亚洲免费av电影一区二区三区,日韩爱爱视频,51精品视频一区二区三区,91视频爱爱,日韩欧美在线播放视频,中文字幕少妇AV,亚洲电影中文字幕,久久久久亚洲av成人网址,久久综合视频网站,国产在线不卡免费播放

        ?

        神經(jīng)網(wǎng)絡(luò)在溫室小氣候預(yù)測(cè)中的應(yīng)用*

        2023-06-05 01:32:04楊承磊蘭玉彬王慶雨別曉婷單常峰王國(guó)賓
        關(guān)鍵詞:小氣候溫室神經(jīng)網(wǎng)絡(luò)

        楊承磊,蘭玉彬,王慶雨,別曉婷,單常峰,王國(guó)賓

        (1. 山東理工大學(xué)農(nóng)業(yè)工程與食品科學(xué)學(xué)院,山東淄博,255000;2. 國(guó)家精準(zhǔn)農(nóng)業(yè)航空施藥技術(shù)國(guó)際聯(lián)合研究中心山東理工大學(xué)分中心,山東淄博,255000)

        0 引言

        溫室小氣候控制是實(shí)現(xiàn)溫室氣候穩(wěn)定、促進(jìn)作物產(chǎn)量提升的重要手段。小氣候條件在很大程度上決定著作物的產(chǎn)量和品質(zhì),而溫室農(nóng)業(yè)擁有相對(duì)獨(dú)立且可控的小氣候,保證了溫室系統(tǒng)可以在任意地點(diǎn)進(jìn)行作物種植而不受當(dāng)?shù)貧夂驐l件的限制[1],保持溫室氣候獨(dú)立、改善作物生長(zhǎng)條件、延長(zhǎng)作物生長(zhǎng)時(shí)間、提高產(chǎn)量和果實(shí)的質(zhì)量[2]。要建立適宜作物生長(zhǎng)的溫室小氣候系統(tǒng),需要參考作物生長(zhǎng)的最優(yōu)環(huán)境條件[3]。但溫室系統(tǒng)具有非線(xiàn)性、時(shí)變、大滯后、多輸入多輸出的特點(diǎn),其狀態(tài)取決于一系列外部和內(nèi)部因素,這些復(fù)雜因素交雜使得人們難以對(duì)溫室環(huán)境進(jìn)行建模。

        目前常用來(lái)模擬溫室小氣候系統(tǒng)的模型分為機(jī)理模型[4]和辨識(shí)模型兩類(lèi)。機(jī)理模型是一類(lèi)基于能量與質(zhì)量守恒原則來(lái)描述系統(tǒng)與外界能量和物質(zhì)交換過(guò)程的模型,可以從原理上解釋系統(tǒng)的內(nèi)部發(fā)展規(guī)律,從而實(shí)現(xiàn)對(duì)系統(tǒng)變化趨勢(shì)的預(yù)測(cè)[5]。但是這種模型在建立時(shí)往往需要采集大量的參數(shù),而這些參數(shù)如果不能很好地獲取,將會(huì)直接影響模型的模擬效果。辨識(shí)模型是基于現(xiàn)代計(jì)算機(jī)技術(shù)建立的,又被稱(chēng)為“黑盒”模型,是一種根據(jù)模型輸入和輸出自動(dòng)進(jìn)行參數(shù)優(yōu)化的模型,這種模型不需要研究者掌握研究對(duì)象的內(nèi)部運(yùn)行規(guī)律而能直接根據(jù)系統(tǒng)輸入與輸出的關(guān)系建模,實(shí)現(xiàn)對(duì)未來(lái)的預(yù)測(cè)。這使得辨識(shí)模型非常適合反映無(wú)法編程或無(wú)法解釋的知識(shí),以及非線(xiàn)性系統(tǒng)的表示。

        在農(nóng)業(yè)進(jìn)入4.0發(fā)展時(shí)代以及智能控制設(shè)備進(jìn)入普通溫室的大背景下,如何通過(guò)現(xiàn)代計(jì)算機(jī)技術(shù)來(lái)模擬溫室動(dòng)態(tài)系統(tǒng)以實(shí)現(xiàn)對(duì)溫室環(huán)境因子的精準(zhǔn)預(yù)測(cè),減少因?yàn)閮H僅依靠人工經(jīng)驗(yàn)進(jìn)行控制所造成的控制滯后和隨之帶來(lái)的作物損傷和減產(chǎn),是目前溫室產(chǎn)業(yè)尤其是智能溫室亟需解決的一大難題[6-7]。神經(jīng)網(wǎng)絡(luò)作為典型的辨識(shí)模型,極大降低了溫室小氣候預(yù)測(cè)模型的建模難度和研究門(mén)檻。并且近年來(lái)隨著計(jì)算機(jī)科學(xué)與人工智能的興起,深度學(xué)習(xí)成為了一種更好的解決方案,與人工神經(jīng)網(wǎng)絡(luò)相比,深度學(xué)習(xí)擁有“更深層的”網(wǎng)絡(luò),它通過(guò)各種處理方法來(lái)自動(dòng)提取溫室環(huán)境數(shù)據(jù)中更深層的特征進(jìn)行學(xué)習(xí),使其具有強(qiáng)大的學(xué)習(xí)能力,提高了模型的精度。本文綜述了不同類(lèi)型的神經(jīng)網(wǎng)絡(luò)在溫室小氣候預(yù)測(cè)中的應(yīng)用,總結(jié)了現(xiàn)有模型存在的缺陷與不足,并對(duì)存在的問(wèn)題提出了建議,希望為后續(xù)研究者在溫室小氣候預(yù)測(cè)及溫室智能控制領(lǐng)域的研究提供參考。

        1 溫室小氣候預(yù)測(cè)

        溫室小氣候系統(tǒng)是由外部天氣條件、溫室控制機(jī)制(通風(fēng)口、排氣扇、加熱器、蒸發(fā)冷卻系統(tǒng)等)、作物和其他內(nèi)部因素構(gòu)成的復(fù)雜動(dòng)態(tài)系統(tǒng)[8],用于創(chuàng)造比外界更理想的作物生長(zhǎng)條件即淡季作物條件,保護(hù)作物免受惡劣天氣的影響,提高農(nóng)民的經(jīng)濟(jì)收益。溫室小氣候系統(tǒng)建模對(duì)于實(shí)現(xiàn)溫室小氣候控制至關(guān)重要,溫度[9-10]、濕度[11]、二氧化碳濃度[12-13]和光照強(qiáng)度等環(huán)境因素會(huì)影響作物的生長(zhǎng)進(jìn)而影響產(chǎn)量[14]。圖1展示了溫室小氣候模型的原理[15]。

        圖1 溫室小氣候模型原理圖

        1.1 溫室小氣候預(yù)測(cè)必要性

        建立溫室小氣候模型可以準(zhǔn)確預(yù)測(cè)溫室能量和物質(zhì)變化的過(guò)程[16],有助于農(nóng)民提前預(yù)測(cè)極端氣候并采取應(yīng)對(duì)措施[17]。如果未采用適宜的溫室控制措施會(huì)損害作物生長(zhǎng),甚至可能會(huì)導(dǎo)致大面積的作物死亡,給農(nóng)民帶來(lái)巨大的經(jīng)濟(jì)損失。

        近年來(lái),溫室小氣候控制因其對(duì)提高作物產(chǎn)量的巨大貢獻(xiàn)而受到廣泛關(guān)注[18-19],是溫室系統(tǒng)成功運(yùn)行的關(guān)鍵,但以往溫室中使用的常規(guī)控制方案,很難保證滿(mǎn)足更高的性能需求[20],在這種情況下,基于溫室小氣候預(yù)測(cè)的控制技術(shù)可以提供更好的控制精度,如廣義預(yù)測(cè)控制[21]、最優(yōu)控制[22]、模型預(yù)測(cè)控制[23-24]、神經(jīng)網(wǎng)絡(luò)控制[25]、模糊控制[26]、魯棒控制[27]和自適應(yīng)線(xiàn)性二次控制[28]等。

        1.2 溫室系統(tǒng)建模方法

        1.2.1 機(jī)理模型

        在過(guò)去的幾十年中,由于機(jī)理模型的可解釋性和計(jì)算機(jī)發(fā)展水平的限制,大量研究者專(zhuān)注研究機(jī)理模型。機(jī)理模型又可以分為靜態(tài)模型和動(dòng)態(tài)模型。靜態(tài)模型[29]又被稱(chēng)為穩(wěn)態(tài)模型,是描述系統(tǒng)在處于相對(duì)平衡狀態(tài)時(shí)系統(tǒng)各變量相互作用的模型,而動(dòng)態(tài)模型則是揭示系統(tǒng)內(nèi)變量隨時(shí)間變化規(guī)律的。靜態(tài)模型雖然容易實(shí)現(xiàn),但精度較低。基于這個(gè)原因,Takakura等[30]建立了第一個(gè)相對(duì)完整的溫室動(dòng)態(tài)模型,該模型全面描述了溫室內(nèi)的熱濕傳遞過(guò)程。近年來(lái),溫室動(dòng)態(tài)模型得到了改進(jìn)和發(fā)展,有研究者開(kāi)發(fā)了無(wú)土介質(zhì)黃瓜種植的溫室小氣候模型[31],該模型能夠預(yù)測(cè)自然通風(fēng)條件下的溫室中空氣、植物、生長(zhǎng)介質(zhì)和塑料覆蓋物的溫度。另外,一種新的溫室模擬方法——計(jì)算流體力學(xué)[32-33](Computational Fluid Dynamics, CFD),彌補(bǔ)了以往模型無(wú)法計(jì)算溫室中溫濕度分布的缺陷。

        機(jī)理模型雖然可以從原理上解釋溫室系統(tǒng)的運(yùn)行規(guī)律和變化趨勢(shì),但是其存在參數(shù)獲取難度大的問(wèn)題以及隨著時(shí)間推移,溫室內(nèi)材料、結(jié)構(gòu)等發(fā)生老化變形也會(huì)影響模型精度的問(wèn)題,為機(jī)理模型的推廣帶來(lái)了挑戰(zhàn)。

        1.2.2 辨識(shí)模型

        溫室系統(tǒng)具有控制滯后和氣候隨時(shí)間變化的特點(diǎn),因此溫室環(huán)境因子數(shù)據(jù)具有特定的序列變化趨勢(shì)和周期特征。對(duì)于這種時(shí)間序列問(wèn)題,可以使用常規(guī)統(tǒng)計(jì)模型或神經(jīng)網(wǎng)絡(luò)模型建模。

        1) 常規(guī)統(tǒng)計(jì)模型。傳統(tǒng)的時(shí)間序列分析方法通過(guò)統(tǒng)計(jì)方法中的自相關(guān)函數(shù)和偏自相關(guān)函數(shù)建立線(xiàn)性序列模型:帶外部輸入的自回歸模型[34](Autoregressive Model with Exogenous Input, ARX)、帶外部輸入的自回歸滑動(dòng)平均模型[35](Auto Regression and Moving Average Model with Exogenous Input, ARMAX)和非線(xiàn)性序列模型(帶外部輸入的非線(xiàn)性自回歸神經(jīng)網(wǎng)絡(luò)[36](Nonlinear Autoregressive Exogenous Model, NARX)等來(lái)預(yù)測(cè)目標(biāo)環(huán)境因子。

        2) 神經(jīng)網(wǎng)絡(luò)建模。常規(guī)統(tǒng)計(jì)模型只關(guān)注時(shí)間序列本身的變化,對(duì)于非線(xiàn)性或復(fù)雜系統(tǒng)的模擬能力并不優(yōu)秀,因此神經(jīng)網(wǎng)絡(luò)模型[37]作為一種更加先進(jìn)、更適合復(fù)雜溫室系統(tǒng)的技術(shù)應(yīng)用到溫室小氣候建模中。

        除了上述兩種模型外,模糊理論[38]、Petri Nets[39]等技術(shù)也被一些研究者應(yīng)用于溫室系統(tǒng)建模中,以下將詳細(xì)介紹神經(jīng)網(wǎng)絡(luò)在溫室小氣候預(yù)測(cè)中的應(yīng)用。

        2 神經(jīng)網(wǎng)絡(luò)在溫室小氣候預(yù)測(cè)中的應(yīng)用

        神經(jīng)網(wǎng)絡(luò)技術(shù)是一種并行非線(xiàn)性的大型動(dòng)態(tài)系統(tǒng),能根據(jù)預(yù)先提供的輸入數(shù)據(jù)集和輸出數(shù)據(jù)集建立關(guān)系模型,然后輸入新的數(shù)據(jù)經(jīng)過(guò)規(guī)律推算得到輸出結(jié)果,且具有自學(xué)習(xí)和自適應(yīng)的能力。應(yīng)用在溫室小氣候預(yù)測(cè)中的神經(jīng)網(wǎng)絡(luò)技術(shù)主要有以下四種,前饋神經(jīng)網(wǎng)絡(luò)、循環(huán)神經(jīng)網(wǎng)絡(luò)、深度神經(jīng)網(wǎng)絡(luò)和混合神經(jīng)網(wǎng)絡(luò)。

        2.1 前饋神經(jīng)網(wǎng)絡(luò)在溫室小氣候預(yù)測(cè)中的應(yīng)用

        2.1.1 多層感知器(MLP)網(wǎng)絡(luò)

        多層感知器(Multi-Layer Perceptron,MLP)是一種常見(jiàn)的前饋型神經(jīng)網(wǎng)絡(luò),最典型的MLP包括3層:輸入層、隱藏層和輸出層,MLP不同層之間是全連接的。一般MLP網(wǎng)絡(luò)使用誤差反向傳播(Back Propagation,BP)算法對(duì)模型進(jìn)行訓(xùn)練,也被稱(chēng)為BP神經(jīng)網(wǎng)絡(luò),其學(xué)習(xí)過(guò)程包括信息正向傳播和誤差反向傳播過(guò)程,在誤差反向傳播過(guò)程中,輸出值與期望值的偏差通過(guò)隱藏層逐層反向傳遞,傳遞給各層的每一個(gè)神經(jīng)元,然后各層根據(jù)誤差來(lái)修改自己的權(quán)重,直至誤差控制在一個(gè)可以接受的范圍內(nèi)。

        溫室小氣候預(yù)測(cè)中最常見(jiàn)的是對(duì)于溫度和濕度的預(yù)測(cè),最典型的三層BP神經(jīng)網(wǎng)絡(luò)可以實(shí)現(xiàn)精準(zhǔn)的預(yù)測(cè)效果。例如使用三層BP神經(jīng)網(wǎng)絡(luò)[40]來(lái)提前一天預(yù)測(cè)溫室的平均氣溫和相對(duì)濕度,通過(guò)改變隱藏層節(jié)點(diǎn)的數(shù)量來(lái)尋找最佳的網(wǎng)絡(luò)結(jié)構(gòu),最優(yōu)模型對(duì)于溫度和濕度的預(yù)測(cè)誤差僅為0.711 ℃和2.514%,其他研究者還通過(guò)不同的優(yōu)化算法和激活函數(shù)對(duì)模型進(jìn)行了優(yōu)化,例如使用只有一個(gè)隱藏層的BP神經(jīng)網(wǎng)絡(luò)預(yù)測(cè)溫室內(nèi)的溫度和相對(duì)濕度[41],根據(jù)采集的環(huán)境因子和要被預(yù)測(cè)的環(huán)境因子確定神經(jīng)網(wǎng)絡(luò)輸入、輸出層的節(jié)點(diǎn)數(shù)量,分別使用Levenberg-Marquardt(LM)算法、貝葉斯正則化反向傳播算法、擬牛頓反向傳播算法(Broyden-Fletcher-Goldfarb-Shanno, BFGS)對(duì)模型的訓(xùn)練方法進(jìn)行優(yōu)化,在訓(xùn)練時(shí)不斷調(diào)整激活函數(shù)和隱藏層的節(jié)點(diǎn)數(shù)量尋找最優(yōu)的網(wǎng)絡(luò)結(jié)構(gòu),最優(yōu)模型預(yù)測(cè)溫度和相對(duì)濕度的最大誤差為0.877 ℃和2.838%,能夠滿(mǎn)足溫室決策系統(tǒng)的要求。以上兩個(gè)模型雖然訓(xùn)練方法不同,但都是使用預(yù)測(cè)值的誤差進(jìn)行反向傳播來(lái)更新權(quán)值的,而通過(guò)對(duì)模型輸入策略的創(chuàng)新:在訓(xùn)練中使用真實(shí)值對(duì)模型的預(yù)測(cè)數(shù)據(jù)進(jìn)行校正,然后重新輸入模型,在后續(xù)預(yù)測(cè)中獲得了更好的預(yù)測(cè)效果[42],使用此方法對(duì)番茄溫室的溫濕度進(jìn)行預(yù)測(cè)時(shí),最優(yōu)模型在溫度和濕度測(cè)試集上的R2值分別達(dá)到了0.972和0.989,相比于多元線(xiàn)性回歸(MLR)模型取得了更好的預(yù)測(cè)效果。雖然只是最簡(jiǎn)單的三層網(wǎng)絡(luò)結(jié)構(gòu),但在訓(xùn)練方式和模型輸入等方面的不斷創(chuàng)新,使其在溫室溫濕度預(yù)測(cè)方面取得了良好的效果。

        隨著對(duì)模型算法研究的深入,有不少研究者將模型優(yōu)化的重點(diǎn)放在了最優(yōu)化算法上,最優(yōu)化算法可以加快模型學(xué)習(xí)和收斂的速度,使用LM算法訓(xùn)練的MLP神經(jīng)網(wǎng)絡(luò)用于預(yù)測(cè)溫室內(nèi)溫度[43],通過(guò)季節(jié)分割數(shù)據(jù)集,模型在冬季和夏季數(shù)據(jù)集上的決定系數(shù)分別是0.954 9和0.959 0。使用LM和梯度下降動(dòng)量法(Gradient Descent with Momentum,GDM)對(duì)四種MLP架構(gòu)的神經(jīng)網(wǎng)絡(luò)模型進(jìn)行優(yōu)化[44],模型在預(yù)測(cè)溫室屋頂溫度、室內(nèi)空氣濕度和土壤濕度時(shí),預(yù)測(cè)誤差僅為多元線(xiàn)性回歸模型的二分之一。另外隨著計(jì)算更高效、內(nèi)存占用更少的Adam算法的提出,使用了Adam算法優(yōu)化的擁有兩個(gè)隱藏層的MLP網(wǎng)絡(luò)預(yù)測(cè)溫室內(nèi)二氧化碳濃度[45]時(shí),通過(guò)改變隱藏層神經(jīng)元的數(shù)量使模型達(dá)到最佳性能,最優(yōu)模型的決定系數(shù)達(dá)到了0.97,不僅取得了良好的預(yù)測(cè)效果,同時(shí)減少了模型訓(xùn)練的時(shí)間。

        除了改進(jìn)優(yōu)化算法提高模型收斂速度外,利用主成分分析技術(shù)(Principal Components Analysis, PCA)優(yōu)化模型的輸入項(xiàng)的方法同樣達(dá)到了這樣的目標(biāo),PCA簡(jiǎn)化了數(shù)據(jù)樣本,使模型具有更快的學(xué)習(xí)收斂速度。He等[46]將PCA處理后的數(shù)據(jù)作為BP神經(jīng)網(wǎng)絡(luò)的輸入來(lái)預(yù)測(cè)溫室內(nèi)的濕度,在試驗(yàn)中,PCA-BP神經(jīng)網(wǎng)絡(luò)相比于逐步回歸方法不僅在預(yù)測(cè)精度方面有更好的表現(xiàn),同時(shí)大大降低了模型訓(xùn)練的運(yùn)行時(shí)間和內(nèi)存占用。除此之外,遺傳算法由于可以進(jìn)行全局優(yōu)化,同樣可以提高權(quán)值優(yōu)化的速度、降低訓(xùn)練時(shí)間,Wang等[47]在溫室作物的蒸騰模型中使用遺傳算法,優(yōu)化了輸入向量的權(quán)重并減少了長(zhǎng)時(shí)間訓(xùn)練產(chǎn)生的累積誤差。表1展示了多層感知器網(wǎng)絡(luò)在溫室小氣候預(yù)測(cè)中的部分應(yīng)用。

        表1 多層感知器(MLP)網(wǎng)絡(luò)在溫室小氣候預(yù)測(cè)中的應(yīng)用(部分)Tab. 1 Application of Multi-layer Perceptron (MLP) network in greenhouse microclimate prediction(part)

        2.1.2 徑向基函數(shù)(RBF)神經(jīng)網(wǎng)絡(luò)

        與BP神經(jīng)網(wǎng)絡(luò)不同的是,徑向基函數(shù)神經(jīng)網(wǎng)絡(luò)(Radial Basis Function Neural Network, RBF)使用徑向基函數(shù)作為激活函數(shù)。自20世紀(jì)80年代末提出后,因其相比于BP神經(jīng)網(wǎng)絡(luò)更快的收斂速度、更強(qiáng)的逼近能力和泛化能力,在分類(lèi)和多輸入多輸出系統(tǒng)建模中均獲得廣泛應(yīng)用。例如Ferreira等[25]搭建了RBF神經(jīng)網(wǎng)絡(luò)模型對(duì)水培溫室的室內(nèi)濕度進(jìn)行預(yù)測(cè),選擇外部光照強(qiáng)度、空氣溫度和室內(nèi)相對(duì)濕度作為模型的輸入,采用了三種離線(xiàn)訓(xùn)練模式和三種在線(xiàn)訓(xùn)練模式,并分別使用三種不同的優(yōu)化算法對(duì)訓(xùn)練方法進(jìn)行優(yōu)化,試驗(yàn)結(jié)果表明,每一種模型的預(yù)測(cè)精度都達(dá)到了進(jìn)行溫室控制的要求。

        基于RBF神經(jīng)網(wǎng)絡(luò)對(duì)于溫室系統(tǒng)良好的模擬能力,將RBF神經(jīng)網(wǎng)絡(luò)與比例、積分和微分控制(Proportional-integral-derivative Control, PID)等控制技術(shù)結(jié)合的方案在溫室小氣候控制方面取得了不錯(cuò)的效果。申超群等[48]使用RBF神經(jīng)網(wǎng)絡(luò)與PID控制結(jié)合,設(shè)計(jì)自適應(yīng)控制器用于溫室小氣候控制,RBF神經(jīng)網(wǎng)絡(luò)在線(xiàn)調(diào)整PID控制器參數(shù)。其設(shè)計(jì)的控制器在溫室內(nèi)溫度控制中與傳統(tǒng)PID控制相比,在響應(yīng)速度、平穩(wěn)性和適應(yīng)性方面表現(xiàn)更好,能夠滿(mǎn)足對(duì)溫室小氣候系統(tǒng)的精準(zhǔn)控制。而Hu等[19]通過(guò)將自適應(yīng)比例和微分控制器(Proportional-derivative Control, PD)的輸出限制在執(zhí)行器的執(zhí)行范圍之內(nèi)的方法,進(jìn)一步提高了RBF-PD控制器在溫室氣候控制方面的性能表現(xiàn)。Zeng等[49]則將研究重點(diǎn)放在了在線(xiàn)訓(xùn)練模型和離線(xiàn)訓(xùn)練模型控制性能的比較上。其在離線(xiàn)訓(xùn)練時(shí)使用遺傳算法根據(jù)誤差標(biāo)準(zhǔn)尋找最佳增益參數(shù),在線(xiàn)訓(xùn)練時(shí)采用一種新的學(xué)習(xí)率更新算法進(jìn)行訓(xùn)練。經(jīng)過(guò)試驗(yàn)驗(yàn)證,自適應(yīng)在線(xiàn)訓(xùn)練方案擁有更好的設(shè)定點(diǎn)監(jiān)控性能,更平滑的閉環(huán)響應(yīng),在整個(gè)控制期間環(huán)境因子振蕩幅度更小,控制滯后時(shí)間更短,控制方案可以很好地適應(yīng)外部氣候的波動(dòng)。

        前饋神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)簡(jiǎn)單、建模難度低,但是面對(duì)更加復(fù)雜的系統(tǒng)環(huán)境時(shí),由于大量環(huán)境因素存在復(fù)雜的非線(xiàn)性關(guān)系,簡(jiǎn)單的模型難以很好地模擬復(fù)雜環(huán)境,并且還存在著模型預(yù)測(cè)精度隨預(yù)測(cè)時(shí)間步長(zhǎng)增加而下降[50]等問(wèn)題。且隨著深度學(xué)習(xí)的發(fā)展,研究者發(fā)現(xiàn)溫室環(huán)境因子之間存在復(fù)雜的時(shí)間依賴(lài)性,即相鄰時(shí)刻甚至是相當(dāng)長(zhǎng)時(shí)間之前的環(huán)境變化會(huì)影響現(xiàn)在的環(huán)境變化,這被稱(chēng)為本地時(shí)間依賴(lài)性。前饋神經(jīng)網(wǎng)絡(luò)在面對(duì)溫室數(shù)據(jù)這種時(shí)間序列數(shù)據(jù)時(shí),也無(wú)法有效捕捉其中長(zhǎng)期的時(shí)間依賴(lài)性,因此對(duì)于溫室小氣候預(yù)測(cè)問(wèn)題,后來(lái)的研究者對(duì)其他類(lèi)型的神經(jīng)網(wǎng)絡(luò)進(jìn)行了研究。

        2.2 循環(huán)神經(jīng)網(wǎng)絡(luò)在溫室小氣候預(yù)測(cè)中的應(yīng)用

        為了捕捉環(huán)境因子的時(shí)間相關(guān)性和變化的周期性,研究人員通常使用循環(huán)神經(jīng)網(wǎng)絡(luò)(Recurrent Neural Network, RNN)來(lái)處理這類(lèi)問(wèn)題,RNN是一種基于序列建模的人工神經(jīng)網(wǎng)絡(luò),可以在神經(jīng)元之間橫向傳輸數(shù)據(jù)信息,并且部分表達(dá)數(shù)據(jù)之間的相關(guān)性[51],提取數(shù)據(jù)的時(shí)間特征。RNN由一系列循環(huán)神經(jīng)元組成,在訓(xùn)練中它會(huì)將前一個(gè)神經(jīng)元的輸出按照權(quán)重選擇作為下一個(gè)神經(jīng)元的輸入,這使得RNN網(wǎng)絡(luò)可以捕捉數(shù)據(jù)的長(zhǎng)期依賴(lài)性,這有助于它依靠歷史數(shù)據(jù)對(duì)未來(lái)的時(shí)間步做出預(yù)測(cè)。相比于上文中的前饋神經(jīng)網(wǎng)絡(luò),循環(huán)神經(jīng)網(wǎng)絡(luò)在溫室小氣候控制中的應(yīng)用相對(duì)還較少,然而循環(huán)神經(jīng)網(wǎng)絡(luò)依靠其輸入層中更少的神經(jīng)元數(shù)量和獨(dú)特的內(nèi)部循環(huán)結(jié)構(gòu),獲得了更快的計(jì)算速度,展示了良好的性能,根據(jù)其設(shè)計(jì)的多種變種網(wǎng)絡(luò)逐漸避免了梯度消失的問(wèn)題,而在近年的溫室小氣候預(yù)測(cè)中應(yīng)用廣泛。

        2.2.1 Elman型循環(huán)神經(jīng)網(wǎng)絡(luò)

        Elman型循環(huán)神經(jīng)網(wǎng)絡(luò)是一種典型的動(dòng)態(tài)循環(huán)神經(jīng)網(wǎng)絡(luò),又被稱(chēng)為簡(jiǎn)單循環(huán)網(wǎng)絡(luò)(Simple Recurrent Network,SRN),是在BP神經(jīng)網(wǎng)絡(luò)的基礎(chǔ)上,在全連接層中加入了時(shí)序反饋連接即加入了一個(gè)承接層,將上一時(shí)刻的輸出狀態(tài)保存到承接層中,作為下一個(gè)時(shí)刻的輸入,達(dá)到了“記憶”的目的。因此相比于BP神經(jīng)網(wǎng)絡(luò),它在具有時(shí)變特點(diǎn)的數(shù)據(jù)集上表現(xiàn)更好,穩(wěn)定性更強(qiáng),擁有更強(qiáng)的快速尋優(yōu)能力。

        溫室系統(tǒng)中的環(huán)境數(shù)據(jù)是隨時(shí)間變化的,因此Elman型循環(huán)神經(jīng)網(wǎng)絡(luò)相比于前饋神經(jīng)網(wǎng)絡(luò)更適用于溫室系統(tǒng)建模。Hongkang等[52]建立Elman循環(huán)神經(jīng)網(wǎng)絡(luò)模型來(lái)預(yù)測(cè)溫室內(nèi)的溫度和濕度,模型使用動(dòng)量BP算法來(lái)修改連接權(quán)重,以減少預(yù)測(cè)誤差并提高學(xué)習(xí)能力。相比于BP網(wǎng)絡(luò)和未經(jīng)訓(xùn)練的RNN網(wǎng)絡(luò),模型在評(píng)價(jià)函數(shù)RMSE和MAE上都有更好的表現(xiàn),能夠?qū)崿F(xiàn)短期內(nèi)對(duì)于溫度和濕度的準(zhǔn)確預(yù)測(cè),張建超等[53]同樣設(shè)計(jì)了基于Elman型神經(jīng)網(wǎng)絡(luò)的溫室環(huán)境因子預(yù)測(cè)模型,以采集的溫室內(nèi)溫度、濕度和CO2濃度的歷史數(shù)據(jù)作為模型的輸入,并將模型預(yù)測(cè)效果與RBF網(wǎng)絡(luò)和BP網(wǎng)絡(luò)進(jìn)行對(duì)比,結(jié)果顯示Elman模型的預(yù)測(cè)精度要優(yōu)于另外兩種神經(jīng)網(wǎng)絡(luò)模型。以上研究都顯示,循環(huán)神經(jīng)網(wǎng)絡(luò)在溫室系統(tǒng)模擬上更具有優(yōu)勢(shì)。而有研究者將這兩種網(wǎng)絡(luò)級(jí)聯(lián)來(lái)模擬溫室動(dòng)態(tài)系統(tǒng)[54],獲得了更低的控制誤差。后續(xù)又對(duì)Elman神經(jīng)網(wǎng)絡(luò)先進(jìn)行離線(xiàn)訓(xùn)練,再通過(guò)在線(xiàn)學(xué)習(xí)不斷調(diào)整權(quán)重來(lái)適應(yīng)溫室環(huán)境中的新的環(huán)境變化,并針對(duì)溫室的環(huán)境條件做出相應(yīng)的控制動(dòng)作[55],也獲得了良好的控制效果。

        2.2.2 RNN網(wǎng)絡(luò)的優(yōu)秀變種

        雖然RNN網(wǎng)絡(luò)的結(jié)構(gòu)決定了它非常適用于溫室系統(tǒng)建模,但當(dāng)輸入序列過(guò)長(zhǎng)時(shí),傳統(tǒng)的RNN模型會(huì)出現(xiàn)梯度爆炸或梯度消失的問(wèn)題,即在處理存在長(zhǎng)期依賴(lài)性的數(shù)據(jù)時(shí)會(huì)存在精度大幅下降的現(xiàn)象。針對(duì)這些問(wèn)題,研究者提出了長(zhǎng)短期記憶(Long Short Term Memory, LSTM)模型和門(mén)控循環(huán)單元(Gated Recurrent Unit,GRU)模型等改進(jìn)方案,通過(guò)增加門(mén)控機(jī)制來(lái)避免梯度爆炸和梯度消失的問(wèn)題。在實(shí)際應(yīng)用中,以溫室外部天氣數(shù)據(jù)為輸入,使用LSTM網(wǎng)絡(luò)預(yù)測(cè)溫室內(nèi)的溫度和相對(duì)濕度[56],LSTM網(wǎng)絡(luò)在預(yù)測(cè)能力和精度上均比BP神經(jīng)網(wǎng)絡(luò)更強(qiáng),如果結(jié)合物聯(lián)網(wǎng)系統(tǒng)設(shè)計(jì)基于LSTM神經(jīng)網(wǎng)絡(luò)的溫室自適應(yīng)控制系統(tǒng)可以提高控制精度,獲得更好的經(jīng)濟(jì)效益。在模型預(yù)測(cè)的時(shí)間步數(shù)方面,基于LSTM的預(yù)測(cè)模型在預(yù)測(cè)未來(lái)7天、30天和90天的溫室環(huán)境變化時(shí),均取得了很好的預(yù)測(cè)精度,體現(xiàn)出相比于傳統(tǒng)模型的優(yōu)勢(shì)[57]。

        LSTM網(wǎng)絡(luò)的優(yōu)勢(shì)不僅體現(xiàn)在溫室中溫濕度預(yù)測(cè)方面,在溫室其他相關(guān)因素預(yù)測(cè)方面同樣表現(xiàn)良好,在番茄溫室蒸騰量預(yù)測(cè)模型中[58],以溫室內(nèi)空氣溫度、相對(duì)濕度、光照強(qiáng)度和冠層相對(duì)葉面積指數(shù)作為神經(jīng)網(wǎng)絡(luò)的輸入,將LSTM與非線(xiàn)性自回歸神經(jīng)網(wǎng)絡(luò)(Nonlinear Auto-Regressive Model with Exogenous Inputs,NARX)、Elman神經(jīng)網(wǎng)絡(luò)以及RNN網(wǎng)絡(luò)的性能進(jìn)行了對(duì)比分析,LSTM預(yù)測(cè)模型的決定系數(shù)和平均絕對(duì)誤差分別達(dá)到了0.992 5和4.53 g,相比于其它模型具有更高的預(yù)測(cè)精度和泛化性能。另外為解決短期氣候變化對(duì)相鄰時(shí)間段氣候變化趨勢(shì)的影響,有研究者通過(guò)設(shè)置滑動(dòng)時(shí)間窗口[59]的方案,不僅提高了預(yù)測(cè)精度,同時(shí)也降低了傳感器收集的異常數(shù)據(jù)對(duì)預(yù)測(cè)精度的影響,提高了模型的魯棒性。

        表2展示了循環(huán)神經(jīng)網(wǎng)絡(luò)在溫室小氣候預(yù)測(cè)中的部分應(yīng)用。

        表2 循環(huán)神經(jīng)網(wǎng)絡(luò)在溫室小氣候預(yù)測(cè)中的應(yīng)用(部分)Tab. 2 Application of recurrent Neural network in Greenhouse microclimate prediction (part)

        不論是前饋神經(jīng)網(wǎng)絡(luò)還是循環(huán)神經(jīng)網(wǎng)絡(luò),在模型訓(xùn)練時(shí)都需要提供大量的數(shù)據(jù),有研究者指出在農(nóng)業(yè)生產(chǎn)中有時(shí)會(huì)難以提供足夠的數(shù)據(jù)量用于模型訓(xùn)練。因此Moon等[60]將基于五種常用的深度學(xué)習(xí)模型的遷移學(xué)習(xí)技術(shù)應(yīng)用到溫室小氣候預(yù)測(cè)中。在遷移學(xué)習(xí)測(cè)試中,根據(jù)訓(xùn)練目標(biāo)和遷移目標(biāo)之間的相似性,將預(yù)訓(xùn)練模型的某些層替換為新層,這些層在考慮測(cè)試數(shù)據(jù)集的情況下進(jìn)行重新訓(xùn)練[61],在模型訓(xùn)練之后,BiLSTM模型精度最高,模型的決定系數(shù)為0.69,雖然相比于一般的深度神經(jīng)網(wǎng)絡(luò)模型的精度有差距,但為在小規(guī)模數(shù)據(jù)情況下的溫室小氣候預(yù)測(cè)進(jìn)行了有益的嘗試。

        2.3 深度神經(jīng)網(wǎng)絡(luò)模型在溫室小氣候預(yù)測(cè)中的應(yīng)用

        Vaswani等[62]在2017年提出了一種基于自注意力機(jī)制的Sequence to Sequence (Seq2Seq)模型Transformer,該模型可以并行處理序列中的所有單詞,并將上下文與遠(yuǎn)距離的單詞結(jié)合起來(lái),在該步驟中,每個(gè)符號(hào)的信息可以通過(guò)自注意機(jī)制與所有其他符號(hào)進(jìn)行通信。自然語(yǔ)言處理(Natural Language Processing, NLP)領(lǐng)域一直是序列數(shù)據(jù)處理的先驅(qū),農(nóng)業(yè)領(lǐng)域的時(shí)間序列問(wèn)題同樣適用于Transformer模型[63],溫室小氣候預(yù)測(cè)問(wèn)題同樣符合時(shí)間序列輸入的特點(diǎn)。

        Transformer模型[63]的關(guān)鍵結(jié)構(gòu)是編碼-解碼器框架和自注意機(jī)制,圖2展示了基于Transformer模型的Encoder-Decoder模型示意圖,這使得它不僅突破了傳統(tǒng)的固定大小輸入框架、減少了因?yàn)殚L(zhǎng)期依賴(lài)性而導(dǎo)致的性能下降,而且大大提高了訓(xùn)練效率,降低了計(jì)算時(shí)間。

        圖2 Transformer模型結(jié)構(gòu)圖

        針對(duì)復(fù)雜溫室環(huán)境數(shù)據(jù)給模型預(yù)測(cè)帶來(lái)的挑戰(zhàn),研究者也對(duì)Transformer模型進(jìn)行了改進(jìn),如面對(duì)溫室環(huán)境數(shù)據(jù)強(qiáng)非線(xiàn)性和高噪聲的特點(diǎn),Jin等[64]提出了一種基于雙向自關(guān)注編碼-解碼器框架(BEDA)的用于預(yù)測(cè)多個(gè)溫室環(huán)境因子的神經(jīng)網(wǎng)絡(luò)預(yù)測(cè)模型,圖3展示了該模型的網(wǎng)絡(luò)結(jié)構(gòu)。其將編碼-解碼器框架用于溫室小氣候預(yù)測(cè),并引入多頭自注意機(jī)制,提高了模型處理數(shù)據(jù)長(zhǎng)距離依賴(lài)方面的能力,使用小波閾值去噪降低了傳感器數(shù)據(jù)異常值對(duì)于模型的干擾,與其他的神經(jīng)網(wǎng)絡(luò)模型相比,他們提出的預(yù)測(cè)器具有更好的準(zhǔn)確性、魯棒性和泛化性能。而為了解決溫室數(shù)據(jù)特征之間的強(qiáng)相關(guān)性導(dǎo)致的多重線(xiàn)性問(wèn)題,減少原始數(shù)據(jù)中包含的信息丟失,Zhang等[65]提出了一種基于Transformer的溫室溫度預(yù)測(cè)模型(TGTP),通過(guò)皮爾遜相關(guān)系數(shù)在眾多溫室環(huán)境數(shù)據(jù)中篩選出對(duì)溫度變化影響最大的環(huán)境因子,將其構(gòu)建為數(shù)據(jù)集。將數(shù)據(jù)集標(biāo)準(zhǔn)化后輸入Transformer模型進(jìn)行訓(xùn)練,通過(guò)試驗(yàn)驗(yàn)證,TGTP模型比LSTM、MLP等模型擁有更高的預(yù)測(cè)精度。

        圖3 雙向自關(guān)注編碼-解碼器框架(BEDA)結(jié)構(gòu)圖

        目前Transformer模型還存在著一些例如內(nèi)存在占用大,難以在農(nóng)業(yè)環(huán)境中部署的問(wèn)題,但針對(duì)這些問(wèn)題部分研究者已經(jīng)給出了解決方案[66]??傮w來(lái)說(shuō),基于多頭注意力機(jī)制對(duì)不同特征數(shù)據(jù)及同一數(shù)據(jù)不同時(shí)期依賴(lài)關(guān)系的有效捕捉這一優(yōu)勢(shì),Transformer模型及其變種在溫室小氣候預(yù)測(cè)領(lǐng)域必然會(huì)有更大的發(fā)展。

        2.4 混合(Hybrid)神經(jīng)網(wǎng)絡(luò)模型在溫室小氣候預(yù)測(cè)中的應(yīng)用

        單一神經(jīng)網(wǎng)絡(luò)在溫室小氣候預(yù)測(cè)方向的研究方興未艾,結(jié)合兩種甚至多種神經(jīng)網(wǎng)絡(luò)技術(shù)的混合(Hybrid)神經(jīng)網(wǎng)絡(luò)模型的出現(xiàn),成為近年來(lái)溫室小氣候預(yù)測(cè)的新方向。例如Rodríguez等[67]將NARX模型與MLP網(wǎng)絡(luò)結(jié)合組成的神經(jīng)網(wǎng)絡(luò)模型,將可測(cè)量信號(hào)的滯后值作為輸入向量,分別進(jìn)行一步預(yù)測(cè)與三十步預(yù)測(cè),證明模型在短期預(yù)測(cè)時(shí)能夠達(dá)到很高的精度,雖然在進(jìn)行長(zhǎng)步數(shù)預(yù)測(cè)時(shí)精度下降較多,難以滿(mǎn)足精度要求,但還是為混合模型設(shè)計(jì)做出了有益的探索。近些年的一些混合模型在精度上有了大幅提高,如多元卷積長(zhǎng)短期記憶網(wǎng)絡(luò)(CNN-LSTM)模型,利用CNN網(wǎng)絡(luò)[68]進(jìn)行特征提取后輸入LSTM網(wǎng)絡(luò),最早應(yīng)用于圖像文字標(biāo)注,當(dāng)研究者將其應(yīng)用到溫室小氣候預(yù)測(cè)中時(shí)[54],表現(xiàn)出較高的預(yù)測(cè)精度和效率。再比如李莉等[69]將隨機(jī)森林(Random Forest, RF)與GRU、LSTM、RNN網(wǎng)絡(luò)分別組合建立溫室番茄結(jié)果前期蒸騰量預(yù)測(cè)模型,選取作物相對(duì)葉面積指數(shù)、溫室內(nèi)空氣溫度、相對(duì)濕度、光照強(qiáng)度、光合有效輻射、基質(zhì)含水率和基質(zhì)溫度作為模型的輸入項(xiàng),試驗(yàn)結(jié)果表明,在模型性能對(duì)比中,RF-GRU模型展現(xiàn)出超越其他混合模型和單一模型的精度和穩(wěn)定性。根據(jù)實(shí)際任務(wù)將所需要的模型進(jìn)行混合組合,往往可以獲得更高的預(yù)測(cè)精度和穩(wěn)定性。

        神經(jīng)網(wǎng)絡(luò)通過(guò)對(duì)溫室小氣候的預(yù)測(cè)來(lái)改善作物生長(zhǎng)狀況的潛力已經(jīng)展露,基于神經(jīng)網(wǎng)絡(luò)來(lái)設(shè)計(jì)溫室自適應(yīng)控制器,對(duì)控制參數(shù)實(shí)現(xiàn)在線(xiàn)調(diào)整以創(chuàng)造作物理想的生長(zhǎng)條件,將為溫室作物生產(chǎn)提產(chǎn)增效提供巨大支持。

        3 總結(jié)與展望

        本文綜述了不同類(lèi)型的神經(jīng)網(wǎng)絡(luò)模型在溫室小氣候預(yù)測(cè)方面的應(yīng)用,神經(jīng)網(wǎng)絡(luò)模型作為一種辨識(shí)模型,將溫室系統(tǒng)看做一個(gè)多輸入多輸出的系統(tǒng),用系統(tǒng)目前可測(cè)的輸入輸出去預(yù)測(cè)未來(lái)一段時(shí)間的變化趨勢(shì)。在模型類(lèi)型上,前饋神經(jīng)網(wǎng)絡(luò)發(fā)展最早,在簡(jiǎn)單環(huán)境建??梢匀〉梅浅2诲e(cuò)的模擬效果,但由于其網(wǎng)絡(luò)結(jié)構(gòu)本身存在局限性,難以捕捉數(shù)據(jù)中存在的時(shí)間依賴(lài)性,因此循環(huán)神經(jīng)網(wǎng)絡(luò)逐漸得到發(fā)展,成為目前時(shí)間序列建模中應(yīng)用最為廣泛的一類(lèi)模型,其變種模型的發(fā)展也讓其擺脫了梯度消失和梯度爆炸的問(wèn)題。近年來(lái),在圖像識(shí)別和自然語(yǔ)言處理領(lǐng)域取得成功的深度學(xué)習(xí)技術(shù)開(kāi)始應(yīng)用到時(shí)間序列建模中,并有研究者將其應(yīng)用到了溫室小氣候預(yù)測(cè)中,取得了成功。深度神經(jīng)網(wǎng)絡(luò)模型以及混合模型在解決時(shí)間序列數(shù)據(jù)的長(zhǎng)期依賴(lài)問(wèn)題以及預(yù)測(cè)的準(zhǔn)確性方面相比于傳統(tǒng)模型存在優(yōu)勢(shì)。

        神經(jīng)網(wǎng)絡(luò)模型在溫室小氣候預(yù)測(cè)中展現(xiàn)出了機(jī)理模型難以取代的優(yōu)點(diǎn),但發(fā)展到目前為止,仍然存在一些問(wèn)題需要解決。

        1) 目前溫室小氣候預(yù)測(cè)模型大多只關(guān)注單一變量的預(yù)測(cè),而溫室作為一個(gè)復(fù)雜時(shí)變的系統(tǒng),各種環(huán)境因子相互冗雜、影響。例如在同一時(shí)間改變通風(fēng)口的開(kāi)角,會(huì)同時(shí)引起溫度、濕度、CO2濃度等因素不同程度的變化,并且溫室內(nèi)種植作物的不同,各環(huán)境因子間相互影響的程度也不同,溫室系統(tǒng)面對(duì)環(huán)境變化的穩(wěn)定程度也不相同,因此只是考慮單一變量的預(yù)測(cè),難以建立精準(zhǔn)的溫室小氣候預(yù)測(cè)系統(tǒng)。

        2) 神經(jīng)網(wǎng)絡(luò)模型本身的不可解釋性對(duì)于實(shí)際的生產(chǎn)實(shí)踐帶來(lái)了很大的不穩(wěn)定因素,另外相比于機(jī)理模型,其受溫室地理位置、結(jié)構(gòu)、溫室內(nèi)作物種植模式的影響比較大,在訓(xùn)練時(shí)需要的數(shù)據(jù)量更大,訓(xùn)練學(xué)習(xí)的時(shí)間也更長(zhǎng)。然而當(dāng)前模型計(jì)算的速度、預(yù)測(cè)模型的精度和同時(shí)對(duì)不同變量進(jìn)行控制的難度也使得其難以在實(shí)時(shí)系統(tǒng)中使用,這些都對(duì)神經(jīng)網(wǎng)絡(luò)模型的普及帶來(lái)了阻礙。

        3) 在模型可靠性檢驗(yàn)方面,目前的檢驗(yàn)方法一般是將實(shí)際觀測(cè)到的輸入輸出提供給模型,通過(guò)評(píng)價(jià)函數(shù)驗(yàn)證模型的輸出對(duì)溫室實(shí)際數(shù)值的逼近程度,但是這種方法只能檢驗(yàn)特定情況下模型的精度,而無(wú)法驗(yàn)證模型在不同條件下的可靠性和魯棒性。

        4) 深度神經(jīng)網(wǎng)絡(luò)擁有其它模型無(wú)法相比的優(yōu)勢(shì),但其對(duì)于計(jì)算機(jī)等邊緣設(shè)備的要求過(guò)高,難以在生產(chǎn)實(shí)際中進(jìn)行部署。

        針對(duì)上述問(wèn)題,本文對(duì)現(xiàn)有模型未來(lái)發(fā)展的方向提出如下建議。

        1) 在模型的輸入?yún)?shù)方面,在現(xiàn)有神經(jīng)網(wǎng)絡(luò)模型的基礎(chǔ)上,加入機(jī)理模型(即溫室系統(tǒng)熱力學(xué)、生物學(xué)等),綜合溫室內(nèi)更多的影響因素,以提高模型的預(yù)測(cè)精度。

        2) 在模型的結(jié)構(gòu)方面,結(jié)合當(dāng)前模型發(fā)展的趨勢(shì),將單一模型轉(zhuǎn)變?yōu)榛旌夏P?結(jié)合多種模型的優(yōu)勢(shì),提高模型的魯棒性,實(shí)現(xiàn)面向智能控制的精準(zhǔn)預(yù)測(cè)。

        3) 在模型性能檢驗(yàn)方面,采用更加嚴(yán)謹(jǐn)?shù)目煽啃詸z驗(yàn)方法,如采用概率統(tǒng)計(jì)的方法進(jìn)行驗(yàn)證,提高模型的可靠性。

        4) 在模型優(yōu)化方面,在深度神經(jīng)網(wǎng)絡(luò)中進(jìn)一步簡(jiǎn)化網(wǎng)絡(luò)結(jié)構(gòu),優(yōu)化算法以降低內(nèi)存占用,降低模型的部署難度。

        猜你喜歡
        小氣候溫室神經(jīng)網(wǎng)絡(luò)
        “引水工程”對(duì)克拉瑪依局地小氣候的改善
        現(xiàn)代溫室羊肚菌栽培技術(shù)
        蒼松溫室 蒼松灌溉
        蒼松溫室 蒼松灌溉
        神經(jīng)網(wǎng)絡(luò)抑制無(wú)線(xiàn)通信干擾探究
        電子制作(2019年19期)2019-11-23 08:42:00
        可以避免一個(gè)溫室化的地球嗎?
        不同坡位對(duì)毛竹林小氣候及地上生長(zhǎng)的影響
        山東林業(yè)科技(2016年5期)2016-07-05 00:43:04
        基于神經(jīng)網(wǎng)絡(luò)的拉矯機(jī)控制模型建立
        復(fù)數(shù)神經(jīng)網(wǎng)絡(luò)在基于WiFi的室內(nèi)LBS應(yīng)用
        中文字字幕在线精品乱码| 一区二区三区日本高清| 国产女人好紧好爽| 国产乱xxⅹxx国语对白| 国产精品无码无片在线观看3D| 亚洲精品中文字幕尤物综合 | 一区二区三区人妻在线| av网站在线观看入口| 天天鲁一鲁摸一摸爽一爽| 国产va免费精品高清在线观看| 91九色精品日韩内射无| 中国娇小与黑人巨大交| 国产婷婷一区二区三区| 国产成人无精品久久久| 亚洲国产精品日韩av专区| 综合色就爱涩涩涩综合婷婷| 伊伊人成亚洲综合人网7777| 日产精品一区二区免费| 久久精品日本不卡91| 欧美裸体xxxx极品少妇| 久久久99精品成人片中文字幕| 女同性恋看女女av吗| 国内精品久久久久影院优| 男人和女人高潮免费网站| 精品人妻一区二区三区蜜桃| 国产高清在线一区二区不卡| 尤物网址在线观看| 亚洲专区路线一路线二天美| 丰满人妻被持续侵犯中出在线| 天堂国产一区二区三区| 亚洲熟妇无码av不卡在线播放 | 亚洲av毛片一区二区久久| 九九综合va免费看| 天堂√中文在线bt| 亚洲精品2区在线观看| 美女主播网红视频福利一区二区| 日本公与熄乱理在线播放| 亚洲专区一区二区在线观看| 亚洲天堂av黄色在线观看| 三年片免费观看大全有| 手机看片福利盒子久久青|