基于GA-BP 神經網絡的溫室溫度預測研究

李其操， 董自健

（江蘇海洋大學電子工程學院， 江蘇 連云港 222005）

0 引 言

中國是排在世界前列的農業生產大國，溫室的面積占據著世界首位。 溫室內的環境因素對于作物的生長有著至關重要的影響［1-2］。 目前，溫室的調控方式大多是憑借工人的生產經驗，通過獲得的傳感器數據，進行預判性的調控。 因此，能夠精準的預測出溫室內的溫度情況，對溫室調控系統有很大的幫助。

近年來，許多學者提出了針對溫度預測的方法。如：左志宇［3］提出采用時序分析法建立溫度預測模型的方法；徐意［4］構建了基于RBF 神經網絡的溫室溫度預測模型；徐宇［5］構建了基于復數神經網絡的溫室溫度預測模型；王紅君［6］利用貝葉斯正則化算法對BP 神經網絡進行改進，降低了影響溫度的因子之間的耦合度等。

但是，上述預測模型都容易出現陷入局部最優的情況。 因此，本文利用遺傳算法，對BP 神經網絡的初始權值和閾值進行優化，使預測模型避免出現局部最優的情況，從而對溫室內溫度進行更精準的預測。

1 GA-BP 神經網絡預測模型的構建

1.1 BP 神經網絡

BP 神經網絡的主要思想是：訓練數據通過前饋網絡訓練后得到輸出數據，將輸出數據與期望數據進行對比得到誤差，反向傳播網絡將得到的誤差反向輸入輸出層，對網絡的連接權值和閾值進行反復訓練，縮小網絡輸出和期望輸出之間的誤差。

輸入、輸出層為單層結構，而隱藏層可以是單層或多層。 輸入層、隱藏層、輸出層之間的神經元都是相互連接的，為全連接。 BP 神經網絡結構如圖1所示。

圖1 BP 神經網絡結構圖Fig. 1 Structure of BP neural network

假設輸入層節點數為n，隱藏層節點數為l，輸出層節點數為m，輸入層到隱藏層的權重為ωij，隱藏層到輸出層的權重為ωjk， 輸入層到隱藏層的閾值為aj，隱藏層到輸出層的閾值為bk， 學習速率為η，激勵函數為g（x）。 其中，激勵函數為g（x） 取sigmoid 函數。 形式如式（1）所示：

隱藏層的輸出如式（2）所示：

輸出層的輸出如式（3）所示：

網絡誤差如式（4）所示：

其中，Yk為期望輸出。

輸入層到隱藏層權值的更新公式如式（5）所示：

隱藏層到輸出層權值的更新公式如式（6）所示：

隱藏層節點閾值的更新公式如式（7）所示：

輸出層節點閾值的更新公式如式（8）所示：

由于BP 神經網絡的初始連接權值和閾值是隨機選定，可能會使網絡陷入局部極值，權值收斂到局部最小值，從而出現網絡訓練失敗，模型的預測精度不高的結果。 因此，本文采用遺傳算法對BP 神經網絡進行優化，得到權值和閾值的最優解，使模型能夠更高效的訓練和更精準的預測。

1.2 遺傳算法

（1）初始化種群。 種群中的個體由BP 神經網絡中輸入層到隱藏層的權值、隱藏層的閾值、隱藏層到輸出層的權值和輸出層的閾值編碼而成。

（2）適應度函數。 適應度函數用于表明BP 神經網絡中權值和閾值的優劣性，個體適應度值為訓練數據預測誤差絕對值之和。 適應度函數的計算公式如式（9）所示：

式中：k為系數，n為神經網絡輸出節點數量，yi為神經網絡第i個節點的期望輸出，oi為神經網絡第i個節點的預測輸出。

（3）選擇操作。 選擇操作從舊群體中以一定概率選擇優良個體組成新的種群，以繁殖得到下一代個體，本文采用輪盤賭法，每個個體i被選擇的概率pi如式（10）所示：

式中：N為種群規模，Fi為第i個個體適應度值。

（4）交叉操作。 交叉操作是指從種群中隨機選擇兩個個體，通過兩個染色體的交換組合，把父串的優秀特征遺傳給子串，從而產生新的優秀個體，由于個體采用實數編碼，所以交叉操作采用實數交叉法［7］。 第j個個體Sj和k個個體Sk在i位的交叉過程如式（11）所示：

式中b為［0，1］區間內的隨機數。

（5）變異操作。 為了防止遺傳算法在優化過程中陷入局部最優解，在搜索過程中，需要對個體進行變異。 經過交叉操作后得到新的染色體后，隨機選擇染色體上的若干個基因，將這若干個基因的值進行隨機修改，從而更新了染色體的基因，突破了搜索的限制，更有利于獲取全局最優解［8］。 選擇第i個個體的第j個基因aij進行變異，操作過程如式（12）、式（13）所示：

式中：amax、amin分別是個體i的最大值和最小值，s是迭代次數，Gmax是最大進化次數，r為［0，1］區間內的隨機數。

1.3 GA-BP 神經網絡預測模型

GA-BP 神經網絡預測模型由遺傳算法（Genetic Algorithms，GA）優化部分和BP 神經網絡兩部分組成。 由于種群中的每個個體都包含了BP 神經網絡的初始權值和閾值，遺傳算法部分的作用是優化BP神經網絡的權值和閾值。 通過計算BP 神經網絡的誤差，得到個體適應度值。 經過遺傳算法的選擇、交叉和變異操作找到最優適應度值的個體。 對最優個體進行解碼，得到權值和閾值，賦值給BP 神經網絡，再使用反向傳播進行訓練。

GA-BP 神經網絡預測模型的執行過程如圖2所示。

圖2 遺傳算法優化BP 神經網絡流程圖Fig. 2 Flow chart of genetic algorithm to optimize BP neural network

2 實驗與結果分析

2.1 樣本數據采集

本文實驗數據采集自連云港贛榆葡萄園第6 號溫室，選用溫度、濕度、二氧化碳濃度、土壤氮含量、土壤磷含量和土壤鉀含量作為樣本數據。 每15 min采集一次數據，共采集了2 292 組樣本數據。 為了實驗測試更方便，本文選用其中2 000 組數據，并將前80%的樣本數據作為訓練樣本，剩余的20%樣本數據作為測試樣本。 部分樣本數據見表1。

表1 部分樣本數據Tab. 1 Partial sample data

2.2 模型參數設定

2.2.1 BP 神經網絡結構

根據所獲得的樣本數據，將輸入層節點設定為5，即5 個特征，分別為濕度、二氧化碳濃度、土壤氮含量、土壤磷含量和土壤鉀含量數據；輸出層節點為1 個，特征為溫度數據；通過試湊法確定隱藏層節點為7 個。 因此，BP 神經網絡的結構為5-7-1。

2.2.2 遺傳算法參數設定

由于過多的迭代次數會影響模型的訓練效率，且適應度曲線在迭代50 次后的變化幅度不大，因此本實驗將進化迭代次數設定為50 次，種群規模為30，交叉概率為0.3，變異概率為0.1。 圖3 為遺傳算法的適應度曲線。

圖3 遺傳算法適應度曲線Fig. 3 Genetic algorithm fitness curve

2.3 模型評價標準

為了評定預測模型的性能，本文以平均絕對誤差（MAE）、均方誤差（MSE） 和平均絕對百分比誤差（MAPE） 作為評判預測模型性能優劣的標準。 各評估誤差指標的計算公式如式（14）～式（16） 所示：

式中：為模型的預測值，yi為真實值，n為樣本數。 所得的值越小，則模型的性能越優異。

2.4 預測結果及分析

通過MATLAB 軟件對GA-BP 神經網絡預測模型和傳統BP 神經網絡預測模型進行驗證，得到的預測對比結果如圖4 所示。

由圖4 可知，GA-BP 神經網絡預測模型與傳統BP 神經網絡預測模型相比，GA-BP 的預測效果更優，預測結果更貼近實際值。

評價結果見表2。 可以看出，GA-BP 預測模型的各項誤差指標均小于傳統BP 預測模型。 實驗證明，GA-BP 神經網絡預測模型具有更好的預測效果。

表2 模型的評價指標對比Tab. 2 Comparison of evaluation indicators of the models

3 結束語

本文以溫室內濕度、二氧化碳濃度和土壤氮磷鉀含量與溫度有關的影響因子作為輸入量，以溫度作為輸出量，通過遺傳算法優化BP 神經網絡的權值和閾值，構建了GA-BP 神經網絡預測模型。 實驗證明，GA-BP 神經網絡預測模型能夠更精準的進行溫室內溫度預測，對于溫室管理有一定的參考價值。