李㊀欢，田芳明，谭㊀峰，朱培培
(黑龙江八一农垦大学电气与信息学院，黑龙江大庆㊀163319)
摘㊀要：对棚内温度进行精确预测是实现棚室精准调控的前提，是实现棚内作物高品质栽培的保障㊂因棚室具有大惯性㊁强耦合㊁非线性等特点，通过机理分析法难以建立其准确的数学模型，人工神经网络方法在棚室温度预测方面应用广泛，但其存在的收敛速度慢㊁容易陷入局部最小等缺点使测量精度受到影响㊂为进一步提高基于神经网络算法的棚室温度预测模型精度，运用思维进化算法(Mind Evolutionary Algorithm,MEA)优化LM-BP神经网络模型的输入权重和阈值，并与遗传算法优化LM-BP网络模型和LM-BP模型进行对比㊂试验结果表明: MEA-LM-BP与LM-BP和GA-LM-BP方法相比,RMSE分别降低了0.32和0.16，平均相对误差降低了1.08%
和0.58%㊂该方法提高了基于神经网络算法的棚室温度预测模型精确度，并提供了新的优化路径㊂
关键词：棚室温度；预测模型；思维进化算法;LM-BP
中图分类号:S625.5+1;TP27㊀㊀㊀㊀㊀㊀㊀文献标识码:A文章编号:1003-188X(2021)06-0189-05
0㊀引言
棚室种植相较于大田生产而言，其种植过程受外
界气候变化的影响较小，是现代农业发展的新阶段,
可以满足农户在不同季节对各种农产品的种植需
求[1]㊂目前，我国北方用于农作物生产的设施主要是棚室，棚室温度是影响棚内作物生长发育的主要因
素，与农作物的产量和品质密切相关[2]㊂因此，对棚内温度的准确预测是农户和技术人员制定合理温控方案的决策依据㊂
棚室温度的预测研究已经进行了几十年，国内外
学者采用不同的方法对棚室温度预测模型开展了大
量的研究㊂一方面是棚室机理模型研究，通过对能量
耗散㊁热辐射㊁热传导等棚室各物理过程的研究，学者
们建立了棚室温度的机理模型[3-5]；但因所考虑的环境影响因子较多，造成了模型结构复杂㊁参变量
较多㊁参数值无法确定㊁棚室构建材料随时间推移自身老化造成参量的取值发生改变等问题，导致模型精度下降[6]㊂另一方面是棚室辨识模型的研究，近几年人收稿日期:2019-11-07
基金项目：黑龙江省自然科学基金重点项目(ZD2019F002)；黑龙江省农垦总局科技计划项目(HKKYZD190801)；黑龙江八一
农垦大学校内资助项目(XZR2016-10)；黑龙江八一农垦
大学博士科研启动基金项目(XDB201814)
作者简介：李㊀欢(1994-)，女，山东黄县人，硕士研究生,(E-mail) huan517win@163㊂
通讯作者：田芳明(1979-)，女，黑龙江通河人，副教授，硕士生导师, (E-mail)byndtfm@163㊂工神经网络算法在棚室环境预测上被广泛应用㊂陈
昕㊁刘淑梅㊁崔选科等人使用BP神经网络算法，选用
棚室内外的环境变量作为输入，棚室温度作为输出,
建立了模型预测棚内温度值变化[7-9]㊂BP神经网络算法虽然使用简单，但是计算效率较低，较易陷入局
部最优解㊂何芬等人为提高棚内湿度的预报精度，提
出遗传算法(GA)优化BP神经网络权阈值的方法㊂
建模训练后，试验预测效果较好㊁容错性强[10]㊂由于遗传算法本身结构的问题，存在计算时间长㊁易出现早熟现象㊁不能保证到的解是全局最优等缺点[11]㊂思维进化算法(Mind Evolutionary Algorithm, MEA)是一种具有迅速学习㊁全局寻优能力的新式算法，可以优化BP算法，提高其预测精度㊂目前,MEA-BP模型已在食品检测㊁农机故障诊断㊁面部跟踪㊁经济预测系统等方面取得进展[12-13]；而在棚室环境预测方面，目前没有学者探究MEA算法与BP神经网络的结合是否可以提高棚室预测效果㊂为此，笔者提出基于MEA算法优化LM-BP模型的方法，对棚内温度的变化进行预测，已期建立更优的棚室温度预测模型㊂1㊀材料与方法
1.1㊀试验设计
试验在黑龙江八一农垦大学电气与信息学院楼
前空地的日光试验棚室内开展，棚室坐标125.18ᶄN, 46.59ᶄE，坐北朝南，东西走向，长2.8m，宽2.2m，高2.12m㊂在棚室内离地0.7m和1.4m的平面分别布置5个18B20温度传感器；同时，在棚外距地2.2m处
2021年6月㊀㊀㊀㊀㊀㊀㊀㊀㊀㊀㊀㊀㊀农机化研究㊀㊀㊀㊀㊀㊀㊀㊀㊀㊀㊀㊀㊀㊀㊀㊀第6期
建立棚外小气象站，放置有1个18B20温度传感器㊁1个RS -WS -N01-8湿度传感器㊁1个YJ -SR100太阳辐射光照计和1个YJ -FS100风速传感器㊂试验数据采集时间为2019年4月-2019年8月，测量时间间隔为1h，对棚内10个18B20传感器采集的温度值求平均，将均值作为棚内温度用于后续建模研究㊂1.2㊀LM -BP 神经网络
BP 神经网络是利用误差反向传播算法更新网络
中权重的一种前馈神经网络，由输入层㊁多个隐含层和输出层构成，如图1所示㊂信号依次经由输入层㊁隐藏层和输出层前向传递，产生的误差则反向传导㊂建模过程中需要不断调整权值，使模型的输出更接近期望输出
[14]
㊂BP 神经网络采用最速下降求解方法,
训练简单，可塑性好，但在网络训练学习中难以避免出现学习收敛速度慢及训练过程出现振荡等缺点[15]
㊂
图1㊀BP 神经网络拓扑结构
Fig.1㊀Topologic pattern of BP neural network
为了加快网络的学习速度，可以使用梯度下降法
(GD)㊁高斯-牛顿法(GN)和列文伯格-马夸尔特算法(LM)等对BP 神经网络加以优化㊂其中,LM 算法将GD 法与GN 法相结合，是一种基于信赖区域理论的方
法，需要引入一个约束条件，根据函数值变化调整系数大小后继续求解，不断迭代的同时，利用自适应调整网络的权值，提升网络的学习速度和泛化能力[16]㊂
设误差目标函数为
E ω()=12ðn
i =1
Y i -Y ᶄi ()
2
(1)
其中,Y i 为实际的网络输出向量;Y 'i 为期望的网络输出向量;n 为样本数目;ω为网络权值和阈值所组成的向量㊂
权值向量调整的计算公式为
ωi +1=ωi +Δω(2)其中，权值增量Δω的计算公式为
Δω=[J T (ω)J (ω)+μI ]-1J T (ω)e (ω)
(3)
其中,I 为单位矩阵;μ为学习率;e (ω)为网络误差向量;J (ω)为Jacobian 矩阵㊂
J ω()=
∂e 1ω()∂ω1
∂e 1ω()∂ω2
∂e 2ω()∂ω1∂e 2ω()∂ω2 ∂e 1ω()∂ωn
∂e 2ω()∂ωn ︙︙∂e N ω()∂ω1
∂e N ω()∂ω2
︙︙
∂e N ω()∂ωn
(4)
LM 算法的计算步骤如下:
1)设置训练误差允许值ε㊁常数μ0和系数
β0<β<1()，初始化权值和阈值向量ω0,j =0,μ=μ0㊂
2)计算网络输出及误差目标函数E (ωj )㊂3)若E (ωj )<ε，表明算法收敛，转到7)；否则，继续㊂
4)根据Jacobian 矩阵计算J (ωj )㊂
5)以Δω㊁ωj +1=ωj +Δω为权值和阈值，计算其误差目标函数E (ωj +1)㊂
6)若E (ωj +1)<E (ωj )，则j =j +1,μ=μβ，转到2)；否则,μ=μ/β，转到5);
7)保存，结束㊂
1.3㊀MEA 优化LM -BP 神经网络权值和阈值
MEA 算法的中心思想是模拟人的趋同㊁异化的思
维过程[17]㊂在空间中，对一定数量的个体由得分从高到低排序，搜索到一定数量得分最高和最低的个体㊂
分别以其为中心产生新的个体，并生成新的优胜和临时子体㊂在各体中进行趋同㊁异化操作，种在代代进化中不断产生优于前代的子代，直到优胜个体不再变化，即得到最优解[18]㊂MEA 算法可以优化LM -BP 网络的连接权㊁结构和学习规则㊂本文主要研究
MEA 算法对LM -BP 连接权值的优化㊂MEA -LM -BP 网络的流程图如图2所示㊂
MEA -LM -BP 神经网络计算步骤如下:
1)种初始化：设M S 和M T 分别表示优胜㊁临时
子体数量，子体大小是M /N ,N =M S +M T ；对M 个个体由得分从高到低进行排列，在其中按排序选取
N 个得分高的个体㊂2)得分函数的确定：得分函数F 是训练集数据
MSE 的倒数，即
2021年6月㊀㊀㊀㊀㊀㊀㊀㊀㊀㊀㊀㊀㊀农机化研究㊀㊀㊀㊀㊀㊀㊀㊀㊀㊀㊀㊀㊀㊀㊀㊀第6期
F=1
ðP k=1z k-t k()2
P
(10)
其中,z k为训练集网络输出值;t k为实际试验采集值;P为训练样本数㊂所以,MSE值越小,F函数值越大，得分越高，个体越优秀㊂
3)子种趋同操作：个体通过相互竞争产生优秀者的过程，称为趋同㊂各个个体围绕着周围的1个优胜者相互竞争㊁比较得分，得分高的个体成为新的优胜者；当其不再改变时，说明已经完成子种的趋同操作㊂
4)子种异化操作：在已成熟的子种中进行异化操作㊂异化过程是通过优胜者与临时体比较得分，得分高的体不变，低分体被释放；再次搜索，搜索到得分比较高的个体之后，产生新的临时体㊂5)解析最优个体：进行多次迭代，将最优个体的权重和阈值分配给初始LM-BP模型中，训练MEA-LM-BP模型预测棚内温度㊂
图2㊀MEA-LM-BP神经网络流程图
Fig.2㊀Flow chart of MEA-LM-BP neural network
1.4㊀模型验证
验证模型的性能采用以下4个指标衡量，分别为均方误差(MSE)㊁均方根误差(RMSE)㊁决定系数(R2)和平均相对误差(MRE)㊂对模拟值和实际值之间的拟合度进行统计分析，若模型性能良好，则RMSE㊁MSE和MRE应尽可能小,R2应尽可能趋于1㊂
MSE=ðn i=1(SIM i-OBS i)2
n (6)
RMSE=ðn i=1(SIM i-OBS i)2
n
(7)
R2=1-ðn i=1OBS i-SIM i
()2
ðn i=1OBS i-OBS2(8)
MRE=ðn i=1SIM i-OBS i
()/OBS i
n
(9)
其中,SIM i为模型输出的模拟值;OBS i为实际试验采集值;OBS为实际试验采集值的平均值;n为样
本数㊂
2㊀结果与分析
2.1㊀LM-BP神经网络模型构建
对棚室内外所监测的环境变量做相关性分析，结果如表1所示㊂
表1㊀棚室内外气象要素之间的相关系数
Table1㊀Correlation coefficient between the daily meteorological ㊀㊀㊀㊀㊀㊀㊀㊀㊀㊀㊀㊀㊀factors outside and inside the greenhouse
棚内
棚外
温度湿度太阳辐射风速
温度0.93-0.950.910.32
㊀㊀由表1可知：棚外温度㊁湿度㊁太阳辐射和风速均
与棚内温度有较高相关性㊂因此，将这4个环境变量
作为输入，棚内温度作为输出，做归一化处理㊂根据
公式(10)，初步确定模型适合的隐含层个数k，即
k=n+m+a(10)其中,n和m分别为输入和输出神经元的个数;a 为1到10的常数㊂分别训练隐含层从4层到13层的
LM-BP模型，对比效果，最终确定本试验网络结构是
神经网络预测
4-9-1㊂设置网络参数：分别选取tansig和purelin作
为隐含层和输出层的传递函数，训练函数用trainlm,
权值/阈值学习函数为learngdm㊂
选用2019年7月4日-7月11日得试验数据用于训练，训练完成模型通过2019年7月12日数据进
行检验，结果如图3所示㊂由图3可知：棚室温度的
RMSE为1.48ħ，预测值与实测值相关系数为
0.9929，并均匀地分布在1:1直线附近㊂这说明，该
LM-BP模型预测的效果较好㊂
2.2㊀MEA-LM-BP神经网络模型构建
根据上述试验，确定LM-BP神经网络拓扑结构为4-9-1㊂将解空间映射到编码空间，每个编码对应
问题的一个个体，编码长度为55，种大小设置为
2021年6月㊀㊀㊀㊀㊀㊀㊀㊀㊀㊀㊀㊀㊀农机化研究㊀㊀㊀㊀㊀㊀㊀㊀㊀㊀㊀㊀㊀㊀㊀㊀第6期
300㊂优胜子种和临时子种个数均设为5个，子种为30个，迭代次数设为10次㊂通过搜索㊁迭代，到最优的个体进行解析，设为MEA-LM-BP网络的初始权阈值㊂
MEA-LM-BP神经网络预测值与实测值对比如图4所示㊂由图4可知：该MEA-LM-BP模型的输出值与实际值均匀地分布在1:1直线附近，两者之间的相关系数为0.9955，有较高的拟合精度㊂这说明，训练出的MEA-LM-BP神经网络模型预测精度较高㊂
图3㊀LM-BP神经网络预测值与实测值对比
Fig.3㊀Comparison between LM-BP neural network predicted
㊀㊀㊀㊀㊀㊀㊀㊀㊀㊀value and measured value
图4㊀MEA-LM-BP神经网络预测值与实测值对比
Fig.4㊀Comparison between MEA-LM-BP neural network
㊀㊀㊀㊀㊀㊀㊀㊀㊀predicted value and measured value
2.3㊀预测效果对比分析
由于MEA算法是为了改进GA算法存在的早熟收敛和进化时间长等缺点而发明的，因此在分别建立LM-BP神经网络模型和MEA-LM-BP模型的基础上，同时建立了GA-LM-BP模型，进一步与MEA-LM -BP模型进行对比㊂为便于更直观地分析，将所建立的3种模型性能进行对比，如表2所示㊂
表2㊀3种方法预测效果对比
Table2㊀Comparison of prediction effects of the three methods
模型RMSE MSE R2MRE/% LM-BP 1.48 2.190.985 4.11 GA-LM-BP 1.32 1.750.988 3.61 MEA-LM-BP 1.16 1.340.991 3.03㊀㊀由表2可知：采用GA-LM-BP模型预测棚室温度,RMSE为1.32ħ,MSE为1.75ħ,MRE为3.61%，仅略好于LM-BP模型的4.11%；本文所建立的MEA 优化LM-BP神经网络模型,RMSE为1.16ħ,MSE为1.34ħ，相比于单独使用LM-BP神经网络方法,MRE 降低了1.08个百分点，仅为3.03%㊂因此，在这3种模型之中,MEA-LM-BP模型预测效果最好㊂
3㊀结论与讨论
3.1㊀结论
为进一步提高神经网络算法在棚室温度预测中的准确率，通过采集㊁处理试验棚室内外环境变量，选用MEA算法优化LM-BP神经网络模型对棚内温度进行预测㊂通过对比LM-BP㊁GA-LM-BP㊁MEA-LM -BP神经网络这3种模型的预测效果可知:MEA优化后的LM-BP神经网路模型RMSE为1.16ħ,MSE为1.34ħ，平均相对误差仅为3.03%㊂该模型提高了预测的精确度，可以有效对棚内温度进行预测㊂
3.2㊀讨论
所建立的MEA-LM-BP模型预测准确率均高于LM-BP㊁GA-LM-BP模型㊂与建立棚室温度的机理模型[3-5]相比，无需考虑机理模型中复杂的参数变量；与现有选用BP神经网络建立棚室温度预测模型相比，
预测结果优于王春玲等人建模所得出的结果[19]，但预测效果仍不如杨雷等人利用PCA-PSO-LSSVM 模型所得出的结果[20]㊂分析其原因：一是棚室地点㊁规模㊁采集传感器及试验环境不一样，选用不同的智能算法，对于试验结果会有影响；二是新进的MEA算法研究时间不长，虽在其他领域已得到很好的应用[12-13]，但在棚室预测方面尚无研究㊂本文为MEA 算法在棚室预测方向的初探，仍需要进行改进㊂所以，下一步研究重点主要是深入思维进化的分析和推导，尝试和其他智能方法结合起来，可在MEA-LM-BP模型的基础上将天气预报的未来天气信息结合到棚室预测模型中，来提高模型的预测准确性㊂
2021年6月㊀㊀㊀㊀㊀㊀㊀㊀㊀㊀㊀㊀㊀农机化研究㊀㊀㊀㊀㊀㊀㊀㊀㊀㊀㊀㊀㊀㊀㊀㊀第6期
参考文献:
[1]㊀徐立鸿，苏远平，梁毓明.面向控制的温室系统小气候环
境模型要求与现状[J].农业工程学报,2013,29(19):1
-15.
[2]㊀陈俐均，杜尚丰，梁美惠，等.温室温度精确反馈线性化预
测控制[J].农机化研究,2019,41(2):22-27. [3]㊀WALKER J N.Predicting Temperatures in ventilated green-
houses[J].Transactions of the ASAE,1965,8(3):445-
0448.
[4]㊀AIBRIGHT L D,ARVANITIS K G,DRYSDALE A E.Envi-
ronmental control for plants on earth and in space[J].Control systems IEEE,2001,21(5):28-47.
[5]㊀吴春艳，赵新平，郭文利.日光温室作物热环境模拟及分
析[J].农业工程学报,2007(4):190-195.
[6]㊀韦婷婷，杨再强，王琳，等.玻璃温室和塑料大棚内逐时气
温模拟模型[J].中国农业气象,2018,39(10):644-655.
[7]㊀陈昕，唐湘璐，李想，等.二次聚类与神经网络结合的日光
温室温度二步预测方法[J].农业机械学报,2017,48 (S1):353-358.
[8]㊀刘淑梅，薛庆禹，黎贞发，等.基于BP神经网络的日光温
室气温预报模型[J].中国农业大学学报,2015,20(1): 176-184.
[9]㊀崔选科.基于BP网络的玻璃温室温度模型研究与监测系
统设计[D].杨凌：西北农林科技大学,2014. [10]㊀何芬，马承伟.遗传算法优化人工神经网络模型在日光
温室湿度预报中的应用[J].中国农学通报,2008(1):
492-495.
[11]㊀赵瑞勇，周新志.基于MEA-BP的微波加热褐煤温度预
测[J].传感器与微系统,2016,35(10):43-45,48. [12]㊀孙俊，唐凯，毛罕平，等.基于MEA-BP神经网络的大米
水分含量高光谱技术检测[J].食品科学,2017,38(10):
272-276.
[13]㊀唐立力，陈国彬.基于MEA优化BP神经网络的农机滚
动轴承故障诊断[J].农机化研究,2019,41(3):214-
218.
[14]㊀朱春侠，童淑敏，胡景华，等.BP神经网络在日光温室湿
度预测中的应用[J].农机化研究,2012,34(7):207-
210.
[15]㊀陈冠萍.LM-BP神经网络在农业总产值预测的应用
[J].安徽农业科学,2014,42(28):10009-10011,10037.
[16]㊀缪新颖，葛廷友，高辉，等.基于神经网络和遗传算法的
池塘溶解氧预测模型[J].大连海洋大学学报,2011,26
(3):264-267.
[17]㊀焦嵩鸣，张宇，董泽，等.改进思维进化算法在过热汽温
系统中的应用[J].华北电力大学学报(自然科学版),
2008(1):37-40.
[18]㊀吴伟，郭军巧，安淑一，等.使用思维进化算法优化的神
经网络建立肾综合征出血热预测模型[J].中国卫生统
计,2016,33(1):27-30.
[19]㊀王春玲，魏瑞江，申双和，等.基于BP神经网络的冬季日
光温室小气候模拟[J].中国农学通报,2014,30(5):149
-157.
[20]㊀杨雷，张宝峰，朱均超，等.基于PCA-PSO-LSSVM的温
室大棚温度预测方法[J].传感器与微系统,2018,37
(7):52-55.
Research on Greenhouse Temperature Prediction Model Based on
MEA-LM-BP Neural Network
Li Huan,Tian Fangming,Tan Feng,Zhu Peipei
(College of Electrical and Information,Heilongjiang Bayi Agricultural University,Daqing163319,China) Abstract:Accurate prediction of temperature in the greenhouse is the premise of accurate control in the greenhouse and the guarantee of high quality cultivation of crops in the greenhouse.Due to the large inertia,strong coupling and non-linear characteristics of the greenhouse,it is difficult to establish an accurate mathematical model through the mechanism analysis method.The artificial neural network method is widely used in the temperature prediction of the greenhouse,but its disadvantages such as slow convergence rate and easy to fall into the local minimum affect the measurement accuracy. In order to further improve the accuracy of prediction model of greenhouse temperature based on neural network Algo-rithm,this paper USES Mind Evolutionary Algorithm(MEA)to optimize the input weight and threshold of lm-bp neural network model,and compares it with genetic Algorithm to optimize lm-bp network model and lm-bp model.The test re-sults showed that compared with lm-bp and ga-lm-bp methods,RMSE decreased by0.32and0.16,respectively,and the average relative err
or decreased by1.08%and0.58%.This method improves the accuracy of temperature prediction model based on neural network algorithm and provides a new optimization path for it.
Key words:greenhouse temperature;prediction model;mind evolutionary algorithm;LM-BP
2021年6月㊀㊀㊀㊀㊀㊀㊀㊀㊀㊀㊀㊀㊀农机化研究㊀㊀㊀㊀㊀㊀㊀㊀㊀㊀㊀㊀㊀㊀㊀㊀第6期
豫公网安备41160202000603
站长QQ:729038198
关于我们
投诉建议