張 龍，賈蘭芳

（長治學院電子信息與物理系，山西長治 046011）

我國作為農(nóng)業(yè)生產(chǎn)大國，溫室面積位居世界首位。預測是控制研究方面的前提，對研究溫室內(nèi)各種相互影響的環(huán)境因素具有重要指導意義[1-2]。但因溫室系統(tǒng)自身具有很強的復雜性，溫室內(nèi)存在的環(huán)境因素又相互影響，所以溫室系統(tǒng)的模型建立存在很大的難度[3]。為了進一步提高預測精度，許多學者提出了各種預測方法。崔麗珍[4]等對支持向量機進行了改進，構建了溫室大棚溫度預測模型；楊雷等[5]在溫室大棚溫度預測研究中，提出了基于PCA-PSO-LSSVM 模型；徐宇等[6]在智能溫室溫度預測研究中，提出了基于復數(shù)神經(jīng)網(wǎng)絡模型。針對溫室溫度與其他各種環(huán)境因素具有很高的耦合度，難以預測，文章建立一種基于遺傳算法優(yōu)化模糊神經(jīng)網(wǎng)絡溫室溫度預測模型，從而為精準調(diào)控奠定堅實的基礎。

1 模型建立

1.1 模糊神經(jīng)網(wǎng)絡

該模型如圖1 為五層結(jié)構[7-8]，依次為模糊輸入層、模糊化層、模糊條件層、模糊判決層和去模糊化輸出層。假設模糊系統(tǒng)只有兩個輸入變量分別為x1、x2，一個輸出變量為y，每個輸入變量在其論域上劃分為兩個模糊子集。

圖1 模糊神經(jīng)網(wǎng)絡結(jié)構圖

第2層：將輸入層的輸入變量通過一個或多個隸屬函數(shù)模糊化，

第3層：針對的是模糊規(guī)則中的條件部分，對節(jié)點進行組合配合，實現(xiàn)各個輸入模糊值的“乘”運算，

第4層：得出相應輸出節(jié)點模糊值的大小，

第5層：本層節(jié)點的作用是“去模糊化”。將輸出的模糊值形式還原為乘數(shù)值的形式，

1.2 GA-FNN預測模型

采用的遺傳算法（GA）[9]優(yōu)化模糊神經(jīng)網(wǎng)絡（FNN）預測模型，模型內(nèi)的隱含層節(jié)點數(shù)、隸屬度函數(shù)參數(shù)值，即是網(wǎng)絡中間層數(shù)、隸屬函數(shù)的中心和寬度。圖2為算法流程圖。

圖2 算法流程圖

對輸入樣本數(shù)據(jù)做歸一化處理，盡量減少因數(shù)據(jù)的量綱不同而造成的影響。即將實測數(shù)據(jù)通過歸一化mapminmax 函數(shù)轉(zhuǎn)換為[-1,1]的值。歸一化mapminmax函數(shù)公式如下：

式中，xmax、xmin分別表示輸入量的最小值和最大值，ymin、ymax為-1 和1，x為輸入量的數(shù)據(jù)，y為歸一化后輸出數(shù)據(jù)；

設置網(wǎng)絡初始化參數(shù)，隱含層節(jié)點數(shù)為15，隸屬度函數(shù)參數(shù)Cji=0.01，bi=0.02。種群大小N=20，進化次數(shù)最大為100 次。選交叉概率為0.8，變異概率為0.1。

2 測試

2.1 數(shù)據(jù)來源

利用智能傳感器采集某溫室近7 d 的連續(xù)實際測量數(shù)據(jù)，樣本數(shù)據(jù)包括室內(nèi)溫度、濕度、CO2、大氣壓和光照強度，后4 項數(shù)據(jù)作為輸入數(shù)據(jù)，溫度數(shù)據(jù)作為輸出數(shù)據(jù)。每隔2 min采集一次，共采集了4 720組樣本數(shù)據(jù)，前4 320 組樣本數(shù)據(jù)作為訓練，最后400組樣本數(shù)據(jù)作為輸出測試，10 min后的溫度數(shù)據(jù)為預測輸出數(shù)據(jù)。表1為采集的部分樣本數(shù)據(jù)。

表1 部分樣本數(shù)據(jù)

2.2 評價指標

為了驗證模型性能，分別采用均方根誤差（RMSE）、平均絕對誤差（MAE）和平均絕對百分誤差(MAPE)對預測模型作評價分析，具體計算公式如下：

式中，VRMSE表示均方根誤差，VMAE表示平均絕度誤差，VMAPE表示平均絕對百分誤差，yi表示真實值，表示預測值，N是測試樣本中的數(shù)量。

2.3 仿真結(jié)果與分析

將數(shù)據(jù)輸入預測模型，通過MATLAB 軟件對該模型與未優(yōu)化的模糊神經(jīng)網(wǎng)絡模型進行驗證，獲得最佳隱含層節(jié)點數(shù)為4、隸屬度函數(shù)參數(shù)（Cji，b）i參數(shù)分別為2.920 3和2.258 8。

圖3 GA-FNN與FNN訓練效果對比圖

圖4 GA-FNN與FNN預測效果對比圖

運算結(jié)果對比如表2 所示。從表2 中可以看出，模糊神經(jīng)網(wǎng)絡預測（FNN）模型的RMSE 為2.528 5，MAE 為2.253 5，MAPE 為7.488 1，經(jīng)過遺傳算法優(yōu)化的模糊神經(jīng)網(wǎng)絡預測（GA-FNN）模型的RMSE 為1.213 1，MAE 為1.030 6，MAPE 為6.207 1，分別提升了51.3%，54.2%，17.1%。

表2 模型結(jié)果對比

3 結(jié)論

通過選取對溫室溫度影響較大的因素作為輸入量，溫室溫度作為輸出量，構建了GA-FNN 溫室溫度預測模型，并與傳統(tǒng)FNN 模型進行了結(jié)果對比，結(jié)果表明：基于GA-FNN 溫室溫度預測模型具有更好的預測精度，可以實現(xiàn)溫室大棚內(nèi)溫度參數(shù)值的預測。