，14（2）：167-174.

［2］Kraszewski A W，YOU T S，Nelson S O.Microwave resonator technique for moisture content determination in single soybean Seeds ［J］.IEEE Trans.on Instrumentation and Measurement，1989，38（1）：79-84.

［3］Kent M.Simultaneous determination of composition and other material properties by using microwave sensors［J］.Sensors update，2000，!7：3-25.

［4］杨国辉，吴群，姜宇，Nikawa Yoshio.基于SVM多元非线性回归的微波谐振腔谷物含水率测量法［J］.仪表仪表学报，2007，28（3）：421-425.

［5］张景阳，潘光友.多元线性回归与BP神经网络预测模型对比与运用研究［J］.昆明理工大学学报（自然科学版），2013，38（6）：61-67.

［6］孙增圻.智能控制理论与技术［M］.北京：清华大学出版社，1997.

Resonator；BP Network；Genetic Algorithm；Quality Factor

Application of Genetic Algorithm for Moisture Content Determination

ZOU Zhi-jun
（Nanjing Polytechnic Institute，Nanjing 210048）

南京科技职业学院青年专项基金（No.NHKY-2010-28）

1007-1423（2015）23-0017-03

10.3969/j.issn.1007-1423.2015.23.003

邹治军（1976-），男，江西宜春，讲师，硕士，研究方向为智能控制与检测

2015-06-16

2015-08-05

在微波谐振腔水分测量技术研究中，建立谐振参量和物料水分之间的非线性函数关系是重要内容。BP网络具有良好的非线性函数估计能力，遗传算法具有全局寻优的特点。遗传算法与BP算法相结合，可提高神经网络的学习速度与精度，实现微波谐振腔水分测量精度的提高。

谐振腔；BP网络；遗传算法；品质因数

In the research on technique for moisture content determination using microwave resonator，establishes a nonlinear relationship between the resonant parameters and the moisture content is important.BP network has a good estimation ability of nonlinear function，genetic algorithm has the characteristics of global optimization.The combination of genetic algorithm and BP algorithm can improve the learning speed and accuracy of neural network，improve the measurement accuracy of moisture content.