基于遺傳算法優(yōu)化模糊神經(jīng)網(wǎng)絡(luò)的溫室溫度預(yù)測(cè)模型

張 龍，賈蘭芳

（長(zhǎng)治學(xué)院電子信息與物理系，山西長(zhǎng)治 046011）

我國(guó)作為農(nóng)業(yè)生產(chǎn)大國(guó)，溫室面積位居世界首位。預(yù)測(cè)是控制研究方面的前提，對(duì)研究溫室內(nèi)各種相互影響的環(huán)境因素具有重要指導(dǎo)意義[1-2]。但因溫室系統(tǒng)自身具有很強(qiáng)的復(fù)雜性，溫室內(nèi)存在的環(huán)境因素又相互影響，所以溫室系統(tǒng)的模型建立存在很大的難度[3]。為了進(jìn)一步提高預(yù)測(cè)精度，許多學(xué)者提出了各種預(yù)測(cè)方法。崔麗珍[4]等對(duì)支持向量機(jī)進(jìn)行了改進(jìn)，構(gòu)建了溫室大棚溫度預(yù)測(cè)模型；楊雷等[5]在溫室大棚溫度預(yù)測(cè)研究中，提出了基于PCA-PSO-LSSVM 模型；徐宇等[6]在智能溫室溫度預(yù)測(cè)研究中，提出了基于復(fù)數(shù)神經(jīng)網(wǎng)絡(luò)模型。針對(duì)溫室溫度與其他各種環(huán)境因素具有很高的耦合度，難以預(yù)測(cè)，文章建立一種基于遺傳算法優(yōu)化模糊神經(jīng)網(wǎng)絡(luò)溫室溫度預(yù)測(cè)模型，從而為精準(zhǔn)調(diào)控奠定堅(jiān)實(shí)的基礎(chǔ)。

1 模型建立

1.1 模糊神經(jīng)網(wǎng)絡(luò)

該模型如圖1 為五層結(jié)構(gòu)[7-8]，依次為模糊輸入層、模糊化層、模糊條件層、模糊判決層和去模糊化輸出層。假設(shè)模糊系統(tǒng)只有兩個(gè)輸入變量分別為x1、x2，一個(gè)輸出變量為y，每個(gè)輸入變量在其論域上劃分為兩個(gè)模糊子集。

圖1 模糊神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)圖

第2層：將輸入層的輸入變量通過(guò)一個(gè)或多個(gè)隸屬函數(shù)模糊化，

第3層：針對(duì)的是模糊規(guī)則中的條件部分，對(duì)節(jié)點(diǎn)進(jìn)行組合配合，實(shí)現(xiàn)各個(gè)輸入模糊值的“乘”運(yùn)算，

第4層：得出相應(yīng)輸出節(jié)點(diǎn)模糊值的大小，

第5層：本層節(jié)點(diǎn)的作用是“去模糊化”。將輸出的模糊值形式還原為乘數(shù)值的形式，

1.2 GA-FNN預(yù)測(cè)模型

采用的遺傳算法（GA）[9]優(yōu)化模糊神經(jīng)網(wǎng)絡(luò)（FNN）預(yù)測(cè)模型，模型內(nèi)的隱含層節(jié)點(diǎn)數(shù)、隸屬度函數(shù)參數(shù)值，即是網(wǎng)絡(luò)中間層數(shù)、隸屬函數(shù)的中心和寬度。圖2為算法流程圖。

圖2 算法流程圖

對(duì)輸入樣本數(shù)據(jù)做歸一化處理，盡量減少因數(shù)據(jù)的量綱不同而造成的影響。即將實(shí)測(cè)數(shù)據(jù)通過(guò)歸一化mapminmax 函數(shù)轉(zhuǎn)換為[-1,1]的值。歸一化mapminmax函數(shù)公式如下：

式中，xmax、xmin分別表示輸入量的最小值和最大值，ymin、ymax為-1 和1，x為輸入量的數(shù)據(jù)，y為歸一化后輸出數(shù)據(jù)；

設(shè)置網(wǎng)絡(luò)初始化參數(shù)，隱含層節(jié)點(diǎn)數(shù)為15，隸屬度函數(shù)參數(shù)Cji=0.01，bi=0.02。種群大小N=20，進(jìn)化次數(shù)最大為100 次。選交叉概率為0.8，變異概率為0.1。

2 測(cè)試

2.1 數(shù)據(jù)來(lái)源

利用智能傳感器采集某溫室近7 d 的連續(xù)實(shí)際測(cè)量數(shù)據(jù)，樣本數(shù)據(jù)包括室內(nèi)溫度、濕度、CO2、大氣壓和光照強(qiáng)度，后4 項(xiàng)數(shù)據(jù)作為輸入數(shù)據(jù)，溫度數(shù)據(jù)作為輸出數(shù)據(jù)。每隔2 min采集一次，共采集了4 720組樣本數(shù)據(jù)，前4 320 組樣本數(shù)據(jù)作為訓(xùn)練，最后400組樣本數(shù)據(jù)作為輸出測(cè)試，10 min后的溫度數(shù)據(jù)為預(yù)測(cè)輸出數(shù)據(jù)。表1為采集的部分樣本數(shù)據(jù)。

表1 部分樣本數(shù)據(jù)

2.2 評(píng)價(jià)指標(biāo)

為了驗(yàn)證模型性能，分別采用均方根誤差（RMSE）、平均絕對(duì)誤差（MAE）和平均絕對(duì)百分誤差(MAPE)對(duì)預(yù)測(cè)模型作評(píng)價(jià)分析，具體計(jì)算公式如下：

式中，VRMSE表示均方根誤差，VMAE表示平均絕度誤差，VMAPE表示平均絕對(duì)百分誤差，yi表示真實(shí)值，表示預(yù)測(cè)值，N是測(cè)試樣本中的數(shù)量。

2.3 仿真結(jié)果與分析

將數(shù)據(jù)輸入預(yù)測(cè)模型，通過(guò)MATLAB 軟件對(duì)該模型與未優(yōu)化的模糊神經(jīng)網(wǎng)絡(luò)模型進(jìn)行驗(yàn)證，獲得最佳隱含層節(jié)點(diǎn)數(shù)為4、隸屬度函數(shù)參數(shù)（Cji，b）i參數(shù)分別為2.920 3和2.258 8。

圖3 GA-FNN與FNN訓(xùn)練效果對(duì)比圖

圖4 GA-FNN與FNN預(yù)測(cè)效果對(duì)比圖

運(yùn)算結(jié)果對(duì)比如表2 所示。從表2 中可以看出，模糊神經(jīng)網(wǎng)絡(luò)預(yù)測(cè)（FNN）模型的RMSE 為2.528 5，MAE 為2.253 5，MAPE 為7.488 1，經(jīng)過(guò)遺傳算法優(yōu)化的模糊神經(jīng)網(wǎng)絡(luò)預(yù)測(cè)（GA-FNN）模型的RMSE 為1.213 1，MAE 為1.030 6，MAPE 為6.207 1，分別提升了51.3%，54.2%，17.1%。

表2 模型結(jié)果對(duì)比

3 結(jié)論

通過(guò)選取對(duì)溫室溫度影響較大的因素作為輸入量，溫室溫度作為輸出量，構(gòu)建了GA-FNN 溫室溫度預(yù)測(cè)模型，并與傳統(tǒng)FNN 模型進(jìn)行了結(jié)果對(duì)比，結(jié)果表明：基于GA-FNN 溫室溫度預(yù)測(cè)模型具有更好的預(yù)測(cè)精度，可以實(shí)現(xiàn)溫室大棚內(nèi)溫度參數(shù)值的預(yù)測(cè)。