基于模糊神经网络的温室小气候预测模型

何建祥，宋欣，朱垲，宋俊杰，谢周强

（天津农学院 工程技术学院，天津 300392）

温室小气候是指温室内环境因子信息的变化情况，不同地区，不同的温室搭建模式，都会产生不同的温室小气候环境，温室环境因子的变化会直接影响作物的生长状态[1-2]。温室小气候预测模型是研究温室系统变化的核心，温室系统的决策和优化都是建立在温室小气候模型的基础上，因此对温室小气候预测模型的研究程度决定着温室系统所作决策的精确性以及决策优化的程度。经过了几十年的发展，国内外先后建立了通风温室模型、日光温室模型等多种温室环境模型[3-5]。温室小气候模型的类型主要有静态模型和动态模型，物理模型和系统辨识模型，以适应不同种类的温室进行环境参数的控制。

传统的温室在控制环境因子中，往往采用传感器测得的数据与专家系统中的数据进行对比，根据设定好的参数启动相应的设备来改变作物的生长环境，但是温室环境调节过程具有滞后响应特性，一方面设备的启动需要时间来达到温室环境的改变，让作物得到适宜的环境；另一方面，专家系统其实是根据人的主观经验，设定适宜的环境因子范围以达到控制温室的目的，这样并不能实现智能化的温室控制管理。要克服温室滞后响应的问题，需要提前根据温室当前的环境变化，通过预测模型对温室未来环境值的变化做出精确地预测，提前启动温室设备，实现温室环境的动态变化监控。温室小气候预测模型的建立方法有物理建模和系统辨识建模，由于物理建模的机制复杂度大，具有时变性和成本高等缺点，越来越多的学者开始尝试建立温室环境系统辨识模型，对温室环境因子进行预测[6-9]。为确保温室数据的可靠性和精确性，通常需要利用小波降噪等方法对温室数据进行处理，并使用自适应加权算法对多传感器数据融合得到测量数据的最优估计值[10]。将经过预处理后的数据输入本研究的小气候预测模型，进行环境因子的预测，验证预测模型的可行性。

模糊神经网络算法可以实现对多输入单输出系统预测的目的，通过对历史数据的学习和训练，找出数据之间存在的规律，实现输出未来一定时长内的预测值[11-12]。本研究采用模糊神经网络预测模型对温室环境因子进行预测，该模型的输入为室外温度、湿度和光照强度，风机、喷淋系统和加热系统等温室设备开关量作为干扰项，输出为室内温度、湿度、光照强度的预测值。

1 模糊神经网络预测模型

模糊神经网络（ANFIS）是一种将模糊逻辑和神经网络结合起来的一种新的神经网络[12]。本研究通过确定模糊神经网络的网络结构、隶属度函数和模糊规则等参数，对温室小气候系统进行建模。采用模糊神经网络建立的模型预测性能比只用模糊推理系统或者只用神经网络的效果好，且性能更加稳定[13-14]。AFNIS基本思想是以历史样本中的输入输出数据为根据，选择合适的数据聚类算法，对输入数据的类型进行划分，建立 Sugeno型模糊推理系统，最后使用最小二乘算法对网络中模糊隶属度函数进行调整。ANFIS的优点在于通过对已知数据的学习，得到模型中最优的模糊隶属度函数和模糊规则，找出预测数据和实际数据的输入输出关系，避免了人为经验造成的误差，以达到最优的模拟关系。

1.1 ANFIS基本原理

模糊神经网络可以描述为if-then规则结构，如图1为一个具有五层计算的ANFIS网络结构。

图1 ANFIS网络结构

Ⅰ层节点的输入为：

Ⅱ层输入节点：

Ⅱ层输出节点：

Ⅲ层输入节点：

Ⅲ层输出节点：

Ⅳ层输入节点：

Ⅳ层输出节点：

由以上各个节点的输入输出表达式，可以得到网络总体输出为：

其中，

取高斯型函数作为隶属函数，即：

令一个多输入单输出系统的输入量为x= [x1,x2,· · ····xn]T，xi每一分量的模糊语言变量集合为T(xi) = {A1i,A2i, · · ····Ami}，i= 1 ,2,· · ····n，其隶属函数用Uki(k= 1 ,2,· · ····m)来表述。则第k条规则的T-S模型为Rk

其中，k= 1 ,2,· · ····n为规则总数，则适用度为：

系统总输出量的结果为每条规则输出量的算术平均，即：

因其对动态特性的描述较为容易并且对结论进行辨识的效率较高，T-S模型在复杂系统中得以广泛应用。基于T-S模型的ANFIS网络具有局部逼近能力强、学习速率快等特点。子网络的第一层为输入层；第二层用以计算各模糊规则的激活等级；第三层计算归一化，即：

第四层计算每条各对总体输出的贡献，因此前四层主要计算各规则的后件，即：

最后一层计算系统的输出：

所以结论输出是结论参数集的线性函数，本文使用最小二乘法（Least Square Estimation，LSE）计算均方误差最小（min‖AX-W‖）意义下的参数最佳估计*X：

误差函数为：

其中，ydj和yj分别代表期望和实际的输出函数。主要学习的参数为前件网络参数cki、ski：

其中，β＞0为学习速率。

1.2 减法聚类

在处理数据时，减法聚类作为一种对聚类个数和位置都可以实现自动预估效果的单次算法，根据对历史数据进行特征和规律的学习，能够做到对样本数据中存在的不同时期但信息类似的情况时，实现对这些信息的聚类，同时会找到与需要预测的数据相似的信息，从而实现模糊神经网络的输入。设作为模糊神经网络模型的训练数据组为：

S= 1 ,2,······p；ls是模型的输入;ts是对应的模型输出。各数据对Zs=(ls,ts)，它的密度指标为：

聚类中心的影响范围为r1，Ds中数值最大的是第一个聚类中心。设第一个聚类中心为Zc1，则其对应的密度指标为Dc1。接着由式（39）对各数据重新计算密度指标，搜索聚类中心，r2是再重新计算密度指标后给出的聚类中心影响范围，搜寻的过程直到密度指标小于设定的值为止：

其中，Zc1为聚类中心。

1.3 AFINS的输入输出变量确定

在天津市某温室基地进行了温室外部的气象参数以及温室内部环境因子的采集，采集的数据包括温室外部的温度、湿度、光照辐射强度以及温室内的温度、湿度、光照辐射强度，数据采样的间隔为10 min。

影响温室内部环境的因素有以下三个方面：①外界气象因子；②室内设备的运作；③室内作物状态。由于本文是对温室小气候环境进行短期预测，因此对温室环境变化影响较大的因素是外界气象因素。

图2为模糊神经网络的原理图，从中可以看出所选的模型输入输出变量类型，本文选择室外温度、湿度、光照辐射强度作为AFNIS的输入变量，同时加入风机、喷淋系统以及加热系统等温室内设备的开关量作为干扰项。

图2 ANFIS温室小气候预测模型原理图

对于作物的生长环境而言，温室内适宜的温度、湿度、光照强度是最有影响的因素，从而有必要对其进行预测，以保证对温室环境的准确控制，得到及时且精准的温室环境调控策略，因此将温室内的温度、湿度、光照强度等作为 AFNIS的输出变量。

2 模糊神经网络模型训练

建立基于ANFIS小气候预测模型的步骤如下：

（1）进行温室内外环境参数的采集，包括室内外温室、湿度、光照强度；

（2）将数据分为ANFIS预测模型的训练样本和测试样本；

（3）在不同隶属度函数对历史样本数据的建模效果及预测效果中，本文采用RMS和相关度值R2来评判温室小气候预测模型的性能，从中确定相关的参数。

图3为ANFIS模型的系统结构，考虑到室外温度、湿度和光照强度对室内的环境因子有着直接的影响，而设备的启停作为干扰项，需要一定的时间才能对温室环境引起变化，因此在选择隶属度函数个数时有所区别，图3可以看出，预测模型是6项输入1项输出，模糊规则选择“和”的形式。

训练后的 ANFIS温度网络辨识参数情况如表1。用不同隶属函数所得的温度预测性能如表2所示。对比来看，采取Guass2mf函数所得对温度的预测效果最好，有效值达到0.779 7，相关度达到0.999 8，所以在预测温度时AFNIS网络结构采取Guass2mf函数。

表1 温度预测的ANFIS模型结构

表2 训练ANFIS温度模型时不同隶属度函数的预测性能比较

图4为AFNIS温度预测模型训练误差与训练迭代次数的关系，其中横坐标表示迭代次数，纵坐标表示训练误差值。从图中可以观察出，温度环境因子在迭代60次后基本逼近最小训练误差，训练130次后误差基本趋于稳定，最终的训练误差为0.544 0。

图4 AFNIS温度预测模型训练误差与训练迭代次数的关系

对于湿度环境因子建立的ANFIS模型，其网络辨识的参数如表3所示，用不同的隶属度函数进行性能比较的结果如表4所示，表中采用dsigmf型隶属函数得到的性能最好。图5为湿度的ANFIS模型训练误差曲线，最终训练误差为 1.05。光照强度因子的ANFIS模型的建立与温湿度基本相同，采用Gbellmf型隶属度函数，图6为室内光照强度的ANFIS模型训练误差曲线，其最终的训练误差为1 822。

表3 湿度预测的ANFIS模型结构

表4 训练ANFIS湿度模型时不同隶属函数的预测性能比较

图5 基于ANFIS的室内湿度模型的训练误差

图6 基于ANFIS的室内光照强度模型的训练误差

3 温室环境因子预测结果与分析

为了证明本文采取的自适应模糊神经网络算法对温室环境因子的预测效果更佳，选择同样是系统辨识法的多目标灰色预测 [GM（1，N）]模型[15]的方法建立温室小气候预测模型，对比两者的预测效果。采用 GM（1，N）模型对温室内温度、湿度和光照强度进行预测时，将室外的温度、湿度和光照强度作为模型的输入变量，同时加入了温室设备的开关量作为干扰项，将室内温度、湿度和光照强度作为变量输出，得到的结果如图7所示，图7a、7b、7c分别是基于GM（1，N）模型的温度、湿度和光照强度的实际值与预测值。采用ANFIS预测模型时，确定了ANFIS结构类型、隶属度函数以及模型的输入输出变量，得到的结果如图8所示，图8a、8b、8c分别是基于ANFIS模型的温度、湿度和光照强度实际值与预测值。

图7 GM（1，N）模型的环境因子实际值与预测值

图8 基于ANFIS模型的环境因子实际值与预测值

对比图7、图8可以发现，采用GM（1，N）模型的实际值和预测值拟合效果欠佳，虽然可以模拟出温度、湿度和光照强度实际值的变化趋势，但是总体的偏差较大，而采用ANFIS模型，在温度、湿度和光照强度上的实际值和预测值的拟合效果明显比 GM（1，N）模型好，且可预测的数量也较多，因此本文采用ANFIS对温室小气候建立的预测模型具有更高的预测精度以及更稳定的性能，预测效果更佳。

4 结论

本文采用ANFIS模型，以温室外的温度、湿度和光照强度作为输入，加入温室设备包括风机、喷淋系统和加热系统等开关量作为干扰项，以温室内的温度、湿度和光照强度作为输出构建了温室小气候预测模型。经过与 GM（1，N）模型的预测效果对比，可知ANFIS模型具有更高的预测精度以及更稳定的性能。采用辨识系统建立温室小气候预测模型，避免了用物理机制建立模型带来的复杂工作量，同时也达到了预测效果，为后续温室环境的决策提供了可靠的数据。