基于模糊決策樹的溫室溫度調控

摘要 現代化農業是以優質、高效為標志的，因而溫室自動技術得到長足的發展。溫度自動控制系統是溫室技術中一個關鍵因素。模糊決策樹是一種歸納學習算法，能夠很好地逼近離散值函數，有較高的準確性且有很好的抗噪聲特性。將模糊決策樹引入溫室的溫度自動控制中，實現溫度的自動控制，其產生的控制過程更易于理解，并且具有很好的抗噪聲效果。仿真結果表明，基于模糊決策樹的控制系統有較強的自適應能力與穩健性。

關鍵詞 模糊決策樹；穩健性；溫度控制

中圖分類號S126文獻標識碼A文章編號0517-6611（2014）30-10443-03

基金項目邯鄲市科學技術研究與發展計劃項目（1412101005）。

作者簡介馬國興（1972- ），男，河北邯鄲人，高級教師，從事溫室技術研究與應用。

隨著生活水平的日益提高，人們對農業技術提出更高的要求。溫室技術也就應運而生。溫室技術是高效、優質農業發展的一個重要組成部分。研究性能優越、低成本且可靠的溫室控制系統是溫室技術研究領域的熱點問題，受到國內外學者的廣泛關注[1]。溫室控制系統主要是通過對溫室環境內影響農作物的主要因子如溫度、濕度、CO2濃度、土壤pH以及光照度等進行檢測，并且有效調控，使得溫室內環境適合農作物的生長，從而達到高效、優質的目的[2-3]。

由于溫室系統是一個多變量、時變、非線性、強耦合、大慣性的復雜系統[4]。將模糊決策樹引入溫室中溫度的自動調控系統，可以通過模糊技術有效地對抗噪音數據的干擾，更有效地對溫度進行及時的調整。決策樹推理算法[5]是Quinlan提出的一種歸納學習算法，是一種逼近離散值函數的方法，有較高的準確性，且對噪聲數據有很好的魯棒性，已被成功地應用到計算機輔助醫療診斷、模糊控制、數據挖掘等領域。

1溫室環境小氣候建模分析

溫室內環境影響植物生長的關鍵因素包括溫度、濕度、CO2濃度、光照度、營養液以及土壤pH，其中溫度控制是環境控制中最重要的一項指標。溫度通過影響作物的光合作用、呼吸作用、蒸騰作用、細胞分裂和伸長來影響作物的生長。所以，溫度是最基本的環境參數之一，對農作物的生長起著關鍵作用。在溫室系統中，對溫度進行實時測量與調控有重要意義。溫度過高、過低都會影響農作物的正常生長以及最后的收成與質量。溫室內的氣溫隨著太陽高度和外界氣溫的變化而變化。一般，白天有明顯的增溫作用，在下午3點開始隨著外界氣溫的下降，溫室內氣溫迅速下降，到日落時由快到慢。一天中溫室內氣溫變化大致呈正弦曲線。晴天時的溫度變化幅度大于陰天。

不同的植物對溫度的要求不同。許多熱帶起源的植物喜歡晝夜溫度相等的恒定溫度[6]。而對于我國的一些北方作物，晝夜不同的溫度是合適的，例如黃瓜。黃瓜因品種、生育階段、一天內不同時間對溫度的需求是有區別的。黃瓜生長的白天適宜溫度為25～30 ℃，夜間13～15 ℃，高于30 ℃或低于10 ℃對其生長發育造成不良影響。黃瓜的光合作用適宜溫度在生育前為30 ℃，中后期為35 ℃[7]。溫室內的溫度控制系統結構如圖1所示。

圖1溫室溫度自動控制系統結構溫室內溫度的控制是一個多變量、非線性、極易受許多不確定因素的影響，無法建立精確的數學模型[8]。在控制中引入模糊概念是解決難以精確建模問題的有效方法。模糊技術通過隸屬度函數來避免非彼即此的絕對概念，達到模擬人的不精確推理的效果。

當溫室內的溫度低于或高于預先設定的值，計算機內的模糊化模塊會先執行模糊化的過程。在傳統數學和邏輯推理中，推理過程都是建立在非彼即此的清晰集合概念之上的。但是，模糊數學允許集合有不清晰的邊緣，例如對于黃瓜，白天的溫度40 ℃完全算是高溫，20 ℃完全算是低溫，25～30 ℃是適宜溫度，23 ℃不是適宜溫度，但是也不是完全的低溫。這些可以通過隸屬度函數（圖2）來更準確的表達。在溫度逐漸從25 ℃降低到20 ℃的過程中，屬于低溫的程度越來越高，不利于黃瓜生長的影響越來越大，而到20 ℃以下時就完全是低溫，完全不適合黃瓜的生長。圖2中所示的“低溫”、“適宜溫度”、“高溫”也被稱為模糊集。其中，“適宜溫度”的隸屬度函數為“梯形”，可用4個參數來刻畫[22，25，30，33]，即由這4個參數完全確定隸屬度函數。隸屬度函數的表達式為：

其中，t是攝氏度為單位的溫度。而左邊的“低溫”屬于“半梯形”，可用[20，25]刻畫，右邊的“高溫”用[30，35]刻畫。

2基于模糊決策樹的溫度自動控制系統

2.1決策樹決策樹歸納學習算法適合表1中所列的問題。表1中，除了第1行之外，每行稱為一條記錄（也稱為樣本點），第2～5列稱為條件屬性，最后一列稱為決策屬性，為有限多個。而決策樹的學習過程就是從類似表1的數據中學習得到一棵決策樹，形如圖3。

2.3仿真實驗以冬季為溫室加熱來維護溫室內適宜的溫度為例，在MATLAB上進行仿真實驗。在冬季加熱控制中，外界的干擾主要有室外溫度、大風及光照。由于溫室系統模型慣性大、延遲大，在基于模糊決策樹的溫度控制系統中，會考慮到多個因素，除了實際測得的溫度與設定的溫度之間的溫差，還會采用采集數據時的時間、溫度變化率、濕度、采取加溫措施后的效果。采樣時間設定為1 s。在MATLAB上仿真驗證的結果如圖4、5。

從圖4可以看出，基于模糊決策樹的溫度控制系統可以很好地達到加溫要求，在初始階段，溫差較大，所以需要快速加溫，而隨著加溫效果的顯現，溫差變小，加溫力度也相應的減小，越接近于理想溫度，加溫力度逐漸減小，直到溫度穩定在理想狀態，此時加溫的力度也穩定下來。響應曲線表明，模糊決策樹控溫系統能夠達到與人工相似的效果。決策樹成功學習到人工控溫經驗。

圖5是在90 s時對理想溫度增加了一個小的干擾后模糊決策樹溫控系統的響應曲線。從圖中可以看出，模糊決策樹溫控系統能夠及時采取合適的加溫措施，并且隨著理想溫度的降低，逐步減小加溫力度，使得溫度穩步下降。

3結論