[發明專利]基于滾動BP神經網絡的溫室小氣候中長期預測方法

有效

• 申請號: 201710426571.5
• 申請日: 2017-06-08
• 公開（公告）號: CN107180261B
• 公開（公告）日: 2020-03-17
• 發明（設計）人: 任守綱;劉鑫;顧興健;徐煥良
• 申請（專利權）人: 南京農業大學
• 主分類號: G06N3/08
• 分類號: G06N3/08;G06N3/12;G06Q10/04
• 代理公司: 南京天華專利代理有限責任公司 32218
• 代理人: 莫英妍;徐冬濤

1.基于滾動BP神經網絡的溫室小氣候中長期預測方法，其特征在于，包括以下步驟：

步驟1：建立初始BP神經網絡f₁，設當前時刻為t，輸入t時刻的溫室內部溫濕度，輸出預測的t+1時刻的溫室內部溫濕度，并得到f₁的網絡參數，具體包括：

步驟1-1：基于無監督學習模型對t時刻的溫室內部溫濕度進行預訓練，抽取輸入數據的特征，并重構后輸出；

步驟1-2：將數據的特征作為BP神經網絡的初始化參數，進行有監督的目標學習，采用改進的局部粒子群優化方法結合遺傳算法優化該BP神經網絡的權重和閾值參數；

步驟1-2-1：將種群分為兩個子群，在spmd并行結構中同時進行計算，初始化種群速度和位置、學習率C₁和C₂、慣性權重；

步驟1-2-2：將次數低于平均值的粒子次數清零，全局最優賦給子群全局最優，即badNum[N]＝0,P_Lg＝P_g，badNum為粒子次數，N為次數低于平均數的粒子編號，P_Lg為子群全局最優，P_g為全局最優；

步驟1-2-3：更新粒子的速度和位置：

v_i(t+1)＝ωv_i(t)+c₁r₁(p_avg-x_i(t))+c₂r₂(p_Lg-x_i(t))，x_i(t+1)＝x_i(t)+v_i(t+1)，其中，i＝1，2，…，N，t為當前迭代次數，ω是慣性權重，c1、c2是加速因子，r1、r2是[0，1]區間的隨機數，v_i(t)為粒子原速度，v_i(t+1)為更新后的粒子速度，p_avg為個體極值中心點，p_Lg為每個子群的全局最優位置，x_i(t)為粒子原位置，x_i(t+1)為更新后的粒子位置；

步驟1-2-4：引入交叉算子，若產生的隨機數小于交叉概率P_C，則兩個子群執行交叉操作：x_ik＝p_Lg1k，x_jl＝p_Lg2l，其中，x_ik為第一個子群中第i個粒子位置的第k維元素，p_Lg1k為第一個子群全局最優位置的第k維元素，x_jl為第二個子群中第j個粒子位置的第l維元素，p_Lg2l為第二個子群全局最優位置的第l維元素，i、j＝1，2，…，N/2且i≠j，k∈[(IN+1)*HN+1，D]，l∈[1，(IN+1)*HN]，IN為神經網絡的輸入層神經元個數，HN為隱藏層神經元個數，D為粒子的維度，并計算每個粒子的適應度J(i)，若隨機數大于交叉概率P_C，則不進行任何操作；

步驟1-2-5：更新局部最優P_i，若更新后的粒子位置優于原來的粒子位置，則將新粒子位置作為該粒子的P_i，并作為本次迭代中的全局最優P_Lg，更新個體機制中心點P_avg，計算每個子群平均適應度fit_avg，若更新后的粒子位置未優于原來的粒子位置，則不進行任何操作；

步驟1-2-6：引入變異算子，若J(i)＜fit_avg，則令badNum(i)+1，若badNum(i)≥badNumLimit，則隨機初始化粒子的位置和速度：x_id＝a+(b-a)*rand，v_id＝m+(n-m)*rand，其中d＝1，2，…，D，a和b是限定粒子的最小和最大位置，m和n是限定粒子的最小和最大速度，rand為[0,1)之間的均勻隨機數；

步驟1-2-7：判斷是否達到預設的內部迭代次數，若是，則比較兩子群的子群最優，獲得全局最優，若否，則轉步驟1-2-3；

步驟1-2-8：判斷是否達到最大迭代次數或滿足gbest(n)-gbest(n-4)<＝0.0001，若是，則停止迭代，若否，則轉步驟1-2-2；

步驟1-3：采用最優權重和閾值參數建立初始BP神經網絡f₁，輸出預測的t+1時刻的溫室內部溫濕度；

步驟2：建立滾動的BP神經網絡群，包括n-1個神經網絡f_n，每個神經網絡f_n包含訓練集train_X_n和測試集test_X_n，相鄰兩個神經網絡的訓練集和測試集之間均相隔一個時刻，其中，train_X_n表示t+n-1時刻的訓練集，test_X_n表示t+n-1時刻的測試集，n≥2；

步驟3：利用train_X_n和網絡參數結合梯度下降法訓練f_n模型，訓練完成后，再將train_X_n輸入到f_n模型中，輸出模擬結果train_Y_n；將test_X_n輸入到f_n模型中，輸出預測結果test_Y_n；

步驟4：令n＝n+1，轉到步驟3。