一种基于遗传BP神经网络的日光温室温度预测方法与流程

本发明涉及一种日光温室温度预测方法，具体地说，涉及一种基于遗传bp神经网络的日光温室温度预测方法。

背景技术：

设施园艺是通过现代农业工程、机械技术和管理技术改善局部环境，可为作物提供适应其生长的温、光、水、气、肥等小气候环境的一种环控产业。我国设施蔬菜栽培面积占世界总面积的90％以上，已经成为我国现代农业的重要组成部分。日光温室是设施生产的主体，它依靠白天日光自然温热和夜间保温设备来营造所需室内温度，可在北方严寒冬季不加温条件下进行反季节蔬菜生产，解决蔬菜周年生产、均衡上市的问题，具有节能、优质、高效的作用。通常日光温室无加温加热设备，主要靠摄取太阳光源增加棚内温度。李永博等提出了基于cfd稳态模拟模型的温室温度场均匀性控制和多指标ga优化控制方法，屈毅等将径向基函数神经网络与pid控制律融合构成神经网络rbf-pid控制器，实现温室温度控制，左志宇等提出采用时序分析法建立温度预测模型，但仅考虑了室内温度单一影响因子。marco指出室内外温度、光照是影响室内温度的主要因素。因此，研究建立温度、光照为输入的室内温度变化趋势预测模型，将为设施小环境的精准高效调控提供理论基础和分析方法，对设施园艺环境调控理论体系的完善具有重要理论意义。

技术实现要素：

本发明的目的在于提供一种基于遗传bp神经网络的日光温室温度预测方法。在分析影响温室小气候环境主要因素的基础上，分别以温室内温度、光照及温室内外温差、光照作为模型输入，构建了基于bp神经网络的温室温度预测模型，并对bp神经网络算法进行改进，采用遗传算法对网络的权值和阈值进行优化，从而建立了基于遗传bp神经网络温室温度预测模型。仿真结果表明，遗传算法优化bp神经网络的预测效果较bp神经网络误差较小，预测精度较高，可以实现对日光温室温度的有效预测。

其具体技术方案为：

一种基于遗传bp神经网络的日光温室温度预测方法，包括以下步骤：

bp神经网络结构确定部分根据拟合函数输入输出参数个数确定bp神经网络结构，进而确定遗传算法个体的长度；系统有2个输入参数，1个输出参数，bp神经网络结构为2-5-1，即输入层有2个节点，隐含层有5个节点，输出层有1个节点，共有15个权值，6个阈值，所以遗传算法个体编码长度为21；从245组输入输出数据中随机选择184组作为训练数据，用于网络训练，61组作为测试数据。把训练数据预测误差绝对值和作为个体适应度值，个体适应度值越小，该个体越优。

进一步，遗传算法参数设置为：进化次数为50次；种群规模n太小时难以求出最优解，太大则增长收敛时间，一般n＝30～160，取种群规模为40，交叉概率pc为0.4；变异概率pm为0.1。

与现有技术相比，本发明的有益效果：

本发明分别以温室内外温差、光照强度和温室内温度和光照作为输入，采用bp神经网络建立了温室温度预测模型，并对其进行优化，建立了基于遗传算法bp神经网络的温室温度预测模型。在分析理解bp神经网络算法和遗传算法思想的基础上，建立了结构为2-5-1的神经网络，通过试验验证可以看出，bp神经网络模拟的平均误差为1.7060，均方根误差为1.6144；遗传算法bp神经网络模拟的平均误差为1.5720，均方根误差为1.4495。两种模型结果表明：bp神经网络对温室温度的模拟效果较好，遗传算法bp神经网络对温室温度的模拟比bp神经网络更稳定，符合实际要求，为面向实际生产的温室控制要求提供了有效的解决方法。

附图说明

图1是bp神经网络结构图；

图2是bp神经网络训练过程；

图3是bp神经网络预测结果；

图4是bp网络训练过程；

图5是bp神经网络预测结果；

图6是遗传算法优化bp神经网络算法流程图；

图7是最优个体适应度值；

图8是遗传bp神经网络预测结果；

图9是遗传bp神经网络预测误差；

图10是遗传bp神经网络预测结果；

图11是遗传bp神经网络预测误差。

具体实施方式

下面结合附图和具体实施方案对本发明的技术方案作进一步详细地说明。

1.基于bp神经网络的温室温度预测模型

1.1bp神经网络

人工神经网络(ann,artifieialneuralnetworks)是对人脑神经系统的模拟而建立起来的。按照连接方式的不同，其结构大致分为层次和网状两大类。bp神经网络是前向反馈网络的一种，也是当前应用最为广泛的一种网络。它采用误差反传算法，输入信息通过输入层经隐含层处理并计算每个单元的实际输出值，若在输出层未能得到期望的输出值，则逐层递归地计算实际输出与期望输出之间的差值(即误差)，以便根据此差值调节权值。基于bp算法的多层前馈型网络的结构如图1所示。

x,o为网络的输入和输出，每个神经元用一个节点表示，网络包含一个输入层和一个输出层，隐含层可以是一层也可以是多层。图中j表示输入层神经元数，i表示隐含层神经元数，k表示输出层神经元数。学习是神经网络的主要特征之一，反向传播算法如下，选取目标函数为：

以误差函数e减少最快方向调整，使网络逐渐收敛。按照梯度下降法得到神经元j到神经元i的t+1次权系数调整值：

误差函数e相对于该式中网络此刻实际输出关系为：

1.2基于bp神经网络温度预测模型的建立

试验数据来源于西安市阎良区西北农林科技大学实验基地(北纬34°35′11″，东经109°08′54″)1号日光温室。传感器测定所需实验数据后5分钟上传并保存一次，最终获取温室内外的空气温度及光辐射强度。本发明以每5分钟得到的温室内外温差和光照强度作为2个输入，以对应的下一时刻的温室内温度作为输出，共获得输入输出数据245组。

本发明拟通过k时刻2组输入(温室内外温差、光照强度)建立1组输出的bp网络模型，确定bp网络的输入量为输入x'＝(x1'，x2')t，输出信号to表示网络计算得到的温室温度值，而每组对应的实测温室温度值为教师信号td。本发明拟采用单隐层结构，采用试差法确定最佳隐含层节点数。网络隐含层神经元传递函数采用s型正切函数，正切函数tansig，输出层传递函数采用线性函数purelin，选取收敛速度最快的trainlm函数为训练函数。表1为不同隐含层节点数bp神经网络预测误差，选取4～8为隐含层节点数范围，将其进行预测比较，由表1可以看出隐含层节点数越大，预测误差越小，预测精度越高。但也不能取太大，因为隐含层节点数对bp神经网络预测精度有较大的影响：节点数太少，网络不能很好地学习，需要增加训练次数，训练的精度也受影响；节点数太多，训练时间增加，网络容易过拟合。对隐含层节点数进行试验，通过比较发现隐含层节点数选为5时预测误差较小，且训练时间较短，故确定隐含层节点数为5，因此本发明bp网络拓扑结构是2-5-1，即输入层有2个节点，隐含层有5个节点，输出层有1个节点。

在245组输入输出数据中按时间顺序选择75％作为训练数据，用于网络训练，25％组作为测试数据，用于测试网络的拟合性能，并对输入输出数据进行归一化处理。先进行以温差和光照强度为输入的bp神经网络预测，训练过程如图2所示，图3到图4为以温差和光照强度为输入的bp神经网络预测结果。

表1不同隐含层节点数bp神经网络预测误差

计算得到预测误差的平均值为1.7060，方差为2.5967，均方差为1.6114，预测误差较小，但是由于训练次数较少，仍然有一些较大的误差。然后以温室内温度和温室外光照强度为输入进行bp神经网络预测，神经网络的参数设置不变，设定训练次数为100，学习效率为0.1，目标误差函数为0.00004。图4为bp网络预测模型的训练过程，bp神经网络的预测结果如图5所示。

可以看出以温室内温度和温室外光照强度为输入时，bp神经网络的预测结果很好，通过计算得到预测误差的平均值为-0.1099，方差为0.0667，均方差为0.2583，预测误差较小，神经网络模型的模拟性能较好。

2.基于遗传bp神经网络的温室温度预测模型

由于bp神经网络算法存在容易陷入局部极小点等缺点，对bp神经网络进行了遗传算法优化。遗传算法(geneticalgorithms)是1962年由美国michigan大学holland教授提出的模拟自然遗传机制和生物进化论而成的一种并行随机搜索最优化方法。它的主要特点之一就是基于群体搜索的策略，它在进化搜索中基本不用外部信息，仅用目标函数即适应度函数为依据。在遗传进化过程中，对未成熟收敛现象，应设法降低某些异常个体的竞争力，这可以通过缩小相应的适应度值来实现。主要分为选择、交叉、变异等操作。

遗传算法优化bp神经网络分为bp神经网络结构确定、遗传算法优化和bp神经网络预测3个部分。具体流程图如图6所示。

其中，bp神经网络结构确定部分根据拟合函数输入输出参数个数确定bp神经网络结构，进而确定遗传算法个体的长度。本发明中系统有2个输入参数，1个输出参数，bp神经网络结构为2-5-1，即输入层有2个节点，隐含层有5个节点，输出层有1个节点，共有15个权值，6个阈值，所以遗传算法个体编码长度为21。从245组输入输出数据中随机选择184组作为训练数据，用于网络训练，61组作为测试数据。把训练数据预测误差绝对值和作为个体适应度值，个体适应度值越小，该个体越优。

遗传算法参数设置为：进化次数为50次；种群规模n太小时难以求出最优解，太大则增长收敛时间，一般n＝30～160，本发明取种群规模为40；交叉概率pc太小时难以向前搜索，太大则容易破坏高适应度值的结构，一般取pc＝0.25～0.75，本发明取为0.4；变异概率pm太小时难以产生新的基因结构，太大使遗传算法成立单纯的随机搜索，一般取pm＝0.01～0.2，本发明取为0.1。遗传算法优化过程中最优个体适应度值变化如图7所示。遗传算法优化得到bp神经网络最优初始权值和阈值，把最优初始权值和阈值赋给神经网络，用训练数据训练184次后预测非线性函数输出，预测结果如图8所示，遗传算法优化的bp神经网络预测输出和期望输出的误差如图9所示。

由图7可以看出，遗传算法bp神经网络对温室温度的预测效果较好，通过计算得到预测误差的平均值为1.5720，方差为2.1011，均方差为1.4495，可以发现遗传算法bp神经网络模型比bp神经网络模型预测误差更小，预测精度更高。然后以温室内温度和光照强度为输入的遗传bp神经网络预测，预测结果如图10所示，遗传算法优化的bp神经网络预测输出和期望输出的误差如图11所示。

本发明分别以室内外温差、温室外光照强度及温室内温度、光照强度作为输入，应用了bp神经网络和遗传bp神经网络进行了温度预测。将以上得到的预测结果得到的误差平均值、误差均方差与误差方差进行比较，列出如表2所示：

表2误差对比结果

由表2可以看出，遗传bp神经网络模型预测误差较bp神经网络模型预测误差更小，误差波动也更小。从测试结果发现两种方法的构建过程可靠性较高。

3.结论

本发明分别以温室内外温差、光照强度和温室内温度和光照作为输入，采用bp神经网络建立了温室温度预测模型，并对其进行优化，建立了基于遗传算法bp神经网络的温室温度预测模型。在分析理解bp神经网络算法和遗传算法思想的基础上，建立了结构为2-5-1的神经网络，通过试验验证可以看出，bp神经网络模拟的平均误差为1.7060，均方根误差为1.6144；遗传算法bp神经网络模拟的平均误差为1.5720，均方根误差为1.4495。两种模型结果表明：bp神经网络对温室温度的模拟效果较好，遗传算法bp神经网络对温室温度的模拟比bp神经网络更稳定，符合实际要求，为面向实际生产的温室控制要求提供了有效的解决方法。

以上所述，仅为本发明较佳的具体实施方式，本发明的保护范围不限于此，任何熟悉本技术领域的技术人员在本发明披露的技术范围内，可显而易见地得到的技术方案的简单变化或等效替换均落入本发明的保护范围内。