1 引言
木材干燥技术是木材品质得以保障的关键。针对木材干燥具有纯滞后、强耦合、非线性的特点,以实现木材干燥过程的高精度、高效率控制为研究目标,选定合理的控制策略,以期获得理想的木材品质。在干燥过程中,木材含水率在线检测精度及其分布特征直接影响木材的干燥质量,木材干燥的最终目的就是使木材含水率达到干燥工艺的标准。通过研究木材干燥过程中窑内空间含水率的分布、水分迁移和变化趋势等问题,本文提出了一种新的算法用于干燥过程中含水率的预测,即利用SAGA优化BP神经网络理论解决木材含水率的预测问题。神经网络是近年来智能控制技术研究的主要分支,广泛应用于各个领域,同样它的出现为木材干燥系统建模提供了新的方法,并取得了一定成果。但是神经网络也存在一些缺陷,如容易陷入局部极小值,训练速度慢等。SAGA是模拟退火算法与遗传算法想结合的一种全局寻优算法,文中利用SAGA优化BP神经网络的权值和阈值,加快网络收敛速度,最终找到全局最优解。通过仿真试验,证实该了该方法的优越性,提高了干燥过程中木材含水率的预测精度,在木材干燥技术的研究领域有一定的学术意义和应用价值。
2 BP神经网络、遗传算法和模拟退火算法
2.1 BP神经网络
BP神经网络是基于误差反向传播算法(BackPropagation)的多层前向神经网络,该网络包括一个输入层、一个输出层和至少一个隐含层,三层BP神经网络拓扑结构如图1所示。
众所周知,BP网络的学习过程是对一个高度非线性函数求全局最优问题,网络训练中存在两个比较典型的问题,一是收敛速度慢,二是容易陷入局部极小。对此通过改进的遗传算法优化网络权值来克服这两个问题。
2.2 遗传算法和模拟退火算法
遗传算法(genetic algorithm,GA)是一种进化算法,其基本原理是仿效生物界中的“物竞天择、适者生存”的演化法则。遗传算法是把问题参数编码为染色体,在利用迭代的方式进行选择、交叉以及变异等运算来交换种群中染色体的信息,最终生成符合优化目标的染色体。
模拟退火(simulated annealing,SA)算法是近年来特别引人关注的一种优化算法,其基本思想是通过模拟高温物体退火过程的方法来找到优化问题的全局最优解。SA由某一较高温度开始,根据Metropolis准则在解空间中进行随机搜索,使算法有可能逃离局部最优的“陷阱”然后慢慢地降低温度重复此操作,最终找到问题的全局最优解。
2.3 SAGA优化的BP神经网络算法
文中提出的SAGA算法是以遗传算法运算流程作为主流程,把模拟退火机制融入其中,用以进一步优化群体。模拟退火算法通过随机扰动机制,在其局部范围内进行抽样得到最优群体;遗传算法则通过概率意义下的基于“优胜劣汰”思想的选择、交叉、变异操作来实现群体优化。木材干燥过程木材含水率的预测算法,采用三层BP神经网络,应用SA和GA混合优化算法训练BP神经网络的权值,训练样本构建如图2所示。
具体SAGA-BP算法设计如下:
1) 给定模拟退火初温
将运行代数t置为1。
2) 以BP网络权值和阈值为参数,采用实数编码。
3) 产生初始群体。
4) 评价个体的适应值。个体的适应度函数定义为
为网络误差平方和。
5) 对群体中的个体执行遗传操作:选择,交叉,变异。
6) 对群体中的个体执行模拟退火操作:
a. 根据当前基因值进行扰动,产生新基因值
为随机扰动;
b. 计算
的目标函数值与
的目标函数值只差
c. 计算接受概率
d. 若
否则
保持不变;
e. 引入最优保留策略
f. 进行退火操作,退火函数为
其中
为退火速度。
7) 判断是否满足遗产算法终止条件,不满足转步骤4),否则转步骤8)。
8) 将遗传算法与模拟退火算法搜索的最优个体解码,赋值给网络的权值和阈值,以此为基础进行预测试验。
3 仿真试验
3.1 样本选取与SAGA-BP网络参数的设定
样本数据来自于一个(1.8m*1.7m*1.2m)的小型工业干燥窑,选用30mm厚的水曲柳为研究对象,对其进行2窑试验,得到2窑干燥数据。每窑的数据都是在系统正常运行条件下得得到的,采用这种方式既不会破坏控制系统和被控对象,又能充分激励过程的所有模态。
在木材干燥过程中,影响木材干燥品质的因素包括外部环境因素和装置内部因素,在试验中以装置内部因素如空气的温度、湿度和气流速度为主要考究对象,而在风机处于全速运行的状态,可认定气流速度一定,固仅需考虑干燥窑内空气的温度和湿度。因此在本试验中选择干燥窑内温度、湿度为BP神经网络的输入,木材含水率为输出,即三层BP神经网络的输入层节点数为2(温度、湿度),输出层节点数为1(木材含水率),隐层节点数这里设为10。从干燥水曲柳的第一个窑内数据中选择100组木材含水率在饱和点以下的数据作为训练样本,从第二窑数据中选择40组数据作为校验样本。经过反复试验,SAGA-BP网络参数设置如下:BP网络的学习速率
初始种群为50,遗传代数为150,交叉率为0.95,变异概率为0.08,初始温度取为1000,退火速率0.8。由于选取的样本数据往往不在同一个数量级,所以在训练前要对数据进行归一化处理。
3.2 BP仿真与SAGA-BP仿真结果
同一组样本数据分别采用BP神经网络算法和SAGA优化BP神经网络算法进行木材含水率预测试验,通过Matlab仿真得出两组预测结果。由BP神经网络训练后得到的预测输出与误差曲线如图3、4所示;由SAGA优BP神经网络训练后得到的预测输出与误差曲线如图5、6所示。
3.3 算法误差综合分析
BP神经网络对选择样本进行训练时,经过125步收敛,运行时间为13.559s;而采用SAGA优化的BP神经网络时,网络迭代67步收敛,训练时间为6.332s。经过SAGA优化的BP神经网络能以更少的迭代次数和运行时间达到控制要求,并且通过比较图3和图5可以看出由SAGA-BP算法训练后得到的预测值输出更接近实际输出值。通过比较图4和图6还可以看出,SAGA-BP算法的误差曲线幅值范围明显小于BP算法的误差幅值范围;并且在第54和86个数据采样点处,采用BP算法预测产生了较大的误差,而采用SAGA-BP算法得到的预测值与实际输出值则有较高相似性。综上所述,SAGA-BP算法有更好的预测精度和泛化能力。
4 结束语
由于传统的遗传算法在实际应用过程中可能存在早熟现象、局部寻优能力差等问题,而模拟退火算法具有摆脱局部最优点的能力,因此本文采用遗传算法与模拟退火算法相结合的优化方法。在针对水曲柳试材干燥的Matlab仿真试验中,SAGA优化的BP神经网络有良好的预测性能,并且解决了BP算法收敛速度慢、易陷入局部最优的问题。试验结果表明,基于SAGA优化BP神经网络的木材含水率预测方法是一种有效的测量木材含水率手段,该方法具有一定的学术意义和应用价值。
参考文献:
[1] 张璧光,刘登流.探索我国木材干燥技术的新型发展道路[J].干燥技术与装备,2006,4(1):7-13.
[2] 张冬研,刘一星,曹军,孙丽萍.干燥过程中木材含水率神经网络预测模型[J].林业科学,2008,44(12):94-98.
[3] LI MINQIANG,XU BOYI,KOU JISONG.The combination of genetic algorithms and neural network[J].Theory and Prictice of System Engineering,1999,(2):65-69.
[4] 袁文爽.改进型遗传算法在木材干燥过程建模中的应用[D].黑龙江:东北林业大学,2010,6(23):1-52.
[5] 韩瑞锋.遗传算法原理与应用实例[M].兵器工业出版社,2010:191-198.
[6] 史峰,王辉,郁雷,胡斐.智能算法30个案例分析[D].北京航空航天大学出版社,2011:188-192.
[7] 候福均,吴祈宗.基于遗传算法和模拟退火算法优化神经网络的铁路营业里程预测[J].北京理工大学学报,2004,24(3):247-250.
[8] KENNEDY J,EBERHART R,Particle swarm optimization[C].Proceedings of IEEE International Conference on Neural Networks,Piscataway:IEEE Service Center,1995:1942-1948.
[9] 张丰德.MATLAB神经网络仿真与应用[M].北京:电子工业出版社,2009:167-189.
作者简介:王英(1989-),女,硕士研究生,研究方向:检测技术与自动化装置。