专利名称：一种基于遗传算法改进的bp神经网络的温室环境预测反馈方法
技术领域：
本发明涉及一种温室环境参数的预测方法，特别涉及一种能够准确迅速预测温室内植物叶片温度的、基于遗传算法改进的BP神经网络的温室环境预测反馈方法。
背景技术：
温室是具有非线性、随机性、强耦合和不确定性等特点的复杂系统。温室环境建模的目的主要是满足温室系统仿真、设计、预测、控制(最优化控制和自适应控制)和决策等方面的需要。温室环境建模的主要方法有基于物理过程的机理建模和测试法两种。基于物理过程的机理建模是以还原论为思想基础的，其思想方法是用相对简单的原理来解释复杂的现象或结构，利用非稳态传热传质理论得到描述温室环境动态过程的微分方程，通过求解微分方程在一定边界条件下的解得到环境动态模型。测试法是指利用输入输出数据所提供的信息来建立过程的数学模型，也称为系统辨识建模。系统辨识建模是解决系统的数学描述问题。对于非常复杂的系统，建立每一个参数都具有物理意义的机理模型是比较困难的。因此，根据试验方法，从试验数据中建立能反映系统的输入输出关系的模型。其模型参数可能不具有明确的物理意义，但并不影响系统设计和研究。系统辨识是在输入和输出的数据的基础上，从一组给定的模型类中，确定一个与所测系统等价的模型。其三要素是输入、输出数据，模型类和等价准则。实际中不可能寻找到一个与实际系统完全等价的模型，因此辨识就是从一组模型类中选择一个模型，按照某种准则，使之能最好地拟合实际系统的动态和静态特性。系统辨识的主要步骤为:试验设计一模型结构辨识一模型参数估计一模型检验。传统辨识算法的基本原理是通过建立依赖于参数的模型，把辨识问题转化成对模型参数的估计问题。该法能较成功地应用于线性系统或可线性化的系统辨识，按基本原理主要有最小二乘法、梯度校正法和极大似然法。但对于一般非线性系统的辨识比较困难。而人工神经网络对非线性函数却具有任意逼近和自学习能力，为非线性系统的辨识提供了一种简单而有效的一般性方法。BPCBack Propagation,反向传播)神经网络是 1986 年由 Rumelhart 和 McCelland为首的科学家小组提出，是一种按误差逆传播算法训练的多层前馈网络，是目前应用最广泛的神经网络模型之一。BP网络能学习和存贮大量的输入-输出模式映射关系，而无需事前揭示描述这种映射关系的数学方程。它的学习规则是使用最速下降法，通过反向传播来不断调整网络的权值和阈值，使网络的误差平方和最小。BP神经网络模型拓扑结构包括输入层、中间层(隐层)和输出层。
发明内容
本发明的目的是提供一种基于遗传算法改进的BP神经网络的温室环境预测反馈方法，可以准确、快速地预测温室中预测目标的参数。为实现上述目的，本发明采取以下设计方案:
一种基于遗传算法改进的BP神经网络的温室环境预测反馈方法，其包括如下方法步骤:(I)获取若干组被测植物叶片温度及对其有影响的其它5个因子的监测数据值，其中，该5个因子是:温室外温度、相对湿度、太阳辐射照度、保温覆盖层状态和CO2含量；将这些数据归一化为-1至+1之间值，采用的归一化公式为:
X max - X mill其中:x*代表归一化后的值，X为变量的实际值，Xmax和Xmin分别为变量的最大值和最小值；将归一化后的这些数据组分类组以作为即将待用的训练和测试数据；(2)建立BP神经网络，所述的BP神经网络包括一个输入层、一个中间层和一个输出层；(3)采用遗传算法对上述建立的BP神经网络进行优化；(4)对优化后的BP神经网络进行训练和测试；(5)利用通过测试的BP神经网络预测植物叶片温度。所述基于遗传算法改进的BP神经网络的温室环境预测反馈方法的输入层有6个神经元，中间层有16个神经元，输出层有I个神经元。所述基于遗传算法改进的BP神经网络的温室环境预测反馈方法步骤2中，先通过遗传算法进行全局训练 ，优化神经网络初始权值和阈值，再用优化的权值和阈值对BP算法进行训练，使网络收敛速度加快和避免局部极小，得到全局最优解。所述基于遗传算法改进的BP神经网络的温室环境预测反馈方法步骤(3)中优化的具体步骤是:(a)随机产生初始群体，设N个个体，采用二进制编码机制对每个个体进行编码，从而构成基因链码，即染色体，每个基因链码对应一个神经网络的连接关系；(b)确定适应度函数，以误差函数的倒数作为染色体的评价函数；计算每条染色体的适应度函数值，适应度函数值取F=l/E，其中E为平均误差均值函数，
E=^t flYnt)-Yi(t)}
U P=I 仁 I其中P为训练样本的数量；0为输出层的神经元数W),1^(0分别为网络的实际
输出和期望输出值；(c)选择若干适应度函数值大的个体直接进入下一代，适应度值小的个体被淘汰；(d)利用交叉、变异遗传算子对当前一代群体进行处理，并产生下一代群体；(e)重复步骤(b)、(c)和(d)，对新一代群体进行新一轮迭代，直到训练目标满足终止条件为止。所述基于遗传算法改进的BP神经网络的温室环境预测反馈方法的中间层的神经元函数的传递函数采用S型正切激活函数，输出层神经元的传递函数采用S型对数函数。所述基于遗传算法改进的BP神经网络的温室环境预测反馈方法步骤I中，将归一化后获取的若干组监测数据值分为两类组，前70%为一类组，用来训练BP神经网络，记为训练样本，后30%为另一类组，用来检验BP神经网络，记为检验样本；步骤4中，对神经网络进行训练和测试时，对网络反复训练，当预测测数据间误差达0.000001时，停止训练，开始预测。所述基于遗传算法改进的BP神经网络的温室环境预测反馈方法中，在步骤(3)中，根据输入输出数据的维数，确定BP神经网络中间层神经元数的范围以及输出层神经元数，对据此形成遗传算法中的若干个种群初始化并采用遗传算法进化优化:用选择、交叉和变异遗传操作在前代种群的基础上产生新一代种群，计算适应度值，判断遗传算法收敛条件是否满足，并从所有种群中选择最优个体，该个体同时包含了 BP神经网络的结构和权值及阈值的初值信息；根据上述最优个体所提供的结构、权值、阈值信息创建BP神经网络并对其初始化，利用经归一化后的训练集数据作为BP神经网络输入输出数据，用学习率可变的动量BP算法进一步训练BP神经网络直至收敛。所述基于遗传算法改进的BP神经网络的温室环境预测反馈方法中，在步骤(4)中，利用通过测试的神经网络进行预测时，先将监测数据归一化到-1至+1之间，再进行输入，在步骤(5)中将网络运算后的输出值进行反归一化，得到预测的植物叶片温度值。本发明的优点是:能够解决传统预测模型所存在的数据矫正过程长、不易直接应用和参数值获得时间长等问题。可以使预测方法的预测精度提高，计算时间减少，稳定性增强。能够实现对BP神经网络结构的优化，进一步减少计算时间，增强预测的稳定性。本预测方法对训练数据要求相对较低，搜索效率高，易于被操作掌握。
图1为本发明建立的BP神经网络结构图。图2为本发明建立的BP神经网络训练过程方框示意图。
具体实施例方式下面附图及实例对本发明基于遗传算法改进的BP神经网络的温室环境预测反馈方法做出详细说明。本发明基于遗传算法改进的BP神经网络的温室环境预测反馈方法，包括如下步骤:(I)数据的获取与预处理:获取被测植物叶片温度及对其有影响的5个因子的值作为训练及测试数据。本发明的实施例中获取对植物温度有影响的5个因子的值的方法是，通过对选定的温室的3个取样点，每隔一小时取样一次，连续监测一个月，测定温室外温度、相对湿度、太阳辐射照度、保温覆盖层状态、CO2含量5个指标的值，获取所需数据。由此得到训练集和
预测集并对这些数据进行归一化处理。采用的归一化公式为:
权利要求
1.一种基于遗传算法改进的BP神经网络的温室环境预测反馈方法，其特征在于包括如下方法步骤: (1)获取若干组被测植物叶片温度及对其有影响的其它5个因子的监测数据值，其中，该5个因子是:温室外温度、相对湿度、太阳辐射照度、保温覆盖层状态和CO2含量； 将这些数据归一化为-1至+1之间值，采用的归一化公式为:Χ*= Α~-Υ ηX max- X mm 其中:X*代表归一化后的值，X为变量的实际值，Xmax和Xmin分别为变量的最大值和最小值； 将归一化后的这些数据组分类组以作为即将待用的训练和测试数据； (2)建立BP神经网络，所述的BP神经网络包括一个输入层、一个中间层和一个输出层； (3)采用遗传算法对上述建立的BP神经网络进行优化； (4)对优化后的BP神经网络进行训练和测试； (5)利用通过测试的BP神经网络预测植物叶片温度。
2.根据权利要求1所述的基于遗传算法改进的BP神经网络的温室环境预测反馈方法，其特征在于:所述的输入层有6个神经元，中间层有16个神经元，输出层有I个神经元。
3.根据权利要求1所述的基于遗传算法改进的BP神经网络的温室环境预测反馈方法，其特征在于:步骤2中，先通过遗传算法进行全局训练，优化神经网络初始权值和阈值，再用优化的权值和阈值对BP算法进行训练，使网络收敛速度加快和避免局部极小，得到全局最优解。
4.根据权利要求3所述的基于遗传算法改进的BP神经网络的温室环境预测反馈方法，其特征在于步骤(3)中优化的具体步骤是: (a)随机产生初始群体，设N个个体，采用二进制编码机制对每个个体进行编码，从而构成基因链码，即染色体，每个基因链码对应一个神经网络的连接关系； (b)确定适应度函数，以误差函数的倒数作为染色体的评价函数；计算每条染色体的适应度函数值，适应度函数值取F=l/E，其中E为平均误差均值函数， Z尸 P-1 =1 其中P为训练样本的数量；0为输出层的神经元数分别为网络的实际输出和期望输出值； (C)选择若干适应度函数值大的个体直接进入下一代，适应度值小的个体被淘汰； (d)利用交叉、变异遗传算子对当前一代群体进行处理，并产生下一代群体； (e)重复步骤(b)、(c)和(d)，对新一代群体进行新一轮迭代，直到训练目标满足终止条件为止。
5.根据权利要求1所述的基于遗传算法改进的BP神经网络的温室环境预测反馈方法，其特征在于:所述的中间层的神经元函数的传递函数采用S型正切激活函数，输出层神经元的传递函数采用S型对数函数。
6.根据权利要求1所述的基于遗传算法改进的BP神经网络的温室环境预测反馈方法，其特征在于:步骤I中，将归一化后获取的若干组监测数据值分为两类组，前70%为一类组，用来训练BP神经网络，记为训练样本，后30%为另一类组，用来检验BP神经网络，记为检验样本；步骤4中，对神经网络进行训练和测试时，对网络反复训练，当预测测数据间误差达0.000001时，停止训练，开始预测。
7.根据权利要求1或4所述的基于遗传算法改进的BP神经网络的温室环境预测反馈方法，其特征在于，在步骤(3)中，根据输入输出数据的维数，确定BP神经网络中间层神经元数的范围以及输出层神经元数，对据此形成遗传算法中的若干个种群初始化并采用遗传算法进化优化:用选择、交叉和变异遗传操作在前代种群的基础上产生新一代种群，计算适应度值，判断遗传算法收敛条件是否满足，并从所有种群中选择最优个体，该个体同时包含了 BP神经网络的结构和权值及阈值的初值信息；根据上述最优个体所提供的结构、权值、阈值信息创建BP神经网络并对其初始化，利用经归一化后的训练集数据作为BP神经网络输入输出数据，用学习率可变的动量BP算法进一步训练BP神经网络直至收敛。
8.根据权利要求1所述的基于遗传算法改进的BP神经网络的温室环境预测反馈方法，其特征在于，在步骤(4)中，利用通过测试的神经网络进行预测时，先将监测数据归一化到-1至+1之间，再进行输入，在步骤(5)中将网络运算后的输出值进行反归一化，得到预测的植物叶片温度值。
全文摘要
一种基于遗传算法改进的BP神经网络的温室环境预测反馈方法，方法如下获取若干组被测植物叶片温度及对其有影响的其它5个因子的监测数据值，将这些数据归一化为-1至+1之间值，将归一化后的这些数据组分类组以作为即将待用的训练和测试数据;建立BP神经网络，其包括一个输入层、一个中间层和一个输出层;采用遗传算法对上述建立的BP神经网络进行优化;对优化后的BP神经网络进行训练和测试;利用通过测试的BP神经网络预测植物叶片温度。其可以建立适合于温室环境参数预测的模型，通过计算机仿真试验，能够准确、快速地预测温室环境下的目标参数。
文档编号G06N3/02GK103105246SQ20121059304
公开日2013年5月15日 申请日期2012年12月31日 优先权日2012年12月31日
发明者周增产, 卜云龙, 田真, 商守海, 董明明, 吴建红 申请人:北京京鹏环球科技股份有限公司