人工神經網絡在不同蓄冷劑參數下保溫性能評估的應用

楊佳文，曾臺英

人工神經網絡在不同蓄冷劑參數下保溫性能評估的應用

楊佳文，曾臺英

（上海理工大學，上海 200093）

利用不同人工神經網絡算法預測不同蓄冷劑參數下冷鏈保溫箱保溫時間，以尋找最適合評估其保溫性能的人工神經網絡。將實驗數據以4∶1的比例分別隨機分配訓練、測試的樣本，分別建立BPNN、RBFNN與GRNN這3種人工神經網絡模型，并提出判定系數（2）、平均絕對誤差（MAE）與均方誤差（MSE）這3個評價標準。通過算法獲得保溫時間預測值和評價標準具體值，并且利用隨機漫步算法對性能最好的神經網絡進行優化。通過2、MAE和MSE這3個神經網絡評價標準以及保溫時間的實際值與預測值的對比圖，得出RBFNN神經網絡的性能最佳、精度最準、擬合最好，它的2遠高于GRNN和BPNN神經網絡的，并且MSE值和MAE值遠低于GRNN和BPNN神經網絡的，3個評價指標分別達到0.999 93、0.009 63和0.062 86。優化后的Random-Walk-RBFNN的性能進一步提高，2提升了0.004%，MSE值、MAE值和運行時間分別下降了60.02%、34.20%和5.29%。RBFNN神經網絡各方面最為突出，更適合用于冷鏈保溫箱保溫性能評估，而優化后的Random-Walk-RBFNN性能更優，2進一步提升，MSE值、MAE值和運行時間進一步下降，評估性能更好。

冷鏈保溫箱；蓄冷劑；人工神經網絡；均方誤差

近年來，隨著人們生活水平的改善，對生鮮需求愈來愈大[1]。為了保證生鮮運輸的質量，其短途及小批量的生鮮物流配送，一般運用冷鏈保溫箱。對于冷鏈保溫箱，其關鍵是利用蓄冷劑的相變吸熱保持生鮮食品、醫療藥品的質量[2]，有著無須能源、方便小巧等特點[3]，從而可知冷鏈保溫箱的蓄冷劑的選擇對整體保溫性能極其重要。

考慮整個生鮮物流實驗復雜繁瑣、研發成本高及誤差偏大，國內外諸多學者研究了神經網絡技術在冷鏈物流中的應用。潘珠[4]利用BP神經網絡實現了海南省農產品近年來冷鏈物流配送需求量額度的估算。李敏杰等[5]比較RBF、BP神經網絡、MLR、GM模型對水產品冷鏈物流配送需求的預測能力，得出RBF神經網絡預測能力最好。楊瑋等[6]利用AHPSO-SVM建立了現代化農產品冷鏈物流服務質量安全性風險預警模式，以避免農產品在冷鏈物流過程中出現腐敗、變質、過期等問題。Chen等[7]利用BP和PCA-BP神經網絡模型對A市2010—2018年果蔬冷鏈物流所需量進行分析，從而得出更適合預測冷鏈物流所需量的神經網絡是PCA-BP。Zheng[8]建立了BPNN模型，以有效避免農產品交叉環境污染，確保從農田到飯桌的任何環節的衛生、安全性和產品質量。為了確保生鮮的品質，其保溫箱的保溫時長是關鍵參數。雖然國內外在冷鏈物流上神經網絡的研究有很多，但是在冷鏈保溫箱的保溫性能方面鮮有研究。

諸多神經網絡算法中，涉及到函數逼近、圖像識別、語音輸入等[9]多種應用。本文的評估冷鏈保溫箱的保溫性能問題屬于非線性回歸問題，同時無須考慮時序及狀態的復雜條件。處理這類問題，BPNN、RBFNN及GRNN這3個神經網絡應用相對較為廣泛、性能較好、收斂速度快、預測精度高、誤差較小。但是，這3種算法都需要在構建網絡前設定參數，BPNN需要設定隱藏節點數量，RBFNN需要設定徑向基擴展速度、GRNN需要設定光滑因子，這些參數設定的好壞直接影響預測的精確性。一般這些參數通過手動試錯或者利用for循環遍歷，這2種方法找到的解可能是局部最優解，因此通常采用全局最優算法，諸如全局搜索GlobalSearch算法[10]、GA遺傳算法[11]、粒子群算法PSO[12]、模擬退火算法SA[13]、隨機漫步算法Random-Walk[14]等對其進一步優化。

綜上，本文通過BPNN、RBFNN、GRNN三大常用人工神經網絡，對冷鏈保溫箱在不同蓄冷劑參數的條件下的保溫時間進行預測，并通過判定系數、均方誤差、平均絕對誤差等方面進行比較，從而找到最適合對冷鏈保溫箱保溫性能進行評估的神經網絡，隨后對其利用隨機漫步算法Random-Walk進行優化改進，使其性能進一步提升、預測精度更高、誤差更小。

1 數據樣本來源

本文所使用的3個神經網絡的所有訓練和測試樣本都來源于《基于冷鏈物流條件下保溫箱蓄冷劑的選擇分析》[2]的實驗數據。通過表1所示的四大參數——相變溫度、相變潛熱、擺放形式和環境溫度的排列組合進行實驗，最終得出的1 440組保溫時長數據，其數據分布直方圖如圖1所示。然后在神經網絡中將這些實驗數據以4∶1的比例隨機分配給訓練、測試的樣本。

圖1 保溫時長數據直方圖

表1 蓄冷劑參數

Tab.1 Parameter of cold storage agent

2 神經網絡建模

基于上述分析，本文對BPNN、RBFNN和GRNN神經網絡進行建模。

2.1 BPNN神經網絡建模

BPNN神經網絡是一種有著很多層數的，總體由輸入、輸出及隱藏層等3層構成的前饋神經網絡，其中隱藏層可以不止一層。本實驗的BPNN結構如圖2所示。它有著從輸入、隱藏層到輸出層的前向傳播階段，以及利用輸出值誤差反過來更新輸出到輸入層各節點的權重的反向傳播這2個階段[15]。它泛化性強，可以自我學習與自適應，并且有著強大的非線性映射功能，但是它收斂速度較慢，而且容易出現陷入局部最小的不良現象[16]。該神經網絡適用于巖土工程優化[17]、故障分析[18]、函數逼近[19]等。

圖2 BPNN神經網絡結構

本文BPNN運行過程（包括原理）如下：

1）讀取樣本數據。將保存數據的Excel表格進行讀取。

2）將讀取的樣品數據結果隨機分配為訓練、測試樣本，并使其比例為4∶1（輸入參數如表1所示，輸出是保溫時間數據），并且設置輸入節點為3，輸出節點為1，隱藏層節點數則通過for循環語句得出。for語句循環運行BPNN神經網絡，且每次得出其均方誤差，并給隱藏層節點數加1。當預測結果值的均方誤差到達其中最小值的時候，此時的節點數就是最適合進行本實驗的BPNN隱藏層節點數，這樣做不僅減少了誤差，還減少了原先人工試錯的工作量。

3）將訓練、測試樣本進行歸一化到[?1,1]。

4）利用newff函數對BPNN神經網絡進行構建，將輸入層到隱藏層的激活函數設定為tanh函數，隱藏層到輸出層激活函數設置為purelin函數，并采用L-M優化算法進行訓練，設定好各層各節點權重。其中輸入層到隱藏層各節點輸出結果的運算如式（1）所示，隱藏層到輸出層的預測結果運算如式（2）所示。

5）進行配置網絡參數，即訓練1 000次，訓練目標最小偏差為0.001，終止迭代次數為60，學習速率為0.01。

6）開始BPNN神經網絡的訓練與預測。

7）將預測結果進行反歸一化，并利用最小評分法來進行誤差的計算，如式（3）所示。

式中：為實驗實際值；為BPNN的預測結果。

8）根據誤差進行反向更新各層權重。

9）重復步驟4—8，一直迭代到設定的迭代次數或者達到設定的誤差最低界限，最后輸出最終的預測結果。

2.2 RBFNN神經網絡建模

RBFNN神經網絡是一個只有輸入、輸出和隱藏層，且隱藏層只能一層的3層的前饋神經網絡，本實驗的RBFNN如圖3所示。運行過程：輸入層到隱藏層通過高斯函數進行計算轉為隱藏層到輸出層的線性組合計算[20]。有著強大的非線性映射功能，不會出現局部極小現象且收斂速度相對較快，但是其泛化能力差。由于把所有信息轉為數字而易丟失信息，數據樣本不充分或者較少會導致其無法良好運行[21]。該神經網絡適于逼近非線性函數[22]、模式識別[23]、糧食品質預測[24]等。

圖3 RBFNN神經網絡結構

RBFNN的運行過程與BPNN的過程大致相似，不同點（包括原理）如下：

1）BPNN步驟2中設定各層節點數的步驟，RBFNN不再需要。

2）相比于BPNN的步驟4，RBFNN神經網絡在構建前需要設定4個參數，本文利用newrb函數進行構建網絡，需要er（目標均方誤差）、mn（神經元個數最大值）、df（每次運行加入輸入量個數）和spread（徑向基擴展速度）4個參數。前3個根據輸入設置，本文設置er為1×10?8、mn為300、df為100。一般spread通過人為試錯，直到誤差最小。本文則采用for循環語句，不斷迭代重復輸入至輸出的過程，每次求出均方誤差（MSE），并進行spread的累加，直到尋找最小MSE值，此時的spread值作為參數進行構建RBFNN。

3）相較于BPNN步驟4的網絡構建，RBFNN構建方式略有不同，即利用newrb及上述所需的4個參數進行網絡構建。內部過程：從輸入層到隱藏層的運算一般利用高斯函數作為基函數，以將輸入層的低維度升至隱藏層的高維度，運算如式（4）所示，然后利用隱藏層到輸出層的線性求和計算得出預測值，其公式如式（5）所示。RBFNN神經網絡無須BPNN步驟5的配置網絡參數。

4）與BPNN的步驟8相比，RBFNN的反歸一化略有不同，即RBFNN神經網絡利用誤差更新隱藏層各節點到輸出層之間的每個權重，以更新輸出層預測結果，到達設定值（MSE值為1×10?8）則停止。

2.3 GRNN神經網絡建模

GRNN神經網絡是一種有著輸入、模式、求和以及模式層的4層前饋神經網絡，可以使用密度函數的“非參數估計器”來預測連續變量[25]，本實驗的GRNN結構如圖4所示。GRNN神經網絡運行過程如下：首先，輸入層到模式層的過程通過線性組合計算；然后利用求和層通過權重為1的神經元和權重為的神經元這2種方式對模式層求和，得到2個結果；最后輸出權重為的神經元的結果除以權重為1的神經元的結果的商。GRNN神經網絡只需調整參數spread，在樣本少或數據精度不高的時候具有優勢[26]，是一次學習的算法[27]，并且收斂快、非線性函數逼近優秀。但是，存在計算和空間復雜的缺點。該神經網絡適用于函數逼近[28]，以及預測地震震級[29]和物流運輸風險[30]。

圖4 GRNN神經網絡結構

GRNN運行過程與BPNN的相似，不同點（包括原理）如下：

1）BPNN步驟2中的設定各層節點數，GRNN神經網絡無須設定。

2）相較于BPNN的步驟4，GRNN網絡在構建前只需設定spread光滑因子，利用crossvalind函數對輸入樣本進行倍交叉驗證。將樣本中作為訓練集的樣本個數作為crossvalind函數的（觀察樣本數量），設定（平均的子集數量）為5，則每次都會選1個來驗證，剩下4個來訓練，并循環重復5次。嵌套spread的for語句循環，不斷重復輸入至輸出的過程，輸出此時的均方誤差。當MSE值達到其中最小的時，將此時的最佳spread值作為參數來構建網絡。

3）相較于BPNN步驟4的網絡構建略有不同，GRNN利用函數newgrnn得出的最佳spread值進行構建神經網絡。其內部的過程：樣本進入輸入層，然后通過式（6）得到模式層各節點值。求和層有D和N2種，模式層各節點到D節點的權重為1，模式層各節點到N節點的權重為，它們的值由式（7）計算可得。最后通過式（8）得到輸出層的預測值。

式中：為輸出層結果的預測值。

4）相較于BPNN步驟，GRNN第1次反歸一化就結束，無須更新權重的反向傳播。

3 神經網絡評價標準

本文對BPNN、RBFNN和GRNN這3種神經網絡的評價標準為判定系數2、均方誤差（MSE）以及平均絕對誤差（MAE）。

判定系數2可以用來度量所使用的網絡模型的擬合優度是否足夠好。當它的值越接近于1，就說明本模型的回歸直線對實驗的實際值擬合得越好，擬合優度越好[31]。由于本文數據屬于樣本數據，所以運算方式如式（9）所示。

均方誤差（MSE）是預測結果值與實驗實際值之差的平方期望概率，一般是用來度量平均值偏差和變量精度。它用于反映各種數據樣本的變化程度的大小。值越小，說明所使用的神經網絡模型能夠更強地將實驗實際值進行擬合，擁有更高的精確度，公式如式（10）所示。

平均絕對誤差（MAE）是因為每個樣本所產生的絕對誤差都有上下的波動，不是固定的數值，所以將其絕對誤差求均值。它能把神經網絡預測結果的誤差的實際情況更好地表現出來[32]，公式如式（11）所示。

4 預測結果和分析

將1 440組實驗實際數據分別輸入構建完成的BPNN、RBFNN、GRNN的神經網絡中。以4∶1的比例隨機分到訓練、測試樣本中。然后分別將訓練、測試樣本輸入到BPNN、RBFNN、GRNN這3種神經網絡中以預測保溫時間。針對輸出的數據，通過式（9）—（11）分別對3個神經網絡計算3個評價標準，并以折線方式呈現預測值與實驗實際值的關系，以數字的形式呈現3個評價標準的值，見圖5—7和表2。

由圖5—7和表2可知，3種神經網絡的估計保溫時間與實驗實際值都非常接近，基本呈現擬合的狀態。其中RBFNN神經網絡預測值最接近真實值，其次BPNN神經網絡、GRNN神經網絡的預測值偏離稍大。在2方面，RBFNN神經網絡模型回歸直線擬合實驗實際值的程度最優，可達到0.999 93；BPNN神經網絡擬合優度稍差，為0.999 26；GRNN神經網絡擬合優度最差，但其擬合優度較為準確，為0.996 15。在MSE和MAE方面，神經網絡RBFNN的MSE值和MAE值最小，分別達到0.009 63和0.062 86；神經網絡BPNN的MSE值和MAE值其次，分別達到0.103 63和0.224 53；神經網絡GRNN的MSE值和MAE值稍大，分別為0.633 59和0.555 65。

另外，由表2可知，BPNN、RBFNN和GRNN這3個神經網絡的運行時間基本差距不大，相較而言，RBFNN用時最短，BPNN用時次之，GRNN用時稍長。總體而言，3個神經網絡的運行時間都較短。

圖5 BPNN神經網絡預測結果值與實驗實際值的對比

圖6 RBFNN神經網絡預測結果值與實驗實際值的對比

圖7 GRNN神經網絡預測結果值與實驗實際值的對比

表2 3種神經網絡的評價標準及運行時間

Tab.2 Evaluation criteria and running time of three neural networks

上述分析可知，在不同蓄冷劑參數條件下，3種人工神經網絡對冷鏈保溫箱的保溫時長的預測性能都很優秀，運行用時都較短，實際應用都十分廣泛。其中神經網絡RBFNN最為突出，在各個方面都顯著優于BPNN神經網絡和GRNN神經網絡。因此可以得出神經網絡RBFNN最適用于不同蓄冷劑參數條件下冷鏈保溫箱保溫性能的評估。

5 優化改進

對于神經網絡RBFNN，利用逐個試錯或者for循環去尋找最優spread，尋找到的很有可能僅僅是局部最優值。因此，利用全局最優算法進一步對RBFNN改進，使其性能更優、預測更精確、誤差更小。

Random-Walk是概率論中經典的模型之一，每一步都是隨機的，每一步前進的距離取決于前一步的狀態，可以很快就找到最優值。Random-Walk廣泛應用于金融、生物學和物理學等各個領域[33]，因此利用這個全局最優算法對RBFNN進行優化。

總體步驟與RBFNN的步驟基本相同，將其步驟2改為以下步驟，其余步驟不變。

1）設置參數er、mn、df的值不變，并加入總迭代數為100、步長為0.5、徑向基擴展速度初值為1、誤差初值為1×1020以及步長下限為0.000 01。

2）當前迭代數初值設為1。

3）生成(0,1)的隨機數，并利用式（12）將其標準化，并由式（13）得出spread1，這就是下一步漫步。

式中：為生成的隨機數之一；為生成的隨機數。

4）訓練RBF網絡從輸入到預測輸出，并輸出當前均方誤差，如果誤差小于，則新均方誤差值賦值給，spread1賦值給spread；如果誤差大于等于，則累加1，步長減半，步數累加1。

5）回到步驟3，繼續進行計算。

如圖8和表2可知，經過隨機漫步優化后，神經網絡RBFNN各項性能都優化了，其中2提升了0.004%，MSE值、MAE值和運行時間分別下降了60.02%、34.20%和5.29%。這是由于通過這個算法優化后，尋找到了全局最優的spread值，并且以步長每次減半的方式進行迭代，提高了尋找的效率。

圖8 Random-Walk-RBFNN神經網絡預測結果與實驗實際值的對比

表3 RBFNN和Random-Walk-RBFNN的評價標準及運行時間

Tab.3 Evaluation criteria and running time of RBFNN and Random-Walk-RBFNN

6 結語

構建了BPNN、RBFNN和GRNN這3種人工神經網絡，對冷鏈保溫箱的保溫時間進行了預測，以評估其保溫性能。用神經網絡預測的保溫時間與實驗值的對比折線圖和判定系數（2）、均方誤差（MSE）、平均絕對誤差（MAE）這3個評價標準值分別對3種神經網絡的性能進行了分析。最終得到3種神經網絡的預測都很理想，尤其RBFNN神經網絡的預測值與實驗值最接近，其判定系數遠高于GRNN和BPNN神經網絡，均方誤差和平均絕對誤差遠低于GRNN和BPNN神經網絡。3個評價指標分別為0.999 93、0.009 63和0.062 86，說明RBFNN神經網絡對不同蓄冷劑參數條件下的冷鏈保溫箱的保溫性能評估最優。最后進一步利用隨機漫步算法Random-Walk對其進行優化，其優化后2提升了0.004%，MSE值、MAE值和運行時間分別下降了60.02%、34.20%和5.29%。

[1] 張慶霞. 植物源防腐劑的抑菌機理及其在生鮮濕面保鮮中的應用[J]. 食品與發酵工業, 2020, 46(21): 310-316.

ZHANG Qing-xia. Antimicrobial Mechanism and Application of Plant Preservatives in Fresh Wet Noodles Preservation[J]. Food and Fermentation Industries, 2020, 46(21): 310-316.

[2] 江海林, 曾臺英, 丁逸秋. 基于冷鏈物流條件下保溫箱蓄冷劑的選擇分析[J]. 包裝工程, 2021, 42(7): 168-174.

JIANG Hai-lin, ZENG Tai-ying, DING Yi-qiu. Selection and Analysis of Phase Change Material for Incubator Based on Cold Chain Logistics Conditions[J]. Packaging Engineering, 2021, 42(7): 168-174.

[3] 張莉偉, 付志強, 張蕾, 等. 環境溫度和導熱系數條件下保溫箱壁厚分析[J]. 包裝工程, 2020, 41(5): 97-102.

ZHANG Li-wei, FU Zhi-qiang, ZHANG Lei, et al. Wall Thickness of Incubator at Ambient Temperature and Material Thermal Conductivity[J]. Packaging Engineering, 2020, 41(5): 97-102.

[4] 潘珠. 基于BP神經網絡的海南省農產品冷鏈物流需求預測分析[J]. 物流技術, 2020, 39(11): 69-72.

PAN Zhu. Forecast and Analysis of Cold Chain Logistics Demand of Agricultural Products in Hainan Province Based on BP Neural Network[J]. Logistics Technology, 2020, 39(11): 69-72.

[5] 李敏杰, 王健. 基于RBF神經網絡的水產品冷鏈物流需求預測研究[J]. 中國農業資源與區劃, 2020, 41(6): 100-109.

LI Min-jie, WANG Jian. Prediction of Demand for cold-Chain Logistics of Aquatic Products Based on Rbf Neural Network[J]. Chinese Journal of Agricultural Resources and Regional Planning, 2020, 41(6): 100-109.

[6] 楊瑋, 偶雅楠, 岳婷, 等. 基于AHPSO-SVM的農產品冷鏈物流質量安全預警模型[J]. 包裝工程, 2018, 39(5): 71-76.

YANG Wei, OU Ya-nan, YUE Ting, et al. Quality and Safety Early Warning Model of Agricultural Products Cold Chain Logistics Based on AHPSO-SVM[J]. Packaging Engineering, 2018, 39(5): 71-76.

[7] CHEN Ying, WU Qiu-ming, SHAO Li-jin. Urban Cold-Chain Logistics Demand Predicting Model Based on Improved Neural Network Model[J]. International Journal of Metrology and Quality Engineering, 2020, 11: 5.

[8] ZHENG Liu. Research on the Performance Evaluation Method for Cold Chain Logistics of Agriculture Products Based on BP Neural Network Mode[J]. The Open Cybernetics & Systemics Journal, 2015, 9(1): 2168-2172.

[9] 湯素麗, 羅宇鋒. 人工神經網絡技術的發展與應用[J]. 電腦開發與應用, 2009, 22(10): 59-61.

TANG Su-li, LUO Yu-feng. Development and Application of Artificial Neural Network Technology[J]. Computer Development & Applications, 2009, 22(10): 59-61.

[10] LIU X, WEI F, ZHANG G. Uncertainty Optimization Design of Airfoil Based on Adaptive Point Adding Strategy[J]. Aerospace Science and Technology, 2022, 130: 107875

[11] LI H, SHI N. Application of Genetic Optimization Algorithm in Financial Portfolio Problem Neurosci[J]. Computational Intelligence, 2022: 5246309.

[12] RAUF H T, SHOAIB U, LALI M I, et al. Particle Swarm Optimization with Probability Sequence for Global Optimization[J]. IEEE Access, 2020, 99: 110535-110549.

[13] JIAO Shan-shan, PAN Zhi-song, CHEN Yu-tian, et al. Cloud Annealing: A Novel Simulated Annealing Algorithm Based on Cloud Model[J]. IEICE Transactions on Information and Systems, 2020, 103(1): 85-92.

[14] HAO J, YANG X, WANG C, et al. An Improved NSGA-Ⅱ Algorithm Based on Adaptive Weighting and Searching Strategy[J]. Applied Sciences, 2022, 12(22): 11573.

[15] ZHANG Y G, TANG J, LIAO R P. et al. Application of an Enhanced BP Neural Network Model with Water Cycle Algorithm on Landslide Prediction[J]. Stoch Environ Res Risk Assess, 2021, 35: 1273-1291.

[16] 王海軍, 金濤, 門克內木樂. BCC-BP算法在RGB值到LAB值色彩空間轉換中的應用[J]. 包裝工程, 2021, 42(15): 269-274.

WANG Hai-jun, JIN Tao, MEN K. Application of BCC-BP Algorithm in Color Space Conversion from RGB Value to LAB Value[J]. Packaging Engineering, 2021, 42(15): 269-274.

[17] 黃永恒, 曹平, 汪亦顯. 基于BP神經網絡的巖土工程預測模型研究[J]. 科技導報, 2009, 27(6): 61-64.

HUANG Yong-heng, CAO Ping, WANG Yi-xian. A Model for Geotechnical Engineering Monitoring Based on BP Neural Networks[J]. Science & Technology Review, 2009, 27(6): 61-64.

[18] 邵建浩, 張婷. 基于BP神經網絡的SCARA機器人故障診斷[J]. 機床與液壓, 2022, 50(14): 166-170.

SHAO Jian-hao, ZHANG Ting. Fault Diagnosis of SC ARA Robot Based on BP Neural Network[J]. Machine Tool & Hydraulics, 2022, 50(14): 166-170.

[19] 張婷. 神經網絡算法在函數逼近中的應用[J]. 山西電子技術, 2021(1): 60-63.

ZHANG Ting. Application of Neural Network Algorithm in Function Approximation[J]. Shanxi Electronic Technology, 2021(1): 60-63.

[20] ZHAO Y, HUANG Z, XIN F, et al. Kick Prediction Method Based on Artificial Neural Network Model[J]. Energies. 2022, 15(16): 5912.

[21] YANG Y, WANG P, GAO X. A Novel Radial Basis Function Neural Network with High Generalization Performance for Nonlinear Process Modelling[J]. Processes, 2022, 10(1): 140.

[22] 王麗麗. 基于RBF神經網絡函數擬合方法的仿真與研究[J]. 河北農機, 2016(11): 61.

WANG Li-li. Simulation and Research of Function Fitting Method Based on RBF Neural Network[J]. Hebei Agricultural Machinery, 2016(11): 61.

[23] 王卓, 朱寧寧, 鄭祥. 基于LDA和RBF神經網絡的開關柜局部放電模式識別方法研究[J]. 電子測量技術, 2021, 44(14): 148-152.

WANG Zhuo, ZHU Ning-ning, ZHENG Xiang. Research on Partial Discharge Pattern Recognition Method of Switchgear Based on LDA and RBF Neural Network[J]. Electronic Measurement Technology, 2021, 44(14): 148-152.

[24] 郭利進, 惠培奇, 許瑞偉. MI-PSO-RBF算法在稻谷存儲品質預測的應用研究[J/OL]. 中國糧油學報: 1-8[2023-07-12]. https://doi.org/10.20048/j.cnki. issn.1003- 0174.000083.

GUO Li-jin, HUI Pei-qi, XU Rui-wei. Application of MI-PSO-RBF Algorithm in Rice Storage Quality Prediction[J/OL]. Chinese Journal of Grain and Oil: 1-8 [2023-07-12]. https://doi.org/10.20048/j.cnki.issn.1003- 0174. 000083.

[25] MA H, LIANG S, Development of the GLASS 250-m Leaf Area Index Product (Version 6) from MODIS Data Using the Bidirectional LSTM Deep Learning Model[J]. Remote Sensing of Environment, 2022, 273: 112985.

[26] 段夢楠, 劉澤功. 基于神經網絡的煤與瓦斯突出規模預測研究[J]. 淮陰工學院學報, 2021, 30(1): 33-39.

DUAN Meng-nan, LIU Ze-gong. Research of Prediction of Coal and Gas Outburst Scale Based on Neural Networks[J]. Journal of Huaiyin Institute of Technology, 2021, 30(1): 33-39.

[27] 張鵬, 張鋮, 毛功平. 基于不同人工神經網絡的CNG發動機排氣溫度預測模型研究[J]. 內燃機, 2020(2): 19-24.

ZHANG Peng, ZHANG Cheng, MAO Gong-ping. Research on Prediction Model of Exhaust Temperature of CNG Engine Based on Different Artificial Neural Networks[J]. Internal Combustion Engines, 2020(2): 19-24.

[28] 丁碩, 常曉恒, 巫慶輝. GRNN與BPNN的函數逼近性能對比研究[J]. 現代電子技術, 2014, 37(7): 114-117.

DING Shuo, CHANG Xiao-heng, WU Qing-hui. Comparative Study on Function Approximation Performances of GRNN and BPNN[J]. Modern Electronics Technique, 2014, 37(7): 114-117.

[29] 王晨暉, 袁穎, 劉立申, 等. 基于主成分分析法優化廣義回歸神經網絡的地震震級預測[J]. 科學技術與工程, 2022, 22(29): 12733-12738.

WANG Chen-hui, YUAN Ying, LIU Li-shen, et al. Earthquake Magnitude Prediction Based on Generalized Regression Neural Network Optimized by Principal Component Analysis[J]. Science Technology and Engineering, 2022, 22(29): 12733-12738.

[30] 趙晨陽, 何守慧. 基于PSO-GRNN算法的物流運輸風險預測[J]. 物流技術, 2023, 42(2): 49-53.

ZHAO Chen-yang, HE Shou-hui. Prediction of Logistics Transportation Risk Based on PSO-GRNN[J]. Logistics Technology, 2019, 42(2): 49-53.

[31] 王子旋, 黎向鋒, 張宇翔, 等. 基于DNN的舵機用永磁式線性力電機驅動力預測模型[J]. 電機與控制應用, 2021, 48(9): 72-80.

WANG Zi-xuan, LI Xiang-feng, ZHANG Yu-xiang, et al. Prediction Model of Permanent Magnet Linear Force Motor Driving Force Used by Actuator Based on Deep Neural Network[J]. Electric Machines & Control Application, 2021, 48(9): 72-80.

[32] 張潔, 郝倩男. 基于煙花算法優化BP神經網絡的光伏功率預測[J]. 計算機技術與發展, 2021, 31(10): 146-153.

ZHANG Jie, HAO Qian-nan. Forecast of Photovoltaic Power Generation Based on Firework Algorithm Optimized BP Neural Network[J]. Computer Technology and Development, 2021, 31(10): 146-153.

[33] CHEN Tian-yao, CHENG Xue, YANG Jing-ping. Decomposing Correlated Random Walks on Common and Counter Movements[J]. Statistics & Probability Letters, 2019, 158(3): 108616.

Application of Artificial Neural Network in Evaluation of Thermal Insulation Performance under Different Parameters of Cool Storage Agent

YANG Jia-wen, ZENG Tai-ying

(University of Shanghai for Science and Technology, Shanghai 200093, China)

The work aims to use different artificial neural network algorithms to predict the holding time of cold chain incubator under different cold storage agent parameters in order to find the most suitable artificial neural network for evaluating the thermal insulation performance. The experimental data were randomly assigned to the training and testing samples in a ratio of 4∶1, and three artificial neural network models, namely BPNN, RBFNN and GRNN, were established respectively. Three evaluation criteria, namely the decision coefficient2, mean absolute error MAE and mean square error MSE, were proposed. The predicted value of holding time and the specific value of evaluation criteria were obtained by the algorithm, and the neural network with the best performance was optimized by the random walk algorithm. By comparing the three evaluation criteria of2, MAE and MSE and the actual and predicted values of holding time, it was concluded that RBFNN neural network had the best performance, the most accurate precision and the best fitting. Its2was much higher than those of GRNN and BPNN neural networks, and MSE and MAE were much lower than those of GRNN and BPNN neural networks. The three evaluation indicators reached 0.999 93, 0.009 63 and 0.062 86, respectively. The performance of the optimized Random-Walk-RBFNN was further improved,2was increased by 0.004%, and MSE, MAE and running time were decreased by 60.02%, 34.20% and 5.29%, respectively. RBFNN neural network is the most outstanding in all aspects, which is more suitable for evaluating the thermal insulation performance of cold chain incubator. The optimized Random-Walk- RBFNN has better performance, improves2, reduces MSE, MAE and running time, and achieves better evaluation performance.

cold chain incubator; cold storage agent; artificial neural network; mean square error

TB485.3；TP183

A

1001-3563(2023)15-0175-09

10.19554/j.cnki.1001-3563.2023.15.023

2022–10–10

高水平大學科建設醫工交叉創新項目（10-22-309-501）

楊佳文（1998—），男，碩士生，主攻計算機技術與冷鏈物流技術。

曾臺英（1978—），女，博士，講師，碩導，主要研究方向為包裝運輸動力學和優化設計。

責任編輯：曾鈺嬋