【论文精选】基于人工智能的颗粒饲料产品质量预测

3997
    


来源:
Licence:
联系:
分类:
平台:
环境:
大小:
更新:
标签:
联系方式 :
免费下载 ×

下载APP,支持永久资源免费下载

限免产品服务请联系qq:1585269081

下载APP
免费下载 ×

下载APP,支持永久资源免费下载

下载APP 免费下载
下载 ×

下载APP,资源永久免费


如果出现不能下载的情况,请联系站长,联系方式在下方。

免费下载 ×

下载论文助手APP,资源永久免费

免费获取

如果你已经登录仍然出现不能下载的情况,请【点击刷新】本页面或者联系站长


颗粒饲料是饲料主要应用形式之一,与粉状混合饲料相比具有许多优点。在实际生产中,颗粒饲料质量受许多因素产生波动,若能在实际生产前对质量作出具有一定可信度的预测,由此对可控因素作出调整,即可改善颗粒饲料产品质量的同时提高生产效率,降低成本。该文在构建面向实际的指标体系基础上,依托生产企业采集的实际数据,提出了一种以人工智能—人工神经网络模型为核心,平均影响值为数据预处理方法,粒子群算法为参数优化手段的质量预测模型,可为颗粒饲料质量控制提供一种新思路,为饲料行业高效低耗生产提供理论依据和技术途径。   本着紧密联系生产实际的原则,该文将模型输入参数分为基于配方的原料种类和加工过程参数两类,而指示产品质量的输出指标则选择含粉率、生产率及颗粒耐久度。在实际应用中,由于实际情况复杂性和理论依据的匮乏,输入往往包含一些不重要的变量,因此首先使用简洁迅速的平均影响值算法将各输入变量对输出的影响程度进行排序,由此删去影响较小的变量,以提高模型收敛速度和准确度。   误差反向传播算法(BPNN)运行核心为将期望输出与网络输出进行比对,以比对结果即误差值为依据按照梯度下降算法迭代更新网络,以使误差函数达到要求,完成对信息的提取和记忆过程。该文基于MATLAB 2014b 中的Neural Network Toolbox工具箱进行基本三层BPNN的构建,并使用预实验发确定各项网络参数。   作为一种典型的群体智能优化算法,粒子群算法思想源于对鸟群社会的研究模拟,具有结构简单、易于实现、搜索速度快等优点,适用于求解各种非线性的复杂优化问题。包含待优化解的“粒子”以一定方式在解空间中不断迭代,受到粒子先前经验和群体最优经验的共同作用最终达到全局最优。   该文采集畜禽料实际生产数据共102组对模型进行了训练和验证。结果显示实际值与预测值拟合曲线决定系数较高,曲线形状表明实际值与预测值两值较为接近,模型预测性能可观;使用相同数据训练了多元回归模型和未优化的基本神经网络模型,通过误差指标可知该模型在各输出上都有不同幅度的优化作用,相关图表亦显示该模型预测过程更为稳定,使用性能更为优良。   该文以颗粒饲料生产情况为出发点,建立了一种以人工神经网络为核心,自变量筛选为数据前处理,粒子群算法为优化手段的质量预测模型,进行了模型训练和验证,表明该模型具有可观的使用性能,研究结果具有一定程度的实用意义。此外模型中部分参数为随机选取,导致模型或需若干次试运行才可达到要求,关于这部分参数的赋值及选择,还有待后续进行深入研究。

免费下载 ×

下载APP,支持永久资源免费下载

下载APP 免费下载
温馨提示
请用电脑打开本网页,即可以免费获取你想要的了。
扫描加我微信 ×

演示

×
登录 ×


下载 ×
论文助手网
论文助手,最开放的学术期刊平台
							 
回复
来来来,吐槽点啥吧

作者联系方式

×

向作者索要->