基于混乱和增强的RBF神经网络的谷物储存温度预测
Fuyan Sun1, Chunyan Gong2, Zongwang Lyu1,3
1College of Information Science and Engineering, Henan University of Technology, Zhengzhou, 450001, China.
Scientific reports
|October 14, 2024
概括
这项研究引入了一种新的C-ERBF模型,结合了混乱理论和增强的辐射基函数神经网络,以准确地预测谷物储存温度. 这种方法可以提高预测准确度,减少腐烂,优化谷物储存管理.
科学领域:
- 农业工程 农业工程
- 人工智能的人工智能
- 时间序列分析时间序列分析
背景情况:
- 由于严格的要求,谷物储存需要精确的温度控制.
- 现有的温度预测模型存在非线性特征和低准确性.
- 准确的温度预测对于最大限度地减少储存的谷物损失至关重要.
研究的目的:
- 开发一种用于谷物储存的先进温度预测模型.
- 解决目前方法中非线性动态和预测不准确性的局限性.
- 提高谷物储存温度监测的效率和准确性.
主要方法:
- 应用混沌理论来确定温度序列的嵌入维度和时间延迟.
- 使用Lyapunov指数来确认混乱属性和相位空间重建用于数据分析.
- 开发一个q-规范化最小平均平方四度 (qXE-NLMF) 算法,以增强辐射基函数 (RBF) 神经网络,以提高重量更新,预测准确度和训练速度.
主要成果:
- 增强的RBF (ERBF) 网络在Mackey-Glass混乱时间序列预测中显示出比传统RBF网络更快的收和更低的稳定状态误差.
- 与其他时间序列预测方法相比,拟议的C-ERBF模型在谷物储存温度系列中实现了更高的预测准确性.
- 该模型成功地提前预测了谷物堆温度,从而实现了主动控制措施.
结论:
- 在预测谷物储存温度方面,C-ERBF模型提供了显著的改进.
- 基于C-ERBF预测的主动温度管理可以大幅减少储存的谷物消耗.
- 这种预测能力有助于防止腐烂,并确保更好的谷物质量保存.
