劉立佳

(哈爾濱理工大學(xué) 自動化學(xué)院,哈爾濱 150080)

0 引 言

我國雖然是農(nóng)業(yè)大國,但是可耕地面積人均＜0.1 hm2,然而穩(wěn)產(chǎn)的耕地面積人均卻＜0.04 hm2。農(nóng)業(yè)自然災(zāi)害頻繁出現(xiàn),很大程度上也制約了我國農(nóng)業(yè)的發(fā)展。中國必須走農(nóng)業(yè)現(xiàn)代化的道路,大力發(fā)展設(shè)施農(nóng)業(yè),興建溫室,進行溫室種植,是中國農(nóng)業(yè)走現(xiàn)代化道路的一種有效途徑。我國引進了各種大中型溫室,對于消化、吸收國外先進的溫室生產(chǎn)經(jīng)驗起到了積極作用。但是,由于引進的溫室價格和運行成本都太高,發(fā)展國產(chǎn)的高科技溫室勢在必行[1-2]。

準(zhǔn)確掌握、控制溫室內(nèi)各個信息量的值,是提高室內(nèi)農(nóng)作物的產(chǎn)量和效益的前提。在監(jiān)控溫室環(huán)境時,經(jīng)常對測量的量單個考慮,忽略各成分之間是相互關(guān)聯(lián)、互相制約、相互配合的,例如,溫室中的溫度就受到濕度、光照度等的影響,很難形成一個合理、有效的判斷。

將PSO算法的全局優(yōu)化能力和局部逼近、學(xué)習(xí)速度快能力相結(jié)合,優(yōu)化CMAC網(wǎng)絡(luò)的權(quán)值,利用優(yōu)化的權(quán)值訓(xùn)練CMAC網(wǎng)絡(luò),并進行數(shù)據(jù)融合,即PSO-CMAC融合算法,它能很好地實現(xiàn)對多傳感器探測到的各種環(huán)境特征參數(shù)進行融合,有效地檢測出溫室的真實情況,因此,本文以溫室黃瓜為例。選用了6組典型數(shù)據(jù),用PSO-CMAC融合算法對多傳感器數(shù)據(jù)樣本進行數(shù)據(jù)融合。

1 系統(tǒng)設(shè)計

1.1 檢測參量的確定

檢測量的精確程度直接關(guān)系到系統(tǒng)的可靠性、準(zhǔn)確性、溫室環(huán)境實際狀況的真實性。傳統(tǒng)的溫室成分的檢測中,只是利用單傳感器對測量成分單個考慮,恰恰忽略了各個成分之間的互關(guān)聯(lián)性,例如溫度易受到光照度、濕度等的影響,單一的測量不能形成一個有效、合理的判斷。因此,溫室溫度要結(jié)合光照度和的濕度變化來綜合判定?？紤]實際情況,以溫度、光照度和濕度作為溫室監(jiān)控系統(tǒng)同時檢測的3個主要參量。

1.2 檢測系統(tǒng)的建立

圖1為應(yīng)用PSO-CMAC網(wǎng)絡(luò)進行數(shù)據(jù)融合的多傳感器溫室監(jiān)控系統(tǒng)模型,由3部分組成:傳感器的測量和特征參量的提取、神經(jīng)網(wǎng)絡(luò)對信號的處理、識別。傳感器測量部分由各傳感器完成對溫度、光照度和濕度的測量工作。檢測到的信號經(jīng)過預(yù)處理和特征提取后,變成PSO-CMAC網(wǎng)絡(luò)能夠識別處理的輸入信號,經(jīng)PSO-CMAC網(wǎng)絡(luò)智能化處理后得到溫室中主導(dǎo)因子的概率,再判斷溫室當(dāng)前的環(huán)境情況。

圖1 PSO-CMAC網(wǎng)絡(luò)的數(shù)據(jù)融合模型Fig.1 Data fusion model of PSO-CMAC netwok

2 PSO-CMAC網(wǎng)絡(luò)算法

CMAC網(wǎng)絡(luò)算法存在網(wǎng)絡(luò)的權(quán)系數(shù)存儲空間隨CMAC的輸入維數(shù)的增大而成幾何級數(shù)增加等缺陷,而PSO算法是一種全局優(yōu)化算法,不依賴初始值,并且收斂速度快,本文將 PSO算法用于CMAC網(wǎng)絡(luò)權(quán)值訓(xùn)練,建立PSO-CMAC網(wǎng)絡(luò)模型。

2.1 標(biāo)準(zhǔn)粒子群算法

標(biāo)準(zhǔn)粒子群算法采用速度——位置搜索模型,在D維解空間中,有m個粒子,群體中第i個粒子的位置速度將帶入目標(biāo)函數(shù)可得到其適應(yīng)值。記第個粒子搜索到的最優(yōu)位置為它的個體極值為pi={pi1,pi2,…,pin}T,種群的全局極值為按追隨當(dāng)前最優(yōu)粒子的原理,粒子xi將按式(1)和式(2)來更新粒子的速度和位置:

式中i=1,2,…,m,m是該群體中粒子的總數(shù);k代表當(dāng)前迭代次數(shù)為k迭代粒子i飛行速度矢量的第d維分量為k迭代粒子i位置矢量的第d維分量;pid是粒子i個體最好位置pbest的第d維分量;pgd為群體最好位置gbest的第d維分量;c1, c2為加速常數(shù);rand()為隨機函數(shù),產(chǎn)生[0,1]的隨機數(shù)。

2.2 PSO-CMAC網(wǎng)絡(luò)融合算法

在溫室環(huán)境中,所用的CMAC網(wǎng)絡(luò)是由輸入層、隱含層和輸出層組成的前向神經(jīng)網(wǎng)絡(luò)。參數(shù)設(shè)置:粒子數(shù)取30,輸入維數(shù)3,輸出維數(shù)1,初始位置隨機產(chǎn)生,初速度為0。利用粒子群算法尋找使粗產(chǎn)品溫度最低的控制參數(shù)。

用PSO算法訓(xùn)練CMAC網(wǎng)絡(luò)時,粒子群的位置向量由所訓(xùn)練的CMAC網(wǎng)絡(luò)的權(quán)值組成。首先初始化位置向量,然后,用PSO算法搜索最優(yōu)的權(quán)值,利用最優(yōu)的權(quán)值進行訓(xùn)練CMAC網(wǎng)絡(luò),使均方差指標(biāo)J(適應(yīng)值)達(dá)到最小:

式中N為訓(xùn)練樣本數(shù);0為網(wǎng)絡(luò)輸出神經(jīng)元的個數(shù);j為第i個樣本的第j個網(wǎng)絡(luò)輸出節(jié)點的樣本值。

圖2 CMAC神經(jīng)網(wǎng)絡(luò)的基本結(jié)構(gòu)Fig.2 Based structure of CM AC neural network

采用了PSO算法對CMAC網(wǎng)絡(luò)進行訓(xùn)練,避免了原CMAC算法較大的泛化誤差,避免了學(xué)習(xí)沖突,提高了學(xué)習(xí)精度。

本算法流程見圖3。

3 數(shù)據(jù)融合應(yīng)用實例分析

3.1 實例描述

黃瓜生長的最適宜溫度為:15～32℃、最適宜的空氣濕度為70%～90%RH的陽性植物。生長期,黃瓜需要較高的光補償和飽和點、對溫度和光強要求也較高,要想達(dá)到理想產(chǎn)量必須要生長在干濕適中的條件下。

圖3 基于PSO-CMAC網(wǎng)絡(luò)算法流程圖Fig.3 Flow chart of algo rithm based on PSO-CMAC network

本文采集了溫室黃瓜栽培12月份的一組環(huán)境數(shù)據(jù),考慮到冬季溫室黃瓜對環(huán)境因子的特殊要求和冬季溫室環(huán)境自身的特點(例如,在北方12月份溫室溫度很低,溫室濕度相對偏高,光照明顯不足),在仿真試驗中,輸入量為溫度低、濕度高和光照度不足的各個狀態(tài),數(shù)據(jù)見表1。

表1 環(huán)境樣本數(shù)據(jù)Table 1 Sample data of environment

3.2 PSO-CMAC網(wǎng)絡(luò)的訓(xùn)練

在上述溫室中,利用采集數(shù)據(jù),經(jīng)過多次試驗,并且應(yīng)用PSO算法優(yōu)化CMAC網(wǎng)絡(luò)的權(quán)值。在神經(jīng)網(wǎng)絡(luò)學(xué)習(xí)前,對輸入、輸出進行量化處理。泛化常數(shù)c=10,迭代次數(shù)為50。分別將溫度值、濕度值和光照度值作為CMAC神經(jīng)網(wǎng)絡(luò)的輸入,3個量值分別作為輸出,圖4給出了CMAC網(wǎng)絡(luò)和基于PSO算法的神經(jīng)網(wǎng)絡(luò)訓(xùn)練誤差收斂變化曲線。

由圖4可見,CMAC網(wǎng)絡(luò)的收斂曲線較為光滑,經(jīng)過很多步才收斂,收斂速度很慢;而PSOCMAC網(wǎng)絡(luò)收斂速度很快。由于CMAC網(wǎng)絡(luò)的權(quán)值的自適應(yīng)性,采用PSO算法優(yōu)化后的權(quán)值非常接近最后的結(jié)果,誤差可調(diào)整范圍更小,產(chǎn)生振蕩小。所以,PSO全局優(yōu)化算法克服了CMAC算法訓(xùn)練的缺陷,加快了收斂的速度。

3.3 仿真結(jié)果與分析

在本仿真實驗中,輸入節(jié)點的數(shù)據(jù)分別為溫度、濕度和光照度;輸入量范圍為溫度偏低、濕度偏高、光照度不足的各個狀態(tài)。網(wǎng)絡(luò)訓(xùn)練后的實際輸出結(jié)果送至判別結(jié)構(gòu)進行判斷,只對最大值進行識別,并判斷溫室的環(huán)境狀況?？紤]到各種情況,選用6組典型數(shù)據(jù)樣本對PSO-CMAC網(wǎng)絡(luò)進行訓(xùn)練,樣本1、2為溫度偏低狀況,樣本3、4為濕度偏高狀況,樣本5、6為光照度不足狀況。仿真結(jié)果見表2,其中溫度、濕度和光照度的單位分別是℃、%RH和w/m2。

通過比較可以看出:訓(xùn)練的結(jié)果逼近期望的輸出,網(wǎng)絡(luò)找到了輸入、輸出之間的映射規(guī)律,這種映射規(guī)律便隱含在該神經(jīng)網(wǎng)絡(luò)的結(jié)果和互聯(lián)權(quán)值之中。同時,由網(wǎng)絡(luò)訓(xùn)練誤差曲線可知,PSO-CMAC算法訓(xùn)練得到的誤差是收斂的,幾乎不會選入局部極小或發(fā)生振蕩。從仿真結(jié)果來看,PSO-CMAC算法的訓(xùn)練識別準(zhǔn)確度很高,效果比較明顯,達(dá)到了預(yù)期目的,提高了溫室管理的準(zhǔn)確性。

表2 神經(jīng)網(wǎng)絡(luò)仿真輸出對照表Table 2 Comparing tables of outputs from neural network simulation

4 結(jié) 語

本文以溫室黃瓜為例,采用具有全局優(yōu)化能力的PSO算法和具有學(xué)習(xí)速度快、收斂速度快、全局穩(wěn)定的CMAC神經(jīng)網(wǎng)絡(luò)相結(jié)合的方法對多傳感器數(shù)據(jù)進行融合,綜合考慮了溫度、濕度和光照度等3個參量的關(guān)系。仿真結(jié)果表明:PSO-CMAC網(wǎng)絡(luò)的數(shù)據(jù)融合算法能夠獲得溫室準(zhǔn)確的信息,提高了溫室控制的準(zhǔn)確性。

[1] 高建平,趙龍慶.溫室計算機控制與管理技術(shù)的發(fā)展概況及在我國的應(yīng)用前景[J].計算機與農(nóng)業(yè),2003,(2):12-15.

[2] 張兆強,姜 偉,劉金云.利用Roug h集理論優(yōu)化日光溫度室內(nèi)溫度數(shù)據(jù)[J].黑龍江水專學(xué)報,2009,36(2):35-37.

[3] Zeng J C,Cui Z H.A Guaranteed Global Convergence Particle Swam Optimizer[J].Journal of Computer Research and Development,2004,41(8):1 333-1 338.

[4] 李紀(jì)文,駱德淵,劉 榮.基于GSM無線傳輸?shù)臏厥噎h(huán)境因子監(jiān)測系統(tǒng)設(shè)計[J].微計算機信息,2009,(1):12-13.

[5] Parsopoulos K E,Vrahatis M N.Recent Approaches to Global Optimization Problems T hrough Particle Swarm Optimization[J].Natural Computing,2002,(1):235-306.

[6] Jun Sun,Bin Feng,Wenbo Xu.Particle Swarm Optimization with Particles Having Quantum Behavior[J].Congress on Evolutionary Computation,2004,(9):325-331.

[7] 王會清,韓艷玲.基于多傳感器與數(shù)據(jù)融合技術(shù)的研究[J].計算機與現(xiàn)代化,2002,(9):64-67.

[8] 賀 鵬.溫室環(huán)境溫濕度控制系統(tǒng)應(yīng)用設(shè)計[J].硅谷,2008, (22):115-116.

[9] 楊小明,施 瑩.Fuzzy Neural Network M odel Based on Particle Swarm Optimization for Network Anomaly Detection[J].計算機工程與應(yīng)用,2009,45(6):131-133.

[10] 黃萬銀.黃瓜生長對環(huán)境條件的要求[N].陜西科技報,2001-12-11(2).

[11] 武曉嘉.多傳感器數(shù)據(jù)融合在溫室智能控制中的應(yīng)用研究[D].太原:太原理工大學(xué),2005.

[12] 藺 杰.數(shù)據(jù)融合的神經(jīng)計算方法[D].杭州:浙江大學(xué), 2005.

[13] 楊萬海.多傳感器數(shù)據(jù)融合及應(yīng)用[M].西安:西安電子科技大學(xué)出版社,2004.

[14] (美)David L.Hall,Uinas.多傳感器數(shù)據(jù)融合手冊[K].楊露菁,耿伯英譯.北京:電子工業(yè)出版社,2008.

[15] 黃 赫,禮包澤,曹澤陽.多傳感器目標(biāo)數(shù)據(jù)融合及關(guān)鍵技術(shù)[J].飛航導(dǎo)彈,2009,(10):50-52.

[16] 王天真.智能融合數(shù)據(jù)挖掘方法及其應(yīng)用[D].上海:上海海事大學(xué),2006.