基于粒子群参数优化和 BP 神经网络的颗粒饲料质量预测模型

摘要：

针对颗粒饲料产品受配方原料、加工参数变化而带来的质量波动问题，提出了一种以误差反向传播算法神经网络（back-propagation neural network，BPNN）为核心，平均影响值法（mean impact value，MIV）为数据预处理方法，粒子群算法（particle swarm optimization，PSO）为关键参数优化算法的颗粒饲料质量预测模型。基于面向实际建立的输入输出指标体系，使用实地采集的颗粒饲料生产数据对模型进行训练和测试，测试结果显示实际值与模型预测值呈显著正相关，决定系数 R2均在0.94以上；平均绝对误差、平均绝对百分比误差及均方根误差显示预测精度达到较高水平，各误差平均值依次达到0.442、2.185%和0.5481。以多元线性回归模型及基本 BPNN 模型预测结果对比可以发现， MIV-PSO-BPNN 预测模型预测性能有显著提升，各输出误差优化幅度从39.55%～91.80%不等，平均优化幅度分别达到84.99%和56.95%；同时相对误差变化趋势图显示 MIV-PSO-BPNN 预测模型具有更优的预测稳定性，相对误差极值差降幅均值达91.46%。该研究为颗粒饲料质量控制提出了一种新思路，可为饲料行业高效低耗生产提供理论依据。

关键词：神经网络、模型、算法、颗粒饲料、质量预测、BPNN、平均影响值法、粒子群优化算法

所属期刊栏目：32

分类号：S816.9(普通畜牧学)

资助基金：公益性行业农业科研专项201203015

在线出版日期：2016-07-14（万方平台首次上网日期，不代表论文的发表时间）

页数：共9页

页码：306-314