本發(fā)明屬于設(shè)施農(nóng)業(yè)環(huán)境預(yù)測(cè)領(lǐng)域，尤其是一種基于滾動(dòng)bp神經(jīng)網(wǎng)絡(luò)的溫室小氣候中長(zhǎng)期預(yù)測(cè)方法。

背景技術(shù)：

溫室的高效生產(chǎn)依賴于適宜的溫室小氣候環(huán)境，建立高精度的溫室小氣候中長(zhǎng)期預(yù)測(cè)模型對(duì)實(shí)現(xiàn)溫室環(huán)境優(yōu)化調(diào)控具有重要意義。目前溫室中常用的閾值調(diào)控法雖然簡(jiǎn)單易行，但能耗高、系統(tǒng)穩(wěn)定性差?；诒壤?積分-微分(proportion-integral-derivative，pid)控制器和模型預(yù)測(cè)控制(modelpredictivecontrol，mpc)等自動(dòng)控制方法，可靠性高、能耗較低，但需要提前預(yù)測(cè)多個(gè)時(shí)段的環(huán)境參數(shù)。溫室小氣候模擬模型主要分為兩類：一是機(jī)理模型，其參數(shù)較難確定，不適用于溫室環(huán)境控制。二是實(shí)驗(yàn)?zāi)Ｐ?，也稱系統(tǒng)辨識(shí)，可以對(duì)模型參數(shù)進(jìn)行在線調(diào)整，以滿足控制的要求。實(shí)驗(yàn)?zāi)Ｐ椭谐Ｓ玫氖侨斯ど窠?jīng)網(wǎng)絡(luò)模型，由于bp神經(jīng)網(wǎng)絡(luò)簡(jiǎn)單且容錯(cuò)能力強(qiáng)，在溫室小氣候預(yù)測(cè)中應(yīng)用最為廣泛。

目前國(guó)內(nèi)外學(xué)者針對(duì)不同溫室環(huán)境建立了基于bp神經(jīng)網(wǎng)絡(luò)的小氣候模擬模型，取得了良好的效果，研究表明人工神經(jīng)網(wǎng)絡(luò)在溫室小氣候環(huán)境預(yù)測(cè)方面切實(shí)可行，但這些預(yù)測(cè)模型多數(shù)只能進(jìn)行單步預(yù)測(cè)，即短期預(yù)測(cè)，無(wú)法實(shí)現(xiàn)中長(zhǎng)期預(yù)測(cè)，不能滿足優(yōu)化調(diào)控的要求。另外，采用bp神經(jīng)網(wǎng)絡(luò)建模具有一定的優(yōu)勢(shì)，但是其也有一些缺陷與不足，如易陷入局部最小值、過(guò)分依賴初始權(quán)值的選取以及泛化能力差等問(wèn)題，因此bp神經(jīng)網(wǎng)絡(luò)預(yù)測(cè)的精度仍有很大的提升空間。以往的很多研究者針對(duì)bp神經(jīng)網(wǎng)絡(luò)的缺陷沒(méi)有提出改進(jìn)的方法，僅選取最優(yōu)的結(jié)果展示出來(lái)，事實(shí)上這些結(jié)果在一定程度上并沒(méi)有說(shuō)服力。如何提高bp神經(jīng)網(wǎng)絡(luò)的預(yù)測(cè)精度，并實(shí)現(xiàn)溫室小氣候的中長(zhǎng)期預(yù)測(cè)，值得進(jìn)一步研究和探討。

技術(shù)實(shí)現(xiàn)要素：

本發(fā)明所解決的技術(shù)問(wèn)題在于提供一種基于滾動(dòng)bp神經(jīng)網(wǎng)絡(luò)的溫室小氣候中長(zhǎng)期預(yù)測(cè)方法，根據(jù)預(yù)測(cè)時(shí)間構(gòu)建一個(gè)滾動(dòng)的bp神經(jīng)網(wǎng)絡(luò)群，將前一個(gè)網(wǎng)絡(luò)的輸出作為后一個(gè)網(wǎng)絡(luò)的部分輸入進(jìn)行滾動(dòng)式的訓(xùn)練和預(yù)測(cè)，有效提高溫室小氣候的預(yù)測(cè)精度。

實(shí)現(xiàn)本發(fā)明目的的技術(shù)解決方案為：

基于滾動(dòng)bp神經(jīng)網(wǎng)絡(luò)的溫室小氣候中長(zhǎng)期預(yù)測(cè)方法，包括以下步驟：

步驟1：建立初始bp神經(jīng)網(wǎng)絡(luò)f1，設(shè)當(dāng)前時(shí)刻為t，輸入t時(shí)刻的溫室內(nèi)部溫濕度，輸出預(yù)測(cè)的t+1時(shí)刻的溫室內(nèi)部溫濕度，并得到f1的網(wǎng)絡(luò)參數(shù)；

步驟2：建立滾動(dòng)的bp神經(jīng)網(wǎng)絡(luò)群，包括n-1個(gè)神經(jīng)網(wǎng)絡(luò)fn，每個(gè)神經(jīng)網(wǎng)絡(luò)fn包含訓(xùn)練集train_xn和測(cè)試集test_xn，相鄰兩個(gè)神經(jīng)網(wǎng)絡(luò)的訓(xùn)練集和測(cè)試集之間均相隔一個(gè)時(shí)刻，其中，train_xn表示t+n-1時(shí)刻的訓(xùn)練集，test_xn表示t+n-1時(shí)刻的測(cè)試集，n≥2；

步驟3：利用train_xn和網(wǎng)絡(luò)參數(shù)結(jié)合梯度下降法訓(xùn)練fn模型，訓(xùn)練完成后，再將train_xn輸入到fn模型中，輸出模擬結(jié)果train_yn；將test_xn輸入到fn模型中，輸出預(yù)測(cè)結(jié)果test_yn；

步驟4：令n＝n+1，轉(zhuǎn)到步驟3。

進(jìn)一步的，本發(fā)明的基于滾動(dòng)bp神經(jīng)網(wǎng)絡(luò)的溫室小氣候中長(zhǎng)期預(yù)測(cè)方法，步驟1具體包括：

步驟1-1：基于無(wú)監(jiān)督學(xué)習(xí)模型對(duì)t時(shí)刻的溫室內(nèi)部溫濕度進(jìn)行預(yù)訓(xùn)練，抽取輸入數(shù)據(jù)的特征，并重構(gòu)后輸出；

步驟1-2：將數(shù)據(jù)的特征作為bp神經(jīng)網(wǎng)絡(luò)的初始化參數(shù)，進(jìn)行有監(jiān)督的目標(biāo)學(xué)習(xí)，采用改進(jìn)的局部粒子群優(yōu)化方法結(jié)合遺傳算法優(yōu)化該bp神經(jīng)網(wǎng)絡(luò)的權(quán)重和閾值參數(shù)；

步驟1-3：采用最優(yōu)權(quán)重和閾值參數(shù)建立初始bp神經(jīng)網(wǎng)絡(luò)f1，輸出預(yù)測(cè)的t+1時(shí)刻的溫室內(nèi)部溫濕度。

進(jìn)一步的，本發(fā)明的基于滾動(dòng)bp神經(jīng)網(wǎng)絡(luò)的溫室小氣候中長(zhǎng)期預(yù)測(cè)方法，步驟1-1所述的對(duì)輸入數(shù)據(jù)重構(gòu)的方法具體為：將輸入層與隱藏層之間的權(quán)重和閾值{w⁽¹⁾,b⁽¹⁾}作為編碼器，編碼函數(shù)采用sigmoid函數(shù)；將隱藏層與輸出層之間的權(quán)重和閾值{w⁽²⁾,b⁽²⁾}作為譯碼器，譯碼函數(shù)采用tanh函數(shù)。

進(jìn)一步的，本發(fā)明的基于滾動(dòng)bp神經(jīng)網(wǎng)絡(luò)的溫室小氣候中長(zhǎng)期預(yù)測(cè)方法，步驟1-2的具體步驟為：

步驟1-2-1：將種群分為兩個(gè)子群，在spmd并行結(jié)構(gòu)中同時(shí)進(jìn)行計(jì)算，初始化種群速度和位置、學(xué)習(xí)率c1和c2、慣性權(quán)重；

步驟1-2-2：將次數(shù)低于平均值的粒子次數(shù)清零，全局最優(yōu)賦給子群全局最優(yōu)，即badnum[n]＝0,plg＝pg，badnum為粒子次數(shù)，n為次數(shù)低于平均數(shù)的粒子編號(hào)，plg為子群全局最優(yōu)，pg為全局最優(yōu)；

步驟1-2-3：更新粒子的速度和位置：

vi(t+1)＝ωvi(t)+c1r1(pavg-xi(t))+c2r2(plg-xi(t))，xi(t+1)＝xi(t)+vi(t+1)，其中，i＝1，2，…，n，t為當(dāng)前迭代次數(shù)，ω是慣性權(quán)重，c1、c2是加速因子，r1、r2是[0，1]區(qū)間的隨機(jī)數(shù)，vi(t)為粒子原速度，vi(t+1)為更新后的粒子速度，pavg為個(gè)體極值中心點(diǎn)，plg為每個(gè)子群的全局最優(yōu)位置，xi(t)為粒子原位置，xi(t+1)為更新后的粒子位置；

步驟1-2-4：引入交叉算子，若產(chǎn)生的隨機(jī)數(shù)小于交叉概率pc，則兩個(gè)子群執(zhí)行交叉操作：xik＝plg1k，xjl＝plg2l，其中，xik為第一個(gè)子群中第i個(gè)粒子位置的第k維元素，plg1k為第一個(gè)子群全局最優(yōu)位置的第k維元素，xjl為第二個(gè)子群中第j個(gè)粒子位置的第l維元素，plg2l為第二個(gè)子群全局最優(yōu)位置的第l維元素，i、j＝1，2，…，n/2且i≠j，k∈[(in+1)*hn+1，d]，l∈[1，(in+1)*hn]，in為神經(jīng)網(wǎng)絡(luò)的輸入層神經(jīng)元個(gè)數(shù)，hn為隱藏層神經(jīng)元個(gè)數(shù)，d為粒子的維度，并計(jì)算每個(gè)粒子的適應(yīng)度j(i)，若隨機(jī)數(shù)大于交叉概率pc，則不進(jìn)行任何操作；

步驟1-2-5：更新局部最優(yōu)pi，若更新后的粒子位置優(yōu)于原來(lái)的粒子位置，則將新粒子位置作為該粒子的pi，并作為本次迭代中的全局最優(yōu)plg，更新個(gè)體機(jī)制中心點(diǎn)pavg，計(jì)算每個(gè)子群平均適應(yīng)度f(wàn)it_avg，若更新后的粒子位置未優(yōu)于原來(lái)的粒子位置，則不進(jìn)行任何操作；

步驟1-2-6：引入變異算子，若j(i)＜fit_avg，則令badnum(i)+1，若badnum(i)≥badnumlimit，則隨機(jī)初始化粒子的位置和速度：xid＝a+(b-a)*rand，vid＝m+(n-m)*rand，其中d＝1，2，…，d，a和b是限定粒子的最小和最大位置，m和n是限定粒子的最小和最大速度，rand為[0,1)之間的均勻隨機(jī)數(shù)；

步驟1-2-7：判斷是否達(dá)到預(yù)設(shè)的內(nèi)部迭代次數(shù)，若是，則比較兩子群的子群最優(yōu)，獲得全局最優(yōu)，若否，則轉(zhuǎn)步驟1-2-3；

步驟1-2-8：判斷是否達(dá)到最大迭代次數(shù)或滿足gbest(n)-gbest(n-4)<＝0.0001，若是，則停止迭代，若否，則磚步驟1-2-2。

進(jìn)一步的，本發(fā)明的基于滾動(dòng)bp神經(jīng)網(wǎng)絡(luò)的溫室小氣候中長(zhǎng)期預(yù)測(cè)方法，步驟1的預(yù)測(cè)公式為：

其中，(p)t為t時(shí)刻環(huán)境參數(shù)，(tin)t為t時(shí)刻溫室實(shí)測(cè)溫度，(hin)t為t時(shí)刻溫室實(shí)測(cè)濕度，為預(yù)測(cè)的t+1時(shí)刻溫室溫度，為預(yù)測(cè)的t+1時(shí)刻溫室濕度。

進(jìn)一步的，本發(fā)明的基于滾動(dòng)bp神經(jīng)網(wǎng)絡(luò)的溫室小氣候中長(zhǎng)期預(yù)測(cè)方法，步驟2中的一個(gè)時(shí)刻為15min。

進(jìn)一步的，本發(fā)明的基于滾動(dòng)bp神經(jīng)網(wǎng)絡(luò)的溫室小氣候中長(zhǎng)期預(yù)測(cè)方法，訓(xùn)練集train_xn包括t+n-1時(shí)刻的溫室外部環(huán)境影響因素(p)t+n-1和神經(jīng)網(wǎng)絡(luò)fn-1的訓(xùn)練集模擬結(jié)果train_yn-1，其中train_yn-1包括預(yù)測(cè)的t+n-1時(shí)刻的溫室內(nèi)部溫濕度。

進(jìn)一步的，本發(fā)明的基于滾動(dòng)bp神經(jīng)網(wǎng)絡(luò)的溫室小氣候中長(zhǎng)期預(yù)測(cè)方法，滾動(dòng)的bp神經(jīng)網(wǎng)絡(luò)的預(yù)測(cè)公式為：

其中，(p)t+n-1為t+n-1時(shí)刻的環(huán)境參數(shù)，為預(yù)測(cè)的t+n-1時(shí)刻溫室溫度，為預(yù)測(cè)的t+n-1時(shí)刻溫室濕度，為預(yù)測(cè)的t+n時(shí)刻溫室溫度，為預(yù)測(cè)的t+n時(shí)刻溫室濕度。

本發(fā)明采用以上技術(shù)方案與現(xiàn)有技術(shù)相比，具有以下技術(shù)效果：

1、本發(fā)明的方法可連續(xù)預(yù)測(cè)未來(lái)6-12小時(shí)的溫室小氣候，實(shí)驗(yàn)結(jié)果表明，與傳統(tǒng)的bp單步提前滾動(dòng)預(yù)測(cè)模型相比，滾動(dòng)bp模型預(yù)測(cè)未來(lái)6小時(shí)溫濕度誤差可降低50％以上，大大降低了中長(zhǎng)期滾動(dòng)預(yù)測(cè)的累計(jì)誤差，能夠較準(zhǔn)確地預(yù)測(cè)不同季節(jié)不同地域下的溫室中長(zhǎng)期環(huán)境變化趨勢(shì)，為制定合理的小氣候調(diào)控方案提供了依據(jù)。

2、本發(fā)明的方法第一階段采用改進(jìn)的bp神經(jīng)網(wǎng)絡(luò)，實(shí)驗(yàn)結(jié)果表明，與初始神經(jīng)網(wǎng)絡(luò)模型采用傳統(tǒng)bp網(wǎng)絡(luò)相比，本發(fā)明提出的滾動(dòng)bp模型預(yù)測(cè)未來(lái)6小時(shí)溫濕度誤差可降低9.3％～45％，說(shuō)明改進(jìn)的bp神經(jīng)網(wǎng)絡(luò)是十分有效的，可切實(shí)提高滾動(dòng)bp模型的整體預(yù)測(cè)精度。

3、本發(fā)明的方法首次將無(wú)監(jiān)督學(xué)習(xí)模型用于溫室小氣候中長(zhǎng)期預(yù)測(cè)中，實(shí)驗(yàn)結(jié)果表明，預(yù)測(cè)誤差降低了10％左右，運(yùn)行效率提高了20％以上。

4、本發(fā)明的方法采用改進(jìn)的局部粒子群優(yōu)化方法對(duì)bp神經(jīng)網(wǎng)絡(luò)進(jìn)行優(yōu)化，與標(biāo)準(zhǔn)的局部粒子群優(yōu)化方法相比，預(yù)測(cè)溫濕度誤差降低10％～30％。

附圖說(shuō)明

圖1是本發(fā)明的基于滾動(dòng)bp神經(jīng)網(wǎng)絡(luò)的溫室小氣候中長(zhǎng)期預(yù)測(cè)方法的模型結(jié)構(gòu)圖；

圖2是本發(fā)明的改進(jìn)的局部粒子群優(yōu)化方法流程圖；

圖3是本發(fā)明的基于滾動(dòng)bp神經(jīng)網(wǎng)絡(luò)的溫室小氣候中長(zhǎng)期預(yù)測(cè)方法的第n個(gè)bp神經(jīng)網(wǎng)絡(luò)學(xué)習(xí)和預(yù)測(cè)流程圖。

具體實(shí)施方式

下面詳細(xì)描述本發(fā)明的實(shí)施方式，所述實(shí)施方式的示例在附圖中示出，其中自始至終相同或類似的標(biāo)號(hào)表示相同或類似的元件或具有相同或類似功能的元件。下面通過(guò)參考附圖描述的實(shí)施方式是示例性的，僅用于解釋本發(fā)明，而不能解釋為對(duì)本發(fā)明的限制。

基于滾動(dòng)bp神經(jīng)網(wǎng)絡(luò)的溫室小氣候中長(zhǎng)期預(yù)測(cè)方法的結(jié)構(gòu)圖如圖1所示，模型分為兩個(gè)階段，即建立初始bp神經(jīng)網(wǎng)絡(luò)和滾動(dòng)的bp神經(jīng)網(wǎng)絡(luò)群。第一階段的初始神經(jīng)網(wǎng)絡(luò)包括兩步，即ae無(wú)監(jiān)督學(xué)習(xí)和bp神經(jīng)網(wǎng)絡(luò)有監(jiān)督學(xué)習(xí)。第二階段構(gòu)建滾動(dòng)的bp神經(jīng)網(wǎng)絡(luò)群，fn-1(n>＝2)模型的模擬輸出將作為fn模型的部分輸入，fn-1訓(xùn)練完成后，將fn-1的網(wǎng)絡(luò)參數(shù)作為fn的初始網(wǎng)絡(luò)參數(shù)，由于連續(xù)兩個(gè)模型的預(yù)測(cè)時(shí)間間隔較短(15分鐘)，網(wǎng)絡(luò)參數(shù)差異較小，而bp神經(jīng)網(wǎng)絡(luò)有較強(qiáng)的反向微調(diào)能力，因此f2～fn均采用bp神經(jīng)網(wǎng)絡(luò)，進(jìn)一步縮小預(yù)測(cè)模型的誤差。

根據(jù)室內(nèi)外影響因子建立溫室小氣候的函數(shù)模型。設(shè)當(dāng)前時(shí)刻為t，連續(xù)預(yù)測(cè)t+1～t+n時(shí)刻的數(shù)據(jù)，下式中，f1表示初始bp神經(jīng)網(wǎng)絡(luò)，采用t時(shí)刻的真實(shí)數(shù)據(jù)進(jìn)行訓(xùn)練，網(wǎng)絡(luò)輸出為t+1時(shí)刻的溫室內(nèi)部溫濕度；fn表示滾動(dòng)bp神經(jīng)網(wǎng)絡(luò)中的第n(n>＝2)個(gè)模型，采用t+n-1時(shí)刻的外界環(huán)境參數(shù)和fn-1模型室內(nèi)溫濕度模擬值進(jìn)行訓(xùn)練，網(wǎng)絡(luò)輸出為t+n時(shí)刻的溫室內(nèi)部溫濕度。

訓(xùn)練完n個(gè)網(wǎng)絡(luò)后，保存每個(gè)bp神經(jīng)網(wǎng)絡(luò)的權(quán)重和閾值參數(shù)，再進(jìn)行中長(zhǎng)期滾動(dòng)預(yù)測(cè)。預(yù)測(cè)過(guò)程是將fn-1的預(yù)測(cè)結(jié)果作為fn的部分輸入進(jìn)行不斷滾動(dòng)預(yù)測(cè)。

其中，p代表外界環(huán)境參數(shù)和溫室內(nèi)部設(shè)備狀態(tài)，包含[tout,hout,ws,sr,fs,vs]中的任意多個(gè)參數(shù)，(p)t為t時(shí)刻環(huán)境參數(shù)，(tin)t為t時(shí)刻溫室實(shí)測(cè)溫度，(hin)t為t時(shí)刻溫室實(shí)測(cè)濕度，為預(yù)測(cè)的t+1時(shí)刻溫室溫度，為預(yù)測(cè)的t+1時(shí)刻溫室濕度；(p)t+n-1為t+n-1時(shí)刻的環(huán)境參數(shù)，為預(yù)測(cè)的t+n-1時(shí)刻溫室溫度，為預(yù)測(cè)的t+n-1時(shí)刻溫室濕度，為預(yù)測(cè)的t+n時(shí)刻溫室溫度，為預(yù)測(cè)的t+n時(shí)刻溫室濕度。

以下為實(shí)施滾動(dòng)bp神經(jīng)網(wǎng)絡(luò)溫室小氣候中長(zhǎng)期預(yù)測(cè)的具體過(guò)程。

1、構(gòu)建初始bp神經(jīng)網(wǎng)絡(luò)

初始bp神經(jīng)網(wǎng)絡(luò)的預(yù)測(cè)結(jié)果和網(wǎng)絡(luò)參數(shù)將分別作為第二個(gè)模型的部分輸入和初始網(wǎng)絡(luò)參數(shù)，進(jìn)而影響滾動(dòng)bp模型整體的預(yù)測(cè)結(jié)果。為提高預(yù)測(cè)精度，初始bp神經(jīng)網(wǎng)絡(luò)首先利用無(wú)監(jiān)督學(xué)習(xí)模型ae進(jìn)行無(wú)監(jiān)督學(xué)習(xí)，抽取數(shù)據(jù)的特征；然后將ae的特征表達(dá)作為bp神經(jīng)網(wǎng)絡(luò)的初始化參數(shù)，再進(jìn)行有監(jiān)督的目標(biāo)學(xué)習(xí)，并采用改進(jìn)的局部粒子群優(yōu)化方法來(lái)優(yōu)化該網(wǎng)絡(luò)權(quán)重和閾值。由于標(biāo)準(zhǔn)pso算法存在易早熟、穩(wěn)定性差等問(wèn)題，因此本發(fā)明提出了一種改進(jìn)的局部粒子群優(yōu)化方法(ipso)。最后將測(cè)試集輸入訓(xùn)練完成的模型中驗(yàn)證網(wǎng)絡(luò)的泛化能力。

(1)基于ae的bp神經(jīng)網(wǎng)絡(luò)初始參數(shù)優(yōu)化

首先建立三層自動(dòng)編碼器網(wǎng)絡(luò)，輸入向量與輸出向量各元素相等。輸入層與隱藏層之間的權(quán)重和閾值{w⁽¹⁾,b⁽¹⁾}為編碼器，編碼函數(shù)采用sigmoid函數(shù)；隱藏層與輸出層之間的權(quán)重和閾值{w⁽²⁾,b⁽²⁾}為譯碼器，譯碼函數(shù)采用tanh函數(shù)，則有：

hi＝sigmoid(w⁽¹⁾xi+b⁽¹⁾)

yi＝tanh(w⁽²⁾hi+b⁽²⁾)

ae是一種無(wú)監(jiān)督學(xué)習(xí)模型，即訓(xùn)練數(shù)據(jù)是無(wú)標(biāo)簽的，輸出為輸入的重構(gòu)，通過(guò)計(jì)算重構(gòu)誤差得到ae的權(quán)重參數(shù)，獲得輸入數(shù)據(jù)的特征表達(dá)。重構(gòu)誤差函數(shù)j(θ)下式所示。

式中m為訓(xùn)練樣本的數(shù)量，n為網(wǎng)絡(luò)層數(shù)，θ為神經(jīng)網(wǎng)絡(luò)的參數(shù)，包括權(quán)重和偏置項(xiàng)。大括號(hào)內(nèi)第一項(xiàng)為模型輸出值和期望值之間的均方差，第二項(xiàng)l2為正則項(xiàng)，用以減小權(quán)重變化幅度，避免過(guò)擬合。

(2)基于ipso算法的bp神經(jīng)網(wǎng)絡(luò)參數(shù)優(yōu)化

傳統(tǒng)bp神經(jīng)網(wǎng)絡(luò)利用梯度下降法進(jìn)行訓(xùn)練，局部微調(diào)性較強(qiáng)，但易陷入局部最優(yōu)點(diǎn)。且由于網(wǎng)絡(luò)參數(shù)較多，粒子的維度較高，在一定的粒子種群數(shù)量下pso算法的性能會(huì)隨著被優(yōu)化問(wèn)題維數(shù)的增加而降低，為了不增加算法的復(fù)雜度并提高精度，本發(fā)明提出了ipso算法，包括：

(a)采取局部粒子群優(yōu)化方法。即通過(guò)并行算法將種群分成多個(gè)子群，粒子的速度基于個(gè)體最優(yōu)和子群全局最優(yōu)更新，以加強(qiáng)全局搜索能力，同時(shí)提高算法的效率。由于神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)較為復(fù)雜，粒子維度較高，因此本發(fā)明的方法將粒子速度更新公式基于個(gè)體極值中心點(diǎn)和全局極值。個(gè)體極值中心點(diǎn)為pavg＝[pavg1,pavg2,…,pavgd]，其中改進(jìn)的粒子群速度更新公式如下式所示。

vi(t+1)＝ωvi(t)+c1r1(pavg-xi(t))+c2r2(plg-xi(t))

其中，plg為每個(gè)子群的全局最優(yōu)位置。

(b)引入遺傳算法的交叉算子。即對(duì)粒子位置執(zhí)行交叉操作，以增加種群多樣性，避免算法早熟收斂。交叉時(shí)將網(wǎng)絡(luò)參數(shù)分為兩個(gè)部分，第一部分即神經(jīng)網(wǎng)絡(luò)輸入層到隱藏層的參數(shù){w⁽¹⁾,b⁽¹⁾}，第二部分為神經(jīng)網(wǎng)絡(luò)隱藏層到輸出層的參數(shù){w⁽²⁾,b⁽²⁾}。設(shè)交叉概率為pc，第一個(gè)子群的個(gè)體xi＝[xi1,xi2,…,xid]以pc的概率與第一個(gè)子群的全局最優(yōu)位置plg1第二部分參數(shù)交叉；第二個(gè)子群的個(gè)體xj＝[xj1,xj2,…,xjd]以pc的概率與第二個(gè)子群的全局最優(yōu)位置plg2第一部分參數(shù)交叉，公式如下所示。

xik＝plg1k

xjl＝plg2l

其中，i，j＝1，2，…，n/2且i≠j，k∈[(in+1)*hn+1，d]，l∈[1，(in+1)*hn]，in為神經(jīng)網(wǎng)絡(luò)的輸入層神經(jīng)元個(gè)數(shù)，hn為隱藏層神經(jīng)元個(gè)數(shù)，d為粒子的維度，即神經(jīng)網(wǎng)絡(luò)的權(quán)重和閾值參數(shù)個(gè)數(shù)之和，設(shè)輸出層神經(jīng)元個(gè)數(shù)為on，則d＝in*hn+hn*on+hn+on。

(c)引入變異算子。種群進(jìn)化過(guò)程中如果某個(gè)粒子的適應(yīng)值多次低于群體平均適應(yīng)值，則表明粒子的進(jìn)化方向已經(jīng)遠(yuǎn)遠(yuǎn)偏離最優(yōu)解，不再適應(yīng)當(dāng)前的搜索環(huán)境，因此引入遺傳算法的變異算子對(duì)該粒子執(zhí)行變異操作，使陷入局部值的粒子跳出并繼續(xù)尋找最優(yōu)解，其他粒子則保持原狀態(tài)繼續(xù)進(jìn)化，直至收斂。變異方式下式所示，即按初始化方式改變粒子的位置和速度。

xid＝a+(b-a)*rand

vid＝m+(n-m)*rand

其中，d＝1，2，…，d，a和b是限定粒子的最小和最大位置，也即神經(jīng)網(wǎng)絡(luò)參數(shù)的范圍；m和n是限定粒子的最小和最大速度，決定了粒子位子變化的幅度；rand為[0,1)之間的均勻隨機(jī)數(shù)。

ipso算法流程圖如圖2所示。具體算法流程如下：

步驟1：將種群分為兩個(gè)子群，在spmd并行結(jié)構(gòu)中同時(shí)計(jì)算，初始化種群速度和位置，初始化學(xué)習(xí)率c1、c2，慣性權(quán)重ω等參數(shù)；

步驟2：把統(tǒng)計(jì)每個(gè)粒子低于平均值的次數(shù)清0,即badnum[n]＝0；把全局最優(yōu)賦給子群全局最優(yōu)plg＝pg；

步驟3：更新粒子的位置和速度；

步驟4：引入交叉算子。若產(chǎn)生的隨機(jī)數(shù)小于交叉概率pc，兩個(gè)子群分別執(zhí)行交叉操作；

步驟5：計(jì)算每個(gè)粒子的適應(yīng)度j(i)；

步驟6：更新局部最優(yōu)pi，如果粒子位置更新后優(yōu)于原來(lái)的粒子，則將新的粒子的位置作為該粒子的pi；

步驟7：①更新子群全局最優(yōu)，如果位置更新后粒子優(yōu)于原來(lái)的子群全局最優(yōu)位置，則將該粒子的位置作為本次迭代中的全局最優(yōu)plg；②更新個(gè)體極值中心點(diǎn)pavg。

步驟8：計(jì)算每個(gè)子群平均適應(yīng)度f(wàn)it_avg；

步驟9：引入變異算子：若j(i)<fit_avg，則令badnum(i)+1；若badnum(i)>＝badnumlimit，則隨機(jī)初始化粒子的位置和速度。

步驟10：達(dá)到內(nèi)部迭代次數(shù)后，兩個(gè)子群交互，即比較子群最優(yōu)，從而得到全局最優(yōu)；未達(dá)到則跳轉(zhuǎn)步驟3；

步驟11：達(dá)到最大迭代次數(shù)或滿足gbest(n)-gbest(n-4)<＝0.0001(即適應(yīng)度函數(shù)連續(xù)5次不變)即停止迭代。循環(huán)回到步驟2，直至滿足終止條件。

2、構(gòu)建滾動(dòng)的bp神經(jīng)網(wǎng)絡(luò)群

滾動(dòng)bp模型第二階段是建立滾動(dòng)的bp神經(jīng)網(wǎng)絡(luò)群，即連續(xù)建立n個(gè)單步預(yù)測(cè)模型，每個(gè)網(wǎng)絡(luò)模型都有對(duì)應(yīng)的訓(xùn)練集train_xn(n>＝2)和測(cè)試集test_xn，train_xn和test_xn代表t+n-1時(shí)刻的數(shù)據(jù)，包含(p)t+n-1、和三個(gè)參數(shù)。相鄰兩個(gè)網(wǎng)絡(luò)模型的訓(xùn)練集和測(cè)試集之間只相差一個(gè)時(shí)刻，數(shù)據(jù)也順延向下取一個(gè)時(shí)刻。train_yn和test_yn分別為第n個(gè)網(wǎng)絡(luò)訓(xùn)練集train_xn和測(cè)試集test_xn的模擬結(jié)果，包含和兩個(gè)參數(shù)。

第n個(gè)bp神經(jīng)網(wǎng)絡(luò)學(xué)習(xí)和預(yù)測(cè)過(guò)程如圖3所示，采用t+n-1(n>＝2)時(shí)刻訓(xùn)練集train_xn訓(xùn)練fn模型，該訓(xùn)練集包括t+n-1時(shí)刻的溫室內(nèi)外環(huán)境影響因素(p)t+n-1，以及fn-1模型的訓(xùn)練集的模擬結(jié)果train_yn-1。網(wǎng)絡(luò)輸出為t+n時(shí)刻的實(shí)測(cè)數(shù)據(jù)，采用梯度下降法訓(xùn)練網(wǎng)絡(luò)。訓(xùn)練完成后將訓(xùn)練集train_xn再次輸入fn模型中，得到訓(xùn)練集的模擬結(jié)果train_yn,即t+n時(shí)刻的溫室內(nèi)部溫濕度模擬結(jié)果集，將作為train_xn+1的一部分用于訓(xùn)練fn+1模型。然后將t+n-1時(shí)刻測(cè)試集test_xn輸入模型中得到t+n時(shí)刻室內(nèi)溫濕度預(yù)測(cè)結(jié)果test_yn，并作為test_xn+1的一部分，用于預(yù)測(cè)t+n+1時(shí)刻的室內(nèi)溫濕度。如此滾動(dòng)訓(xùn)練和預(yù)測(cè)，實(shí)現(xiàn)溫室小氣候的中長(zhǎng)期預(yù)測(cè)。訓(xùn)練多個(gè)網(wǎng)絡(luò)的目的是為了使訓(xùn)練集和測(cè)試集來(lái)源一致，提高預(yù)測(cè)模型的精度，即fn(n>＝2)模型的訓(xùn)練樣本和測(cè)試樣本中的室內(nèi)溫濕度數(shù)據(jù)均來(lái)自fn-1模型的模擬結(jié)果。

以上所述僅是本發(fā)明的部分實(shí)施方式，應(yīng)當(dāng)指出，對(duì)于本技術(shù)領(lǐng)域的普通技術(shù)人員來(lái)說(shuō)，在不脫離本發(fā)明原理的前提下，還可以做出若干改進(jìn)，這些改進(jìn)應(yīng)視為本發(fā)明的保護(hù)范圍。