[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

说明书

技术领域

本发明涉及一种温室环境参数的预测方法，特别涉及一种能够准确迅速预测温室内植物叶片温度的、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。 

背景技术

温室是具有非线性、随机性、强耦合和不确定性等特点的复杂系统。温室环境建模的目的主要是满足温室系统仿真、设计、预测、控制（最优化控制和自适应控制）和决策等方面的需要。温室环境建模的主要方法有基于物理过程的机理建模和测试法两种。基于物理过程的机理建模是以还原论为思想基础的，其思想方法是用相对简单的原理来解释复杂的现象或结构，利用非稳态传热传质理论得到描述温室环境动态过程的微分方程，通过求解微分方程在一定边界条件下的解得到环境动态模型。测试法是指利用输入输出数据所提供的信息来建立过程的数学模型，也称为系统辨识建模。系统辨识建模是解决系统的数学描述问题。对于非常复杂的系统，建立每一个参数都具有物理意义的机理模型是比较困难的。因此，根据试验方法，从试验数据中建立能反映系统的输入输出关系的模型。其模型参数可能不具有明确的物理意义，但并不影响系统设计和研究。系统辨识是在输入和输出的数据的基础上，从一组给定的模型类中，确定一个与所测系统等价的模型。其三要素是输入、输出数据，模型类和等价准则。实际中不可能寻找到一个与实际系统完全等价的模型，因此辨识就是从一组模型类中选择一个模型，按照某种准则，使之能最好地拟合实际系统的动态和静态特性。系统辨识的主要步骤为：试验设计—模型结构辨识—模型参数估计—模型检验。传统辨识算法的基本原理是通过建立依赖于参数的模 型，把辨识问题转化成对模型参数的估计问题。该法能较成功地应用于线性系统或可线性化的系统辨识，按基本原理主要有最小二乘法、梯度校正法和极大似然法。但对于一般非线性系统的辨识比较困难。而人工神经网络对非线性函数却具有任意逼近和自学习能力，为非线性系统的辨识提供了一种简单而有效的一般性方法。 

BP（Back Propagation，反向传播）神经网络是1986年由Rumelhart和McCelland为首的科学家小组提出，是一种按误差逆传播算法训练的多层前馈网络，是目前应用最广泛的神经网络模型之一。BP网络能学习和存贮大量的输入-输出模式映射关系，而无需事前揭示描述这种映射关系的数学方程。它的学习规则是使用最速下降法，通过反向传播来不断调整网络的权值和阈值，使网络的误差平方和最小。BP神经网络模型拓扑结构包括输入层、中间层（隐层）和输出层。 

发明内容

本发明的目的是提供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，可以准确、快速地预测温室中预测目标的参数。 

为实现上述目的，本发明采取以下设计方案： 

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。 

所述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。