一種設(shè)施農(nóng)業(yè)環(huán)境因子快速預(yù)測方法
【專利摘要】本發(fā)明公開了一種設(shè)施農(nóng)業(yè)環(huán)境因子快速預(yù)測方法，包括：根據(jù)歷史樣本數(shù)據(jù)挑選訓(xùn)練樣本，產(chǎn)生訓(xùn)練集和測試集，對訓(xùn)練集和測試集中的訓(xùn)練樣本數(shù)據(jù)進行歸一化處理；建立單隱含層極限學(xué)習(xí)機預(yù)測模型，得出訓(xùn)練好的參數(shù)；利用單隱含層極限學(xué)習(xí)機預(yù)測模型進行測試，得出的訓(xùn)練好的參數(shù)求出測試集的預(yù)測值；將測試集的預(yù)測值與實測值進行誤差計算，對所述單隱含層極限學(xué)習(xí)機預(yù)測模型的泛化能力進行測評。本發(fā)明克服了傳統(tǒng)的機理建模計算繁復(fù)甚至難以實現(xiàn)的缺陷，訓(xùn)練速度快，能獲得全局最優(yōu)解，解決了現(xiàn)有技術(shù)訓(xùn)練速度慢、容易陷入局部極小點等缺點，在保持模型精度的基礎(chǔ)上大幅度的提高了訓(xùn)練速度。
【專利說明】一種設(shè)施農(nóng)業(yè)環(huán)境因子快速預(yù)測方法

【技術(shù)領(lǐng)域】
[0001]本發(fā)明公開了一種設(shè)施農(nóng)業(yè)環(huán)境因子快速預(yù)測方法，尤其涉及一種基于單隱含層模型的設(shè)施農(nóng)業(yè)氣象因子快速預(yù)測方法，涉及設(shè)施農(nóng)業(yè)環(huán)境因子預(yù)測領(lǐng)域。

【背景技術(shù)】
[0002]設(shè)施農(nóng)業(yè)是綜合應(yīng)用工程裝備技術(shù)、生物技術(shù)和環(huán)境技術(shù)，按照作物生長發(fā)育所要求的環(huán)境條件，提供相對可控制甚至最適宜的溫濕度等環(huán)境，而在一定程度上擺脫對自然環(huán)境的依賴，進行有效生產(chǎn)的農(nóng)業(yè)。要實現(xiàn)高水平的設(shè)施農(nóng)業(yè)生產(chǎn)和優(yōu)化設(shè)施生物環(huán)境控制，就需要對設(shè)施農(nóng)業(yè)環(huán)境因子進行預(yù)測。
[0003]傳統(tǒng)的機理預(yù)測方法是在傳熱學(xué)、傳質(zhì)學(xué)等物理學(xué)定律和蒸騰作用、呼吸作用、光合作用等作物生理學(xué)原理的基礎(chǔ)上進行機理分析，通過能量平衡和物質(zhì)平衡建立設(shè)施農(nóng)業(yè)環(huán)境因子預(yù)測模型。但是其所需參數(shù)多且模擬精度低，很難滿足實際應(yīng)用的需要。
[0004]目前在設(shè)施農(nóng)業(yè)氣象因子預(yù)測領(lǐng)域中多采用基于輸入輸出的系統(tǒng)辨識方法，因其所需參數(shù)少、自適應(yīng)性好且模擬精度較高，而得到廣泛的應(yīng)用。其中典型的神經(jīng)網(wǎng)絡(luò)(如BP神經(jīng)網(wǎng)絡(luò))在設(shè)施農(nóng)業(yè)環(huán)境因子預(yù)測中的應(yīng)用最為突出。但是，典型的神經(jīng)網(wǎng)絡(luò)因其存在著訓(xùn)練速度慢、容易陷入局部極小點以及學(xué)習(xí)率選擇敏感等固有的缺點，使得其在設(shè)施農(nóng)業(yè)環(huán)境因子預(yù)測中的應(yīng)用受到限制。


【發(fā)明內(nèi)容】

[0005]本發(fā)明所要解決的技術(shù)問題是:針對現(xiàn)有技術(shù)的缺陷，提供一種設(shè)施農(nóng)業(yè)環(huán)境因子快速預(yù)測方法，具體為一種基于單隱含層極限學(xué)習(xí)機模型的快速預(yù)測方法，通過部署在溫室大棚內(nèi)的無線傳感器采集得到模型的輸入數(shù)據(jù)，解決了設(shè)施農(nóng)業(yè)環(huán)境因子預(yù)測方法訓(xùn)練速度慢的問題，該方法能在保持模型預(yù)測精度的前提下快速的預(yù)測設(shè)施農(nóng)業(yè)環(huán)境因子。
[0006]本發(fā)明為解決上述技術(shù)問題采用以下技術(shù)方案:
[0007]一種設(shè)施農(nóng)業(yè)環(huán)境因子快速預(yù)測方法，包括以下步驟:
[0008]步驟一、根據(jù)歷史樣本數(shù)據(jù)挑選訓(xùn)練樣本，產(chǎn)生訓(xùn)練集和測試集，所述訓(xùn)練集用來對預(yù)測模型進行訓(xùn)練，所述測試集用來對訓(xùn)練好的預(yù)測模型進行驗證，并且，對訓(xùn)練集和測試集中的訓(xùn)練樣本數(shù)據(jù)進行歸一化處理；
[0009]步驟二、建立單隱含層極限學(xué)習(xí)機預(yù)測模型，利用步驟一產(chǎn)生的訓(xùn)練集訓(xùn)練所述單隱含層極限學(xué)習(xí)機預(yù)測模型，得出經(jīng)過訓(xùn)練的參數(shù)；
[0010]步驟三、利用步驟一產(chǎn)生的測試集對步驟二產(chǎn)生的單隱含層極限學(xué)習(xí)機預(yù)測模型進行測試，根據(jù)步驟二得出的訓(xùn)練好的參數(shù)求出測試集的預(yù)測值；
[0011]步驟四、將步驟三所得測試集的預(yù)測值與實測值進行誤差計算，對所述單隱含層極限學(xué)習(xí)機預(yù)測模型的泛化能力進行測評。
[0012]作為本發(fā)明的進一步優(yōu)選方案，步驟二中，所述單隱含層極限學(xué)習(xí)機的預(yù)測模型通用表達式為:
[0013]

【權(quán)利要求】
1.一種設(shè)施農(nóng)業(yè)環(huán)境因子快速預(yù)測方法，其特征在于，包括以下步驟: 步驟一、根據(jù)歷史樣本數(shù)據(jù)挑選訓(xùn)練樣本，產(chǎn)生訓(xùn)練集和測試集，所述訓(xùn)練集用來對預(yù)測模型進行訓(xùn)練，所述測試集用來對訓(xùn)練好的預(yù)測模型進行驗證，并且，對訓(xùn)練集和測試集中的訓(xùn)練樣本數(shù)據(jù)進行歸一化處理； 步驟二、建立單隱含層極限學(xué)習(xí)機預(yù)測模型，利用步驟一產(chǎn)生的訓(xùn)練集訓(xùn)練所述單隱含層極限學(xué)習(xí)機預(yù)測模型，得出經(jīng)過訓(xùn)練的參數(shù)； 步驟三、利用步驟一產(chǎn)生的測試集對步驟二產(chǎn)生的單隱含層極限學(xué)習(xí)機預(yù)測模型進行測試，根據(jù)步驟二得出的訓(xùn)練好的參數(shù)求出測試集的預(yù)測值； 步驟四、將步驟三所得測試集的預(yù)測值與實測值進行誤差計算，對所述單隱含層極限學(xué)習(xí)機預(yù)測模型的泛化能力進行測評。
2.如權(quán)利要求1所述的一種設(shè)施農(nóng)業(yè)環(huán)境因子快速預(yù)測方法，其特征在于:步驟二中，所述單隱含層極限學(xué)習(xí)機的預(yù)測模型通用表達式為:
其中，f表示單隱含層極限學(xué)習(xí)機預(yù)測模型的輸出，G(Wi，bi，X)表示第i個隱含層神經(jīng)元相對于輸入X的輸出，Q表示給定的任意不同樣本(xt，yt)的個數(shù)，11表示一個n*l的輸入矩陣，yt表示一個m*l的輸出矩陣，I表示單隱含層極限學(xué)習(xí)機預(yù)測模型隱含層神經(jīng)元的個數(shù)，Wi表示輸入層神經(jīng)元與第i個隱含層神經(jīng)元的連接權(quán)值，β i表示第i個隱含層神經(jīng)元與輸出層神經(jīng)元的連接權(quán)值，h表示第i個隱含層神經(jīng)元的閾值，I和Q的取值為自然數(shù)； 上式進一步表示為: Ηβ = T 其中，
其中，H為單隱含層極限學(xué)習(xí)機預(yù)測模型的隱含層輸出矩陣，β為隱含層神經(jīng)元與輸出層神經(jīng)元的連接權(quán)值，T為單隱含層極限學(xué)習(xí)機預(yù)測模型的輸出矩陣。
3.如權(quán)利要求2所述的一種設(shè)施農(nóng)業(yè)環(huán)境因子快速預(yù)測方法，其特征在于:所述步驟二中，訓(xùn)練所述單隱含層極限學(xué)習(xí)機預(yù)測模型的具體過程包括: (201)設(shè)定單隱含層中的神經(jīng)兀個數(shù),產(chǎn)生輸入層與隱含層之間的權(quán)值ω和隱含層神經(jīng)元的閾值b ; (202)設(shè)定單隱含層中的神經(jīng)元激活函數(shù)，利用步驟一中所得訓(xùn)練集的輸入矩陣計算出單隱含層輸出矩陣H; (203)計算輸出層權(quán)值多:
其中，H+為單隱含層輸出矩陣H的Moore-Penrose廣義逆，T'為單隱含層極限學(xué)習(xí)機預(yù)測模型輸出矩陣T的轉(zhuǎn)置。
4.如權(quán)利要求1所述的一種設(shè)施農(nóng)業(yè)環(huán)境因子快速預(yù)測方法，其特征在于:所述步驟一中，訓(xùn)練集與測試集中訓(xùn)練樣本數(shù)據(jù)的分步規(guī)律近似相同。
5.如權(quán)利要求1所述的一種設(shè)施農(nóng)業(yè)環(huán)境因子快速預(yù)測方法，其特征在于:所述步驟一中，采用最大最小法對訓(xùn)練集和測試集中的訓(xùn)練樣本數(shù)據(jù)進行歸一化處理。
6.如權(quán)利要求1所述的一種設(shè)施農(nóng)業(yè)環(huán)境因子快速預(yù)測方法，其特征在于:所述步驟三中的誤差計算結(jié)果包括均方根誤差和決定系數(shù)。
【文檔編號】G06Q10/04GK104200282SQ201410424189
【公開日】2014年12月10日 申請日期:2014年8月26日 優(yōu)先權(quán)日:2014年8月26日
【發(fā)明者】劉琦, 張園園, 肖博, 楊再強, 付章杰 申請人:南京信息工程大學(xué)