基于貝葉斯正則化BP神經網絡的日光溫室溫度預測模型

王紅君等

摘要：針對日光溫室溫度預測模型中輸入因子間存在復雜的耦合關系以及輸入因子過多而導致神經網絡結構規模過大等問題，選用影響日光溫室溫度的環境因子組成數據樣本，對數據樣本進行主成分分析。提取出影響日光溫室內溫度的前3個成分作為BP神經網絡模型的輸入變量，采用貝葉斯正則化算法對BP神經網絡進行改進。結果表明，該方法改進的BP神經網絡模型得到簡化，擬合曲線光滑，具有較好的泛化能力和網絡推廣能力。

關鍵詞：日光溫室；溫度；主成分分析；貝葉斯正則化；BP神經網絡

中圖分類號：S24 文獻標識碼：A 文章編號：0439-8114（2015）17-4300-04

DOI：10.14088/j.cnki.issn0439-8114.2015.17.051

日光溫室是指以太陽能為主要能源，室內安裝簡易的加熱設施，夜間采用保溫被保溫，以滿足作物生長需要的一種溫室。日光溫室環境溫度對作物生長發育及產量起著至關重要的作用，不論其他環境條件如何，作物總是在溫度下降到某一低溫或超過某一高溫情況下停止生長甚至死亡，只有維持在某一適宜溫度范圍內，作物生長發育才最好。因此，如果能得到有效、準確的溫度預測值并將其用于指導生產過程，將有助于作物的生長，也可以大大提高作物的質量[1]。

近年來，國內外學者采用不同的方法對日光溫室溫度預測展開研究，這些研究主要通過傳熱學分析、氣流場和溫度場分析等對室內溫度進行預測[2-6]，預測過程對復雜非線性系統進行了較多的簡化和近似處理，因此存在建模精度低、預測性較差等問題[7]。影響日光溫室溫度的因子有很多，各因子間存在復雜的耦合關系，且存在信息冗余問題。如何采用新的理論方法[8]準確描述室內溫度與影響因子間的關系，是解決目前日光溫室溫度預測精度低的關鍵。因此，本研究利用BP神經網絡建立了日光溫室溫度預測模型，首先采用主成分分析法來簡化BP神經網絡的輸入神經元個數，再用貝葉斯正則化算法提高網絡的泛化能力，最后建立了基于主成分分析法的貝葉斯正則化BP神經網絡預測模型[9-11]。

4.3 BP神經網絡模型的確定

BP神經網絡模型主要由輸入層、隱含層、輸出層以及各層間的傳遞函數等組成，本研究選用三層BP神經網絡結構。隱含層節點數對BP神經網絡的性能有很大影響[17]，一般較多的隱含層節點數可以帶來更好的性能，但可能導致訓練時間過長。若節點數太少，則網絡所能獲取的用以解決問題的信息太少。因此，合理選擇隱含層單元數非常重要。

本研究根據Kolmogorov定理，確定三層BP神經網絡隱含層節點數的近似關系：

n2=2n1+1

其中，n1為輸入層神經元個數；n2為隱含層神經元個數。

根據主成分分析結果，網絡的輸入節點數為3，輸出節點數為1，按照上述定理可以近似確定隱含層節點數為7。分別對輸入隱含層節點數為6、7、8、9（其他結構參數均不變）的BP神經網絡結構測試訓練，結果表明，3-7-1 BP神經網絡具有較好的預測能力。

4.4 神經網絡生成與訓練

在Matlab環境中，用newff函數建立網絡，選取tansig作為激活函數，訓練采用貝葉斯正則化算法的trainbr函數。設置最大訓練次數為1 000，訓練誤差為1e-5，訓練速率為0.05，其余參數為默認值。將數據樣本分為訓練數據和測試數據，前600組的處理結果作為訓練數據，將第601至第800組的處理結果作為測試數據。利用train函數對訓練數據進行訓練，訓練和測試的均方誤差（mse）結果如圖2所示。

4.5 測試神經網絡

將測試的輸出數據還原，與溫室實際溫度作比較（表2）。結果表明，采用基于貝葉斯正則化BP神經網絡預測日光溫室溫度是可行的。

5 小結

1）針對日光溫室影響溫度的7個因子之間存在耦合關系以及影響因子中存在冗余信息的問題，通過主成分分析將其簡化為3個主成分，這3個主成分涵蓋了所有變量98.11%的信息，這樣在保證原始數據信息完整的基礎上，起到了顯著降維的作用，同時由于各主成分間的正交性避免了輸入節點之間耦合關系的發生。

2）利用貝葉斯正則化算法訓練BP神經網絡不僅對訓練樣本表現出很強的擬合能力，而且對預測樣本同樣表現出很強的推廣能力。

參考文獻：

[1] 琳 琳，吳 剛.溫室小氣候環境建模與控制的現狀及展望[J].自動化博覽，2010（2）：58-60.

[2] 鄧玲黎，李百軍，毛罕平.長江中下游地區溫室內溫濕度預測模型的研究[J].農業工程學報，2004，20（1）：263-266.

[3] 佟國紅，李保明，DAVID M C，等.用CFD方法模擬日光溫室溫度環境初探[J].農業工程學報，2007，23（7）：178-185.

[4] 陳教料，胥 芳，張立彬，等.基于CFD技術的玻璃溫室加熱環境數值模擬[J].農業機械學報，2008，39（8）：114-118.

[5] 蔣勇翔，秦琳琳，石 春，等.基于機理模型的現代溫室濕度系統建模[J].江南大學學報（自然科學版），2013，12（5）：535-540.

[6] 張國林，宗英飛，王吉宏.遼西日光溫室溫度變化規律及溫度預測模型[J].中國農學通報，2013，29（23）：117-122.

[7] 楊衛中，王一鳴，董喬雪，等.大型連棟溫室環境參數的線性時不變系統建模[J].農業工程學報，2010，26（14）：285-289.

[8] 徐立鴻，蘇遠平，梁毓明.面向控制的溫室系統小氣候環境模型要求與現狀[J].農業工程學報，2013，29（19）：1-15.

[9] 何 芬，馬承偉.溫室濕度環境的主成分分析人工神經網絡建模研究[J].上海交通大學學報，2008，26（5）：428-431.

[10] 金 龍，況 雪.人工神經網絡預報模型的過擬合研究[J].動力工程，2008（6）：431-435.

[11] 喻勝華，鄧 娟.基于主成分分析和貝葉斯正則化BP神經網絡的GDP預測[J].湖南大學學報，2011，25（6）：42-45.

[12] 周松林，茆美琴，蘇建徽.基于主成分分析與人工神經網絡的風電功率預測[J].電網技術，2011，35（9）：128-132.

[13] 王春玲，魏瑞江，申雙和，等.基于BP神經網絡的冬季日光溫室小氣候模擬[J].中國農學通報，2014，30（5）：149-157.

[14] 金志鳳，符國槐，黃海靜，等.基于BP神經網絡的楊梅大棚內氣溫預測模型研究[J].中國農業氣象，2011，32（3）：362-367.

[15] 李 洋，石必明.基于貝葉斯正則化BP人工神經網絡的煤與瓦斯突出預測的研究[J].工況自動化，2009（2）：1-4

[16] 江學軍，唐煥文.前饋網絡泛化性能的系統分析[J].系統工程理論與實踐，2000，20（8）：36-40.

[17] 周紅曉，蔡 俊，張德官.一種優化多層前饋神經網絡中隱節點數的算法[J].浙江師范大學學報，2002，25（3）：268-271.

[18] 常麗娜，張林華.日光溫室空氣溫度與土壤溫度的相關性分析[J].山東建筑大學學報，2011（6）：595-598.