• 
    

    
    

      99热精品在线国产_美女午夜性视频免费_国产精品国产高清国产av_av欧美777_自拍偷自拍亚洲精品老妇_亚洲熟女精品中文字幕_www日本黄色视频网_国产精品野战在线观看

      ?

      基于極限學習機的入土切割過程數(shù)據(jù)驅動模型研究

      2017-07-31 20:40:35申科任曉智王旭艷麻芳蘭
      裝備制造技術 2017年6期
      關鍵詞:極限學習機粒子群優(yōu)化

      申科,任曉智,王旭艷,麻芳蘭

      (廣西大學機械學院,廣西南寧530004)

      ΣΣΣ

      基于極限學習機的入土切割過程數(shù)據(jù)驅動模型研究

      申科,任曉智,王旭艷,麻芳蘭

      (廣西大學機械學院,廣西南寧530004)

      在甘蔗收割機切割過程中,入土切割能有效提高甘蔗切割質量,但入土切割深度過大極易造成推土現(xiàn)象,不利于控制刀盤升降。為了能夠對刀盤入土切割深度進行有效控制,采用基于極限學習機的神經網絡模型對影響刀盤負載壓力的主要參數(shù)與刀盤入土深度之間的非線性關系進行擬合預測,并利用粒子群優(yōu)化算法(PSO)對模型參數(shù)進行優(yōu)化以提高極限學習機的泛化能力。通過仿真分析并與傳統(tǒng)BP神經網絡進行比較分析。由分析結果可知基于極限學習機的數(shù)據(jù)模型優(yōu)于基于BP神經網絡的數(shù)據(jù)模型,有良好的泛化能力,從而為對入土切割刀盤自動控制系統(tǒng)的研發(fā)提供了依據(jù)。關鍵詞:極限學習機;粒子群優(yōu)化;入土切割;甘蔗收割機

      廣西是我國最主要的甘蔗原材料基地,甘蔗糖的總產量能占到全國糖總產量的60%以上[1,2]。但是由于甘蔗收割過程機械化程度不高,嚴重制約了廣西甘蔗產業(yè)的發(fā)展。廣西的甘蔗種植規(guī)模小且分散;種植地形復雜,多以丘陵為主[3],國外大型切斷式甘蔗收割機不適用于我國地形。而我國自主研發(fā)的甘蔗收割機由于普遍存在破頭率較高的問題[4]而無法應用于實際。國內外學者對降低破頭率做了大量的分析和試驗研究。文獻[5]中通過反求法建立甘蔗-土壤模型后通過仿真得到了入土切割可以有效降低破頭率的結論。文獻[6]中通過實地試驗同樣得到了入土切割能有效降低破頭率的結論。雖然對入土切割研究較多,但是針對入土切割刀盤深度自動控制方面,卻鮮有報道。而甘蔗收割機入土切割過深或過淺都會影響甘蔗收割質量,尤其是入土切割過深時會出現(xiàn)推土現(xiàn)象,從而引起刀盤負載壓力過大。

      為了解決入土切割時刀盤入土深度無法直接測量或者檢測的問題,本文采用基于極限學習機的神經網絡模型對影響刀盤負載壓力的主要參數(shù)與刀盤入土深度之間的非線性關系進行擬合預測,并利用粒子群算法對模型參數(shù)進行優(yōu)化從而提高模型的預測精度,通過構建入土深度預測模型達到對刀盤升降自動控制的目的。

      1 極限學習機理論

      極限學習機是由黃廣斌[7]教授提出的一種新型的單隱含層神經網絡。極限學習機與傳統(tǒng)的單隱藏層反饋神經網絡相比,能大幅提高學習速度、有較好的泛化能力并且能避免過擬合等問題[8,9]。由于該模型不需調整輸入層與隱含層之間的權值以及隱含層的閾值而對其權值以及閾值進行隨機取值,只需設置隱含層節(jié)點數(shù),將最終問題化歸為最小范數(shù)的最小二乘問題,從而得到最優(yōu)解。假設有N組數(shù)據(jù)將其作為訓練樣本數(shù)據(jù),其中輸入輸出數(shù)據(jù)樣本分別表示為xi=!xi1,xi2,…xin"T∈Rn,t=!ti1,ti2,…tin"T∈Rm,i =1,2,…,N.隱藏層節(jié)點數(shù)為L.則標準單隱含層神經網絡可表示為:

      由上可知由于缺少輸出層閾值,則輸入權重以及隱藏層偏置不需調整,因此確定輸出層權值即可得到數(shù)據(jù)驅動模型。所以公式(1)可表示為:

      公式(2)中H表示為隱藏層輸出矩陣,β表示為輸出權值矩陣,T表示為輸出矩陣。當ω和b固定時,隱藏層的輸出矩陣也為固定矩陣。經過激活函數(shù)將H在高維呈現(xiàn)線性關系,利用最小二乘法可得:

      其中,(H+)T表示的是樣本輸入層經過隱藏層后的輸出矩陣的Moore-Penrose廣義逆矩陣。

      2 粒子群優(yōu)化算法

      粒子群優(yōu)化算法是一種由Kennedy與Eberhart兩位學者從鳥類覓食中受到啟發(fā)在1995年提出的優(yōu)化算法。每個粒子具有一定的飛行距離和飛行速度,通過改變自身粒子的位置和速度來不斷調整粒子的適應度值,從而獲取當前空間最優(yōu)的粒子。各粒子通過不斷迭代使得位置以及速度進行更新從而獲取最優(yōu)解。更新公式表示為:

      其中,c1和c2為加速系數(shù)或認知系數(shù),分別表示粒子對整體以及個體的認知程度;rand()為在[0,1]中均勻分布的隨機值;Pid表示粒子i的個體最優(yōu)位置;Pgd表示為全體最優(yōu)位置。為防止粒子在飛行過程中飛出求解空間,分別將粒子速度和粒子位置限制在一定范圍內中,避免盲目搜索的同時提高搜索能力。

      3 基于粒子群的極限學習機數(shù)據(jù)驅動模型

      由于極限學習機在對輸入連接權值以及隱藏層閾值的取值是隨機,所以可能含有無效點,導致輸出權值矩陣有所偏差。為了避免無效點的存在,提高模型的泛化能力。本文提出了一種基于粒子群優(yōu)化的極限學習機算法(PSOELM),優(yōu)化輸入連接權值和隱藏層閾值,消除無效點。利用粒子群對輸入連接權值以及隱藏層閾值進行優(yōu)化。其粒子群優(yōu)化模型參數(shù)的具體步驟如下:

      步驟一:歷史數(shù)據(jù)隨機分成訓練樣本和檢測樣本并歸一化處理;

      步驟二:確定粒子群中各項參數(shù),如種群大小和最大迭代次數(shù)等;

      步驟三:初始化種群,隨機產生粒子初始化的位置和速度;

      步驟四:將初始值帶入適應度函數(shù),得到初始適應度,并選取最優(yōu)群體最優(yōu)適應值;

      步驟五:以其當前最優(yōu)個體作為下一種群的初始值,并通過速度以及位置迭代公式進行迭代;

      步驟六:迭代過程中,若新的個體適應度值比原來的適應度值小,保留新的個體適應度,否則保留原來的個體適應度以及全局適應度;

      步驟七:若滿足迭代結束條件,則輸出全局適應度以及對應的適應度值,否則轉向步驟三;

      步驟八:獲取最優(yōu)輸入連接權值以及隱藏層閾值。

      優(yōu)化算法為粒子群算法,激活函數(shù)為sig函數(shù),構建極限學習機模型的具體步驟如下:

      步驟一:對歷史數(shù)據(jù)進行劃分隨機得到訓練樣本以及測試樣本,同時對所有數(shù)據(jù)進行歸一化處理;

      步驟二:利用粒子群優(yōu)化算法對極限學習機中的輸入連接權值矩陣以及隱藏層閾值矩陣進行優(yōu)化,求出最優(yōu)矩陣參數(shù);

      步驟三:通過式(3)求解出最優(yōu)輸出連接權值;

      步驟四:將最優(yōu)輸出連接權值、輸入連接權值以及隱藏層閾值帶入式(1)中得到甘蔗收割機入土切割過程數(shù)據(jù)預測模型。

      4 仿真結果與分析

      甘蔗收割機入土切割過程是一個較為復雜的非線性過程,無法通過常規(guī)方法對入土深度進行檢測。本文通過引入基于粒子群優(yōu)化的極限學習機算法建立入土切割過程數(shù)據(jù)驅動模型,對入土切割過程中切割器入土深度進行預測,從而達到控制刀盤的目的。

      由課題組前期試驗研究[10]可知入土切割時,土壤含水率、土壤密度、行進速度以及負載壓力對刀盤入土深度的影響尤為顯著。所以將其作為模型輸入變量,將切割器入土深度作為輸出變量。以前期所獲取的27組正交試驗數(shù)據(jù)[10]作為歷史數(shù)據(jù)對模型進行仿真分析。為比較模型的優(yōu)越性,本文選取基于BP神經網絡預測模型進行對比。BP神經網絡的迭代次數(shù)為200,學習率為0.1,目標精度為0.001,并采用4*6*1的網絡結構。為保證數(shù)據(jù)模型的魯棒性和泛化能力,通過均方根(RMSE)、均方(MSE)、平均絕對誤差(MAE)以及決定系數(shù)(R2)等多個評價指標對測試樣本進行比較,表1表示為基于BP神經網絡、傳統(tǒng)極限學習機以及基于粒子群優(yōu)化的極限學習機數(shù)據(jù)預測模型的性能對比結果。以入土深度為輸出,圖1A、B分別表示基于粒子群優(yōu)化的極限學習機與基于BP神經網絡預測模型對測試樣本的預測結果對比圖以及絕對誤差對比圖。

      表1 基于不同方法構建數(shù)據(jù)驅動模型性能對比

      圖1 基于PSOELM與BP神經網絡模型性能

      對模型進行評價時決定系數(shù)約接近1時說明數(shù)據(jù)驅動模型的預測性能和擬合效果越好,而RMSE、MSE以及MAE等指標越小表明模型精度越高。由表1可知本文提出的基于PSOELM以及BP神經網絡的決定系數(shù)相對ELM均較高,而BP神經網絡略高于PSOELM,但是相差不大。但PSOELM模型預測的均方根比BP神經網絡減小37.13%,平均絕對誤差減小了43.29%.通過絕對誤差值以及精度評價指標的比較可知,基于粒子群優(yōu)化的極限學習機入土切割過程數(shù)據(jù)驅動模型較BP神經網絡模型能更好的反映期望輸出,具有較好的魯棒性以及泛化能力。

      由圖1可知,當絕對誤差越接近零線時,說明數(shù)據(jù)誤差波動越小,數(shù)據(jù)驅動模型擬合度程度越高。由圖1B可知,基于PSOELM的絕對誤差分布點較均勻的分別在零線上下且數(shù)值較小,而BP神經網絡的絕對誤差擬合程度相對較差,基于PSOELM的預測結果能夠更為有效的反應期望輸出,所以基于PSOELM數(shù)據(jù)模型的預測輸出更能準確現(xiàn)體實值,具有更好的擬合能力。

      5 結束語

      由于入土切割時無法直接對切割器入土深度進行測量,本文采用極限學習機神經構建了反映入土切割過程中入土深度與主要參數(shù)之間的非線性預測模型。同時為提高驅動模型精度,利用粒子群優(yōu)化算法對輸入連接權值以及隱藏層閾值進行優(yōu)化,得到了基于PSOELM數(shù)據(jù)驅動模型,利用歷史數(shù)據(jù)樣本對切割器入土深度進行預測。同時通過與BP神經網絡進行對比驗證了本文所構建的數(shù)據(jù)模型具有較好的泛化能力。

      [1]王曉鳴,莫建霖.甘蔗生產機械化現(xiàn)狀及相關問題思考[J].農機化研究,2012(10):6-11.

      [2]侯佳.廣西蔗糖產業(yè)發(fā)展現(xiàn)狀與分析[J].新經濟,2014(ZI):18-20.

      [3]閆曉明.廣西甘蔗生產機械化:困境與出路[J].農業(yè)部管理干部學院學報,2013(4):32-36.

      [4]曾志強,區(qū)穎剛,解福祥,等.切斷式甘蔗聯(lián)合收獲機的試驗與分析[J].農機化研究,2012(09):164-166.

      [5]陳永繼,楊堅,黃麗麗,等.甘蔗—土壤系統(tǒng)仿真模型的研究[J].農機化研究,2009(3):134-136.

      [6]王增.甘蔗收獲機切割器液壓系統(tǒng)壓力影響因素的試驗研究[J].中國農機化學報,2015(1):37-40.

      [7]Huang GB,Zhou HM.Extreme learning machine for regression and multiclass classification[J].IEEE Transactions of Systems,2012,42:513-529.

      [8]Song Y,Zhang J.Automatic recognition of epileptic EEG patterns via Extreme Learning Machine and multiresolution feature extraction[J].Expert Systems with Applications,2013,40

      (14):5477-5489.

      [9]Olatunji S O,Selamat A,Abdulraheem A.A hybrid model through the fusion of type-2 fuzzy logic systems and extreme learning machines for modelling permeability prediction[J]. Information Fusion,2014,16:29-45.

      [10]趙靜.甘蔗收獲機切割系統(tǒng)負載壓力影響因素的研究[D].南寧:廣西大學,2015.

      The Buried Cutting Process Data-Driven Model Based on Extreme Learning Machine

      SHEN Ke,REN Xiao-zhi,WANG Xu-yan,MA Fang-lan
      (College of Engineering,Guangxi University,Nanning Guangxi 530004,China)

      In the process of sugarcane harvester cutting,the buried cutting process which can effectively improve the quality of the sugarcane cutting,which also can easily cause bulldozing phenomenon when it cuts too deep.In order to be able to effectively control capacity of cutter cutting depth,the neural network model based on extreme learning machine main parameters affecting the load pressure capacity and the cutter‘s depth the nonlinear relationship between forecast,and by using particle swarm optimization algorithm for model parameter optimization,which can improve the generalization ability.It will compare with the traditional BP neural network by the simulation analysis.the data model based on extreme learning machine is better than on BP neural network according to the analysis results,which has good generalization ability,which provides the basis for the research and development of the automatic control system.

      extreme learning machine;particle swarm optimization;cutting blow soil;sugarcane harvester

      S225.5

      A

      1672-545X(2017)06-0001-03

      2017-03-21

      國家自然科學基金資助項目(51465004);廣西自然科學基金資助項目(2014GXNSFAA118381);廣西制造系統(tǒng)與先進制造技術重點實驗室項目(13-051-09S02)

      申科(1989-),男,廣西桂林人,本科,研究方向:先進制造以及自動化;任曉智(1973-),女,山東萊州人,碩士,講師,研究方向:虛擬仿真以優(yōu)化設計。

      猜你喜歡
      極限學習機粒子群優(yōu)化
      神經元的形態(tài)分類方法研究
      基于判別信息極限學習機的高光譜遙感圖像分類
      軟件導刊(2017年1期)2017-03-06 00:41:18
      極限學習機修正誤差的體育成績預測模型
      引入螢火蟲行為和Levy飛行的粒子群優(yōu)化算法
      基于極限學習機的玻璃瓶口缺陷檢測方法研究
      能源總量的BP網絡與粒子群優(yōu)化預測
      科技視界(2016年20期)2016-09-29 11:58:53
      極限學習機在圖像分割中的應用
      分簇競爭PSO測試用例自動生成算法
      軟件導刊(2015年12期)2016-01-05 06:30:06
      基于混合粒子群優(yōu)化的頻率指配方法研究
      基于混合核函數(shù)的LSSVM網絡入侵檢測方法
      404 Not Found

      404 Not Found


      nginx
      虎林市| 汝城县| 文登市| 新闻| 四平市| 绥德县| 水城县| 民县| 留坝县| 赤水市| 邓州市| 吴桥县| 昌图县| 新巴尔虎右旗| 长垣县| 龙口市| 巍山| 合山市| 尉氏县| 弋阳县| 太仓市| 民和| 德格县| 波密县| 保亭| 浦江县| 方山县| 昂仁县| 蓝田县| 定结县| 吉木萨尔县| 麻江县| 祥云县| 华坪县| 九寨沟县| 阿坝县| 随州市| 高雄市| 郸城县| 旬邑县| 上蔡县|