本发明涉及秸秆热值的预测方法，具体的说，是涉及一种基于elman神经网络模型的秸秆热值预测方法。
背景技术：
：：生物质致密成型技术是把农林废弃物加工再利用、解决生物质资源浪费和污染问题的一种重要技术手段[1-2]，我国《能源发展“十三五”规划》中明确指出生物质致密成型技术是生物质能源利用的重要方式。我国作为农业大国，生物质资源十分丰富，秸秆作为重要的成型原料，每年农作物秸秆产量大约在7亿t，折合标准煤约为3.5亿t[3]。直接测定生物质热值常采用氧弹法[4]，但这种测量方法的仪器昂贵，操作步骤繁琐[5]。研究表明，热值与纤维素、木质素含量有密切联系[6]。鉴于此，岳建芝[6]等通过通过回归分析计算了不同玉米秸秆的热值，并得出了相应的回归方程用于预测玉米秸秆的热值。程旭云等基于工业分析指标，利用主成分回归方法建立了生物质秸秆的热值预测模型。模型可以较准确地预测生物质秸秆热值。[7]但秸秆成分与热值并不是呈单纯的线性关系，且这些公式泛化能力有限。因此，有必要寻找有效的方法对其进行准确预测。elman神经网络是一种有局部反馈的神经网络，该网络对历史数据具有敏感性，增加了处理动态信息的能力，并且逼近能力优于一般的静态网络，收敛速度快，较好的克服了bpnn的训练时间长及运算符复杂高的缺点。[8-9]周孑民等通过elman神经网络模型确定煤的成分和煤的热值之间的非线性映射关系，证明elman神经元网络模型具有较高的准确度和可信度。[10]参考文献：[1]fragaa.characterizationofbiomasspyrolysistarsproducedintherelativeabsenceofextraparticlesecondaryreactions[j].fuel，1991，70：803－809.[2]ayhandemirbas.combustioncharacteristicsofdifferentbiomassfuels[j].progressinenergyandcombustionscience，2004，30(2)：219—230.[3]日本能源学会.生物质和生物质能源手册[k].史仲平，华兆哲，译.北京：化学工业出版社，2006：123—126.[4]kralikd,etal.thepotentialusageofduckweedbiomass(lemnaminor)forbiogasproduction.[j].krmiva,2015,90(1):109-13.[5]物理化学实验[m].高等教育出版社,高职高专化学教材编写组编,2002[6]岳建芝,张杰,徐桂转,等.玉米秸秆主要成分及热值的测定与分析[j].河南农业科学,2006,35(9):30-32.[7]程旭云,牛智有,晏红梅,等.基于工业分析指标的生物质秸秆热值模型构建[j].农业工程学报,2013,29(11):196-202.[8]丁硕；巫庆辉；；基于改进bp神经网络的函数逼近性能对比研究[j]；计算机与现代化；2012年11期[9]jinx,shaoj,zhangx,etal.modelingofnonlinearsystembasedondeeplearningframework[j].nonlineardynamics,2015,84(3):1327-1340.[10]周孑民,朱再兴,刘艳军,等.基于elman神经网络的动力配煤发热量及着火温度的预测[j].中南大学学报自然科学版,2011,42(12):3871-3875.技术实现要素：本发明的目的在于针对现有热值的预测方法精度不高，结构不合理，泛化能力不够强等问题，提供了一种基于elman神经网络模型的秸秆热值预测方法，以达到预测精度高，泛化能力好，可靠性高的目的。本发明的目的是通过以下技术方案实现的：一种基于elman神经网络模型的秸秆热值预测方法，包括以下步骤：(1)数据的归一化和输入：将秸秆的成分，即纤维素、半纤维素和木质素的含量及秸秆对应的热值定义为一组数据，过大或过小的数据容易落到神经网络激活函数sigmoid的饱和区，使得神经网络的训练速度变慢。所以需要将输入和输出数据都进行归一化处理，使所有的数据都在(0,1)之间。具体做法如下：其中xmin和xmax是数据x中的最小值和最大值，xi是数据x中的任意一个值，yi是xi经过归一化处理之后的结果。而样本通过训练得到的预测结果yi根据式(5)还原得到热值的预测结果。xi＝(xmax-xmin)×yi+xmin(5)将归一化之后的数据输入matlab软件中，输入层节点即玉米秸秆的三种成分，输出层对应数据中的热值。(2)网络的输入参数是玉米秸秆的三种成分：纤维素、半纤维素和木质素，输出参数是玉米秸秆的热值，所以说神经元网络的输入层神经元为3个，输出层神经元为1个。网络采用单隐含层结构。隐含层神经元的数目根据经验公式(6)确定隐含层神经元数目的可能取值，并带入到elman神经元模型中，利用输入样本和输出样本对模型进行训练，确定秸秆热值和秸秆成分的非线性关系，并以训练结果的均方误差作为评估指标，确定最适合的隐含层神经元数目。式中：r1为输入层神经元的个数；s2为输出层神经元的个数；s1为隐含层神经元的个数。(3)确定训练函数和训练次数：非线性问题的求解经常采用sigmoid函数。本发明中elman神经网络模型的输出层和隐含层的传递函数都采用的是对数sigmoid函数。网络的训练函数通常用实验选定，本发明采用traindgx函数对elman网络进行训练。确定神经网络的结构和训练函数之后，将训练样本带入，得到训练样本网络的训练次数和均方误差(meansquareerror，mse)之间的关系，从而根据所需要的精度选定训练次数。(4)训练神经网络：根据步骤(2)和步骤(3)确定的神经网络的结构、训练函数和训练次数，将步骤(1)得到的归一化数据带入到elman神经网络模型中对神经网络进行训练；elman神经网络的非线性表达式为:y(k)＝g(w1x(k))(1)x(k)＝f{w2[u(k-1)]+w3xc(k)](2)xc(k)＝x(k-1)(3)上式中，x,y,u,xc分别表示n维隐含层节点单位向量，m维输出节点向量，r维输入向量和n维反馈状态向量。w1,w2和w3分别是隐含层到输出层、输入层到隐含层、承接层到隐含层的连接权值；g(·)为输出神经元的激活函数；f(·)为隐含层神经元的激活函数。神经网络通过不断学习调整各层权值得到优化，使得实际输出与期望输出的误差平方和函数最小，从而确定玉米秸秆的热值和成分之间的非线性关系。(5)利用神经网络进行预测并对误差进行分析：根据测定的秸秆的成分带入至elman神经网络模型中即可得到该秸秆的热值。与现有技术相比，本发明的技术方案所带来的有益效果是：本发明方法简单可行，在基于已有数据的基础上，能够精确地预测不同成分的玉米秸秆所对应的热值。通过该方法的预测结构，能描绘不同的成分对与热值的综合影响，对于筛选致密成型燃料的原料具有指导作用。附图说明图1是elman神经网络模型的结构示意图。图2是elman神经网络的学习流程示意图。图3是不同隐含层神经元数目的模型预测性能图。图4是不同训练次数下的elman神经网络模型预测性能图。具体实施方式下面结合附图对本发明作进一步的描述。实施例1本实施例中秸秆材料选用市场上的15个玉米品种。对不同品种的玉米秸秆去穗、根，风干后，然后用粉碎机粉碎，过40目网筛，对号装入袋中，封口，置于60摄氏度干燥箱中，烘干30h，用于测定化学成分和热值。采用凡式法测定木质素、纤维素、半纤维素含量；利用xry-1a型数显氧弹式热量计测定热值。同时确定干物质的量得到干物质的发热量。本发明采用了参考文献《玉米秸秆主要成分及热值的测定与分析中》的对秸秆的成分和热值的实验测定结果，如表1。表1不同品种玉米秸秆的成分和热值(1)首先进行数据的归一化和输入将秸秆的成分，即秸秆的纤维素、半纤维素和木质素含量，和对应的热值定义为一组数据。由于过大或过小的数据容易落到神经网络激活函数sigmoid的饱和区，使得神经网络的训练速度变慢。所以需要将输入和输出数据都进行归一化处理，使所有的数据都在(0,1)之间。具体做法如下：其中xmin和xmax是数据x中的最小值和最大值，xi是数据x中的任意一个值，yi是xi经过归一化处理之后的结果。而样本通过训练得到的预测结果yi根据式(5)还原得到热值的预测结果。xi＝(xmax-xmin)×yi+xmin(5)将归一化之后的数据输入matlab软件中，输入层节点即玉米秸秆的三种成分，输出层对应数据中的热值。(2)随后，进行elman神经网络训练结构的设计：为了防止检验样本超出试验样本的范围，所以首先筛选出最大值和最小值样本选作训练样本。然后再将其他的样本进行随机分类。最后实验样本为28个和检验样本是9个。网络的输入参数是玉米秸秆的三种成分：纤维素、半纤维素和木质素，输出参数是玉米秸秆的热值。所以说神经元网络的输入层神经元为3个，输出层神经元为1个。网络采用单隐含层结构。隐含层神经元的数目根据经验公式(4)确定隐含层神经元数目的可能取值，并带入到elman神经元模型中，利用输入样本和输出样本对模型进行训练，确定秸秆热值和秸秆成分的非线性关系，并以训练结果的均方误差作为评估指标，确定最适合的神经元数目。式中：r1为输入层神经元的个数，s2为输出层神经元的个数，s1为隐含层神经元的个数，m使调节系数，取值是1到10。由图3可以看出，随着隐含层神经元个数的增加，预测热值的均方差不断减少，隐含层神经元的数目预测结果的均方差达到了最小值，最小值是7.34×104，随着神经元数目的继续增加预测结果的均方差不断增加。隐含层神经元的数目增加在一定范围内可以提高预测的精度。但继续增加使得神经网络过于复杂反而使精度变差。所以elman神经网络最后选择的结果是：输入层神经元、隐含层神经元和输出层神经元的个数分别为3、9、1。(3)随后，确定各层的传递函数和训练函数：非线性问题的求解经常采用sigmoid函数。elman神经网络模型的输出层和隐含层的传递函数都采用的是对数sigmoid函数。网络的训练函数通常用实验选定。本发明采用traindgx函数对elman网络进行训练。图4给出了网络的训练次数和均方误差(meansquareerror，mse)的关系。从图4中可以看出，经过6000次训练之后，训练样本均方差值为0.0060217，可以满足实验中对误差的要求。(4)随后，进行elman神经网络的训练：根据之前确定的神经网络的结构，训练函数和训练次数，将归一化的数据带入到elman神经网络中对神经网络进行训练。elman神经网络的结构如图1所示。elman神经网络的非线性表达式为:y(k)＝g(w1x(k))(1)x(k)＝f{w2[u(k-1)]+w3xc(k)](2)xc(k)＝x(k-1)(3)上式中，x,y,u,xc分别表示n维隐含层节点单位向量，m维输出节点向量，r维输入向量和n维反馈状态向量。w1,w2和w3分别是隐含层到输出层、输入层到隐含层、承接层到隐含层的连接权值；g(·)为输出神经元的激活函数；f(·)为隐含层神经元的激活函数。神经网络通过不断学习调整各层权值得到优化，使得实际输出与期望输出的误差平方和函数最小，从而确定玉米秸秆的热值和成分之间的非线性关系，神经网络学习过程如图2所示。(5)随后，利用神经网络进行预测并对误差进行分析并与传统的线性预测方法进行比较：elman神经网络选择的实验的目标误差是0.00001，最大迭代次数是6000次。借助已经确定的elman神经网络进行玉米秸秆热值的预测，如图所示。除此之外，还对实验样本进行多元线性回归分析得到了线性加权方程并对检验组进行了预测。可以得到线性回归模型和elman神经元模型的最大相对误差(maximummeanrelativeerror,maxre)，平均相对误差(meanrelativeerror,mre)和最小相对误差(minimummeanrelativeerror,minre)，具体算法如下：其中：设样本总数为n，实际值是x1,x2...xn，预测值是y1,y2...yn，结果如下：表2训练样本预测结果误差分析table2forecastingerroranalysisoftrainingsets由表2可以看出，线性回归预测方法与实际值之间存在较大误差，其最大误差超过10％，证明玉米秸秆的的热值与成分之间并不存在简单的线性关系。而elman网络的预测值与实际热值的误差较小，最大误差不小于5％并且平均误差小于2％，线性回归预测效果远不如elman神经元算法。所以在筛选致密成型技术的原料时，可以根据测定好的玉米秸秆的成分，利用elman神经元算法较为准确的预测玉米秸秆的热值。为了评估elman神经网络热值预测模型的精确性和可靠性，利用置信区间分析的方法对模型进行评价。在统计学中，置信区间表示这个参数的真实值有一定概率落在测量结果的周围的程度。在相同置信度的情况下，置信区间越小证明模型越精确越可靠。再假设模型是独立分布和正态分布的情况下，设样本总数为n，实际值是x1,x2...xn，预测值是y1,y2...yn。模型的平均误差是ξ，把标准差是s当作方差σ2的无偏估计。所以置信度是1-α的置信区间是：计算线性回归模型和elman神经元预测模型的的置信区间。在置信度为0.95时，玉米秸秆热值的线性回归模型和elman神经网络模型的置信区间分别是[15331，18965]和[15932，17787]，线性回归模型的置信区间长度是elman神经元模型置信区间长度的2倍，证明elman神经网络模型在预测玉米秸秆热值的时候有十分良好的精度和可靠性。本发明并不限于上文描述的实施方式。以上对具体实施方式的描述旨在描述和说明本发明的技术方案，上述的具体实施方式仅仅是示意性的，并不是限制性的。在不脱离本发明宗旨和权利要求所保护的范围情况下，本领域的普通技术人员在本发明的启示下还可做出很多形式的具体变换，这些均属于本发明的保护范围之内。当前第1页12当前第1页12