基于貝葉斯正則化BP神經(jīng)網(wǎng)絡(luò)的日光溫室溫度預(yù)測(cè)模型

王紅君等

摘要：針對(duì)日光溫室溫度預(yù)測(cè)模型中輸入因子間存在復(fù)雜的耦合關(guān)系以及輸入因子過(guò)多而導(dǎo)致神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)規(guī)模過(guò)大等問(wèn)題，選用影響日光溫室溫度的環(huán)境因子組成數(shù)據(jù)樣本，對(duì)數(shù)據(jù)樣本進(jìn)行主成分分析。提取出影響日光溫室內(nèi)溫度的前3個(gè)成分作為BP神經(jīng)網(wǎng)絡(luò)模型的輸入變量，采用貝葉斯正則化算法對(duì)BP神經(jīng)網(wǎng)絡(luò)進(jìn)行改進(jìn)。結(jié)果表明，該方法改進(jìn)的BP神經(jīng)網(wǎng)絡(luò)模型得到簡(jiǎn)化，擬合曲線光滑，具有較好的泛化能力和網(wǎng)絡(luò)推廣能力。

關(guān)鍵詞：日光溫室；溫度；主成分分析；貝葉斯正則化；BP神經(jīng)網(wǎng)絡(luò)

中圖分類號(hào)：S24 文獻(xiàn)標(biāo)識(shí)碼：A 文章編號(hào)：0439-8114（2015）17-4300-04

DOI：10.14088/j.cnki.issn0439-8114.2015.17.051

日光溫室是指以太陽(yáng)能為主要能源，室內(nèi)安裝簡(jiǎn)易的加熱設(shè)施，夜間采用保溫被保溫，以滿足作物生長(zhǎng)需要的一種溫室。日光溫室環(huán)境溫度對(duì)作物生長(zhǎng)發(fā)育及產(chǎn)量起著至關(guān)重要的作用，不論其他環(huán)境條件如何，作物總是在溫度下降到某一低溫或超過(guò)某一高溫情況下停止生長(zhǎng)甚至死亡，只有維持在某一適宜溫度范圍內(nèi)，作物生長(zhǎng)發(fā)育才最好。因此，如果能得到有效、準(zhǔn)確的溫度預(yù)測(cè)值并將其用于指導(dǎo)生產(chǎn)過(guò)程，將有助于作物的生長(zhǎng)，也可以大大提高作物的質(zhì)量[1]。

近年來(lái)，國(guó)內(nèi)外學(xué)者采用不同的方法對(duì)日光溫室溫度預(yù)測(cè)展開研究，這些研究主要通過(guò)傳熱學(xué)分析、氣流場(chǎng)和溫度場(chǎng)分析等對(duì)室內(nèi)溫度進(jìn)行預(yù)測(cè)[2-6]，預(yù)測(cè)過(guò)程對(duì)復(fù)雜非線性系統(tǒng)進(jìn)行了較多的簡(jiǎn)化和近似處理，因此存在建模精度低、預(yù)測(cè)性較差等問(wèn)題[7]。影響日光溫室溫度的因子有很多，各因子間存在復(fù)雜的耦合關(guān)系，且存在信息冗余問(wèn)題。如何采用新的理論方法[8]準(zhǔn)確描述室內(nèi)溫度與影響因子間的關(guān)系，是解決目前日光溫室溫度預(yù)測(cè)精度低的關(guān)鍵。因此，本研究利用BP神經(jīng)網(wǎng)絡(luò)建立了日光溫室溫度預(yù)測(cè)模型，首先采用主成分分析法來(lái)簡(jiǎn)化BP神經(jīng)網(wǎng)絡(luò)的輸入神經(jīng)元個(gè)數(shù)，再用貝葉斯正則化算法提高網(wǎng)絡(luò)的泛化能力，最后建立了基于主成分分析法的貝葉斯正則化BP神經(jīng)網(wǎng)絡(luò)預(yù)測(cè)模型[9-11]。

4.3 BP神經(jīng)網(wǎng)絡(luò)模型的確定

BP神經(jīng)網(wǎng)絡(luò)模型主要由輸入層、隱含層、輸出層以及各層間的傳遞函數(shù)等組成，本研究選用三層BP神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)。隱含層節(jié)點(diǎn)數(shù)對(duì)BP神經(jīng)網(wǎng)絡(luò)的性能有很大影響[17]，一般較多的隱含層節(jié)點(diǎn)數(shù)可以帶來(lái)更好的性能，但可能導(dǎo)致訓(xùn)練時(shí)間過(guò)長(zhǎng)。若節(jié)點(diǎn)數(shù)太少，則網(wǎng)絡(luò)所能獲取的用以解決問(wèn)題的信息太少。因此，合理選擇隱含層單元數(shù)非常重要。

本研究根據(jù)Kolmogorov定理，確定三層BP神經(jīng)網(wǎng)絡(luò)隱含層節(jié)點(diǎn)數(shù)的近似關(guān)系：

n2=2n1+1

其中，n1為輸入層神經(jīng)元個(gè)數(shù)；n2為隱含層神經(jīng)元個(gè)數(shù)。

根據(jù)主成分分析結(jié)果，網(wǎng)絡(luò)的輸入節(jié)點(diǎn)數(shù)為3，輸出節(jié)點(diǎn)數(shù)為1，按照上述定理可以近似確定隱含層節(jié)點(diǎn)數(shù)為7。分別對(duì)輸入隱含層節(jié)點(diǎn)數(shù)為6、7、8、9（其他結(jié)構(gòu)參數(shù)均不變）的BP神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)測(cè)試訓(xùn)練，結(jié)果表明，3-7-1 BP神經(jīng)網(wǎng)絡(luò)具有較好的預(yù)測(cè)能力。

4.4 神經(jīng)網(wǎng)絡(luò)生成與訓(xùn)練

在Matlab環(huán)境中，用newff函數(shù)建立網(wǎng)絡(luò)，選取tansig作為激活函數(shù)，訓(xùn)練采用貝葉斯正則化算法的trainbr函數(shù)。設(shè)置最大訓(xùn)練次數(shù)為1 000，訓(xùn)練誤差為1e-5，訓(xùn)練速率為0.05，其余參數(shù)為默認(rèn)值。將數(shù)據(jù)樣本分為訓(xùn)練數(shù)據(jù)和測(cè)試數(shù)據(jù)，前600組的處理結(jié)果作為訓(xùn)練數(shù)據(jù)，將第601至第800組的處理結(jié)果作為測(cè)試數(shù)據(jù)。利用train函數(shù)對(duì)訓(xùn)練數(shù)據(jù)進(jìn)行訓(xùn)練，訓(xùn)練和測(cè)試的均方誤差（mse）結(jié)果如圖2所示。

4.5 測(cè)試神經(jīng)網(wǎng)絡(luò)

將測(cè)試的輸出數(shù)據(jù)還原，與溫室實(shí)際溫度作比較（表2）。結(jié)果表明，采用基于貝葉斯正則化BP神經(jīng)網(wǎng)絡(luò)預(yù)測(cè)日光溫室溫度是可行的。

5 小結(jié)

1）針對(duì)日光溫室影響溫度的7個(gè)因子之間存在耦合關(guān)系以及影響因子中存在冗余信息的問(wèn)題，通過(guò)主成分分析將其簡(jiǎn)化為3個(gè)主成分，這3個(gè)主成分涵蓋了所有變量98.11%的信息，這樣在保證原始數(shù)據(jù)信息完整的基礎(chǔ)上，起到了顯著降維的作用，同時(shí)由于各主成分間的正交性避免了輸入節(jié)點(diǎn)之間耦合關(guān)系的發(fā)生。

2）利用貝葉斯正則化算法訓(xùn)練BP神經(jīng)網(wǎng)絡(luò)不僅對(duì)訓(xùn)練樣本表現(xiàn)出很強(qiáng)的擬合能力，而且對(duì)預(yù)測(cè)樣本同樣表現(xiàn)出很強(qiáng)的推廣能力。

參考文獻(xiàn)：

[1] 琳 琳，吳 剛.溫室小氣候環(huán)境建模與控制的現(xiàn)狀及展望[J].自動(dòng)化博覽，2010（2）：58-60.

[2] 鄧玲黎，李百軍，毛罕平.長(zhǎng)江中下游地區(qū)溫室內(nèi)溫濕度預(yù)測(cè)模型的研究[J].農(nóng)業(yè)工程學(xué)報(bào)，2004，20（1）：263-266.

[3] 佟國(guó)紅，李保明，DAVID M C，等.用CFD方法模擬日光溫室溫度環(huán)境初探[J].農(nóng)業(yè)工程學(xué)報(bào)，2007，23（7）：178-185.

[4] 陳教料，胥 芳，張立彬，等.基于CFD技術(shù)的玻璃溫室加熱環(huán)境數(shù)值模擬[J].農(nóng)業(yè)機(jī)械學(xué)報(bào)，2008，39（8）：114-118.

[5] 蔣勇翔，秦琳琳，石 春，等.基于機(jī)理模型的現(xiàn)代溫室濕度系統(tǒng)建模[J].江南大學(xué)學(xué)報(bào)（自然科學(xué)版），2013，12（5）：535-540.

[6] 張國(guó)林，宗英飛，王吉宏.遼西日光溫室溫度變化規(guī)律及溫度預(yù)測(cè)模型[J].中國(guó)農(nóng)學(xué)通報(bào)，2013，29（23）：117-122.

[7] 楊衛(wèi)中，王一鳴，董喬雪，等.大型連棟溫室環(huán)境參數(shù)的線性時(shí)不變系統(tǒng)建模[J].農(nóng)業(yè)工程學(xué)報(bào)，2010，26（14）：285-289.

[8] 徐立鴻，蘇遠(yuǎn)平，梁毓明.面向控制的溫室系統(tǒng)小氣候環(huán)境模型要求與現(xiàn)狀[J].農(nóng)業(yè)工程學(xué)報(bào)，2013，29（19）：1-15.

[9] 何 芬，馬承偉.溫室濕度環(huán)境的主成分分析人工神經(jīng)網(wǎng)絡(luò)建模研究[J].上海交通大學(xué)學(xué)報(bào)，2008，26（5）：428-431.

[10] 金 龍，況 雪.人工神經(jīng)網(wǎng)絡(luò)預(yù)報(bào)模型的過(guò)擬合研究[J].動(dòng)力工程，2008（6）：431-435.

[11] 喻勝華，鄧 娟.基于主成分分析和貝葉斯正則化BP神經(jīng)網(wǎng)絡(luò)的GDP預(yù)測(cè)[J].湖南大學(xué)學(xué)報(bào)，2011，25（6）：42-45.

[12] 周松林，茆美琴，蘇建徽.基于主成分分析與人工神經(jīng)網(wǎng)絡(luò)的風(fēng)電功率預(yù)測(cè)[J].電網(wǎng)技術(shù)，2011，35（9）：128-132.

[13] 王春玲，魏瑞江，申雙和，等.基于BP神經(jīng)網(wǎng)絡(luò)的冬季日光溫室小氣候模擬[J].中國(guó)農(nóng)學(xué)通報(bào)，2014，30（5）：149-157.

[14] 金志鳳，符國(guó)槐，黃海靜，等.基于BP神經(jīng)網(wǎng)絡(luò)的楊梅大棚內(nèi)氣溫預(yù)測(cè)模型研究[J].中國(guó)農(nóng)業(yè)氣象，2011，32（3）：362-367.

[15] 李 洋，石必明.基于貝葉斯正則化BP人工神經(jīng)網(wǎng)絡(luò)的煤與瓦斯突出預(yù)測(cè)的研究[J].工況自動(dòng)化，2009（2）：1-4

[16] 江學(xué)軍，唐煥文.前饋網(wǎng)絡(luò)泛化性能的系統(tǒng)分析[J].系統(tǒng)工程理論與實(shí)踐，2000，20（8）：36-40.

[17] 周紅曉，蔡 俊，張德官.一種優(yōu)化多層前饋神經(jīng)網(wǎng)絡(luò)中隱節(jié)點(diǎn)數(shù)的算法[J].浙江師范大學(xué)學(xué)報(bào)，2002，25（3）：268-271.

[18] 常麗娜，張林華.日光溫室空氣溫度與土壤溫度的相關(guān)性分析[J].山東建筑大學(xué)學(xué)報(bào)，2011（6）：595-598.