一种利用复合极限学习机神经网络控制温室环境方法技术

一种利用复合极限学习机神经网络控制温室环境方法，涉及一种控制温室环境方法，所述方法搜集样本数据，将不同时间的各个偏差数据对应的控制调节量作为极限学习机网络的样本输出数据；将归一化处理后的样本数据分别用于对各神经网络进行训练；建立BP神经网络控制模型；利用复合极限学习机网络控制模型对温室环境进行控制：将求得的各个神经网络的加权系数带入复合极限学习机网络模型，利用该复合极限学习机网络控制模型计算出控制调节量各数值进行反归一化处理，便得到温室控制参数。应用于温室环境参数的控制中，依据农作物生长的规律，实现了对温室环境参数的智能控制，实现了对温室农作物生长环境的精确控制，提高了温室农作物的产量和品质。

【技术实现步骤摘要】
一种利用复合极限学习机神经网络控制温室环境方法
本专利技术涉及一种控制温室环境方法，特别是涉及一种利用复合极限学习机神经网络控制温室环境方法。
技术介绍
在农作物的生长过程中，温度、湿度、光照强度、CO2浓度等因素是影响农作物生长的关键因素，为避免上述参数的较大波动对农作物生长造成较大影响，提高农作物的产量与质量，需要将农作物种植在温室环境中并对上述参数加以控制。我国传统温室大棚生产过程需要大量劳动人员参与，依靠经验管理，不仅占用大量的劳动力资源，而且环境参数的变化的农作物的生长仍然影响很大。因此，有必要对温室大棚内的温度、湿度、CO2浓度等温室环境参数进行精确实时控制，使植物始终生长在最佳的环境参数范围之内。目前，对于温室环境参数控制的方法很多，但大多存在着控制精度还不够高，控制效果不够理想等问题。基于复合极限学习机网络的温室环境智能控制方法，将复合极限学习机神经网络应用于温室环境控制，控制精度较高，控制效果较好。
技术实现思路
本专利技术的目的在于提供一种利用复合极限学习机神经网络控制温室环境方法，该方法通过采集农作物生长的现场环境参数，并和农作物生长的标准环境参数作比对，建立依据作本文档来自技高网...

【技术保护点】
1.一种利用复合极限学习机神经网络控制温室环境方法，其特征在于，所述方法通过以下步骤来实现的：a.搜集样本数据：将农作物生长的不同时间和对应各个时间点的数据作为极限学习机网络的输入样本数据；将不同时间的各个偏差数据对应的控制调节量作为极限学习机网络的样本输出数据；b.归一化处理样本数据：将归一化处理后的样本数据分别用于对各神经网络进行训练；c.建立极限学习机网络控制模型：（1）确定隐含层神经元个数；（2）随机生成输入层至隐含层的权值和隐含层各个神经元阈值；（3）计算隐含层输出矩阵；（4）计算网络隐含层至输出层的权值；d.建立BP神经网络控制模型训练如下：（1）确定隐含层神经元个数；（2）随机生...

【技术特征摘要】
1.一种利用复合极限学习机神经网络控制温室环境方法，其特征在于，所述方法通过以下步骤来实现的：a.搜集样本数据：将农作物生长的不同时间和对应各个时间点的数据作为极限学习机网络的输入样本数据；将不同时间的各个偏差数据对应的控制调节量作为极限学习机网络的样本输出数据；b.归一化处理样本数据：将归一化处理后的样本数据分别用于对各神经网络进行训练；c.建立极限学习机网络控制模型：（1）确定隐含层神经元个数；（2）随机生成输入层至隐含层的权值和隐含层各个神经元阈值；（3）计算隐含层输出矩阵；（4）计算网络隐含层至输出层的权值；d.建立BP神经网络控制模型训练如下：（1）确定隐含层神经元个数；（2）随机生成权值矩阵V和W；（3）输入训练样本集，计算实际输出和期望输出的误差，从输出层开始向前计算权值与阈值对误差的梯度，基于梯度下降法修正权值和阈值；e.建立复合极限学习机网络控制模型：将极限学习机网络模型和BP神经网络模型组合在一起，构成复合极限学习机网络控制模型；f.利用复合极限学习机网络控制模型对温室环境进行控制：将求得的各个神经网络的加权系数带入复合极限学习机网络模型，利用该复合极限学习机网络...

【专利技术属性】
技术研发人员：范立南，李佳洋，武刚，崔立民，肖倩，刘闯，
申请(专利权)人：沈阳大学，
类型：发明
国别省市：辽宁,21