递归神经网络大棚温室短序列预测(源码)
1随着社会的进步发展，传统的农业生产模式愈发不能满足人们的需求。新型农业设施—温室大棚，有着不限于时间空间的优点，广泛的应用于各种环境下的农业生产。而相较于传统温室，自动化温室有着无可比拟的优势。自动化温室的传统的环境因素调控方式是通过复杂的线性函数模型，而采用神经网络对于各个环境因素实现预估从而实现调控相较于传统方式更加方便快捷。神经网络中的递归神经网络在时间序列的预测上有着优异的效果。普通的递归神经网络对于长期依赖的信息没有良好的学习效果，LSTM网络是一种改进的递归神经网络模型，能有效的解决这一问题。在自动化温室的复杂环境下，采用LSTM能够有较好的预测效果。本文工作主要包括一下三个方面（1） 本文开始是数据的特征处理,以及数据的不同处理方式。（2）其次对与网络模型的搭建，通过对温室环境因素的学习预测，测试模型中不同的参数，使之对比调整使之达到最佳的学习效果。（3）最后是图形界面的编写，实现一个可视化界面，更加便于展示操作。
目录
引言
1 绪论
1.1自动化温室研究背景及现状
近年来，自动化温室[1]应用愈来愈广泛，不仅应用于农业蔬菜的生产，也应用于花卉等对于环境要求较高的植物生产中。如何实现计算机自动调节植物生长所需的各种环境因素，也成为自动化温室实现的重点。荷兰的智能化玻璃温室[2]种植各类蔬菜，包括番茄、甜椒、黄瓜等，总面积超过1亿米2，年产值达到14亿美元，在荷兰农业总产值份额达到7.5%。荷兰智能化玻璃温室之所以能应用的如此广泛，是得益于温室的计算机环境控制系统能够自动调控作物的水肥供应及所需生长环境因素，这使得植物生长都处于可控的范围内。
环境控制系统最初主要通过人工手动控制，即通过人的认知避免植物在某些环境恶劣的情况受到严重影响。二战以后，自动调温仪等机械设备应用于温度控制，即将植物生长通过自动调温仪进行温度控制。随着自动调温仪的使用，如何得到一个植物适宜的温度数据这一问题也随之产生。之后的环境控制盒成功的解决了这一问题。随着对于环境因素调控越来越细致，环境控制盒越来越复杂。在20世纪70年代，采用计算机进行环境精确控制，使用可修改的程序去调节，而通过计算机设定的环境因素数据都是基于研究的结果。现今通过对于总能量及光照的调节，使得温室的各个系统较之以前更合理。 *好棒文|www.hbsrm.com +Q: ^351916072*
新的研究发现，直接对温室环境因素进行精确的调控不是使作物达到最佳产量的方案。植物的生长发育不取决于某个特定时刻的温度水平，而取决于某个时间段的平均水平。这表明将环境因素设定在最高和最低数值之间，将使作物取得更高的产量。因此获取环境因素的一段时间内的平均水平数值，对于环境控制非常重要。
1.2递归神经网络研究背景及现状
在1943年,心理学家McCullo等提出了MP模型，奠定了对神经科学理论研究基础。到了1949年, Hebb准则的提出，即神经元之间突触联系强度可变的假，提供了神经网络的学习算法基础。在这之后，随着人工神经网络的不断完善，逐渐凸显了神经网络各个特性，包括非线性映射能力、自适应、自学习、容错性和并行处理等性质。这些性质使得神经网络区别于传统的线性模型，能够更好的应用于非线性时间序列预测。神经网络从数据集中训练学习，去表达拟合数据所遵循的规律的函数，神经网络采用这种方式避免了对数据集不断的查询表述。并且对于越复杂的数据规律，神经网络的特点就越能区别于普通的线性模型，就越能体现出神经网络在拟合数据规律的优点。
现今，神经网络在时间序列的应用上非常广泛，国内外也有很多人提出不同的模型去更好的应用。最开始，Lapedes和Farber使用神经网络模型预测两个无序的时间序列,自此开辟了神经网络在时间序列预测的先河。接着，Leighton和Conrath提出的自回归反传网络模型在过去的时间序列上表现出较好的效果。之后Sollich和Krogh提出了 “神经网络集成是用有限个神经网络对同一个问题进行学习,集成在某输入示例下的输出由构成集成的和神经网络在该示例下的输出共同决定”的神经网络集成方法定义。之后Hansen等人利用神经网络进行手写体识别，也表现了相当好的效果。
1.3 研究内容和技术路线
1.3.1研究内容
数据的预处理。对于准备训练的数据进行预处理，数据归一化、数据验证集的转换为onehot编码、数据的去噪等方式去提高预测的精度以及提高训练的学习速率。
搭建网络模型。本文的递归神经网络模型采用的是LSTM神经网络模型。该模型是普通递归神经网络的一种改进型。测试调整网络模型各种参数，尽可能的提高模型预测的进度。
尝试在递归神经网络中加入卷积层来提高对序列信息特征的提取，对比加入卷积层前后预测精度，是否达到预估的效果。
编写界面系统。编写一个基于web的界面操作系统，更加有利于对模型的使用，使得模型预测时更加人性化。
1.3.2 技术路线
首先学习递归神经网络的相关知识。包括LSTM神经网络的改进、递归神经网络的实现算法、网络结构。
搭建网络模型，包括对模型的各个部分函数参数的学习，如激励函数、优化函数、损失函数等。测试调整网络结构，以及对数据的处理。
进行预测测试。对网络模型的各个参数进行测试、调整，使得模型对序列的预测尽可能的具有一个良好的效果。
在测试完毕后，尝试加入卷积层，训练预测，查看各项指数与未加入卷积层前的差异，是否具有提高网络性能的能力。
在整个模型的测试、固化后，整合到web端的界面，测试运行，查看模型是否可以预测数据。
图1是模型搭建流程图：
图1 网络模型搭建流程图
2 递归神经网络结构及相关函数介绍
2.1 RNN
递归神经网络(Recurrent Neural Network,简记RNN)[3],是指网络中节点的输入是以前的时间步长上节点输出的递归网络。相比于其他的神经网络，RNN的网络内部具有时间特性，即能够存储部分信息，这就相当于大脑内部的瞬时记忆。
RNN的结构是由多个隐藏层构成的。输入层至隐藏层至输出层，信息流通不是直接的线性关系。
关系结构如图2.1.1所示。
图2.1.1 RNN网络层结构
当前输入层与来自上个时间步的隐藏层信号共同作用于当前的隐藏层。利用这种信。号处理的结构和机制。RNN的输出结果便能够记忆之前结果。
目录
引言
1 绪论
1.1自动化温室研究背景及现状
近年来，自动化温室[1]应用愈来愈广泛，不仅应用于农业蔬菜的生产，也应用于花卉等对于环境要求较高的植物生产中。如何实现计算机自动调节植物生长所需的各种环境因素，也成为自动化温室实现的重点。荷兰的智能化玻璃温室[2]种植各类蔬菜，包括番茄、甜椒、黄瓜等，总面积超过1亿米2，年产值达到14亿美元，在荷兰农业总产值份额达到7.5%。荷兰智能化玻璃温室之所以能应用的如此广泛，是得益于温室的计算机环境控制系统能够自动调控作物的水肥供应及所需生长环境因素，这使得植物生长都处于可控的范围内。
环境控制系统最初主要通过人工手动控制，即通过人的认知避免植物在某些环境恶劣的情况受到严重影响。二战以后，自动调温仪等机械设备应用于温度控制，即将植物生长通过自动调温仪进行温度控制。随着自动调温仪的使用，如何得到一个植物适宜的温度数据这一问题也随之产生。之后的环境控制盒成功的解决了这一问题。随着对于环境因素调控越来越细致，环境控制盒越来越复杂。在20世纪70年代，采用计算机进行环境精确控制，使用可修改的程序去调节，而通过计算机设定的环境因素数据都是基于研究的结果。现今通过对于总能量及光照的调节，使得温室的各个系统较之以前更合理。 *好棒文|www.hbsrm.com +Q: ^351916072*
新的研究发现，直接对温室环境因素进行精确的调控不是使作物达到最佳产量的方案。植物的生长发育不取决于某个特定时刻的温度水平，而取决于某个时间段的平均水平。这表明将环境因素设定在最高和最低数值之间，将使作物取得更高的产量。因此获取环境因素的一段时间内的平均水平数值，对于环境控制非常重要。
1.2递归神经网络研究背景及现状
在1943年,心理学家McCullo等提出了MP模型，奠定了对神经科学理论研究基础。到了1949年, Hebb准则的提出，即神经元之间突触联系强度可变的假，提供了神经网络的学习算法基础。在这之后，随着人工神经网络的不断完善，逐渐凸显了神经网络各个特性，包括非线性映射能力、自适应、自学习、容错性和并行处理等性质。这些性质使得神经网络区别于传统的线性模型，能够更好的应用于非线性时间序列预测。神经网络从数据集中训练学习，去表达拟合数据所遵循的规律的函数，神经网络采用这种方式避免了对数据集不断的查询表述。并且对于越复杂的数据规律，神经网络的特点就越能区别于普通的线性模型，就越能体现出神经网络在拟合数据规律的优点。
现今，神经网络在时间序列的应用上非常广泛，国内外也有很多人提出不同的模型去更好的应用。最开始，Lapedes和Farber使用神经网络模型预测两个无序的时间序列,自此开辟了神经网络在时间序列预测的先河。接着，Leighton和Conrath提出的自回归反传网络模型在过去的时间序列上表现出较好的效果。之后Sollich和Krogh提出了 “神经网络集成是用有限个神经网络对同一个问题进行学习,集成在某输入示例下的输出由构成集成的和神经网络在该示例下的输出共同决定”的神经网络集成方法定义。之后Hansen等人利用神经网络进行手写体识别，也表现了相当好的效果。
1.3 研究内容和技术路线
1.3.1研究内容
数据的预处理。对于准备训练的数据进行预处理，数据归一化、数据验证集的转换为onehot编码、数据的去噪等方式去提高预测的精度以及提高训练的学习速率。
搭建网络模型。本文的递归神经网络模型采用的是LSTM神经网络模型。该模型是普通递归神经网络的一种改进型。测试调整网络模型各种参数，尽可能的提高模型预测的进度。
尝试在递归神经网络中加入卷积层来提高对序列信息特征的提取，对比加入卷积层前后预测精度，是否达到预估的效果。
编写界面系统。编写一个基于web的界面操作系统，更加有利于对模型的使用，使得模型预测时更加人性化。
1.3.2 技术路线
首先学习递归神经网络的相关知识。包括LSTM神经网络的改进、递归神经网络的实现算法、网络结构。
搭建网络模型，包括对模型的各个部分函数参数的学习，如激励函数、优化函数、损失函数等。测试调整网络结构，以及对数据的处理。
进行预测测试。对网络模型的各个参数进行测试、调整，使得模型对序列的预测尽可能的具有一个良好的效果。
在测试完毕后，尝试加入卷积层，训练预测，查看各项指数与未加入卷积层前的差异，是否具有提高网络性能的能力。
在整个模型的测试、固化后，整合到web端的界面，测试运行，查看模型是否可以预测数据。
图1是模型搭建流程图：
图1 网络模型搭建流程图
2 递归神经网络结构及相关函数介绍
2.1 RNN
递归神经网络(Recurrent Neural Network,简记RNN)[3],是指网络中节点的输入是以前的时间步长上节点输出的递归网络。相比于其他的神经网络，RNN的网络内部具有时间特性，即能够存储部分信息，这就相当于大脑内部的瞬时记忆。
RNN的结构是由多个隐藏层构成的。输入层至隐藏层至输出层，信息流通不是直接的线性关系。
关系结构如图2.1.1所示。
图2.1.1 RNN网络层结构
当前输入层与来自上个时间步的隐藏层信号共同作用于当前的隐藏层。利用这种信。号处理的结构和机制。RNN的输出结果便能够记忆之前结果。
版权保护: 本文由 hbsrm.com编辑，转载请保留链接: www.hbsrm.com/jsj/jsjkxyjs/1771.html
