基于粒子群参数优化和BP神经网络的颗粒饲料质量预测模型

针对颗粒饲料产品受配方原料、加工参数变化而带来的质量波动问题,提出了一种以误差反向传播算法神经网络（back-propagation neural network,BPNN）为核心,平均影响值法（mean impact value,MIV）为数据预处理方法,粒子群算法（particle swarm optimization,PSO）为关键参数优化算法的颗粒饲料质量预测模型。基于面向实际建立的输入输出指标体系,使用实地采集的颗粒饲料生产数据对模型进行训练和测试,测试结果显示实际值与模型预测值呈显著正相关,决定系数R2均在0.94以上;平均绝对误差、平均绝对百分比误差及均方根误差显示预测精度达到较高水平,各误差平均值依次达到0.442、2.185%和0.5481。以多元线性回归模型及基本BPNN模型预测结果对比可以发现,MIV-PSO-BPNN预测模型预测性能有显著提升,各输出误差优化幅度从39.55%91.80%不等,平均优化幅度分别达到84.99%和56.95%;同时相对误差变化趋势图显示MIV-PSO-BPNN预测模型具有更优的预测稳定性,相对误差极值差降幅均值达91.46%。该研究为颗粒饲料质量控制提出了一种新思路,可为饲料行业高效低耗生产提供理论依据。