[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

本發明提出一種基于滾動BP神經網絡的溫室小氣候中長期預測方法，根據預測時間，每個時刻構建一個BP神經網絡，最終形成一個滾動的BP神經網絡群，本方法運行包括兩個階段，首先采用自動編碼器進行無監督學習獲得良好的初始網絡參數，再利用改進的局部粒子群優化方法優化該網絡參數，建立初始BP神經網絡；然后在初始BP神經網絡的基礎上，將前一個網絡的輸出作為后一個網絡的部分輸入進行滾動訓練和預測。本發明能夠較準確地預測不同季節不同地域下的溫室中長期環境變化趨勢，并有效提高溫室小氣候的預測精度。

技術領域

本發明屬于設施農業環境預測領域，尤其是一種基于滾動BP神經網絡的溫室小氣候中長期預測方法。

背景技術

溫室的高效生產依賴于適宜的溫室小氣候環境，建立高精度的溫室小氣候中長期預測模型對實現溫室環境優化調控具有重要意義。目前溫室中常用的閾值調控法雖然簡單易行，但能耗高、系統穩定性差。基于比例-積分-微分(Proportion-Integral-Derivative，PID)控制器和模型預測控制(Model Predictive Control，MPC)等自動控制方法，可靠性高、能耗較低，但需要提前預測多個時段的環境參數。溫室小氣候模擬模型主要分為兩類：一是機理模型，其參數較難確定，不適用于溫室環境控制。二是實驗模型，也稱系統辨識，可以對模型參數進行在線調整，以滿足控制的要求。實驗模型中常用的是人工神經網絡模型，由于BP神經網絡簡單且容錯能力強，在溫室小氣候預測中應用最為廣泛。

目前國內外學者針對不同溫室環境建立了基于BP神經網絡的小氣候模擬模型，取得了良好的效果，研究表明人工神經網絡在溫室小氣候環境預測方面切實可行，但這些預測模型多數只能進行單步預測，即短期預測，無法實現中長期預測，不能滿足優化調控的要求。另外，采用BP神經網絡建模具有一定的優勢，但是其也有一些缺陷與不足，如易陷入局部最小值、過分依賴初始權值的選取以及泛化能力差等問題，因此BP神經網絡預測的精度仍有很大的提升空間。以往的很多研究者針對BP神經網絡的缺陷沒有提出改進的方法，僅選取最優的結果展示出來，事實上這些結果在一定程度上并沒有說服力。如何提高BP神經網絡的預測精度，并實現溫室小氣候的中長期預測，值得進一步研究和探討。

發明內容

本發明所解決的技術問題在于提供一種基于滾動BP神經網絡的溫室小氣候中長期預測方法，根據預測時間構建一個滾動的BP神經網絡群，將前一個網絡的輸出作為后一個網絡的部分輸入進行滾動式的訓練和預測，有效提高溫室小氣候的預測精度。

實現本發明目的的技術解決方案為：

基于滾動BP神經網絡的溫室小氣候中長期預測方法，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；

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。