基于神經(jīng)計(jì)算的糧食倉(cāng)儲(chǔ)環(huán)境監(jiān)測(cè)信息預(yù)測(cè)

文/張西龍 劉加躍 馬茜雅 王文玲

1 總體設(shè)計(jì)方案

糧食是人類社會(huì)賴以生存和延續(xù)的物質(zhì)基礎(chǔ)。目前我國(guó)糧食存儲(chǔ)損失率在4%左右，若能將損失率降到2%，每年則可以減少糧食損失幾百億斤。為了減少糧食在存儲(chǔ)過程中環(huán)境因素不適引起的損失，糧倉(cāng)需要部署糧情測(cè)控系統(tǒng)。目前國(guó)內(nèi)糧情測(cè)控系統(tǒng)采集的傳感器信號(hào)種類仍舊較為單一。

基于此，本文設(shè)計(jì)了一種基于現(xiàn)代傳感器技術(shù)、無線通信技術(shù)、物聯(lián)網(wǎng)云平臺(tái)、人工神經(jīng)網(wǎng)絡(luò)技術(shù)的糧倉(cāng)環(huán)境智能監(jiān)控系統(tǒng)，實(shí)現(xiàn)糧倉(cāng)環(huán)境參數(shù)的多參量監(jiān)測(cè)和數(shù)據(jù)的預(yù)測(cè)預(yù)報(bào)。該系統(tǒng)主要包括數(shù)據(jù)采集、上傳、可視化以及數(shù)據(jù)預(yù)測(cè)。首先，MCU控制溫濕度傳感器采集溫濕度，并通過無線通信模塊將溫濕度數(shù)據(jù)上傳到云平臺(tái)服務(wù)器。然后在Web端檢索歷史數(shù)據(jù)并進(jìn)行可視化，最后利用神經(jīng)網(wǎng)絡(luò)計(jì)算模型預(yù)測(cè)未來一段時(shí)間內(nèi)的糧倉(cāng)狀態(tài)，管理員可以通過電腦和手機(jī)遠(yuǎn)程監(jiān)測(cè)糧倉(cāng)。

2 數(shù)據(jù)采集和上傳及可視化

SHT20溫濕度傳感器可采集溫濕度信息。SHT20測(cè)溫誤差為0.3℃、測(cè)濕誤差為3.0%RH，通過I2C通信方式輸出采集結(jié)果。主控MCU通過PB6、PB7兩個(gè)通用IO口模擬I2C通信向SHT20發(fā)送觸發(fā)溫度測(cè)量、觸發(fā)溫度測(cè)量和讀取測(cè)量結(jié)果命令實(shí)現(xiàn)對(duì)溫濕度的采集。根據(jù)SDA 輸出的相對(duì)濕度信號(hào)SRH和溫度信號(hào)ST，可通過如下兩個(gè)公式計(jì)算相對(duì)濕度 RH和溫度 T，單位分別為 %RH、℃：

ESP8266是一個(gè)完整且自成體系的Wi-Fi網(wǎng)絡(luò)解決方案，能夠獨(dú)立運(yùn)行，也可以作為從機(jī)搭載于其他主機(jī)MCU運(yùn)行。通過控制ESP8266無線通信模塊，可以實(shí)現(xiàn)數(shù)據(jù)的上傳。數(shù)據(jù)上傳過程中，主控MCU通過串口向ESP8266發(fā)送相關(guān)AT指令，從而控制ESP8266連接到Wi-Fi和ThingSpeak服務(wù)器，然后將采集數(shù)據(jù)發(fā)送給ESP8266并控制ESP8266將數(shù)據(jù)發(fā)送給服務(wù)器。數(shù)據(jù)上傳到服務(wù)器之后，通過thingspeakRead()函數(shù)獲得指定時(shí)間段內(nèi)的歷史數(shù)據(jù)或者指定數(shù)量的歷史數(shù)據(jù)，然后調(diào)用MATLAB plot()繪圖命令，對(duì)歷史數(shù)據(jù)進(jìn)行可視化，從而更加直觀地實(shí)現(xiàn)對(duì)糧倉(cāng)的遠(yuǎn)程監(jiān)控。

3 數(shù)據(jù)預(yù)測(cè)

本文通過神經(jīng)網(wǎng)絡(luò)算法，利用三年歷史數(shù)據(jù)訓(xùn)練神經(jīng)計(jì)算模型，預(yù)測(cè)未來一天內(nèi)的糧倉(cāng)環(huán)境狀態(tài)，如最高溫度、最低溫度、平均濕度。

3.1 數(shù)據(jù)預(yù)處理

在訓(xùn)練神經(jīng)網(wǎng)絡(luò)之前，需要對(duì)數(shù)據(jù)進(jìn)行預(yù)處理，主要包括剔除異常數(shù)據(jù)、數(shù)據(jù)特征處理以及數(shù)據(jù)值域變換，從而使神經(jīng)網(wǎng)絡(luò)模型的性能更好。本文利用前三天的數(shù)據(jù)預(yù)測(cè)未來一天的數(shù)據(jù)，因此把前三天的數(shù)據(jù)添加到當(dāng)前數(shù)據(jù)的同一行，作為輸入的特征列，即輸入特征列變換。

經(jīng)過輸入特征列變換后，會(huì)導(dǎo)致一些數(shù)據(jù)缺失，在pandas中缺失的數(shù)據(jù)用Nan表示，調(diào)用pandas中的dropna( )方法，清理前三天包含Nan的數(shù)據(jù)行以及三年歷史數(shù)據(jù)中可能包含Nan的數(shù)據(jù)行。

高斯分布具有很好的理論性質(zhì)，比如標(biāo)準(zhǔn)正態(tài)分布的平均值為0、方差為1，這可以使得模型的表現(xiàn)更好。因此，本文通過歸一化對(duì)數(shù)據(jù)進(jìn)行了標(biāo)準(zhǔn)化處理，即將最大值和最小值縮放為0和1，將最大值和最小值之間數(shù)據(jù)分別映射到區(qū)間(0,1)內(nèi)，見公式3：

3.2 超參數(shù)確定

超參數(shù)主要包括學(xué)習(xí)率、隱層層數(shù)、隱層神經(jīng)元個(gè)數(shù)、激活函數(shù)等。當(dāng)數(shù)據(jù)量不大時(shí)，淺層模型的準(zhǔn)確率一般較好，數(shù)據(jù)量比較大時(shí)，深度模型效果更好。本文采集的歷史數(shù)據(jù)量不很多，因此采用雙隱層的淺層網(wǎng)絡(luò)。對(duì)于環(huán)境參數(shù)預(yù)測(cè)這類回歸問題，輸出層的激活函數(shù)采用線性函數(shù)，其他超參數(shù)的的搜索范圍為：

（1）隱含層0激活函數(shù)：{Sigmoid,Tanh,ReLU}

（2）隱含層0神經(jīng)元個(gè)數(shù)：[4,12]

（3）隱含層1激活函數(shù)：{Sigmoid,Tanh,ReLU}

（4）隱含層1神經(jīng)元個(gè)數(shù)：[10,25]

（5）學(xué)習(xí)率：[0.001,0.01]

對(duì)于神經(jīng)網(wǎng)絡(luò)超參數(shù)的確定，可以直接使用sklearn提供的GridSearchCV與RandomizedSearchCV兩個(gè)方法。雖然GridSearchCV相對(duì)來說一般比較耗時(shí)，但是RandomizedSearchCV隨機(jī)參數(shù)搜索不一定能保證搜索到最佳超參數(shù)分布，因此，本系統(tǒng)采用GridSearchCV方法確定最佳超參數(shù)。

使用GridSearchCV搜索參數(shù)時(shí)，先設(shè)置好本次的搜索參數(shù)范圍并構(gòu)造好GridSearchCV對(duì)象，然后調(diào)用fit( )方法開始搜索，通過best_params_屬性獲得搜索結(jié)果：

（1）隱含層0激活函數(shù)：Tanh

（2）隱含層0神經(jīng)元個(gè)數(shù)：11

（3）隱含層1激活函數(shù)：Tanh

（4）隱含層1神經(jīng)元個(gè)數(shù)：18

表1：預(yù)測(cè)結(jié)果度量

圖1：錯(cuò)誤率迭代曲線

圖2：最高溫度預(yù)測(cè)測(cè)試結(jié)果

（5）學(xué)習(xí)率：0.09119573070815927

3.3 訓(xùn)練神經(jīng)網(wǎng)絡(luò)

神經(jīng)網(wǎng)絡(luò)的學(xué)習(xí)過程，就是根據(jù)訓(xùn)練數(shù)據(jù)來調(diào)整神經(jīng)元之間的連接權(quán)(connection weight)以及每個(gè)功能神經(jīng)元的閾值。確定了超參數(shù)以后，通過sknn.mlp模塊的Layer和Regressor構(gòu)造一個(gè)Regressor對(duì)象，然后調(diào)用Regressor對(duì)象的fit( )方法，訓(xùn)練神經(jīng)網(wǎng)絡(luò)的連接權(quán)重和閾值。編寫store_stats( )函數(shù)跟蹤參數(shù)更新狀態(tài)、記錄錯(cuò)誤率。訓(xùn)練過程中，錯(cuò)誤率剛開始迅速下降，最終下降到1.0%左右停止迭代，最后穩(wěn)定在0.8%左右，即精度為99.2%。訓(xùn)練結(jié)束后，繪制錯(cuò)誤率迭代曲線，如圖1所示。

3.4 神經(jīng)網(wǎng)絡(luò)模型性能測(cè)試

編寫前向傳遞函數(shù)計(jì)算出預(yù)測(cè)結(jié)果后，計(jì)算均方誤差(Mean Squared Error)和精度(Accuracy)來衡量模型性能，并在同一個(gè)圖中繪制離散曲線，觀察預(yù)測(cè)值和真實(shí)值之間的差距。其中，計(jì)算均方誤差和精度的公式如下所示：

其中，N是測(cè)試數(shù)據(jù)集樣本數(shù)，yout是預(yù)測(cè)值，y是真實(shí)值。

經(jīng)測(cè)試，本文訓(xùn)練的神經(jīng)網(wǎng)絡(luò)模型能夠準(zhǔn)確預(yù)測(cè)糧倉(cāng)內(nèi)未來一天的環(huán)境狀態(tài)，其中，最高溫度和最低溫度的精度大于99%，對(duì)于濕度的預(yù)測(cè)精度稍遜。由于SHT20溫濕度傳感器的濕度傳感元件本身就有3%RH的誤差，因此97.2483%的濕度預(yù)測(cè)精度是可接受的。預(yù)測(cè)結(jié)果的均方誤差和精度如表1所示。

其中，對(duì)最高溫度的預(yù)測(cè)結(jié)果如圖2所示。

4 總結(jié)

本文通過SHT20溫濕度傳感器實(shí)時(shí)采集糧倉(cāng)溫濕度信息，并通過ESP8266無線通信模塊將溫濕度采集數(shù)據(jù)上傳到ThingSpeak云平臺(tái)，然后進(jìn)行歷史狀態(tài)數(shù)據(jù)的可視化，從而實(shí)現(xiàn)了對(duì)糧倉(cāng)狀態(tài)遠(yuǎn)程、直觀的監(jiān)控，同時(shí)基于對(duì)歷史數(shù)據(jù)的分析以及反向傳播算法，通過訓(xùn)練神經(jīng)網(wǎng)絡(luò)計(jì)算模型，實(shí)現(xiàn)對(duì)糧倉(cāng)未來一段時(shí)間內(nèi)的監(jiān)測(cè)數(shù)據(jù)的預(yù)測(cè)，可以對(duì)未來一段時(shí)間內(nèi)的危險(xiǎn)狀態(tài)提前采取措施，從而實(shí)現(xiàn)了智能化、現(xiàn)代化的安全儲(chǔ)糧。