基于集成ANN-PSO算法的斜板排种器充种性能优化

农业中的人工智能5（2021）1基于集成ANN-PSO算法的斜板排种器充种性能优化C.M. 帕里克·A·V·K。Tewaria，Rajendra Machavarama，Brajesh Nareba农业和食品工程系，印度理工学院Kharagpur，西孟加拉邦721302，印度b印度农业研究委员会-中央马铃薯研究站，Jalandhar，Punjab 144026，印度a r t i c l e i nf o文章历史记录：2020年5月30日收到收到修订版2020年11月19日2020年11月27日网上发售保留字：精密播种机斜板式排种器安PSOa b s t r a c t行内均匀的种子分布是精密播种机的主要目标，以获得更好的作物生长和产量。倾斜板播种机通常用于播种粗种子，如玉米、花生、鹰嘴豆，并且它们的操作参数，如操作的前进速度、种子计量板倾斜度和料斗中的种子水平，影响单元填充并随后影响均匀的种子分布。因此，为了实现精确的种子分布，需要优化这些参数 在目前的研究中，出于不同的优化技术，一个新的智能优化技术的基础上集成人工神经网络粒子群算法已被用来实现设定的目标。建立了3-5-1人工神经网络（ANN）模型，并应用粒子群优化（PSO）算法对斜板排种器的穴盘充填率进行了预测，得到了穴盘充填率达到100%时的最优工作参数值。为达到100%的种子室填充率，排种板倾角、排种器前进速度和排种高度的最佳值分别为3 km/h、50 °和75%所提出的集成ANN-PSO方法能够预测操作参数的最佳值，与实验结果相比，最大偏差为2%，从而证实了所提出的优化技术的可靠性。版权所有2020作者。出版社：Elsevier B.V.代表科爱通信有限公司公司这是一篇基于CC BY-NC-ND许可证的开放获取文章（http://creativecommons.org/licenses/by-nc-nd/4.0/）。1. 介绍在印度农业场景中，倾斜平板播种机普遍用于大胆的种子，如玉米、花生、大豆、鹰嘴豆、棉花、绿豆和太阳能播种机，因为与水平和垂直平板播种机相比，这些播种机提供更好在这些播种机中，种子计量装置由计量板组成，计量板具有围绕其周边的单元并且在倾斜平面中旋转。 在种子计量过程中，计量板穿过种子料斗，将种子提升到板行程的顶部，并将它们落入种子输送管（Kepner等人， 1978年）的报告。在理想情况下，排种板的每个单元应占据一粒种子并将其计量到排种管中，这意味着应该有100%的单元填充，这是实现行内均匀分布种子的先决条件在精确种植操作中，实现均匀的种子分布是非常理想的现象，因为它导致更好的发芽和出苗，并通过允许更有效地利用土壤水分、养分和光照来增加作物产量（Donald，1963）。然而，在实际田间条件下，漏种和多粒落种是不可避免的，*通讯作者。电子邮件地址：chaitanyapareek@gmail.com（C.M. Pareek）。最终导致种子分布不均匀 在倾斜板种子计量装置的情况下，均匀的种子分布受到操作的前进速度、种子计量板倾斜度和料斗中的种子水平的显著影响（Chhinnan等人， 1975; Chauhan等人， 1999; Yadachi等人， 2013; Sharma等人， 2013年）。Kepner等人（1978）还报道，在小室型种子计量装置中，通常以给出约100%平均小室填充的小室速度获得最均匀的种子分布。对于驱动轮和种子计量板之间给定的总传动比，该单元速度直接取决于操作的前进速度因此，可以相信，在进入田间之前，通过在实验室条件下选择对应于100%细胞填充的最佳操作参数，可以实现种子分布的不均匀性的显著降低为此，首先，需要对斜板计量装置的种子细胞填充性能进行建模，然后将所开发的模型与适当的优化技术相关联，以获得对应于100%细胞填充的最佳操作参数设置在各种建模技术中，采用人工神经网络（ANN）建模方法预测了斜盘式排种器不同工作参数下的穴盘填充量ANN是一种受人脑功能启发的数据驱动https://doi.org/10.1016/j.aiia.2020.11.0022589-7217/© 2020作者。出版社：Elsevier B.V.代表科爱通信有限公司公司这是一篇CC BY-NC-ND许可证下的开放获取文章（http：creativecommons.org/licenses/by-nc-nd/4.0/）。可在ScienceDirect上获得目录列表农业中的人工智能杂志主页：http://www.keaipublishing.com/en/journals/农业人工智能/C.M. Pareek，V.K.特瓦里河Machavaram等人农业人工2它的高学习能力和信息处理潜力，使其适合于复杂的非线性建模，没有先验知识的输入输出关系，这是难以处理的统计方法。 在过去，这种建模方法被广泛地应用于不同农业机械操作的建模（Kumar等人， 2009;Anantachar等人， 2010; Chandel等人， 2019; Gundoshmian等人，2019年; Zhang等人，2019; Nádai等人， 2020），并且这些方法与统计技术相比表现出更好的建模能力（Kumar等人，2009; Anantachar等人， 2010年）。迄今为止，为了提高农业机械的作业精度，人们利用多种优化技术来寻找最佳的最优作业参数设置。在这些研究中，大多数研究人员应用统计优化技术，如田口方法（TM）和响应曲面方法（RSM），以优化农业机械的设计和操作参数（Yazgi和Degirmencioglu，2007年; Singh等人， 2008; Hosseini和Shamsi，2012; Ozturk等人， 2012）;但近年来，对于这种优化研究，对进化算法（EA）如遗传算法（GA）和差分进化（DE）算法的兴趣（ Kumar等人， 2009; Yuan等人， 2010;Golpira和Golpavira，2017; Xu等人， 2017年; Li等人， 2019年;Zhang等人，2019年），因为这些方法相对耗时更少且更经济。在这项研 究 中 ， 一 个 相 对 较 新 的 优 化 技 术 ， 即 ， 粒 子 群 优 化 （ PSO ）（Kennedy和Eberhart 1995;EberhartandKennedy，1995）被用于优化倾斜板排种器的操作参数该技术已成功应用于各种优化研究（Eberhart和Shi，2001），包括约束参数优化问题（Hu和Eberhart，2002）。此外，它是相对容易实现，并有较少的参数调整相比，遗传算法。此外，它还具有遗传算法（GA）和进化策略（ES）的特征（Zapperl等人，2007年）的报告。因此，基于上述文献综述，可以清楚地看出，结合粒子群算法的神经网络建模方法可以用于斜板排种器种室填充性能的因此，本研究的目的是应用一种新的集成人工神经网络-粒子群算法的智能优化方法来确定对应于100%细胞填充的斜板排种器的最佳操作基于此目的，利用实验数据建立了一个人工神经网络模型来预测细胞填充然后将所开发的ANN模型与粒子群优化器耦合，以重新获得实现100%细胞填充的最佳操作参数。最后通过验证试验验证了该优化方法的可靠性2. 材料和方法2.1. 实验装置这项研究是在印度IIT Kharagpur农业和食品工程系的农业机械车间进行的。 试验装置包括一个倾斜板排种器，它通过一个链条传动装置与一个直流电动机相连，如图所示。1.一、使用DC电机控制器来同步对应于操作的前进速度的电机速度，并且在电机的输出轴处提供接近传感器来测量电机的运行速度。在种子输送管的底端采用红外（IR）传感器来检测和计数种子的数量在测试设置中还使用了用于同步传感器信号的ArduinoUNO实验室测试装置的示意图如图所示。 二、图1.一、 用于测量细胞填充的实验室测试设置。1.一、斜板排种器; 2.电动机; 3。电机控制器; 4.齿轮减速单元; 5.红外传感器; 6.Arduino微控制器; 7.8.第八章接近传感器; 9.LCD显示电机转速;10.收集盘C.M. Pareek，V.K.特瓦里河Machavaram等人农业人工3SL图二、 用于测量细胞填充物的测试装置的示意图。2.2. 数据收集本研究以排种器的工作前进速度、排种板倾角和料斗内的种子高度为独立参数，以斜板排种器的排种孔填充量为因变量。种子计量板倾斜度被定义为从水平轴线测量的计量板的角度，并且其可以通过借助于螺母-螺栓布置相对于料斗安装框架向上或向下倾斜种子料斗来改变倾斜板排种装置的小室填充量被定义为在排种板的特定转数中由排种机构排出的种子的总数除以在该转数中通过排出点的小室的总数它使用Eq.（一）.N×100分别基于20 cm的种子间距和驱动轮与种子计量板之间的给定总传动比通过种子输送管的种子由与Arduino微控制器连接的IR传感器检测，并且在实验期间，在串行监视器应用程序的帮助下，将计数的种子数量记录在笔记本电脑最初，通过改变操作的前进速度同时保持其他参数恒定来进行测试同样，通过逐个改变所有独立参数，同时保持其余参数不变，进行其他观察测试设置运行对应于每组独立参数的种子计量板的十转该系统在10转中计数计量的种子，并测定细胞填充。对于每组条件进行三次重复，并计算相应的平均细胞填充这些数据被进一步用于建立预测细胞填充的神经网络模型FcNc1其中，FC表示细胞填充率（%），Ns和Nc分别表示计量种子的总数和通过放电点的细胞总数在本研究中，使用杂交玉米种子（Suvarna NMH-589）试验种子的物理性质在表1中给出。在斜板排种器的排种板倾角为3个水平、工作前进速度为4个水平、料斗内种子高度为3个水平的条件下进行了室内试验这些变量的水平见表2。采用随机区组试验设计，在室内共进行了36组试验。在实验期间，不直接测量种子间距;相反，计数递送的种子的总数，并计算相应的细胞填充值将直流电动机设定为以26、40、52和65rpm运行，以重新组合2、3、4和5 km/h的前进操作速度2.3. 细胞填充预测的神经网络建模在不同的人工神经网络模型中，多层前馈人工神经网络由于具有良好的通用逼近能力而被广泛应用于解决复杂问题，本文采用多层前馈人工神经网络预测了斜板排种器的排种量与工作参数之间的关系。该神经网络由三层神经元组成，即，输入层、隐藏层和输出层。网络输出可以通过应用隐藏层和外层激活函数来计算，即，fh（.）和f0（.），到前一层输入的加权和。第k个输出的数学表达式（二）、表1玉米种子的物理特性物理性质是说标准误差长度（l），mm10.520.15宽度（w），mm9.270.13厚度（t），mm4.310.09球度（a），%71.20–千粒质量，g293.85–1a计算值为1/4 lwt %3×100%表2实验室测试的实验计划。S. 号变量水平A.自变量1.排种盘倾角（θ）340°、50°和60°2.运行前进速度（V）42、3、4和5公里/小时3.料斗中的种子高度（L）325%、50%和75%B.因变量1.细胞填充（FC）（%C.M. Pareek，V.K.特瓦里河Machavaram等人农业人工4−x1ÞKKKKKy f“NhW¼F.Ni宽xB！B数量函数，由Eqs.（4）和（5）。的拓扑结构，图2显示了神经网络。3.k o∑j1jk：h∑1/1IJ 我的祖国阿罗什托克ð Þfhx1，0≤fhx≤1 4其中yk是第k个输出变量;xi是第i个输入变量;fh，是隐藏层和输出层中的激活函数。i、j和k分别表示输入层神经元、隐藏层神经元和输出层神经元，并且给出为i = 1，2.. W ij表示第i个输入神经元和第j个隐藏神经元之间的连接权重。W jk表示第j个隐藏神经元和第k个输出神经元之间的连接权重。（bh）j表示隐藏层中第j个神经元的偏置，（bo）k是输出层中第k个神经元的偏置在这项研究中，MATLAB R2014b包用于神经网络建模。以工作前进速度（km/h）、排种板倾角和料斗内种子高度（%）为模型输入，以斜板排种器的小室填充网络的输入和输出层中的神经元数量分别由输入和输出参数的数量决定（Lek和Guegan，1999）。因此，输入层和输出层分别有三个和一个神经元隐层神经元数目的选择采用试凑法。隐层中神经元数量的上限使用等式（1）（3）（Armaghani等人， 2018年，计算为7。因此，隐层中的神经元数目从1到7不等，并且基于最小MSE选择最佳神经元数目网络的价值隐层神经元的最佳值为foxx，−∞ ≤fox≤∞ 5在各种开发的神经网络训练算法中，误差反向传播（EBP）训练算法（Rumelhart等人，1986）最常用于训练神经网络模型。 但由于该算法采用梯度下降搜索法，容易陷入局部极小，难以找到全局最优解，因而存在收敛速度慢的问题。 为了避免这些缺点，Levenberg-Marquardt反向传播学习算法（Levenberg，1944 ; Marquardt，1963）在本研究中用于训练目的，因为该算法比其他中等规模神经网络的训练方法（Hagan和Menhaj，1994 ; Kiamini和Uncuosilu，2005 ; Kiamini，2007 ; Adamowski和Karapataki，2010）产生更好的结果。该算法是最速下降法和高斯-牛顿法的结合它具有高斯-牛顿算法的速度优势和最速下降法的稳定性，因此，它具有快速和稳定的收敛性。在基于Levenberg-Marquardt算法的训练过程中（6）为了最小化误差函数，即，目标和模型预测的细胞填充值之间的均方误差（MSE）获得5。因此，由五个神经元组成的隐藏层是W1/4w−。JTJμIð6ÞNh≤2Ni1 3其中Nh表示隐藏层中神经元的最大数量，Ni表示输入层中神经元的总数在隐层和外层使用对数-S形传递函数（logsig）和线性传递函数（purelin）作为激活函数其中J表示雅可比矩阵，ek是网络中的误差;I是单位矩阵，μ是Levenberg阻尼因子;wk和w（k+1）分别表示当前和更新的权重该算法的性质在训练过程中在高斯-牛顿和最速下降法之间转换，这取决于Levenberg阻尼因子（μ）。当μ很小时，该算法的行为类似于Gauss-Newton方法，而当μ很小时，图3. 所开发的神经网络模型的拓扑结构（x1、x2和x3是输入变量，y是估计输出; b h和b o分别是隐层和输出层的偏置; Wij和Wjk分别是输入-隐层和隐-输出层的连接权重）。在神经网络的输入层和输出层之间合并ðkþ1ÞC.M. Pareek，V.K.特瓦里河Machavaram等人农业人工5∑Ya−Ya.Σ¼ ： ：阿文YP−YP∑. Y a−Y a<$2 ∑。YP−YP2联系我们nnIJ=IJJK非常大，该算法就像最速下降法（Yu和Wilamowski，2011）。ANN训练过程中的一个主要问题是过拟合现象，这是由于网络记忆训练数据的趋势而不是建立输入和输出数据集之间的潜在关系而发生的，因此，所开发的神经网络表现出最小的训练误差但大的测试误差（即，错误与看不见的数据集），这表明差的generalization性能。因此，在这项研究中，早期停止技术（Prechelt，1998; Tian等人，2010），避免了过拟合问题，提高了网络的泛化能力。在这种技术中，训练数据集被随机分为三个子集，即， 训练集（70%）、测试集（15%）和验证集（15%）。训练集用于计算梯度、调整网络权值和偏置值以优化网络性能;验证集用于通过监测训练过程中的验证误差来估计网络性能并确定训练停止点以避免过拟合。在训练过程中，最初，训练错误验证误差随着迭代次数的增加而迅速下降，0.001，并且在终止训练过程之前的最大验证检查（其表示验证性能未能降低的连续迭代的数目）被取为6。该模型通过试错法进行自适应训练，并调整网络连接权值以最小化目标值与模型预测的细胞填充值之间的均方误差（MSE）开发的人工神经网络模型的预测性能进行了评估，使用两个统计参数，即，测定系数（R2）和均方误差（MSE）。确定系数（R2）是代表所开发的ANN模型的鲁棒性的拟合优度度量较高的R2值和较低的MSE值代表所开发的ANN模型的较好的预测性能使用以下公式计算测定系数（R2）和均方误差（MSE）你好- 是的Σ Σ2网络通过以下方式学习底层的输入输出关系：R2¼1/1ð8Þ修改网络权重和偏置值，之后，当网络开始记忆训练样本时，识别错误开始增加。如果等级库的验证错误重复增加MSE1/11N1/12如果指定迭代次数，则终止网络训练，避免过度拟合，迭代时的网络权重和偏置值<$n∑Ya−YPð9Þ对应于最小验证误差的函数被存储为训练网络的最终权重和偏置测试数据集用于通过未在训练过程中使用的实验数据来衡量训练网络的泛化能力在这项研究中，从实验室实验中获得的36组样本用于ANN建模。将整个实验数据集随机分为两部分，即，训练集和测试集。训练数据集由大约70%（即，25个样本）的总数据，并用于校准和设计的人工神经网络模型。测试数据集由剩余的大约30%（即，11个样本）的数据，并用于评估开发的人工神经网络模型的预测性能。由于在网络训练过程中使用了早期停止方法来避免过拟合问题，因此将可用的训练数据集进一步分为三个子集，即， 训练集（约70%数据; 17个样本）、测试集（约15%数据; 4个样本）和验证集（约15%数据; 4个样本）。在网络训练过程中，在Levemberg-Marquardt反向传播算法中对可用训练数据进行了分区。在用于ANN训练之前，需要将实验数据其中Ya和Yp分别表示实验和模型预测的细胞填充值;Ya和Yp分别是实验和模型预测的细胞填充值的平均值;并且n表示数据集的总数2.4. 敏感性分析进行敏感性分析以评估每个操作参数对模型预测的细胞填充值的相对显著性使用Garson算法（Garson，1991）进行敏感性分析在这种方法中，每个输入参数的相对重要性计算使用开发的ANN模型的因此，它没有给出任何关于ANN模型的自变量和因变量之间关系的方向的良好训练和测试的ANN模型的每个输入参数的相对（十）、∑Nh... W ij。=∑Ni. W ij。是的。W jk.Σ% n∑Nh .. . W. ∑Ni . W. - 是的W. Σo×在网络训练过程中，所有变量的重要性相同虽然sigmoid传递函数的输出在0和1之间，但数据应该在0.1和0.9的范围内而不是在0和1之间进行归一化，以避免sigmoid函数饱和，这阻碍了学习过程。因此，在本研究中，使用等式中给出的线性变换，在区间[0.1，0.9]内对输入变量进行标准（7）（Basheer and Hajmeer，2000;Maier and Dandy，2000）.X0 10 8xo−xmin7x最大值−x最小值其中xn和xo分别是输入参数的归一化值和原始值;xmax和xmin分别是输入参数的最大值和最小值在训练阶段，使用训练数据集选择网络的最终权重和偏差在训练过程中，最大迭代次数和最小性能梯度分别设置为1000和10阻尼因子（μ）设置为其中：RIik是输入变量xi对输出yk的相对重要性.Ni和Nh分别是输入和隐藏神经元的数量。Wij和Wjk分别表示输入-隐藏层和隐藏-输出层的连接权重2.5. 集成ANN-PSO算法的操作参数优化2.5.1. 基本粒子群优化算法粒子群优化（PSO）是一种基于生物种群的超启发式算法。其工作机理模仿了鸟类的社会行为。在该算法中，给定群的每个成员，也称为粒子，代表给定优化问题的潜在解决方案每个粒子都可以在问题空间中以随机的位置和速度移动。在每次迭代中，在所有迭代中迄今为止实现的每个粒子的最佳位置（即，个人最佳）和迄今为止在所有粒子中实现的任何粒子的最佳位置全球最佳）被选中1/1RI100ð10Þ在与所应用的传递函数的限制相一致的范围内进行归一化，以加速训练过程并提供1/1j 11/1×C.M. Pareek，V.K.特瓦里河Machavaram等人农业人工6T−1通过评估每个粒子的目标函数值通过改变粒子的速度和位置，随机地初始化加权加速度，使每个粒子在每次迭代中加速到其个人最佳位置和全局最佳位置。考虑一个D维搜索空间，其中Xi=（xi，1，xi，2粒子的位置和速度由以下方程更新vi，d t 1wvi，dtc1r1.pi，dt−xi，dtc2r2.pg，dt−xi，dt11Xi，dt 1 2 3 45 6 7878其中，i = 1，2，.....，n;n是群的大小; d表示维数指数，d = 1，2，...D; t表示迭代次数。C1和C2是加速系数，0C1，C22;r1和r2是均匀分布在[0，1]之间的随机数;pi，d（t）表示给定迭代t中第i个粒子的个人最佳位置;pg，d（t）表示给定迭代中对应于给定群大小的全局最佳位置，w表示惯性权重因子。大惯性权重有助于探索更大的搜索空间，使粒子群优化算法成为一种全局搜索算法，而小惯性权重则使粒子群优化算法成为一种局部搜索算法。对于任何基于种群的优化算法，一般来说，最好在仿真运行的开始阶段具有更强的全局搜索能力，在结束阶段具有更强的局部搜索能力在PSO中，这种现象可以通过在整个PSO仿真运行中将惯性权重从相对大的值线性减小到小的值来实现这种具有线性变化惯性权重的PSO变体被称为改进的PSO，并且它在PSO算法的收敛性能上显示出显著的改进（Shi和Eberhart，1998）。线性变化的惯性权重由以下等式确定25%≤ X3≤ 75%集成ANN-PSO方法的工作流程图如图所示。 四、首先，定义目标函数和约束条件;PSO参数，即，该算法设定了粒子群的惯性权重、加速度系数、粒子群大小和最大迭代次数，并以随机的位置和速度初始化粒子群. 使用开发的ANN模型预测细胞填充，该模型进一步用于计算每个颗粒的目标函数值。由于给定的优化问题是一个极小化问题，因此目标函数值较低的粒子被认为是最好的在每次迭代中，首先通过计算每个粒子的目标函数值来选择个人最佳（pBest）和全局最佳（gBest）位置，然后每个粒子通过更新其速度和位置来向其pBest和gBest位置重复这些步骤，直到收敛标准，即，达到最大迭代次数该算法在最大迭代次数内对输入参数进行优化，并将最后一次迭代中gBest对应的粒子维数作为最优解。从集成的ANN-PSO方法得到的结果进行了验证，其认证。为此，使用最佳参数设置进行确认测试，并将实验和模型预测的细胞填充值进行比较，以评估所提出的优化技术的等同性3. 结果和讨论3.1. 排种器工作参数对穴盘充填量的影响试验共设36组工况，分别考虑排种板倾角3个水平、排种器运行前进速度4个水平、排种器料斗内种子高度3个水平。数据，col-wtwmax−t−1½Wmax−Wmin]ð13Þ从实验室试验中选择，分别与每个变量进行分析，并在图中以图形表示。 五、其中W max和W min分别是惯性权重的最大值和最小值; t是迭代次数，T是最大迭代次数。3.1.1. 最佳操作参数选择优化研究的目的是获得斜板排种器工作参数的最佳值，使排种器达到100%的充满率。 这些操作参数和细胞填充之间的潜在关系使用前一节中的ANN建模方法建立。 为了确定最佳的操作参数，开发的用于预测细胞填充的ANN模型与PSO算法相结合。 通过将该设计问题视为具有三个设计变量的最小化问题来进行优化，即，排种板倾角（θ）、运行前进速度（V）和料斗中的种子高度（L），分别用X1、X2和X3表示该优化问题的数学表达式可以如下给出最小FXdmin fj100−Fc jg14其中Xd=[X1，X2，X3]T表示设计变量向量，F（Xd）是该优化问题的目标函数，并且Fc是使用开发的ANN模型预测的细胞填充这个优化问题的目标是确定一组设计变量，使目标函数F（Xd）在给定的约束条件下最小化。目标函数F（Xd）的最小化实际上使细胞填充（Fc）最大化至100%。使用了 以下可变 界限：2km/h≤ X1≤ 5km/h40度≤ X2≤ 60度从图如图5所示，可以观察到，在操作的前进速度和料斗中的种子水平的所有情况下，随着种子计量板的倾斜角度从40°增加到60°，单元填充减少，因为种子计量板的较低倾斜角度导致更多的种子落下。相比之下，在排种板的更大倾斜角度处， Sharma等人报告了类似的结果。（2013）和Yadachi et al. （2013年）。还可以观察到，细胞填充随着料斗中种子水平的增加而增加这可能是由于种子占据细胞的机会减少，因为料斗中的种子水平下降。这一结果与Chhinnan等报道的结果一致。（1975）和Sharma et al. （2013年）。还表明，单元填充受到操作的前进速度的负面影响在较高的操作速度下，用于拾取种子的细胞的暴露时间较少，并且种子也倾向于由于高振动而落回到料斗中这两个事件都有助于高跳跃，并最终降低细胞填充。在较慢速度下的高细胞填充是由于多个种子滴的高频率，因为细胞的暴露时间更长这一结果得到了Chauhan等人的发现的支持。（1999）和Reddy et al. （2012年）。 所有三个操作参数对细胞填充不具有相同的影响，这从图1中显而易见。因此，有必要优化这些操作参数以实现100%的细胞填充并确保均匀的晶种分布。3.2. 人工神经网络模型的性能评价本文建立了一个3-5-1人工神经网络模型，用3个操作的前进速度、种子计量板的倾斜度和料斗中的种子高度。采用Levenberg-MarquardtC.M. Pareek，V.K.特瓦里河Machavaram等人农业人工7图四、集成ANN-PSO算法的流程图。ANN训练 通过试凑法自适应地训练神经网络模型，直到收敛标准，即，目标和模型预测的细胞填充值之间的最小均方误差（MSE），实现了开发的ANN模型的性能图，演示了训练，验证和测试误差的变化与训练时期的数量，以评估过度拟合图五、 对应于各种操作参数的单元填充（误差条表示三次重复测量的标准偏差）。C.M. Pareek，V.K.特瓦里河Machavaram等人农业人工8图第六章开发的ANN模型在训练过程中的性能图（最佳验证性能在第14个训练阶段为2.0563）。在训练过程中，图中所示。第六章 在该图中，圆圈表示最佳验证性能，即，在第14个时期获得的最低验证误差（MSE= 2.0563）以及相关联的网络权重和偏差被选择为最终模型权重和偏差。只要验证误差减小，网络训练就继续进行，并在第20个历元时终止，此时验证误差在最佳验证性能（历元14）之后连续六次迭代增加。如果测试误差在验证误差增加之前显著增加，则可能存在过度拟合的可能性，但当前训练性能图确实如此。这并不表明训练过程存在任何重大问题，因为测试和验证性能曲线显示出非常相似的趋势。开发的 人工神经网 络模型的训 练状态图， 展示了性能 梯度，Levenberg阻尼因子（mu）和验证检查的变化，如图所示。第七章可以看出，梯度值在第20个历元处减小到0.18741，并且μ因子的值在该历元处为0.1。此外，考虑到在最佳验证性能（第14个时期）之后的六次验证检查，网络训练在第20个时期终止，以避免任何可能的过度拟合。神经网络模型预测的神经网络回归图图2示出了使用Levenberg-Marquardt算法的训练集、验证集、测试集和总实验集的靶细胞填充值。八、使用ANN模型的训练、测试、验证和所有数据集的相关系数（R）分别为0.99654、0.97809、0.98846和0.99364不同阶段的高R值（大于0.97）表明实验和模型预测的细胞填充值之间具有良好的相关性，这意味着所开发的ANN模型可以以更高的准确度预测细胞填充值比较训练和测试数据集的实验和模型预测的细胞填充值的散点图如图所示。 9和图 10，分别。训练数据集的高度回归（R2=0.9873）和低MSE（0.6841）值表明实验和模型预测的细胞填充值之间的极好一致性此外，训练数据集的R2（0.9873）值意味着开发的ANN模型可以解释训练阶段测量的细胞填充值的至少98%的变异性类似地，可以观察到测试数据集的实验和模型预测的细胞填充值之间的极好的一致性，如由高R2（0.9825）值和低MSE（0.734）值指示的，这也证实了所开发的用于预测细胞填充的ANN模型的极好的泛化能力。此外，测试数据集的R2（0.9825）值表明，开发的ANN模型图第七章开发的ANN模型的训练状态。C.M. Pareek，V.K.特瓦里河Machavaram等人农业人工9图八、不同阶段的人工神经网络模型的回归图。图第九章训练数据集的实际细胞填充变化与预测细胞填充。图10. 测试数据集的实际细胞填充变化与预测细胞填充。C.M. Pareek，V.K.特瓦里河Machavaram等人农业人工10图十一岁细胞填充实验值与人工神经网络预测值的比较。表3开发的ANN模型的连接权重和输入参数的相对重要性。可以用新的看不见的数据集解释测量的细胞填充值中至少98%的变异性。实验和模型预测细胞填充的比较隐藏WijWjk每个实验运行的值如图所示。十一岁从这张图上看，神经元数量（%）排种向前种子水平可以观察到，在每次运行中，ANN模型预测的细胞填充值非常接近于实验细胞填充值，这证实了所开发的ANN模型的优良近似能力表3中给出了经过良好训练和测试的ANN模型的输入-隐藏层和隐藏-输出层之间的连接权重。不同操作参数的相对重要性如图12所示。试验结果表明，排种器工作前进速度对排种器的槽满度影响最大（56.45%），其次是料斗内的种位（27.42%）和排种器倾角（16.13%）3.3. ANN-PSO仿真结果及实验验证图12个。不同操作参数的相对重要性。在这项研究中，PSO仿真在MATLAB 2014 b环境中进行，使用配备Intel Core i5- 3337 U CPU的笔记本电脑，1.80 GHz和8 GB RAM。所开发的神经网络模型的输出被馈送到粒子群优化器，用于优化对应于100%细胞填充的输入在所有优化运行中，惯性权重参数从0.9线性降低到0.4，以在运行的开始阶段加速全局探索，并在模拟运行结束时获得更精细的解决方案加速系数（c1和c2）分别选择为2.8和1.3。群的大小和最大迭代次数分别选择为30和50 这些PSO参数是根据以前的研究工作（Shi和Eberhart，1999年; Eberhart和Shi，2000年; Carlisle和Dozier，2001年）选择的，因为这些参数设置产生了更好的模拟性能。 利用该集成优化方法对斜板排种器的工作参数进行了优化，使优化后的参数在最大迭代次数内得到最小拟合值，即：gBest，并将最终迭代时gBest对应的粒子尺寸作为最优解。粒子群算法的收敛曲线，显示了全局最优值和所有粒子的平均最优值盘倾角速度操作料斗中1-1.432491.5681.94460.161092-4.3003-2.3941.95830.00517730.0607490.35606-0.16875-1.968342.6562-1.4428-0.07316+0.0847085-2.7462-1.63530.312120.11938相对重要性16.1356.4527.42–C.M. Pareek，V.K.特瓦里河Machavaram等人农业人工11图13岁PSO的收敛曲线在每次迭代的整个粒子群体，如图所示。13岁从该图中可以观察到，经过43次迭代后，平均拟合度值接近全局最佳拟合度值;这表明群的所有部分都收敛到近似相同的最优解。全局最佳拟合函数和平均最佳拟合函数分别在20次和43次迭代后收敛到其最小值，并在最大迭代次数内保持不变在该优化研究中，集成的ANN-PSO方法预测了对应于100%细胞填充的两组最佳操作参数最后，利用最优运行参数的最接近可行值对优化结果进行了实验室验证。进行三次重复，并在每个最佳参数设置下计算相应的平均细胞填充值从集成ANN-PSO方法获得的最佳参数及其验证测试结果见表4。验证试验结果表明，所提出的集成ANN-PSO方法在100%孔填充时提供了最佳操作参数值的最佳近似值，模型预测值与实验观察值之间的最大偏差为2%，从而证实了所提出的用于确定倾斜板排种器最佳操作参数的优化技术优化结果表明，为使排种器的穴盘充填率接近100%，排种板倾角应控制在50°左右，播种机应在低速（2 ~ 3 km/h）下工作，料斗内种子的水平应控制在75%左右然而，这些实验结果还需要在实际现场条件下进行验证本研究提供了一个有效的，是一种优化斜板排种器排种性能的有效工具，对提高排种性能和实现排种均匀性至关重要。4. 结论为提高斜板排种器的排种均匀性，优化了其种室填充性能。在这项研究中，人工神经网络建模方法，再加上粒子群优化技术，应用于获得的倾斜板排种器的最佳操作参数设置对应于100%的细胞填充。以排种器的工作前进速度、排种板倾角和料斗内的种子高度为独立变量，以排种器的小室填充量建立了3-5-1结构的多层前馈反向传播神经网络模型，该模型具有较高的R2（0.9849）和较低的MSE（0.709），能较好地预测斜板排种器排种孔的充填量。 对所建立的神经网络模型进行灵敏度分析，结果表明：对种子室填充度影响最大的是机器前进速度（56.45%），其次是料斗内种子高度（27.42%）和排种板倾角（16.13%）。 使用集成的ANN-PSO方法，最合适的最佳值的前进速度的操作，排种板倾角，种子在料斗的水平被发现是3公里/小时，50度，和总高度的75%，分别。交叉验证结果表明，所提出的集成ANN-PSO方法提供了表4采用集成ANN-PSO算法优化参数。S. 号排种板倾角（度）运行前进速度（km/h）料斗中的种子水平（%）细胞填充（%）预测观察到偏差（%）147.9072.066.89410098.02.0250.0663.17510098.81.2C.M. Pareek，V.K.特瓦里河Machavaram等人农业人工12在100%细胞填充时操作参数的最佳值的最佳近似，模型预测的细胞填充值和实验观察到的细胞填充值之间的最大偏差为2%。 这些试验验证结果表明，所提出的优化技术是可行的，以确定倾斜板排种器的最佳工作参数。然而，这些结果需要在实际现场条件下进行验证因此，本研究提出了一种新的智能优化技术的基础上集成的人工神经网络粒子群优化方法优化的斜板排种器的种室填充性能实验结果表明，该优化方法也可有效地应用于其它农业机械的最优运行参数的确定。此外，本研究还为今后的工艺参数优化和精密播种技术的研究提供了参考依据。竞争利益声明作者没有任何类型的利益冲突引用Adamowski，J.，卡拉帕塔基角，2010. 多元回归和人工神经网络在城市用水高峰预测中的比较：不同ANN学习算法的评价。J.液压Eng.15（10），729-74 3.Anantachar，M.，Kumar，P.G.V.，Guruswamy，T.，2010年。 斜板排种器性能参数的神经网络预测及其反向映射用于确定最佳设计和工作参数。Comput. 电子。Agric.72，87-98.Armaghani，D.J.，Hasanipanah，M.，Mahdiyar，A.，Abd Majid，M.Z.，Amnieh，H.B.，Tahir，M.M.，2018. 通过混合遗传算法-人工神经网络模型的气流预测。神经计算。&应用29（9），619-629。洛杉矶的巴希尔Hajmeer，M.，两千 人工神经网络：基础、计算、设计与应用。微生物杂志方法43，3-31。卡莱尔，A.，Dozier，G.，2001. 一个现成的PSO。粒子群优化研讨会论文集。普渡大学工程与技术学院，印第安纳波利斯，美国，页。 一比六Chandel，N.S.，Tewari，V.K.，Mehta，C.R.，2019年。变量施肥机工作参数预测的人工神经网络模型Eng. 农业Environ. Food 12（3），341-35 0.Chauhan，A. M.，Dhingra，H.S.，Bhatia，B.S.，1999. 日光温室的种子放置行为。Ama-Agr机械亚洲非洲 30（4），9-11.Chhinnan，M.S.，杨，J.H.，Rohrbach，R.P.，1975. 花生播种行距的准确性。Trans