孫麗萍，霍然

（東北林業(yè)大學機電工程學院，哈爾濱 150040）

北方蔬菜溫室系統(tǒng)模糊神經網絡控制器的設計

孫麗萍，霍然

（東北林業(yè)大學機電工程學院，哈爾濱 150040）

蔬菜溫室系統(tǒng)對環(huán)境因素的變化能否及時做出精確反應，決定蔬菜的成活率、生長周期。因此，提高溫室系統(tǒng)的控制速率、控制精度對提高溫室系統(tǒng)實用性具有現(xiàn)實意義。文中針對傳統(tǒng)黃瓜溫室系統(tǒng)超調大，精度低等缺點，提出模糊控制與神經網絡相結合的方法，設計模糊神經網絡控制器。建立模糊推理規(guī)則，給出相應的學習算法，并對控制結果進行軟件仿真和試驗驗證。其結果證明該控制器具備推理速度快、魯棒性好等優(yōu)點，可彌補傳統(tǒng)控制器的不足。

智能溫室；模糊控制；神經網絡；MATLAB仿真

本文以黃瓜溫室為例，將模糊控制思想與神經網絡手段相結合，設計模糊神經網絡控制器。應用神經網絡的自學習能力獲取模糊推理規(guī)則，同時具有模糊邏輯和神經網絡的優(yōu)點，提高控制系統(tǒng)的整體性能，為擴大蔬菜產量，提高農業(yè)生產科技貢獻率提供參考。

1 溫室系統(tǒng)結構建立

智能溫室系統(tǒng)突破了傳統(tǒng)理念[2]，采用無人化操作，在傳統(tǒng)溫室的基礎上，結合計算機控制技術、檢測與轉換技術等現(xiàn)代高科技手段，通過控制溫室內鍋爐、加濕器等裝置，實現(xiàn)對系統(tǒng)各因子（如溫度、濕度、二氧化碳濃度、光照強度等）的實時控制。

黃瓜是典型的喜溫、喜濕植物[3]，生育適溫為10～32℃，同時要求土壤的相對持水量為85%～95%。白天適溫較高，約為25～32℃，相對濕度在80%為最優(yōu)；夜間適溫較低，約為15～18℃，相對濕度在90%為最優(yōu)?？梢?，溫、濕度環(huán)境是影響黃瓜生長的兩個決定性因素，是溫室環(huán)境調控中最重要的兩個方面。因此，在系統(tǒng)控制過程中，以溫、濕度作為控制器的輸入變量。將調控溫、濕度的主要裝置作為輸出變量。系統(tǒng)基本結構如圖1所示。

圖1 控制系統(tǒng)基本結構Fig.1 Control system structure

2 模糊神經網絡控制器設計

2.1 模糊控制器設計

模糊控制是以模糊集理論、模糊語言變量和模糊邏輯推理為基礎的一種智能控制方法[4]，該方法以領域內專家總結的培植經驗作為模糊規(guī)則，將由傳感器采集的實時信號模糊化，信號模糊化后作為模糊規(guī)則的輸入，完成模糊推理，最后根據推理后得到的輸出量控制執(zhí)行裝置，達到控制目的。

該系統(tǒng)需確定的語言變量有7個，即輸入量溫度誤差Et、濕度誤差Eh和作用到6個執(zhí)行機構上的輸出量，分別為天窗/側窗u1，遮陽板u2，風機u3，加熱裝置u4及加濕器u5。將輸入變量劃分為7個等級，即{正大（PB），正中（PM），正小（PS），零（ZO），負?。∟S），負中（NM），負大（NB）}。分別表示當前測量值相對于給定值T為：“極小”“很小”“偏小”“正好”“偏大”“很大”和“極大”。輸出變量劃分為5個等級，即{正大（PB），正小（PS），零（ZO），負?。∟S），負大（NB）}。

高斯型隸屬度函數(shù)具有連續(xù)且點點可導等特性[5]，適用于自適應、自學習模糊控制器的隸屬度函數(shù)在線修正。因此，采用高斯型隸屬度函數(shù)。其一般可以寫為：

其中，c為隸屬度函數(shù)的中心值，σ為隸屬函數(shù)的寬度，其初始值憑經驗給出。系統(tǒng)采用量化后的隸屬度函數(shù)進行模糊控制器設計。假設系統(tǒng)e的論域是X，其模糊語言值取為{NB、NM、NS、ZO、PS、PM、PB}。若將這些語言值分別用-3，-2，-1，0，+1，+2，+3七個等級來表示，則有：X={-3，-2，-1,0，+1，+2，+3}。論域[-3，+3]上，精確量可以用模糊子集表示。如果精確量的實際變化范圍是[a，b]需要將[a，b]區(qū)間上的精確量轉化到區(qū)間[-3，+3]上，并記作e*，轉換公式為：

若計算出的值e*不是整數(shù)，可將其歸一化為最接近于e*的整數(shù)值。

本系統(tǒng)設各變量的論域為：

溫度誤差：X1=[-E，+E]=[-3，+3]

濕度誤差：X2=[-E，+E]=[-3，+3]該系統(tǒng)有兩個輸入量，5個輸出量，因此選擇雙輸入5輸出的控制器，其控制規(guī)則可由Fuzzy語句描述：

模糊神經網絡控制器如圖2所示。

圖2 模糊神經網絡控制器Fig.2 Fuzzy-neural network controller

2.2 BP神經網絡的基本結構

神經網絡是模擬人腦思維方式的數(shù)學模型[6]，是基于現(xiàn)代生物學研究人腦組織成果提出的，從微觀結構和功能上對人腦進行抽象和簡化。其結構主要分3部分，即輸入層、隱含層和輸出層。隱含層通過作用函數(shù)執(zhí)行一種固定不變的非線性變化，將輸出空間映像到一個新空間進行輸出層節(jié)點的線性加權組合。就輸入信號而言，要經由輸入層，向前傳遞到隱層節(jié)點。作用函數(shù)作用后，再將隱層節(jié)點的輸出送到輸出層節(jié)點，最后得到輸出結果。BP神經網絡的結構示意圖如圖3所示。

為提高系統(tǒng)的控制精度，采用五層神經網絡。設ui（j），zi（j）分別為第i層、第j個神經元的輸入和輸出，Wi為第i層神經元的連接權值矩陣，n（i）為第i層神經元節(jié)點的個數(shù)[7]。網絡中每一層的作用及節(jié)點的函數(shù)為：

（1）第一層為輸入層，該層負責將輸入量傳遞到下一層，系統(tǒng)有兩個輸入，z1（j）=ui1（j），該層節(jié)點數(shù)n（1）=2。

（2）第二層為模糊化層，即將輸入數(shù)據在各自論域內模糊化為相應的隸屬度值。其節(jié)點數(shù)n（2）= T1n（1）。

式中，T1為輸入變量的模糊化級數(shù)。系統(tǒng)模糊化級數(shù)為7，其節(jié)點數(shù)n（2）=14.由于本系統(tǒng)應用高斯函數(shù)，所以

本層連接權值W2=1

（3）第三層為推理層，完成模糊推理的前件處理，其節(jié)點個數(shù)n（3）=T1n（1）=49，連接權值為1。

（4）第四層的作用是完成推理的后件處理、確定每條規(guī)則的推理結果。該層節(jié)點的個數(shù)為n（4）= T2n（5）。

式中，T2是輸出模糊變量的模糊化級數(shù)。系統(tǒng)有5個輸出，模糊化級數(shù)為5，該層節(jié)點數(shù)n（4）=25。

（5）第五層為輸出層，其節(jié)點數(shù)n（5）=5

圖3 神經網絡Fig.3 Neural network

3 神經網絡學習算法

BP網絡學習算法也稱誤差反向傳播算法[8]，是一類有導師學習算法，用于BP網的權值和閾值學習，使對任何輸入信息皆可得出想要的輸出值。訓練時，先將樣本信息輸入至網絡，由網絡從第一個隱含層起一層一層計算，一直到傳出輸出層，過程中每層神經元僅受下一神經元狀態(tài)的影響。比較輸出值和樣本的期望輸出值，直至滿足要求。當樣本輸入網絡，并產生輸出時，均方誤差為各輸出單元誤差的平方和，即：

依據最速下降法修正網絡的加權系數(shù)，即對加權系數(shù)的負梯度方向搜索調整，并附加一個使搜索快速收斂全局極小的動量項，以減少學習過程中的震蕩。

添加動量項后權值調整公式為：

其中，η為學習率，λ為動量項系數(shù)。學習率的自適應調整公式為：

4 系統(tǒng)仿真研究

根據以上設計思路，采用改進BP神經網絡算法，使用MATLAB7.0對設計的模糊神經網絡控制器進行仿真研究。收斂曲線如圖4、5所示。由圖4可見，經過2 500次迭代后，收斂誤差可達0.009，達到期望誤差值0.01。結果表明，該模糊神經網絡控制器設計合理、可行。達到控制目的[9]。

圖4 誤差訓練曲線Fig.4 Error training curve

圖5 控制器的仿真曲線Fig.5 controller simulation curve

為直觀觀測控制器可行性，將設計的模糊神經網絡控制器與傳統(tǒng)PID控制器的控制效果進行仿真對比。本系統(tǒng)控制器輸入輸出關系通過模糊推理規(guī)則給出。將黃瓜現(xiàn)有條件下最適生長值分別為：最適溫度值25.1℃，最適濕度值66%RH，光照強度值4 000 lx。作為系統(tǒng)給定值，將傳感器采集的溫、濕度作為系統(tǒng)輸入值，實際值與給定值進行對比得出誤差作為仿真系統(tǒng)輸出值[10]。

由圖5可知，模糊神經網絡控制器對系統(tǒng)誤差能夠迅速響應并達到穩(wěn)定狀態(tài)。在相同條件下，比傳統(tǒng)PID控制器調整時間更短、超調更小，且無震蕩、平穩(wěn)性好。表明模糊神經網絡控制器在提高系統(tǒng)動、靜態(tài)性能中表現(xiàn)出的優(yōu)越性。使系統(tǒng)具有節(jié)能、高效等顯著優(yōu)點，具有更高應用價值。

5 控制器應用試驗分析

為檢驗本系統(tǒng)的整體性能，在方正縣試驗基地選擇兩棟相同的鄰近溫室進行編號試驗。I號溫室采用傳統(tǒng)PID控制器，Ⅱ號溫室采用本次設計的模糊神經網絡控制器，將初始溫度統(tǒng)一設為10℃，目標溫度設為25.1℃，采集各溫室內實際溫度值（如表1），并對結果進行對比分析。

表1 試驗監(jiān)測數(shù)據Table 1 Data from experiment

由表1可知，Ⅱ號溫室內溫度一直穩(wěn)定維持在24.5～25.4℃，而Ⅰ號溫室內溫度則在24～25.9℃，波動較大。由此得出，模糊神經網絡控制器相對于傳統(tǒng)PID控制器，超調量較小，控制精度大，達理想控制效果，滿足溫室系統(tǒng)控制要求。

6 結論

本文以黃瓜溫室為例，結合神經網絡容錯性好、泛化能力強及模糊控制魯棒性好優(yōu)點，對智能溫室非線性、復雜大系統(tǒng)進行溫、濕度控制。完成系統(tǒng)控制器和BP神經網絡結構設計，制定模糊推理規(guī)則，給出完整BP網絡改進學習算法，應用MATLAB軟件將模糊神經網絡控制器與傳統(tǒng)PID控制器仿真對比分析，進行現(xiàn)場試驗驗證。結果表明，系統(tǒng)通過神經網絡學習訓練使控制精度提高，具有更強適應性和魯棒性，解決傳統(tǒng)PID超調大、響應速度慢等問題，獲得滿意控制效果，改善了系統(tǒng)整體性能。驗證了系統(tǒng)設計合理性和可行性，可為蔬菜的跨地域、跨季節(jié)種植提供理論依據和技術支持。

[1]蔡自興,John D.Advanced Expert Systems:Principles,Design and Applications[M].北京:科學出版社，2005,1-27.

[2]施彥,韓力群,廉小親.神經網絡設計方法與實例分析[M].北京:北京郵電大學出版社,2009:1-75.

[3]魏海坤.神經網絡結構設計的理論與方法[M].北京:國防工業(yè)出版社,2005:19-36.

[4]劉金琨.智能控制[M].北京:電子工業(yè)出版社,2010,1-27.

[5]劉金琨.先進PID控制MATLAB仿真[M].北京:電子工業(yè)出版社,2011:1-384.

[6]王寶華,付強,馮艷,等.洪災經濟損失快速評估的混合式模糊神經網絡模型[J].東北農業(yè)大學學報,2008:39(6):47-51.

[7]張德豐.MATLAB神經網絡編程[M].北京:化學工業(yè)出版社,2011:2-373.

[8]Cunha J B.Greenhouse climate models:An overview.Proceed?ings of the 5th Congress of the European Federation for Informa?tion technology in Agriculture,Debrecen-Budapest,Hungary,July 5-9,2003[C].Debrecen:Academy Publisher,2003:823-829.

[9]李愚鶴,馬鴻艷,欒非時.補充光照對溫室冬茬黃瓜幼苗生長及生理特性的影響[J].東北農業(yè)大學學報,2005,36(5):584-588.

[10]王立舒,楊廣林,徐向峰,等.日光溫室溫、濕度模糊控制系統(tǒng)研究[J].東北農業(yè)大學學報,2005,36(5):625-627.

Design of fuzzy-neural network control system for northern vegeta?bles greenhouse

SUN Liping,HUO Ran
(School of Mechanical and Electrical Engtreering,Northeast Forest University,Harbin 150040,China)

Whether vegetable greenhouse system can make an accurate reaction on time for the change of environmental factors determine the survival rate and the growth cycle of the vegetables.Therefore,to improve the control rate,control accuracy of the greenhouse system has great realistic significance for the practicability of greenhouse system.This article mainly aimed to traditional cucumber greenhouse system has lots of shortages as large overshoot,low accuracy and so on.Combine fuzzy control with neural network,designed fuzzy-neural network control system,presented the rules of the reasoning,given the corresponding learning algorithm,then proved by simulation that fuzzy-neural network system had high reasoning speed and good robustness,meets the system requirement.

intelligent greenhouse;fuzzy control;neural network;MATLAB simulation

TP273

A

1005-9369（2014）04-0113-05

2013-10-24

國家林業(yè)局科技支撐項目（2006BAD18B0801）

孫麗萍（1958-），女，教授，博士生導師，研究方向為智能檢測與監(jiān)控。E-mail:zdhslp@163.com

時間2014-4-21 13:25:18[URL]http://www.cnki.net/kcms/detail/23.1391.S.20140421.1325.032.html

孫麗萍,霍然.北方蔬菜溫室系統(tǒng)模糊神經網絡控制器的設計[J].東北農業(yè)大學學報,2014,45(4)∶113-117.

Sun Liping,Huo Ran.Design of fuzzy-neural network control system for northern vegetables greenhouse[J].Journal of Northeast Agricultural University,2014,45(4)∶113-117.(in Chinese with English abstract)

中國北方冬季嚴寒，氣候環(huán)境惡劣，導致作物不能自然生長，跨區(qū)供應具有運輸成本高，易腐蔬菜損耗浪費嚴重等缺點。因此，溫室利用尤為重要。智能溫室系統(tǒng)是近年來逐步發(fā)展起來的一種資源節(jié)約型高效農業(yè)發(fā)展技術[1]，其核心控制思想為參照作物最佳生長標準控制溫室內加溫、加濕、通風、遮陽等裝置，人為創(chuàng)造出作物生長的適宜環(huán)境，達到克服環(huán)境不利因素，提高成活率等目的。溫室系統(tǒng)具有多輸入、多輸出、非線性、大時滯等顯著特點，如何克服傳統(tǒng)控制手段控制超調大、魯棒性差、控制精度低等不足，成為亟待解決的研究課題之一。