基于改進型極限學(xué)習(xí)機的日光溫室溫濕度預(yù)測與驗證

第 31 卷 第 24 期 農(nóng) 業(yè) 工 程 學(xué) 報 Vol.31 No.24 194 2015 年 12 月 Transactions of the Chinese Society of Agricultural Engineering Dec. 2015 基于改進型極限學(xué)習(xí)機的日光溫室溫濕度預(yù)測與驗證鄒偉東1，張百海1，姚分喜1，賀超興2（1. 北京理工大學(xué)自動化學(xué)院，北京 100081； 2. 中國農(nóng)業(yè)科學(xué)院蔬菜花卉研究所，北京 100081） 摘 要： 日光溫室溫濕度模型是其結(jié)構(gòu)設(shè)計與控制的重要基礎(chǔ)，因日光溫室系統(tǒng)具有大慣性、強耦合、非線性等特性，采用機理分析法，難以建立其準確的數(shù)學(xué)模型，導(dǎo)致日光溫室控制效果差。神經(jīng)網(wǎng)絡(luò)建模能更加靈活地得到日光溫室系統(tǒng)的參數(shù)，但傳統(tǒng)的極限學(xué)習(xí)機（extreme learning machine ， ELM）存在隱含層神經(jīng)元激勵函數(shù)固定，只考慮經(jīng)驗風(fēng)險（即訓(xùn)練誤差最小化），而導(dǎo)致過擬合等問題。為了實現(xiàn)對日光溫室內(nèi)溫濕度環(huán)境因子的綜合控制，需要進一步提高日光溫室環(huán)境因子的預(yù)測精度，該文將基于正交基函數(shù)的改進型極限學(xué)習(xí)機對日光溫室環(huán)境因子進行辨識，并利用經(jīng)驗?zāi)B(tài)分解（empirical mode decomposition ， EMD）方法確定網(wǎng)絡(luò)隱含層節(jié)點數(shù)，建立了日光溫室溫濕度環(huán)境因子預(yù)測模型。利用所建立的模型對日光溫室內(nèi)的溫度和濕度等環(huán)境因子進行預(yù)測結(jié)果表明：溫度模型有效性為 0.9434，濕度模型有效性為0.9208，實測值與預(yù)測值的擬合關(guān)系比較理想，說明基于正交基函數(shù)的改進型極限學(xué)習(xí)機對日光溫室進行系統(tǒng)辨識是可行的，且對日光溫室智能控制的發(fā)展有一定的參考價值。 關(guān)鍵詞：溫室；溫度；濕度；預(yù)測；日光溫室；極限學(xué)習(xí)機；經(jīng)驗?zāi)B(tài)分解；正交基函數(shù) doi：10.11975/j.issn.1002-6819.2015.24.029 中圖分類號：TP391.9 ；S625.5+1 文獻標志碼：A 文章編號：1002-6819(2015)-24-0194-07 鄒偉東，張百海，姚分喜，賀超興. 基于改進型極限學(xué)習(xí)機的日光溫室溫濕度預(yù)測與驗證 J. 農(nóng) 業(yè)工程學(xué)報，2015，31(24)：194200. doi ：10.11975/j.issn.1002 -6819.2015.24.029 http:/www.tcsae.org Zou Weidong, Zhang Baihai, Yao Fenxi, He Chaoxing. Verification and forecasting of temperature and humidity in solar greenhouse based on improved extreme learning machine algorithmJ. Transactions of the Chinese Society of Agricultural Engineering (Transactions of the CSAE), 2015, 31(24): 194200. (in Chinese with English abstract) doi：10.11975/j.issn.1002-6819.2015.24.029 http:/www.tcsae.org 0 引 言當(dāng)前國內(nèi)北方地區(qū)大面積的日光溫室蔬菜生產(chǎn)，主要依靠太陽光照提供能量，這從根本上決定了日光溫室內(nèi)的作物生長情況對棚外環(huán)境氣象條件有很大的依賴性。為了深入研究棚外環(huán)境氣象條件對日光溫室內(nèi)環(huán)境因子的影響，實現(xiàn)對日光溫室環(huán)境的綜合控制，為作物生長發(fā)育創(chuàng)造出最適宜的氣候條件，實現(xiàn)作物增產(chǎn)，從而要求建立以日光溫室內(nèi)主要環(huán)境因子為輸出變量的溫室模型1。 由于日光溫室是一個典型的非線性、大慣性、強耦合和時變的復(fù)雜系統(tǒng)，日光溫室內(nèi)部作物的生理特征變化、所采取的各種調(diào)控措施和外界氣候變化都會對溫室環(huán)境產(chǎn)生影響，因此，它的模型很難通過機理法用簡單的數(shù)學(xué)公式或傳遞函數(shù)來描述2。隨著人工智能技術(shù)的飛速發(fā)展，學(xué)者們利用人工智能技術(shù)解決溫室建模的相關(guān)問題，其中人工神經(jīng)網(wǎng)路技術(shù)在溫室環(huán)境建模中的應(yīng)用特別突出。人工神經(jīng)網(wǎng)路可加快計算速度，并提高物理過程參數(shù)的精度，能利用有限的參數(shù)描述復(fù)雜的系統(tǒng)。人工神經(jīng)網(wǎng)絡(luò)建模相收稿日期：2015-06-25 修訂日期：2015-10-27 基金項目：北京市科學(xué)研究與研究生培養(yǎng)共建項目（20120639002） 作者簡介：鄒偉東，男，博士生，主要從事日光溫室建模與控制。北京 北京理工大學(xué)自動化學(xué)院，100081，Email ：3120120347bit.edu.cn 通信作者：張百海，男，博士，教授，博士生導(dǎo)師，從事系統(tǒng)建模、仿真與優(yōu)化的研究。 ，北京 北京理工大學(xué)自動化學(xué)院，100081。 Email：smczhangbit.edu.cn 對于傳統(tǒng)建模方法主要優(yōu)點是不需要用數(shù)學(xué)表達式，更適合于長期預(yù)測，它能更靈活地獲得溫室參數(shù)和非線性，使得它對溫室環(huán)境建模更有吸引力。鑒于人工神經(jīng)網(wǎng)絡(luò)在建模中的優(yōu)勢，其在溫室環(huán)境建模中的應(yīng)用越來越廣泛。 Ferreira 等3采用離線訓(xùn)練、在線學(xué)習(xí)的方法，以溫室外界的氣溫和太陽輻照度以及內(nèi)部的濕度為輸入，利用 Radial Basis Function 神經(jīng)網(wǎng)絡(luò)建立溫室溫度預(yù)測模型，以 8 個隱神經(jīng)元的網(wǎng)絡(luò)為例，其離線訓(xùn)練的溫度均方根誤差為 0.0108，在線學(xué)習(xí)的溫度均方根誤差為0.0072，得到較好的擬合特性和較低的預(yù)測誤差。鄒秋瀅等4采用自適應(yīng)神經(jīng)模糊推理系統(tǒng)對溫室小氣候環(huán)境因子進行辨識，建立溫室小氣候環(huán)境因子預(yù)測模型，并用所建立的模型對溫室內(nèi)的溫度、濕度、光照等小氣候環(huán)境因子進行預(yù)測，其相關(guān)度達到 0.9976。 Fathi Fourati5采用 Elman Neural Network 建立溫室溫濕度模型， 6 個輸入節(jié)點， 3 個隱節(jié)點， 2 個輸出節(jié)點，試驗得到，溫度誤差為 0.3，濕度誤差為 4%。國內(nèi)學(xué)者王定成6利用支持向量機回歸建模的方法建立了南方溫室環(huán)境溫度模型，在忽略外界因素對溫室內(nèi)部氣候的影響下，得到 1d 的溫度預(yù)測平均誤差為 0.1288。 王萬良等7利用模糊邏輯網(wǎng)絡(luò)建立了溫室分布參數(shù)的預(yù)測模型，提出了基于神經(jīng)網(wǎng)絡(luò)優(yōu)化計算的優(yōu)化控制算法，并應(yīng)用于溫室加熱升溫分布參數(shù)過程優(yōu)化控制中。杜尚豐等8采用 BP 神經(jīng)網(wǎng)絡(luò)建立溫室溫度模型，采用 5-10-1 網(wǎng)絡(luò)結(jié)構(gòu)，試驗得到溫度誤差在 1.5范圍內(nèi)。 第 24 期 鄒偉東等：基于改進型極限學(xué)習(xí)機的日光溫室溫濕度預(yù)測與驗證 195 本文主要針對日光溫室系統(tǒng)具有的非線性時變等特性，利用基于正交基函數(shù)的極限學(xué)習(xí)機（ extreme learning machine， ELM）對日光溫室環(huán)境因子進行辨識，并利用經(jīng)驗?zāi)B(tài)分解（empirical mode decomposition ， EMD）方法確定網(wǎng)絡(luò)隱含層節(jié)點數(shù)。在試驗的基礎(chǔ)上，收集了日光溫室內(nèi)環(huán)境因子與棚外環(huán)境氣候條件數(shù)據(jù)，將棚外氣象因子作為模型的輸入，將日光溫室環(huán)境因子作為模型的輸出，利用系統(tǒng)辨識的方法建立了一個日光溫室內(nèi)主要環(huán)境因子與棚外氣候條件之間關(guān)系的數(shù)學(xué)模型，并且根據(jù)棚外氣候條件的變化狀況預(yù)測日光溫室內(nèi)的小氣候環(huán)境因子，以期為日光溫室環(huán)境智能控制提供依據(jù)。 1 極限學(xué)習(xí)機(ELM)算法 ELM 是一種單隱層前饋神經(jīng)網(wǎng)絡(luò)，與傳統(tǒng)的神經(jīng)網(wǎng)絡(luò)的根本區(qū)別在于：ELM 在訓(xùn)練中可隨機產(chǎn)生輸入權(quán)值和隱含層節(jié)點偏移量，且產(chǎn)生后保持不變，只需設(shè)置隱含層神經(jīng)元個數(shù)就能獲得全局最優(yōu)解。因 ELM 學(xué)習(xí)速度快，泛化性好，故在函數(shù)逼近和模式分類方面得到廣泛應(yīng)用9。圖 1 為 ELM 拓撲結(jié)構(gòu)。該網(wǎng)絡(luò)由輸入層、隱含層和輸出層組成，其中，輸入層有 n 個神經(jīng)元，對應(yīng) n個輸入變量；隱含層有 L 個神經(jīng)元；輸出層有 m 個神經(jīng)元，對應(yīng) m 個輸出變量。 ELM 算法的主要步驟10： 1）確定隱含層神經(jīng)元個數(shù)，隨機產(chǎn)生輸入層和隱含層之間的連接權(quán)值 wij與隱含層節(jié)點偏移量 b； 2）選取無限可導(dǎo)的函數(shù)作為隱含層神經(jīng)元的激勵函數(shù) g(x)，計算隱含層輸出矩陣 H； 3）計算輸出權(quán)值 ：+= H T ，其中 H+是矩陣 H的 Moore-Penrose 廣義逆，T 是系統(tǒng)實際輸出。 注：x1 xn為n 個輸入變量； O1 OL為 L個神經(jīng)元；w1L wnL為輸入層與隱含層間的連接權(quán)值； 11 Lm為隱含層與輸出層間的連接權(quán)值； y1 ym為m 個輸出變量。 Note: x1-xnare input variables; O1-OLare neurons; w1L-wnLare connection weight for input and hidden layer; 11-Lmare connection weight for hidden and output layer; y1-ymare output variables. 圖 1 ELM 拓撲結(jié)構(gòu) Fig.1 Topological structure of ELM 但傳統(tǒng)的極限學(xué)習(xí)機算法存在如下缺陷： 1）隱含層激勵函數(shù)是固定的； 2）隱含層節(jié)點數(shù)一般都是通過試湊法獲得； 3）所求的輸出權(quán)值 僅考慮風(fēng)險最小化，即訓(xùn)練誤差最小，但無法保證測試誤差也達到最小值。 針對上述缺陷，本文提出基于正交基函數(shù)的改進型極限學(xué)習(xí)機，并利用經(jīng)驗?zāi)B(tài)分解方法確定網(wǎng)絡(luò)隱含層節(jié)點數(shù)。 2 基于正交基函數(shù)的改進型極限學(xué)習(xí)機 2.1 正交基函數(shù) 依據(jù)最佳平方逼近多項式存在性定理11-12，任意非線性函數(shù) y=f(x)都可由一組正交基函數(shù)線性表示 ()T=1= = ()+ ()= ()+ ()Liiiyf x gx Rx x Rx WG 。 （ 1） 式中 G(x)是正交基函數(shù)； W是相關(guān)系數(shù)； 余項 R(x)是逼近精度誤差。根據(jù)式（ 1），正交基函數(shù)神經(jīng)網(wǎng)絡(luò)的數(shù)學(xué)模型可定義為 ()T1 () () () ()Liiiyfx gxRx xRx=+= + G 。 （ 2） 式中 x 是正交基函數(shù)神經(jīng)網(wǎng)絡(luò)的輸入； y 是正交基函數(shù)神經(jīng)網(wǎng)絡(luò)的輸出； 12= , ,.,L 是隱含層神經(jīng)元與網(wǎng)絡(luò)輸出層的連接權(quán)值；正交基函數(shù)12()= (), (),., ()Lx gxgx g xG 作為隱含層神經(jīng)元的激勵函數(shù)，將網(wǎng)絡(luò)輸入層與隱含層神經(jīng)元的連接權(quán)值設(shè)置為 1，隱含層神經(jīng)元與網(wǎng)絡(luò)輸出層的閾值也設(shè)置為 0。 常見的正交基函數(shù)有 Chebyshev 正交基函數(shù)13、 Legendre 正交基函數(shù)14、 Hermite 正交基函數(shù)15和 Fourier 正交基函數(shù)16，本文選用的是 Fourier 正交基函數(shù)作為 ELM 隱含層神經(jīng)元的激勵函數(shù)，具體如下 () () ()12 () cos , () cos2 ,., () coslg xxpgx xpgxLxpqq q = = = 式中 x 為正交基函數(shù)神經(jīng)網(wǎng)絡(luò)的輸入； p， q 為 Fourier 正交基函數(shù)的系數(shù)。 2.2 EMD 算法 經(jīng)驗?zāi)B(tài)分解算法17-18是一種基于時域的信號處理方法，它僅僅基于這樣的假設(shè)：任何信號都是由不同的本征模態(tài)函數(shù)（intrinsic mode function ， IMF）組成，其目的是把復(fù)雜的信號分解成有限個本征模態(tài)函數(shù)之和。每一個本征模態(tài)函數(shù)都具有相同的極值點和過零點，在任意 2 個相鄰的過零點之間僅有一個極值點，且上下包絡(luò)曲線是關(guān)于時間軸局部對稱，任意的 2 個本征模態(tài)函數(shù)之間是相互正交的19。 EMD 算法的流程圖如圖 2 所示。本文利用經(jīng)驗?zāi)B(tài)分解方法確定網(wǎng)絡(luò)隱含層節(jié)點數(shù)。 2.3 網(wǎng)絡(luò)隱含層節(jié)點數(shù)確定 目標函數(shù) Y經(jīng)過 EMD分解后得到 n 個相互正交的分量 c1,c2cn，由 EMD 的完備性可知 1=niic=Y ， （ 3） 式（3 ）左乘Tic 后得 TT1,2niiii=1= c ,i = .ncY c ， （ 4） 于是得 T1,2n2ii=1= c ,i = .nYY ， （ 5） T11,2n2ii=c= ,i = .n1YY， （ 6） 農(nóng)業(yè)工程學(xué)報（http:/www.tcsae.org ） 2015 年 196 含有 L 個隱含層節(jié)點的 ELM 網(wǎng)絡(luò)的數(shù)學(xué)模型可表示為 1()Liiiii= g w,b,xY 。 （7 ） 式中 ,nnmiixw R RR； wi是網(wǎng)絡(luò)輸入層與第 i 個節(jié)點的連接權(quán)值； bi是第 i 個隱含層節(jié)點的閾值； i是第 i個隱含層節(jié)點與輸出層的連接權(quán)值； gi(wi, bi, x)是第 i 個隱含層節(jié)點的激勵函數(shù)。故具有 L 個隱含層節(jié)點的能量總貢獻率可表示為 21T1(,)=LiiiiLiiig wbxVv=YY。 （ 8） 式中 V 是能量總貢獻率，且 0 V 1； vi是第 i 個隱含層節(jié)點的能量貢獻率，且 0 vi 1。選擇的隱含層節(jié)點數(shù)量越多，能量總貢獻率就越高，逼近精度越高，若 L=n，則網(wǎng)絡(luò)逼近精度最高， V=1。 本文分別對訓(xùn)練樣本中的室內(nèi)溫度和濕度信號進行EMD 分解， 分解結(jié)果如圖 3 和 4 所示。從圖 3 和 4 可知，分解所得的 IMF 分量個數(shù)均為 9，故網(wǎng)絡(luò)隱含層節(jié)點數(shù)為 9。 圖 2 EMD 方法的流程 Fig.2 Flow chart of EMD method 圖 3 室內(nèi)溫度信號的 EMD 分解結(jié)果 Fig.3 EMD result for signal of temperature inside of greenhouse 圖 4 室內(nèi)濕度信號的 EMD 分解結(jié)果 Fig.4 EMD result for signal of humidity inside of greenhouse 第 24 期 鄒偉東等：基于改進型極限學(xué)習(xí)機的日光溫室溫濕度預(yù)測與驗證 197 2.4 網(wǎng)絡(luò)輸出權(quán)值確定 根據(jù)統(tǒng)計學(xué)習(xí)理論可知，實際的風(fēng)險既有經(jīng)驗風(fēng)險又有結(jié)構(gòu)化風(fēng)險。如果想獲得一個良好的模型，需要同時考慮這兩種風(fēng)險。因此在輸出權(quán)值最小化和誤差最小化之間做出折中，即22min +H T ，其中 H是隱含層輸出矩陣，12= , ,., L 是隱含層與輸出層的連接權(quán)值， T是系統(tǒng)實際輸出。 設(shè) ,mL m L 11，H RTR R ，則當(dāng)()1TT=+ H HI HT時，滿足22min +H T 。 證明： 令 ()22f =+ H T ， 則 ()TT TT T T2f =+HHHT TT ， 令()TTd2220df=+=HH HT ， 解得()1TT=+ H HI HT， 故當(dāng)()1TT=+ H HI HT 時，滿足22min - +H T 。 3 試驗及試驗結(jié)果 3.1 試驗數(shù)據(jù)采集 在中國農(nóng)業(yè)科學(xué)院蔬菜花卉研究所日光溫室進行試驗數(shù)據(jù)采集，該溫室位于 4007 N， 11609 E，溫室長度為 50 m，跨度為 6.4 m，脊度為 3.24 m，采用西北型鋼單管骨架，鋼管直徑為 22 mm，保溫墻厚度為60 cm，覆蓋物為聚乙烯棚膜（厚度是 0.12 mm），夜間覆蓋保溫被（厚度是 22 mm），溫室內(nèi)部種植番茄，種植面積為 281.32 m2，日光溫室結(jié)構(gòu)與傳感器安裝位置如圖 5 所示。 圖 5 日光溫室結(jié)構(gòu)示意圖及測點布置 Fig.5 Schematic diagram of solar greenhouses and measurement points 溫室外部的氣象參數(shù)以及溫室內(nèi)部的溫濕度由北京奧托公司環(huán)境數(shù)據(jù)采集儀自動采集記錄，采用溫濕度傳感器 SHT10 測量溫室外部與內(nèi)部的溫濕度，其精度為 0.5和 5%，試驗溫室溫濕度測點 10 個，分別布置于溫室跨中距東墻 5、 15、 25、 35 和 45 m 處，溫室東西中軸線距北墻 1 和 5.1 m 處，距地面 3 和 0.5 m，取 10 個測點的平均值作為室內(nèi)溫濕度的測量值；采用 NZ-FS 室外風(fēng)速傳感器測量室外風(fēng)速，其精度為 1 m/s；采用 HA2003 光照傳感器測量室外光照，其量程為 200 200 000 lx，誤差為 7%。數(shù)據(jù)采集時間在 2015年 1月 10日 00:00到 1月 23日 00:00之間，采樣周期為 10 min，采集室內(nèi)溫度和濕度，以及室外溫度、濕度、光照強度、風(fēng)速等 1872 組數(shù)據(jù)，其具體變化規(guī)律如圖 6 所示。試驗期間均為晴天，室外最高溫度為 13.27，最低溫度 10.25，平均溫度為 1.27，室外最高濕度為 95.63%，最低濕度 11.51%，平均濕度為50.55%；而室內(nèi)最高溫度為 39.1，最低溫度為 2.72，平均溫度為 12.27，室內(nèi)最高濕度為 95.46%，最內(nèi)濕度41.6%， 平均濕度為 85.69%。 因為是短期預(yù)測， 故以前 1440組數(shù)據(jù)作為訓(xùn)練樣本，后 432 組數(shù)據(jù)作為測試樣本。 圖 6 室內(nèi)溫度、濕度，室外溫度、濕度、光照強度和風(fēng)速變化 Fig.6 Variation of temperature and humidity inside greenhouse, temperature, humidity, light and wind speed outside greenhouse 3.2 模型評價指標 根據(jù)日光溫室環(huán)境的特點，確定輸入量如下：溫室外的溫度、濕度、風(fēng)速和光照強度，輸出量為溫室內(nèi)的溫度和濕度。模型性能以溫度和濕度測試的均方根誤差農(nóng)業(yè)工程學(xué)報（http:/www.tcsae.org ） 2015 年 198 RMSE（ root mean square error）和模型有效性 MV（ model validity）為指標，來衡量模型的泛化能力和精度20。 均方根誤差 RMSE 表示為 ()21RMSE=NiiityN=。 （ 9） 模型有效性 MV 表示為 ()()2121MV 1NiiiNiityty=。 （ 10） 式中 ti為 ELM 網(wǎng)絡(luò)模型輸出； iy 為實際測量值； y 為實際測量值的平均值； N 為樣本數(shù)。其中均方根誤差 RMSE反映模型輸出曲線在實際曲線上的波動情況，模型有效性 MV 反映了模型輸出與測量值的偏差相對于測量數(shù)據(jù)的離散性，性能良好的模型有效性 MV 為 1。 3.3 模型預(yù)測結(jié)果分析 3.3.1 傳統(tǒng) ELM 模型 傳統(tǒng) ELM算法在建立模型前僅需確定網(wǎng)絡(luò)激勵函數(shù) 和隱含層節(jié)點數(shù)即可，本文選用 Sigmoidal 函數(shù)作為傳統(tǒng)ELM 算法的激勵函數(shù)，網(wǎng)絡(luò)隱含層節(jié)點數(shù)為 9?；趥鹘y(tǒng) ELM 網(wǎng)絡(luò)的日光溫室模型的溫度、濕度預(yù)測曲線如圖7a、 7b。溫度的誤差范圍 6.0729 6.9149，濕度的誤差范圍 13.6286% 19.641%。 3.3.2 基于正交基函數(shù)的改進型 ELM 模型 在基于正交基函數(shù)的改進型 ELM 模型中，其隱含層神經(jīng)元激勵函數(shù)系數(shù)為： p=30， q=10，網(wǎng)絡(luò)隱含層節(jié)點數(shù)為 9?；谡换瘮?shù)的改進型 ELM 網(wǎng)絡(luò)的日光溫室模型的溫度、濕度預(yù)測曲線，如圖 7c、 7d，溫度的誤差范圍 5.6256 4.8996， 濕度的誤差范圍是 10% 10%。2 種不同的 ELM 模型性能對比如表 1 所示。 根據(jù)圖 7 及表 1 可知，與傳統(tǒng) ELM 模型相比，運用基于正交基函數(shù)的改進型 ELM 模型的溫度誤差和濕度誤差分別減少了 2和 5%，溫度均方根誤差減小了 0.4758，濕度均方根誤差減小了 0.6857 個百分點，溫度模型有效性相對提高了 0.0384，濕度模型有效性相對提高了 0.0314，這說明運用基于正交基函數(shù)的改進型 ELM 模型對日光溫室小氣候環(huán)境進行模擬預(yù)測是行之有效的。 圖 7 改進型 ELM 與傳統(tǒng) ELM 的日光溫室室內(nèi)溫度、濕度預(yù)測曲線 Fig.7 Predicted curve for temperature and humidity in solar greenhouse based on improved ELM and traditional ELM 表 1 基于正交基函數(shù)的改進型 ELM 與傳統(tǒng)的 ELM 性能對比 Table 1 Performance comparison of improved ELM based on orthonormal basis function and traditional ELM 溫度 Temperature 濕度 Humidity 模型 Model 均方根誤差 Root mean square error/ 模型有效性 Model validity均方根誤差 Root mean square error/% 模型有效性 Model validity傳統(tǒng) ELM Traditional ELM 3.0225 0.905 4.8169 0.8894 基于正交基函數(shù)的改進型 ELM Improved ELM based on orthonormal basis function 2.5467 0.9434 4.1312 0.9208 在冬季，白天日照時間短，因日光溫室保溫的需要，且室內(nèi)沒有加熱設(shè)備，故試驗期間室內(nèi)的風(fēng)機與卷膜器均處于關(guān)閉狀態(tài)，但密閉的環(huán)境使得作物蒸騰和地面蒸發(fā)所形成的水蒸氣散布在溫室內(nèi)部，直接造成冬季溫室內(nèi)部的高濕。試驗期間每天上午 09:00 點卷起保溫被，下午 15:00 點下放保溫被，其他時間未對溫室進行調(diào)控操作，盡可能降低其對溫室內(nèi)環(huán)境因子變化的影響程度。 根據(jù)圖 7 及表 1 可知，與傳統(tǒng) ELM 模型相比，運用基于正交基函數(shù)的改進型 ELM模型的溫度均方根誤差與濕度均方根誤差均有所下降，其溫度模型有效性與濕度模型有效性相對提高了，說明運用基于正交基函數(shù)的改進型 ELM模型對日光溫室小氣候環(huán)境進行模擬預(yù)測是行之有效的，但是溫度誤差和濕度誤差波動劇烈，離散性大，這是由于室內(nèi)溫濕度受到各種隨機因素的影響，尤其是對溫室的調(diào)控操作影響較大，并且數(shù)據(jù)中可能含有噪聲，造成 ELM 算法過多的擬合了噪聲，最終造成溫度誤差和濕度誤差波動劇烈，離散性大。 4 結(jié) 論 本文提出利用基于正交基函數(shù)的改進型極限學(xué)習(xí)機對日光溫室小氣候環(huán)境因子進行預(yù)測。首先對訓(xùn)練樣本中的室內(nèi)溫度和濕度信號進行 EMD 分解，根據(jù) IMF 分第 24 期 鄒偉東等：基于改進型極限學(xué)習(xí)機的日光溫室溫濕度預(yù)測與驗證 199 量的個數(shù)確定網(wǎng)絡(luò)隱含層節(jié)點數(shù)目；接著，在統(tǒng)計學(xué)習(xí)理論的基礎(chǔ)上，同時考慮經(jīng)驗風(fēng)險與結(jié)構(gòu)化風(fēng)險，在輸出權(quán)值最小化和誤差最小化之間做出折中，求解出滿足輸出權(quán)值與誤差之和最小化的網(wǎng)絡(luò)輸出權(quán)值計算公式。試驗結(jié)果表明，與傳統(tǒng) ELM 模型相比，運用基于正交基函數(shù)的改進型 ELM模型的溫度誤差和濕度誤差分別減少了 2和 5%，溫度均方根誤差減小了 0.4758，濕度均方根誤差減小了 0.6857%，溫度模型有效性相對提高了0.0384，濕度模型有效性相對提高了 0.0314，說明運用基于正交基函數(shù)的改進型 ELM模型對日光溫室小氣候環(huán)境進行模擬預(yù)測是行之有效的。 但是選用 Fourier 正交基函數(shù)作為 ELM 隱含層神經(jīng)元的激勵函數(shù)，激勵函數(shù)中的系數(shù)為經(jīng)驗值，需要經(jīng)過多次試驗才能找到最佳值，其他正交基函數(shù)有待驗證。 參 考 文 獻 1 Wang Junwei, Li Shuhai, Guo Shirong. Simulation and optimization of solar greenhouses in Northern Jiangsu Province of ChinaJ. Energy and Buildings, 2014(78): 143 152. 2 徐立鴻，蘇遠平，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， 2013， 29(19)： 115. Xu Lihong, Su Yuanping, Liang Yuming. Requirement and current situation of control-oriented microclimate environmental model in greenhouse systemJ. Transactions of the Chinese Society of Agricultural Engineering (Transactions of the CSAE), 2013, 29(19): 1 15. (in Chinese with English abstract) 3 Ferreira P M, Faria E A, Eruano A. Neural network models in greenhouse air temperature predictionJ. Neurocomputing, 2002, 43(4): 5175. 4 鄒秋瀅，紀建偉，李征明. 基于 ANFIS 的溫室小氣候環(huán)境因子預(yù)測模型辨識J. 沈陽農(nóng)業(yè)大學(xué)學(xué)報，2014，45(4)：503507. Zou Qiuying, Ji Jianwei, Li Zhengming. Identification of Greenhouse Microclimate Environmental factors Prediction Model Based on ANFISJ. Journal of Shenyang Agricultural University, 2014, 45(4): 503 507.(in Chinese with English abstract) 5 Fathi Fourati. Multiple neural control of a greenhouseJ. Neurocomputing, 2014, 139(4): 138144. 6 王定成 . 溫室環(huán)境的支持向量機回歸建模 J. 農(nóng)業(yè)機械學(xué)報，2004，35(5)：106109. Wang Dingcheng. SVM Regression Modeling for Greenhouse EnvironmentJ. Transactions of the Chinese Society for Agricultural Machinery, 2004, 35(5): 106109.(in Chinese with English abstract) 7 王萬良，李敏，李勤學(xué). 溫室環(huán)境的模糊邏輯網(wǎng)絡(luò)建模與智能控制J. 機電工程，2000，17(2)：6366. Wang Wanliang, Li Min, Li Qinxue. Adaptive fuzzy logic network model and intelligent control for greenhouse climateJ. Mechanical and Electrical Engineering Magazine, 2000, 17(2): 63 66.(in Chinese with English abstract) 8 杜尚豐，李迎霞，陳亮，等. 溫室環(huán)境神經(jīng)網(wǎng)絡(luò)建模J.計算機測量與控制，2006，14(7)：887889. Du Shangfeng, Li Yingxia, Chen Liang et al. Modeling green environment with artificial neural networksJ. Computer Measurement and Control, 2006, 14(7): 887 889. (in Chinese with English abstract) 9 Huang G B, Zhu Q Y, Siew C K. Extreme learning machine: Theory and applicationsJ. Neurocomputing, 2006, 70(1): 489501. 10 馮禹，崔寧博，龔道枝，等 . 基于極限學(xué)習(xí)機的參考作物蒸散量預(yù)測模型J. 農(nóng)業(yè)工程學(xué)報， 2015， 31(增刊 1)：153 160. Feng Yu, Cui Ningbo, Gong Daozhi, et al. Prediction model of reference crop evapotranspiration based on extreme learning machineJ. Transactions of the Chinese Society of Agricultural Engineering (Transactions of the CSAE), 2015, 31(Supp.1): 153160. (in Chinese with English abstract) 11 曾喆昭. 神經(jīng)計算原理及其應(yīng)用技術(shù)M. 北京： 科學(xué)出版社，2012：181185. Ceng Zhenzhao. Principles and application of NeurocomputingM. Beijing: Science Press, 2012: 181185. (in Chinese with English abstract) 12 孟廣偉，李廣博，李鋒 . 多項式基函數(shù)神經(jīng)網(wǎng)絡(luò)的結(jié)構(gòu)可靠性分 析 J. 北京航空航天大學(xué)學(xué)報， 2013， 39(11)： 1460 1463. Meng Guangwei, Li Guangbo, Li Feng. Structural reliability analysis based on polynomial basis function neural networkJ. Journal of Beijing University of Aeronautics and Astronautics, 2013, 39(11): 1460 1463.(in Chinese with English abstract) 13 葉軍. 基于模擬正交神經(jīng)網(wǎng)絡(luò)的電熱干燥器溫度控制 J.農(nóng)業(yè)工程學(xué)報，2005，21(10)：105108. Ye Jun. Temperature control of electric heating dryers based on an analog orthogonal neural networkJ. Transactions of the Chinese Society of Agricultural Engineering, 2005, 21(10): 105 108. (in Chinese with English abstract) 14 楊胡萍，左士偉，涂雨曦. 基于混沌理論和 Legendre 正交基神經(jīng)網(wǎng)絡(luò)的短期負荷預(yù)測J. 電測與儀表，2015 ，52(13)：6367. Yang Huping, Zuo Shiwei, Tu Yuxi. Short-term load forecasting based on chaos theory and legendre orthogonal basis neural networkJ. Electrical Measurement and Instrumentation, 2015, 52(13): 63 67. (in Chinese with English abstract) 15 李瑞國，張宏立，范文慧. 基于改進教學(xué)優(yōu)化算法的Hermite 正交基神經(jīng)網(wǎng)絡(luò)混沌時間序列預(yù)測J. 物理學(xué)報，2015，64(20)：113. Li Ruiguo, Zhang Hongli, Fan Wenhui. Hermite orthogonal basis neural network based on improved teaching-learning-based optimization algorithm for chaotic time series predictionJ. Acta Physica Sinica, 2015, 64(20): 113. (in Chinese with English abstract) 16 鄒阿金，張雨濃. 基函數(shù)神經(jīng)網(wǎng)絡(luò)及應(yīng)用M. 廣東：中山大學(xué)出版社，2009：1617. Zou Ajin, Zhang Yunong Neural network based on basis function and its applicationM. Guangdong: Sun Yat-sen University Press, 2009: 16 17.(in Chinese with English abstract) 17 劉忠，黃峰，李保國. 基于經(jīng)驗?zāi)B(tài)分解的中國糧食單產(chǎn)波動特征及影響因素 J. 農(nóng)業(yè)工程學(xué)報， 2015， 31(2)：7 13. Liu Zhong, Huang Feng, Li Baoguo. Analysis on characteristics and influential factors of grain yield fluctuation in China based on empirical mode 農(nóng)業(yè)工程學(xué)報（http:/www.tcsae.org ） 2015 年 200 decompositionJ. Transactions of the Chinese Society of Agricultural Engineering (Transactions of the CSAE), 2015，31(2): 713. (in Chinese with English abstract) 18 張瑜，汪小旵，孫國祥，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J. 農(nóng)業(yè)工程學(xué)報， 2015，31(18)：169174. Zhang Yu, Wang Xiaochan, Sun Guoxiang, et al. Prediction of cayenne pepper plant height based on ensemble empirical mode