一种基于遗传算法优化的模糊神经网络温室温度预测方法技术

本发明专利技术公开了一种基于遗传算法优化的模糊神经网络温室温度预测方法，属于智能农业技术领域，该方法将遗传算法优化的初始参数作为模糊神经网络迭代的起始参数，而将模糊神经网络训练完成后进行预测得到的误差作为目标值返还给遗传算法进行下一代遗传，两种算法交替合作进行网络训练的最优参数寻找，在有限的迭代次数和遗传中能够找出建立最优预测模型的起始输入参数，在基于遗传算法优化的模糊神经网络模型中输入区域内气象站温度、相对湿度以及累计辐射数据，获得预测后的温室温度。该方法具有较好的预测准确度，可以有效预测温室温度，这为温室环境实现温度控制提供了一种新思路。路。路。

【技术实现步骤摘要】
一种基于遗传算法优化的模糊神经网络温室温度预测方法


[0001]本专利技术涉及智能农业技术
，更具体的涉及一种基于遗传算法优化的模糊神经网络温室温度预测方法。

技术介绍

[0002]温室环境控制系统是一个多耦合、非线性和具备较大滞后性能特性的复杂动态系统，是一种主要应用于计算机的综合控制技术。其控制的目的最终是为了得到一个理想的利于作物生长的环境。这种技术在资源节约方面可以实现工业化规模生产方式，而且有着优质、高效、低耗等优点，当下温室智能控制主要采用的方法有:模糊控制、神经网络和混合控制等。
[0003]模糊控制对于所研究的对象并不需要建立精确的数学模型，过度时间短、超调小、响应速度快，而且在调节速度和鲁棒性方面优于PID控制，但只能实现粗略控制。采用遗传算法对模糊控制规则进行优化，模糊控制规则中加入遗传算法的调控，在避免了优化过程中早熟现象的基础上提高了优化速率。模糊控制有着模糊逻辑推理能力，而神经网络强大的学习能力则可避免模糊控制的缺陷，能更好的适应温室系统的非线性和时变特性。
[0004]基于遗传算法优化的模糊神经本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种基于遗传算法优化的模糊神经网络温室温度预测方法，其特征在于，包括：获取区域内过去一段时间的气象站温度、相对湿度以及累计辐射数据；选取模糊神经网络模型结构；根据模糊神经网络模型结构确定糊神经网络模型参数；对糊神经网络模型参数编码形成遗传算法的染色体，并初始化遗传算法种群个体；随机初始化模糊神经网络模型中的多个起始参数；对模糊神经网络模型的多个起始参数进行编码；解码多个起始参数、并赋予模糊神经网络模型；利用训练集对模糊神经网络模型进行多次迭代训练，利用测试集对模糊神经网络模型进行测试，获取测试误差；根据测试误差计算遗传算法的适应度值；根据适应度大小进行遗传选择、交叉、变异后，获得优化后的初始参数；将优化后的初始参数作为模糊神经网络模型的起始参数；经模糊神经网络模型和遗传算法的多次交替优化网络参数后，取最优网络参数作为模糊神经网络模型的最终输入参数、并根据最终输入参数构建基于遗传算法优化的模糊神经网络模型；在基于遗传算法优化的模糊神经网络模型中输入区域内过去一段时间的气象站温度、相对湿度以及累计辐射数据，输出未来时刻的预测温室温度。2.如权利要求1所述的一种基于遗传算法优化的模糊神经网络温室温度预测方法，其特征在于，所述模糊神经网络模型采用T
‑
S模糊系统，且所述T
‑
S模糊系统包括：根据模糊规则计算各输入变量x
j
的隶属度：式中，分别为第i个模糊集A
i
的中心值和宽度；k为输入参数数；n为模糊子集数，输入量x＝[x1,x2,
…
，xk]，μ表示语言变量隶属度系数；将各隶属度进行模糊计算，采用模糊算子为连成算子：其中，u表示语言变量隶属度系数，为x
i
在第j个语言变量隶属度，k表示输入参数数，w
i
表示第i个规则的适应度；根据模糊计算结果计算模糊模型第i个节点的输出值y
i
：其中，表示第k个节点的输入值x
k
的权重。3.如权利要求1所述的一种基于遗传算法优化的模糊神经网络温室温度预测方法，其特征在于，所述根据模糊神经网络模型结构确定的糊神经网络模型参数，包括：学习目标，学习率，样本系数p0，样本系数p1，样本系数p2，样本系数p3以及隶属度函数中心c和宽度b。<...

【专利技术属性】
技术研发人员：王丽娜，刘锦杰，李雪，戴文彬，张延政，王斌锐，
申请(专利权)人：中国计量大学，
类型：发明
国别省市：