共查询到16条相似文献，搜索用时 671 毫秒
1.
温度是设施生产中作物生长的主要制约因素之一,提前预测温室温度对精准调控温室环境具有重要的指导意义。因此提出一种基于灰狼优化算法的长短期记忆网络模型预测温室温度,该模型利用灰狼优化算法(Grey Wolf Optimizer, GWO)对长短期记忆网络(Long Short-Term Memory, LSTM)模型参数进行调整优化。以江苏省农业科学院阳光板温室2020年9月23日—12月21日期间的试验数据对该方法进行验证。结果显示：在预测时间步长30 min时,GWO-LSTM的预测均方根误差、平均绝对误差、平均绝对百分比误差和决定系数分别为0.677 6、0.411 4、0.168 7和0.960 4。在预测时间步长60 min内,GWO-LSTM模型预测精度均高于标准LSTM和反向传播人工神经网络(Back Propagation Artificial Neural Network, BP-ANN)。说明所提出的GWO-LSTM模型能够准确地预测未来温室内温度变化,可为制定温室环境智能调控策略提供有效的数据支撑。 相似文献
2.
3.
准确预测日光温室温度是实现温室高效调控的关键,对作物生长发育具有重要意义,但因温度具有时序性、非线性及多耦合性等特征,难以实现连续、精准、长时化预测。提出了一种基于1D CNN-GRU(One dimensional convolutional neural networks-gated recurrent unit)的日光温室温度预测模型,通过温室内外监测平台获取内外环境因子,以斯皮尔曼相关系数获取相关性强特征,构造特征与时间步长的二维矩阵输入网络进行温度预测,模型在测试集上预测1～4 h后的决定系数为0.970～0.994,均方根误差为0.612～1.358℃,平均绝对误差为0.428～0.854℃,绝对值的最大绝对误差为0.856～1.959℃。并在不同清晰度指数KT下进行验证,结果表明,模型在KT≥0.5(晴)时预测效果最好,且在其他KT下模型相对误差在10%以内,可以达到温室生产所需的预测精度要求,为日光温室精准高效控温提供了重要依据。 相似文献
4.
春秋茬温室番茄光合速率预测模型通用性研究 总被引：1，自引：0，他引：1
基于无线传感器网络,建立了春秋茬温室番茄光合速率预测模型。在2014年秋季与2015年春季,采用无线传感器网络自动获取温室环境因子信息,包括空气温湿度、土壤温湿度、光强与CO2浓度。同时采用LI-6400XT型光合仪测定植物的单叶净光合速率,利用叶室小环境来扩展数据范围。将采集到的温室环境信息作为输入参数,单叶净光合速率作为输出参数,利用神经网络建立番茄光合速率预测模型。为了提高模型的预测精度,首先使用Z分数对输入参数进行标准化,然后对标准化后的数据进行主成分分析;其次,根据各主成分的累积贡献率选取主成分,然后经过K折交叉检验后建立神经网络预测模型。结果表明,采用2014年秋季数据建立的预测模型,相关系数为0.99;2015年春季为0.95;用两季数据联合建立的通用模型,相关系数为0.85。利用春秋茬联合数据建立的温室番茄光合速率预测模型通用性较好,可以为日光温室CO2气肥精细调控提供理论支持。 相似文献
5.
羊舍湿度过高或过低都会直接威胁肉羊健康生长,及时掌握湿度变化趋势并提前调控是确保规模化肉羊无应激环境下健康养殖的关键。为提高湿度预测精度,提出了基于奇异谱分析（SSA）、粒子群优化算法（PSO）、长短时记忆网络（LSTM）的羊舍湿度非线性组合预测模型。利用SSA分离出正常序列和噪声序列,将原始序列转换为平滑序列;其次通过PSO不断迭代优化确定LSTM的最优参数组合,降低LSTM的训练成本;最终依据优化参数建立组合预测模型分别对两序列进行预测,模型结果之和为最终预测结果。利用该模型对新疆维吾尔自治区2021年3月17—27日期间的羊舍空气相对湿度进行预测,结果表明,该组合预测模型具有良好的泛化性、稳定性和收敛性。与标准的ELM、SVR、LSTM、PSO-LSTM、EMD-PSO-LSTM等模型相比,本文提出的SSA-PSO-LSTM组合模型具有更高的预测精度,其均方误差、平均绝对误差和决定系数分别为1.127%2、0.803%和0.988。 相似文献
6.
作物蒸腾量是指导作物灌溉关键参数之一,实时获取作物蒸腾量,实现按需灌溉是节约用水的有效途径。然而,温室内小气候效应显著,作物蒸腾与环境因子间关系较为复杂,且各环境因子之间相互关联并呈非线性变化。本文以番茄作为研究对象,使用称量法测量作物实时蒸腾量,通过布设传感器实时获取温室小气候数据,包括空气温度(Air temperature, AT)、相对湿度(Relative humidity, RH)、光照强度(Light intensity, LI)作为模型的小气候环境输入,冠层相对叶面积指数(Relative leaf area index,RLAI)作为模型的作物生长输入,在此基础上,提出了基于长短期记忆网络(Long short term memory, LSTM)的番茄蒸腾量预测模型。利用该模型对番茄蒸腾量进行预测,并与非线性自回归(Nonlinear autoregressive with exogeneous inputs, NARX)神经网络、Elman神经网络、循环神经网络(Recurrent neural network, RNN)模型进行了对比。试验结果表明,LSTM预测模型决定系数(Determination coefficient, R2)与平均绝对误差(Mean absolute error, MAE)分别为0.9925和4.53g,与NARX神经网络、Elman神经网络、RNN方法进行对比,其决定系数分别提高了8.97%、1.18%和0.82%,其平均绝对误差分别降低了8.16、6.23、0.52g。本研究所提的预测模型具有较高的预测精度及泛化性能,研究成果可为温室作物需水规律及需水量研究提供参考。 相似文献
7.
【目的】准确预测果树需水量。【方法】对采集地果园环境数据进行主成分分析,筛选出影响果树蒸腾量的关键因子。建立以长短时记忆(LSTM)神经网络为基础的预测模型来预测果树蒸腾量。为提高预测的精度,在LSTM神经网络的基础上加入了注意力(Attention)机制,形成Attention-LSTM预测模型。【结果】将改进的模型与其他模型的预测精度进行对比,仿真试验表明,该模型的预测精度最高,RMSE和MSE分别为0.487和0.062。【结论】该预测模型可以准确预测果树蒸腾量,从而实现果园精准灌溉并提高水果产量,具有一定的实际意义。 相似文献
8.
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
9.
10.
土壤含氧量（Soil oxygen content,SOC）是影响作物生长的重要土壤环境因素之一,具有时序性、不稳定性和非线性等特点,精确预测土壤环境中含氧量的变化趋势,有助于制定更加合理的土壤通气增氧方案。本研究提出基于麻雀搜索算法（Sparrow search algorithm,SSA）和长短时记忆（Long and short-term memory,LSTM）神经网络预测模型,利用国家土壤质量湛江观测实验站记录玉米种植期间的气象环境和土壤环境数据,基于SSA-LSTM模型对SOC变化进行预测及相关性分析,并与传统的BP预测模型、LSTM预测模型、GA-LSTM预测模型及PSO-LSTM预测模型进行对比。试验结果表明,SOC与降雨量、土壤含水率、土壤温度、土壤充气孔隙度相关性极显著,相关系数高于0.8,与大气温度和风速相关性显著,与大气湿度和土壤呼吸速率相关性较弱。SSA-LSTM模型预测精度明显高于其他4组对照预测模型,R2达到0.95979,RMSE仅为0.4917%,MAPE为3.7331%,MAE为 0.3620%,预测值与试验值之间的拟合程度高。本研究可为土壤含氧量变化的精准预测及土壤通气增氧技术的应用推广提供理论支撑与科学依据。 相似文献
11.
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
12.
为有效完成蔬菜温室内温湿度的实时检测,设计了以单片机Arduino为控制核心的蔬菜温室智能控制系统,使用温湿度传感器DHT11实现对温室内温湿度的采集。该控制系统可以根据检测结果通过神经网络对温室环境进行调节,从而实现对蔬菜温室环境自动化控制,优化蔬菜生长环境。 相似文献
13.
针对农业温室环境的精确建模和控制问题,提出了一种基于模糊神经网络的智能控制方案。首先,在考虑室内外环境因素下,构建一个有效的温室环境数学模型,获得通风量、喷雾量和加热量的微分表达式;然后,利用一种自适应模糊神经推理系统(ANFIS),以温度和湿度差作为输入,通过神经网络自学习和模糊推理获得控制输出;最后,通过遗传算法优化控制器的输出比例因子,提高控制响应速度和稳定性。实验结果表明:该方案能够快速且稳定地追踪环境设置值,具有很好的控制效果。 相似文献
14.
基于物联网的浮标水质监测系统与溶解氧浓度预测模型 总被引：2，自引：0，他引：2
为促进近海养殖业信息化发展,更好地实现对近海养殖环境的监控,设计了基于浮标平台的环境监测系统。利用STM32L475微控制器定时采集光照、温度、pH值、溶解氧浓度等信息,通过物联网技术将数据传输至云监测平台,实现了多区域环境信息远程监测和多终端访问。提出了改进遗传算法BP神经网络的溶解氧浓度预测模型,实现对近海养殖环境的预测;根据所采集的数据,利用改进遗传算法对初始权重和阈值进行优化得到最优参数,在此基础上构建BP神经网络溶解氧浓度预测模型。通过试验验证了该系统海洋环境信息采集的准确性与可靠性,以及溶解氧浓度预测模型的有效性;与传统遗传算法BP神经网络预测模型相比,平均误差由0.0778mg/L降至0.0178mg/L,能够满足近海养殖的实际需求。 相似文献
15.
蛋鸡设施养殖环境质量对蛋鸡的健康生长和生产性能的提升至关重要。蛋鸡养殖环境是多环境因子相互影响制约的复杂非线性系统,凭借单一的养殖环境参数难以对环境质量做出准确有效的评价。针对上述问题,本研究综合蛋鸡设施养殖环境的温度、湿度、光照强度、氨气浓度等多个环境影响因子,在布谷鸟搜索算法优化神经网络（CS-BP）预测模型的基础上,构建了改进的CS-BP的蛋鸡设施养殖环境质量评价预测模型。将构建的改进CS-BP预测模型与BP神经网络、遗传算法优化BP神经网络（GA-BP）、粒子群算法优化BP神经网络（PSO-BP）3种深度学习方法进行性能参数分析比对,结果表明：改进CS-BP评价预测模型的平均绝对误差（MAE）、平均相对误差（MAPE）和决定系数（R2）分别为0.0865、0.0159和0.8569,其各项指标性能均优于上述3种对比模型,该模型具有较强的模型泛化能力和较高的预测精度。对改进CS-BP的蛋鸡设施养殖环境质量评价模型进行测试,其分类准确率达0.9333以上。本研究构建的模型可以为蛋鸡设施养殖环境质量提供更加全面有效的科学评价,对实现蛋鸡生产环境的最优控制,促进蛋鸡生产性能的提升具有重要意义。 相似文献
16.
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