[发明专利]一种基于改进RNN的大豆储备预警方法

说明书

为了稳定国内的大豆市场需求，防止大豆资源的紧缺或进口过剩导致粮油市场的波动，需要建立合理的大豆储备预警系统并给出相关的抛储建议。该发明选用循环神经网络算法，并提出一种新的激活函数AReLU优化了LSTM的性能，通过训练扩大反正切函数Arctan的非饱和区，同时在正半轴与ReLU激活函数相组合，在CIFAR10以及Kaggle数据集下验证AReLU收敛时间和准确率优于现阶段使用的LReLU，ELU等激活函数。最后使用改进的LSTM循环神经网络对大豆储备预警数据集训练，预测输出2008年至2018年的大豆储备值，并与实际储值对比。

技术领域

本发明涉及一种基于改进RNN的大豆储备预警方法，属于人工智能领域。

背景技术

大豆是生产豆油和豆粕的原料，其中豆油主要用于加工食用油，豆粕则是动物饲料中蛋白质的主要来源，中国作为一个拥有14亿人口的国家，对大豆的需求量十分巨大，仅靠国产的大豆产量难以满足需求。自2000年以来，中国对大豆需求量大大增加，截至2018年底，中国大豆资源的消耗占全球的29.7%，达到1.01亿吨。因此大豆储备值的合理与否对国内的粮油产业和经济社会稳定有着深刻的关联。为了满足国内的大豆需求以及稳定大豆市场的价格，建立一个合理的大豆储备预警系统是十分必要的。

近年来，由于大数据及遥感技术的发展，在获取粮油数据方面的能力得到了很大的提升，与传统的粮油数据获取相比具有低成本、高时效、客观性等特点，这为本发明对大豆储值预警提高强大的数据技术支撑。通过对大豆储备数据的研究分析，本发明发现影响大豆储量的因素并不是单一化的，而是更加多样化的，且不同因素之间并非离散的而是互相影响的。因此，农业大数据的快速发展将把粮食储备管理和监测预警系统的发展推向一个新的水平。

传统的预警算法类似于进化算法、机器学习算法等在处理大数据样本时难以得到优异的结果。而近年来由于深度学习等神经网络技术得到大力发展，并在计算机视觉、语音识别、疾病预测等领域取得了一系列突破。不同于其他算法，深度学习技术更擅长于处理大数据样本，因此在大数据背景下的大豆预警与深度学习技术相结合，能够取得更加优秀的预警结果。通过对收集的大豆储备数据集预处理发现，大豆数据属于序列数据集，且与时间序列密切相关。而在深度学习技术中，循环神经网络算法具有有限的短期记忆的特点，对时序数据的处理能力要远超于其他神经网络算法。因此本发明对大豆储备的预警分析选择循环神经网络算法。

深度学习(Deep Learning)算法渐渐成为人工智能热点研究领域。因此如何改进深度学习算法，优化现有算法的性能是众多学者一直致力于解决的问题。其中激活函数可以将非线性因素引入深度神经网络中，以此模拟非线性函数使得神经网络可以任意逼近任何非线性函数，这样神经网络就可以应用到众多的非线性模型中，大大的提高了模型的泛化能力。

由于激活函数的重要性，众多学者通过对神经网络的研究，提出了多种不同类型的激活函数。例如Sigmoid，Tanh，ReLU等经典激活函数以及其改进结构。然而至今为止，对激活函数研究还没有明确的指导性原则。

本发明提出一种全新的混合激活函数AReLU(Arctan-ReLU, AReLU)，它混合了Arctan函数的负半轴并结合ReLU激活函数的正半轴，同时通过自训练参数化的方法，扩大其负半轴非饱和区间，在一定程度上避免了负半轴出现的死亡神经元问题，同时加快了算法的收敛速度。最后将AReLU激活函数应用在本发明的大豆储备预警算法中，优化了算法的性能，实现了对大豆储值80%以上的预测精度，得到了良好的预警结果。

发明内容

针对提出的问题，本发明设计并实现一种基于改进RNN的大豆储备预警方法。

设计的重点和优点主要在于：

(1)提出一种新的自适应混合激活函数AReLU优化LSTM的性能，通过自适应训练扩大反正切函数Arctan的非饱和区，同时在正半轴与现行的ReLU激活函数相组合；