郑沫利 赵艳轲 陈思露 陈祺东 孙俊

摘要：为使减少粮食储藏环节的损耗，调查储藏环节中粮食作物的损失情况并进行评估预测。通过分析问卷，统计描述影响损失率的各个因素，应用随机漂移粒子群优化算法（random drift particle swarm optimization，RDPSO）和径向基函数（radial basis function，RBF）网络对储藏环节损耗进行评估预测，将调查问卷获得的数据作为RBF模型数据集，应用RDPSO算法进行模型的参数训练，从而获得粮食损耗的智能评估模型。采用稻谷数据作为各模型的数据集，通过仿真试验，对比数据拟合情况和均方误差，其RDPSO-RBF模型学习性能和泛化性能更强。因此，RDPSO-RBF能更好地应用于实际的粮食管理中。

关键词：产后粮食;统计描述分析;RDPSO-RBF模型;储藏损耗;评估

中图分类号： F326.11文献标志码： A

文章编号：1002-1302（2020）08-0307-05

收稿日期：2019-03-05

基金项目：国家公益性行业（粮食）科研专项（编号：201513004、201513004-6）。

作者简介：郑沫利（1967—），男，广东陆丰人，教授级高级工程师，主要从事粮食经济学研究，E-mail：zhengmoli@sohu.com。共同第一作者：赵艳轲（1987—），女，河南洛阳人，博士研究生，中级工程师，主要从事粮食经济学研究，E-mail：zhao_yanke@126.com。

通信作者：孙 俊，博士，教授，主要从事人工智能、机器学习、计算智能和高性能计算研究。E-mail：sunjin_wx@hotmial.com。

粮食是人类最基本的生存物资，是人类生活的第一要求，在国民经济中占有重要地位。长期以来，我国在保障粮食安全问题上一直较注重产前与产中的管理与投入。然而在粮食产后损失的关注严重不足，产后大概分为收获、运输、干燥、储藏、加工、销售和消费等环节[1]。而每年粮食的产后损失情况极其严重，储藏环节粮食损失在产后总损失中所占比例较高。若在此环节能采取有力的防护措施，将可有效控制产后储藏环节中粮食的损耗。目前，已有不少的学者对粮食产后损失展开广泛的研究。在产后粮食损失方面，主要在储粮的损耗分析和减损措施。如储粮技术和储粮安全，主要是研究不同因素对储粮损耗的影响，进而采取相关技术减损，保证储粮的质量与数量[2-3]。在储粮模型构造方面，主要是依据机器学习或优化算法对储粮害虫进行研究[4-6]。鲜有对粮食产后储藏环节的损失率预测的分析研究。

鉴于此，本研究调查了稻谷、大米、小麦、玉米、大豆5大粮食作物，通過问卷的形式记录了10个省份的产后粮食损失率和损失因素。为了解损失因素和其损失率的关系，将问卷进行变量处理和统计分析，并将各品种粮食作物生成变量相同的数据集。然后采用人工智能的方法，研究损失数据的因素对在储藏环节产后粮食损失率的影响，提出了基于RDPSO（random drift particle swarm optimization）-RBF（radial basis function）损失预测模型。RBF神经网络能很好地逼近非线性数据，真实地反映输入、输出变量间的内在联系，在众多神经网络中RBF逼近能力比较突出。但直接采用RBF作为损失率预测模型，其初始随机参数很难确定最优值，导致预测结果随机化。而RDPSO是一种全局优化算法，在搜索能力、收敛速度以及高维问题上表现突出。因此，用RDPSO优化RBF网络中参数，以之克服RBF网络预测结果的随机性，可使预测值更接近实际值。在实际储粮中，可以根据该预测值，判断是否需要采取措施来改善某些因素的影响，以达到减少粮食损耗的目的。

1 产后粮食储藏环节调查研究

1.1 产后粮食储藏环节损失率调查概况

以储藏环节的产后粮食作物稻谷、大米、小麦、玉米、大豆这5类品种作为调查主体。本研究根据全国粮食种植分布数据，抽取了青海、湖南、重庆、江西、福建、江苏、安徽、黑龙江、贵州、辽宁10个省份的数据，分别对这5类作物产后粮食的损失率情况进行专项调研。此外，在每个地区的抽样中选出几个市（区），对该抽样出的市（区）储粮企业单位进行访问。为了使问卷真实、有效，通过与该企业代表人“一对一”访谈并当场答卷的方式进行调查，并由调查人员填写问卷。最后，调查得到有效的关于产后粮食在储藏环节损失率的问卷324份。其中，调查稻谷的样本问卷占总问卷的36.7%，其次是玉米、小麦分别占29.3%、27.2%，最后大豆和大米占 4.3% 和2.5%。因此，本研究选择稻谷作为代表粮食，分析影响其损失率的特征变量。

1.2 粮食产后储藏环节特征描述

在此次问卷中，该产后粮食损失率是对产后粮食总损失率的描述，即为产后粮食在储藏环节中的进仓损失率、出仓损失率、虫害损失率、鼠害损失率、霉变损失率、其他损失率的总和。而影响这些损失率的因素包含了受访者、受访企业的信息，产后粮食储藏的情况（年份、储藏品种、储藏时间、仓型、储藏量、储藏形式）、进仓损失信息（进仓工艺、进仓总量）、出仓损失（出仓工艺、出仓总量）等。从表1可以看出，粮食产后的储藏条件并不是很理想，其中储粮生态区域有60.7%为中温高湿储粮区;储粮技术有59.4%是尚未应用“四合一”技术的常规储藏;储藏形式采用散装的占95.0%。同时，除了储藏仓型（使用平方仓的比例为90.9%），其他特征所占比例分布相对较均匀。

2 RDPSO-RBF模型

2.1 RBF神经网络简介

RBF神经网络是一种前馈神经网络[7]。一般最基本的RBF神经网络由输入层、隐含层、输出层构成3层网络结构，其公式如下：

Y=f（x）=∑Kk=1αkφk（x）。（1）

式中：αk是第k个隐含层节点到输出层的连接权值，φk（x）是第k个隐含层结点的输出值，其定义如下：

φk（x）=exp-‖x-μk‖2σ2k。（2）

式中：μk和σ2k分别代表了第k个隐含层结点的中心向量和扩展常数。

2.2 RDPSO算法简介

随机漂移粒子群（RDPSO）算法是基于PSO对于受到自由电子运动轨迹分析的启发而提出的[8-9]。当金属导体在外电场时，其导体内的自由电子会发生定向漂移，同时还存在无规则的随机热运动，这2种运动的结合可以使整体的势能逐渐变小。因此，电子的运动过程类似于优化问题中的求解最优解使得目标函数值最小化。在RDPSO算法中，第t+1次的第i个粒子在j维的定向速度和随机热运动速度分别为Vdt+1i，j、Vrt+1i，j，因此第t+1次粒子速度为：

Vt+1i，j=Vdt+1i，j+Vrt+1i，j。（3）

根据PSO算法中粒子趋向局部位置的学习机理，定向漂移速度Vdt+1i，j的定义如下：

Vdt+1i，j=c1·rti，j·（Pti，j-Xti，j）+c2·Rti，j·（Gtj-Xti，j）。（4）

式中：c1和c2为常数;rti，j和Rti，j是在（0，1）区间内均匀分布的随机数，Pti，j是个体粒子最优值，Gtj是其所有粒子中最优值。而式（4）可以等价为

Vdti，j=β·（pti，j-Xti，j）;（5）

β=c1·rti，j+c2·Rti，j;（6）

pti，j=c1·rti，j·Pti，j+c2·Rti，j·Gtjc1·rti，j+c2·Rti，j。（7）

式中：β為漂移系数;pti，j为吸引子。

假设RDPSO中的粒子的无规则随机热运动速度Vrt+1i，j服从双指数分布，通过蒙特卡洛法得到其表达式如下：

Vrt+1i，j=δti，j·φti，j。（8）

式中：φti，j为高斯分布函数;δti，j是高斯分布的标准差，定义为

δti，j=α·|Mti，j-Xti，j|。（9）

α为热敏系数;Mti，j为当前种群中所有粒子个体的历史最优位置平均值，即

Mti，j=1N∑Ni=1Pti，j。（10）

因此，式（8）可以改写为：

Vrt+1=α·|Mti，j-Xti，j|·φti，j。（11）

综上，RDPSO算法中粒子速度和位置的更新公式为：

Vti，j=β·（pti，j-Xti，j）+α|Mti，j|-Xti，j·φti，j;（12）

Xti，j=Xti，j+Vt+1i，j。（13）

2.3 RDPSO-RBF模型

2.3.1 RBF神经网络模型确定

通过调查得到的问卷，在SPSS中进行分析。样本在变量处理后得到51个特征变量。由于某些粮食品种样本数量相对较少，特征数量过多，在试验中其误差结果并不理想。通过相关性分析，得到其中8个相关性最高的变量，作为实验室数据样本输入变量，而产后总损失率作为样本输出。因此，RBF神经网络的输入层结点个数为8，输出结点1个。隐含层通过利用对手受罚的竞争学习算法确定为8。综上所述，该RBF神经网络模型结构为8-8-1。

2.3.2 RDPSO算法目标函数

采用均方误差作为RDPSO算法的目标函数，评价粒子群中所有个体，从中寻找最佳个体来判断是否更新粒子的Pti和Gt。

2.3.3 RDPSO-RBF算法步骤

步骤1：通过上述描述的思想，构建RBF网络，同时给定输入与输出样本集。

步骤2：将RBF神经网络中的隐含层中心、扩展系数和权值编码成实数串代表粒子个体，同时随机产生规模为S的粒子群并初始化其位置和速度。

步骤3：解码得到每个粒子个体串，映射到RBF网络的不同参数，同时将N组训练样本输入到RBF网络中，得到相应的输出，计算优化算法的目标函数。

步骤4：计算漂移系数β，根据式（10）计算群体平均最优位置。

步骤5：对每个粒子按照式（12）和（13）进行速度和位置的更新。

步骤6：更新得到全局最优值Gtj和粒子局部最优位置Ptj。

步骤7：判断全局最优值是否满足RDPSO算法中的结束条件，即算法给定预定值或迭代条件。如果满足条件，转入步骤8，否则转入步骤3。

步骤8：算法结束。

3 结果与分析

基于上述思路在MATLAB2015a中编程，创建RDPSO-RBF网络模型，采用的计算机配置为：Intel CoreTM i7-6500U CPU @2.5 GHz，8 G内存。这里采用产后粮食作物稻谷作为试验数据集，将207组样本数据随机分成2份，前160组作为网络的训练数据，后47组作为测试样本。基于上述描述，通过降维后的变量（这里利用相关性，如：企业所属生态区域、储藏量、进仓总量、出仓总量、进仓形式是散粮散装进仓、出仓形式是包粮拆包出仓等）作为模型网络的输入，其产后粮食总损失率作为输出。

首先，通过训练样本训练出预测模型，并根据学习得到的模型输出的训练样本的预测值与训练样本实际值作比较。为了突出RDPSO-RBF模型预测产后总损失率的效果，将设计线性回归模型、RBF模型进行试验效果的比较。从图1可以看出，线性回归模型在训练样本的拟合情况相当差，说明了该数据集并非线性的，线性模型在这里不适用于粮食的产后损失数据。而非线性的RBF神经网络和RDPSO-RBF网络，却能较好地拟合。

通过图1得知，RBF神经网络算法和RDPSO-RBF算法通过训练样本学习到模型，其模型对训练样本有精准的预测输出。因此，为了检验模型的泛化性能，图2呈现了在测试集上的拟合情况，可以看出基于RDPSO-RBF模型能更好地预测损失率，其泛化性能比基于RBF神经网络模型的更好，其RBF模型有过拟合现象。

根据表3的2种算法模型的均方误差的数据可知RDPSO-RBF模型学习能力与泛化能力的优越性，能更好地预测粮食产后损失率。

4 结论

研究储藏环节粮食损失因素、预测粮食损失率，以期为粮食在储藏环节损失量提供参考值。为此，本研究基于对粮食产后损失率情况的调查，描述影响损失因素的特征。为精准地预测粮食产后储藏环节损失率，建立了RDPSO-RBF网络模型。通过试验对比，RDPSO优化后的RBF神经网络能更好地对损失率作出准确预测，具有更强的泛化性能，在实际场景中预测损失率的值更加准确。

参考文献：

[1]高利伟，许世卫，李哲敏，等. 中国主要粮食作物产后损失特征及减损潜力研究[J]. 农业工程学报，2016，32（23）：1-11.

[2]张欢欢，唐浩林，叶福康，等. 粮食储存损耗的原因分析及对策[J]. 粮食加工，2015，40（3）：69-72.

[3]张 彩. 散装粮食平房仓外围护体系研究[D]. 郑州：河南工业大学，2015.

[4]胡丽华，郭 敏，张景虎，等. 储粮害虫检测新技术及应用现状[J]. 农业工程学报，2007，23（11）：286-290.

[5]Shen Y F，Zhou H L，Li J T，et al. Detection of stored-grain insects using deep learning[J]. Computers & Electronics in Agriculture，2018，145：319-325.

[6]郭 敏，张明真. 基于GMM和聚类方法的储粮害虫声信号识别研究[J]. 南京农业大学学报，2012，35（6）：44-48.

[7]Chen S，Cowan C F N，Grant P M，et al. Orthogonal least squares learning algorithm for radial basis function networks[J]. IEEE Transactions on Neural Networks，1991，2（2）：302-309.

[8]Sun J，Wu X，Palade V，et al. Random drift particle swarm optimization algorithm：convergence analysis and parameter selection[J]. Machine Learning，2015，101（1/2/3）：345-376.

[9]Kennedy J，Eberhart R. Particle swarm optimization：Proceedings of ICNN95-International Conference on Neural Networks[C]. Perth：IEEE，2002，1942-1948.

[10]張 铃，张 钹. 人工神经网络理论及应用[M]. 杭州：浙江科学技术出版社，1997.