共查询到20条相似文献，搜索用时 15 毫秒
1.
2.
基于RBF神经网络的温室温度调控研究 总被引：1，自引：0，他引：1
根据光合作用对温室环境因子的非线性,结合RBF神经网络对非线性的良好辨识能力,研究出一种温度调控技术。结合温室光照、温度变化规律,运用RBF神经网络建立温室生菜光合速率与二者的量化模型,通过生菜的光合作用速率来衡量生菜生长状况,在温室小气候里实现对生菜产量的量化控制。该模型预测精度较高,可作为温室测控系统环境因子调控依据。 相似文献
3.
基于WDNN的温室多特征数据融合方法研究 总被引：1，自引：0，他引：1
目前物联网监测产品在温室生产中大量应用产生海量数据,但现有用于温室数据融合算法对高维特征及混合特征(数据同时包含稀疏特征和连续特征)处理精度较低且泛化能力较弱,鲜有利用深度学习模型对温室数据进行顶层融合并提供准确的决策信息。本文提出了一种基于宽-深神经网络(Wide-deep neural network,WDNN)的两级温室环境数据融合算法。首先利用温室内多点多特征数据训练WDNN深度学习模型,输出形式为多点单特征,再将该输出数据按照少数服从多数原则进行融合,得到温室环境状态的整体评估结果。试验结果表明,该融合方法对预测集中混合特征的决策准确率达到98. 90%,融合特征类型的增加,可用于监测参数更多、环境更复杂的温室,将WDNN模型用于温室混合数据融合是可行有效的,在保证决策精度的同时丰富了可融合特征类别,进一步提升温室融合系统的智能化程度,对温室智能调控提供有效技术支撑。 相似文献
4.
有效获取温室出菇房的温湿度空间分布对于优化食用菌环境胁迫、病害预警、出菇房预调控至关重要,但传统的单点预测不能很好地满足菇房整体环境性能评估的需求。针对出菇房内温湿度时序性、非线性、空间分布差异性的特点,提出一种基于卷积神经网络(CNN)与门控循环单元神经网络(GRU)相结合的菇房多点温湿度预测方法。将温室室外历史气象数据、温室室内历史小气候环境数据、多点环境分布特征、通风信息和加湿信息多特征数据按照时间序列构造二维矩阵作为输入,采用CNN挖掘数据中蕴含的有效信息,提取反映温室环境数据相互联系的高维特征,将提取的特征向量构造为时间序列输入GRU网络进行多点温湿度预测。将该预测方法应用于北京市农林科学院的日光温室出菇房内多点温湿度预测,实验结果表明,该预测方法对于出菇房内各点温度RMSE平均值为0.211℃,MAE平均值为0.140℃,误差控制在±0.5℃范围内的平均比例为97.57%;对于出菇房内各点相对湿度RMSE平均值为2.731%,MAE平均值为1.713%,误差控制在±5%范围内的平均比例为92.62%;相比传统的BP神经网络、长短期记忆神经网络(LSTM)和门控循环单元神经网络(GRU),该预测方法具有更高的预测精度。 相似文献
5.
对国内外温室小气候环境建模方法的研究进行了综述。温室小气候环境建模的方法主要有两种:一是以能量平衡方程和质量平衡方程为理论依据研究温室的模型,另一种方法为基于输入输出数据的模型,包括线性模型、非线性模型、黑箱模型等。同时,指出了目前温室小气候建模方法存在的问题,并对温室小气候环境建模方法的发展趋势进行了展望,并介绍了一种温室小气候建模方法在气候自适应PID控制中的应用。 相似文献
6.
针对供水管网余氯浓度随时间序列的变化特性,采用小波神经网络模型对其变化规律进行预测分析。模型借助粒子群优化算法全局快速寻优对小波神经网络特性参数进行优化,克服预测模型网络参数选取可能存在的盲目性,增强了预测模型的全局搜索能力。研究结果表明:采用粒子群优化的小波神经网络模型,在较小数据要求的工况下能进行连续多步预测,相比常规时间序列预测在相应时间尺度内具有较高的预测精度,收敛性和稳定性也得到较明显增强。 相似文献
7.
基于 NARX 神经网络的农产品价格时间序列预测方法研究 总被引：1，自引：0，他引：1
针对传统时间序列预测方法在非线性时间序列预测上的不足,引入了非线性有源自回归神经网络（ NARX ）,建立了基于非线性有源自回归神经网络农产品价格时间序列预测模型。该模型利用核函数对农产品价格时间序列进行数据变换;再用统计分析方法对模型性能进行评价、分析,进而对模型性能进行优化。实验结果表明：非线性有源自回归神经网络较传统时间序列预测模型,对非线性时间序列预测有更好的适应性和更高的预测精度。 相似文献
8.
9.
河川径流预测是一个十分复杂的问题,生命旋回模型在进行径流趋势预测时具有对资料要求少、计算简单等优点,但由于模型方程的限制,进行预测时得到的序列很难反映径流序列的随机波动变化,且存在预测结果精度不高的缺点。根据黄河龙门水文站提供的49a的径流水文资料。应用神经网络进行预测时和生命旋回模型建模使用,得到预测值。结果表明预测结果明显优于单一的生命旋回模型和神经网络模型,可以用于径流预测。 相似文献
10.
11.
大坝变形分析是研究大坝变形规律和保证大坝安全的重要组成部分。基于大坝变形时间序列的分形特征，同时考虑到分形插值在大坝变形时间序列拟合和预测时的分数维特点，以及外延序列越远、预测精度越差的缺点，引入支持向量机算法对分形插值模型进行优化。针对大坝变形时间序列特点，通过优化垂直比例因子和核函数，建立了分形插值和支持向量机混合模型。以某混凝土重力坝引张线8号测点水平位移为例，建立了分形插值和支持向量机混合模型，对变形时间序列进行拟合和预测分析，计算结果表明混合模型具有更高的精度，可以应用于大坝变形分析中。 相似文献
12.
13.
马铃薯产量的高效预测对于制定马铃薯生长期间的精准管理决策具有重要意义。为此,针对传统BP神经网络在产量预测中存在的精度差、准确度低等问题,选择遗传算法对单一BP神经网络模型开展网格优化。基于朔州市朔城区沙楞河村2010-2019年田间物联网获取的田间环境数据(土壤含水率和土壤温度)、气象环境数据(大气湿度、大气温度、降雨量)和马铃薯产量,采用BP神经网络及GA-BP神经网络模型对所选地区马铃薯产量进行预测分析。研究结果表明：GA-BP神经网络模型下,马铃薯产量的预测精度明显高于BP神经网络模型,R2达到0.993 27,平均相对误差仅为0.88%。试验证明,GA-BP神经网络模型能够更加科学、合理地进行马铃薯产量预测,说明利用遗传算法优化BP神经网络在马铃薯产量预测中是可行且有效的。 相似文献
14.
融合ARIMA模型和GAWNN的溶解氧含量预测方法 总被引：3，自引：0，他引：3
针对河流污染治理、水源管理,提出了融合差分自回归滑动平均ARIMA模型和遗传算法优化的小波神经网络相结合的河流水质预测方法。将采集的河流水质参数时间序列数据,分解为线性和非线性序列,线性数据使用ARIMA模型预测,使用最小二乘法完成了ARIMA模型参数估计。对于经过ARIMA模型处理的非线性残差数据、预测值与原始溶解氧序列之间的线性和非线性关系,采用小波神经网络（WNN）获得预测值,并采用遗传算法的选择、交叉、变异等操作优化网络参数,比传统WNN模型预测精度显著提高。ARIMA模型、小波神经网络、遗传算法优化小波神经网络（GAWNN）和未经遗传算法优化的组合模型预测平均绝对误差分别为0.29%、0.39%、0.26%、0.24%,提出的组合模型预测结果平均绝对误差约0.19%且为最小。结果表明,该组合模型优于单个模型和传统组合模型的预测结果。 相似文献
15.
针对目前温室环境系统中,环境监测数据只能反映当前环境状况,无法预测温室环境变化趋势,导致温室环境控制效果差的问题,提出一种基于Elman神经网络的温室环境因子预测方法。以采集的温室内温度、湿度以及二氧化碳浓度的历史数据作为预测模型的输入,建立Elman神经网络预测模型,进而实现精确的温室环境因子变化预测。结果表明,Elman模型优于BP和RBF模型,温度、湿度和二氧化碳浓度预测结果的均方误差分别为0.003 9、0.005 9和0.028 3,决定系数分别为0.991 5、0.967 8和0.973 9。该模型预测结果较理想,可以为温室环境调控提供一定的决策支持。 相似文献
16.
温室能够有效改善茄科作物(包括番茄、辣椒、茄子等)生长过程,温室环境控制策略对作物实现高效高产至关重要。为了充分利用国内外的研究成果、促进我国温室环境控制策略的研究应用,分别从常规比例微积分(Proportional Integral Derivative,PID)控制、模糊控制、人工智能控制、温室小气候模型和作物生长模型等5个方面,综述了温室环境控制策略的研究进展。针对目前我国该领域存在的问题,提出了今后应将智能温室控制与作物生长模型耦合,构建智慧型作物生长模型;针对不同区域作物的生长预测,与遥感技术进行结合,增强模型的普适性,形成具有中国特色的温室环境控制策略。 相似文献
17.
随着我国贺兰山东麓地区葡萄园的大量兴建和大规模引种,各个葡萄园内出现了以霜霉病为典型的严重的病虫害问题。针对目前酿酒葡萄霜霉病精确预测手段缺乏的问题,提出一种基于遗传算法改进长期和短期记忆神经网络的预测模型。将遗传算法(GA)加入长短期记忆神经网络(LSTM)预测模型的参数调节环节中,通过优化算法代替人工手动调参在超参数搜索空间中不断迭代得到最优超参数组合最终确定模型。再建立基于霜霉病—气象时序数据的手动调参LSTM模型和BP神经网络模型,将三种模型在测试集上进行对比试验。GA-LSTM模型的预测结果均方根误差、均方误差、平均绝对误差分别为0.410 3、0.168 4、0.245 0,均小于LSTM模型和BP神经网络模型。预测结果表明LSTM在时间序列问题的应用中预测性能优于BP神经网络模型,使用遗传算法对LSTM模型的超参数选择环节进行优化,最终得到的超参数组合优于手动调参的LSTM模型得到的超参数组合。 相似文献
18.
构建日光温室环境预测模型,准确预测温室环境变化有助于精准调控作物生长环境,促进果蔬生长。而温室小气候环境数据多参数并存、耦合关系复杂,且具有时序性和非线性,难以建立准确的预测模型。针对以上问题,提出一种基于麻雀搜索算法(SSA)优化的长短期记忆网络(LSTM)温室环境预测模型,实现了温室环境数据的精准预测。实验结果表明,采用SSA自动进行参数选优的方式,解决了LSTM模型参数手动选择的难题,大幅缩短模型训练时间,且最优的网络参数能够发挥模型的最佳性能。对日光温室内空气温湿度、土壤温湿度、CO2浓度和光照强度6种环境参数进行预测,SSA-LSTM平均拟合指数高达97.6%,相比BP、门控循环单元(GRU)、LSTM,其预测拟合指数分别提升8.1、4.1、4.3个百分点,预测精度明显提升。 相似文献
19.
20.
自然通风状态下温室内空气温度的合理估测是全开型玻璃温室夏季温度控制的重要依据.为此,建立了基于RS-485总线的分布式多传感器温度测控网络,并采用分布图法和基于均值的数据融合方法对测量结果修正融合,实现了全开型玻璃温室温、湿度的精确测量.在此基础上,以室外空气温度、太阳辐射强度、室内通风速率以及室内空气相对湿度作为室内空气温度的影响因子,针对各因子的非平稳时间序列建立了室内空气温度时间序列模型,同时引入了协整方法避免伪回归现象,引入了误差修正方法提高模型预测精度.实际验证表明,时间序列模型预测数据与实测数据吻合良好,可较好地预测温室内温度,该研究成果为全开型玻璃温室的温度控制提供了理论依据. 相似文献