[发明专利]基于滚动BP神经网络的温室小气候中长期预测方法

权利要求书

1.基于滚动BP神经网络的温室小气候中长期预测方法，其特征在于，包括以下步骤：

步骤1：建立初始BP神经网络f₁，设当前时刻为t，输入t时刻的温室内部温湿度，输出预测的t+1时刻的温室内部温湿度，并得到f₁的网络参数，具体包括：

步骤1-1：基于无监督学习模型对t时刻的温室内部温湿度进行预训练，抽取输入数据的特征，并重构后输出；

步骤1-2：将数据的特征作为BP神经网络的初始化参数，进行有监督的目标学习，采用改进的局部粒子群优化方法结合遗传算法优化该BP神经网络的权重和阈值参数；

步骤1-2-1：将种群分为两个子群，在spmd并行结构中同时进行计算，初始化种群速度和位置、学习率C₁和C₂、惯性权重；

步骤1-2-2：将次数低于平均值的粒子次数清零，全局最优赋给子群全局最优，即badNum[N]＝0,P_Lg＝P_g，badNum为粒子次数，N为次数低于平均数的粒子编号，P_Lg为子群全局最优，P_g为全局最优；

步骤1-2-3：更新粒子的速度和位置：

v_i(t+1)＝ωv_i(t)+c₁r₁(p_avg-x_i(t))+c₂r₂(p_Lg-x_i(t))，x_i(t+1)＝x_i(t)+v_i(t+1)，其中，i＝1，2，…，N，t为当前迭代次数，ω是惯性权重，c1、c2是加速因子，r1、r2是[0，1]区间的随机数，v_i(t)为粒子原速度，v_i(t+1)为更新后的粒子速度，p_avg为个体极值中心点，p_Lg为每个子群的全局最优位置，x_i(t)为粒子原位置，x_i(t+1)为更新后的粒子位置；

步骤1-2-4：引入交叉算子，若产生的随机数小于交叉概率P_C，则两个子群执行交叉操作：x_ik＝p_Lg1k，x_jl＝p_Lg2l，其中，x_ik为第一个子群中第i个粒子位置的第k维元素，p_Lg1k为第一个子群全局最优位置的第k维元素，x_jl为第二个子群中第j个粒子位置的第l维元素，p_Lg2l为第二个子群全局最优位置的第l维元素，i、j＝1，2，…，N/2且i≠j，k∈[(IN+1)*HN+1，D]，l∈[1，(IN+1)*HN]，IN为神经网络的输入层神经元个数，HN为隐藏层神经元个数，D为粒子的维度，并计算每个粒子的适应度J(i)，若随机数大于交叉概率P_C，则不进行任何操作；

步骤1-2-5：更新局部最优P_i，若更新后的粒子位置优于原来的粒子位置，则将新粒子位置作为该粒子的P_i，并作为本次迭代中的全局最优P_Lg，更新个体机制中心点P_avg，计算每个子群平均适应度fit_avg，若更新后的粒子位置未优于原来的粒子位置，则不进行任何操作；

步骤1-2-6：引入变异算子，若J(i)＜fit_avg，则令badNum(i)+1，若badNum(i)≥badNumLimit，则随机初始化粒子的位置和速度：x_id＝a+(b-a)*rand，v_id＝m+(n-m)*rand，其中d＝1，2，…，D，a和b是限定粒子的最小和最大位置，m和n是限定粒子的最小和最大速度，rand为[0,1)之间的均匀随机数；

步骤1-2-7：判断是否达到预设的内部迭代次数，若是，则比较两子群的子群最优，获得全局最优，若否，则转步骤1-2-3；

步骤1-2-8：判断是否达到最大迭代次数或满足gbest(n)-gbest(n-4)<＝0.0001，若是，则停止迭代，若否，则转步骤1-2-2；

步骤1-3：采用最优权重和阈值参数建立初始BP神经网络f₁，输出预测的t+1时刻的温室内部温湿度；

步骤2：建立滚动的BP神经网络群，包括n-1个神经网络f_n，每个神经网络f_n包含训练集train_X_n和测试集test_X_n，相邻两个神经网络的训练集和测试集之间均相隔一个时刻，其中，train_X_n表示t+n-1时刻的训练集，test_X_n表示t+n-1时刻的测试集，n≥2；

步骤3：利用train_X_n和网络参数结合梯度下降法训练f_n模型，训练完成后，再将train_X_n输入到f_n模型中，输出模拟结果train_Y_n；将test_X_n输入到f_n模型中，输出预测结果test_Y_n；

步骤4：令n＝n+1，转到步骤3。