改进粒子群优化GRU网络的储粮温度预测方法.pdf

第 51 卷收稿日期：2022年11月7日，修回日期：2022年12月10日基金项目：国家自然科学基金项目（编号：61902156）；江苏省自然科学基金项目（编号：BK20180860）；镇江市重大专项成果转化（编号：ZD2019004）资助。作者简介：蒋思玮，女，硕士研究生，研究方向：机器学习。孙妍，女，硕士研究生，研究方向：深度学习，目标检测。陈静，女，硕士研究生，研究方向：图像处理、深度学习。袁昕，男，副教授，研究方向：信号处理。宋雪桦，女，教授，研究方向：信号处理、人工智能。1引言中国作为粮食需求大国，粮食问题关乎国运民生，科学储粮是粮食产后的重要环节。目前，如何防治害虫、霉菌的污染是粮食存储面临的重大安全问题。当发生霉变、虫害时，储粮环境的多方面因素会受到影响，在这些因素中储粮温度是反映粮食安全存储的重要指标1。粮食自身的呼吸作用以及粮堆内部发生虫害、霉变时产生的代谢都会影响储粮温度2，预测储粮温度的变化是储粮安全监测和预警的有效手段。随着人工智能技术的发展，机器学习和神经网络在温度预测中得到了广泛的应用。邓玉睿3提出基于温度、湿度、CO2建立BP神经网络构建粮情监控模型，对粮食霉变情况分类预测；郭利进4采用基于SOM聚类算法和灰色关联分析处理模型输总第 403 期2023 年第 5 期计算机与数字工程Computer&Digital EngineeringVol.51 No.5改进粒子群优化 GRU 网络的储粮温度预测方法蒋思玮孙妍陈静袁昕宋雪桦（江苏大学计算机科学与通信工程学院镇江212013）摘要粮仓温度是判断储粮安全的重要指标，预测储粮温度的变化是储粮安全监测和预警的有效手段。论文提出一种基于门控循环单元的储粮温度预测方法，该方法构建两层GRU网络和全连接层，引入了非线性惯性因子和自适应学习因子的粒子群算法优化神经网络的初始权重，在模型中加入Dropout算法和RMSProp优化器训练网络参数。采用实验仓的传感器数据训练和测试模型，实验结果表明论文提出的IPSO-GRU模型预测值与实际值的均方根误差为0.078，与GRU网络、LSTM网络、BP网络对比误差分别减小13%、16%、74%，论文模型能很好地拟合储粮温度的变化。关键词门控循环单元；粒子群算法；神经网络；粮食温度预测中图分类号TP183DOI：10.3969/j.issn.1672-9722.2023.05.011Grain Storage Temperature Prediction Method Based on GRUNetwork Optimized by Improved Particle Swarm OptimizationJIANG SiweiSUN YanCHEN JingYUAN XinSONG Xuehua（School of Computer Science and Communication Engineering，Jiangsu University，Zhenjiang212013）AbstractThe temperature of granary is an important index to judge the safety of grain storage.Predicting the change of grainstorage temperature is an effective way to monitor and warn the safety of grain storage.In this paper，a method for predicting graintemperature storage based on GRU is proposed，which constructs a two-layer GRU network and a fully connected layer.Particleswarm optimization with nonlinear inertial factor and adaptive learning factor are adopted to optimize the initial weight of the neuralnetwork.Dropout algorithm and RMSProp optimizer are added into the model to train network parameters.The experimental resultsshow that the RMS error between the predicted value of IPSO-GRU model and the actual value is 0.078.The error is reduced by13%，16%and 74%compared with GRU network，LSTM network and BP network.The model in this paper can well fit the graintemperature change curve.Key WordsGRU，PSO algorithm，neural network，grain temperature predictionClass NumberTP18310362023 年第 5 期计算机与数字工程入向量，将灰色模型与改进BP神经网络相结合实现粮仓温度预测，该方法相对于单一BP网络提高了温度预测精度。BP神经网络结构简单，每个隐含层之间的神经元相互独立，在面对具有时序性的数据时，不能有效地提取数据的时序特征。粮食温度预测需要对温度这一时序数列的变化特征做出分析，针对这种时间依赖的特性，循环神经网络能很好地适应这种情况5。林靖皓6等针对每年芒果产量的影响因素在时间上的关联性，采用卷积神经网络和双向门控单元建立芒果产量预测模型。JIA7等根据拉依达准则（PauTa Criterion）和拉格朗日差值对矿井瓦斯浓度监测数据进行预处理，为充分利用矿井瓦斯浓度数据的时间序列特征，提出了一种基于门控递归单元（Gated Recurrent Unit，GRU）的矿井瓦斯浓度预测模型。徐一轩等8采集服务器温度监控数据和运行参数，提出基于长短记忆网络的温度预测模型，预测服务器入口温度。冯鸿超9基于长短期记忆网络（Long Short-term Memory，LSTM）建立粮堆温度预测模型，并使用 Adam算法优化网络参数，通过将预测值与阈值对比预测储粮粮情。根据储粮温度具有时序特性，本文提出一种基于门控循环单元的储粮温度预测方法。该方法利用GRU网络提取储粮数据的时序特征，采用非线性惯性因子和自适应学习因子的粒子群算法（Particle Swarm Optimization，PSO）优化神经网络的初始权重，在模型中加入Dropout算法和RMSProp优化器训练网络参数，该方法较传统的神经网络预测误差更小，可以有效地拟合储粮温度变化曲线。2储粮温度预测模型构建2.1预测模型框架预测模型为三层神经网络，输入层和隐藏层使用GRU网络学习时序数据特征，通过全连接层变换维度输出预测结果。以时间窗滑动的方式输入时序数据，预测模型框架如图1所示。每个GRU单元获取当前时间步的输入向量xt和上一时间步传递的隐藏层状态t。输入向量进入GRU网络后，沿两个方向传播，即沿网络层前向和沿时间梯度传播。1）时序数据特征提取循 环 神 经 网 络（Recurrent Neural Network，RNN）是时序数据、自然语言处理的常用模型，在训练过程中RNN对短期记忆较为敏感，而对时序数据会有梯度消失和梯度爆炸的问题10。GRU单元是长短期记忆网络的变体，可避免在反向传播时的梯度消失和梯度爆炸问题，对于长期依赖的时序数据有良好的学习能力。GRU较LSTM网络参数少，收敛速度快。GRU将LSTM中的细胞状态和隐藏状态合并成隐藏层状态t，且仅包含重置门zt和更新门rt，其结构如图2所示。图1预测模型网络框架图2GRU模型结构图图2中，t为当前时刻的隐藏状态；xt为当前时刻的输入向量；yt为当前单元输出向量；为sigmoid激活函数。GRU单元计算方式如下步骤所示。（1）确定t1时刻状态信息的保留程度rt，rt越大表明保留的信息越多。rt=(wrt1xt（1）（2）确定t1时刻的状态信息的遗忘程度zt，范围在01之间。zt=(wzt1xt)（2）（3）生成当前隐藏状态更新候选值。t=tan()wrt*t1xt（3）（4）更新当前隐藏状态，zt越接近1说明t1时刻的信息遗忘的越少，zt越接近0说明遗忘的信息越多11。t=()1zt*t1+zt*t（4）（5）计算单元的输出向量。1037第 51 卷yt=(wy*t)（5）式中：wr、wz、w、wy为权重。2）过拟合优化神经网络在训练过程中可能出现过拟合现象。本文在 GRU 层和全连接层之间加入 Dropout正则化，随机选择一部分神经元使其失活，其他神经元保持不变，然后训练损失反向传播，更新未失活的神经元参数，其他神经元参数保持不变，这种方式能有效解决过拟合问题。全连接层进行维度变换输出下一时刻的预测值，计算预测值与期望值之间的error，如式（6）所示，使用RMSProp优化器局调整网络参数。error=1mm=1m(ytyt)2（6）式中：m为预测值的个数；yt为第t时刻的期望值；yt为第t时刻的预测值。2.2改进粒子群算法优化网络神经网络在训练模型时可能会陷入局部最优的问题，在初始化网络时使用粒子群算法对模型初始权值和阈值寻优，将网络权值调整到全局最优解附近区间避免模型陷入局部极值12。粒子群算法（Particle Swarm Optimization，PSO）是根据鸟类觅食过程得到的群智能优化算法，在搜寻最优解时各个粒子相互协调，不断迭代实现全局寻优13。粒子群算法的特点是参数简单，收敛速度快，在求解模型、优化结构等多领域得到广泛的应用。在d维候选解空间中，分布有若干个优化问题的 候 选 解 向 量 集 合X=(x1x2x3xii=123m），候选解向量xi=（xi1xi2xi3xid）为粒子群中的第i个粒子当前位置。粒子的运动过程即在向量空间中搜寻最优解的过程，粒子运动方式靠速度v和位置x决定14。每次粒子位置迭代更新如式（7）和（8）所示：Vt+1id=Vtid+C1r1()Pidxtid+C2r2()Pgdxtid（7）xt+1id=xtid+Vt+1id（8）式中：Vtid代表第t次迭代时第i个粒子的速度；为惯性因子；r1和r2是01的随机数；C1和C2为学习因子；Pid是d维第i个粒子个体极值，个体极值为单个粒子在迭代过程中具有最佳适应度的位置；Pgd为整个粒子群在搜寻过程中得到最佳适应度的位置。标准的粒子群算法使用的惯性因子是定值，容易存在收敛早熟，陷入局部最优的问题。因此，本文引入非线性惯性权重15，如式（9）所示：=max()maxmin*T2Tmax2（9）式中：max为惯性因子最大值；min为惯性因子最小值；Tmax为总迭代次数；T为当前迭代次数。引入非线性惯性权重后惯性因子在迭代前期较大，全局搜寻步长变大，有利于防止粒子趋向局部极值，确保在全局范围内搜寻最优解，到迭代后期，粒子逐步趋向全局最优，惯性因子取值减小，防止粒子在最优解空间内产生震荡，加强粒子在局部寻优能力。同时在PSO中引入异步变化学习因子16调整粒子搜寻策略，如式（10）所示：c1=c1max()c1maxc1min*(T/Tmax)c2=c2min+()c2maxc2min*(T/Tmax)（10）式中：c1用于控制粒子根据自身经验的学习能力，c1max和c1min是c1的最大值和最小值，c2用于控制粒子根据群体经验的学习能力，c2max和c2min是c2的最大值和最小值。两种学习因子根据自身特点使用不同的方式控制粒子寻优，在搜寻前期注重全局寻优的能力，尽可能地扩大搜寻范围，粒子需要加强自我学习能力减少群体寻优经验对粒子的影响。在搜寻后期，需要逐渐加强群体经验对粒子的影响，使粒子逐步收敛至全局最优点区域，因而，c1的初始值较大，随着迭代次数增加而减小，c2的初始值较小，随着迭代次数增加而增大。2.3预测方法设计1）数据预处理本文采用的数据从天津科技大学模拟粮仓获得。在每个实验仓取上、中、下三个存储位置的温度、湿度，数据获取的频率为每小时一次。数据集的时间范围是2019年1月至12月。因仪器故障、电源断电等意外因素，采集的数据中存在短时间的缺失值，采用均值插值方式填补。预测模型以12小时为一个时间滑动窗口预测后一时刻的数据，时间窗滑动的步长为1h。在神经网络训练时，由于不同特征的数量级存在差异，导致部分特征没有表现出明显的特性，为了消除数量级上的影响，对数据进行归一化处理，如式（11）所示。x*=xxminxmaxxmin（11）式中：x*为归一化处理后得到的数据，xmin为原始数据最小值，xmax为原始数据最大值，x为原始数蒋思玮等：改进粒子群优化GRU网络的储粮温度预测方法10382023 年第 5 期计算机与数字工程据。2）IPSO优化预测模型IPSO算法搜寻的最优候选解向量的过程即优化神经网络中GRU单元的权值wr、wz、w、wy和全连接层wd。具体步骤如下所示：（1）首先确定粒子规模m、粒子集合X、学习因子初始值和终止值C1max，C1min，C2max，C1min、惯性因子最大值max、惯性因子最小值min、总迭代次数maxiter、粒子位置边界B和最大飞行速度vmax。构建粒子位置集合X，X=x1x2x3xii1m，每个粒子的位置信息xi包括GRU神经网络的权值。（2）计算粒子适应度适应度函数是将粒子位置作为网络参数时神经网络得到的损失函数，实验中使用真实值与预测值的均方误差MSE作为训练损失函数。fitness=1mm=1m(yiyi)2（12）式中：m为预测值的个数；yi为第i个时间点的真实值；yi为第i个时间点的预测值。（3）迭代更新粒子位置在每轮迭代中，若第i个粒子的粒子适应度fitness(xi)优于当前个体最佳适应值Fbesti或历史最佳适应值Fbestg，则将该粒子位置xi更新为pi或pg。pi=xi Fbestifitness(xi)i1Mpg=xi Fbestgfitness(xi)i1M（13）在迭代过程中利用式（7）（8）更新粒子位置和速度。若在计算过程中粒子位置超出边界，则令粒子位置等于边界值，xid=Bd；若速度超过最大速度vmax，则vid=vmax。当迭代次数达到最大迭代次数时，pg为PSO优化得到的最优权值。综上得到预测模型的初始权重，训练神经网络，预测方法流程如图3所示。3实验分析3.1实验及评价指标实验环境：64位 Windows10操作系统，Intel i7处理器，16G内存，PyCharm，TensorFlow。构建神经网络模型时合适的超参数选择对训练准确度有至关重要的影响，经过多次实验，模型的超参数设置如表1所示。图3预测方法流程图表1预测模型超参数超参数batch_sizeepochsDropout参数隐藏层节点数验证集比例全连接层激活函数参数值2563000.1645%Sigmoid为了评价模型预测效果和精度，使用均方根误差（RMSE），平均绝对误差（MAE），平均百分比误差（MAPE）作为模型预测结果的评价指标，并将IPSO-GRU 与 GRU、LSTM、BP 网络对比。计算误差如式（14）（16）所示：RMSE=1ni=1n()piyi2（14）MAE=1ni=1n|piyi（15）MAPE=100%ni=1n|piyiyi（16）式中：n为样本数，pi为预测值，yi为真实值。当上述三个指标值越接近零代表预测值与真实值越接近。3.2实验结果分析3.2.1时间窗长度对比实验时间窗长度是模型训练的重要指标，在无外界干扰的情况下，储粮状态的数值变化缓慢且具有周期性，将该特点作为参考依据本文对不同时间窗长度进行对比实验，在GRU网络上设置从424的不同的时间窗长度，将测试误差作为评价模型的指标。1039第 51 卷0.0400.0350.0300.0250.0200.0150.0100.005MSE4681012141618202224时间窗长度/h图4不同时间窗长的对比实验图4是不同时间窗模型训练结果，当时间窗的长度是12时预测模型的均方误差最小，确定时间窗长度为12。3.2.2模型训练优化器选择在训练神经网络时，优化器可以影响模型收敛的速度，本实验设置两层GRU网络，一层全连接网络，输入层节点为64，经过300次迭代训练，使用每次迭代的损失函数 MSE作为评价指标，计算 RMSProp，Adam，AdaGrad 优化器的训练误差，如图 5所示。2015105训练误差MSE050100150200250300迭代次数RMSpropAdaGradAdam图5不同优化器模型的训练误差对比实验表明使用 AdaGrad优化器的模型收敛速度较慢，RMSProp，Adam优化器对模型收敛有较好的效果。在经过300次迭代之后，RMSProp的训练误差最小，因此选择RMSProp作为训练模型的优化器。3.2.3不同模型预测结果对比为评估本文模型的预测精度，选取三种模型进行对比，模型的隐含层层数和节点数和本文模型一致，迭代次数为300，过拟合参数设置为0.1。图 6 为不同模型的温度预测拟合曲线，其中TRUE代表模型的期望输出，IPSO-GRU代表本文模型的预测输出，从图可以看出BP网络预测温度曲线的拟合效果较差，本文模型能有效的拟合温度变化曲线。表2是不同模型评价指标对比结果。从表中可知，GRU网络和LSTM网络预测准确度比较接近，BP 网络预测的准确度最低。IPSO-GRU在三种评价指标上的误差分别是 0.078，0.060，0.344%，均大于GRU，LSTM和BP网络。IPSO-GRU和GRU网络对比RMSE误差减小13%，和LSTM对比误差减小16%，和BP网络对比误差减小74%。18.218.017.817.617.417.217.016.8温度/0255075100125150175时间/hTRUEIPSO-GRUGRULSTMBP图6不同模型预测结果对比图表2不同模型预测评价指标对比预测模型IPSO-GRUGRULSTMBPRMSE0.0780.0900.0930.301MAE0.0600.0720.0730.292MAPE/%0.3440.4140.4221.6890.60.50.40.30.20.10.0误差/0255075100125150175时间/hIPSO-GRUGRULSTMBP图7不同模型预测误差对比图图7是不同模型的预测误差对比，BP网络的预测误差集中在0.20.4之间且随时间变化误差逐渐增加，最大误差为0.42。IPSO-GRU的整体误差小于其他模型且趋势较为平稳，最大误差为 0.13。IPSO-GRU网络，误差集中于00.1之间；GRU网络的最大误差为0.16，LSTM网络的最大误差为0.19，两者误差集中于00.2之间。从实验结果可以看出IPSO-GRU模型的预测误差最小且对于时间序列的数据预测更加准确，这是由于在处理时序数据方面GRU网络较BP网络更具优势，能充分利用储粮环境因素的时间序列特征。GRU网络经过IPSO算法全局寻优，将网络初始参数调整至最优区间，采用Dropout算法防止过拟合增强模型的预测精度和蒋思玮等：改进粒子群优化GRU网络的储粮温度预测方法10402023 年第 5 期计算机与数字工程泛化能力，使模型得到更好的预测效果。4结语本文针对粮食存储温度时序数据的特点，提出基于改进粒子群优化GRU网络的储粮温度预测方法。该方法使用粒子群算法优化网络初始权重，在粒子群中引入了非线性惯性因子和自适应学习因子，优化粒子搜索策略，增强粒子全局搜索能力，在模型中加入Dropout算法和RMSProp优化器训练网络参数。实验使用温湿度传感器采集的模拟粮仓数据，为验证模型预测精度，选取三种模型与本文模型对比，预测结果证明本文构建的IPSO-GRU模型较其他传统神经网络的预测精度更高，为粮情预测提供了新的思路。参 考 文 献1郭平飞，甄彤.基于GANPSO-BP神经网络的粮情预测模型研究 J.现代电子技术，2019，42（20）：21-25.GUO Pingfei，ZHEN Tong.Research on grain situation prediction model based on GANPSOBP neural network J.Modern Electronics Technique，2019，42（20）：21-25.2韩越，胡月英.低温储粮技术的研究现状与思考 J.粮油仓储科技通讯，2019，35（06）：30-34.HAN Yue，HU Yueying.Research Status and Thinking ofLow Temperature Grain Storage TechnologyJ.Grainand Oil Storage Technology Communication，2019，35（06）：30-34.3邓玉睿，周勇，唐芳，等.BP神经网络在粮食霉变预测中的 应 用 研 究J.中 国 粮 油 学 报，2019，34（11）：128-132.DENG Yurui，ZHOU Yong，TANG Fang，et al.Applicationof BP Neural Network in Grain Mildew PredictionJ.Journal of the Chinese Cereals and Oils Association，2019，34（11）：128-132.4郭利进，连丰沛.基于SOM聚类算法和灰色改进神经网络的粮仓温度预测 J.粮食与油脂，2019，32（11）：97-100.GUO Lijin，LIAN Fengpei.Temperature prediction of granary based on SOM clustering algorithm and grey improved neural networkJ.Cereals&Oils，2019，32（11）：97-100.5仇媛，常相茂，仇倩，等.基于长短期记忆网络和滑动窗口的流数据异常检测方法 J.计算机应用，2020，40（05）：1335-1339.QIU Yuan，CHANG Xiangmao，QIU Qian，et al.Stream data anomaly detection method based on long short-termmemory and sliding window J.Journal of Computer Applications，2020，40（05）：1335-1339.6林靖皓，秦亮曦，苏永秀，等.基于自注意力机制的双向门控循环单元和卷积神经网络的芒果产量预测 J.计算机应用，2020，40（S1）：51-55.LIN Jinghao，QIN Liangxi，SU Yongxiu，et al.Prediction ofmango yield based on self-attention CNN and bidirectional GRU J.Journal of Computer Applications，2020，40（S1）：51-55.7Jia P，Liu H，Wang S，et al.Research on a Mine Gas Concentration Forecasting Model Based on a GRU NetworkJ.IEEE Access，2020，8：38023-38031.8徐一轩，伍卫国，王思敏，等.基于长短期记忆网络（LSTM）的数据中心温度预测算法 J.计算机技术与发展，2019，29（12）：1-7.XI Yixuan，WU Weiguo，WANG Simin，et al.Data CenterTemperaturePredictionAlgorithmBasedonLongShort-term Memory NetworkJ.Computer Technologyand Development，2019，29（12）：1-7.9冯鸿超.基于温湿度粮情的储粮安全风险预警模型及应用 D.郑州：河南工业大学，2019.FENG Hongchao.Pre-warning model of stored grain safety risk based on temperature and humidity and its applicationD.Zhengzhou：Henan University of Technology，2019.10A J K，B R G，A A K S.Long Short Term Memory Recurrent Neural Network（LSTM-RNN）Based WorkloadForecasting Model For Cloud DatacentersJ.ProcediaComputer ence，2018，125：676-682.11Lu Y，Liu L，Panneerselvam J，et al.A GRU-BasedPrediction Framework for Intelligent Resource Management at Cloud Data Centres in the Age of 5G J.IEEETransactions on Cognitive Communications and Networking，2019（99）：1.12宗宸生，郑焕霞，王林山.改进粒子群优化BP神经网络粮食产量预测模型 J.计算机系统应用，2018，27（12）：204-209.ZONG Chensheng，ZHENG Huanxia，WANG Linshan.Grain Yield Prediction Based on BP Neural Network Optimized by Improved Particle Swarm OptimizationJ.Computer Systems&Applications，2018，27（12）：204-209.13Ying Xi C，Xiao Dong L，Jian Hua W，et al.Small ImageRecognition Classification Based on Random Dropoutand PSO-BP C/2018 2nd IEEE Advanced InformationManagement，Communicates，Electronic and AutomationControlConference（IMCEC）.IEEE，2018：1243-1246.14Gharghan S K，Nordin R，Ismail M，et al.Accurate（下转第1156页）1041第 51 卷2018，24（2）：27-30.WANG Qing，DU Qingwei，MA Chun，et al.Leaf imagesegmentation combining color difference and fuzzy clustering J.Journal of Anqing Normal University（Natural Science Edition），2018，24（2）：27-30.8赵三琴，丁为民，刘德营.基于傅里叶描述子的稻飞虱形状识别 J.农业机械学报，2009，40（8）：181-184.ZHAO Sanqin，DING Weimin，LIU Deying.Shape recognition of rice planthopper based on Fourier descriptor J.Journal of Agricultural Machinery，2009，40（8）：181-184.9YAN L，PARK C W，LEE S R，LEE C Y.New separationalgorithm for touching grain kernels based on contour segments and ellipse fitting J.Frontiers of Information Technology&Electronic Engineering，2011，12（1）：54-61.10李宏辉，郝颖明，吴清潇，等.基于凹点方向线的粘连药品图像分割方法 J.计算机应用研究，2013，30（9）：2852-2854.LI Honghui，HAO Yingming，WU Qingxiao，et al.Segmentation method of adhesive medicine image based onconcave point direction lineJ.Computer ApplicationResearch，2013，30（9）：2852-2854.11ZHONG Q F，ZHOU P，YAO Q X，MAO K J.A novelsegmentation algorithm for clustered slender-particlesJ.Computers&Electronics in Agriculture，2009，69（2）：118-127.12王小鹏，姚丽娟，文昊天，等.形态学多尺度重建结合凹点匹配分割枸杞图像 J.农 业 工 程 学 报，2018，34（2）：212-218.WANG Xiaopeng，YAO Lijuan，WEN Haotian，et al.Morphological multi-scale reconstruction combined withconcave point matching to segment wolfberry images J.Journal of Agricultural Engineering，2018，34（2）：212-218.13路彬彬，贾振红，何迪，等.基于混合蛙跳算法改进的OTSU 遥感图像分割方法 J.计算机应用与软件，2011，28（9）：77-79.LU Binbin，JIA Zhenhong，HE Di，et al.Improved OTSU remote sensing image segmentation method based onhybrid leapfrog algorithmJ.Computer Applicationsand Software，2011，28（9）：77-79.14杨蕴，李玉，王玉，等.一种改进的 Otsu 多阈值 SAR 图像分割方法 J.遥感信息，2019，34（4）：29-38.YANG Yun，LI Yu，WANG Yu，et al.An improved Otsu multi-threshold SAR image segmentation method J.Remote Sensing Information，2019，34（4）：29-38.15Swasono D I，Tjandrasa H，Fathicah C.Classification ofTobacco Leaf Pests Using VGG16 Transfer Learning C/2019 12th International Conference on Information&Communication Technology and System（ICTS）.IEEE，2019：176-181.16Wang S，Pei L，Liu R，et al.Deep Feature ScreeningMethod Based on a Cascade Algorithm C/2019 8th International Symposium on Next Generation Electronics（ISNE）.IEEE，2019：1-2.17Bengio，Y.，Courville，A.，Vincent，P.Representationlearning：A review and new perspectives J.IEEE transactions on pattern analysis and machine intelligence，2013，35（8）：1798-1828.18Krizhevsky A，Sutskever I，Hinton G E.Imagenet classification with deep convolutional neural networksC/Advances in Neural Information Processing Systems，2012：1097-1105.19杨帆，申金媛.基于BPSO和SVM的烤烟烟叶图像特征选择方法研究 J.湖北农业科学，2015，54（02）：449-452.YANG Fan，SHEN Jinyuan.Research on image featureselection method of flue-cured tobacco based on BPSOand SVMJ.Hubei Agricultural Sciences，2015，54（02）：449-452.20PEI L，SHEN J，LIU R.Deep feature of image screenedby improved clustering algorithm cascaded with geneticalgorithm C/2017 29th Chinese Control And DecisionConference（CCDC）.IEEE，2017：452-455.Wireless Sensor Localization Technique Based on Hybrid PSO-ANN Algorithm for Indoor and Outdoor TrackCyclingJ.IEEE Sensors Journal，2016，16（2）：529-541.15Ghatak S R Sannigrahi S，Acharjee P.ComparativePerformance Analysis of DG and DSTATCOM Using Improved PSO Based on Success Rate for Deregulated EnvironmentJ.IEEE Systems Journal，2018，12（3）：2791-2802.16赵志刚，黄树运，王伟倩.基于随机惯性权重的简化粒子群优化算法 J.计算机应用研究，2014，31（02）：361-363，391.ZHAO Zhigang，HUANG Shuyun，WANG Weiqian.Simplified particle swarm optimization algorithm based onstochastic inertia weightJ.Application Research ofComputers，2014，31（02）：361-363，391.（上接第1041页）王臣毅等：基于椭圆轮廓模型的重叠烟叶分级方法1156