基于優化小波神經網絡的作物溫室環境溫度預測模型

摘要：溫室環境溫度是影響大棚農作物生長的關鍵因素，其演變受多重因素的綜合影響，具有明顯的非線性復雜特征，預測難度較大。基于此，提出一種改進黏菌算法優化小波神經網絡的作物溫室環境溫度預測模型CASMA-WNN。利用改進黏菌算法對小波神經網絡的關鍵參數初值調優，在傳統黏菌算法中引入PWLCM混沌映射優化初始種群多樣性，設計自適應混合變異機制提高算法的搜索精度。同時，利用主成分分析法提取與作物溫室環境溫度相關性最高的主成分特征因子，實現數據降維。并將主成分因子輸入優化調參后的小波神經網絡模型，對作物溫室環境溫度進行預測。結果表明，與BP神經網絡和標準小波神經網絡相比，CASMA-WNN模型的平均絕對誤差分別可以降低34.23%和26.56%，其數據擬合度更高，預測誤差更小，可以為適宜的溫室內作物生長溫度調控提供決策支撐。

關鍵詞：溫室溫度；小波神經網絡；主成分分析法；黏菌算法

中圖分類號：S625；TV62

文獻標識碼：A

文章編號：2095-5553 （2024） 12-0073-08收稿日期：2023年6月13日

修回日期：2023年9月6日

*基金項目：河北省交通運輸廳科技項目（TH—201914）

第一作者：倪美玉，女，1983年生，江蘇蘇州人，碩士，副教授；研究方向為人工智能。E-mail：nomokonmy@163.com

通訊作者：曹為剛，男，1982年生，西安人，博士，副教授；研究方向為三維可視化和虛擬仿真。E-mail：ppcadea@163.com

Temperature prediction model for crop greenhouse environment based on optimized wavelet neural network

Ni Meiyu¹， Du Zitao²， Cao Weigang¹

（1. College of Information Engineering， Zhejiang Jinhua Technology amp; Trade Polytechnic， Jinhua， 321019， China；2. School of Civil and Transportation Engineering， Hebei University of Technology， Tianjin， 300401， China）

Abstract： The temperature of greenhouse environment is a key factor affecting the growth of greenhouse crops， and its evolution is comprehensively influenced by multiple factors due to obvious nonlinear and complex characteristics， and its prediction is very difficult. Based on this， an improved slime mold algorithm and optimized wavelet neural network model CASMA-WNN for crop greenhouse environmental temperature prediction was proposed. The improved slime mold algorithm was used to optimize the initial values of key parameters of the wavelet neural network， PWLCM chaotic mapping was introduced into the traditional slime mold algorithm to optimize the initial population diversity， and an adaptive hybrid mutation mechanism was designed to improve the search accuracy of the algorithm. At the same time， the principal component analysis method was used to extract the principal component characteristic factors that had the highest correlation with crop greenhouse temperature to achieve data dimensionality reduction. The principal component factors were input into the optimized and tuned wavelet neural network model to predict the environmental temperature of crop greenhouse. The results show that compared with BP neural network and standard wavelet neural network， the average absolute error of CASMA-WNN model can be reduced by 34.23% and 26.56% respectively， and its data fit is higher and the prediction error is smaller， which can provide decision support for the appropriate control of crop growth temperature in the greenhouse.

Keywords： greenhouse temperature; wavelet neural network; principal component analysis; slime mold algorithm

0 引言

農作物生長溫室是一種典型的小氣候環境，受內外部環境影響較大，且具有明顯的滯后、多耦合和干擾多的特征^［1］。溫室溫度是農作物生長中最直接的環境因素，也決定了農作物的有效產量。因此，對農作物生長的溫室內溫度進行準確預測，以應對溫室環境內溫度變化對作物生成的不利影響，對溫室農作物的生產具有關鍵意義。

目前，針對農作物溫室溫度的預測模型主要分為機理模型和數據驅動模型。前者主要涉及復雜的能量平衡和流體力學模型，內部依賴參數多且關聯大，建立模型較為困難^{［2， 3］}。數據驅動模型無需考慮熱輻射和溫室耗散等復雜問題，主要基于溫室內外部環境采集數據進行數學建模。隨著機器學習模型的深入發展，數據驅動模型下的溫室溫度預測得到了廣大研究者們的普遍認可^［4-7］。現有研究中，Yu等^［8］提出改進粒子群算法PSO對最小二乘支持向量機的關鍵參數尋優，并建立溫度預測模型。任守綱等^［9］以多步翻滾的思想結合BP神經網絡建立了溫室溫度的預測模型，但模型在環境因素的考慮上，沒有進行特征因子的有效選擇，預測值誤差較大。田東等^［10］設計了結合支持向量機、平均差分和移動平均模型的組合預測模型，其預測精度高于單一模型的預測精度，但模型涉及的樣本是特定的，適用性不足。Jung等^［11］分析循環神經網絡、人工神經網絡和LSTM等三種模型在預測短時溫室溫度上的性能，結果表明循環神經網絡性能較優，但其關鍵參數依然利用了網格法定參，預測模型性能還有提升空間。張坤鰲等^［12］設計了一種改進收縮因子粒子群優化徑向基神經網絡RFBNN的溫室溫度預測模型，重點求解了隱含層函數中心和場域寬度兩個關鍵參數。但RFBNN對訓練樣本有一定要求，且解釋性較差，容易出現數據病態現象。胡瑾等^［13］針對溫度時序性、耦合性和非線性特征，提出結合一維卷積神經網絡CNN融合門控循環單元模型GRU的溫室溫度預測模型，但一維CNN僅能保留數據間的有效信息，無法提取長期數據的序列信息。Cai等^［14］提出了一種基于輕量梯度增強決策樹LGBM的室內溫度預測模型，并以交叉驗證提升模型的自適應能力，得到了比Xgboost更高的預測精度。Liu等^［15］則利用長短記憶網絡模型LSTM對溫室氣候變化進行預測，但模型是以單一時序網絡無法挖掘數據層次的有效信息，導致模型效率和時長需求無法得到滿足。張龍等^［16］結合遺傳算法對模糊神經網絡FNN進行模型優化建立溫室預測模型，但所考慮的特征因子過少，無法保證預測精度。機器學習/深度學習模型作為一種非線性預測模型，有著比傳統統計模型和物理模型更好的適用性和可操作性，并且其預測精度也有明顯提升，同時也具有一些不足。如BP神經網絡模型的調參使用了更加傳統的梯度下降法，容易導致模型早熟，同時對溫度的預測精度有不利影響。支持向量機模型的訓練效率也與關鍵參數密切相關，常量取值會導致泛化能力不足，預測性能極其不穩定。引入智能優化算法對學習算法進行超參調優，可以提高預測模型的性能。

針對目前研究中普遍存在數據特征因子維數大、未對學習模型超參調優導致模型訓練效率低，預測精度差的不足，提出一種結合主成分分析法和改進黏菌算法優化小波神經網絡的作物溫室環境溫度預測模型。先利用PCA法實現影響因子降維，提取影響作物溫室環境溫度變化相關性最高的主成分因子輸入學習模型，避免維數災難；再利用改進的黏菌算法迭代搜索小波神經網絡的權重因子、伸縮因子和平移因子的最優值，提高小波神經網絡的預測精度，并建立作物溫室環境溫度預測模型。

1 混沌自適應黏菌算法

1.1 標準黏菌算法

標準黏菌算法（SMA算法）^［17］通過黏菌的覓食行為和形態變化建立搜索模型，兼顧具有種群的動態自適應和反饋權重機制。算法分三個階段執行：接近食物、包圍食物以及振蕩反映。

1） 接近食物。黏菌通過食物氣味的濃度接近食物源。黏菌接近食物的數學模型為

X（t+1）={X_b（t）+v_b·［W·X_A（t）－ X_B（t）］ rlt;pv_c·X（t） r≥p （1）

式中： X（t+1） ——個體更新后的位置；

X（t） ——原位置；

t——算法當前迭代次數；

X_b（t） ——當前找到的最優個體位置；

X_A（t）、X_B（t） ——從種群中隨機抽取的兩個個體；

v_b、v_c——控制參數，v_b為服從［-a，a］均勻分布的系數，v_c線性從1遞減至0；

r——隨機量，r∈［0，1］；

W——黏菌權量；

p——選擇概率。

p=tanh|S（i）－DF| i=1，2，…，N （2）

式中：S（i）——個體i的適應度值；

DF——當前搜索到的最優適應度。

v_b用來控制黏菌接近食物源時的靜脈收縮過程，其取值范圍a用于模擬個體接近食物源時靜脈收縮逼近目標的過程，定義為

a=arctanh（1－t/T_max） （3）

式中：T_max——最大迭代次數。

權重參數W定義為

W（SI（i））={1+r·log（bF－S（i）/bF－wF+1/i=C_i

1－r·log（bF－S（i）/bF－wF+1/i=O_i （4）

SI（i）=sort（S） （5）

式中：bF——當前種群中的最優適應度；

wF——當前種群最差適應度；

SI（i）——個體i的適應度排序。

在個體i的適應度排序中，條件i=C_i表示種群適應度排列前一半的個體，i=O_i表示適應度排列后一半個體（求解目標位置為最大化和最小化問題時適應度分別按降序和升序進行個體排列）。

2） 包圍食物。該階段模擬了黏菌嗅到食物氣味時的靜脈組織收縮行為。靜脈接觸的食物源濃度越高，生物振蕩的反應波越強，靜脈細胞質流動越快，靜脈細胞質粘稠度越高。式（4）模擬了黏菌質量與食物氣味濃度間具有正負反饋效應，其對數函數形式能夠減緩數值變化率，穩定收縮頻率變化。食物濃度分處種群上下位置時，個體將分別收到正負反饋，以此調整不同位置個體的權重及種群搜索方式。包圍食物的數學模型為

X（t+1）={rand·（ub-lb）+lb/rlt;z

X_b（t）+v_b·［W·X_A（t）－X_B（t）］/rlt;p

v_c·X（t）/r≥p （6）

式中：ub、lb——個體搜索空間的上下邊界；

rand——［0，1］間的隨機數；

z——轉換概率，通常為0.03。

3） 振蕩反應。該階段中，黏菌依靠生物振蕩反映調整靜脈中的細胞質流動，以此調整自身位置搜索目標食物源。主要通過v_b、v_c和W模擬黏菌的振蕩反應，W根據適應度選擇不同振蕩模式，實現個體搜索目標的搜索模式，v_b動態調整振蕩口徑模擬黏菌靜脈寬度變化，v_c則以線性變化方式模擬個體自身信息對位置更新的影響程度。

1.2 混沌自適應黏菌優化算法

1.2.1 PWLCM混沌種群初始化

SMA算法在生成初始種群上是在設定的位置下邊界與上邊界內以隨機方式生成的，這種方式容易導致初始種群不具備多樣性，個體分布均勻性不足，導致算法過早收斂而陷入局部最優解。與生成偽隨機數的方式相比，混沌映射能夠生成簡單確定性系統產生的混沌序列，融合了遍歷性、隨機性和規律性特征。結合混沌映射序列進行種群初始化，可以得到更均勻的種群分布，提升種群多樣性，從而提高算法的全局搜索能力。目前，Logistic、Tent和PWLCM等混沌映射機制都較為常用。圖1為三種混沌映射機制生成的個體分布圖，此時種群規模設為800，一共迭代1 000次。圖1可見，Logistic混沌映射具有明顯的分布均勻不足，尤其在邊界端［0， 0.1］和［0.9， 1］兩個區間內的分布較為密集，容易降低算法的尋優精度。Tent混沌映射比Logistic的遍歷性更好，但具有小周期和不動點特征，會使得部分個體落入不動點周期內后使映射序列趨于穩定，從而導致隨機性的喪失。PWLCM混沌映射是一種對隨機序列具有較好統計性能的Piece-wise混沌映射模型，本質上是一個以位置初始值為分段指標的分段映射函數，相對Logistic、Tent具有更好的穩定性，且在均勻性上與Tent混沌映射基本一致，初始的種群個體分布能夠最大程度地覆蓋搜索空間，提高個體的多樣性，避免算法迭代中期出現早熟停滯。本文在改進SMA算法中引入PWLCM混沌映射生成初始種群。PWLCM混沌映射的表達式為

x（t+1）={x（t）/d/0≤x（t）lt;d

x（t）－d/0.5－d/d≤x（t）lt;0.5

1－x（t）－d/0.5－d/0.5≤x（t）lt;1－d

1－x（t）/d/1－d≤x（t）lt;1 （7）

式中：x（t）——混沌映射的隨機位置；

d——分段控制系數，且d∈［0，0.5］。

根據經驗可知，d=0.3時混沌序列具有更好的遍歷性。

利用PWLCM混沌序列y（t），再通過式（8）的映射規則計算種群個體的初始位置。

x=lb+y（t）（ub-lb） （8）

1.2.2 自適應混合變異

SMA算法是否能夠得到全局最優解取決于算法是否能夠有效跳離局部最優。雖然種群最優解會引領種群向最優解靠近，但在迭代過程中生成的最優解若已經陷入局部最優，則會導致種群搜索停滯。為此，改進算法引入一種基于精英差分變異和隨機對立學習結合的變異機制，并利用判定因子ρ對當前種群的最優個體位置進行混合變異擾動，具體定義為

X_best′（t+1）={r₁［X_A（t）－X_best（t）］+

r₂［X_B（t）－X_best（t）］

ρlt;0.5

k₁X_lb+k₂［X_ub－X_best（t）］ ρ≥0.5 （9）

式中：r₁、r₂、k₁、k₂——［0，1］間隨機量；

X_lb、X_ub——個體搜索的下界與上界值；

X_best——原始最優解；

X′_best——變異最優解。

由式（9）可知，當隨機值ρlt;0.5時，最優個體將利用精英差分進行策略進行局部小范圍擾動；當ρ≥0.5時，最優個體將利用隨機對立學習機制進行大范圍搜索，提高尋優精度。

由于對最優解變異擾動之后，并不能確保變異個體適應度一定優于原始個體，故利用貪婪擇優保留策略，將適應度更優的個體保留至下一代種群中，模型定義為

X′={X′_best/f（X′_best）lt;f（X_best）

X_best/f（X′_best）≥f（X_best） （10）

結合精英差分進化策略和隨機對立學習策略的混合擾動機制，可以促使種群個體跳離局部最優，適應于不同的優化問題。

混沌自適應黏菌算法CASMA的執行流程如圖2所示。

2 作物溫室環境溫度預測模型

2.1 小波神經網絡模型

神經網絡具有自學習、自適應和容錯性特征，而小波變換可對信號做多尺度分析，具有時頻局部性和聚焦性。小波神經網絡WNN有效結合了神經網絡與小波分析兩者的優勢，避免了傳統BP神經網絡結構設計的盲目性，可以根據小波分析確定網絡結構并簡化網絡訓練，提升了網絡的學習能力，尤其針對時序數據預測具有更突出的性能。WNN基本結構由輸入層、隱含層和輸出層組成，隱含層激活函數為小波基函數，其拓撲結構如圖3所示。

WNN的隱含層單元j的輸出為

h（j）=h_j（∑I/i=1w_ijx_i-b_j/a_j） j=1，2，…，H （11）

式中：h_j（）——隱含層小波基函數；

w_ij——輸入層至隱含層間的權重因子；

a_j——小波基函數伸縮因子；

b_j——隱含層小波基函數平移因子；

I——輸入層單元數；

H——隱含層單元數。

WNN的輸出層單元計算為

y（k）=∑H/j=1w_jkh（j） H=1，2，…，O （12）

式中：w_jk——隱含層至輸出層的權重因子；

O——輸出層單元數。

2.2 CASMA優化小波神經網絡的溫室環境溫度預測模型

由于WNN具有對參數初值的敏感性，容易得到局部最優解，無法保證對作物溫室環境溫度預測的準確率。本文利用CASMA算法搜索WNN初始參數最優值，提升模型的預測精度和泛化能力。具體過程如下。

步驟1：對輸入樣本數據進行預處理，利用主成分分析法PCA提取相關性最高的主成分特征因子，并劃分訓練樣本和測試樣本。

步驟2：初始化CASMA算法的相關參數，包括種群規模N、最大迭代次數T_max；并初始化小波神經網絡WNN結構。

步驟3：利用實數編碼方式對黏菌個體編碼。若令初始種群為 X={X₁，X₂，…，X_N}， 則每個黏菌個體形式為（w₁₁w₁₂…w_1Hw₂₁w₂₂…w_2H…w_IH）_ina₁₁a₂₁…（w_OH）_outb₁b₂…b_H，（w）_in為輸入層至隱含層的權重，（w）_out為隱含層至輸出層的權重；個體編碼維度與WNN的權重因子、小波基函數的伸縮因子及平移因子相對應。

步驟4：利用CASMA算法對編碼群體訓練，通過圖2所示的CASMA算法的搜索機制搜索種群的最優解。同時，以均方根誤差函數對黏菌個體質量進行適應度評估。適應度函數定義為

fitness=1/M∑M/i=1［x′（i）－x（i）］² （13）

式中：x′（i）——模型作物溫室環境溫度預測輸出值；

x（i）——實際值；

M——樣本數。

步驟5：輸出權重因子、伸縮因子和平移因子最優解，并作為初值輸入小波神經網絡模型WNN。

步驟6：訓練小波神經網絡，計算網絡輸出和模型誤差，并調整權重因子和小波系數。

步驟7：輸入測試樣本進行作物溫室環境溫度預測，并評估預測結果。

圖4為CASMA優化小波神經網絡的溫室環境溫度預測模型（CASMA-WNN）作物溫室環境溫度預測的流程。

3 試驗分析

3.1 試驗環境及樣本采集

以浙江省農科院陽光板溫室科研基地作為試驗環境，該溫室內部采用椰糠基質栽培種植櫻桃番茄，種植時間為2022年9—12月。該區間段的氣溫特征是：初期炎熱為主，溫室內需要物理降溫，主要通過溫室內風機、濕簾和天窗等設備進行降溫；后期逐漸轉冷，溫室內主要以遮陽網設備保溫。整個溫室跨度棟寬為9 m，棚頂高6 m，開間和肩高均為5 m，外遮陽高度為6.6 m。屋面形狀為一跨二尖頂文洛式，頂部及四周側墻采用8 mm厚的陽光板。溫室配備外遮陽系統、內遮陽系統、保溫系統、交錯頂開窗系統、濕簾風機降溫系統、自動升降式補光系統、控制系統等。

影響溫室溫度的環境特征因子以部署的無線傳感器設備進行采集，主要采集室內空氣溫度、室內空氣相對濕度、室內光合有效輻射和室內二氧化碳濃度等環境數據。溫室外通過小型氣象站采集室外空氣溫度、室外空氣相對濕度、室外風速和室外光合有效輻射等環境數據。將以上室內空氣溫度、室內空氣相對濕度、室內光合有效輻射、室內二氧化碳濃度、室外空氣溫度、室外空氣相對濕度、室外風速、室外光合有效輻射共計8個影響因素作為影響溫室內溫度的初始影響因子。

圖5為試驗基地的俯視圖和側視面，在溫室所處4個地塊的中心點處部署傳感器作為監測點，即圖5中a、b、c、d點。在四個點的垂直方向上依次部署采集溫室數的傳感器，包括空氣溫度傳感器、二氧化碳濃度傳感器以及光合有效輻射傳感器。溫室外監測點用于部署氣象站，收集室外環境數據。

3.2 影響因子主成分提取

選擇目前較為公認的8個初始影響因子（分別記為Q₁、Q₂、…、Q₈）的原始數據，共計1 500組樣本。將原始樣本以4∶1的比例劃分為訓練樣本和測試樣本，即利用前1 200組樣本進行模型訓練，后300組樣本進行模型測試與驗證。利用主成分分析法PCA對選取的8個初始影響因子進行數據降維，且以累計貢獻率大于85%的主成分作為CASMA-WNN模型的輸入因子，進行模型訓練學習與驗證，并評估預測結果。

圖6是利用主成分分析PCA提取的變量結果。可以看出，至第4個成分時，影響因子的累計貢獻率已大于主成分閾值85%，因此，可將前4個成分作為影響因子的主成分，實現特征因子從8維度降至4維度，減少特征因子的相關冗余度，提升模型的訓練效率。

此時得到的主成分系數矩陣如表1所示。

可得重構的4個主成分因子計算公式為：Z_i=成分j₁×Q₁+成分j₂×Q₂+成分j₃×Q₃+成分j₄×Q₄+成分j₅×Q₅+成分j₆×Q₆+成分j₇×Q₇+成分j₈×Q₈，i=1，2，3，4，j=1，2，3，4。最后將4維主成分因子Z₁～Z₄輸入CASMA-WNN模型，預測最終的作物溫室環境溫度。此外，由于不同影響因子的數據量綱不同，為了提高模型的訓練效率及減少因數據多樣化對模型預測帶來的干擾問題，進行數據降維前需對原始數據進行歸一化處理，具體方式為

x′=x-x_min/x_max-x_min （14）

式中：x′——歸一化數據值；

x——原始數據值；

x_min、x_max——原始數據集中的最小值和最大值。

3.3 試驗分析

引入標準支持向量機模型SVM、BP神經網絡模型BPNN、小波神經網絡WNN、長短期記憶網絡LSTM、標準SMA算法優化WNN模型SMA-WNN與本文提出的CASMA-WNN模型在部分測試樣本組上進行縱橫向預測性能對比，設置種群規模N=20，最大迭代次數T_max=500，小波神經網絡結構設置為4-10-1，學習率設為0.001，模型訓練次數為500，隱含層和輸出層的激活函數分別設為tansing和logig，誤差精度為0.000 1。數據擬合情況如圖7所示。改進黏菌算法優化小波神經網絡預測模型CASMA-WNN得到的作物溫室環境溫度預測值逼近實測值的能力明顯強于四種對比模型。標準學習模型SVM、BPNN、WNN和LSTM的預測數據擬合度較差，數據擬合與超參初值敏感性太高，超參未尋優導致模型預測性能仍有較大提升空間。利用標準黏菌算法SMA和改進黏菌算法CASMA優化小波神經網絡后，能夠提高作物溫室環境溫度的預測精度。相比而言，由于融入了混沌映射與自適應混沌變異機制提高智能算法的搜索精度，CASMA-WNN模型具有更小預測誤差。

引入平均絕對誤差MAE、平均相對誤差MRE、均方誤差MSE和均等系數EC四個指標對模型的預測性能進行定量分析。MAE能夠反映模型在預測值與實際值間的誤差實際情況，MRE反映預測值的偏離程度，MSE反映預測值誤差的集中和分散程度，EC反映預測值的擬合程度。計算如式（15）～式（18）所示。

MAE=1/M∑M/i=1|x′（i）－x（i）| （15）

MRE=∑M/i=1|x′（i）－x（i）|/x（i）×100% （16）

MSE=1/M∑M/i=1［x′（i）－x（i）］² （17）

EC=1－∑M/i=1［x′（i）－x（i）］²/∑M/i=1［x′（i）］²+∑M/i=1［x（i）］² （18）

根據表2的五種模型的預測指標結果，本文提出的CASMA-WNN模型的平均絕對誤差MAE、平均相對誤差MRE、均方誤差MSE均是所有模型中最小的。SMA-WNN和CASMA-WNN模型中分別利用了標準黏菌算法和改進黏菌算法對WNN進行了參數調優，明顯可以提高模型的預測精度，預測精度明確高于另外4種標準學習模型。LSTM模型相較于傳統的前饋型神經網絡，雖然多元時序建模能力更強，也能更好提取時序內在信息，但其網絡結構較深，計算費時，且在隱層單元數、批次大小和棄用率等諸多參數選擇上精度要求較高，預測精度依然不如SMA-WNN和CASMA-WNN，MAE指標上略強于WNN，EC指標則與WNN基本相當，穩定性有一定欠缺。在標準小波神經網絡模型WNN基礎上，SMA-WNN和CASMA-WNN的平均絕對誤差分別可以降低9.72%和25.18%，平均相對誤差分別可以降低15.37%和35.84%，均方誤差分別可以降低12.14%和29.09%，這表明智能算法的參數調優解決了WNN單獨進行作物溫室環境溫度預測時的參數依賴性問題，提高了模型的預測精確性。此外，在SMA算法基礎上，CASMA算法從種群初始化結構和全局尋優能力上得到了改進，相較SMA-WNN能夠顯著增強WNN權值、伸縮因子及平移因子的個體優異性，進而提高模型的擬合精度。此外，在均等系數指標上，CASMA-WNN也得到了更接近于1的值，反映出模型在作物溫室環境溫度上具有更高的數據擬合度。

進一步引入粒子群算法PSO和差分進化算法DE對WNN模型的參數尋優，建立溫度預測模型PSO-WNN和DE-WNN，并與本文的CASMA-WNN模型進行橫向對比，驗證模型的性能。表3是3種模型的評估指標對比結果。與兩種智能算法優化的WNN模型相比，CASMA-WNN依然具有性能的優勢。PSO和DE算法的全局搜索性能均有不足，DE算法主要融入隨機選擇個體的方式進行個體不斷變異以更新種群，能夠確保一定的種群多樣性，但不能保證對解的開發精度；而PSO算法則是以精英個體引領其他個體更新，但其超參數較多，且其慣性權重以常量描述，對于多峰問題易陷入局部最優。兩種算法的全局搜索性能與初始種群的分布質量及搜索的自適應性均有關，在求解復雜優化問題時均容易陷入局部最優，因此對WNN模型的超參尋優效果并不是最優的。CASMA算法引入混沌初始化和混沌變異策略能夠有效提高初始種群質量及迭代后期種群的多樣性，具備跳離局部最優解的能力。從模型的訓練時間看，CASMA-WNN比PSO-WNN和DE-WNN分別可以提升38.15%和29.89%的執行效率。圖8是3種模型的收斂性能。從最終收斂處的模型適應度看，CASMA-WNN比PSO-WNN和DE-WNN更小，說明CASMA算法對于WNN模型具有更好的優化效果。從收斂速度看，CASMA-WNN也能夠更快地進入收斂狀態，反映出混沌初始化和混沌變異策略對于提升算法搜索精度和收斂速度具有明確的優化效果。

4 結論

提出一種結合主成分分析與改進黏菌算法優化小波神經網絡的作物溫室環境溫度預測模型CASMA-WNN。利用改進黏菌算法對小波神經網絡的關鍵參數初值調優，有效解決常規調參易陷入局部最優及對超參初值敏感的缺陷，提高學習精度和收斂速度。同時在傳統黏菌算法中引入PWLCM混沌映射優化初始種群多樣性，設計自適應混合變異機制提高算法的搜索精度。并利用主成分分析法提取與溫室溫度相關性最高的主成分特征因子，實現數據降維。然后將主成分因子輸入調參優化后的小波神經網絡模型，對作物溫室溫度進行預測。

1） PWLCM混沌映射機制和自適應混合變異機制能夠有效提升原始黏菌優化算法的尋優精度。

2） CASMA-WNN模型的作物溫室環境溫度預測值與實測值間的擬合度更高，與BP神經網絡和標準小波神經網絡相比，CASMA-WNN模型的預測誤差更小，平均絕對誤差分別可以降低34.23%和26.56%。

3） 與標準小波神經網絡模型WNN相比，CASMA-WNN的平均絕對誤差25.18%，平均相對誤差可以降低35.84%，均方誤差可以降低29.09%。

目前，CASMA-WNN模型在所采集的秋冬季溫室氣候樣本數據基礎上得到較好的預測效果，但還缺乏整個季節的數據驗證。后續將進一步補充四季的氣候數據對模型的預測性能進行驗證，同時按季節劃分樣本數據，構建針對不同季節的預測模型，增強模型的普適性。此外，小波神經網絡模型WNN在溫室氣候預測中依然有一定誤差，如何利用誤差數據實現實時在線的室溫預測，進而提升溫室小環境內的溫度預測精度，也是下一步的研究重點。

參 考 文 獻

［1］ Taki M， Ajabshirchi Y， Ranjbar S F， et al. Heat transfer and MLP neural network models to predict inside environment variables and energy lost in a semi-solar greenhouse ［J］. Energy and Buildings， 2016， 110： 314-329.

［2］ 周偉， 李永博， 汪小旵. 基于CFD非穩態模型的溫室溫度預測控制［J］. 農業機械學報， 2014， 45（12）： 335-340.

Zhou Wei， Li Yongbo， Wang Xiaochan. Model predictive control of air temperature in greenhouse based on CFD unsteady model ［J］. Transactions of the Chinese Society for Agricultural Machinery， 2014， 45（12）： 335-340.

［3］ Saberian A， Sajadiye S M. The effect of dynamic solar heat load on the greenhouse microclimate using CFD simulation ［J］. Renewable Energy， 2019， 138： 722-737.

［4］ 左志宇， 毛罕平， 張曉東， 等. 基于時序分析法的溫室溫度預測模型［J］. 農業機械學報， 2010， 41（11）： 173-177.

Zuo Zhiyu， Mao Hanping， Zhang Xiaodong， et al. Forecast model of greenhouse temperature based on time series method ［J］. Transaction of the Chinese Society for Agricultural Machinery， 2010， 41（11）： 173-177.

［5］ 鄒秋瀅， 紀建偉， 李征明. 基于ANFIS的溫室小氣候環境因子預測模型辨識［J］. 沈陽農業大學學報， 2014， 45（4）： 503-507.

Zou Qiuying， Ji Jianwei， Li Zhengming. Identification of greenhouse microclimate environment factors prediction model based on ANFIS ［J］. Journal of Shengyang Agricultural University， 2014， 45（4）： 503-507.

［6］ 徐宇， 冀榮華. 基于復數神經網絡的智能溫室溫度預測研究［J］. 中國農機化學報， 2019， 40（4）： 174-178.

Xu Yu， Ji Ronghua. Research on temperature prediction of intelligent greenhouse based on complex neural network ［J］. Journal of Chinese Agricultural Mechanization， 2019， 40（4）： 174-178.

［7］ 陳昕， 唐湘璐， 李想， 等. 二次聚類與神經網絡結合的日光溫室溫度二步預測方法［J］. 農業機械學報， 2017， 48（S1）： 353-358.

Chen Xin， Tang Xianglu， Li Xiang， et al. Two-steps prediction method of temperature in solar greenhouse based on twice cluster analysis and neural network ［J］. Transaction of the Chinese Society for Agricultural Machinery， 2017， 48（S1）： 353-358.

［8］ Yu H， Chen Y， Hassan S G， et al. Prediction of the temperature in a Chinese solar greenhouse based on LSSVM optimized by improved PSO ［J］. Computers and Electronics in Agriculture， 2016， 122： 94-102.

［9］ 任守綱， 劉鑫， 顧興健， 等. 基于R-BP神經網絡的溫室小氣候多步滾動預測模型［J］. 中國農業氣象， 2018， 39（5）： 314-324.

Ren Shougang， Liu Xin， Gu Xingjian， et al. Multi-step rolling prediction model of greenhouse microclimate based on R-BP neural network ［J］. Chinese Journal of Agrometeorology， 2018， 39（5）： 314-324.

［10］ 田東， 韋鑫化， 王悅， 等. 基于MA-ARIMA-GASVR的食用菌溫室溫度預測［J］. 農業工程學報， 2020， 36（3）： 190-197.

Tian Dong， Wei Xinhua， Wang Yue， et al. Prediction of temperature in edible fungi greenhouse based on MA-ARIMA-GASVR ［J］. Transaction of the Chinese Society of Agricultural Engineering， 2020， 36（3）： 190-197.

［11］ Jung D H， Kim H S， Jhin C， et al. Time-serial analysis of deep neural network models for prediction of climatic conditions inside a greenhouse ［J］. Computers and Electronics in Agriculture， 2020， 173： 105402.

［12］ 張坤鰲， 趙凱. 基于改進CFA PSO-RBF神經網絡的溫室溫度預測研究［J］. 計算機應用與軟件， 2021， 37（6）： 95-99， 107.

Zhang Kun’ao， Zhao Kai. Greenhouse temperature prediction based on improved CFA PSO-RBF neural network ［J］. Computer Application and Software， 2021， 37（6）： 95-99， 107.

［13］ 胡瑾， 雷文曄， 盧有琦， 等. 基于1D CNN-GRU的日光溫室溫度預測模型研究［J］. 農業機械學報， 2023， 54（8）： 339-346.

Hu Jin， Lei Wenye， Lu Youqi， et al. Research on temperature prediction model for solar greenhouses based on 1D CNN-GRU ［J］. Transaction of the Chinese Society for Agricultural Machinery， 2023， 54（8）： 339-346.

［14］ Cai W， Wei R， Xu L， et al. A method for modelling greenhouse temperature using gradient boost decision tree ［J］. Information Processing in Agriculture， 2022， 9（3）： 343-354.

［15］ Liu Y， Li D， Wan S， et al. A long short-term memory-based model for greenhouse climate prediction ［J］. International Journal of Intelligent Systems， 2021（7）： 135-151.

［16］ 張龍， 賈蘭芳. 基于遺傳算法優化模糊神經網絡的溫室溫度預測模型［J］. 山西大同大學學報（自然科學版）， 2021， 37（3）： 15-17.

Zhang Long， Jia Lanfang. Greenhouse temperature prediction model based on genetic algorithm optimized fuzzy neural network ［J］. Journal of Shanxi Datong University （Natural Science Edition）， 2021， 37（3）： 15-17.

［17］ Li S， Chen H， Wang M， et al. Slime mould algorithm： A new method for stochastic optimization ［J］. Future Generation Computer Systems， 2020， 111（12）： 300-323.