遺傳算法在微波諧振腔水分測量中的應用

鄒治軍（南京科技職業學院，南京210048）

遺傳算法在微波諧振腔水分測量中的應用

鄒治軍
（南京科技職業學院，南京210048）

0　引言

在物料水分檢測技術研究中，找出各種電參量（如電導率、介電常數）或非電參量（如微波相位、頻率）與水分的函數關系是主要的研究內容之一。利用微波諧振腔進行水分測量具有檢測快、精度高、非接觸的優點，國內外對此進行了深入研究［1-2］。這些研究的相同點是都采樣傳統的多元非線性回歸方法建立諧振參量和物料水分的數學模型，測量精度有待提高。已有研究表明，水分是關于微波諧振腔諧振參量的非線性函數［3］，而人工神經網絡具有良好的非線性函數映射能力。其中，BP網絡具有較好的泛化能力，缺點是收斂速度慢，容易陷入局部極值。遺傳算法的最大優點是可以獲得全局最優解。本文利用遺傳算法實現BP神經網絡連接權的初步優化，縮小搜索空間，再由BP算法完成網絡連接權的精確尋優。本方案綜合兩種算法的各自優點，提高了模型預測的速度與精度。

1　微波諧振腔水分測量原理

利用微波諧振腔測量水分時，放置于諧振腔電磁場中樣品的水分含量會反映在頻率偏移和品質因數參量上。在大多數場合，其關系可以用以下函數表示（濕基法）：

上式中的M表示樣品的含水率，mW表示樣品中水的質量，mD是樣品烘干后的干物質質量，ψ1，ψ2分別是mW，mD關于諧振參量α、β的函數。在微波諧振腔水分測量中，通常關注的是諧振頻率偏移ΔF和品質因數Q這兩個參量。其中，ΔF=f0-fs，fo，fs分別代表諧振腔空腔以及放置樣品后的諧振頻率。品質因數變化可由下式表示：

考慮到測量方便以及測量精度，上式可用電壓傳輸系數s21表示［2］：

將實驗測量得到的諧振參量ΔF，ΔT與對應的樣品水分值進行多元非線性回歸擬合，即建立起諧振參量和水分值的數學模型，進而實現物料水分的檢測。如何減少多元非線性回歸過程誤差是提高測量精度的重要研究內容［4］。張景陽等人［5］的研究結果表明BP神經網絡模型要優于多元回歸模型。

2　遺傳算法原理

標準BP神經網絡的學習過程是基于目標函數的梯度，這種學習方法的最大問題是收斂速度慢，而且容易陷入局部極值［6］。遺傳算法是基于自然選擇和基因遺傳學原理的搜索算法，它通過對參數空間進行編碼并用隨機選擇作為工具來搜索問題的全局最優解。遺傳算法與BP算法相結合即可避免局部極值，又提高了網絡學習速度與精度。利用遺傳算法優化BP網絡連接權的思路是首先對隨機產生的BP網絡初始連接權值進行編碼，根據誤差函數計算適配值，然后進行復制、交叉與變異操作，產生下一代種群，直至滿足目標后結束訓練。遺傳算法優化BP網絡連接權的操作步驟如圖1所示。

3　MATLAB仿真及實驗

3.1數據樣本集準備

首先利用烘箱干燥法制作120組不同含水率（10%～20%）的稻種樣本。把稻種樣品放置諧振腔中，用網絡矢量分析儀分別測量記錄每組樣品對應的諧振參量值。樣品的水分值與其對應的諧振頻移ΔF、傳輸因子ΔT參量構成一組數據樣本（表1）。其中兩個諧振參量作為BP網絡輸入數據，樣品實際水分含量M作為BP網絡的輸出。隨機選取100組數據作為BP算法的訓練樣本，剩下20組作為BP網絡訓練結束后的測試樣本。樣本數據在使用之前用premnmx函數做歸一化處理。BP網絡采用三層結構，包含1個輸入層、1個隱含層和1個輸出層。其中，輸入層神經元個數為2，輸出層神經元個數為1，隱含層神經元個數根據經驗選取為5個。

表1　BP神經網絡訓練樣本數據

圖1　遺傳算法優化BP網絡連接權操作流程圖

3.2MATLAB仿真實現

MATLAB仿真分為兩個步驟。首先利用MATLAB實現遺傳算法尋優BP網絡的初始連接權值。在初始連接權值尋優結束后（結果為二進制長串），利用gadecod函數將結果分解為BP網絡對應的連接權值和和閾值，并將其作為BP網絡的初始權值與閾值。接下來使用準備好的100組樣本數據，完成基于BP算法的網絡連接權值的精確尋優。最后使用其余20組樣本數據完成對訓練后的神經網絡性能測試 （衡量網絡的泛化能力）。BP網絡由newff函數創建，由train函數完成網絡的訓練。BP網絡訓練參數設置如下：

網絡訓練性能如圖2所示，由圖可見當訓練到1620次時，達到預先設定的學習精度要求，整個訓練過程用時10秒。圖3為期望輸出與模型計算輸出的線性擬合圖，由圖可知訓練后的BP網絡可以得到滿意的結果。

4　結語

本文利用遺傳算法和BP網絡建立微波諧振腔諧振參量和物料水分的數學模型，與采用標準BP網絡建模相比，避免了局部極值，提高了收斂速度。大量研究表明，物料水分不僅與諧振腔諧振頻移ΔF、傳輸因子ΔT有關，也與環境溫度、物料堆密度（bulk density）等因素也存在復雜的、難以用數學精確描述的關系。在本文基礎上，今后可進一步研究環境溫度、堆密度作用于物料水分的機理，將它們添加為BP網絡的輸入，建立更精準的微波諧振腔水分測量模型，實現水分測量精度的提高。

圖2　BP算法訓練目標曲線圖

圖3　期望輸出與模型計算輸出線性擬合圖

［1］尤田束.用微波諧振腔技術測定任意形狀生物體的濕度［J］.微波學報，1998，14（2）：167-174.

［2］Kraszewski A W，YOU T S，Nelson S O.Microwave resonator technique for moisture content determination in single soybean Seeds ［J］.IEEE Trans.on Instrumentation and Measurement，1989，38（1）：79-84.

［3］Kent M.Simultaneous determination of composition and other material properties by using microwave sensors［J］.Sensors update，2000，!7：3-25.

［4］楊國輝，吳群，姜宇，Nikawa Yoshio.基于SVM多元非線性回歸的微波諧振腔谷物含水率測量法［J］.儀表儀表學報，2007，28（3）：421-425.

［5］張景陽，潘光友.多元線性回歸與BP神經網絡預測模型對比與運用研究［J］.昆明理工大學學報（自然科學版），2013，38（6）：61-67.

［6］孫增圻.智能控制理論與技術［M］.北京：清華大學出版社，1997.

Resonator；BP Network；Genetic Algorithm；Quality Factor

Application of Genetic Algorithm for Moisture Content Determination

ZOU Zhi-jun
（Nanjing Polytechnic Institute，Nanjing 210048）

南京科技職業學院青年專項基金（No.NHKY-2010-28）

1007-1423（2015）23-0017-03

10.3969/j.issn.1007-1423.2015.23.003

鄒治軍（1976-），男，江西宜春，講師，碩士，研究方向為智能控制與檢測

2015-06-16

2015-08-05

在微波諧振腔水分測量技術研究中，建立諧振參量和物料水分之間的非線性函數關系是重要內容。BP網絡具有良好的非線性函數估計能力，遺傳算法具有全局尋優的特點。遺傳算法與BP算法相結合，可提高神經網絡的學習速度與精度，實現微波諧振腔水分測量精度的提高。

諧振腔；BP網絡；遺傳算法；品質因數

In the research on technique for moisture content determination using microwave resonator，establishes a nonlinear relationship between the resonant parameters and the moisture content is important.BP network has a good estimation ability of nonlinear function，genetic algorithm has the characteristics of global optimization.The combination of genetic algorithm and BP algorithm can improve the learning speed and accuracy of neural network，improve the measurement accuracy of moisture content.