基于滚动BP神经网络的温室小气候中长期预测方法技术

本发明专利技术提出一种基于滚动BP神经网络的温室小气候中长期预测方法，根据预测时间，每个时刻构建一个BP神经网络，最终形成一个滚动的BP神经网络群，本方法运行包括两个阶段，首先采用自动编码器进行无监督学习获得良好的初始网络参数，再利用改进的局部粒子群优化方法优化该网络参数，建立初始BP神经网络；然后在初始BP神经网络的基础上，将前一个网络的输出作为后一个网络的部分输入进行滚动训练和预测。本发明专利技术能够较准确地预测不同季节不同地域下的温室中长期环境变化趋势，并有效提高温室小气候的预测精度。

Medium and long-term prediction method of greenhouse microclimate based on rolling BP neural network

The invention provides a long-term prediction method based on greenhouse microclimate rolling BP neural network, according to the forecast time, build a BP neural network every moment, eventually forming a rolling BP neural network, the method of operation includes two stages, first using automatic coder for unsupervised learning to obtain the initial network good use of local parameters, improved particle swarm optimization method to optimize the network parameters, the initial establishment of BP neural network; then based on the initial BP neural network, the input will be part of a network output of one network as the training and prediction of rolling. The invention can accurately predict the long-term environment change tendency of greenhouse in different seasons and different regions, and effectively improve the prediction accuracy of greenhouse microclimate.

【技术实现步骤摘要】
基于滚动BP神经网络的温室小气候中长期预测方法
本专利技术属于设施农业环境预测领域，尤其是一种基于滚动BP神经网络的温室小气候中长期预测方法。
技术介绍
温室的高效生产依赖于适宜的温室小气候环境，建立高精度的温室小气候中长期预测模型对实现温室环境优化调控具有重要意义。目前温室中常用的阈值调控法虽然简单易行，但能耗高、系统稳定性差。基于比例-积分-微分(Proportion-Integral-Derivative，PID)控制器和模型预测控制(ModelPredictiveControl，MPC)等自动控制方法，可靠性高、能耗较低，但需要提前预测多个时段的环境参数。温室小气候模拟模型主要分为两类：一是机理模型，其参数较难确定，不适用于温室环境控制。二是实验模型，也称系统辨识，可以对模型参数进行在线调整，以满足控制的要求。实验模型中常用的是人工神经网络模型，由于BP神经网络简单且容错能力强，在温室小气候预测中应用最为广泛。目前国内外学者针对不同温室环境建立了基于BP神经网络的小气候模拟模型，取得了良好的效果，研究表明人工神经网络在温室小气候环境预测方面切实可行，但这些预测模型多数只能进行单步预测，即短期预测，无法实现中长期预测，不能满足优化调控的要求。另外，采用BP神经网络建模具有一定的优势，但是其也有一些缺陷与不足，如易陷入局部最小值、过分依赖初始权值的选取以及泛化能力差等问题，因此BP神经网络预测的精度仍有很大的提升空间。以往的很多研究者针对BP神经网络的缺陷没有提出改进的方法，仅选取最优的结果展示出来，事实上这些结果在一定程度上并没有说服力。如何提高BP神经网络的预测精度，并实现温室小气候的中长期预测，值得进一步研究和探讨。
技术实现思路
本专利技术所解决的技术问题在于提供一种基于滚动BP神经网络的温室小气候中长期预测方法，根据预测时间构建一个滚动的BP神经网络群，将前一个网络的输出作为后一个网络的部分输入进行滚动式的训练和预测，有效提高温室小气候的预测精度。实现本专利技术目的的技术解决方案为：基于滚动BP神经网络的温室小气候中长期预测方法，包括以下步骤：步骤1：建立初始BP神经网络f1，设当前时刻为t，输入t时刻的温室内部温湿度，输出预测的t+1时刻的温室内部温湿度，并得到f1的网络参数；步骤2：建立滚动的BP神经网络群，包括n-1个神经网络fn，每个神经网络fn包含训练集train_Xn和测试集test_Xn，相邻两个神经网络的训练集和测试集之间均相隔一个时刻，其中，train_Xn表示t+n-1时刻的训练集，test_Xn表示t+n-1时刻的测试集，n≥2；步骤3：利用train_Xn和网络参数结合梯度下降法训练fn模型，训练完成后，再将train_Xn输入到fn模型中，输出模拟结果train_Yn；将test_Xn输入到fn模型中，输出预测结果test_Yn；步骤4：令n＝n+1，转到步骤3。进一步的，本专利技术的基于滚动BP神经网络的温室小气候中长期预测方法，步骤1具体包括：步骤1-1：基于无监督学习模型对t时刻的温室内部温湿度进行预训练，抽取输入数据的特征，并重构后输出；步骤1-2：将数据的特征作为BP神经网络的初始化参数，进行有监督的目标学习，采用改进的局部粒子群优化方法结合遗传算法优化该BP神经网络的权重和阈值参数；步骤1-3：采用最优权重和阈值参数建立初始BP神经网络f1，输出预测的t+1时刻的温室内部温湿度。进一步的，本专利技术的基于滚动BP神经网络的温室小气候中长期预测方法，步骤1-1所述的对输入数据重构的方法具体为：将输入层与隐藏层之间的权重和阈值{W(1),b(1)}作为编码器，编码函数采用sigmoid函数；将隐藏层与输出层之间的权重和阈值{W(2),b(2)}作为译码器，译码函数采用tanh函数。进一步的，本专利技术的基于滚动BP神经网络的温室小气候中长期预测方法，步骤1-2的具体步骤为：步骤1-2-1：将种群分为两个子群，在spmd并行结构中同时进行计算，初始化种群速度和位置、学习率C1和C2、惯性权重；步骤1-2-2：将次数低于平均值的粒子次数清零，全局最优赋给子群全局最优，即badNum[N]＝0,PLg＝Pg，badNum为粒子次数，N为次数低于平均数的粒子编号，PLg为子群全局最优，Pg为全局最优；步骤1-2-3：更新粒子的速度和位置：vi(t+1)＝ωvi(t)+c1r1(pavg-xi(t))+c2r2(pLg-xi(t))，xi(t+1)＝xi(t)+vi(t+1)，其中，i＝1，2，…，N，t为当前迭代次数，ω是惯性权重，c1、c2是加速因子，r1、r2是[0，1]区间的随机数，vi(t)为粒子原速度，vi(t+1)为更新后的粒子速度，pavg为个体极值中心点，pLg为每个子群的全局最优位置，xi(t)为粒子原位置，xi(t+1)为更新后的粒子位置；步骤1-2-4：引入交叉算子，若产生的随机数小于交叉概率PC，则两个子群执行交叉操作：xik＝pLg1k，xjl＝pLg2l，其中，xik为第一个子群中第i个粒子位置的第k维元素，pLg1k为第一个子群全局最优位置的第k维元素，xjl为第二个子群中第j个粒子位置的第l维元素，pLg2l为第二个子群全局最优位置的第l维元素，i、j＝1，2，…，N/2且i≠j，k∈[(IN+1)*HN+1，D]，l∈[1，(IN+1)*HN]，IN为神经网络的输入层神经元个数，HN为隐藏层神经元个数，D为粒子的维度，并计算每个粒子的适应度J(i)，若随机数大于交叉概率PC，则不进行任何操作；步骤1-2-5：更新局部最优Pi，若更新后的粒子位置优于原来的粒子位置，则将新粒子位置作为该粒子的Pi，并作为本次迭代中的全局最优PLg，更新个体机制中心点Pavg，计算每个子群平均适应度fit_avg，若更新后的粒子位置未优于原来的粒子位置，则不进行任何操作；步骤1-2-6：引入变异算子，若J(i)＜fit_avg，则令badNum(i)+1，若badNum(i)≥badNumLimit，则随机初始化粒子的位置和速度：xid＝a+(b-a)*rand，vid＝m+(n-m)*rand，其中d＝1，2，…，D，a和b是限定粒子的最小和最大位置，m和n是限定粒子的最小和最大速度，rand为[0,1)之间的均匀随机数；步骤1-2-7：判断是否达到预设的内部迭代次数，若是，则比较两子群的子群最优，获得全局最优，若否，则转步骤1-2-3；步骤1-2-8：判断是否达到最大迭代次数或满足gbest(n)-gbest(n-4)<＝0.0001，若是，则停止迭代，若否，则砖步骤1-2-2。进一步的，本专利技术的基于滚动BP神经网络的温室小气候中长期预测方法，步骤1的预测公式为：其中，(P)t为t时刻环境参数，(Tin)t为t时刻温室实测温度，(Hin)t为t时刻温室实测湿度，为预测的t+1时刻温室温度，为预测的t+1时刻温室湿度。进一步的，本专利技术的基于滚动BP神经网络的温室小气候中长期预测方法，步骤2中的一个时刻为15min。进一步的，本专利技术的基于滚动BP神经网络的温室小气候中长期预测方法，训练集train_Xn包括t+n-1时刻的温室外部环境影响因素(P)t+n-1本文档来自技高网...

【技术保护点】
基于滚动BP神经网络的温室小气候中长期预测方法，其特征在于，包括以下步骤：步骤1：建立初始BP神经网络f1，设当前时刻为t，输入t时刻的温室内部温湿度，输出预测的t+1时刻的温室内部温湿度，并得到f1的网络参数；步骤2：建立滚动的BP神经网络群，包括n‑1个神经网络fn，每个神经网络fn包含训练集train_Xn和测试集test_Xn，相邻两个神经网络的训练集和测试集之间均相隔一个时刻，其中，train_Xn表示t+n‑1时刻的训练集，test_Xn表示t+n‑1时刻的测试集，n≥2；步骤3：利用train_Xn和网络参数结合梯度下降法训练fn模型，训练完成后，再将train_Xn输入到fn模型中，输出模拟结果train_Yn；将test_Xn输入到fn模型中，输出预测结果test_Yn；步骤4：令n＝n+1，转到步骤3。

【技术特征摘要】
1.基于滚动BP神经网络的温室小气候中长期预测方法，其特征在于，包括以下步骤：步骤1：建立初始BP神经网络f1，设当前时刻为t，输入t时刻的温室内部温湿度，输出预测的t+1时刻的温室内部温湿度，并得到f1的网络参数；步骤2：建立滚动的BP神经网络群，包括n-1个神经网络fn，每个神经网络fn包含训练集train_Xn和测试集test_Xn，相邻两个神经网络的训练集和测试集之间均相隔一个时刻，其中，train_Xn表示t+n-1时刻的训练集，test_Xn表示t+n-1时刻的测试集，n≥2；步骤3：利用train_Xn和网络参数结合梯度下降法训练fn模型，训练完成后，再将train_Xn输入到fn模型中，输出模拟结果train_Yn；将test_Xn输入到fn模型中，输出预测结果test_Yn；步骤4：令n＝n+1，转到步骤3。2.根据权利要求1所述的基于滚动BP神经网络的温室小气候中长期预测方法，其特征在于，步骤1具体包括：步骤1-1：基于无监督学习模型对t时刻的温室内部温湿度进行预训练，抽取输入数据的特征，并重构后输出；步骤1-2：将数据的特征作为BP神经网络的初始化参数，进行有监督的目标学习，采用改进的局部粒子群优化方法结合遗传算法优化该BP神经网络的权重和阈值参数；步骤1-3：采用最优权重和阈值参数建立初始BP神经网络f1，输出预测的t+1时刻的温室内部温湿度。3.根据权利要求2所述的基于滚动BP神经网络的温室小气候中长期预测方法，其特征在于，步骤1-1所述的对输入数据重构的方法具体为：将输入层与隐藏层之间的权重和阈值{W(1),b(1)}作为编码器，编码函数采用sigmoid函数；将隐藏层与输出层之间的权重和阈值{W(2),b(2)}作为译码器，译码函数采用tanh函数。4.根据权利要求2所述的基于滚动BP神经网络的温室小气候中长期预测方法，其特征在于，步骤1-2的具体步骤为：步骤1-2-1：将种群分为两个子群，在spmd并行结构中同时进行计算，初始化种群速度和位置、学习率C1和C2、惯性权重；步骤1-2-2：将次数低于平均值的粒子次数清零，全局最优赋给子群全局最优，即badNum[N]＝0,PLg＝Pg，badNum为粒子次数，N为次数低于平均数的粒子编号，PLg为子群全局最优，Pg为全局最优；步骤1-2-3：更新粒子的速度和位置：vi(t+1)＝ωvi(t)+c1r1(pavg-xi(t))+c2r2(pLg-xi(t))，xi(t+1)＝xi(t)+vi(t+1)，其中，i＝1，2，…，N，t为当前迭代次数，ω是惯性权重，c1、c2是加速因子，r1、r2是[0，1]区间的随机数，vi(t)为粒子原速度，vi(t+1)为更新后的粒子速度，pavg为个体极值中心点，pLg为每个子群的全局最优位置，xi(t)为粒子原位置，xi(t+1)为更新后的粒子位置；步骤1-2-4：引入交叉算子，若产生的随机数小于交叉概率PC，则两个子群执行交叉操作：xik＝pLg1k，xjl＝pLg2l，其中，xik为第一个子群中第i个粒子位置的第...

【专利技术属性】
技术研发人员：任守纲，刘鑫，顾兴健，徐焕良，
申请(专利权)人：南京农业大学，
类型：发明
国别省市：江苏,32