基于模糊RBF神經(jīng)網(wǎng)絡算法的灌溉控制系統(tǒng)設計

張麗娜,魯旭濤 ,劉 昊 ,李 靜

(1.中北大學 信息與通信工程學院，太原 030051;2.中北大學 電氣與控制工程學院，太原 030051)

0 引言

我國是一個農業(yè)大國，農田占地面積大，水資源作為生命的源泉，關系到農業(yè)的發(fā)展，影響著人民的溫飽問題。根據(jù)最新數(shù)據(jù)統(tǒng)計顯示，2020年我國的耕地面積可達到18.65億畝，長期保護農田面積達到15.46億畝，高標準的農田面積至少要有8億畝并逐步發(fā)展為10億畝。“十二五”期間，我國的灌溉技術不斷發(fā)展，農田灌溉面積不斷擴大，經(jīng)過改善后新增加了7500萬畝灌溉面積。我國實施了大量的節(jié)水政策，已經(jīng)取得較大成效，灌溉面積增加了1.2億畝，當今農業(yè)發(fā)展的關鍵是必須要有效落實耕地和灌溉用水措施，對同作物進行合理化的管理。

因此，徐景輝等人提出了基于SOA算法實現(xiàn)了PID參數(shù)的自動優(yōu)化[1]。王磊提出了枚舉法和遺傳算法在農田灌溉管道系統(tǒng)優(yōu)化設計[2]。安慶杰等人提出了基于改進粒子群算法的兩級渠道水資源優(yōu)化配置。Alonso Campos提出了基于并行多目標遺傳算法的灌溉調度實時能量優(yōu)化。Mohammad Ali Asgharzadeh提出了基于HADIS算法的灌溉調用系統(tǒng)。上述灌溉方法無法根據(jù)需水量得出灌溉時間，對此本文提出一種基于RBF神經(jīng)網(wǎng)絡模糊控制的灌溉決策系統(tǒng)，以山西省忻州地區(qū)種植的玉米利合328號為例，進行研究，相比傳統(tǒng)灌溉方式增加了產量。

1 作物需水特性

為了保證灌溉的高效性和科學性，就了解作物的需水特性，農作物需水量是在作物不受嚴重的病蟲毒害，正常的土壤狀況下的生長需水量。影響作物需水特性的條件主要分三大部分：氣象條件，土壤條件，作物自身的特性等。

1.1 氣象條件

氣象條件主要是氣溫、風速大小、氣壓大小、空氣濕度等。這些因素會影響作物的蒸騰作用，風速會影響空氣的溫濕度大小，進而改變作物的蒸騰量。氣溫越高，空氣的水分越少，蒸騰作用越強。

表1 部分氣象數(shù)據(jù)表

1.2 土壤條件

土壤條件主要是土壤的種類、土壤的結構、土壤的吸水性、地下水等。不同的土壤類型和土壤結構會影響土壤滲透率，影響土壤的吸水性，進而影響作物的吸水性。地下水量的大小會影響土壤的溫濕度。地下水位較高的地方可以適當?shù)臏p少灌溉量。

1.3 作物特性

作物特性主要是作物的吸水特性、作物生長的不同時期的需水量等。不同種類的作物、不同品種的作物以及不同生長周期的作物對水分的需求量不同。耐寒的作物需水量小，濕生的作物需水量相對較大。幼苗時期需水量大，成熟時期需水量小。

1.4 作物需水量計算

本文中控制的農田面積為1畝，預測的農作物種類是內蒙古地區(qū)種植的玉米利合328號，該作物畝保苗5 500～6 000株，行距55 cm，株距20.2 cm為最佳生長環(huán)境。在進行算法控制前，需要先根據(jù)氣象條件計算神經(jīng)網(wǎng)絡要預測的數(shù)據(jù)，即利合玉米的需水量，再對RBF神經(jīng)網(wǎng)絡進行訓練。本文利用參考作物蒸發(fā)量的大小來計算出作物需水量。

Q實=KCQ參

(1)

式(1)中,Q實指實際生長過程中作物的需水量；KC指作物系數(shù)；Q參指參考作物需水量。

(2)

式(2)中,Rn指參考作物冠層表面接收的凈輻射；G土壤熱通量；γ指濕度計常數(shù)；u2指離地面2 m高處的風速；es指飽和水氣壓；ea指當?shù)氐膶嶋H水氣壓；Δ指平均氣溫時飽和水氣壓與溫度曲線斜率。

參考2019年7月和8月50天的數(shù)據(jù)，計算出每日作物的需水量大小，部分氣象數(shù)據(jù)如表1所示，計算結果如圖1所示。

圖1 作物需水量計算結果

2 模糊RBF網(wǎng)絡

模糊系統(tǒng)與模糊神經(jīng)網(wǎng)絡二者互相聯(lián)系又互相獨立，模糊系統(tǒng)實現(xiàn)的結果就是模糊神經(jīng)網(wǎng)絡，但是模糊神經(jīng)網(wǎng)絡有自己的特性。將模糊系統(tǒng)和神經(jīng)網(wǎng)絡結合起來可以構成模糊神經(jīng)網(wǎng)絡，將RBF網(wǎng)絡與模糊系統(tǒng)結合起來可以構成模糊RBF網(wǎng)絡。

2.1 網(wǎng)絡結構

模糊RBF神經(jīng)網(wǎng)絡結構有四層，分別為：輸入層、模糊化層、模糊推理層和輸出層構成。具體的網(wǎng)絡結構如圖2所示。

圖2 模糊RBF神經(jīng)網(wǎng)絡結構

模糊RBF網(wǎng)絡中信號傳播及各層的功能如下。

第一層：輸入層。

輸入層的節(jié)點與輸入的參數(shù)量之間直接建立聯(lián)系，將輸入量傳送到輸入層。傳輸節(jié)點的輸入和輸出之間的關系式為：

f1(i)=xi

(3)

第二層：模糊化層，即隸屬函數(shù)層。

本文用高斯函數(shù)作隸屬函數(shù)，在模糊化層中，各個節(jié)點都能進行隸屬函數(shù)計算，在第j個節(jié)點處：

(4)

(5)

其中:cij和bj分別是第i個輸入變量的第j個模糊集合高斯函數(shù)的均值和標準差。

第三層：模糊推理層，即建立規(guī)則層。

該層的各個節(jié)點可以與模糊化層建立連接，通過固定的模糊控制規(guī)則組合在一起，輸出相應的數(shù)據(jù)，輸出的數(shù)據(jù)具有一定的強度，其中的節(jié)點j的輸出結果是本節(jié)點全部輸入信號的總乘積，即:

(6)

第四層：輸出層。

各個節(jié)點收到的輸入信號的加權總和即為該節(jié)點的輸出量，即:

(7)

其中:l為輸出層節(jié)點數(shù)，W為輸出節(jié)點與第三層各節(jié)點的連接權矩陣。

2.2 逼近算法

采用模糊RBF網(wǎng)絡逼近對象，取網(wǎng)絡結構為輸入層2，模糊化層4，輸出層1，過程如圖3所示。

圖3 模糊RBF神經(jīng)網(wǎng)絡逼近

取ym(k)=f4,ym(k)和y(k)分別表示模糊輸出和實際輸出。模糊的輸入為y(k)和u(k)，模糊的輸出為ym(k)，則模糊的逼近誤差為：

e(k)=y(k)-ym(k)

(8)

定義如下的目標函數(shù)，便于調整函數(shù)：

(9)

輸出層權值的調節(jié)方式：

(10)

則輸出層的權值學習算法：

w(k)=w(k-1)+Δw(k)+α[w(k-1)-w(k-2)]

(11)

式中，η為學習速率，α為動量因子，η∈[0,1]，α∈[0,1]。

隸屬函數(shù)參數(shù)的調整方式：

(12)

(13)

其中:

(14)

隸屬函數(shù)參數(shù)的學習算法：

cij(k)=cij(k-1)+Δcij(k)+α[cij(k-1)-cij(k-2)]

(15)

bj(k)=bj(k-1)+Δbj(k)+α[bj(k-1)-bj(k-2)]

(16)

3 灌溉控制實現(xiàn)

3.1 灌溉控制系統(tǒng)設計

氣象條件、土壤條件以及作物特性會影響到農作物的需水特性，而氣象條件中的光照、溫度高低、濕度狀況以及風速大小對作物的需水量影響較大。為了將農作物的需水量控制在合理高效的范圍內，將這四個參數(shù)作為模糊控制的輸入，而玉米的需水量的大小作為控制的輸出。灌溉策略結構如圖4所示，首先根據(jù)輸入?yún)?shù)計算出作物的需水量，再參考實際的土壤含水量計算出需要灌溉的水量的多少，隨后用模糊控制算法計算出灌溉這一需水量所用的灌溉時間，最后通過控制閥門的狀態(tài)來控制灌溉。

圖4 灌溉結構圖

3.2 模糊RBF神經(jīng)網(wǎng)絡算法

神經(jīng)網(wǎng)絡預測模型設計步驟如下。

3.2.1 樣本預處理

RBF神經(jīng)網(wǎng)絡要求輸入的參數(shù)量可以實時的進行采集，并且對輸出變量的影響較大。輸入的數(shù)據(jù)需要處理成0到1之間的的代表數(shù)據(jù)，用來計算權值的大小。具體的預處理計算過程如下：

(17)

式中,x為原樣本；y為預處理后的樣本；xmin,xmax為原樣本中的最小值，最大值；ymin,ymax為樣本范圍。

3.2.2 神經(jīng)網(wǎng)絡節(jié)點個數(shù)確定

RBF神經(jīng)網(wǎng)絡能夠根據(jù)不同的要求和不同的解決方案設計出不同的結構，結構使用過程比較靈活。本文的輸入?yún)?shù)量為光照強度、空氣溫度、空氣濕度以及風速大小4個變量，輸出變量為作物需水量。因此需要確定模糊結構中的模糊化層節(jié)點數(shù)是模糊網(wǎng)絡結構的重要影響因素。用如下公式確定模糊化層節(jié)點個數(shù)：

(18)

P指隱含層節(jié)點數(shù)目；n指輸入層節(jié)點數(shù)目；m輸出層節(jié)點數(shù)目；a是1～10 之間的調節(jié)常數(shù)。

對模糊化層節(jié)點個數(shù)進行假設，將4、5、6、7、8五個數(shù)值帶入上式進行訓練計算，訓練時間和絕對均方誤差結果如表2所示。

表2 模糊化層節(jié)點個數(shù)對神經(jīng)網(wǎng)絡訓練的影響

根據(jù)計算結果可以得出，當模糊化層的節(jié)點個數(shù)為6時，得出的均方誤差最小，計算結果更為準確。故而建立了一個4-6-6-1的RBF 神經(jīng)網(wǎng)絡基本結構，輸出值就是需要灌溉的水量的預測值。

3.2.3 參數(shù)選擇

為了確保本文的真實可靠性，以內蒙古地區(qū)種植的玉米利合328號為例，適宜在4月25日至5月10日種植在10厘米低溫穩(wěn)定通過10℃大達到七天以上，活動積溫2200℃。環(huán)境建立參數(shù)。

1)初始值和閾值的選擇：

為了方便計算，初始值和閾值一般采用(0，1)之間的隨機數(shù)值。

2)量化因子和比例因子：

在模糊控制器中輸入?yún)?shù)是精確數(shù)值，需要進行模糊處理輸入到模糊規(guī)則中，對應的輸出也是模糊值域，需要處理為精確值進行輸出控制。故而，要引入量化因子和比例因子對其進行轉換控制。

假設輸入量a1的分量e=[-a,a]，模糊論域:

U={-n,-n+1,...,0,...n-1,n}。則量化因子定義為：

(19)

解得，量化因子分別為：

比例因子定義為：

(20)

解得，比例因子為：

kT=257 s

3)期望誤差的選擇：

期望誤差設置為10-2。

3.3 模糊控制器設計

本文用到的控制器是被廣泛使用的Mamdani 型模糊推理控制器。為了測量準確，對土壤中的水分采用多個傳感器進行測量，然后取加權平均數(shù)作為最終的參考量。灌溉需水量使用RBF神經(jīng)網(wǎng)絡進行周期性的預測，周期為5分鐘。但是，當最終計算出的灌溉時間小于5分鐘時要等待下一個預測周期，此時需要停止灌溉。

3.3.1 輸入輸出變量論域

本文的控制器的輸入是灌溉需水量和土壤水分的差值Q和土壤的水分變化率E兩個變量。輸出量是實際的灌溉時間T。Q的差值變化范圍為0～20%；E的變化率范圍為-5%～5%；T的時間變化范圍為0～30 min。

3.3.2 模糊語言及其量化論域

模糊控制的規(guī)則根據(jù)不同的輸入輸出的級別來確定，首先將輸入輸出三個變量進行等級定義，然后根據(jù)實際情況排列組合得到模糊控制規(guī)則。本文Q的變化分為八個等級，從0到7；E的變化分為七個等級，從-3到3；T的變化分為八個等級，從0到7。對應的語言如表3所示。

表3 Q、E、T的模糊語言變量

3.3.3 隸屬度函數(shù)

采用三角隸屬函數(shù)將輸入與模糊控制規(guī)則聯(lián)系起來，隸屬函數(shù)的形式會影響灌溉用水的使用效率，進而影響產量。輸入輸出變量的隸屬度函數(shù)結果如圖5～7所示。

圖5 Q的隸屬度函數(shù)

圖6 E的隸屬度函數(shù)

圖7 T的隸屬度函數(shù)

3.3.4 規(guī)則表

模糊控制主要是通過設定好的控制規(guī)則來實現(xiàn)的，本文的輸入為八個和七個等級，因此共有56個控制的規(guī)則組合，具體的模糊控制規(guī)則表4所示。

表4 模糊控制規(guī)則表

4 系統(tǒng)測試

采用土壤中安裝的傳感器檢測出土壤含水量，然后用設計好的RBF神經(jīng)網(wǎng)絡計算出需要灌溉的水量和灌溉的時間，RBF神經(jīng)網(wǎng)絡訓練誤差如圖8所示。

圖8 訓練誤差圖

由圖8可知，誤差值開始的時候下降的梯度較大，隨著訓練次數(shù)的增加，下降的速度不斷減少，最終趨于穩(wěn)定。因此，本文的RBF神經(jīng)網(wǎng)絡預測模型能夠比較穩(wěn)定的實現(xiàn)灌溉，滿足設計的需求。

訓練結束后對進行預測，橫坐標指樣本編號，縱坐標指需水量，實現(xiàn)指實際檢測的需水量，虛線指預測到的需水量。具體的預測結果如圖9所示。

圖9 農作物需水量實際值和預測值分布

由圖可知，預測值和實際值之間的差值較小，即預測誤差小，預測值滿足實際需求。

在MATLAB的工具箱中設置模糊控制器，設置為雙輸入單輸出的控制器，并將輸入輸出變量的命名進行更改，設計的控制器結構如圖10所示。

圖10 模糊控制器結構

對模糊控制器的輸入和輸出函數(shù)的隸屬度進行編輯后，建立模糊控制規(guī)則，對本設計的56條控制規(guī)則逐一設置。模糊控制規(guī)則設計窗口如圖11所示。

圖11 模糊控制規(guī)則

模糊控制器建立完成后，設置x軸為灌溉需水量和土壤水分的差值，y軸為土壤濕度變化率，z軸為計算的灌溉時間。實際的輸出結果如圖12所示。

圖12 模糊控制結構曲面圖

模糊控制器會根據(jù)實際的狀況算出實際灌溉時間，輸出結果如圖13所示。當兩個輸入分別為1.93，1.17時，輸出為3.78，乘以比例因子257 S，計算出的灌溉時間為971.46 s。

圖13 模糊控制輸出結果

5 結束語

本文首先對作物的需水特性進行分析，確定了四個影響作物因子的函數(shù)，作為RBF神經(jīng)網(wǎng)絡的輸入來逼近計算作物的需水量，并以山西省忻州地區(qū)種植的玉米利合328號為例，建立模糊控制器，根據(jù)不同的環(huán)境參數(shù)計算出不同的灌溉時間。并對RBF神經(jīng)網(wǎng)絡和模糊控制器進行 MATLAB仿真，保證了使用的可行性。最終實驗測試結果顯示，在相同的環(huán)境條件下，本設計的灌溉控制器可以實時控制灌溉時間，在一小時的灌溉時間內，可以節(jié)約用水量達到21%，糧食產量每畝同比增加100公斤。