“人工神經(jīng)網(wǎng)絡”教學中的Matlab仿真工程實踐

黃金明，蘇佰麗，武玉強

(曲阜師范大學電氣信息與自動化學院，山東日照 276826)

人工神經(jīng)網(wǎng)絡在解決各種輸入因子具有復雜性、非線性和相關性的問題上擁有很大的優(yōu)勢。我們在“人工神經(jīng)網(wǎng)絡”課程的教學過程中，通過對各種神經(jīng)網(wǎng)絡模型的學習和計算機仿真，可以闡述清楚課程的主要思想;但尚需將該思想應用于實踐去解決實際問題。

隨著食品安全問題的敏感度逐漸增加，海產(chǎn)食品的出口安全問題也受到越來越多的關注。由于不同的進口國對食品的指標要求存在差異，傳統(tǒng)的合格或不合格等定性結論不能體現(xiàn)這一差異，而采用量化的風險度指數(shù)來衡量出口食品的質(zhì)量水平是一個比較理想的解決方案。BP神經(jīng)網(wǎng)絡具有很強的魯棒性、容錯性和自學習能力，本文利用BP神經(jīng)網(wǎng)絡建立了出口海產(chǎn)食品的風險分析模型，采用改進的誤差反向傳播算法，通過多次反饋對輸入數(shù)據(jù)進行模型仿真，給出風險分析結論。

1 出口海產(chǎn)食品風險分析系統(tǒng)理論

1.1 出口海產(chǎn)食品風險分析的要素

海產(chǎn)食品的質(zhì)量水平取決于食品加工和運輸?shù)母鱾€環(huán)節(jié)中的影響因素，具體包括原材料的儲存和預處理、食品加工工序、食品加工環(huán)境溫度、衛(wèi)生狀況以及運輸?shù)拳h(huán)節(jié)。其中，部分環(huán)節(jié)屬于關鍵環(huán)節(jié)，對海產(chǎn)食品的最終質(zhì)量有著決定性的影響，比如:細菌數(shù)量和金屬物含量等，不同的海產(chǎn)食品的影響要素也有所不同。

以凍模擬蟹肉與凍鱈魚片兩種海產(chǎn)品為例，其潛在的危害因素有很多，如金屬碎片、生物的致病菌、化學的添加劑、產(chǎn)品的基因成分、檢驗檢疫部門的檢查結果以及運輸時間等等。在這些因素中，有些因素是通過主觀預測來分析的，是定性的，必須將這些因素應用模糊綜合評價方法，使之定量化，最終建立權重集來實現(xiàn)。

1.2 出口海產(chǎn)食品風險分析系統(tǒng)設計

海產(chǎn)食品風險分析項目主要解決的問題是依據(jù)食品的危害分析與關鍵控制點HACCP(Hazard Analysis Critical Control Point)理論將影響產(chǎn)品質(zhì)量的因素分為普通因子和CCP因子，然后對影響因子進行分析得出風險度估計［1］。整個系統(tǒng)將采集的各種影響因子作為神經(jīng)網(wǎng)絡模型的輸入，經(jīng)過訓練后的神經(jīng)網(wǎng)絡模型運算后產(chǎn)生的輸出作為風險度結果，以此作為最終的評判標準。整個系統(tǒng)共包括四個層次，分別為接口層、預處理層、決策層和輸出層，如圖1所示。

圖1 出口海產(chǎn)食品風險分析系統(tǒng)體系結構

產(chǎn)品的輸入?yún)?shù)通過實時采集的方式在接口層進行獲取，并送入預處理層進行數(shù)據(jù)的修正和模糊綜合評價等預處理操作，數(shù)據(jù)經(jīng)預處理后，在進入神經(jīng)網(wǎng)絡模型進行風險分析之前，還需要對這些數(shù)據(jù)統(tǒng)一進行歸一化處理。得到的結果作為神經(jīng)網(wǎng)絡模型的輸入值，經(jīng)過決策層的神經(jīng)網(wǎng)絡模型分析完成后，將本次的數(shù)據(jù)存入中心數(shù)據(jù)庫并將風險分析結果送輸出層進行人機交互操作。用戶可以看到產(chǎn)品生產(chǎn)過程中的全部風險指標，也可以通過現(xiàn)場控制系統(tǒng)對生產(chǎn)環(huán)節(jié)進行遠程控制。

2 BP神經(jīng)網(wǎng)絡的模型算法

2.1 神經(jīng)網(wǎng)絡基礎知識

人工神經(jīng)網(wǎng)絡由神經(jīng)元互聯(lián)組成，通過模擬人腦對信息的處理方式，進行信息的并行處理和非線性轉換，具有良好的自學習、自適應和非線性轉換能力。它通過樣本的訓練和學習將信息隱含在連接權值上，達到穩(wěn)定后，便可以對新的數(shù)據(jù)輸入進行預測。神經(jīng)網(wǎng)絡的輸入信息來自生產(chǎn)現(xiàn)場的多個傳感器，這些信息是單一傳感器和傳統(tǒng)算法所不具備的。多個傳感器的設置沒有統(tǒng)一的方法，需要針對不同產(chǎn)品和不同的生產(chǎn)環(huán)境采取不同處理，來選擇合適的模型參數(shù)。在這里，選擇了一種比較成熟的單向傳播的多層前向網(wǎng)絡—BP神經(jīng)網(wǎng)絡作為模型能很好地實現(xiàn)對輸入數(shù)據(jù)進行風險預測［2］，其組成如圖2所示。

圖2 BP神經(jīng)網(wǎng)絡結構圖

利用人工神經(jīng)網(wǎng)絡建立海產(chǎn)食品的風險分析模型有很大的優(yōu)越性，首先，這種方法是開放的，輸入輸出的調(diào)整比較靈活，比較適合目前海產(chǎn)食品種類繁多的行業(yè)現(xiàn)狀。神經(jīng)網(wǎng)絡模型的調(diào)整具有很大的靈活性。模型的建立依賴于訓練的樣本，樣本的代表性和廣泛性會影響最終模型算法的精度，用戶也可以根據(jù)新形勢下的新情況，調(diào)整學習樣本，讓模型算法重新適應新的情況，因此，神經(jīng)網(wǎng)絡模型相對于傳統(tǒng)的數(shù)理統(tǒng)計模型具有更大的靈活性和易用性。

2.2 神經(jīng)網(wǎng)絡模型結構

BP神經(jīng)網(wǎng)絡的結構主要由輸入層、隱藏層和輸出層組成，各層節(jié)點數(shù)的選取具有一定的規(guī)律。由于出口海產(chǎn)食品種類繁多，每種食品的網(wǎng)絡模型結構也不盡相同，以出口凍鱈魚片為例，其主要風險分析指標包括儲藏溫度、金屬物、CCP執(zhí)行情況、細菌總數(shù)和運輸時間。因此，BP網(wǎng)絡的輸入層確定為5 個節(jié)點，設輸入向量為 xi=(x1，x3，x3，x4，x5)，輸出結果即為單節(jié)點風險值yo=(yo1)，隱藏層設定為單層，其節(jié)點數(shù)目與輸入輸出節(jié)點數(shù)、訓練樣本數(shù)及復雜程度有關，根據(jù)Kolmogorov定理以及隱藏層節(jié)點數(shù)的經(jīng)驗公式(黃金分割法)［3］:

其中，N為隱藏層節(jié)點數(shù)，n和t為輸入和輸出層節(jié)點數(shù)。經(jīng)過計算并綜合考慮隱藏層的功能，將本文中的隱藏層的節(jié)點數(shù)定為10個，既能滿足精度需求，又能盡量減少網(wǎng)絡的訓練時間，同時還兼顧了收斂速度、泛化能力和穩(wěn)定性。

2.3 神經(jīng)網(wǎng)絡算法流程

根據(jù)BP神經(jīng)網(wǎng)絡的特點以及出口凍鱈魚片產(chǎn)品的需求，所建立的網(wǎng)絡模型算法的流程如圖3所示。

圖3 凍鱈魚片產(chǎn)品神經(jīng)網(wǎng)絡算法流程

神經(jīng)網(wǎng)絡的權值和閾值均取(0，1)之間的隨機值，激活函數(shù)采用 S 型函數(shù)［4］:f(x)=1/(1+ex)，神經(jīng)網(wǎng)絡前向計算的隱藏層輸出過程為

式中，hih(k)是隱藏層輸入，wih為輸入層到隱藏層的連接權值，θh為隱藏層神經(jīng)元閾值。輸出層各節(jié)點的輸出值為

式中，yio(k)為輸出層各節(jié)點的輸入激活值，who為隱藏層到輸出層的連接權值。

在反饋調(diào)整權值的計算過程中，采用改進的BP算法，加入動量因子，將上一次權值調(diào)整量的一部分迭加到按此次誤差計算所得的權值調(diào)整量上，作為此次的實際權值調(diào)整量，即

式中，η、α和δ0(k)分別為學習率、動量因子和誤差函數(shù)對輸出層各神經(jīng)元的偏導數(shù)。這種方法所加的動量因子實際上相當于阻尼系數(shù)，它減小了學習過程的振蕩趨勢，從而改善收斂性。文中取α=0.5。

在隱藏層和輸出層的連接權值調(diào)整過程中，全局總誤差的計算公式為

式中，m為樣本個數(shù)，do(k)與yo(k)分別為期望輸出與實際輸出值。

2.4 輸入樣本的預處理

由于出口凍鱈魚片產(chǎn)品的五個參數(shù)對風險值的影響程度不同，各個參數(shù)的取值單位也有很大差異，因此，需要對輸入樣本中的參數(shù)值進行修正。常用的修正方法為加權修正法和模糊綜合評價法。典型的輸入樣本和輸出風險度數(shù)值如表1所示。

表1 凍鱈魚片產(chǎn)品的輸入?yún)?shù)值與期望風險值

從表1可以看出，伴隨著儲存溫度的升高及細菌數(shù)量的增加，風險度呈上升趨勢，而金屬物含量(CCP)對于風險度的影響是具有決定性的。但是它的單位值和其他參數(shù)相比，在神經(jīng)網(wǎng)絡中占有的權重值卻很難體現(xiàn)這一結果，本文對該參數(shù)進行加權修正處理，以增加該參數(shù)在各種相關因素中的影響力。

2.5 實驗結果

根據(jù)出口凍鱈魚片產(chǎn)品的檢驗需求及對基于BP神經(jīng)網(wǎng)絡風險分析模型特點的分析，本文選擇了300組典型輸入值作為訓練樣本集合，對神經(jīng)網(wǎng)絡進行訓練。系統(tǒng)實現(xiàn)采用Matlab作為后臺運算引擎［5］，對300組樣本輸入進行最多2萬次迭代運算，預設精度為0.01。圖4為樣本訓練誤差曲線圖。

圖4 樣本訓練過程誤差曲線圖

從曲線可以看出，所選擇網(wǎng)絡模型算法的收斂性還是比較好的。

待神經(jīng)網(wǎng)絡訓練完畢后，用新的待測試值進行輸入，輸出的風險度平均值能夠滿足精度要求，這說明該模型能夠很好的解決風險預測類非線性問題，部分實際輸入對應的風險值數(shù)據(jù)如表2所示。

表2 部分實際輸入?yún)?shù)的風險值

3 結語

本文對人“工神經(jīng)網(wǎng)絡”課程教學方法和手段進行了探討，并成功地將教學過程與項目開發(fā)實踐過程進行了結合，將教學過程中復雜的抽象理論問題用具體的建模實例來實現(xiàn)，理論結合實際，取得了良好的教學效果。設計的風險分析系統(tǒng)由VS2008和 Matlab混合編程實現(xiàn)［6］。數(shù)據(jù)測試表明，該系統(tǒng)能很好的解決出口海產(chǎn)食品的風險預測問題，達到了預期目標。

［1］ Hazard Analysis＆ Critical Control Points(HACCP).http://www.fda.gov/food/foodsafety/hazardanalysiscriticalcontrolpointshaccp/

［2］ 徐麗娜 編著.神經(jīng)網(wǎng)絡控制［M］.北京:電子工業(yè)出版社，2003

［3］ 陳明，朱文婷，周汝雁何等.BP神經(jīng)網(wǎng)絡信息融合技術在水質(zhì)監(jiān)控中的應用［J］.北京:微計算機信息，2010 26(4-1):15-17

［4］ 高雋 編著.人工神經(jīng)網(wǎng)絡原理及仿真實例(第2版)［M］.北京:機械工業(yè)出版社，2007

［5］ 謝濤，何怡剛，姚建剛等.VB調(diào)用Matlab的模擬電路故障診斷神經(jīng)網(wǎng)絡方法［J］.北京:計算機工程與應用，2010 46(10):213-215

［6］ Matalb C++Library User＇s Guide［M］.The Math Works，Inc，2002