模糊神經(jīng)網(wǎng)絡(luò)自動(dòng)控制算法在智慧農(nóng)業(yè)中的設(shè)計(jì)與應(yīng)用

◆文 燕 鄒承俊 葉 煜 李 敏

模糊神經(jīng)網(wǎng)絡(luò)自動(dòng)控制算法在智慧農(nóng)業(yè)中的設(shè)計(jì)與應(yīng)用

◆文 燕 鄒承俊 葉 煜 李 敏

（成都農(nóng)業(yè)科技職業(yè)學(xué)院 四川 611130）

隨著物聯(lián)網(wǎng)技術(shù)的深入應(yīng)用，建立智能化、自動(dòng)化和精準(zhǔn)化的現(xiàn)代農(nóng)業(yè)控制系統(tǒng)是現(xiàn)代農(nóng)業(yè)生產(chǎn)與管理的發(fā)展方向。該設(shè)計(jì)通過(guò)對(duì)模糊控制系統(tǒng)模型和神經(jīng)網(wǎng)絡(luò)的分析與深入研究，利用模糊推理和神經(jīng)網(wǎng)絡(luò)分析訓(xùn)練的有機(jī)結(jié)合得到最優(yōu)控制策略，設(shè)計(jì)出基于模糊神經(jīng)網(wǎng)絡(luò)的自動(dòng)控制算法，并將所設(shè)計(jì)的算法應(yīng)用到現(xiàn)代農(nóng)業(yè)生產(chǎn)的溫度控制中實(shí)現(xiàn)自動(dòng)控制，經(jīng)成都農(nóng)業(yè)科技職業(yè)學(xué)院現(xiàn)代農(nóng)業(yè)大棚的農(nóng)業(yè)信息數(shù)據(jù)樣本實(shí)驗(yàn)與測(cè)試，能夠滿足現(xiàn)代農(nóng)業(yè)控制領(lǐng)域的自動(dòng)控制需求。基于模糊神經(jīng)網(wǎng)絡(luò)的現(xiàn)代農(nóng)業(yè)自動(dòng)控制算法的設(shè)計(jì)與應(yīng)用，能夠推動(dòng)中國(guó)農(nóng)業(yè)現(xiàn)代化、信息化、自動(dòng)化、智能化的加速發(fā)展，應(yīng)用該算法所實(shí)現(xiàn)系統(tǒng)的通用性、可擴(kuò)展性良好，為下一步推廣應(yīng)用在其他領(lǐng)域的自動(dòng)控制的研究奠定堅(jiān)實(shí)的基礎(chǔ)。

模糊控制；神經(jīng)網(wǎng)絡(luò)；模糊神經(jīng)網(wǎng)絡(luò)；自動(dòng)控制；智慧農(nóng)業(yè)

由于信息技術(shù)不斷發(fā)展，農(nóng)業(yè)經(jīng)營(yíng)活動(dòng)的種植方式已經(jīng)向機(jī)械化、精準(zhǔn)化、智能化的現(xiàn)代轉(zhuǎn)變。在發(fā)達(dá)國(guó)家的農(nóng)場(chǎng)里，智能化的農(nóng)業(yè)經(jīng)營(yíng)生產(chǎn)管理系統(tǒng)已非常常見(jiàn)，智能化的管理系統(tǒng)是通過(guò)WSN自動(dòng)采集農(nóng)作物生長(zhǎng)過(guò)程的環(huán)境參數(shù)信息，并使用自動(dòng)化方法實(shí)現(xiàn)對(duì)農(nóng)作物生長(zhǎng)環(huán)境的監(jiān)測(cè)、控制、管理和儲(chǔ)存，既能夠有效提升農(nóng)作物產(chǎn)量，又能夠保證產(chǎn)品質(zhì)量。在我國(guó)，這種智能化的農(nóng)業(yè)生產(chǎn)管理方式尚未得到很好的推廣應(yīng)用，但隨著物聯(lián)網(wǎng)技術(shù)的應(yīng)用深入，國(guó)家從政策和經(jīng)濟(jì)上對(duì)農(nóng)業(yè)的大力扶持與投入，許多智慧農(nóng)業(yè)示范園區(qū)已經(jīng)初具規(guī)模，也有一些智慧農(nóng)業(yè)系統(tǒng)開(kāi)發(fā)基于模糊控制或者神經(jīng)網(wǎng)絡(luò)算法的智能控制系統(tǒng)，這些單一模糊控制系統(tǒng)，不能夠很快適應(yīng)變化的社會(huì)環(huán)境。

在農(nóng)業(yè)生產(chǎn)管理的自動(dòng)控制技術(shù)中，由于環(huán)境數(shù)據(jù)會(huì)不斷發(fā)生變化，很難準(zhǔn)確地對(duì)環(huán)境對(duì)象進(jìn)行建模?；诖?，現(xiàn)有的模糊控制滿足不了農(nóng)業(yè)環(huán)境迅速變化的現(xiàn)代農(nóng)業(yè)的自動(dòng)控制要求，而現(xiàn)階段所應(yīng)用的農(nóng)業(yè)環(huán)境變化分析和驗(yàn)證的基于神經(jīng)網(wǎng)絡(luò)分析算法在農(nóng)業(yè)環(huán)境的適應(yīng)性比較差。因此，本文把模糊控制與神經(jīng)網(wǎng)絡(luò)分析算法有機(jī)結(jié)合到一起，發(fā)揮了二者的最大應(yīng)用價(jià)值。以模糊神經(jīng)網(wǎng)絡(luò)為基礎(chǔ)的控制是通過(guò)適應(yīng)性訓(xùn)練數(shù)據(jù)獲得適合當(dāng)前農(nóng)業(yè)環(huán)境的最佳管理策略，把最佳控制策略以及適應(yīng)性訓(xùn)練應(yīng)用在現(xiàn)代農(nóng)業(yè)的灌溉與溫度的自動(dòng)控制與管理中，既節(jié)約水資源又保障作物最佳生長(zhǎng)環(huán)境，最終有效提高作物產(chǎn)量與質(zhì)量。

1 模糊控制系統(tǒng)的模型分析

模糊控制能夠看作是將模糊集理論以及模糊邏輯推理作為基礎(chǔ)的技術(shù)。它的本質(zhì)是可歸為智能控制領(lǐng)域的非線性控制，其顯著特征是有相對(duì)成熟的理論作為支撐，并且在真實(shí)場(chǎng)景中的應(yīng)用比較廣泛。對(duì)于應(yīng)用主動(dòng)控制模式的智能終端來(lái)講，要求將相關(guān)的自動(dòng)控制算法在嵌入到CPU中進(jìn)行運(yùn)行，從智能控制的角度來(lái)講，模糊神經(jīng)網(wǎng)絡(luò)相關(guān)算法運(yùn)用的比較多。常規(guī)的控制方式要求針對(duì)被控項(xiàng)目實(shí)現(xiàn)精準(zhǔn)建模操作，建模越精準(zhǔn)，對(duì)應(yīng)發(fā)出的控制信息更準(zhǔn)確。但對(duì)于真實(shí)的應(yīng)用場(chǎng)景，由于其存在的變量比較多且處在不斷變化當(dāng)中，倘若利用控制參數(shù)的方式達(dá)到簡(jiǎn)化系統(tǒng)的目標(biāo)，對(duì)應(yīng)的控制信息通常就不夠精準(zhǔn)。因此，在這樣的大環(huán)境下，將模糊控制算法應(yīng)用在變量較多的實(shí)際場(chǎng)景中，能夠發(fā)揮自動(dòng)控制的作用。本系統(tǒng)由選取輸入變量、模糊控制器、執(zhí)行機(jī)構(gòu)、被控對(duì)象以及變送器組成，系統(tǒng)相關(guān)的結(jié)構(gòu)模型具體如下圖1所示。

輸入輸出接口：模糊控制器經(jīng)輸入接口獲得數(shù)據(jù)，并且經(jīng)輸出接口把其轉(zhuǎn)變成模擬信號(hào)，以對(duì)被控對(duì)象進(jìn)行調(diào)控。

模糊控制器：PC或MCU及其相應(yīng)的軟件，包括模糊化，模糊推理以及去模糊化。

模糊化：將精確地輸入變量通過(guò)隸屬度函數(shù)轉(zhuǎn)變?yōu)榭谡Z(yǔ)化變量，得到的此種變量稱為模糊子集合。

模糊推理：這個(gè)步驟要求制定相關(guān)的模糊控制規(guī)則。模糊控制規(guī)則是以人類經(jīng)驗(yàn)為基礎(chǔ)設(shè)置的，其要具備充足知識(shí)以及網(wǎng)站經(jīng)驗(yàn)。

解模糊化：這個(gè)步驟需要把模糊邏輯推理獲得的相關(guān)模糊值轉(zhuǎn)變成精準(zhǔn)的信號(hào)，把其當(dāng)作輸入?yún)?shù)。

執(zhí)行機(jī)構(gòu)：它應(yīng)包含電動(dòng)以及氣動(dòng)調(diào)控裝置，如電動(dòng)機(jī)、控制閥等。

被控對(duì)象：它既能為缺少精確數(shù)學(xué)模型的對(duì)象，也能夠是具有更準(zhǔn)確數(shù)學(xué)模型的對(duì)象。

變送器（系統(tǒng)輸出反饋器）：這個(gè)步驟把收到的信號(hào)轉(zhuǎn)換為控制信號(hào)并使其輸出。

模糊控制規(guī)則的制定是模糊控制算法關(guān)鍵，一般有兩種方法通過(guò)If…then 確定模糊控制規(guī)則，一是系統(tǒng)信息依據(jù)專家經(jīng)驗(yàn)運(yùn)算得到，從理論上講這種方法允許系統(tǒng)以最佳狀態(tài)工作，但是因?yàn)閷?shí)際條件的改變通常要對(duì)規(guī)則進(jìn)行反復(fù)嘗試以及更改。另一種是系統(tǒng)信息依據(jù)現(xiàn)場(chǎng)工作人員的經(jīng)驗(yàn)獲取，雖然此種方法未經(jīng)理論運(yùn)算，然而它常常使系統(tǒng)工作在更好的狀態(tài)，需經(jīng)驗(yàn)豐富的人員進(jìn)行不斷調(diào)試。模糊控制算法在應(yīng)用現(xiàn)場(chǎng)并不依賴精確的數(shù)學(xué)模型，即使其可以實(shí)現(xiàn)系統(tǒng)的智能控制，也很難比較快速的使系統(tǒng)調(diào)整到最佳狀態(tài)，可以依據(jù)運(yùn)算以及經(jīng)驗(yàn)獲得隸屬函數(shù)以及模糊控制規(guī)則，不依賴應(yīng)用場(chǎng)所的準(zhǔn)確模型。

2 神經(jīng)網(wǎng)絡(luò)的分析與研究

神經(jīng)網(wǎng)絡(luò)在模式識(shí)別和分類、識(shí)別過(guò)濾、自動(dòng)控制和預(yù)測(cè)方面展現(xiàn)了其非凡的優(yōu)勢(shì)，通過(guò)不斷分析與適應(yīng)性訓(xùn)練的過(guò)程從海量的信息中獲得一定的規(guī)律性。在自動(dòng)控制以及智能化領(lǐng)域BP算法使用最普遍，BP網(wǎng)絡(luò)能學(xué)習(xí)和存貯大量的輸入-輸出模式映射關(guān)，是一類通過(guò)誤差逆?zhèn)鞑ニ惴ㄓ?xùn)練得到的多層前饋網(wǎng)絡(luò)，采用梯度下降方法連續(xù)調(diào)節(jié)網(wǎng)絡(luò)的閾值與權(quán)重，以最小化網(wǎng)絡(luò)的平方誤差之和。BP算法由數(shù)據(jù)流的正向傳播和誤差信號(hào)的反向傳播兩個(gè)過(guò)程構(gòu)成，其三層神經(jīng)網(wǎng)絡(luò)的拓?fù)浒ㄝ斎雽?、隱藏層以及輸出層，如圖2所示。

在進(jìn)行正向傳播時(shí)，傳播方向?yàn)檩斎雽印[層→輸出層，每層神經(jīng)元的狀態(tài)只影響下一層神經(jīng)元。若在輸出層得不到期望的輸出，則轉(zhuǎn)向誤差信號(hào)的反向傳播流程。通過(guò)這兩個(gè)過(guò)程的交替進(jìn)行，在權(quán)向量空間執(zhí)行誤差函數(shù)梯度下降策略，動(dòng)態(tài)迭代搜索一組權(quán)向量，使網(wǎng)絡(luò)誤差函數(shù)達(dá)到最小值，從而完成信息提取和記憶過(guò)程。

在BP網(wǎng)絡(luò)算法里，信號(hào)在正向方向上運(yùn)算，并且在利用誤差調(diào)節(jié)閾值以及權(quán)重時(shí)反轉(zhuǎn)，依照每層輸出的對(duì)應(yīng)誤差預(yù)估上一層的誤差情況，以此得到整個(gè)網(wǎng)絡(luò)對(duì)應(yīng)的誤差值。由于其具備比較強(qiáng)的自學(xué)習(xí)能力以及非線性映射能力，能夠針對(duì)工農(nóng)業(yè)真實(shí)場(chǎng)景中的信息進(jìn)行訓(xùn)練，得到最優(yōu)化的控制策略。

3 基于模糊神經(jīng)網(wǎng)絡(luò)算法的設(shè)計(jì)

模糊神經(jīng)網(wǎng)絡(luò)是模糊理論與神經(jīng)網(wǎng)絡(luò)兩者彼此結(jié)合得到的產(chǎn)物，把學(xué)習(xí)、聯(lián)想、識(shí)別、信息處理結(jié)合在一起。由于模糊控制不會(huì)對(duì)準(zhǔn)確的模型產(chǎn)生依賴，因此推理速度慢，準(zhǔn)確度低。然而，神經(jīng)網(wǎng)絡(luò)分析算法可以學(xué)習(xí)現(xiàn)場(chǎng)場(chǎng)景數(shù)據(jù)并獲得最優(yōu)控制策略，卻不能處理模糊信息。因此，模糊控制和神經(jīng)網(wǎng)絡(luò)分析的結(jié)合可以相互補(bǔ)充，并在農(nóng)業(yè)現(xiàn)場(chǎng)處理模糊信息，還可以通過(guò)訓(xùn)練得出系統(tǒng)的最優(yōu)模糊控制規(guī)則和策略。此外，輸入信號(hào)在處理模糊量方面具有較大優(yōu)勢(shì)，還能夠利用對(duì)樣本的訓(xùn)練調(diào)節(jié)網(wǎng)絡(luò)權(quán)值與偏差，快速收斂，提高算法效率。

將模糊神經(jīng)網(wǎng)絡(luò)對(duì)應(yīng)的拓?fù)浣Y(jié)構(gòu)劃分成四層，具體如下圖3所展示。首層是輸入單元，該層把輸入的模糊參數(shù)傳至下層單元；第二層是隸屬函數(shù)單元，該層對(duì)輸入的參數(shù)隸屬度情況進(jìn)行描述，一般應(yīng)用三角函數(shù)進(jìn)行表述等；第三層是控制規(guī)則單元，具體涵蓋了模糊控制的相關(guān)規(guī)則；第四層是輸出由神經(jīng)網(wǎng)絡(luò)處理信息的輸出單元。

圖3 模糊神經(jīng)網(wǎng)絡(luò)的拓?fù)浣Y(jié)構(gòu)

模糊神經(jīng)網(wǎng)絡(luò)算法不同層間對(duì)應(yīng)的傳輸規(guī)則如下：

第一層是輸入層，其中該層的輸入可傳至下層輸出。輸入輸出關(guān)系是：

第二層是隸屬函數(shù)層，這一層重點(diǎn)描述了輸入?yún)?shù)的隸屬度情況，一般用三角函數(shù)進(jìn)行表示等，對(duì)應(yīng)的輸入輸出關(guān)系如下：

第四層為輸出層，本層輸出是通過(guò)網(wǎng)絡(luò)處理的信息。第個(gè)輸出單元對(duì)應(yīng)的輸入輸出關(guān)系如下：

在進(jìn)行神經(jīng)網(wǎng)絡(luò)訓(xùn)練之前，先要使用隨機(jī)數(shù)、初始化權(quán)重以及輸出閾值，再通過(guò)梯度下降方法對(duì)樣本進(jìn)行訓(xùn)練。目標(biāo)函數(shù)是：

利用神經(jīng)網(wǎng)絡(luò)多次學(xué)習(xí)和適應(yīng)性訓(xùn)練以后，能夠得到訓(xùn)練之后的相關(guān)隸屬函數(shù)以及對(duì)應(yīng)的最優(yōu)模糊控制規(guī)則。

基于模糊神經(jīng)網(wǎng)絡(luò)控制算法有機(jī)結(jié)合了模糊控制和神經(jīng)網(wǎng)絡(luò)分析的最優(yōu)價(jià)值的一種自動(dòng)控制算法。在智能農(nóng)業(yè)智能控制系統(tǒng)中，模糊神經(jīng)網(wǎng)絡(luò)控制算法需要首先讓控制系統(tǒng)在被動(dòng)控制方式下運(yùn)行并完成樣本采集工作。接下來(lái)，選取模糊輸入?yún)?shù)以及相關(guān)的隸屬函數(shù)，把取樣結(jié)果當(dāng)作訓(xùn)練的基礎(chǔ)數(shù)據(jù)輸入到對(duì)應(yīng)的神經(jīng)網(wǎng)絡(luò)當(dāng)中，獲得訓(xùn)練以后的隸屬函數(shù)以及對(duì)應(yīng)的控制規(guī)則，在此基礎(chǔ)上創(chuàng)建自動(dòng)控制系統(tǒng)。最終，把有關(guān)控制規(guī)則錄入到智能控制終端對(duì)應(yīng)的程序當(dāng)中，當(dāng)系統(tǒng)處于自動(dòng)控制狀態(tài)時(shí)，能夠依照預(yù)設(shè)的控制規(guī)則實(shí)現(xiàn)系統(tǒng)中相應(yīng)的智能控制功能，從而達(dá)到智慧農(nóng)業(yè)中的精準(zhǔn)化、智能化的控制功能。

4 基于模糊神經(jīng)網(wǎng)絡(luò)控制算法的應(yīng)用

智能控制是農(nóng)業(yè)領(lǐng)域?qū)崿F(xiàn)自動(dòng)化、智能化管理系統(tǒng)最重要的組成，因此，以模糊神經(jīng)網(wǎng)絡(luò)為基礎(chǔ)的自動(dòng)控制算法在智能農(nóng)業(yè)中使用比較廣泛，尤其是在解決現(xiàn)代農(nóng)業(yè)的灌溉控制和溫度控制的自動(dòng)化等問(wèn)題方面。本文把所涉及的模糊神經(jīng)網(wǎng)絡(luò)算法應(yīng)用于智能農(nóng)業(yè)的自動(dòng)溫控系統(tǒng)，利用選取的輸入?yún)?shù)以及對(duì)應(yīng)隸屬函數(shù)得到最優(yōu)化的自動(dòng)控制以及相應(yīng)的溫控規(guī)則。由于農(nóng)業(yè)生產(chǎn)環(huán)境實(shí)時(shí)變化而比較復(fù)雜，對(duì)應(yīng)的輸入?yún)?shù)以及隸屬函數(shù)有顯著差異，所以相應(yīng)的控制規(guī)則也會(huì)隨之各不相同。在真實(shí)的應(yīng)用場(chǎng)景中，能夠采用更改輸入?yún)?shù)以及對(duì)應(yīng)隸屬函數(shù)的方式，獲得不同條件下的控制規(guī)則，滿足自動(dòng)控制的需求。

基于模糊神經(jīng)網(wǎng)絡(luò)的溫度自動(dòng)控制系統(tǒng)算法應(yīng)用與測(cè)試：

在智能農(nóng)業(yè)系統(tǒng)應(yīng)用過(guò)程中，設(shè)施農(nóng)業(yè)環(huán)境中的溫度自動(dòng)控制系統(tǒng)也重要組成部分。溫度自動(dòng)控制系統(tǒng)可根據(jù)設(shè)定溫度計(jì)算溫差和溫度變化率，通過(guò)神經(jīng)網(wǎng)絡(luò)分析獲得最佳送風(fēng)時(shí)間，通過(guò)控制系統(tǒng)使得設(shè)施農(nóng)業(yè)環(huán)境內(nèi)維持在設(shè)定的恒定溫度，讓作物在最佳環(huán)境下生長(zhǎng)，從而提高農(nóng)作物的產(chǎn)量與品質(zhì)。

在應(yīng)用了模糊神經(jīng)網(wǎng)絡(luò)的溫度自動(dòng)控制系統(tǒng)中，仍然包括輸入、隸屬函數(shù)、控制規(guī)則和輸出四層。

第一層是輸入層，該層選取輸入變量溫度差和溫度變化率兩個(gè)單輸入的模糊控制變量，把本層輸入傳至下層輸出。將溫度差以及溫度變化率等劃分成N、Z等模糊閾，P代表正，N代表負(fù)；B、M、S、Z分別表示大、中、小、零。

第二層是隸屬函數(shù)層，在該層確定溫度差與溫度變化率的隸屬函數(shù)與兩者的模糊閾范圍，如圖4所示。

圖4 溫度差與變化率的隸屬函數(shù)

第三層是控制規(guī)則層，該層執(zhí)行全部模糊控制規(guī)則的處理。

第四層是輸出層，該層選擇通風(fēng)時(shí)間作為輸出。能夠把通風(fēng)時(shí)間劃分成S（?。?、M（中）、L（大）、VL（非常大）等模糊閾。

本設(shè)計(jì)利用成都農(nóng)業(yè)科技職業(yè)學(xué)院溫室農(nóng)業(yè)大棚的農(nóng)業(yè)信息數(shù)據(jù)庫(kù)作為采樣數(shù)據(jù)，來(lái)調(diào)試和驗(yàn)證智能農(nóng)業(yè)溫度自動(dòng)控制系統(tǒng)的功能。采用Matlab軟件對(duì)2000組溫度差，溫度變化率和通氣時(shí)間信息進(jìn)行訓(xùn)練，作為神經(jīng)網(wǎng)絡(luò)算法的訓(xùn)練樣本信息，然后將1000組數(shù)據(jù)當(dāng)作驗(yàn)證樣本。在訓(xùn)練中，誤差是0.01，次數(shù)是2000，結(jié)果見(jiàn)圖5。

如圖5 訓(xùn)練結(jié)果

經(jīng)過(guò)2000次訓(xùn)練，從訓(xùn)練結(jié)果可以看出系統(tǒng)訓(xùn)練函數(shù)收斂，主平方誤差小于0.1。通過(guò)訓(xùn)練之后，可以獲得訓(xùn)練之后溫度與溫度變化率的隸屬函數(shù)以及最優(yōu)模糊控制規(guī)則。最優(yōu)模糊控制規(guī)則如表1所示

表1 溫度最優(yōu)模糊控制規(guī)則

通過(guò)對(duì)訓(xùn)練之前與之后隸屬度函數(shù)圖比較可以看出，利用神經(jīng)網(wǎng)絡(luò)訓(xùn)練對(duì)初始隸屬函數(shù)進(jìn)行調(diào)整，能夠獲得訓(xùn)練之后的輸入隸屬函數(shù)以及最優(yōu)模糊控制規(guī)則。在基于模糊神經(jīng)網(wǎng)絡(luò)的溫度自動(dòng)控制系統(tǒng)軟件程序里，訓(xùn)練之后的最優(yōu)模糊控制規(guī)則在溫度自動(dòng)維持比較科學(xué)的恒定溫度，減少人為錯(cuò)誤并節(jié)省能源，使溫室中的作物在最佳環(huán)境中生長(zhǎng)。

5 結(jié)論

在對(duì)模糊控制原理和神經(jīng)網(wǎng)絡(luò)分析研究的基礎(chǔ)上，將模糊控制算法與神經(jīng)網(wǎng)絡(luò)分析有機(jī)結(jié)合設(shè)計(jì)出一種的基于模糊神經(jīng)網(wǎng)絡(luò)自動(dòng)控制算法。結(jié)論：以模糊神經(jīng)網(wǎng)絡(luò)為基礎(chǔ)構(gòu)建的拓?fù)浣Y(jié)構(gòu)具體涵蓋了四層，輸入層是選取模糊控制變量作為輸入變量，直接傳到下一層，隸屬函數(shù)層制定隸屬函數(shù)和劃分模糊閾的范圍，控制規(guī)則層進(jìn)行所有模糊控制規(guī)則的處理，輸出層選擇輸出變量。最終，在農(nóng)業(yè)實(shí)際應(yīng)用中，以自動(dòng)溫控為基礎(chǔ)，制定了以模糊神經(jīng)網(wǎng)絡(luò)為基礎(chǔ)的自動(dòng)控制系統(tǒng)，利用模糊推理的方式獲得最佳控制策略。利用成都農(nóng)業(yè)科技職業(yè)學(xué)院現(xiàn)代農(nóng)業(yè)示范基地和溫室農(nóng)業(yè)大棚所采集的農(nóng)業(yè)信息數(shù)據(jù)作為樣本進(jìn)行測(cè)試驗(yàn)證，以模糊神經(jīng)網(wǎng)絡(luò)為基礎(chǔ)的自動(dòng)控制算法能夠滿足農(nóng)業(yè)系統(tǒng)中自動(dòng)控制方面的要求，能夠在現(xiàn)代農(nóng)業(yè)系統(tǒng)中實(shí)現(xiàn)智能溫控等智能化功能，并且所得的系統(tǒng)通用性、可擴(kuò)展性良好，為下一步在其他領(lǐng)域的研究奠定基礎(chǔ)，經(jīng)過(guò)改進(jìn)也可以在工業(yè)、畜牧養(yǎng)殖、水產(chǎn)養(yǎng)殖等控制領(lǐng)域進(jìn)行推廣應(yīng)用。

[1]韓明月.面向現(xiàn)代農(nóng)業(yè)的物聯(lián)網(wǎng)自動(dòng)控制系統(tǒng)設(shè)計(jì)[D]. 哈爾濱工業(yè)大學(xué)，2016.

[2]Gasore Geoffrey，Munyaneza Jean de Dieu，Ngendabanga Jean Pierre，Twibanire Aimable. Design of Automatic Irrigation System for Small Farmers in Rwanda[J].Agricultural Sciences ，2015.

[3]朱興榮.物聯(lián)網(wǎng)在湖南現(xiàn)代農(nóng)業(yè)中的應(yīng)用研究[J].軟件工程師，2013（11）：60-62.

[4]Yingying QIN.Talking about Shirenzigou of Urumqi Highway Beltway，Tunnel Construction Plan under Conditions of V-class Surrounding Rock[A]. International Journal of Intelligent Information and Management Science[C]. 2015：5.

[5]王文新.自動(dòng)控制技術(shù)在園林節(jié)水灌溉中的應(yīng)用[J].電子制作，2013（05）：67.

[6]尹光志，李銘輝，李文璞，曹偈，李星.基于改進(jìn)BP神經(jīng)網(wǎng)絡(luò)的煤體瓦斯?jié)B透率預(yù)測(cè)模型[J]. 煤炭學(xué)報(bào)，2013（07）：1179-1180.

[7]Bing Wu，Shaojun Han，Jin Xiao，etc. Error compensation based on BP neural network for airborne laser ranging[J]. Optik - International Journal for Light and Electron Optics，2016：1.

[8]劉現(xiàn)華.綠地灌溉模糊控制系統(tǒng)的MATLAB實(shí)現(xiàn)[J]. 湖南農(nóng)業(yè)科學(xué)，2012（23）：103-105.

[9]王述彥，師宇，馮忠緒.基于模糊PID控制器的控制方法研究[J].機(jī)械科學(xué)與技術(shù)，2011（01）：166-172.

[10]侯培國(guó)，楊靖，盧志剛，吳士昌.一種結(jié)構(gòu)簡(jiǎn)單的四層模糊神經(jīng)網(wǎng)絡(luò)的設(shè)計(jì)[J].燕山大學(xué)學(xué)報(bào)，1998（04）：337-340.

中國(guó)教育和科研計(jì)算機(jī)網(wǎng)絡(luò)—賽爾網(wǎng)絡(luò)下一代互聯(lián)網(wǎng)技術(shù)創(chuàng)新項(xiàng)目（編號(hào)：NGII20180316）；成都農(nóng)業(yè)科技職業(yè)學(xué)院科研項(xiàng)目（cny19-34）;成都農(nóng)業(yè)科技職業(yè)學(xué)院科研項(xiàng)目（cny19-35）。