[发明专利]一种基于遗传算法改进的BP神经网络的温室环境预测反馈方法

权利要求书

1.一种基于遗传算法改进的BP神经网络的温室环境预测反馈方法，其特征在于包括如下方法步骤:

(1)获取若干组被测植物叶片温度及对其有影响的其它5个因子的监测数据值，其中，该5个因子是:温室外温度、相对湿度、太阳辐射照度、保温覆盖层状态和CO₂含量;

将这些数据归一化为-1至+1之间值，采用的归一化公式为：X*=X-XminXmax-Xmin]]>

其中：X^*代表归一化后的值，X为变量的实际值，X_max和X_min分别为变量的最大值和最小值;

将归一化后的这些数据组分类组以作为即将待用的训练和测试数据;

(2)建立BP神经网络，所述的BP神经网络包括一个输入层、一个中间层和一个输出层;

(3)采用遗传算法对上述建立的BP神经网络进行优化;

(4)对优化后的BP神经网络进行训练和测试;

(5)利用通过测试的BP神经网络预测植物叶片温度。

2.根据权利要求1所述的基于遗传算法改进的BP神经网络的温室环境预测反馈方法，其特征在于：所述的输入层有6个神经元，中间层有16个神经元，输出层有1个神经元。

3.根据权利要求1所述的基于遗传算法改进的BP神经网络的温室环境预测反馈方法，其特征在于：步骤2中，先通过遗传算法进行全局训练，优化神经网络初始权值和阈值，再用优化的权值和阈值对BP算法进行训练，使网络收敛速度加快和避免局部极小，得到全局最优解。

4.根据权利要求3所述的基于遗传算法改进的BP神经网络的温室环境预测反馈方法，其特征在于步骤(3)中优化的具体步骤是：

(a)随机产生初始群体，设N个个体，采用二进制编码机制对每个个体进行编码，从而构成基因链码，即染色体，每个基因链码对应一个神经网络的连接关系；

(b)确定适应度函数，以误差函数的倒数作为染色体的评价函数；计算每条染色体的适应度函数值，适应度函数值取F=1/E，其中E为平均误差均值函数，E=12PΣP=1PΣi=1O[Yip(t)-Ydip(t)]2]]>

其中P为训练样本的数量；O为输出层的神经元数；，分别为网络的实际输出和期望输出值；

(c)选择若干适应度函数值大的个体直接进入下一代，适应度值小的个体被淘汰；

(d)利用交叉、变异遗传算子对当前一代群体进行处理，并产生下一代群体；

(e)重复步骤(b)、(c)和(d)，对新一代群体进行新一轮迭代,直到训练目标满足终止条件为止。