基于集合經(jīng)驗?zāi)B(tài)分解與Elman神經(jīng)網(wǎng)絡(luò)的線椒株高預(yù)測

第 31 卷 第 18 期 農(nóng) 業(yè) 工 程 學 報 Vol.31 No.18 2015 年 9月 Transactions of the Chinese Society of Agricultural Engineering Sep. 2015 169 基于集合經(jīng)驗?zāi)B(tài)分解與 Elman 神經(jīng)網(wǎng)絡(luò)的線椒株高預(yù)測張 瑜，汪小旵，孫國祥，李永博 （ 1. 南京農(nóng)業(yè)大學工學院，南京 210031； 2. 江蘇省現(xiàn)代設(shè)施農(nóng)業(yè)技術(shù)與裝備工程實驗室，南京 210031） 摘 要： 為提高溫室環(huán)境控制系統(tǒng)的有效性，針對作物生長量的變化與環(huán)境因子的變化存在時間尺度不統(tǒng)一的問題，該文基于集合經(jīng)驗?zāi)B(tài)分解（ ensemble empirical mode decomposition， EEMD）與 Elman 神經(jīng)網(wǎng)絡(luò)建模，提出一種線椒株高生長量預(yù)測方法。以 8819 線椒為試驗對象，分別對線椒株高及其環(huán)境因子進行 EEMD 分解，對各尺度下的時間序列建立 EEMD-Elman 預(yù)測模型。結(jié)果表明：應(yīng)用 EEMD-Elman 神經(jīng)網(wǎng)絡(luò)建立線椒株高生長量預(yù)測模型，模型預(yù)測值與實測值的平均絕對誤差為 1.69 cm，相關(guān)決定系數(shù)為 0.996，標準誤為 1.104，模型預(yù)測結(jié)果與實測值呈極顯著性相關(guān)。研究結(jié)果可以解決作物生長變化與環(huán)境變化時間尺度不統(tǒng)一的問題，為溫室環(huán)境控制系統(tǒng)的控制目標的優(yōu)化提供有效參數(shù)。 關(guān)鍵詞： 神經(jīng)網(wǎng)絡(luò)；模型；優(yōu)化；集合經(jīng)驗?zāi)B(tài)分解； Elman 神經(jīng)網(wǎng)絡(luò)；線椒株高；預(yù)測 doi： 10.11975/j.issn.1002-6819.2015.18.024 中圖分類號： S625.5 文獻標志碼： A 文章編號： 1002-6819(2015)-18-0169-06 張 瑜，汪小旵，孫國祥，李永博. 基于集合經(jīng)驗?zāi)B(tài)分解與 Elman 神經(jīng)網(wǎng)絡(luò)的線椒株高預(yù)測J. 農(nóng)業(yè)工程學報，2015，31(18)：169174. doi： 10.11975/j.issn.1002-6819.2015.18.024 http:/www.tcsae.org Zhang Yu, Wang Xiaochan, Sun Guoxiang, Li Yongbo. Prediction of cayenne pepper plant height based on ensemble empirical mode decomposition and Elman neural networkJ. Transactions of the Chinese Society of Agricultural Engineering (Transactions of the CSAE), 2015, 31(18): 169 174. (in Chinese with English abstract) doi： 10.11975/j.issn.1002-6819.2015.18.024 http:/www.tcsae.org 0 引 言作物生長量預(yù)測為溫室環(huán)境調(diào)控目標優(yōu)化提供重要依據(jù)1-2。目前，溫室作物生長量預(yù)測多通過建立作物外觀形態(tài)模擬模型的方法實現(xiàn)3-6。 如， calvalho 等7， Larsen等8， Heuvelink 等9， Nothnagl 等10分別建立了菊花生長模擬模型，對菊花的株高、花朵數(shù)、花朵大小等生長量進行預(yù)測。上述模型研究的最直接意義是及時掌握溫室環(huán)境控制系統(tǒng)對作物所產(chǎn)生的作用，為溫室環(huán)境優(yōu)化控制提供理論依據(jù)。然而，作物生長模擬模型無法真實地反映作物的實際生長情況，使得環(huán)境控制系統(tǒng)無法根據(jù)作物實際生長情況做出有效的響應(yīng)，降低了溫室環(huán)境控制系統(tǒng)的有效性。所以，根據(jù)作物實際生長情況對作物生長量進行預(yù)測，可以更真實地了解環(huán)境控制的效果11，提高溫室環(huán)境控制系統(tǒng)的有效性12。 根據(jù)作物實際生長情況對環(huán)境進行調(diào)控是提高溫室環(huán)境控制系統(tǒng)有效性的重要方法。但是作物生長量的變化與環(huán)境因子的變化存在時間尺度不統(tǒng)一的特點，作物生長量的變化是緩慢的，而環(huán)境因子的變化是瞬時的。收稿日期： 2015-06-04 修訂日期： 2015-08-24 基金項目：國家自然科學基金項目（ 61273227） 、江蘇省自然科學基金（ BK20150686） 作者簡介：張瑜，女（漢） ，吉林長春人，講師，博士，農(nóng)業(yè)電氣化與自動化、檢測技術(shù)與自動化裝置。南京 南京農(nóng)業(yè)大學工學院， 210031。 Email： zhangyu64hotmail.com 通信作者：汪小旵，男（漢） ，教授，博士，從事農(nóng)業(yè)生物環(huán)境工程、設(shè)施農(nóng)業(yè)溫室環(huán)境模擬與調(diào)控方面研究。 南京 南京農(nóng)業(yè)大學工學院， 210031。Email： wangxiaochannjau.edu.cn 單純采用平均值對兩個時間尺度不統(tǒng)一的時間序列進行建模、預(yù)測，無法清晰地反映兩種時間序列在不同時間尺度下的波動情況，造成預(yù)測結(jié)果不準確。因此，需要對兩者進行多時間尺度分解，利用不同時間尺度下的時間序列特征進行預(yù)測與重構(gòu)，實現(xiàn)作物實際生長量的預(yù)測，為溫室環(huán)境控制系統(tǒng)提供實際有效的控制依據(jù)。 線椒是溫室中常見種植作物，株高是反映線椒長勢的一項重要生長參數(shù)，能夠直觀地反映出在溫室環(huán)境控制系統(tǒng)對作物生長的作用效果。因此，本文基于集合經(jīng)驗?zāi)B(tài)分解（ ensemble empirical mode decomposition，EEMD） 與 Elman 神經(jīng)網(wǎng)絡(luò)， 對線椒株高及其環(huán)境參數(shù)時間序列進行分解與重構(gòu)，分別對分解后的時間序列建立非線性 Elman 神經(jīng)網(wǎng)絡(luò)，根據(jù)種植期間，線椒株高當前的實際生長量，重構(gòu)并預(yù)測線椒株高在同一生長期內(nèi)未來的生長量，為溫室作物生長預(yù)測提供精確、實時的預(yù)測方法，為溫室環(huán)境控制系統(tǒng)控制目標的優(yōu)化提供實時有效的控制依據(jù)，實現(xiàn)提高溫室環(huán)境控制系統(tǒng)有效性的目的。 1 數(shù)據(jù)與方法 1.1 試驗數(shù)據(jù)采集 本文試驗對象為 2014 年種植的 8819 線椒 (定植后生長期內(nèi)， 2014 年 5 月 28 日至 2014 年 7 月 8 日 )及對應(yīng)的溫室內(nèi)環(huán)境因子 （溫室內(nèi)溫度、 相對濕度、 室內(nèi)總輻射） 。試驗于江蘇省南京市南京農(nóng)業(yè)大學工學院，博遠樓頂venlo 型玻璃溫室內(nèi)進行。溫室環(huán)境因子由 Eco-Watch 生態(tài)網(wǎng)絡(luò)監(jiān)測系統(tǒng)每 15 min 采集一次，取日平均值用于模農(nóng)業(yè)工程學報（ http:/www.tcsae.org） 2015 年 170 型建立。由于溫室內(nèi)溫度濕度等環(huán)境因子分布的不均勻性，所以本文選取在溫室內(nèi)東面密集種植的 16 株線椒作為試驗樣本，以降低溫室內(nèi)不同小氣候條件對作物生長形態(tài)的影響。作物均生長在適宜的環(huán)境條件下，未發(fā)生環(huán)境脅迫與營養(yǎng)脅迫情況。其中 10 株為測試集，用于建立模型，另外 6 株為驗證集，用于模型驗證?？紤]到作物的個體差異，均取其平均值。網(wǎng)絡(luò)的輸入量為溫室內(nèi)環(huán)境因子的日平均值，輸出量為測試集中 10 株線椒株高的每日測量值的平均值，測量方法采用文獻 13中線性激光掃描法。線椒采用椰糠基質(zhì)，獨立種植于栽培袋中。灌溉營養(yǎng)液配方采用山東農(nóng)業(yè)大學番茄辣椒配方， Ec 值為 2.0， pH 值為 6.5。 1.2 分解方法 在解決時間序列多尺度分解的方法中，小波分解和奇異譜分解等方法均需要依賴于預(yù)先給定的基函數(shù)，無法根據(jù)數(shù)據(jù)自身的時間尺度特征進行分解，可能會由此分解出虛假或無效的波動分量14-20。集合經(jīng)驗?zāi)B(tài)分解方法利用高斯白噪聲具有頻率均勻分布的統(tǒng)計特性，無需預(yù)先設(shè)定任何基函數(shù)，自適應(yīng)地將數(shù)據(jù)分解為有限個本征模函數(shù)（ intrinsic mode function， IMF），所分解出來的各 IMF 分量包含了原始數(shù)據(jù)的不同時間尺度的局部特征信號21-26。所以，本文采用 EEMD 分解方法對試驗數(shù)據(jù)（溫室環(huán)境因子與線椒株高生長量）進行多尺度分解，分解結(jié)果可以由公式（ 1）求得，重構(gòu)結(jié)果由公式（ 2）求得。 11() ()NjijiCt CtN=（ 1） 1() ()nj njX tCtr=+（ 2） 式中： Cij(t)表示第 i次加入白噪聲后分解所得的第 j個 IMF分量， t 表示時間； Cj(t)為分解得到的第 j 個 IMF 分量；N 為添加白噪聲序列的數(shù)目； X(t)為原始信號； rn為分解后的殘留余項， n 表示分解次數(shù)，當 rn為單調(diào)信號時，分解終止。 1.3 預(yù)測方法 Elman 神經(jīng)網(wǎng)絡(luò)是一種帶有反饋的兩層 BP 網(wǎng)絡(luò)結(jié)構(gòu)，其反饋連接是從隱含層的輸出到其輸入端。這種反饋方式使得 Elman 網(wǎng)絡(luò)能夠探測和識別時變模式。其隱含層又稱為反饋層，這種特殊的兩層網(wǎng)絡(luò)可以任意精度逼近任意函數(shù)，唯一的要求是其隱含層必須具有足夠的神經(jīng)元數(shù)目。隱含層神經(jīng)元數(shù)越多，則逼近復(fù)雜函數(shù)的精度就越高27-28。 Elman 神經(jīng)網(wǎng)絡(luò)的非線性表達原理29如式（ 3）所示。 213() ( 1)() ( ( 1) ()() ( ()=+=ccxk xkxk f w uk wx kyk gwxk（ 3） 式中： y、 x、 u、 xc分別表示 m 維輸出節(jié)點向量、 n 維中間層節(jié)點單元向量、 l 維輸入向量和 n 維反饋狀態(tài)向量； w3、w2、 w1分別表示中間層到輸出層、輸入層到中間層、承接層到中間層的連接權(quán)值。 g 為輸出神經(jīng)元的傳遞函數(shù)，是中間層輸出的線性組合。 f 為中間層神經(jīng)元的 傳遞函數(shù)。 2 結(jié)果與分析 2.1 EEMD 分解與重構(gòu) 圖 1 為原始時間序列。根據(jù)式（ 1）本文分別對線椒株高及其環(huán)境因子（溫室溫度、相對濕度、室內(nèi)總輻射）進行 EEMD 分解，分別得到了 5 個本征模函數(shù)，分別為IMF1 IMF5，如圖 2 所示。本征模函數(shù)表征了數(shù)據(jù)的內(nèi)在的振動模式。圖 2 中， IMF1 IMF4 反應(yīng)了線椒株高和各個環(huán)境因子在不同頻率下振蕩情況， IMF5 為變化趨勢項，反應(yīng)了線椒株高在生長期內(nèi)的整體變化趨勢。 EEMD分解重構(gòu)后結(jié)果的相關(guān)參數(shù)如表 1 所示。由表 1 可知，各個環(huán)境因子和線椒株高時間序列經(jīng)過 EEMD 分解重構(gòu)后，與原始時間序列相關(guān)系數(shù)在有效數(shù)字范圍內(nèi)近似為1，標準誤接近于 0，平均絕對誤差接近于 0，表明重構(gòu)結(jié)果十分有效。 圖 1 原始時間序列 Fig.1 Original time series 2.2 Elman 神經(jīng)網(wǎng)絡(luò)生長量預(yù)測與分析 本文 Elman 網(wǎng)絡(luò)的輸入層為溫室內(nèi)環(huán)境因子，包括溫室溫度、相對濕度和室內(nèi)總輻射，輸入節(jié)點數(shù)為 3；輸出層為線椒株高生長量的預(yù)測值，節(jié)點數(shù)為 1。本文采用雙層反饋結(jié)構(gòu)，第一層節(jié)點數(shù)為 10，第二層節(jié)點數(shù)為 3。反饋層神經(jīng)元的傳遞函數(shù)為 tansig()，線性輸出層的傳遞函數(shù)為 purelin()。網(wǎng)絡(luò)訓練樣本組按照 0.7 0.15 0.15的比例劃分為訓練集、驗證集和測試集。 為避免神經(jīng)元飽和，在輸入層對輸入數(shù)據(jù)進行歸一化處理，將各個數(shù)值換算至 0 1區(qū)間內(nèi)，在輸出層對得到的預(yù)測結(jié)果進行反歸一化。根據(jù) Elman 神經(jīng)網(wǎng)絡(luò)的非線性空間表達式（公式（ 3），本文網(wǎng)絡(luò)模型的輸出結(jié)果可以表示為： 1121122 2132() ( ( 1) ( 1)( ) ( ( 1) ( ( )() ( ()=+=xk fwxk w ukxk fwxk w xkyk gwx k（ 4） 式中： u(k1)為輸入層的輸入； x1(k)為第 1 層反饋的輸出；x2(k)為第 2 層網(wǎng)絡(luò)的輸出， y(k)為輸出結(jié)果； wp1（ p=1,2；p 為網(wǎng)絡(luò)層數(shù)） 為第 1 層網(wǎng)絡(luò)和第 2 層網(wǎng)絡(luò)的承接層到中間層的連接權(quán)值； wp2為第 1 層網(wǎng)絡(luò)和第 2 層網(wǎng)絡(luò)的輸入層到中間層的連接權(quán)值； w3為中間層到輸出層的連接權(quán)值，本文中間層神經(jīng)元傳遞函數(shù)采用雙曲正切傳遞函數(shù)第 18 期 張 瑜等：基于集合經(jīng)驗?zāi)B(tài)分解與 Elman 神經(jīng)網(wǎng)絡(luò)的線椒株高預(yù)測 171 tansig()，輸出層神經(jīng)元采用線性傳遞函數(shù) purelin()。由雙曲正切函數(shù)定義，可得到本文預(yù)測網(wǎng)絡(luò)模型中間層傳遞函數(shù)表達式為： 21212 ( 1) ( 1)2 ( 1) ( 1)11+ + =+ppppwuk wxkwuk wxkefe（ 5） 式中： p=1,2；表示網(wǎng)絡(luò)層數(shù)。 a. IFM1 b. IMF2 c. IMF3 d. IMF4 e. IMF5 注： IMF1 IMF4 反應(yīng)了線椒株高和各個環(huán)境因子在不同頻率下的振蕩情況， IMF5 反應(yīng)了線椒株高和各個環(huán)境因子的變化趨勢。 Note: IMF1-IMF4 reflect the oscillation of variate, including plant height and every environment elements under different frequencies. IMF5 reflects the trend of plant height and every environment elements. 圖 2 線椒株高與環(huán)境因子 EEMD 分解后各模態(tài)分量波動情況 Fig.2 Oscillation of EEMD results of plant height and environment elements 表 1 EEMD 分解重構(gòu)結(jié)果分析 Table 1 Summary of EEMD and reconstruction 時間序列 Time series 決定系數(shù) R2標準誤 Standard error 平均絕對誤差 Mean absolute error線椒株高 Plant height 1.0000 2.70810-34.5810-5cm 溫室溫度 Temperature 1.0000 4.7310-23.9710-4 相對濕度 Relative humidity 1.0000 2.51610-35.1010-5% 室內(nèi)總輻射 Total inner radiation 1.0000 3.44510-37.2010-5 Wm-2本文中時間序列樣本經(jīng)過 EEMD 分解后，得到 5 個獨立的本征模函數(shù) IMF1 IMF5，所以需要建立 5 個子Elman 神經(jīng)網(wǎng)絡(luò)，分別預(yù)測生長量的各個時間序列值，最后經(jīng)過 EEMD 重構(gòu)得到最終的線椒株高生長量預(yù)測值。具體預(yù)測流程如圖 3 所示。 各子網(wǎng)絡(luò)的預(yù)測結(jié)果統(tǒng)計性描述如表 2 所示，各個子網(wǎng)絡(luò)的預(yù)測值與目標值之間相關(guān)決定系數(shù)分別為 0.71、0.88、 0.94、 0.95 和 0.98，平均絕對誤差值分別為 0.04、0.09、 0.22、 0.14 和 1.20 cm。由表 2 可知，各尺度預(yù)測值與實測值的模型擬合效果均表現(xiàn)出極強的相關(guān)性，平均絕對誤差均可滿足測量精度要求。隨著時間尺度的增加，模型相關(guān)性決定系數(shù)逐漸增強，平均絕對誤差逐漸增大， IMF5子網(wǎng)絡(luò)預(yù)測結(jié)果的平均絕對誤差增大最明顯，可能的原因是 IMF5 為趨勢項， 對于變量的波動情況表達不明顯。 本文對 IMF1 IMF5 子網(wǎng)絡(luò)的預(yù)測結(jié)果進行重構(gòu)。重構(gòu)后，線椒株高預(yù)測值與實際測量值之間的擬合關(guān)系如圖 4 所示。結(jié)果表明：通過 EEMD 多尺度分解，對線椒株高在不同時間尺度上應(yīng)用 Elman 神經(jīng)網(wǎng)絡(luò)預(yù)測再合并，預(yù)測值與測量值達到極顯著相關(guān)水平，平均絕對誤差值為1.69 cm，可以滿足溫室中作物生長測量的精度要求。 農(nóng)業(yè)工程學報（ http:/www.tcsae.org） 2015 年 172 圖 3 線椒株高預(yù)測流程圖 Fig.3 Flowchart of pepper plant height prediction 表 2 Elman 網(wǎng)絡(luò)預(yù)測線椒株高結(jié)果統(tǒng)計分析 Table 2 Summary of Elman neuron network pepper plant height prediction 網(wǎng)絡(luò)類型 Type of network 決定系數(shù) R2平均絕對誤差 Mean absolute error/cm Elman 子網(wǎng)絡(luò) _IMF1 Sub-network_Elman_IMF1 0.71 0.04 Elman 子網(wǎng)絡(luò) _IMF2 Sub-network_Elman_IMF2 0.88 0.09 Elman 子網(wǎng)絡(luò) _IMF3 Sub-network_Elman_IMF3 0.94 0.22 Elman 子網(wǎng)絡(luò) _IMF4 Sub-network_Elman_IMF4 0.95 0.14 Elman 子網(wǎng)絡(luò) _IMF5 Sub-network_Elman_IMF5 0.98 1.20 注： SE 為標準誤， R2為決定系數(shù)。 Note: SE is standard error, R2 is coefficient of determination. 圖 4 線椒株高分解重構(gòu)預(yù)測結(jié)果 Fig.4 Results of pepper plant height prediction 分別應(yīng)用 EEMD 與 BP 神經(jīng)網(wǎng)絡(luò)結(jié)合方法30、 EEMD與 Elman 神經(jīng)網(wǎng)絡(luò)結(jié)合方法和未經(jīng) EEMD 分解的 Elman神經(jīng)網(wǎng)絡(luò)方法進行線椒株高生長量的預(yù)測。取試驗樣本驗證集數(shù)據(jù)，對所建模型進行驗證。驗證結(jié)果表明，經(jīng)過 EEMD 分解的網(wǎng)絡(luò)模型的預(yù)測值和實測值進行比較，其預(yù)測值與實測值均可較好的吻合，未經(jīng)過 EEMD 分解的 Elman 網(wǎng)絡(luò)預(yù)測效果稍差。采用決定系數(shù) R2、標準誤SE 和平均絕對誤差兩個指標分別對 3 個預(yù)測模型進行評價，各指標統(tǒng)計結(jié)果見表 3。 表 3 3 種預(yù)測方法線椒株高結(jié)果評價 Table 3 Evaluation of three pepper plant height prediction methods 網(wǎng)絡(luò)類型 Type of network 決定系數(shù) R2標準誤 Standard error 平均絕對誤差 Mean absolute error/cm EEMD-BP 神經(jīng)網(wǎng)絡(luò) EEMD-BP neural network0.812 7.012 5.40 EEMD-Elman 神經(jīng)網(wǎng)絡(luò) EEMD-Elman neural network0.996 1.104 1.69 Elman 神經(jīng)網(wǎng)絡(luò) Elman neural network 0.908 5.032 8.87 由表 3 可知，經(jīng)過 EEMD 分解后模型預(yù)測結(jié)果比未經(jīng)過分解的模型預(yù)測結(jié)果準確性高，經(jīng)過 EEMD 分解后的 Elman 神經(jīng)網(wǎng)絡(luò)的預(yù)測結(jié)果優(yōu)于 EEMD-BP 神經(jīng)網(wǎng)絡(luò)和未經(jīng)過 EEMD 分解的 Elman 神經(jīng)網(wǎng)絡(luò)預(yù)測結(jié)果。 同時，由圖 4 可知， EEMD-Elman 神經(jīng)網(wǎng)絡(luò)的預(yù)測結(jié)果決定系數(shù) R2為 0.996，表明 EEMD-Elman 神經(jīng)網(wǎng)絡(luò)輸出值與目標值偏差較小，是十分有效的預(yù)測方法。 3 結(jié) 論 應(yīng)用集合經(jīng)驗?zāi)B(tài)分解方法對線椒株高及其環(huán)境因子（溫室溫度、相對濕度、室內(nèi)總輻射）進行多尺度分解與重構(gòu)。重構(gòu)后各個環(huán)境因子和線椒株高的時間序列與原始時間序列相關(guān)系數(shù)在有效數(shù)字范圍內(nèi)近似為 1， 標準誤接近于 0，平均絕對誤差極接近于 0，重構(gòu)結(jié)果十分有效。 表明集合經(jīng)驗?zāi)B(tài)分解法 （ ensemble empirical mode decomposition, EEMD）分解可以解決多尺度時間序列預(yù)測問題。應(yīng)用 EEMD-Elman 神經(jīng)網(wǎng)絡(luò)建立線椒株高生長量預(yù)測網(wǎng)絡(luò)，網(wǎng)絡(luò)預(yù)測值與實測值的平均絕對誤差為1.69 cm，相關(guān)決定系數(shù)為 0.996，標準誤為 1.104，表明預(yù)測結(jié)果與實測值呈極顯著性相關(guān)。 3 種預(yù)測方法的預(yù)測結(jié)果進行對比，表明與未經(jīng)過 EEMD 分解的預(yù)測網(wǎng)絡(luò)相比，經(jīng)過 EEMD 分解的預(yù)測網(wǎng)絡(luò)，能夠反映時間序列自身固有的特性，更好地詮釋時間序列在不同頻率的振蕩情況；將經(jīng)過 EEMD 分解的 EEMD-Elman 神經(jīng)網(wǎng)絡(luò)與EEMD-BP 神經(jīng)網(wǎng)絡(luò)的預(yù)測結(jié)果相比， EEMD-Elman 神經(jīng)網(wǎng)絡(luò)預(yù)測效果優(yōu)于 EEMD-BP 神經(jīng)網(wǎng)絡(luò)預(yù)測效果，說明Elman 的雙反饋結(jié)構(gòu)可以提高模型的預(yù)測精度。 由于本文僅對生長期內(nèi)的線椒株高進行分析，并未考慮線椒在幼苗期、開花期及坐果期的生長情況，所以本文中預(yù)測網(wǎng)絡(luò)僅適用于定植后線椒株高的預(yù)測。試驗期間，作物生長未經(jīng)受任何環(huán)境脅迫與營養(yǎng)脅迫，如外界環(huán)境發(fā)生較大變化時，會對網(wǎng)絡(luò)預(yù)測結(jié)果造成一定影響。所以，該預(yù)測網(wǎng)絡(luò)在適應(yīng)性和穩(wěn)定性方面存在一定局限性。后續(xù)研究應(yīng)更多關(guān)注作物在不同生長階段，不同生長參數(shù)的預(yù)測研究以及環(huán)境脅迫與營養(yǎng)脅迫對預(yù)測結(jié)果精度帶來的影響。 綜上所述，集合經(jīng)驗?zāi)B(tài)分解法可以根據(jù)時間序列自身時間尺度特征，自適應(yīng)地將時間序列分解到不同時間尺度上，清晰地表達出原始時間序列在不同時間尺度第 18 期 張 瑜等：基于集合經(jīng)驗?zāi)B(tài)分解與 Elman 神經(jīng)網(wǎng)絡(luò)的線椒株高預(yù)測 173 上的波動情況，有效解決溫室中環(huán)境因子與作物生長量時間尺度不統(tǒng)一的問題。應(yīng)用 Elman 神經(jīng)網(wǎng)絡(luò)雙層反饋結(jié)構(gòu)可以提高時間序列的預(yù)測精度。 EEMD 與 Elman 神經(jīng)網(wǎng)絡(luò)結(jié)合可以準確預(yù)測作物實際生長量，為溫室環(huán)境控制系統(tǒng)控制目標優(yōu)化提供有效參數(shù)，實現(xiàn)有效提高溫室環(huán)境控制系統(tǒng)的控制效果的目的。 參 考 文 獻 1 Straten G, van Challa H, Buwalda F. Towards user accepted optimal control of greenhouse climateJ. Computers and Electronics in Agriculture, 2000, 26(3): 221 238. 2 Pucheta J A, Schugurensky C, Fullana R, et al. Optimal greenhouse control of tomato seedling cropsJ. Computers and Electronics in Agriculture, 2006, 50(1): 70 82. 3 倪紀恒，羅衛(wèi)紅，李永秀，等 . 溫室番茄干物質(zhì)分配與產(chǎn)量的模擬分析 J. 應(yīng)用生態(tài)學報， 2006， 17(5)： 811 816. Ni Jiheng, Luo Weihong, Li Yongxiu, et al. Simulation of greenhouse tomato dry matter partitioning and yield predictionJ. Chinese Journal of Applied Ecology, 2006, 17(5): 811 816. (in Chinese with English abstract) 4 李永秀，羅衛(wèi)紅，倪紀恒，等 . 溫室黃瓜干物質(zhì)分配與產(chǎn)量預(yù)測模擬模型初步研究 J. 農(nóng)業(yè)工程學報， 2006， 22(2)：116 121. Li Yongxiu, Luo Weihong, Ni Jiheng, et al. Simulation of dry matter partitioning and yield prediction in greenhouse cucumberJ. Transactions of the Chinese Society of Agricultural Engineering (Transactions of the CSAE), 2006, 22(2): 116 121. (in Chinese with English abstract) 5 Ma Yuntao, Wen Meiping, Guo Yan, et al. Parameter optimization and field validation of the functional-structural model GREENLAB for maize at different population densitiesJ. Annals of Botany, 2008, 101(8): 1185 1194. 6 Yan Hongping, Kang Mengzheng, de Reffye P, et al. A dynamic, architectural plant model simulating resource- dependent growthJ. Annals of Botany, 2004, 93(5): 591602. 7 Carvalho S M P, Heuvelink E, Cascals R, et al. Effect of day and night temperature on internode and stem length in chrysanthemum: Is everything explained by DIF?J. Annals of Botany, 2002, 90(1): 111 118. 8 Larsen R U, Cecilia H. Predicting leaf unfolding in flower induced shoots of greenhouse grown chrysanthemumJ. Scientia Horticulturae, 1995, 63(3/4): 225 239. 9 Carvalho S M P, Heuvelink E, van Kooten O. Effect of light intensity, plant density and flower bud removal on flower size and number in cut chrysanthemumJ.Aeta Horticulturae, 2002, 593(3): 33 38. 10 NothnagI M, Kosiba A, Larsen R U. Predicting the effect of irradiance and temperature on the flower diameter of greenhouse grown chrysanthemumJ. Seientia Hortieulturae, 2004, 99(3/4): 319 329. 11 王定成，喬曉軍，汪春秀，等 . 基于作物響應(yīng)的溫室環(huán)境 SVMR 控制仿真 J. 農(nóng)業(yè)工程學報， 2010， 26(增刊 2)：290 293. Wang Dingcheng, Qiao Xiaojun, Wang Chunxiu, et al. Simulation of greenhouse environment SVMR control based on plant responseJ. Transactions of the Chinese Society of Agricultural Engineering (Transactions of the CSAE), 2010, 26(Supp.2): 290 293. (in Chinese with English abstract) 12 李永博，周偉，汪小旵，等 . 基于奇異攝動理論的綜合溫室控制系統(tǒng)設(shè)計 J. 農(nóng)業(yè)機械學報， 2012， 43(5)： 184189. Li Yongbo， Zhou Wei， Wang Xiaochan， et al Greenhouse control system design based on singular perturbation theoryJ. Transactions of the Chinese Society for Agricultural Machinery, 2012, 43(5): 184 189. (in Chinese with English abstract) 13 張瑜，汪小旵，孫國祥，等 . 基于激光視覺的溫室作物莖葉量測方法研究 J. 農(nóng)業(yè)機械學報， 2014， 45(9)： 254259. Zhang Yu, Wang Xiaochan, Sun Guoxiang, et al. Leaves and stems measurement of plants based on laser vision in greenhousesJ. Transactions of the Chinese Society for Agricultural Machinery, 2014, 45(9): 254 259. (in Chinese with English abstract) 14 Field R. Spatial species-richness gradients across scales:A meta-analysisJ. Journal of biogeography, 2009, 36(1): 132147. 15 Crawford J. Multi-scale investigations of alpine vascular plant species in the San Juan Mountains of Colorado, USA GLORIA target region. Scientifica Acta, 2008, 2(2): 65 69. 16 Foody G M.Spatial non-stationarity and scale-dependency in the relationship between species richness and environmental determinants for the sub-Saharan endemic avifaunaJ. Global Ecology and Biogeography, 2004, 13(4): 315 320. 17 Keitt T H, Urban D L. Scale-specific inference using waveletsJ. Ecology, 2005, 86(9): 2497 2504. 18 Grinsted A, Moore J C, Jevrejeva S. Application of cross wavelet transform and wavelet coherence to geophysical time seriesJ. Nonlinear Processes in Geophysics, 2004, 11: 561566. 19 Zhou Y, Tao T, Mei X, et al. Feed-axis gearbox condition monitoring using built-in position sensors and EEMD methodJ. Robotics and Computer-Integrated Manufacturing, 2011, 27(4): 785 793. 20 Ai-Ho L, Che-Chou S, Pai-Chi L. Potential contrast improvement in ultrasound pulse inversion imaging using EMD and EEMDJ. Ultrasonics, Ferroelectrics and Frequency Control, IEEE Transactions on, 2010, 57(2): 317 326. 21 Huang N E, Zheng S, Long S R, et al. The empirical mode decomposition and the Hilbert spectrum for nonlinear and non-stationary time series analysisJ. Proc R Soc Lond, 1998, 454: 903 995. 22 Huang Norden E, Attoh-Okine N O.The Hilbert-Huang transform in engineeringM. England,Taylor 2. Jiangsu Modern Facilities Agricultural Technology and Equipment Engineering Laboratory, Nanjing 210031, China) Abstract: In order to improve the performance of greenhouse control system and figure out the multi-time scale variable problem between plant growth and environment elements in greenhouses, the ensemble empirical mode decomposition (EEMD) and Elman neural network were used to predict cayenne pepper height in this paper. Taking the cayenne pepper 8819 and its plant height and environment elements (temperature, relative humidity, total inner radiation) as research object, plant height and environment elements were decomposed by the method of EEMD. The cayenne pepper plants sampled were irrigated with the nutrient solution with electricity conductivity of 2.0 and pH value of 6.5 from Shandong Agricultural University. Five intrinsic mode functions (imfs) were obtained by the EEMD, named imf1, imf2, imf3, imf4 and imf5. Oscillations of cayenne pepper plant height and environment elements at different frequency were shown by imf1, imf2, imf3 and imf4, whi