王媛媛

(1.淮陰工學(xué)院計(jì)算機(jī)工程學(xué)院　淮安　223003)(2.江蘇省物聯(lián)網(wǎng)移動(dòng)互聯(lián)技術(shù)工程實(shí)驗(yàn)室　淮安　223003)

?

基于改進(jìn)PSO優(yōu)化RBF神經(jīng)網(wǎng)絡(luò)的溫室溫度預(yù)測(cè)研究*

王媛媛1,2

(1.淮陰工學(xué)院計(jì)算機(jī)工程學(xué)院淮安223003)(2.江蘇省物聯(lián)網(wǎng)移動(dòng)互聯(lián)技術(shù)工程實(shí)驗(yàn)室淮安223003)

摘要論文以溫室內(nèi)外的氣象數(shù)據(jù)為輸入量,以溫室內(nèi)溫濕度等氣象因子為輸出量,使用改進(jìn)PSO算法優(yōu)化的RBF神經(jīng)網(wǎng)絡(luò)構(gòu)建溫室內(nèi)環(huán)境溫濕度的預(yù)測(cè)模型。通過(guò)實(shí)驗(yàn)對(duì)預(yù)測(cè)模型進(jìn)行仿真測(cè)試與性能評(píng)估,驗(yàn)證該方法的可行性和有效性。該模型數(shù)據(jù)獲取方便、所需參數(shù)少、模擬精度高,為溫室內(nèi)極端溫度的預(yù)測(cè)、調(diào)控和管理優(yōu)化提供了科學(xué)依據(jù)。

關(guān)鍵詞RBF神經(jīng)網(wǎng)絡(luò); PSO算法; 預(yù)測(cè)模型; 溫室

Class NumberTP183

1引言

隨著農(nóng)業(yè)總體技術(shù)水平的提高,人們對(duì)農(nóng)產(chǎn)品高品質(zhì)、多樣化的需求越來(lái)越明顯。為了減小一些惡劣自然環(huán)境對(duì)農(nóng)作物生長(zhǎng)的影響,設(shè)施農(nóng)業(yè)在農(nóng)業(yè)產(chǎn)品生產(chǎn)中已被廣泛應(yīng)用,例如可以提高農(nóng)產(chǎn)品的品質(zhì)、產(chǎn)量以及延長(zhǎng)生產(chǎn)季節(jié)的智能連棟溫室建設(shè)逐步向大型化、多樣化方向發(fā)展。溫室內(nèi)的環(huán)境因素,光照強(qiáng)度、空氣溫度、濕度、地溫、風(fēng)力、二氧化碳濃度、土壤濕度等環(huán)境因素對(duì)作物生長(zhǎng)發(fā)育影響較大,尤其對(duì)極端天氣的適應(yīng)性較差,例如溫度過(guò)高引發(fā)高溫?zé)岷?溫度過(guò)低引發(fā)低溫凍害。在滿足高效、節(jié)能和高產(chǎn)的前提下,根據(jù)氣象部門的各類氣象預(yù)報(bào)的要素值分析大棚內(nèi)外氣候的相關(guān)性,模擬和預(yù)測(cè)溫室內(nèi)溫濕度等環(huán)境值的變化趨勢(shì),建立小氣候預(yù)測(cè)模型,合理調(diào)控溫室內(nèi)環(huán)境要素,為作物生長(zhǎng)提供良好的生長(zhǎng)環(huán)境并最大限度地減小作物的病害發(fā)生率,對(duì)可能出現(xiàn)的室內(nèi)極端溫度及時(shí)進(jìn)行早期預(yù)警。

目前,對(duì)于溫室內(nèi)環(huán)境因素理論研究主要有能量和物質(zhì)平衡方程的溫室溫度預(yù)測(cè)模型[1～4],但是該模型復(fù)雜參數(shù)多、結(jié)果誤差較大。史宇攀等[5]使用移動(dòng)最小二乘法預(yù)測(cè)溫度曲線;薛曉平等[6]基于支持向量機(jī)方法建立土壤濕度預(yù)測(cè)模型;鄒學(xué)智[7～9]提出了基于BP人工神經(jīng)網(wǎng)絡(luò)模型預(yù)測(cè)溫室內(nèi)的溫度等環(huán)境因素變化情況,而B(niǎo)P算法存在易限于局部極小值,學(xué)習(xí)過(guò)程收斂速度慢,隱層和隱層節(jié)點(diǎn)數(shù)難以確定等問(wèn)題,優(yōu)化后的BP神經(jīng)網(wǎng)絡(luò)還與網(wǎng)絡(luò)結(jié)構(gòu)、期望誤差等因素有較大關(guān)系。

徑向基函數(shù)(Radial Basis Function,RBF)神經(jīng)網(wǎng)絡(luò)具有收斂速度快、泛化能力、分類能力和非線性映射能力好、結(jié)構(gòu)簡(jiǎn)單[10],RBF神經(jīng)網(wǎng)絡(luò)的優(yōu)勢(shì)使其比誤差反傳算法網(wǎng)絡(luò)模型(Back Propagation,BP)神經(jīng)網(wǎng)絡(luò)更有優(yōu)勢(shì),在諸多領(lǐng)域的應(yīng)用優(yōu)勢(shì)將逐步替代BP神經(jīng)網(wǎng)絡(luò)。目前,RBF神經(jīng)網(wǎng)絡(luò)已經(jīng)成功地用于模式識(shí)別、信息處理、圖像處理、系統(tǒng)建模、控制和故障診斷等領(lǐng)域[11～13]。但RBF神經(jīng)網(wǎng)絡(luò)仍存在如預(yù)測(cè)精度需要進(jìn)一步提高,隱層基函數(shù)中心、合適的隱層節(jié)點(diǎn)的節(jié)點(diǎn)數(shù)目、中心和寬度不容易在實(shí)際系統(tǒng)中選定等問(wèn)題。為了提高RBF人工神經(jīng)網(wǎng)絡(luò)訓(xùn)練的性能,國(guó)內(nèi)外的研究者用粒子群優(yōu)化(Particle Swarm Optimization,PSO)算法優(yōu)化RBF神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)以及網(wǎng)絡(luò)權(quán)值等參數(shù)[14～17]。

因此,本文基于氣象天氣預(yù)報(bào)數(shù)據(jù),以溫室內(nèi)外主要?dú)庀蟓h(huán)境參數(shù)作為輸入變量,使用改進(jìn)的PSO算法優(yōu)化RBF神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)和預(yù)測(cè)精度,以此模型預(yù)測(cè)溫室內(nèi)外溫濕度變化情況進(jìn)行了模擬與預(yù)測(cè),指導(dǎo)農(nóng)戶在室內(nèi)溫度過(guò)高或過(guò)低時(shí)合理調(diào)控加熱、保溫、遮陽(yáng)和通風(fēng)裝置,避免經(jīng)濟(jì)損失。為研究溫室內(nèi)環(huán)境因素、環(huán)境管理與調(diào)控措施提供科學(xué)依據(jù),為作物的高質(zhì)、高產(chǎn)提供理論基礎(chǔ)。最后利用觀測(cè)數(shù)據(jù)仿真實(shí)驗(yàn),證明本算法在可行性與有效性方面有較大提高。

2建立預(yù)測(cè)模型

2.1RBF神經(jīng)網(wǎng)絡(luò)

RBF神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)一般包含輸入層、隱含層和神經(jīng)網(wǎng)絡(luò)的輸出層[11]。RBF神經(jīng)網(wǎng)絡(luò)將復(fù)雜的非線性問(wèn)題轉(zhuǎn)化為高維特征空間,使問(wèn)題轉(zhuǎn)化為線性可分,避免了局部最小的問(wèn)題,需要更多的隱層神經(jīng)元。RBF神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)如圖1所示。

在圖1中,X=(x1,x2,…,xm)T為訓(xùn)練樣本的輸入向量,m為輸入樣本總數(shù),對(duì)應(yīng)的實(shí)際輸出為Yn(n=1,2,…,N),圖中m、n以及i的值可以不同;基函數(shù)φ(X,ti)為第i個(gè)隱層輸出函數(shù);wi為第i個(gè)隱含層與輸出單元間的權(quán)值。

圖1　RBF神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)圖

2.2改進(jìn)PSO算法優(yōu)化RBF神經(jīng)網(wǎng)絡(luò)

RBF神經(jīng)網(wǎng)絡(luò)需要優(yōu)化的三個(gè)參數(shù):基函數(shù)中心φ(X,ti)、寬度σi、隱層與輸出層間權(quán)值ωij,對(duì)這三個(gè)參數(shù)的優(yōu)化對(duì)RBF神經(jīng)網(wǎng)絡(luò)模型的預(yù)測(cè)精度非常重要,優(yōu)化這三個(gè)參數(shù)的常見(jiàn)算法主要有正交最小二乘法(OLS)、K均值算法、PSO算法、遺傳算法以及蟻群算法等[18]。

由于PSO算法具有較強(qiáng)的全局搜索能力、實(shí)現(xiàn)原理簡(jiǎn)單等優(yōu)點(diǎn)[18],本文使用PSO算法對(duì)RBF模型中的三個(gè)重要的學(xué)習(xí)參數(shù)進(jìn)行尋優(yōu),但是PSO是一種全局優(yōu)化算法,數(shù)據(jù)集的訓(xùn)練需要的時(shí)間比較長(zhǎng),且容易陷入局部極小。要獲得RBF中最優(yōu)的參數(shù),需要在傳統(tǒng)的PSO算法基礎(chǔ)上進(jìn)行改進(jìn),以提高標(biāo)準(zhǔn)算法的尋優(yōu)能力。傳統(tǒng)PSO算法是通過(guò)以下的兩個(gè)數(shù)學(xué)公式不斷地更新訓(xùn)練集中粒子速度以及位置的取值[16]:

Vid(t+1)=ωVid+c1*Rnd1(0,1)*(Pid-xid(t))

+c2*Rnd2(0,1)*(Pgd-xid(t))

(1)

xid(t+1)=xid(t)+Vid(t+1)

(2)

式(1)中Vid和xid是第i個(gè)粒子的速度及位置,Pid和Pgd是粒子i及種群的歷史最優(yōu)位置,ω是慣性權(quán)重;c1、c2是加速度學(xué)習(xí)因子,取值非負(fù),最終達(dá)到最優(yōu)狀態(tài);滿足以下條件-xmax≤xi≤xmax,-Vmax≤Vi≤Vmax;c1*Rnd1(0,1)*(Pi-xi)是粒子的學(xué)習(xí)能力;c2*Rnd2(0,1)*(Gi-xi)表示不同粒子間的協(xié)作。

在PSO算法中粒子是通過(guò)Pid和Pgd兩個(gè)參數(shù)進(jìn)化的,在算法后期為了避免粒子陷入局部最優(yōu),并提高其他粒子在新區(qū)域搜索的能力,本算法在式(1)中增加一個(gè)高斯(0,1)分布的隨機(jī)變量ε,在算法后期重新計(jì)算參數(shù)Pgd:

Pgd(k)=Pgd(k)(0.5ε+1)

(3)

在式(2)中添加二次隨機(jī)搜索因子η,即若粒子尋優(yōu)到新位置不如當(dāng)前位置,將在原位置開(kāi)始下一次尋優(yōu),否則新位置是下一次尋優(yōu)的起始位置,公式如下:

xid(t+1)=xid(t)+η×Vid(t+1)

(4)

其中η=Rnd(0,1)+0.5。

本文使用改進(jìn)的迭代式(3)～(4)優(yōu)化粒子的更新速度和位置,輸出RBF神經(jīng)網(wǎng)絡(luò)核函數(shù)之中的最優(yōu)參數(shù)。

RBF在Matlab中的構(gòu)造函數(shù)是:[net,tr]=newrb(P,T,GOAL,SPREAD,MN,DF),net為網(wǎng)絡(luò)的返回值,tr為訓(xùn)練記錄返回值,網(wǎng)絡(luò)數(shù)據(jù)集訓(xùn)練時(shí),newrb自適應(yīng)增加隱層節(jié)點(diǎn)的數(shù)量,直到滿足目標(biāo)誤差的要求。構(gòu)造函數(shù)中P為R×Q輸入向量(R是輸入變量的數(shù)目,Q為訓(xùn)練樣本數(shù)),T為S×Q目標(biāo)分類向量組成的輸出數(shù)據(jù)矩陣(S是輸出類別數(shù)),GOAL是目標(biāo)誤差,SPREAD為擴(kuò)展速度,MN為神經(jīng)元最大數(shù)目,DF為迭代要添加的隱層神經(jīng)元數(shù)。訓(xùn)練newrb函數(shù)每次循環(huán)產(chǎn)生一個(gè)神經(jīng)元,神經(jīng)元的增加都一定程度減少誤差,當(dāng)誤差小于預(yù)期的誤差或隱層神經(jīng)元個(gè)數(shù)達(dá)到最大值時(shí)訓(xùn)練可以停止神經(jīng)元的增加。使用最小誤差函數(shù)E為網(wǎng)絡(luò)的目標(biāo)評(píng)價(jià)函數(shù)[19],可以降低異常點(diǎn)誤差,其中di是網(wǎng)絡(luò)的期望輸出:

(5)

3實(shí)驗(yàn)數(shù)據(jù)的采集及模型構(gòu)建

3.1數(shù)據(jù)采集

1) 本文實(shí)驗(yàn)用的溫室外氣象數(shù)據(jù)取自溫室外氣象儀,采集間隔為0.5h,采集的參數(shù)主要有:室外溫度、室外相對(duì)濕度、氣壓、風(fēng)速、風(fēng)向、露點(diǎn)、光照強(qiáng)度以及土壤溫度等。

溫室內(nèi)氣象數(shù)據(jù)的采集主要使用無(wú)線智能傳感器,采集的主要參數(shù)有:溫室室內(nèi)溫度、室內(nèi)相對(duì)濕度、地表溫度、土壤溫度、土壤濕度、溫室CO2濃度,采集頻率為1次/10分鐘,實(shí)驗(yàn)所有數(shù)據(jù)的采集時(shí)間為2015年5月。

使用采集的500組數(shù)據(jù)進(jìn)行實(shí)驗(yàn)測(cè)試,優(yōu)化RBF模型的輸入神經(jīng)元是溫室外溫度、濕度、氣壓、光照強(qiáng)度、風(fēng)速、風(fēng)向、溫室CO2濃度;輸出神經(jīng)元是溫室內(nèi)溫度和濕度。從中選取350組數(shù)據(jù)作為訓(xùn)練數(shù)據(jù),150組數(shù)據(jù)作為測(cè)試數(shù)據(jù)。

2) 使用C8051F020單片機(jī)讀取無(wú)線傳感器數(shù)據(jù),并對(duì)獲取的數(shù)據(jù)進(jìn)行預(yù)處理及修正,再將數(shù)據(jù)傳給嵌入式網(wǎng)關(guān)。例如,無(wú)線傳感器采集到的數(shù)據(jù)可能存在一些人為因素將導(dǎo)致不良偏極值的數(shù)據(jù),因此在數(shù)據(jù)預(yù)處理時(shí)直接刪除這類異常數(shù)據(jù)。將預(yù)處理后的數(shù)據(jù)按照式(6)進(jìn)行歸一化處理。

(6)

其中,Xmax和Xmin為輸入樣本的最大值和最小值。

3) 使用2.2節(jié)所述的改進(jìn)PSO算法優(yōu)化RBF神經(jīng)網(wǎng)絡(luò)的參數(shù)φ(X,ti)、σi和ωij,構(gòu)造出N個(gè)RBF神經(jīng)網(wǎng)絡(luò)弱預(yù)測(cè)器,最后利用AdaBoost算法通過(guò)不斷調(diào)整權(quán)值獲取由多個(gè)弱預(yù)測(cè)器生成的強(qiáng)預(yù)測(cè)器。AdaBoost是一種迭代算法,在同一訓(xùn)練集中訓(xùn)練不同的弱分類器,再將多個(gè)弱分類器構(gòu)造成強(qiáng)分類器,其分類性能更好。使用PSO對(duì)RBF參數(shù)進(jìn)行尋優(yōu)可生成多個(gè)類型不同的RBF弱預(yù)測(cè)器,本文使用AdaBoost算法改進(jìn)RBF神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)的算法過(guò)程如圖2所示。

圖2　改進(jìn)PSO算法優(yōu)化RBF模型預(yù)測(cè)算法

3.2構(gòu)建預(yù)測(cè)模型

Step2:樣本數(shù)據(jù)的預(yù)處理及歸一化。

Step3:使用PSO算法優(yōu)化RBF網(wǎng)絡(luò)的三個(gè)參數(shù)(φ,σ,ω),使用N個(gè)不同的RBF神經(jīng)網(wǎng)絡(luò)基函數(shù)生成不同的RBF弱預(yù)測(cè)器。由于PSO尋優(yōu)的結(jié)果可能是多個(gè)弱分類器趨于同質(zhì),使用文獻(xiàn)[20]提出的基于ERBF的訓(xùn)練算法,根據(jù)錯(cuò)分樣本的錯(cuò)誤程度選擇最佳弱分類器[20],從而保證弱分類器具有多樣性,即非同質(zhì)的分類器。

Step4:使用RBF神經(jīng)網(wǎng)絡(luò)訓(xùn)練弱預(yù)測(cè)器,回歸模型:gt(x)→y,t=1,2,…,T。

Step5:調(diào)整訓(xùn)練數(shù)據(jù)的權(quán)重。令βt=εt2,式中Bt為標(biāo)準(zhǔn)化因子:

Step6:輸出強(qiáng)預(yù)測(cè)器:

4實(shí)驗(yàn)與結(jié)果分析

本文使用均方根誤差、絕對(duì)誤差以及回歸狀態(tài)對(duì)模擬值與實(shí)測(cè)值之間的擬合度進(jìn)行分析,檢驗(yàn)預(yù)測(cè)模型的精度。在Matlab中使用數(shù)據(jù)集構(gòu)造的強(qiáng)預(yù)測(cè)器與弱預(yù)測(cè)器預(yù)測(cè)誤差絕對(duì)值如圖3所示,網(wǎng)絡(luò)訓(xùn)練過(guò)程中誤差均方下降曲線如圖4所示,網(wǎng)絡(luò)訓(xùn)練回歸狀態(tài)圖分別如圖5所示。

圖3　預(yù)測(cè)誤差絕對(duì)值圖

圖5　回歸狀態(tài)圖

圖3顯示強(qiáng)預(yù)測(cè)器的整體預(yù)測(cè)誤差更小,效果更好。圖4顯示數(shù)據(jù)集的誤差均方下降曲線收斂速率較快,第18步達(dá)到了最佳的驗(yàn)證效果值0.0194,誤差曲線開(kāi)始平緩下來(lái),誤差值基本沒(méi)有變化,效果更好。從圖5可以看出強(qiáng)預(yù)測(cè)器訓(xùn)練集R=0.95627,驗(yàn)證集R=0.94412,測(cè)試集R=0.941,總體R=0.95219,回歸預(yù)測(cè)結(jié)果好。優(yōu)化后的RBF神經(jīng)網(wǎng)絡(luò)模型可應(yīng)用于溫室內(nèi)溫濕度的模擬,其模擬精度也滿足預(yù)測(cè)要求。

本文分別采用標(biāo)準(zhǔn)RBF、PSO優(yōu)化的RBF強(qiáng)預(yù)測(cè)器中的測(cè)試樣本進(jìn)行預(yù)測(cè),以衡量模型性能的高低,預(yù)測(cè)結(jié)果表明改進(jìn)PSO算法優(yōu)化的RBF強(qiáng)預(yù)測(cè)器具有更好的預(yù)測(cè)結(jié)果,可以明顯改進(jìn)RBF神經(jīng)網(wǎng)絡(luò)預(yù)測(cè)精度。

5結(jié)語(yǔ)

本文在對(duì)溫室外的氣象因子進(jìn)行分析的基礎(chǔ)上,以溫室內(nèi)外氣象因子等參數(shù)為輸入量,以溫室內(nèi)外氣溫、地溫、濕度等氣象因子為輸出量,基于溫室內(nèi)環(huán)境下建立PSO算法優(yōu)化RBF網(wǎng)絡(luò)模型,優(yōu)化調(diào)整權(quán)值和閾值,提高算法的精度和預(yù)測(cè)能力,再將算法嵌入到智能傳感器,構(gòu)建控制系統(tǒng)裝置,構(gòu)建基于神經(jīng)網(wǎng)絡(luò)預(yù)測(cè)預(yù)報(bào)原理的溫室小氣候預(yù)測(cè)模型,模擬溫室內(nèi)小氣候環(huán)境,對(duì)溫室內(nèi)溫度調(diào)控起指導(dǎo)作用,為溫室內(nèi)作物提供合適的生長(zhǎng)環(huán)境。

參 考 文 獻(xiàn)

[1] 王旭東,羅金耀,李小平.塑料大棚環(huán)境的溫濕度預(yù)測(cè)模型研究[J].節(jié)水灌溉,2013,10:23-26.WANG Xudong, LUO Jinyao, LI Xiaoping. Research on temperature and humidity forecasting model of plastic greenhouse[J]. Water Saving Irrigation,2013,10:23-26.

[2] 李元哲,吳德讓,于竹.日光溫室微氣候的模擬與實(shí)驗(yàn)研究[J].農(nóng)業(yè)工程學(xué)報(bào),1994,10(1):130-136.

LI Yuanzhe, WU Derang, YU Zhu. Simulation and experimental study on Microclimate of sunlight greenhouse[J]. Transactions of the Chinese Society of Agricultural Engineering,1994,10(1):130-136.

[3] Wang S J, Zhu S M, Deltour J. Simulation and measurement of tunnel greenhouse climate[J]. Transactions of the CSAE,1997,13(4):139-144.

[4] 鄧玲黎,李百軍,毛罕平.長(zhǎng)江中下游地區(qū)溫室內(nèi)溫濕度預(yù)測(cè)模型的研究[J].農(nóng)業(yè)工程學(xué)報(bào),2004,20(1):263-266.

DENG Lingli, LI Baijun, MAO Hanping. Research on the prediction model of the Yangtze River region greenhouse[J]. Transactions of the Chinese Society of Agricultural Engineering,2004,20(1):263-266.

[5] 史宇攀,郭慶,徐翠鋒.基于移動(dòng)最小二乘法的大棚溫室溫度場(chǎng)分析[J].農(nóng)業(yè)研究與應(yīng)用,2015,2:37-41.

SHI Yupan, GUO Qing, XU Cuifeng. Analysis of temperature field in Greenhouse Based on moving least square method[J]. Agricultural Research and Application,2015,2:37-41.

[6] 薛曉萍,王新,張麗娟.基于支持向量機(jī)方法建立土壤濕度預(yù)測(cè)模型的探討[J].土壤通報(bào),2007,38(3):427-433.

XUE Xiaoping, WANG Xin, ZHANG Lijuan. Discussion on soil moisture prediction model based on support vector machine method[J]. Chinese Journal of Soil Science,2007,38(3):427-433.

[7] 鄒學(xué)智,申雙和,曹雯,等.基于公眾天氣預(yù)報(bào)預(yù)測(cè)塑料大棚逐日極端氣溫[J].氣象科學(xué),2014,34(2):187-192.

ZOU Xuezhi, SHEN Shuanghe, CAO Wen, et al. Forecast of daily extreme temperature in plastic greenhouse based on public weather forecast[J]. Annual Report of CAMS,2014,34(2):187-192.

[8] 金志鳳,符國(guó)槐,黃海靜,等.基于BP神經(jīng)網(wǎng)絡(luò)的楊梅大棚內(nèi)氣溫預(yù)測(cè)模型研究[J].中國(guó)農(nóng)業(yè)氣象,2011,32(3):362-367.

JIN Zhifeng, FU Guohuai, HUANG Haijing, et al. Research on temperature prediction model of red Mei greenhouse based on BP neural network[J]. Chinese Journal of Agrometeorology,2011,32(3):362-367.

[9] 高金花,王巖,羅金耀.大棚氣候的BP神經(jīng)網(wǎng)絡(luò)預(yù)測(cè)模型研究[J].長(zhǎng)春工程學(xué)院學(xué)報(bào)(自然科學(xué)版),2011,12(1):73-75.

GAO Jinhua, WANG Yan, LUO Jinyao. Prediction model of BP neural network for greenhouse climate[J]. Journal of Changchun Institute of Technology(Natural Sciences Edition),2011,12(1):73-75.

[10] Han H, Qiao J. Prediction of activated sludge bulking based on a self-organizing RBF neural network[J]. Journal of Process Control,2012,22(6):1103-1112.

[11] 何世鈞,白凡,周汝雁.基于RBF神經(jīng)網(wǎng)絡(luò)逼近算法的船舶支架減振器擠壓測(cè)試系統(tǒng)[J].計(jì)算機(jī)應(yīng)用與軟件,2014,31(11):97-104.

HE Shijun, BAI Fan, ZHOU Ruyan. RBF neural network approximation algorithm based on the test system of vibration absorber for ship[J]. Computer Applications and Software,2014,31(11):97-104.

[12] 翟華偉,崔立成,張維石.一種新的在線自適應(yīng)混合RBF網(wǎng)絡(luò)學(xué)習(xí)算法[J].小型微型計(jì)算機(jī)系統(tǒng),2014,35(12):2713-2716.

ZHAI Huawei, CUI Licheng, ZHANG Weishi. A new online learning algorithm for hybrid RBF networks[J]. Journal of Chinese Computer Systems,2014,35(12):2713-2716.

[13] 蒙西,喬俊飛,韓紅桂.基于ART的RBF網(wǎng)絡(luò)結(jié)構(gòu)設(shè)計(jì)[J].控制與決策,2014,29(10):1876-1880.

MENG Xi, QIAO Junfei, HAN Honggui. Structure design of RBF network based on ART[J]. Control and Decision,2014,29(10):1876-1880.

[14] 張健,劉定一.一種應(yīng)用PSO優(yōu)化RBF神經(jīng)網(wǎng)絡(luò)的方法[J].計(jì)算機(jī)仿真,2014,31(11):269-272.

ZHANG Jian, LIU Dingyi. Method for optimizing RBF neural network by using PSO[J]. Computer Simulation,2014,31(11):269-272.

[15] 王冬生,李世華,周杏鵬.基于PSO-RBF神經(jīng)網(wǎng)絡(luò)模型的原水水質(zhì)評(píng)價(jià)方法及應(yīng)用[J].東南大學(xué)學(xué)報(bào)(自然科學(xué)版),2011,41(5):1019-1023.

WANG Dongsheng, LI Shihua, ZHOU Xingpeng. Raw water quality evaluation method based on PSO-RBF neural network model and its application[J]. Journal of Southeast University,2011,41(5):1019-1023.

[16] 李界家,李曉峰,片錦香.基于改進(jìn)PSO和模糊RBF神經(jīng)網(wǎng)絡(luò)的退火爐溫控制[J].南京理工大學(xué)學(xué)報(bào),2014,38(3):337-341.

LI Jiejia, LI Xiaofeng, PIAN Jinxiang. Annealing furnace temperature control and improvement of PSO based on fuzzy RBF neural network[J]. Journal of Nanjing University of Science and Technology,2014,38(3):337-341.

[17] 孫立峰,呂楓.基于改進(jìn)PSO的RBF神經(jīng)網(wǎng)絡(luò)在液壓鉆機(jī)故障診斷中的應(yīng)用[J].液壓與氣動(dòng),2014,(11):91-127.

SUN Lifeng, LV Feng. Application of PSO neural network based on improved RBF in fault diagnosis of hydraulic drill rig[J]. Chinese Hydraulics & Pneumatics,2014,(11):91-127.

[18] 王雪松,梁昔明.基于BPSO-RBF神經(jīng)網(wǎng)絡(luò)的網(wǎng)絡(luò)流量預(yù)測(cè)[J].計(jì)算機(jī)應(yīng)用與軟件,2014,31(9):102-105.

WANG Xuesong, LIANG Ximing. Network traffic prediction based on BPSO-RBF neural network[J]. Computer Applications and Software,2014,31(9):102-105.

[19] 彭喜元,王軍,彭宇.一種新型時(shí)間序列多分辨預(yù)測(cè)模型研究[J].電子學(xué)報(bào),2007,35(11):2146-2149.

PENG Xiyuan, WANG Jun, PENG Yu. Research on a novel time series multi resolution prediction model[J]. Chinese Journal of Electronics,2007,35(11):2146-2149.

收稿日期:2016年1月11日,修回日期:2016年2月19日

基金項(xiàng)目:江蘇省高校自然科學(xué)研究面上項(xiàng)目(編號(hào):15KJB520004);江蘇省先進(jìn)制造技術(shù)重點(diǎn)實(shí)驗(yàn)室開(kāi)放基金(編號(hào):HGAMTL-1401);淮安市應(yīng)用研究與科技攻關(guān)(工業(yè))計(jì)劃項(xiàng)目(編號(hào):HAG2014028);淮安市應(yīng)用研究與科技攻關(guān)計(jì)劃項(xiàng)目(編號(hào):HAG2015060);淮陰工學(xué)院科研基金項(xiàng)目(編號(hào):HGC1412)資助。

作者簡(jiǎn)介:王媛媛,女,碩士,講師,研究方向:機(jī)器學(xué)習(xí)、人工神經(jīng)網(wǎng)絡(luò)。

中圖分類號(hào)TP183

DOI:10.3969/j.issn.1672-9722.2016.07.004

Greenhouse Temperature Forecast Based on Improved PSO for Optimizing RBF Neural Network

WANG Yuanyuan1,2

(1. Faculty of Computer Engineering, Huaiyin Institute of Technology, Huai’an223003)(2. Jiangsu Province Networking and Mobile Internet Technology Engineering Laboratory, Huai’an223003)

AbstractBased on the meteorological data and outside greenhouse as input, the greenhouse temperature humidity and other meteorological factors as the output, the prediction model of greenhouse environment temperature and humidity with improved RBF neural network based on improved PSO algorithm. The simulation test and performance evaluation are carried out to verify the feasibility and effectiveness of the proposed method through the experiment. The model is convenient for data acquisition, few parameters and high accuracy, which provides scientific basis for the prediction, regulation and management of extreme temperature in greenhouse.

Key WordsRBF neural network, PSO algorithm, prediction model, greenhouse