中国农业科技导报
2025, 27 (
):
95-104.
为解决稻谷在干燥过程中含水率预测不准确、滞后性较大以及决定系数不高等问题，采用响应面（response surface methodology，RSM）法分析干燥过程中影响稻谷含水率的主要因素，利用遗传算法（genetic algorithm，GA）对传统BP（back propagation）神经网络模型进行优化，欲建立一种基于RSM-GA的稻谷含水率预测模型。结果表明，热风温度、粮层温度、环境相对湿度在干燥过程中对稻谷含水率影响显著。以热风温度、粮层温度、环境相对湿度为预测模型的输入层，稻谷含水率为输出层，通过经验公式确定预测模型的最优中间隐含层数为10，由此建立预测模型的神经元结构为3-10-1。在进行模型训练时，最优性能表现在第15次，最小均方根误差为0.621 84×10-3，得到最优的Matlab仿真试验设置参数，当迭代至200代时，适应度值在0.019 5时趋于稳定。经过遗传算法优化后的预测模型决定系数为0.980，较传统模型提高5%；均方根误差为0.009，降低17%。综上，优化后的神经网络模型性能提高，为后续控制策略研究提供参考。
