本發(fā)明涉及秸稈熱值的預測方法，具體的說，是涉及一種基于elman神經(jīng)網(wǎng)絡模型的秸稈熱值預測方法。
背景技術(shù)：
：：生物質(zhì)致密成型技術(shù)是把農(nóng)林廢棄物加工再利用、解決生物質(zhì)資源浪費和污染問題的一種重要技術(shù)手段[1-2]，我國《能源發(fā)展“十三五”規(guī)劃》中明確指出生物質(zhì)致密成型技術(shù)是生物質(zhì)能源利用的重要方式。我國作為農(nóng)業(yè)大國，生物質(zhì)資源十分豐富，秸稈作為重要的成型原料，每年農(nóng)作物秸稈產(chǎn)量大約在7億t，折合標準煤約為3.5億t[3]。直接測定生物質(zhì)熱值常采用氧彈法[4]，但這種測量方法的儀器昂貴，操作步驟繁瑣[5]。研究表明，熱值與纖維素、木質(zhì)素含量有密切聯(lián)系[6]。鑒于此，岳建芝[6]等通過通過回歸分析計算了不同玉米秸稈的熱值，并得出了相應的回歸方程用于預測玉米秸稈的熱值。程旭云等基于工業(yè)分析指標，利用主成分回歸方法建立了生物質(zhì)秸稈的熱值預測模型。模型可以較準確地預測生物質(zhì)秸稈熱值。[7]但秸稈成分與熱值并不是呈單純的線性關(guān)系，且這些公式泛化能力有限。因此，有必要尋找有效的方法對其進行準確預測。elman神經(jīng)網(wǎng)絡是一種有局部反饋的神經(jīng)網(wǎng)絡，該網(wǎng)絡對歷史數(shù)據(jù)具有敏感性，增加了處理動態(tài)信息的能力，并且逼近能力優(yōu)于一般的靜態(tài)網(wǎng)絡，收斂速度快，較好的克服了bpnn的訓練時間長及運算符復雜高的缺點。[8-9]周孑民等通過elman神經(jīng)網(wǎng)絡模型確定煤的成分和煤的熱值之間的非線性映射關(guān)系，證明elman神經(jīng)元網(wǎng)絡模型具有較高的準確度和可信度。[10]參考文獻：[1]fragaa.characterizationofbiomasspyrolysistarsproducedintherelativeabsenceofextraparticlesecondaryreactions[j].fuel，1991，70：803－809.[2]ayhandemirbas.combustioncharacteristicsofdifferentbiomassfuels[j].progressinenergyandcombustionscience，2004，30(2)：219—230.[3]日本能源學會.生物質(zhì)和生物質(zhì)能源手冊[k].史仲平，華兆哲，譯.北京：化學工業(yè)出版社，2006：123—126.[4]kralikd,etal.thepotentialusageofduckweedbiomass(lemnaminor)forbiogasproduction.[j].krmiva,2015,90(1):109-13.[5]物理化學實驗[m].高等教育出版社,高職高?；瘜W教材編寫組編,2002[6]岳建芝,張杰,徐桂轉(zhuǎn),等.玉米秸稈主要成分及熱值的測定與分析[j].河南農(nóng)業(yè)科學,2006,35(9):30-32.[7]程旭云,牛智有,晏紅梅,等.基于工業(yè)分析指標的生物質(zhì)秸稈熱值模型構(gòu)建[j].農(nóng)業(yè)工程學報,2013,29(11):196-202.[8]丁碩；巫慶輝；；基于改進bp神經(jīng)網(wǎng)絡的函數(shù)逼近性能對比研究[j]；計算機與現(xiàn)代化；2012年11期[9]jinx,shaoj,zhangx,etal.modelingofnonlinearsystembasedondeeplearningframework[j].nonlineardynamics,2015,84(3):1327-1340.[10]周孑民,朱再興,劉艷軍,等.基于elman神經(jīng)網(wǎng)絡的動力配煤發(fā)熱量及著火溫度的預測[j].中南大學學報自然科學版,2011,42(12):3871-3875.技術(shù)實現(xiàn)要素：本發(fā)明的目的在于針對現(xiàn)有熱值的預測方法精度不高，結(jié)構(gòu)不合理，泛化能力不夠強等問題，提供了一種基于elman神經(jīng)網(wǎng)絡模型的秸稈熱值預測方法，以達到預測精度高，泛化能力好，可靠性高的目的。本發(fā)明的目的是通過以下技術(shù)方案實現(xiàn)的：一種基于elman神經(jīng)網(wǎng)絡模型的秸稈熱值預測方法，包括以下步驟：(1)數(shù)據(jù)的歸一化和輸入：將秸稈的成分，即纖維素、半纖維素和木質(zhì)素的含量及秸稈對應的熱值定義為一組數(shù)據(jù)，過大或過小的數(shù)據(jù)容易落到神經(jīng)網(wǎng)絡激活函數(shù)sigmoid的飽和區(qū)，使得神經(jīng)網(wǎng)絡的訓練速度變慢。所以需要將輸入和輸出數(shù)據(jù)都進行歸一化處理，使所有的數(shù)據(jù)都在(0,1)之間。具體做法如下：其中xmin和xmax是數(shù)據(jù)x中的最小值和最大值，xi是數(shù)據(jù)x中的任意一個值，yi是xi經(jīng)過歸一化處理之后的結(jié)果。而樣本通過訓練得到的預測結(jié)果yi根據(jù)式(5)還原得到熱值的預測結(jié)果。xi＝(xmax-xmin)×yi+xmin(5)將歸一化之后的數(shù)據(jù)輸入matlab軟件中，輸入層節(jié)點即玉米秸稈的三種成分，輸出層對應數(shù)據(jù)中的熱值。(2)網(wǎng)絡的輸入?yún)?shù)是玉米秸稈的三種成分：纖維素、半纖維素和木質(zhì)素，輸出參數(shù)是玉米秸稈的熱值，所以說神經(jīng)元網(wǎng)絡的輸入層神經(jīng)元為3個，輸出層神經(jīng)元為1個。網(wǎng)絡采用單隱含層結(jié)構(gòu)。隱含層神經(jīng)元的數(shù)目根據(jù)經(jīng)驗公式(6)確定隱含層神經(jīng)元數(shù)目的可能取值，并帶入到elman神經(jīng)元模型中，利用輸入樣本和輸出樣本對模型進行訓練，確定秸稈熱值和秸稈成分的非線性關(guān)系，并以訓練結(jié)果的均方誤差作為評估指標，確定最適合的隱含層神經(jīng)元數(shù)目。式中：r1為輸入層神經(jīng)元的個數(shù)；s2為輸出層神經(jīng)元的個數(shù)；s1為隱含層神經(jīng)元的個數(shù)。(3)確定訓練函數(shù)和訓練次數(shù)：非線性問題的求解經(jīng)常采用sigmoid函數(shù)。本發(fā)明中elman神經(jīng)網(wǎng)絡模型的輸出層和隱含層的傳遞函數(shù)都采用的是對數(shù)sigmoid函數(shù)。網(wǎng)絡的訓練函數(shù)通常用實驗選定，本發(fā)明采用traindgx函數(shù)對elman網(wǎng)絡進行訓練。確定神經(jīng)網(wǎng)絡的結(jié)構(gòu)和訓練函數(shù)之后，將訓練樣本帶入，得到訓練樣本網(wǎng)絡的訓練次數(shù)和均方誤差(meansquareerror，mse)之間的關(guān)系，從而根據(jù)所需要的精度選定訓練次數(shù)。(4)訓練神經(jīng)網(wǎng)絡：根據(jù)步驟(2)和步驟(3)確定的神經(jīng)網(wǎng)絡的結(jié)構(gòu)、訓練函數(shù)和訓練次數(shù)，將步驟(1)得到的歸一化數(shù)據(jù)帶入到elman神經(jīng)網(wǎng)絡模型中對神經(jīng)網(wǎng)絡進行訓練；elman神經(jīng)網(wǎng)絡的非線性表達式為:y(k)＝g(w1x(k))(1)x(k)＝f{w2[u(k-1)]+w3xc(k)](2)xc(k)＝x(k-1)(3)上式中，x,y,u,xc分別表示n維隱含層節(jié)點單位向量，m維輸出節(jié)點向量，r維輸入向量和n維反饋狀態(tài)向量。w1,w2和w3分別是隱含層到輸出層、輸入層到隱含層、承接層到隱含層的連接權(quán)值；g(·)為輸出神經(jīng)元的激活函數(shù)；f(·)為隱含層神經(jīng)元的激活函數(shù)。神經(jīng)網(wǎng)絡通過不斷學習調(diào)整各層權(quán)值得到優(yōu)化，使得實際輸出與期望輸出的誤差平方和函數(shù)最小，從而確定玉米秸稈的熱值和成分之間的非線性關(guān)系。(5)利用神經(jīng)網(wǎng)絡進行預測并對誤差進行分析：根據(jù)測定的秸稈的成分帶入至elman神經(jīng)網(wǎng)絡模型中即可得到該秸稈的熱值。與現(xiàn)有技術(shù)相比，本發(fā)明的技術(shù)方案所帶來的有益效果是：本發(fā)明方法簡單可行，在基于已有數(shù)據(jù)的基礎上，能夠精確地預測不同成分的玉米秸稈所對應的熱值。通過該方法的預測結(jié)構(gòu)，能描繪不同的成分對與熱值的綜合影響，對于篩選致密成型燃料的原料具有指導作用。附圖說明圖1是elman神經(jīng)網(wǎng)絡模型的結(jié)構(gòu)示意圖。圖2是elman神經(jīng)網(wǎng)絡的學習流程示意圖。圖3是不同隱含層神經(jīng)元數(shù)目的模型預測性能圖。圖4是不同訓練次數(shù)下的elman神經(jīng)網(wǎng)絡模型預測性能圖。具體實施方式下面結(jié)合附圖對本發(fā)明作進一步的描述。實施例1本實施例中秸稈材料選用市場上的15個玉米品種。對不同品種的玉米秸稈去穗、根，風干后，然后用粉碎機粉碎，過40目網(wǎng)篩，對號裝入袋中，封口，置于60攝氏度干燥箱中，烘干30h，用于測定化學成分和熱值。采用凡式法測定木質(zhì)素、纖維素、半纖維素含量；利用xry-1a型數(shù)顯氧彈式熱量計測定熱值。同時確定干物質(zhì)的量得到干物質(zhì)的發(fā)熱量。本發(fā)明采用了參考文獻《玉米秸稈主要成分及熱值的測定與分析中》的對秸稈的成分和熱值的實驗測定結(jié)果，如表1。表1不同品種玉米秸稈的成分和熱值(1)首先進行數(shù)據(jù)的歸一化和輸入將秸稈的成分，即秸稈的纖維素、半纖維素和木質(zhì)素含量，和對應的熱值定義為一組數(shù)據(jù)。由于過大或過小的數(shù)據(jù)容易落到神經(jīng)網(wǎng)絡激活函數(shù)sigmoid的飽和區(qū)，使得神經(jīng)網(wǎng)絡的訓練速度變慢。所以需要將輸入和輸出數(shù)據(jù)都進行歸一化處理，使所有的數(shù)據(jù)都在(0,1)之間。具體做法如下：其中xmin和xmax是數(shù)據(jù)x中的最小值和最大值，xi是數(shù)據(jù)x中的任意一個值，yi是xi經(jīng)過歸一化處理之后的結(jié)果。而樣本通過訓練得到的預測結(jié)果yi根據(jù)式(5)還原得到熱值的預測結(jié)果。xi＝(xmax-xmin)×yi+xmin(5)將歸一化之后的數(shù)據(jù)輸入matlab軟件中，輸入層節(jié)點即玉米秸稈的三種成分，輸出層對應數(shù)據(jù)中的熱值。(2)隨后，進行elman神經(jīng)網(wǎng)絡訓練結(jié)構(gòu)的設計：為了防止檢驗樣本超出試驗樣本的范圍，所以首先篩選出最大值和最小值樣本選作訓練樣本。然后再將其他的樣本進行隨機分類。最后實驗樣本為28個和檢驗樣本是9個。網(wǎng)絡的輸入?yún)?shù)是玉米秸稈的三種成分：纖維素、半纖維素和木質(zhì)素，輸出參數(shù)是玉米秸稈的熱值。所以說神經(jīng)元網(wǎng)絡的輸入層神經(jīng)元為3個，輸出層神經(jīng)元為1個。網(wǎng)絡采用單隱含層結(jié)構(gòu)。隱含層神經(jīng)元的數(shù)目根據(jù)經(jīng)驗公式(4)確定隱含層神經(jīng)元數(shù)目的可能取值，并帶入到elman神經(jīng)元模型中，利用輸入樣本和輸出樣本對模型進行訓練，確定秸稈熱值和秸稈成分的非線性關(guān)系，并以訓練結(jié)果的均方誤差作為評估指標，確定最適合的神經(jīng)元數(shù)目。式中：r1為輸入層神經(jīng)元的個數(shù)，s2為輸出層神經(jīng)元的個數(shù)，s1為隱含層神經(jīng)元的個數(shù)，m使調(diào)節(jié)系數(shù)，取值是1到10。由圖3可以看出，隨著隱含層神經(jīng)元個數(shù)的增加，預測熱值的均方差不斷減少，隱含層神經(jīng)元的數(shù)目預測結(jié)果的均方差達到了最小值，最小值是7.34×104，隨著神經(jīng)元數(shù)目的繼續(xù)增加預測結(jié)果的均方差不斷增加。隱含層神經(jīng)元的數(shù)目增加在一定范圍內(nèi)可以提高預測的精度。但繼續(xù)增加使得神經(jīng)網(wǎng)絡過于復雜反而使精度變差。所以elman神經(jīng)網(wǎng)絡最后選擇的結(jié)果是：輸入層神經(jīng)元、隱含層神經(jīng)元和輸出層神經(jīng)元的個數(shù)分別為3、9、1。(3)隨后，確定各層的傳遞函數(shù)和訓練函數(shù)：非線性問題的求解經(jīng)常采用sigmoid函數(shù)。elman神經(jīng)網(wǎng)絡模型的輸出層和隱含層的傳遞函數(shù)都采用的是對數(shù)sigmoid函數(shù)。網(wǎng)絡的訓練函數(shù)通常用實驗選定。本發(fā)明采用traindgx函數(shù)對elman網(wǎng)絡進行訓練。圖4給出了網(wǎng)絡的訓練次數(shù)和均方誤差(meansquareerror，mse)的關(guān)系。從圖4中可以看出，經(jīng)過6000次訓練之后，訓練樣本均方差值為0.0060217，可以滿足實驗中對誤差的要求。(4)隨后，進行elman神經(jīng)網(wǎng)絡的訓練：根據(jù)之前確定的神經(jīng)網(wǎng)絡的結(jié)構(gòu)，訓練函數(shù)和訓練次數(shù)，將歸一化的數(shù)據(jù)帶入到elman神經(jīng)網(wǎng)絡中對神經(jīng)網(wǎng)絡進行訓練。elman神經(jīng)網(wǎng)絡的結(jié)構(gòu)如圖1所示。elman神經(jīng)網(wǎng)絡的非線性表達式為:y(k)＝g(w1x(k))(1)x(k)＝f{w2[u(k-1)]+w3xc(k)](2)xc(k)＝x(k-1)(3)上式中，x,y,u,xc分別表示n維隱含層節(jié)點單位向量，m維輸出節(jié)點向量，r維輸入向量和n維反饋狀態(tài)向量。w1,w2和w3分別是隱含層到輸出層、輸入層到隱含層、承接層到隱含層的連接權(quán)值；g(·)為輸出神經(jīng)元的激活函數(shù)；f(·)為隱含層神經(jīng)元的激活函數(shù)。神經(jīng)網(wǎng)絡通過不斷學習調(diào)整各層權(quán)值得到優(yōu)化，使得實際輸出與期望輸出的誤差平方和函數(shù)最小，從而確定玉米秸稈的熱值和成分之間的非線性關(guān)系，神經(jīng)網(wǎng)絡學習過程如圖2所示。(5)隨后，利用神經(jīng)網(wǎng)絡進行預測并對誤差進行分析并與傳統(tǒng)的線性預測方法進行比較：elman神經(jīng)網(wǎng)絡選擇的實驗的目標誤差是0.00001，最大迭代次數(shù)是6000次。借助已經(jīng)確定的elman神經(jīng)網(wǎng)絡進行玉米秸稈熱值的預測，如圖所示。除此之外，還對實驗樣本進行多元線性回歸分析得到了線性加權(quán)方程并對檢驗組進行了預測?？梢缘玫骄€性回歸模型和elman神經(jīng)元模型的最大相對誤差(maximummeanrelativeerror,maxre)，平均相對誤差(meanrelativeerror,mre)和最小相對誤差(minimummeanrelativeerror,minre)，具體算法如下：其中：設樣本總數(shù)為n，實際值是x1,x2...xn，預測值是y1,y2...yn，結(jié)果如下：表2訓練樣本預測結(jié)果誤差分析table2forecastingerroranalysisoftrainingsets由表2可以看出，線性回歸預測方法與實際值之間存在較大誤差，其最大誤差超過10％，證明玉米秸稈的的熱值與成分之間并不存在簡單的線性關(guān)系。而elman網(wǎng)絡的預測值與實際熱值的誤差較小，最大誤差不小于5％并且平均誤差小于2％，線性回歸預測效果遠不如elman神經(jīng)元算法。所以在篩選致密成型技術(shù)的原料時，可以根據(jù)測定好的玉米秸稈的成分，利用elman神經(jīng)元算法較為準確的預測玉米秸稈的熱值。為了評估elman神經(jīng)網(wǎng)絡熱值預測模型的精確性和可靠性，利用置信區(qū)間分析的方法對模型進行評價。在統(tǒng)計學中，置信區(qū)間表示這個參數(shù)的真實值有一定概率落在測量結(jié)果的周圍的程度。在相同置信度的情況下，置信區(qū)間越小證明模型越精確越可靠。再假設模型是獨立分布和正態(tài)分布的情況下，設樣本總數(shù)為n，實際值是x1,x2...xn，預測值是y1,y2...yn。模型的平均誤差是ξ，把標準差是s當作方差σ2的無偏估計。所以置信度是1-α的置信區(qū)間是：計算線性回歸模型和elman神經(jīng)元預測模型的的置信區(qū)間。在置信度為0.95時，玉米秸稈熱值的線性回歸模型和elman神經(jīng)網(wǎng)絡模型的置信區(qū)間分別是[15331，18965]和[15932，17787]，線性回歸模型的置信區(qū)間長度是elman神經(jīng)元模型置信區(qū)間長度的2倍，證明elman神經(jīng)網(wǎng)絡模型在預測玉米秸稈熱值的時候有十分良好的精度和可靠性。本發(fā)明并不限于上文描述的實施方式。以上對具體實施方式的描述旨在描述和說明本發(fā)明的技術(shù)方案，上述的具體實施方式僅僅是示意性的，并不是限制性的。在不脫離本發(fā)明宗旨和權(quán)利要求所保護的范圍情況下，本領域的普通技術(shù)人員在本發(fā)明的啟示下還可做出很多形式的具體變換，這些均屬于本發(fā)明的保護范圍之內(nèi)。當前第1頁12當前第1頁12