络学习加以调整．
这里我们采用改进的粒子群BP算法来训练 模糊神经网络，设y’(t)为期望输出(教师信号)， y(t)为神经网络的输出，网络学习就是使为最小．
粒子群一BP神经网络混合算法的流程为¨。：
1)初始化．确定算法的参数，根据神经网络 的输入输出样本集确定网络的拓扑结构，按式 (1)、(2)初始化粒子的位置茁村及速度口扪确定粒 子个数Ⅳ、惯性因子∞的初值、最大允许迭代步数
后⋯、加速系数c。和c：．
2)评价．以神经网络均方差作为适应度函数 计算出每个粒子的个体极值(适应度值)，选出个 体极值最好的作为全局极值，记为QⅢ记录该最
好值的粒子序号，那么该粒子对应的极值就是下
次迭代中神经网络的最优权值．
3)更新极值．计算出每一粒子的适应度值工， 若优于该粒子当前的个体极值，则将只谢设置为 该粒子的位置，且更新个体极值．若所有粒子的个 体极值中最好的优于当前全局极值，则将Q“设 置为该粒子的位置，记录该粒子的序号，且更新全
局极值．
4)更新惯性权重．
5)更新位置和速度．
6)检验．迭代达到最大次数或最小误差要求 时，停止迭代，全局极值对应的神经网络权值与连 接结构，即为训练问题的最优解．否则转到2)．
经过训练，完成各权值优化过程．矿、c的变 化表现为隶属函数的自动生成，似的变化表现为 相应模糊规则的相对重要性的改变，通过网络训 练最终提高网络模糊推理精度，使网络实际输出
接近理想输出．
3 网络测试与分析
本算法在粮情测控软件平台得到使用，分别 在山东、河南、陕西、广西等十多个直属库进行了 安装部署，经过一年的试运行，取得了大量的实际 检测数据，现在取郑州国家直属储备库的23号仓 的粮情(温度)数据，确定22组训练数据进行模 拟仿真，经预处理后组成学习样本⋯．
通过训练，系统误差8<0．05，网络学习速率
取O．1，动量项系数取O．95．网络权值经改进训 练，得到所要求的网络输出，将模拟训练取得的数 据与经过实际检测后的数据相比较，结果符合储 粮安全等级误差要求．
表1 郑州国家直属储备库23号仓温度
日期 气温 东(南)上中央上东(南)中中央中
4 结论
粮情测控系统是一类非线性结构的动态模 型，很难用固定的数学模型精确描述．笔者通过对 一种基于粒子群算法改进BP算法的模糊神经网 络的研究，将该算法引入到粮情测控平台的数据 分析中来，以模糊神经网络为理论基础，将温度、 湿度数据进行信息融合，得到粮堆内部生态环境 的变化规律，判断粮堆内部是否处于安全状况，实 现了基于模糊神经网络的粮情安全等级智能分 析，使得粮情数据对于粮库管理者具有粮情安全 指导作用．通过分析，得出此改进算法在软件平台 中的应用是可行与准确的．
参考文献：
[1] Nasib s Gill．Reu8ability i8sues in component
—based Development[J]． ACM sIGSO F’-I' Software Engineering Notes，2003，28(4)：1—
5．
[2] 鞠训光，于洪珍．基于神经网络一模糊推理 构建弹药贮存温度湿度监控系统[J]．空军 工程大学学报：自然科学版，2005(12)：17—
20．
[3] Malur K Sundareshan， Farid Amoozegar．
Neural network fu8ion caDabilities for emcient
implementation of tracking algorithms[J]． Optical Engineering，1997，36(3)：682107． 吴建军，陈卫东，甄彤．基于一NET组件的
粮情测控开放式软件平台的设计与实现
[J]．河南工业大学学报：自然科学版，
2007，28(1)：52_55．
张毅，罗元．基于人工神经网络城市交通流
[6]
[7]
量智能预测的研究[J]．重庆邮电学院学
报，2005，17(2)：241—243． 潘昊，韩小雷．粒子群优化的BP网络学习 算法研究及应用[J]．计算机工程，2008，44 (9)：67—69．
李建洋，郑汉垣，刘慧婷．基于多层前馈神 经网络的案例推理系统[J]．计算机工程，
2006，4(2)：24l屯43．
