基于改進PSO優化RBF神經網絡的溫室溫度預測研究*

王媛媛

(1.淮陰工學院計算機工程學院　淮安　223003)(2.江蘇省物聯網移動互聯技術工程實驗室　淮安　223003)

?

基于改進PSO優化RBF神經網絡的溫室溫度預測研究*

王媛媛1,2

(1.淮陰工學院計算機工程學院淮安223003)(2.江蘇省物聯網移動互聯技術工程實驗室淮安223003)

摘要論文以溫室內外的氣象數據為輸入量,以溫室內溫濕度等氣象因子為輸出量,使用改進PSO算法優化的RBF神經網絡構建溫室內環境溫濕度的預測模型。通過實驗對預測模型進行仿真測試與性能評估,驗證該方法的可行性和有效性。該模型數據獲取方便、所需參數少、模擬精度高,為溫室內極端溫度的預測、調控和管理優化提供了科學依據。

關鍵詞RBF神經網絡; PSO算法; 預測模型; 溫室

Class NumberTP183

1引言

隨著農業總體技術水平的提高,人們對農產品高品質、多樣化的需求越來越明顯。為了減小一些惡劣自然環境對農作物生長的影響,設施農業在農業產品生產中已被廣泛應用,例如可以提高農產品的品質、產量以及延長生產季節的智能連棟溫室建設逐步向大型化、多樣化方向發展。溫室內的環境因素,光照強度、空氣溫度、濕度、地溫、風力、二氧化碳濃度、土壤濕度等環境因素對作物生長發育影響較大,尤其對極端天氣的適應性較差,例如溫度過高引發高溫熱害,溫度過低引發低溫凍害。在滿足高效、節能和高產的前提下,根據氣象部門的各類氣象預報的要素值分析大棚內外氣候的相關性,模擬和預測溫室內溫濕度等環境值的變化趨勢,建立小氣候預測模型,合理調控溫室內環境要素,為作物生長提供良好的生長環境并最大限度地減小作物的病害發生率,對可能出現的室內極端溫度及時進行早期預警。

目前,對于溫室內環境因素理論研究主要有能量和物質平衡方程的溫室溫度預測模型[1～4],但是該模型復雜參數多、結果誤差較大。史宇攀等[5]使用移動最小二乘法預測溫度曲線;薛曉平等[6]基于支持向量機方法建立土壤濕度預測模型;鄒學智[7～9]提出了基于BP人工神經網絡模型預測溫室內的溫度等環境因素變化情況,而BP算法存在易限于局部極小值,學習過程收斂速度慢,隱層和隱層節點數難以確定等問題,優化后的BP神經網絡還與網絡結構、期望誤差等因素有較大關系。

徑向基函數(Radial Basis Function,RBF)神經網絡具有收斂速度快、泛化能力、分類能力和非線性映射能力好、結構簡單[10],RBF神經網絡的優勢使其比誤差反傳算法網絡模型(Back Propagation,BP)神經網絡更有優勢,在諸多領域的應用優勢將逐步替代BP神經網絡。目前,RBF神經網絡已經成功地用于模式識別、信息處理、圖像處理、系統建模、控制和故障診斷等領域[11～13]。但RBF神經網絡仍存在如預測精度需要進一步提高,隱層基函數中心、合適的隱層節點的節點數目、中心和寬度不容易在實際系統中選定等問題。為了提高RBF人工神經網絡訓練的性能,國內外的研究者用粒子群優化(Particle Swarm Optimization,PSO)算法優化RBF神經網絡結構以及網絡權值等參數[14～17]。

因此,本文基于氣象天氣預報數據,以溫室內外主要氣象環境參數作為輸入變量,使用改進的PSO算法優化RBF神經網絡結構和預測精度,以此模型預測溫室內外溫濕度變化情況進行了模擬與預測,指導農戶在室內溫度過高或過低時合理調控加熱、保溫、遮陽和通風裝置,避免經濟損失。為研究溫室內環境因素、環境管理與調控措施提供科學依據,為作物的高質、高產提供理論基礎。最后利用觀測數據仿真實驗,證明本算法在可行性與有效性方面有較大提高。

2建立預測模型

2.1RBF神經網絡

RBF神經網絡結構一般包含輸入層、隱含層和神經網絡的輸出層[11]。RBF神經網絡將復雜的非線性問題轉化為高維特征空間,使問題轉化為線性可分,避免了局部最小的問題,需要更多的隱層神經元。RBF神經網絡結構如圖1所示。

在圖1中,X=(x1,x2,…,xm)T為訓練樣本的輸入向量,m為輸入樣本總數,對應的實際輸出為Yn(n=1,2,…,N),圖中m、n以及i的值可以不同;基函數φ(X,ti)為第i個隱層輸出函數;wi為第i個隱含層與輸出單元間的權值。

圖1　RBF神經網絡結構圖

2.2改進PSO算法優化RBF神經網絡

RBF神經網絡需要優化的三個參數:基函數中心φ(X,ti)、寬度σi、隱層與輸出層間權值ωij,對這三個參數的優化對RBF神經網絡模型的預測精度非常重要,優化這三個參數的常見算法主要有正交最小二乘法(OLS)、K均值算法、PSO算法、遺傳算法以及蟻群算法等[18]。

由于PSO算法具有較強的全局搜索能力、實現原理簡單等優點[18],本文使用PSO算法對RBF模型中的三個重要的學習參數進行尋優,但是PSO是一種全局優化算法,數據集的訓練需要的時間比較長,且容易陷入局部極小。要獲得RBF中最優的參數,需要在傳統的PSO算法基礎上進行改進,以提高標準算法的尋優能力。傳統PSO算法是通過以下的兩個數學公式不斷地更新訓練集中粒子速度以及位置的取值[16]:

Vid(t+1)=ωVid+c1*Rnd1(0,1)*(Pid-xid(t))

+c2*Rnd2(0,1)*(Pgd-xid(t))

(1)

xid(t+1)=xid(t)+Vid(t+1)

(2)

式(1)中Vid和xid是第i個粒子的速度及位置,Pid和Pgd是粒子i及種群的歷史最優位置,ω是慣性權重;c1、c2是加速度學習因子,取值非負,最終達到最優狀態;滿足以下條件-xmax≤xi≤xmax,-Vmax≤Vi≤Vmax;c1*Rnd1(0,1)*(Pi-xi)是粒子的學習能力;c2*Rnd2(0,1)*(Gi-xi)表示不同粒子間的協作。

在PSO算法中粒子是通過Pid和Pgd兩個參數進化的,在算法后期為了避免粒子陷入局部最優,并提高其他粒子在新區域搜索的能力,本算法在式(1)中增加一個高斯(0,1)分布的隨機變量ε,在算法后期重新計算參數Pgd:

Pgd(k)=Pgd(k)(0.5ε+1)

(3)

在式(2)中添加二次隨機搜索因子η,即若粒子尋優到新位置不如當前位置,將在原位置開始下一次尋優,否則新位置是下一次尋優的起始位置,公式如下:

xid(t+1)=xid(t)+η×Vid(t+1)

(4)

其中η=Rnd(0,1)+0.5。

本文使用改進的迭代式(3)～(4)優化粒子的更新速度和位置,輸出RBF神經網絡核函數之中的最優參數。

RBF在Matlab中的構造函數是:[net,tr]=newrb(P,T,GOAL,SPREAD,MN,DF),net為網絡的返回值,tr為訓練記錄返回值,網絡數據集訓練時,newrb自適應增加隱層節點的數量,直到滿足目標誤差的要求。構造函數中P為R×Q輸入向量(R是輸入變量的數目,Q為訓練樣本數),T為S×Q目標分類向量組成的輸出數據矩陣(S是輸出類別數),GOAL是目標誤差,SPREAD為擴展速度,MN為神經元最大數目,DF為迭代要添加的隱層神經元數。訓練newrb函數每次循環產生一個神經元,神經元的增加都一定程度減少誤差,當誤差小于預期的誤差或隱層神經元個數達到最大值時訓練可以停止神經元的增加。使用最小誤差函數E為網絡的目標評價函數[19],可以降低異常點誤差,其中di是網絡的期望輸出:

(5)

3實驗數據的采集及模型構建

3.1數據采集

1) 本文實驗用的溫室外氣象數據取自溫室外氣象儀,采集間隔為0.5h,采集的參數主要有:室外溫度、室外相對濕度、氣壓、風速、風向、露點、光照強度以及土壤溫度等。

溫室內氣象數據的采集主要使用無線智能傳感器,采集的主要參數有:溫室室內溫度、室內相對濕度、地表溫度、土壤溫度、土壤濕度、溫室CO2濃度,采集頻率為1次/10分鐘,實驗所有數據的采集時間為2015年5月。

使用采集的500組數據進行實驗測試,優化RBF模型的輸入神經元是溫室外溫度、濕度、氣壓、光照強度、風速、風向、溫室CO2濃度;輸出神經元是溫室內溫度和濕度。從中選取350組數據作為訓練數據,150組數據作為測試數據。

2) 使用C8051F020單片機讀取無線傳感器數據,并對獲取的數據進行預處理及修正,再將數據傳給嵌入式網關。例如,無線傳感器采集到的數據可能存在一些人為因素將導致不良偏極值的數據,因此在數據預處理時直接刪除這類異常數據。將預處理后的數據按照式(6)進行歸一化處理。

(6)

其中,Xmax和Xmin為輸入樣本的最大值和最小值。

3) 使用2.2節所述的改進PSO算法優化RBF神經網絡的參數φ(X,ti)、σi和ωij,構造出N個RBF神經網絡弱預測器,最后利用AdaBoost算法通過不斷調整權值獲取由多個弱預測器生成的強預測器。AdaBoost是一種迭代算法,在同一訓練集中訓練不同的弱分類器,再將多個弱分類器構造成強分類器,其分類性能更好。使用PSO對RBF參數進行尋優可生成多個類型不同的RBF弱預測器,本文使用AdaBoost算法改進RBF神經網絡結構的算法過程如圖2所示。

圖2　改進PSO算法優化RBF模型預測算法

3.2構建預測模型

Step2:樣本數據的預處理及歸一化。

Step3:使用PSO算法優化RBF網絡的三個參數(φ,σ,ω),使用N個不同的RBF神經網絡基函數生成不同的RBF弱預測器。由于PSO尋優的結果可能是多個弱分類器趨于同質,使用文獻[20]提出的基于ERBF的訓練算法,根據錯分樣本的錯誤程度選擇最佳弱分類器[20],從而保證弱分類器具有多樣性,即非同質的分類器。

Step4:使用RBF神經網絡訓練弱預測器,回歸模型:gt(x)→y,t=1,2,…,T。

Step5:調整訓練數據的權重。令βt=εt2,式中Bt為標準化因子:

Step6:輸出強預測器:

4實驗與結果分析

本文使用均方根誤差、絕對誤差以及回歸狀態對模擬值與實測值之間的擬合度進行分析,檢驗預測模型的精度。在Matlab中使用數據集構造的強預測器與弱預測器預測誤差絕對值如圖3所示,網絡訓練過程中誤差均方下降曲線如圖4所示,網絡訓練回歸狀態圖分別如圖5所示。

圖3　預測誤差絕對值圖

圖5　回歸狀態圖

圖3顯示強預測器的整體預測誤差更小,效果更好。圖4顯示數據集的誤差均方下降曲線收斂速率較快,第18步達到了最佳的驗證效果值0.0194,誤差曲線開始平緩下來,誤差值基本沒有變化,效果更好。從圖5可以看出強預測器訓練集R=0.95627,驗證集R=0.94412,測試集R=0.941,總體R=0.95219,回歸預測結果好。優化后的RBF神經網絡模型可應用于溫室內溫濕度的模擬,其模擬精度也滿足預測要求。

本文分別采用標準RBF、PSO優化的RBF強預測器中的測試樣本進行預測,以衡量模型性能的高低,預測結果表明改進PSO算法優化的RBF強預測器具有更好的預測結果,可以明顯改進RBF神經網絡預測精度。

5結語

本文在對溫室外的氣象因子進行分析的基礎上,以溫室內外氣象因子等參數為輸入量,以溫室內外氣溫、地溫、濕度等氣象因子為輸出量,基于溫室內環境下建立PSO算法優化RBF網絡模型,優化調整權值和閾值,提高算法的精度和預測能力,再將算法嵌入到智能傳感器,構建控制系統裝置,構建基于神經網絡預測預報原理的溫室小氣候預測模型,模擬溫室內小氣候環境,對溫室內溫度調控起指導作用,為溫室內作物提供合適的生長環境。

參 考 文 獻

[1] 王旭東,羅金耀,李小平.塑料大棚環境的溫濕度預測模型研究[J].節水灌溉,2013,10:23-26.WANG Xudong, LUO Jinyao, LI Xiaoping. Research on temperature and humidity forecasting model of plastic greenhouse[J]. Water Saving Irrigation,2013,10:23-26.

[2] 李元哲,吳德讓,于竹.日光溫室微氣候的模擬與實驗研究[J].農業工程學報,1994,10(1):130-136.

LI Yuanzhe, WU Derang, YU Zhu. Simulation and experimental study on Microclimate of sunlight greenhouse[J]. Transactions of the Chinese Society of Agricultural Engineering,1994,10(1):130-136.

[3] Wang S J, Zhu S M, Deltour J. Simulation and measurement of tunnel greenhouse climate[J]. Transactions of the CSAE,1997,13(4):139-144.

[4] 鄧玲黎,李百軍,毛罕平.長江中下游地區溫室內溫濕度預測模型的研究[J].農業工程學報,2004,20(1):263-266.

DENG Lingli, LI Baijun, MAO Hanping. Research on the prediction model of the Yangtze River region greenhouse[J]. Transactions of the Chinese Society of Agricultural Engineering,2004,20(1):263-266.

[5] 史宇攀,郭慶,徐翠鋒.基于移動最小二乘法的大棚溫室溫度場分析[J].農業研究與應用,2015,2:37-41.

SHI Yupan, GUO Qing, XU Cuifeng. Analysis of temperature field in Greenhouse Based on moving least square method[J]. Agricultural Research and Application,2015,2:37-41.

[6] 薛曉萍,王新,張麗娟.基于支持向量機方法建立土壤濕度預測模型的探討[J].土壤通報,2007,38(3):427-433.

XUE Xiaoping, WANG Xin, ZHANG Lijuan. Discussion on soil moisture prediction model based on support vector machine method[J]. Chinese Journal of Soil Science,2007,38(3):427-433.

[7] 鄒學智,申雙和,曹雯,等.基于公眾天氣預報預測塑料大棚逐日極端氣溫[J].氣象科學,2014,34(2):187-192.

ZOU Xuezhi, SHEN Shuanghe, CAO Wen, et al. Forecast of daily extreme temperature in plastic greenhouse based on public weather forecast[J]. Annual Report of CAMS,2014,34(2):187-192.

[8] 金志鳳,符國槐,黃海靜,等.基于BP神經網絡的楊梅大棚內氣溫預測模型研究[J].中國農業氣象,2011,32(3):362-367.

JIN Zhifeng, FU Guohuai, HUANG Haijing, et al. Research on temperature prediction model of red Mei greenhouse based on BP neural network[J]. Chinese Journal of Agrometeorology,2011,32(3):362-367.

[9] 高金花,王巖,羅金耀.大棚氣候的BP神經網絡預測模型研究[J].長春工程學院學報(自然科學版),2011,12(1):73-75.

GAO Jinhua, WANG Yan, LUO Jinyao. Prediction model of BP neural network for greenhouse climate[J]. Journal of Changchun Institute of Technology(Natural Sciences Edition),2011,12(1):73-75.

[10] Han H, Qiao J. Prediction of activated sludge bulking based on a self-organizing RBF neural network[J]. Journal of Process Control,2012,22(6):1103-1112.

[11] 何世鈞,白凡,周汝雁.基于RBF神經網絡逼近算法的船舶支架減振器擠壓測試系統[J].計算機應用與軟件,2014,31(11):97-104.

HE Shijun, BAI Fan, ZHOU Ruyan. RBF neural network approximation algorithm based on the test system of vibration absorber for ship[J]. Computer Applications and Software,2014,31(11):97-104.

[12] 翟華偉,崔立成,張維石.一種新的在線自適應混合RBF網絡學習算法[J].小型微型計算機系統,2014,35(12):2713-2716.

ZHAI Huawei, CUI Licheng, ZHANG Weishi. A new online learning algorithm for hybrid RBF networks[J]. Journal of Chinese Computer Systems,2014,35(12):2713-2716.

[13] 蒙西,喬俊飛,韓紅桂.基于ART的RBF網絡結構設計[J].控制與決策,2014,29(10):1876-1880.

MENG Xi, QIAO Junfei, HAN Honggui. Structure design of RBF network based on ART[J]. Control and Decision,2014,29(10):1876-1880.

[14] 張健,劉定一.一種應用PSO優化RBF神經網絡的方法[J].計算機仿真,2014,31(11):269-272.

ZHANG Jian, LIU Dingyi. Method for optimizing RBF neural network by using PSO[J]. Computer Simulation,2014,31(11):269-272.

[15] 王冬生,李世華,周杏鵬.基于PSO-RBF神經網絡模型的原水水質評價方法及應用[J].東南大學學報(自然科學版),2011,41(5):1019-1023.

WANG Dongsheng, LI Shihua, ZHOU Xingpeng. Raw water quality evaluation method based on PSO-RBF neural network model and its application[J]. Journal of Southeast University,2011,41(5):1019-1023.

[16] 李界家,李曉峰,片錦香.基于改進PSO和模糊RBF神經網絡的退火爐溫控制[J].南京理工大學學報,2014,38(3):337-341.

LI Jiejia, LI Xiaofeng, PIAN Jinxiang. Annealing furnace temperature control and improvement of PSO based on fuzzy RBF neural network[J]. Journal of Nanjing University of Science and Technology,2014,38(3):337-341.

[17] 孫立峰,呂楓.基于改進PSO的RBF神經網絡在液壓鉆機故障診斷中的應用[J].液壓與氣動,2014,(11):91-127.

SUN Lifeng, LV Feng. Application of PSO neural network based on improved RBF in fault diagnosis of hydraulic drill rig[J]. Chinese Hydraulics & Pneumatics,2014,(11):91-127.

[18] 王雪松,梁昔明.基于BPSO-RBF神經網絡的網絡流量預測[J].計算機應用與軟件,2014,31(9):102-105.

WANG Xuesong, LIANG Ximing. Network traffic prediction based on BPSO-RBF neural network[J]. Computer Applications and Software,2014,31(9):102-105.

[19] 彭喜元,王軍,彭宇.一種新型時間序列多分辨預測模型研究[J].電子學報,2007,35(11):2146-2149.

PENG Xiyuan, WANG Jun, PENG Yu. Research on a novel time series multi resolution prediction model[J]. Chinese Journal of Electronics,2007,35(11):2146-2149.

收稿日期:2016年1月11日,修回日期:2016年2月19日

基金項目:江蘇省高校自然科學研究面上項目(編號:15KJB520004);江蘇省先進制造技術重點實驗室開放基金(編號:HGAMTL-1401);淮安市應用研究與科技攻關(工業)計劃項目(編號:HAG2014028);淮安市應用研究與科技攻關計劃項目(編號:HAG2015060);淮陰工學院科研基金項目(編號:HGC1412)資助。

作者簡介:王媛媛,女,碩士,講師,研究方向:機器學習、人工神經網絡。

中圖分類號TP183

DOI:10.3969/j.issn.1672-9722.2016.07.004

Greenhouse Temperature Forecast Based on Improved PSO for Optimizing RBF Neural Network

WANG Yuanyuan1,2

(1. Faculty of Computer Engineering, Huaiyin Institute of Technology, Huai’an223003)(2. Jiangsu Province Networking and Mobile Internet Technology Engineering Laboratory, Huai’an223003)

AbstractBased on the meteorological data and outside greenhouse as input, the greenhouse temperature humidity and other meteorological factors as the output, the prediction model of greenhouse environment temperature and humidity with improved RBF neural network based on improved PSO algorithm. The simulation test and performance evaluation are carried out to verify the feasibility and effectiveness of the proposed method through the experiment. The model is convenient for data acquisition, few parameters and high accuracy, which provides scientific basis for the prediction, regulation and management of extreme temperature in greenhouse.

Key WordsRBF neural network, PSO algorithm, prediction model, greenhouse