基于改进PSO优化RBF神经网络的温室温度预测研究*

王媛媛

(1.淮阴工学院计算机工程学院　淮安　223003)(2.江苏省物联网移动互联技术工程实验室　淮安　223003)



基于改进PSO优化RBF神经网络的温室温度预测研究*

王媛媛1,2

(1.淮阴工学院计算机工程学院淮安223003)(2.江苏省物联网移动互联技术工程实验室淮安223003)

摘要论文以温室内外的气象数据为输入量,以温室内温湿度等气象因子为输出量,使用改进PSO算法优化的RBF神经网络构建温室内环境温湿度的预测模型。通过实验对预测模型进行仿真测试与性能评估,验证该方法的可行性和有效性。该模型数据获取方便、所需参数少、模拟精度高,为温室内极端温度的预测、调控和管理优化提供了科学依据。

关键词RBF神经网络; PSO算法; 预测模型; 温室

Class NumberTP183

1引言

随着农业总体技术水平的提高,人们对农产品高品质、多样化的需求越来越明显。为了减小一些恶劣自然环境对农作物生长的影响,设施农业在农业产品生产中已被广泛应用,例如可以提高农产品的品质、产量以及延长生产季节的智能连栋温室建设逐步向大型化、多样化方向发展。温室内的环境因素,光照强度、空气温度、湿度、地温、风力、二氧化碳浓度、土壤湿度等环境因素对作物生长发育影响较大,尤其对极端天气的适应性较差,例如温度过高引发高温热害,温度过低引发低温冻害。在满足高效、节能和高产的前提下,根据气象部门的各类气象预报的要素值分析大棚内外气候的相关性,模拟和预测温室内温湿度等环境值的变化趋势,建立小气候预测模型,合理调控温室内环境要素,为作物生长提供良好的生长环境并最大限度地减小作物的病害发生率,对可能出现的室内极端温度及时进行早期预警。

目前,对于温室内环境因素理论研究主要有能量和物质平衡方程的温室温度预测模型[1～4],但是该模型复杂参数多、结果误差较大。史宇攀等[5]使用移动最小二乘法预测温度曲线;薛晓平等[6]基于支持向量机方法建立土壤湿度预测模型;邹学智[7～9]提出了基于BP人工神经网络模型预测温室内的温度等环境因素变化情况,而BP算法存在易限于局部极小值,学习过程收敛速度慢,隐层和隐层节点数难以确定等问题,优化后的BP神经网络还与网络结构、期望误差等因素有较大关系。

径向基函数(Radial Basis Function,RBF)神经网络具有收敛速度快、泛化能力、分类能力和非线性映射能力好、结构简单[10],RBF神经网络的优势使其比误差反传算法网络模型(Back Propagation,BP)神经网络更有优势,在诸多领域的应用优势将逐步替代BP神经网络。目前,RBF神经网络已经成功地用于模式识别、信息处理、图像处理、系统建模、控制和故障诊断等领域[11～13]。但RBF神经网络仍存在如预测精度需要进一步提高,隐层基函数中心、合适的隐层节点的节点数目、中心和宽度不容易在实际系统中选定等问题。为了提高RBF人工神经网络训练的性能,国内外的研究者用粒子群优化(Particle Swarm Optimization,PSO)算法优化RBF神经网络结构以及网络权值等参数[14～17]。

因此,本文基于气象天气预报数据,以温室内外主要气象环境参数作为输入变量,使用改进的PSO算法优化RBF神经网络结构和预测精度,以此模型预测温室内外温湿度变化情况进行了模拟与预测,指导农户在室内温度过高或过低时合理调控加热、保温、遮阳和通风装置,避免经济损失。为研究温室内环境因素、环境管理与调控措施提供科学依据,为作物的高质、高产提供理论基础。最后利用观测数据仿真实验,证明本算法在可行性与有效性方面有较大提高。

2建立预测模型

2.1RBF神经网络

RBF神经网络结构一般包含输入层、隐含层和神经网络的输出层[11]。RBF神经网络将复杂的非线性问题转化为高维特征空间,使问题转化为线性可分,避免了局部最小的问题,需要更多的隐层神经元。RBF神经网络结构如图1所示。

在图1中,X=(x1,x2,…,xm)T为训练样本的输入向量,m为输入样本总数,对应的实际输出为Yn(n=1,2,…,N),图中m、n以及i的值可以不同;基函数φ(X,ti)为第i个隐层输出函数;wi为第i个隐含层与输出单元间的权值。

图1　RBF神经网络结构图

2.2改进PSO算法优化RBF神经网络

RBF神经网络需要优化的三个参数:基函数中心φ(X,ti)、宽度σi、隐层与输出层间权值ωij,对这三个参数的优化对RBF神经网络模型的预测精度非常重要,优化这三个参数的常见算法主要有正交最小二乘法(OLS)、K均值算法、PSO算法、遗传算法以及蚁群算法等[18]。

由于PSO算法具有较强的全局搜索能力、实现原理简单等优点[18],本文使用PSO算法对RBF模型中的三个重要的学习参数进行寻优,但是PSO是一种全局优化算法,数据集的训练需要的时间比较长,且容易陷入局部极小。要获得RBF中最优的参数,需要在传统的PSO算法基础上进行改进,以提高标准算法的寻优能力。传统PSO算法是通过以下的两个数学公式不断地更新训练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个粒子的速度及位置,Pid和Pgd是粒子i及种群的历史最优位置,ω是惯性权重;c1、c2是加速度学习因子,取值非负,最终达到最优状态;满足以下条件-xmax≤xi≤xmax,-Vmax≤Vi≤Vmax;c1*Rnd1(0,1)*(Pi-xi)是粒子的学习能力;c2*Rnd2(0,1)*(Gi-xi)表示不同粒子间的协作。

在PSO算法中粒子是通过Pid和Pgd两个参数进化的,在算法后期为了避免粒子陷入局部最优,并提高其他粒子在新区域搜索的能力,本算法在式(1)中增加一个高斯(0,1)分布的随机变量ε,在算法后期重新计算参数Pgd:

Pgd(k)=Pgd(k)(0.5ε+1)

(3)

在式(2)中添加二次随机搜索因子η,即若粒子寻优到新位置不如当前位置,将在原位置开始下一次寻优,否则新位置是下一次寻优的起始位置,公式如下:

xid(t+1)=xid(t)+η×Vid(t+1)

(4)

其中η=Rnd(0,1)+0.5。

本文使用改进的迭代式(3)～(4)优化粒子的更新速度和位置,输出RBF神经网络核函数之中的最优参数。

RBF在Matlab中的构造函数是:[net,tr]=newrb(P,T,GOAL,SPREAD,MN,DF),net为网络的返回值,tr为训练记录返回值,网络数据集训练时,newrb自适应增加隐层节点的数量,直到满足目标误差的要求。构造函数中P为R×Q输入向量(R是输入变量的数目,Q为训练样本数),T为S×Q目标分类向量组成的输出数据矩阵(S是输出类别数),GOAL是目标误差,SPREAD为扩展速度,MN为神经元最大数目,DF为迭代要添加的隐层神经元数。训练newrb函数每次循环产生一个神经元,神经元的增加都一定程度减少误差,当误差小于预期的误差或隐层神经元个数达到最大值时训练可以停止神经元的增加。使用最小误差函数E为网络的目标评价函数[19],可以降低异常点误差,其中di是网络的期望输出:

(5)

3实验数据的采集及模型构建

3.1数据采集

1) 本文实验用的温室外气象数据取自温室外气象仪,采集间隔为0.5h,采集的参数主要有:室外温度、室外相对湿度、气压、风速、风向、露点、光照强度以及土壤温度等。

温室内气象数据的采集主要使用无线智能传感器,采集的主要参数有:温室室内温度、室内相对湿度、地表温度、土壤温度、土壤湿度、温室CO2浓度,采集频率为1次/10分钟,实验所有数据的采集时间为2015年5月。

使用采集的500组数据进行实验测试,优化RBF模型的输入神经元是温室外温度、湿度、气压、光照强度、风速、风向、温室CO2浓度;输出神经元是温室内温度和湿度。从中选取350组数据作为训练数据,150组数据作为测试数据。

2) 使用C8051F020单片机读取无线传感器数据,并对获取的数据进行预处理及修正,再将数据传给嵌入式网关。例如,无线传感器采集到的数据可能存在一些人为因素将导致不良偏极值的数据,因此在数据预处理时直接删除这类异常数据。将预处理后的数据按照式(6)进行归一化处理。

(6)

其中,Xmax和Xmin为输入样本的最大值和最小值。

3) 使用2.2节所述的改进PSO算法优化RBF神经网络的参数φ(X,ti)、σi和ωij,构造出N个RBF神经网络弱预测器,最后利用AdaBoost算法通过不断调整权值获取由多个弱预测器生成的强预测器。AdaBoost是一种迭代算法,在同一训练集中训练不同的弱分类器,再将多个弱分类器构造成强分类器,其分类性能更好。使用PSO对RBF参数进行寻优可生成多个类型不同的RBF弱预测器,本文使用AdaBoost算法改进RBF神经网络结构的算法过程如图2所示。

图2　改进PSO算法优化RBF模型预测算法

3.2构建预测模型

Step2:样本数据的预处理及归一化。

Step3:使用PSO算法优化RBF网络的三个参数(φ,σ,ω),使用N个不同的RBF神经网络基函数生成不同的RBF弱预测器。由于PSO寻优的结果可能是多个弱分类器趋于同质,使用文献[20]提出的基于ERBF的训练算法,根据错分样本的错误程度选择最佳弱分类器[20],从而保证弱分类器具有多样性,即非同质的分类器。

Step4:使用RBF神经网络训练弱预测器,回归模型:gt(x)→y,t=1,2,…,T。

Step5:调整训练数据的权重。令βt=εt2,式中Bt为标准化因子:

Step6:输出强预测器:

4实验与结果分析

本文使用均方根误差、绝对误差以及回归状态对模拟值与实测值之间的拟合度进行分析,检验预测模型的精度。在Matlab中使用数据集构造的强预测器与弱预测器预测误差绝对值如图3所示,网络训练过程中误差均方下降曲线如图4所示,网络训练回归状态图分别如图5所示。

图3　预测误差绝对值图

图5　回归状态图

图3显示强预测器的整体预测误差更小,效果更好。图4显示数据集的误差均方下降曲线收敛速率较快,第18步达到了最佳的验证效果值0.0194,误差曲线开始平缓下来,误差值基本没有变化,效果更好。从图5可以看出强预测器训练集R=0.95627,验证集R=0.94412,测试集R=0.941,总体R=0.95219,回归预测结果好。优化后的RBF神经网络模型可应用于温室内温湿度的模拟,其模拟精度也满足预测要求。

本文分别采用标准RBF、PSO优化的RBF强预测器中的测试样本进行预测,以衡量模型性能的高低,预测结果表明改进PSO算法优化的RBF强预测器具有更好的预测结果,可以明显改进RBF神经网络预测精度。

5结语

本文在对温室外的气象因子进行分析的基础上,以温室内外气象因子等参数为输入量,以温室内外气温、地温、湿度等气象因子为输出量,基于温室内环境下建立PSO算法优化RBF网络模型,优化调整权值和阈值,提高算法的精度和预测能力,再将算法嵌入到智能传感器,构建控制系统装置,构建基于神经网络预测预报原理的温室小气候预测模型,模拟温室内小气候环境,对温室内温度调控起指导作用,为温室内作物提供合适的生长环境。

参 考 文 献

[1] 王旭东,罗金耀,李小平.塑料大棚环境的温湿度预测模型研究[J].节水灌溉,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,吴德让,于竹.日光温室微气候的模拟与实验研究[J].农业工程学报,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] 邓玲黎,李百军,毛罕平.长江中下游地区温室内温湿度预测模型的研究[J].农业工程学报,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,郭庆,徐翠锋.基于移动最小二乘法的大棚温室温度场分析[J].农业研究与应用,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] 薛晓萍,王新,张丽娟.基于支持向量机方法建立土壤湿度预测模型的探讨[J].土壤通报,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] 邹学智,申双和,曹雯,等.基于公众天气预报预测塑料大棚逐日极端气温[J].气象科学,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] 金志凤,符国槐,黄海静,等.基于BP神经网络的杨梅大棚内气温预测模型研究[J].中国农业气象,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,王岩,罗金耀.大棚气候的BP神经网络预测模型研究[J].长春工程学院学报(自然科学版),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] 何世钧,白凡,周汝雁.基于RBF神经网络逼近算法的船舶支架减振器挤压测试系统[J].计算机应用与软件,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] 翟华伟,崔立成,张维石.一种新的在线自适应混合RBF网络学习算法[J].小型微型计算机系统,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,乔俊飞,韩红桂.基于ART的RBF网络结构设计[J].控制与决策,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] 张健,刘定一.一种应用PSO优化RBF神经网络的方法[J].计算机仿真,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,李世华,周杏鹏.基于PSO-RBF神经网络模型的原水水质评价方法及应用[J].东南大学学报(自然科学版),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,李晓峰,片锦香.基于改进PSO和模糊RBF神经网络的退火炉温控制[J].南京理工大学学报,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] 孙立峰,吕枫.基于改进PSO的RBF神经网络在液压钻机故障诊断中的应用[J].液压与气动,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神经网络的网络流量预测[J].计算机应用与软件,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,王军,彭宇.一种新型时间序列多分辨预测模型研究[J].电子学报,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

基金项目:江苏省高校自然科学研究面上项目(编号:15KJB520004);江苏省先进制造技术重点实验室开放基金(编号:HGAMTL-1401);淮安市应用研究与科技攻关(工业)计划项目(编号:HAG2014028);淮安市应用研究与科技攻关计划项目(编号:HAG2015060);淮阴工学院科研基金项目(编号:HGC1412)资助。

作者简介:王媛媛,女,硕士,讲师,研究方向:机器学习、人工神经网络。

中图分类号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