神经网络的温室小气候的建模研究(附件)
摘要：由于温室小气候的影响因子复杂、非线性、不确定性等特点，很难对这类系统建立精确的数学模型，因此本文基于神经网络理论，利用MATLAB来建立温室小气候的神经网络模型。首先，利用标准BP（误差反向传播）算法建立神经网络。在此基础上，在网络权值调整公式中加入惯性动量项以及自适应的调整学习率，从而形成两种改进的BP算法（IBP算法），并建立对应的神经网络。然后对比上述三种网络以找出最优模型，进一步利用遗传算法（Genetic Algorithm, GA）强大的全局寻优能力来优化其初始权值和阈值，建立GA-BP神经网络。最后利用大量训练样本对上述四种神经网络进行训练，同时把训练得到的最优神经网络作为预测模型，为温室的模型预测控制奠定基础。
目录
摘要 1
关键词 1
Abstract1
Key words1
引言1
1 选题背景2
1.1 问题的提出2
1.2 国内外研究状况2
1.2.1 国外研究状况2
1.2.2 国内研究状况3
1.3 本文研究内容3
2 算法设计4
2.1 BP神经网络4
2.1.1 BP神经元及BP网络模型4
2.1.2 BP网络的学习5
2.2 BP算法的程序实现6
2.3 BP网络的局限性及改进算法7
2.3.1 BP网络的局限性 7
2.3.2 BP算法的改进 9
2.3.3 改进算法的程序实现 10
2.4 遗传算法 11
2.4.1 遗传算法原理11
2.4.2 遗传算法实现12
2.4.3 遗传算法与BP算法的有机结合14
3 模型建立 14
3.1 神经网络构建15
3.2 神经网络训练16
3.3 神经网络验证和预测17
3.4 模型性能对比19
4 界面设计21
5 总结24
致谢24
参考文献25
基于神经网络的温室小气候的建模研究
*好棒文|www.hbsrm.com +Q: %3^5`1^9`1^6^0`7^2#
引言
引言 近几年我国从其他国家引进了许多现代化温室，但由于各国气候条件的差异，特别是像我国江淮地区的梅雨季节、酷热难耐的夏季等，这些温室在国内的使用效果并不理想，严重影响现代温室的生产。为此，针对温室小气候进行建模，以研究温室内温度和湿度等环境因子的变化规律，为设计和优化所引进温室的结构提供理论依据；分析各种外界环境因子对温室内温度和湿度的影响情况，从而采用最适宜的控制装置来降低温室的能源消耗；对恶劣气候条件下温室小气候的状态进行预测，可以防止和减少作物灾害的发生。然而，由于温室小气候的影响因子复杂、非线性、不确定性等特点，很难对这类系统建立精确的数学模型[1]，神经网络在这方面显示出了明显的优越性。它具有通过学习逼近任意非线性映射的能力，因此可以将其应用于温室小气候的建模中。本文以上海地区的夏季为背景，利用了标准的BP网络，两种改进的BP网络以及GA优化的BP网络实现对温室小气候的模拟和预测。在此基础上，对比和分析了四种神经网络模型的优劣，以期找出最优神经网络作为预测模型，为温室的模型预测控制奠定基础。
1．选题背景
1.1 问题的提出
随着社会的不断进步，农业现代化的研究越来越引起人们的关注。现代温室则是农业现代化的表现形式之一。现代温室能够在错综复杂的外界气候条件下为作物的生长发育营造一个良好的环境，从而达到缩短作物的生长周期，增加产量，改善品质，提高效率等目的[2]。
温室作物的生长发育主要取决于遗传和环境两大因素，遗传决定作物生长发育的潜力，而环境则决定这种潜力可能实现的程度。因此适宜的温室环境尤其重要，其中影响作物生长发育的主要环境因子有光照、温度、湿度和二氧化碳浓度[3]。这些温室环境因子对作物产生影响的方式不是单独进行的，而是相互关联并与外界的气候条件、人为的调控措施等交织在一起共同影响着作物的生长发育。除此之外，各个环境因子以及外界的气候条件随时随地的发生变化。如果想要有效的控制这些复杂多变的影响因子，为作物的生长发育创造优异的条件，实现高产量，高品质，高效率，这就需要建立温室小气模型。
所谓温室小气候模型的建立，即确定在作物的生长、外界的气候条件以及人为调控措施等的影响下，室内的环境因子如室内温度和湿度随时间的变化规律。针对温室小气候进行建模的意义在于为设计和优化温室结构、降低温室能耗、预防作物灾害等提供理论依据。然而，温室小气候是一个极其复杂的物理系统，影响因子复杂，高度非线性和不确定性等因素决定了温室小气候建模的复杂与困难度，应用现有技术和建模方法，结果往往不近人意。
人工神经网络[4]（Artificial Neural Networks, ANN），也简称神经网络（NN），是一种应用类似于大脑神经突触连接的结构进行信息处理的数学模型。ANN作为一种有效的智能信息处理技术，能依据数据本身的内在联系建模，即利用对象的先验知识(即输入输出数据)，经过误差校正反馈，修正网络权值和阈值，最终得到一个具有输入输出对应关系的函数模型，具有良好的非线性逼近能力和对杂乱信息的综合处理能力,成为探索人类智能奥妙的有力工具，在信号处理、模式识别和控制等许多领域已经取得了令人瞩目的发展，并得到了广泛应用。由于NN具有很强的非线性逼近和自学习、自适应，并行计算等能力，因此利用人工神经网络来建立复杂系统的模型是最经济，也是最有前途的。本课题即根据温室小气候环境的复杂性和人工神经网络建模的优越性，研究如何采用人工神经网络建立温室小气候模型。
国内外研究状况
温室是一个半封闭的人工环境系统，它随时受到室内外诸多环境因子的影响，其中室外环境因子包括温度、湿度、太阳辐射强度、风速等；室内环境因子包括室内照明、叶面积指数以及土壤的散热、散湿等。温室内的温度、湿度等在这些因子的影响下，形成了一个特殊的小气候环境。由于外界气候的多变性以及温室内作物生长的动态性，温室小气候的变化是十分复杂的。但温室小气候对作物的生长发育有着至关重要的作用，因此温室小气候环境一直是各国科学家致力研究的课题。
1.2.1 国外研究状况
对温室小气候的研究起步较早的国家是荷兰、以色列等。1963年荷兰的Businger将温室分为四层：覆盖物、室内空气、作物、土壤，在能量守恒公式化以来，这种研究方法成为温室建模的核心。1977年，S.Takami, Z.Uchijima首次建立了基于初等边界条件的温室稳态模型；于是在20世纪80年代，荷兰研制出了基于温室小气候模拟模型和番茄作物生长模型的温室环境优化控制模型KASPRO[5]。20世纪90年代，M.N.Bargach根据能量平衡的方法，研究了一套目前较为全面的模型，将温室划分为包括室内水蒸气、4个土壤层在内的9个子成分，并对温室计算涉及的能量项进行了逐个分析，提出了构建系统模型的方法。2000年L.Chen等利用杂交模型，将物理模型和神经网络模型结合，得到了比单个应用模型更好的结果。2003年J.B.Cunha等分别基于物理模型、ARX黑箱模型以及人工神经网络模型对温室小气候环境进行建模，并比较了3中方法的优缺点。
目录
摘要 1
关键词 1
Abstract1
Key words1
引言1
1 选题背景2
1.1 问题的提出2
1.2 国内外研究状况2
1.2.1 国外研究状况2
1.2.2 国内研究状况3
1.3 本文研究内容3
2 算法设计4
2.1 BP神经网络4
2.1.1 BP神经元及BP网络模型4
2.1.2 BP网络的学习5
2.2 BP算法的程序实现6
2.3 BP网络的局限性及改进算法7
2.3.1 BP网络的局限性 7
2.3.2 BP算法的改进 9
2.3.3 改进算法的程序实现 10
2.4 遗传算法 11
2.4.1 遗传算法原理11
2.4.2 遗传算法实现12
2.4.3 遗传算法与BP算法的有机结合14
3 模型建立 14
3.1 神经网络构建15
3.2 神经网络训练16
3.3 神经网络验证和预测17
3.4 模型性能对比19
4 界面设计21
5 总结24
致谢24
参考文献25
基于神经网络的温室小气候的建模研究
*好棒文|www.hbsrm.com +Q: %3^5`1^9`1^6^0`7^2#
引言
引言 近几年我国从其他国家引进了许多现代化温室，但由于各国气候条件的差异，特别是像我国江淮地区的梅雨季节、酷热难耐的夏季等，这些温室在国内的使用效果并不理想，严重影响现代温室的生产。为此，针对温室小气候进行建模，以研究温室内温度和湿度等环境因子的变化规律，为设计和优化所引进温室的结构提供理论依据；分析各种外界环境因子对温室内温度和湿度的影响情况，从而采用最适宜的控制装置来降低温室的能源消耗；对恶劣气候条件下温室小气候的状态进行预测，可以防止和减少作物灾害的发生。然而，由于温室小气候的影响因子复杂、非线性、不确定性等特点，很难对这类系统建立精确的数学模型[1]，神经网络在这方面显示出了明显的优越性。它具有通过学习逼近任意非线性映射的能力，因此可以将其应用于温室小气候的建模中。本文以上海地区的夏季为背景，利用了标准的BP网络，两种改进的BP网络以及GA优化的BP网络实现对温室小气候的模拟和预测。在此基础上，对比和分析了四种神经网络模型的优劣，以期找出最优神经网络作为预测模型，为温室的模型预测控制奠定基础。
1．选题背景
1.1 问题的提出
随着社会的不断进步，农业现代化的研究越来越引起人们的关注。现代温室则是农业现代化的表现形式之一。现代温室能够在错综复杂的外界气候条件下为作物的生长发育营造一个良好的环境，从而达到缩短作物的生长周期，增加产量，改善品质，提高效率等目的[2]。
温室作物的生长发育主要取决于遗传和环境两大因素，遗传决定作物生长发育的潜力，而环境则决定这种潜力可能实现的程度。因此适宜的温室环境尤其重要，其中影响作物生长发育的主要环境因子有光照、温度、湿度和二氧化碳浓度[3]。这些温室环境因子对作物产生影响的方式不是单独进行的，而是相互关联并与外界的气候条件、人为的调控措施等交织在一起共同影响着作物的生长发育。除此之外，各个环境因子以及外界的气候条件随时随地的发生变化。如果想要有效的控制这些复杂多变的影响因子，为作物的生长发育创造优异的条件，实现高产量，高品质，高效率，这就需要建立温室小气模型。
所谓温室小气候模型的建立，即确定在作物的生长、外界的气候条件以及人为调控措施等的影响下，室内的环境因子如室内温度和湿度随时间的变化规律。针对温室小气候进行建模的意义在于为设计和优化温室结构、降低温室能耗、预防作物灾害等提供理论依据。然而，温室小气候是一个极其复杂的物理系统，影响因子复杂，高度非线性和不确定性等因素决定了温室小气候建模的复杂与困难度，应用现有技术和建模方法，结果往往不近人意。
人工神经网络[4]（Artificial Neural Networks, ANN），也简称神经网络（NN），是一种应用类似于大脑神经突触连接的结构进行信息处理的数学模型。ANN作为一种有效的智能信息处理技术，能依据数据本身的内在联系建模，即利用对象的先验知识(即输入输出数据)，经过误差校正反馈，修正网络权值和阈值，最终得到一个具有输入输出对应关系的函数模型，具有良好的非线性逼近能力和对杂乱信息的综合处理能力,成为探索人类智能奥妙的有力工具，在信号处理、模式识别和控制等许多领域已经取得了令人瞩目的发展，并得到了广泛应用。由于NN具有很强的非线性逼近和自学习、自适应，并行计算等能力，因此利用人工神经网络来建立复杂系统的模型是最经济，也是最有前途的。本课题即根据温室小气候环境的复杂性和人工神经网络建模的优越性，研究如何采用人工神经网络建立温室小气候模型。
国内外研究状况
温室是一个半封闭的人工环境系统，它随时受到室内外诸多环境因子的影响，其中室外环境因子包括温度、湿度、太阳辐射强度、风速等；室内环境因子包括室内照明、叶面积指数以及土壤的散热、散湿等。温室内的温度、湿度等在这些因子的影响下，形成了一个特殊的小气候环境。由于外界气候的多变性以及温室内作物生长的动态性，温室小气候的变化是十分复杂的。但温室小气候对作物的生长发育有着至关重要的作用，因此温室小气候环境一直是各国科学家致力研究的课题。
1.2.1 国外研究状况
对温室小气候的研究起步较早的国家是荷兰、以色列等。1963年荷兰的Businger将温室分为四层：覆盖物、室内空气、作物、土壤，在能量守恒公式化以来，这种研究方法成为温室建模的核心。1977年，S.Takami, Z.Uchijima首次建立了基于初等边界条件的温室稳态模型；于是在20世纪80年代，荷兰研制出了基于温室小气候模拟模型和番茄作物生长模型的温室环境优化控制模型KASPRO[5]。20世纪90年代，M.N.Bargach根据能量平衡的方法，研究了一套目前较为全面的模型，将温室划分为包括室内水蒸气、4个土壤层在内的9个子成分，并对温室计算涉及的能量项进行了逐个分析，提出了构建系统模型的方法。2000年L.Chen等利用杂交模型，将物理模型和神经网络模型结合，得到了比单个应用模型更好的结果。2003年J.B.Cunha等分别基于物理模型、ARX黑箱模型以及人工神经网络模型对温室小气候环境进行建模，并比较了3中方法的优缺点。
版权保护: 本文由 hbsrm.com编辑，转载请保留链接: www.hbsrm.com/jsj/wljs/706.html
