[發明專利]一種基于遺傳算法優化的模糊神經網絡溫室溫度預測方法

在審

• 申請號: 202111639593.2
• 申請日: 2021-12-29
• 公開（公告）號: CN114202063A
• 公開（公告）日: 2022-03-18
• 發明（設計）人: 王麗娜;劉錦杰;李雪;戴文彬;張延政;王斌銳
• 申請（專利權）人: 中國計量大學
• 主分類號: G06N3/04
• 分類號: G06N3/04;G06N3/08;G06N3/12;G06N7/02
• 代理公司: 西安銘澤知識產權代理事務所(普通合伙) 61223
• 代理人: 謝歡

本發明公開了一種基于遺傳算法優化的模糊神經網絡溫室溫度預測方法，屬于智能農業技術領域，該方法將遺傳算法優化的初始參數作為模糊神經網絡迭代的起始參數，而將模糊神經網絡訓練完成后進行預測得到的誤差作為目標值返還給遺傳算法進行下一代遺傳，兩種算法交替合作進行網絡訓練的最優參數尋找，在有限的迭代次數和遺傳中能夠找出建立最優預測模型的起始輸入參數，在基于遺傳算法優化的模糊神經網絡模型中輸入區域內氣象站溫度、相對濕度以及累計輻射數據，獲得預測后的溫室溫度。該方法具有較好的預測準確度，可以有效預測溫室溫度，這為溫室環境實現溫度控制提供了一種新思路。

技術領域

本發明涉及智能農業技術技術領域，更具體的涉及一種基于遺傳算法優化的模糊神經網絡溫室溫度預測方法。

背景技術

溫室環境控制系統是一個多耦合、非線性和具備較大滯后性能特性的復雜動態系統，是一種主要應用于計算機的綜合控制技術。其控制的目的最終是為了得到一個理想的利于作物生長的環境。這種技術在資源節約方面可以實現工業化規模生產方式，而且有著優質、高效、低耗等優點，當下溫室智能控制主要采用的方法有:模糊控制、神經網絡和混合控制等。

模糊控制對于所研究的對象并不需要建立精確的數學模型，過度時間短、超調小、響應速度快，而且在調節速度和魯棒性方面優于PID控制，但只能實現粗略控制。采用遺傳算法對模糊控制規則進行優化，模糊控制規則中加入遺傳算法的調控，在避免了優化過程中早熟現象的基礎上提高了優化速率。模糊控制有著模糊邏輯推理能力，而神經網絡強大的學習能力則可避免模糊控制的缺陷，能更好的適應溫室系統的非線性和時變特性。

基于遺傳算法優化的模糊神經網絡溫室溫度預測方法結合了遺傳算法和模糊神經網絡算法的優點，有效解決了模糊神經網絡初始參數的選擇隨機性，從而提高網絡的訓練效率及訓練模型的預測準度。

發明內容

在對現有技術中存在的問題，本發明提出一種基于遺傳算法優化的模糊神經網絡溫室溫度預測方法，這種融合算法擁有較好的預測效果，為溫室溫度預測方法的研究提供了一種新思路。

本發明實施例提供一種基于遺傳算法優化的模糊神經網絡溫室溫度預測方法，包括：

獲取區域內過去一段時間的氣象站溫度、相對濕度以及累計輻射數據；

選取模糊神經網絡模型結構；

根據模糊神經網絡模型結構確定糊神經網絡模型參數；

對糊神經網絡模型參數編碼形成遺傳算法的染色體，并初始化遺傳算法種群個體；

隨機初始化模糊神經網絡模型中的多個起始參數；

對模糊神經網絡模型的多個起始參數進行編碼；

解碼多個起始參數、并賦予模糊神經網絡模型；

利用訓練集對模糊神經網絡模型進行多次迭代訓練，利用測試集對模糊神經網絡模型進行測試，獲取測試誤差；

根據測試誤差計算遺傳算法的適應度值；

根據適應度大小進行遺傳選擇、交叉、變異后，獲得優化后的初始參數；

將優化后的初始參數作為模糊神經網絡模型的起始參數；

經模糊神經網絡模型和遺傳算法的多次交替優化網絡參數后，取最優網絡參數作為模糊神經網絡模型的最終輸入參數、并根據最終輸入參數構建基于遺傳算法優化的模糊神經網絡模型；

在基于遺傳算法優化的模糊神經網絡模型中輸入區域內過去一段時間的氣象站溫度、相對濕度以及累計輻射數據，輸出未來時刻的預測溫室溫度。

進一步，模糊神經網絡模型采用T-S模糊系統，且所述T-S模糊系統包括：

根據模糊規則計算各輸入變量x_j的隸屬度：