一种利用复合极限学习机神经网络控制温室环境方法与流程

本发明涉及一种控制温室环境方法，特别是涉及一种利用复合极限学习机神经网络控制温室环境方法。

背景技术

在农作物的生长过程中，温度、湿度、光照强度、co2浓度等因素是影响农作物生长的关键因素，为避免上述参数的较大波动对农作物生长造成较大影响，提高农作物的产量与质量，需要将农作物种植在温室环境中并对上述参数加以控制。我国传统温室大棚生产过程需要大量劳动人员参与，依靠经验管理，不仅占用大量的劳动力资源，而且环境参数的变化的农作物的生长仍然影响很大。因此，有必要对温室大棚内的温度、湿度、co2浓度等温室环境参数进行精确实时控制，使植物始终生长在最佳的环境参数范围之内。

目前，对于温室环境参数控制的方法很多，但大多存在着控制精度还不够高，控制效果不够理想等问题。基于复合极限学习机网络的温室环境智能控制方法，将复合极限学习机神经网络应用于温室环境控制，控制精度较高，控制效果较好。

技术实现要素：

本发明的目的在于提供一种利用复合极限学习机神经网络控制温室环境方法，该方法通过采集农作物生长的现场环境参数，并和农作物生长的标准环境参数作比对，建立依据作物生长的复合极限学习机网络控制算法；实现对温室环境参数进行精确控制。

本发明的目的是通过以下技术方案实现的：

一、样本数据的搜集

根据农业专家所提供的某种农作物生长的经验数据，包括农作物不同的生长时期所需要的光照强度、土壤温度、土壤湿度、空气温度、空气湿度、二氧化碳浓度数据。再通过实验，获得农作物在不同的生长时期的实际光照强度与经验光照强度的偏差、实际土壤温度与经验土壤温度的偏差、实际土壤湿度与经验土壤湿度的偏差、实际空气温度与经验空气温度的偏差、实际空气湿度与经验空气湿度的偏差、实际二氧化碳浓度与经验二氧化碳浓度的偏差；并根据实验，得到对应不同的光照强度偏差数据、土壤温度偏差数据、土壤湿度偏差数据、空气温度偏差数据、空气湿度偏差数据、二氧化碳浓度偏差数据下的水帘控制调节量、风扇控制调节量、补光灯控制调节量、散热器控制调节量、遮阳板控制调节量、放风电机控制调节量。在所获得的这些数据中，将农作物生长的不同时间和对应各个时间点的光照强度偏差数据、土壤温度偏差数据、空气温度偏差数据、空气湿度偏差数据、二氧化碳浓度偏差数据作为极限学习机网络的输入样本数据；将不同时间的各个偏差数据对应的水帘控制调节量、风扇控制调节量、补光灯控制调节量、散热器控制调节量、遮阳板控制调节量、放风电机控制调节量作为极限学习机网络的样本输出数据。

二、样本数据的归一化处理

将采样数据归一化到[0,1]区间内为：

其中，为第个经过归一化处理后的采样数据，为r个采样数据的最小值，为r个采样数据的最大值。将归一化处理后的r个样本数据分别用于对各神经网络进行训练。

三、建立极限学习机网络控制模型

极限学习机网络由输入层、隐含层和输出层组成。输入层变量为，，分别对应的参数为农作物已生长时间、光照强度偏差、土壤温度偏差、土壤湿度偏差、空气温度偏差、空气湿度偏差、二氧化碳浓度偏差；隐含层有l个节点数；输出层有6个节点，分别对应的控制参数为水帘控制调节量、风扇控制调节量、补光灯控制调节量、散热器控制调节量、遮阳板控制调节量、放风电机控制调节量。

极限学习机网络的输出记为，，，表示最大采样次数。表示第次采样的第个参数值。

极限学习机网络的算法过程如下：

取训练集，其中为第j个输入样本数据，为第j个输出样本数据，选择激活函数为。

（1）确定隐含层神经元个数l；

（2）随机生成输入层至隐含层的权值和隐含层各个神经元阈值；

（3）计算隐含层输出矩阵

（4）计算网络隐含层至输出层的权值,

当为非奇异时，

当为非奇异时，

四、建立bp神经网络控制模型

bp神经网络由输入层、隐含层和输出层组成。输入层变量为，分别对应的参数为作物已生长时间、光照强度偏差、土壤温度偏差、土壤湿度偏差、空气温度偏差、空气湿度偏差、二氧化碳浓度偏差；隐含层有m个节点数；输出层有6个节点，分别对应的控制参数为水帘控制调节量、风扇控制调节量、补光灯控制调节量、散热器控制调节量、遮阳板控制调节量、放风电机控制调节量。

bp神经网络算法过程如下：

取训练集，其中为第j个输入样本数据，为第j个输出样本数据，选择激活函数为。

三层bp神经网络中，输入向量，各个隐含层神经元输出为，，输入层至隐含层的权值矩阵为：，其中列向量为隐含层第j个神经元对应的权向量，隐含层至输出层的权值矩阵为，其中列向量为隐含层第k个神经元对应的权向量。输出层输出向量为对于bp神经网络的输出层，有

对于bp神经网络的隐含层，则有：

bp网络训练过程如下：

（1）确定隐含层神经元个数；

（2）随机生成权值矩阵v和w；

（3）输入训练样本集，计算实际输出和期望输出的误差，从输出层开始向前计算权值与阈值对误差的梯度，基于梯度下降法修正权值和阈值。重复以上两过程，直到误差达到设定范围或训练达到设定迭代次数结束。

五、建立复合极限学习机网络控制模型

本发明将极限学习机网络模型和bp神经网络模型组合在一起，构成复合极限学习机网络控制模型。复合极限学习机网络控制模型的总输出是各神经网络输出的加权和，即：

其中x为复合极限学习机网络的输入数据矩阵，为复合极限学习机网络输出向量，为复合极限学习机网络的预测模型，为组合网络个数，为第个单网络预测模型，为第个单网络的非负加权系数向量，，满足归一性，即：。

本发明对于各权系数的确定采用等权值分配法，即。

六、利用复合极限学习机网络控制模型对温室环境进行控制

将所求得的各个神经网络的加权系数带入复合极限学习机网络模型，当复合极限学习机网络模型输入为农作物已生长时间、光照强度偏差、土壤温度偏差、土壤湿度偏差、空气温度偏差、空气湿度偏差、二氧化碳浓度偏差，利用该复合极限学习机网络控制模型即可计算出水帘控制调节量、风扇控制调节量、补光灯控制调节量、散热器控制调节量、遮阳板控制调节量、放风电机控制调节量；对水帘控制调节量、风扇控制调节量、补光灯控制调节量、散热器控制调节量、遮阳板控制调节量、放风电机控制调节量各数值进行反归一化处理后，便可得到温室控制参数。

本发明的有益效果：本发明将极限学习机网络和bp神经网络相结合，应用于温室环境参数的控制中，依据农作物生长的规律，实现了对温室环境参数的智能控制，从而实现了对温室农作物生长环境的精确控制，提高了温室农作物的产量和品质。

附图说明

图1为本发明极限学习机网络控制模型拓扑结构图；

图2为本发明bp网络控制模型拓扑结构图；

图3为本发明复合极限学习机网络模型拓扑结构图。

具体实施方式

下面将结合具体的实施例来对本发明内容作进一步的说明。

图1表示了极限学习机网络控制模型拓扑结构；图2表示了bp网络控制模型拓扑结构；图3表示了复合极限学习机网络模型拓扑结构。

一、样本数据的搜集

根据农业专家所提供的某种农作物生长的经验数据，包括农作物不同的生长时期所需要的光照强度、土壤温度、土壤湿度、空气温度、空气湿度、二氧化碳浓度数据。再通过实验，获得农作物在不同的生长时期的实际光照强度与经验光照强度的偏差、实际土壤温度与经验土壤温度的偏差、实际土壤湿度与经验土壤湿度的偏差、实际空气温度与经验空气温度的偏差、实际空气湿度与经验空气湿度的偏差、实际二氧化碳浓度与经验二氧化碳浓度的偏差；并根据实验，得到对应不同的光照强度偏差数据、土壤温度偏差数据、土壤湿度偏差数据、空气温度偏差数据、空气湿度偏差数据、二氧化碳浓度偏差数据下的水帘控制调节量、风扇控制调节量、补光灯控制调节量、散热器控制调节量、遮阳板控制调节量、放风电机控制调节量。在所获得的这些数据中，将农作物生长的不同时间和对应各个时间点的光照强度偏差数据、土壤温度偏差数据、空气温度偏差数据、空气湿度偏差数据、二氧化碳浓度偏差数据作为极限学习机网络的输入样本数据；将不同时间的各个偏差数据对应的水帘控制调节量、风扇控制调节量、补光灯控制调节量、散热器控制调节量、遮阳板控制调节量、放风电机控制调节量作为极限学习机网络的样本输出数据。本实施例中共得到60组输入采样数据，见如下表1所示：

表1

其中作物已生长时间（单位：天）、光照强度偏差（单位：lux）、土壤温度偏差(单位：度)、土壤湿度偏差（单位：%rh）、空气温度偏差（单位：度）、空气湿度偏差（单位：%rh）、二氧化碳浓度偏差（单位：ppm）。本实施例中共得到60组输出采样数据，见如下表2所示：

表2

二、样本数据的归一化处理

将采样数据归一化到[0,1]区间内为：

其中，为第个经过归一化处理后的采样数据，为60个采样数据的最小值，为60个采样数据的最大值。将归一化处理后的60个样本数据分别用于对各神经网络进行训练。

三、建立极限学习机网络控制模型

极限学习机网络由输入层、隐含层和输出层组成。输入层变量为，分别对应的参数为作物已生长时间、光照强度偏差、土壤温度偏差、土壤湿度偏差、空气温度偏差、空气湿度偏差、二氧化碳浓度偏差；隐含层采用17个节点构成；输出层有6个节点，分别对应的控制参数为水帘控制调节量、风扇控制调节量、补光灯控制调节量、散热器控制调节量、遮阳板控制调节量、放风电机控制调节量。用上述归一化处理后的60组数据作为样本数据，

按上述极限学习机网络的训练过程，得到极限学习机网络控制模型。

四、建立bp神经网络控制模型

bp神经网络由输入层、隐含层和输出层组成。输入层变量为，分别对应的参数为作物已生长时间、光照强度偏差、土壤温度偏差、土壤湿度偏差、空气温度偏差、空气湿度偏差、二氧化碳浓度偏差；隐含层有15个节点；输出层有6个节点，分别对应的控制参数为水帘控制调节量、风扇控制调节量、补光灯控制调节量、散热器控制调节量、遮阳板控制调节量、放风电机控制调节量。

用上述归一化处理后的60组数据作为样本数据，用上述的bp神经网络算法，对于bp神经网络的隐含层，

对于bp神经网络的输出层，有

设定训练误差为0.01，采用梯度下降法训练bp神经网络，最后得到bp神经网络控制模型。

五、建立复合极限学习机网络控制模型

将上述所训练的极限学习机网络模型和bp神经网络模型的组合成复合极限学习机网络控制模型，复合极限学习机网络控制模型总输出是上述所训练的极限学习机网络和bp神经网络输出的加权和，即：

本实施例中取值为2，权系数。

六、利用复合极限学习机网络控制模型对温室环境进行智能控制

本实施例中，利用所建立的复合极限学习机网络模型对温室的光照强度、土壤温度、土壤湿度、空气温度、空气湿度、二氧化碳浓度进行控制，随机选取10组复合极限学习机网络控制模型控制结果，控制误差如下表3：

表3

作为比对，再用极限学习机网络模型对温室的光照强度、土壤温度、土壤湿度、空气温度、空气湿度、二氧化碳浓度进行控制，随机选取10组极限学习机网络控制模型控制结果，控制误差如下表4：

表4