CN103105246A - 一种基于遗传算法改进的bp神经网络的温室环境预测反馈方法 - Google Patents

一种基于遗传算法改进的bp神经网络的温室环境预测反馈方法 Download PDF

Info

Publication number
CN103105246A
CN103105246A CN2012105930455A CN201210593045A CN103105246A CN 103105246 A CN103105246 A CN 103105246A CN 2012105930455 A CN2012105930455 A CN 2012105930455A CN 201210593045 A CN201210593045 A CN 201210593045A CN 103105246 A CN103105246 A CN 103105246A
Authority
CN
China
Prior art keywords
neural network
genetic algorithm
value
training
greenhouse
Prior art date
Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
Pending
Application number
CN2012105930455A
Other languages
English (en)
Inventor
周增产
卜云龙
田真
商守海
董明明
吴建红
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
BEIJING JINGPENG GLOBAL TECHNOLOGY Co Ltd
Beijing Kingpeng International Hi Tech Corp
Original Assignee
BEIJING JINGPENG GLOBAL TECHNOLOGY Co Ltd
Priority date (The priority date is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the date listed.)
Filing date
Publication date
Application filed by BEIJING JINGPENG GLOBAL TECHNOLOGY Co Ltd filed Critical BEIJING JINGPENG GLOBAL TECHNOLOGY Co Ltd
Priority to CN2012105930455A priority Critical patent/CN103105246A/zh
Publication of CN103105246A publication Critical patent/CN103105246A/zh
Pending legal-status Critical Current

Links

Abstract

一种基于遗传算法改进的BP神经网络的温室环境预测反馈方法,方法如下:获取若干组被测植物叶片温度及对其有影响的其它5个因子的监测数据值,将这些数据归一化为-1至+1之间值,将归一化后的这些数据组分类组以作为即将待用的训练和测试数据;建立BP神经网络,其包括一个输入层、一个中间层和一个输出层;采用遗传算法对上述建立的BP神经网络进行优化;对优化后的BP神经网络进行训练和测试;利用通过测试的BP神经网络预测植物叶片温度。其可以建立适合于温室环境参数预测的模型,通过计算机仿真试验,能够准确、快速地预测温室环境下的目标参数。

Description

一种基于遗传算法改进的BP神经网络的温室环境预测反馈方法
技术领域
[0001] 本发明涉及一种温室环境参数的预测方法,特别涉及一种能够准确迅速预测温室内植物叶片温度的、基于遗传算法改进的BP神经网络的温室环境预测反馈方法。
背景技术
[0002] 温室是具有非线性、随机性、强耦合和不确定性等特点的复杂系统。温室环境建模的目的主要是满足温室系统仿真、设计、预测、控制(最优化控制和自适应控制)和决策等方面的需要。温室环境建模的主要方法有基于物理过程的机理建模和测试法两种。基于物理过程的机理建模是以还原论为思想基础的,其思想方法是用相对简单的原理来解释复杂的现象或结构,利用非稳态传热传质理论得到描述温室环境动态过程的微分方程,通过求解微分方程在一定边界条件下的解得到环境动态模型。测试法是指利用输入输出数据所提供的信息来建立过程的数学模型,也称为系统辨识建模。系统辨识建模是解决系统的数学描述问题。对于非常复杂的系统,建立每一个参数都具有物理意义的机理模型是比较困难的。因此,根据试验方法,从试验数据中建立能反映系统的输入输出关系的模型。其模型参数可能不具有明确的物理意义,但并不影响系统设计和研究。系统辨识是在输入和输出的数据的基础上,从一组给定的模型类中,确定一个与所测系统等价的模型。其三要素是输入、输出数据,模型类和等价准则。实际中不可能寻找到一个与实际系统完全等价的模型,因此辨识就是从一组模型类中选择一个模型,按照某种准则,使之能最好地拟合实际系统的动态和静态特性。系统辨识的主要步骤为:试验设计一模型结构辨识一模型参数估计一模型检验。传统辨识算法的基本原理是通过建立依赖于参数的模型,把辨识问题转化成对模型参数的估计问题。该法能较成功地应用于线性系统或可线性化的系统辨识,按基本原理主要有最小二乘法、梯度校正法和极大似然法。但对于一般非线性系统的辨识比较困难。而人工神经网络对非线性函数却具有任意逼近和自学习能力,为非线性系统的辨识提供了一种简单而有效的一般性方法。
[0003] BPCBack Propagation,反向传播)神经网络是 1986 年由 Rumelhart 和 McCelland为首的科学家小组提出,是一种按误差逆传播算法训练的多层前馈网络,是目前应用最广泛的神经网络模型之一。BP网络能学习和存贮大量的输入-输出模式映射关系,而无需事前揭示描述这种映射关系的数学方程。它的学习规则是使用最速下降法,通过反向传播来不断调整网络的权值和阈值,使网络的误差平方和最小。BP神经网络模型拓扑结构包括输入层、中间层(隐层)和输出层。
发明内容
[0004] 本发明的目的是提供一种基于遗传算法改进的BP神经网络的温室环境预测反馈方法,可以准确、快速地预测温室中预测目标的参数。
[0005] 为实现上述目的,本发明采取以下设计方案:[0006] 一种基于遗传算法改进的BP神经网络的温室环境预测反馈方法,其包括如下方法步骤:
[0007] (I)获取若干组被测植物叶片温度及对其有影响的其它5个因子的监测数据值,其中,该5个因子是:温室外温度、相对湿度、太阳辐射照度、保温覆盖层状态和CO2含量;
[0008] 将这些数据归一化为-1至+1之间值,采用的归一化公式为:
X max - X mill
[0009] 其中:x*代表归一化后的值,X为变量的实际值,Xmax和Xmin分别为变量的最大值和最小值;
[0010] 将归一化后的这些数据组分类组以作为即将待用的训练和测试数据;
[0011] (2)建立BP神经网络,所述的BP神经网络包括一个输入层、一个中间层和一个输出层;
[0012] (3)采用遗传算法对上述建立的BP神经网络进行优化;
[0013] (4)对优化后的BP神经网络进行训练和测试;
[0014] (5)利用通过测试的BP神经网络预测植物叶片温度。
[0015] 所述基于遗传算法改进的BP神经网络的温室环境预测反馈方法的输入层有6个神经元,中间层有16个神经元,输出层有I个神经元。
[0016] 所述基于遗传算法改进的BP神经网络的温室环境预测反馈方法步骤2中,先通过遗传算法进行全局训练 ,优化神经网络初始权值和阈值,再用优化的权值和阈值对BP算法进行训练,使网络收敛速度加快和避免局部极小,得到全局最优解。
[0017] 所述基于遗传算法改进的BP神经网络的温室环境预测反馈方法步骤(3)中优化的具体步骤是:
[0018] (a)随机产生初始群体,设N个个体,采用二进制编码机制对每个个体进行编码,从而构成基因链码,即染色体,每个基因链码对应一个神经网络的连接关系;
[0019] (b)确定适应度函数,以误差函数的倒数作为染色体的评价函数;计算每条染色体的适应度函数值,适应度函数值取F=l/E,其中E为平均误差均值函数,
E=^t flYnt)-Yi(t)}
U P=I 仁 I
[0020] 其中P为训练样本的数量;0为输出层的神经元数W),1^(0分别为网络的实际
输出和期望输出值;
[0021] (c)选择若干适应度函数值大的个体直接进入下一代,适应度值小的个体被淘汰;
[0022] (d)利用交叉、变异遗传算子对当前一代群体进行处理,并产生下一代群体;
[0023] (e)重复步骤(b)、(c)和(d),对新一代群体进行新一轮迭代,直到训练目标满足终止条件为止。
[0024] 所述基于遗传算法改进的BP神经网络的温室环境预测反馈方法的中间层的神经元函数的传递函数采用S型正切激活函数,输出层神经元的传递函数采用S型对数函数。
[0025] 所述基于遗传算法改进的BP神经网络的温室环境预测反馈方法步骤I中,将归一化后获取的若干组监测数据值分为两类组,前70%为一类组,用来训练BP神经网络,记为训练样本,后30%为另一类组,用来检验BP神经网络,记为检验样本;步骤4中,对神经网络进行训练和测试时,对网络反复训练,当预测测数据间误差达0.000001时,停止训练,开始预测。
[0026] 所述基于遗传算法改进的BP神经网络的温室环境预测反馈方法中,在步骤(3)中,根据输入输出数据的维数,确定BP神经网络中间层神经元数的范围以及输出层神经元数,对据此形成遗传算法中的若干个种群初始化并采用遗传算法进化优化:用选择、交叉和变异遗传操作在前代种群的基础上产生新一代种群,计算适应度值,判断遗传算法收敛条件是否满足,并从所有种群中选择最优个体,该个体同时包含了 BP神经网络的结构和权值及阈值的初值信息;根据上述最优个体所提供的结构、权值、阈值信息创建BP神经网络并对其初始化,利用经归一化后的训练集数据作为BP神经网络输入输出数据,用学习率可变的动量BP算法进一步训练BP神经网络直至收敛。
[0027] 所述基于遗传算法改进的BP神经网络的温室环境预测反馈方法中,在步骤(4)中,利用通过测试的神经网络进行预测时,先将监测数据归一化到-1至+1之间,再进行输入,在步骤(5)中将网络运算后的输出值进行反归一化,得到预测的植物叶片温度值。
[0028] 本发明的优点是:能够解决传统预测模型所存在的数据矫正过程长、不易直接应用和参数值获得时间长等问题。可以使预测方法的预测精度提高,计算时间减少,稳定性增强。能够实现对BP神经网络结构的优化,进一步减少计算时间,增强预测的稳定性。本预测方法对训练数据要求相对较低,搜索效率高,易于被操作掌握。
附图说明
[0029] 图1为本发明建立的BP神经网络结构图。
[0030] 图2为本发明建立的BP神经网络训练过程方框示意图。
具体实施方式
[0031] 下面附图及实例对本发明基于遗传算法改进的BP神经网络的温室环境预测反馈方法做出详细说明。
[0032] 本发明基于遗传算法改进的BP神经网络的温室环境预测反馈方法,包括如下步骤:
[0033] (I)数据的获取与预处理:获取被测植物叶片温度及对其有影响的5个因子的值作为训练及测试数据。
[0034] 本发明的实施例中获取对植物温度有影响的5个因子的值的方法是,通过对选定的温室的3个取样点,每隔一小时取样一次,连续监测一个月,测定温室外温度、相对湿度、太阳辐射照度、保温覆盖层状态、CO2含量5个指标的值,获取所需数据。由此得到训练集和
预测集并对这些数据进行归一化处理。采用的归一化公式为:
Figure CN103105246AD00061
[0035] 其中X*代表归一化后的值,其值在O到I之间。X为变量的实际值,Xmax和Xmin分别为变量的最大值和最小值。
[0036] 将归一化后获取的若干组监测数据值分为两类组,前70%为一类组,用来训练BP神经网络,记为训练样本,后30%为另一类组,用来检验BP神经网络,记为检验样本。[0037] (2)建立误差反向传播神经网络
[0038] 所述的神经网络由一个输入层、一个中间层(隐层)和一个输出层组成。其中,本发明设定的输入层有6个神经元,分别对应植物叶片温度,温室外温度、相对湿度、太阳辐射照度、保温覆盖层状态、CO2含量;中间层(隐层)神经元数目比较难确定,但对模型的精确度和准确度的影响却很大,经反复运算(此运算方式在后面给出),通过比较中间层(隐层)神经元个数不同的情况下网络的输出结果,本发明最终确定中间层(隐层)神经元数为16;网络输出层为目标值,即植物叶片温度,故只有I个神经元,为下一时刻的植物叶片温度,参见图1所示。所述的中间层的神经元函数的传递函数采用S型正切激活函数,输出层神经元的传递函数采用S型对数函数,所有数据归一化到-1至+1之间。
[0039] (3)采用遗传算法对神经网络进行优化。
[0040] 采取遗传算法优化神经网络权值和阈值。先通过遗传算法进行全局训练,优化神经网络初始权值和阈值,再用优化的权值和阈值对BP算法进行训练,使网络收敛速度加快和避免局部极小,得到全局最优解。
[0041] 基于遗传算法的神经网络权值优化步骤如下:
[0042] (a)随机产生初始群体,设N个个体。采用二进制编码机制对每个个体进行编码,从而构成基因链码,即染色体,每个基因链码对应一个神经网络的连接关系。
[0043] (b)确定适应度函数。一般以误差函数的倒数作为染色体的评价函数。计算每条染色体的适应度值,误差越大,适应度值越小。适应度函数取F=l/E,其中E为平均误差均值
函数
Figure CN103105246AD00071
[0044] 其中P为训练样本的数量;0为输出层的神经元数;ίΤ(0,1ϊ(0分别为网络的实际
输出和期望输出。
[0045] (C)选择若干适应度函数值大的个体直接进入下一代,适应度值小的个体被淘汰。
[0046] (d)利用交叉、变异等遗传算子对当前一代群体进行处理,并产生下一代群体。
[0047] (e)重复步骤(b),(c),(d),对新一代群体进行新一轮迭代,直到训练目标满足终止条件为止。
[0048] (3)对神经网络进行训练(L-M训练)和测试
[0049] 参见图2所述的对神经网络进行训练和测试是,将每小时所监测的植物叶片温度,温室外温度、相对湿度、太阳辐射照度、保温覆盖层状态、CO2含量值记为一组数据,并将所有组监测数据分为两部分,前70%称为训练样本,后30%称为检验样本。将70%的训练样本用来训练网络,建立学习机制,即当输入某天的一组数据时,即给出植物叶片温度,温室外温度、相对湿度、太阳辐射照度、保温覆盖层状态、CO2含量这样一组输入数据时,中间层(隐层)神经元个数取16,经过网络自动运算,会有一个输出值(预测下一时刻植物叶片温度值),比较输出值与期望输出值(实际测量植物叶片温度值)之间的误差,若误差小于指定精度,则学习结束。否则,将误差信号沿原来连接路径反向传播,并逐步调整各层的连接权值,直到误差小于指定精度为止,此时第一组学习完成,进入下一组学习,直到连接权值对所有训练组的预测误差均在指定范围内,输出此时的最佳权值。训练组越多,网络的学习越充分,网络经验值越大,预测精度越高。对网络反复训练,当误差达到0.000001时,停止训练,开始预测。此时预测模型目标值与输出值相关系数高达0.9487,均方根误差为0.2430。将另外30%的检验样本用来检验网络。当网络训练结束后,利用另外30%的数据来检验网络,看模型得是否符合要求。此时模型预测值与实测值间相关系数为0.8376,均方根误差为
0.5785,通过测试。在进行训练中,当神经网络在各组测试数据的预测误差均低于规定水平时即通过测试,可以用于预测工作。
[0050] (4)利用通过测试的神经网络进行预测。
[0051] 利用通过测试的神经网络进行预测必须将输入数据归一化到-1至+1之间,再输入到通过测试的神经网络中,并将网络运算后的输出进行反归一化,就得到植物叶片温度预测值。
[0052] 上述各实施例可在不脱离本发明的范围下加以若干变化,故以上的说明所包含及附图中所示的结构应视为例示性,而非用以限制本发明的申请专利范围。
[0053] 本发明所述的方法与利用现有BP神经网络训练方法去预测植物叶片温度的方法相比,优点在于:
[0054] 一、本发明采用的遗传算法本质上属于随机寻优,可以在全局范围内寻得一个近优解,再在此基础上用原有的BP神经网络训练方法寻找全局最优解,避免陷于局部最优解,使预测方法的预测精度提高,计算时间减少,稳定性增强。
[0055] 二、本发明的预测方法采用多种群编码,各种群变量在内部进化,全局竞争,最后得到的最优个体不仅包含了权值、阀值的初始值信息,还包含了中间层(隐层)神经元数信息,从而实现了对BP神经网络结构的优化,进一步减少计算时间,增强预测的稳定性。
[0056] 三、现有的基于BP神经网络的预测方法对训练数据的依赖性很大,当遇到不良的训练数据时,BP神经网络将变得很难收敛,训练时间成倍增长,而本发明的预测方法对训练数据要求相对较低,它属于并行搜索,搜索效率高,使预测方法的稳定性大大增强。

Claims (8)

1.一种基于遗传算法改进的BP神经网络的温室环境预测反馈方法,其特征在于包括如下方法步骤: (1)获取若干组被测植物叶片温度及对其有影响的其它5个因子的监测数据值,其中,该5个因子是:温室外温度、相对湿度、太阳辐射照度、保温覆盖层状态和CO2含量; 将这些数据归一化为-1至+1之间值,采用的归一化公式为:Χ*= Α~-ΥΐΏΐηX max- X mm 其中:X*代表归一化后的值,X为变量的实际值,Xmax和Xmin分别为变量的最大值和最小值; 将归一化后的这些数据组分类组以作为即将待用的训练和测试数据; (2)建立BP神经网络,所述的BP神经网络包括一个输入层、一个中间层和一个输出层; (3)采用遗传算法对上述建立的BP神经网络进行优化; (4)对优化后的BP神经网络进行训练和测试; (5)利用通过测试的BP神经网络预测植物叶片温度。
2.根据权利要求1所述的基于遗传算法改进的BP神经网络的温室环境预测反馈方法,其特征在于:所述的输入层有6个神经元,中间层有16个神经元,输出层有I个神经元。
3.根据权利要求1所述的基于遗传算法改进的BP神经网络的温室环境预测反馈方法,其特征在于:步骤2中,先通过遗传算法进行全局训练,优化神经网络初始权值和阈值,再用优化的权值和阈值对BP算法进行训练,使网络收敛速度加快和避免局部极小,得到全局最优解。
4.根据权利要求3所述的基于遗传算法改进的BP神经网络的温室环境预测反馈方法,其特征在于步骤(3)中优化的具体步骤是: (a)随机产生初始群体,设N个个体,采用二进制编码机制对每个个体进行编码,从而构成基因链码,即染色体,每个基因链码对应一个神经网络的连接关系; (b)确定适应度函数,以误差函数的倒数作为染色体的评价函数;计算每条染色体的适应度函数值,适应度函数值取F=l/E,其中E为平均误差均值函数, Z尸 P-1 Ϊ=1 其中P为训练样本的数量;0为输出层的神经元数分别为网络的实际输出和期望输出值; (C)选择若干适应度函数值大的个体直接进入下一代,适应度值小的个体被淘汰; (d)利用交叉、变异遗传算子对当前一代群体进行处理,并产生下一代群体; (e)重复步骤(b)、(c)和(d),对新一代群体进行新一轮迭代,直到训练目标满足终止条件为止。
5.根据权利要求1所述的基于遗传算法改进的BP神经网络的温室环境预测反馈方法,其特征在于:所述的中间层的神经元函数的传递函数采用S型正切激活函数,输出层神经元的传递函数采用S型对数函数。
6.根据权利要求1所述的基于遗传算法改进的BP神经网络的温室环境预测反馈方法,其特征在于:步骤I中,将归一化后获取的若干组监测数据值分为两类组,前70%为一类组,用来训练BP神经网络,记为训练样本,后30%为另一类组,用来检验BP神经网络,记为检验样本;步骤4中,对神经网络进行训练和测试时,对网络反复训练,当预测测数据间误差达0.000001时,停止训练,开始预测。
7.根据权利要求1或4所述的基于遗传算法改进的BP神经网络的温室环境预测反馈方法,其特征在于,在步骤(3)中,根据输入输出数据的维数,确定BP神经网络中间层神经元数的范围以及输出层神经元数,对据此形成遗传算法中的若干个种群初始化并采用遗传算法进化优化:用选择、交叉和变异遗传操作在前代种群的基础上产生新一代种群,计算适应度值,判断遗传算法收敛条件是否满足,并从所有种群中选择最优个体,该个体同时包含了 BP神经网络的结构和权值及阈值的初值信息;根据上述最优个体所提供的结构、权值、阈值信息创建BP神经网络并对其初始化,利用经归一化后的训练集数据作为BP神经网络输入输出数据,用学习率可变的动量BP算法进一步训练BP神经网络直至收敛。
8.根据权利要求1所述的基于遗传算法改进的BP神经网络的温室环境预测反馈方法,其特征在于,在步骤(4)中,利用通过测试的神经网络进行预测时,先将监测数据归一化到-1至+1之间,再进行输入,在步骤(5)中将网络运算后的输出值进行反归一化,得到预测的植物叶片温度值。
CN2012105930455A 2012-12-31 2012-12-31 一种基于遗传算法改进的bp神经网络的温室环境预测反馈方法 Pending CN103105246A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN2012105930455A CN103105246A (zh) 2012-12-31 2012-12-31 一种基于遗传算法改进的bp神经网络的温室环境预测反馈方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN2012105930455A CN103105246A (zh) 2012-12-31 2012-12-31 一种基于遗传算法改进的bp神经网络的温室环境预测反馈方法

Publications (1)

Publication Number Publication Date
CN103105246A true CN103105246A (zh) 2013-05-15

Family

ID=48313269

Family Applications (1)

Application Number Title Priority Date Filing Date
CN2012105930455A Pending CN103105246A (zh) 2012-12-31 2012-12-31 一种基于遗传算法改进的bp神经网络的温室环境预测反馈方法

Country Status (1)

Country Link
CN (1) CN103105246A (zh)

Cited By (37)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN103309370A (zh) * 2013-06-01 2013-09-18 中南林业科技大学 一种基于bp神经网络的孵房湿度控制方法
CN103605385A (zh) * 2013-09-30 2014-02-26 中国农业大学 一种用于日光温室的co2气肥精细调控方法与装置
CN103903068A (zh) * 2014-04-11 2014-07-02 浙江工业大学 一种混合优化算法的温室能量预测方法
CN103984980A (zh) * 2014-01-28 2014-08-13 中国农业大学 一种温室内温度极值的预测方法
CN104182656A (zh) * 2014-08-12 2014-12-03 大连海事大学 一种在染色体上定位并显示生物基因表达信息及环境敏感区域的方法
CN104706709A (zh) * 2015-03-18 2015-06-17 李�杰 一种优化花生壳黄酮提取工艺参数的方法
CN104915515A (zh) * 2015-06-26 2015-09-16 武汉大学 一种基于bp神经网络的gfet建模方法
CN105389614A (zh) * 2015-12-09 2016-03-09 天津大学 一种神经网络自更新过程的实现方法
CN105588930A (zh) * 2015-12-17 2016-05-18 镇江市高等专科学校 温室大棚土壤参数测量方法
CN106204306A (zh) * 2016-07-15 2016-12-07 天津市气候中心 一种日光温室夜间室内外温差的估算方法
CN106773720A (zh) * 2017-01-25 2017-05-31 张彩芬 一种温室大棚环境自动控制系统
CN106951983A (zh) * 2017-02-27 2017-07-14 浙江工业大学 基于采用多父代遗传算法的人工神经网络的喷射器性能预测方法
CN107168066A (zh) * 2017-06-23 2017-09-15 太原理工大学 一种温室环境自适应控制方法
CN107180261A (zh) * 2017-06-08 2017-09-19 南京农业大学 基于滚动bp神经网络的温室小气候中长期预测方法
CN107678410A (zh) * 2017-09-30 2018-02-09 中国农业大学 一种面向温室环境的智能控制方法、系统与控制器
CN107909149A (zh) * 2017-10-26 2018-04-13 西北农林科技大学 一种基于遗传bp神经网络的日光温室温度预测方法
CN107977726A (zh) * 2016-10-21 2018-05-01 中国科学院声学研究所 用户关系预测模型的建立及用户动态关系的预测方法
CN108038570A (zh) * 2017-12-08 2018-05-15 云南电网有限责任公司 基于笛卡尔遗传编程循环神经网络的超短时负荷预测方法
CN108053061A (zh) * 2017-12-08 2018-05-18 天津大学 一种基于改进卷积神经网络的太阳能辐照度预测方法
CN108073075A (zh) * 2017-12-21 2018-05-25 苏州大学 基于ga优化bp神经网络的硅微加速度计温度补偿方法、系统
CN108319134A (zh) * 2018-01-15 2018-07-24 沈阳大学 一种基于极限学习机网络的温室环境智能控制方法
CN108334957A (zh) * 2017-12-11 2018-07-27 国网浙江省电力有限公司经济技术研究院 电网一次设备运维检修成本预测方法及系统
CN108491404A (zh) * 2018-01-22 2018-09-04 国电南瑞科技股份有限公司 一种基于bp神经网络的状态估计不良数据辨识方法
CN108734292A (zh) * 2018-05-04 2018-11-02 浙江大学 基于遗传算法的多片倾斜表面浮雕拼接光栅的优化方法及倾斜表面浮雕光栅波导显示系统
CN108762063A (zh) * 2018-06-06 2018-11-06 吉林大学 一种日光温室湿帘风机循环通风降温系统及其控制方法
CN109086952A (zh) * 2018-10-25 2018-12-25 北京石油化工学院 一种基于遗传算法-神经网络的热负荷预测方法
CN109214579A (zh) * 2018-09-20 2019-01-15 山东省林业科学研究院 基于bp神经网络的盐碱地稳定性预测方法及系统
CN109376939A (zh) * 2018-11-01 2019-02-22 三峡大学 一种基于自适应神经网络的电网稳定性实时预测方法
CN110069032A (zh) * 2019-04-19 2019-07-30 淮阴工学院 一种基于小波神经网络的茄子温室环境智能检测系统
CN110109193A (zh) * 2019-04-19 2019-08-09 淮阴工学院 一种基于drnn神经网络的茄子温室温度智能化检测装置
CN110298467A (zh) * 2018-03-23 2019-10-01 中国科学院微电子研究所 一种剩余电量的估计方法及系统
CN110463587A (zh) * 2019-09-21 2019-11-19 河北工程大学 基于LoRa与GA-BP的规模化大棚节水灌溉系统
CN110737204A (zh) * 2018-07-20 2020-01-31 中国农业大学 太阳能热泵控温的温室大棚模型
CN111593279A (zh) * 2020-05-26 2020-08-28 浙江工业大学 医用镁基材料复合生物涂层降解速率可控的方法
CN111639462A (zh) * 2020-05-29 2020-09-08 桂林电子科技大学 一种基于深度置信神经网络的自然通风环境下建筑室内热舒适预测方法
CN112381326A (zh) * 2020-11-30 2021-02-19 安徽理工大学 一种基于改进bp神经网络的汛情监测方法
CN112462648A (zh) * 2020-11-13 2021-03-09 东南大学 一种用于建筑综合环境监测及预测系统

Citations (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP2010051190A (ja) * 2008-08-26 2010-03-11 Ehime Univ 栽培植物局部冷却装置および栽培植物局部冷却方法
CN102789579A (zh) * 2012-07-26 2012-11-21 同济大学 基于计算机视觉技术的温室作物水肥胁迫状态识别方法

Patent Citations (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP2010051190A (ja) * 2008-08-26 2010-03-11 Ehime Univ 栽培植物局部冷却装置および栽培植物局部冷却方法
CN102789579A (zh) * 2012-07-26 2012-11-21 同济大学 基于计算机视觉技术的温室作物水肥胁迫状态识别方法

Non-Patent Citations (3)

* Cited by examiner, † Cited by third party
Title
牛海微: "基于遗传BP神经网络构建温室月季花卉病害预警系统", 《中国优秀硕士学位论文全文数据库 农业科技辑》 *
王允: "遗传算法和BP网络技术在LF炉温度预报中的应用", 《中国优秀硕士学位论文全文数据库 工程科技I辑》 *
罗中岭: "《当代温室气候与花卉》", 31 October 1994 *

Cited By (52)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN103309370A (zh) * 2013-06-01 2013-09-18 中南林业科技大学 一种基于bp神经网络的孵房湿度控制方法
CN103605385A (zh) * 2013-09-30 2014-02-26 中国农业大学 一种用于日光温室的co2气肥精细调控方法与装置
CN103605385B (zh) * 2013-09-30 2016-01-27 中国农业大学 一种用于日光温室的co2气肥精细调控方法
CN103984980A (zh) * 2014-01-28 2014-08-13 中国农业大学 一种温室内温度极值的预测方法
CN103903068B (zh) * 2014-04-11 2017-01-25 浙江工业大学 一种混合优化算法的温室能量预测方法
CN103903068A (zh) * 2014-04-11 2014-07-02 浙江工业大学 一种混合优化算法的温室能量预测方法
CN104182656A (zh) * 2014-08-12 2014-12-03 大连海事大学 一种在染色体上定位并显示生物基因表达信息及环境敏感区域的方法
CN104182656B (zh) * 2014-08-12 2017-06-16 大连海事大学 一种在染色体上定位并显示生物基因表达信息及环境敏感区域的方法
CN104706709A (zh) * 2015-03-18 2015-06-17 李�杰 一种优化花生壳黄酮提取工艺参数的方法
CN104915515A (zh) * 2015-06-26 2015-09-16 武汉大学 一种基于bp神经网络的gfet建模方法
CN105389614B (zh) * 2015-12-09 2018-04-03 天津大学 一种神经网络自更新过程的实现方法
CN105389614A (zh) * 2015-12-09 2016-03-09 天津大学 一种神经网络自更新过程的实现方法
CN105588930A (zh) * 2015-12-17 2016-05-18 镇江市高等专科学校 温室大棚土壤参数测量方法
CN106204306A (zh) * 2016-07-15 2016-12-07 天津市气候中心 一种日光温室夜间室内外温差的估算方法
CN106204306B (zh) * 2016-07-15 2019-06-25 天津市气候中心 一种日光温室夜间室内外温差的估算方法
CN107977726B (zh) * 2016-10-21 2021-03-16 中国科学院声学研究所 用户关系预测模型的建立及用户动态关系的预测方法
CN107977726A (zh) * 2016-10-21 2018-05-01 中国科学院声学研究所 用户关系预测模型的建立及用户动态关系的预测方法
CN106773720A (zh) * 2017-01-25 2017-05-31 张彩芬 一种温室大棚环境自动控制系统
CN106951983A (zh) * 2017-02-27 2017-07-14 浙江工业大学 基于采用多父代遗传算法的人工神经网络的喷射器性能预测方法
CN107180261A (zh) * 2017-06-08 2017-09-19 南京农业大学 基于滚动bp神经网络的温室小气候中长期预测方法
CN107180261B (zh) * 2017-06-08 2020-03-17 南京农业大学 基于滚动bp神经网络的温室小气候中长期预测方法
CN107168066B (zh) * 2017-06-23 2020-04-28 太原理工大学 一种温室环境自适应控制方法
CN107168066A (zh) * 2017-06-23 2017-09-15 太原理工大学 一种温室环境自适应控制方法
CN107678410A (zh) * 2017-09-30 2018-02-09 中国农业大学 一种面向温室环境的智能控制方法、系统与控制器
CN107909149A (zh) * 2017-10-26 2018-04-13 西北农林科技大学 一种基于遗传bp神经网络的日光温室温度预测方法
CN108038570A (zh) * 2017-12-08 2018-05-15 云南电网有限责任公司 基于笛卡尔遗传编程循环神经网络的超短时负荷预测方法
CN108053061B (zh) * 2017-12-08 2021-08-31 天津大学 一种基于改进卷积神经网络的太阳能辐照度预测方法
CN108053061A (zh) * 2017-12-08 2018-05-18 天津大学 一种基于改进卷积神经网络的太阳能辐照度预测方法
CN108334957A (zh) * 2017-12-11 2018-07-27 国网浙江省电力有限公司经济技术研究院 电网一次设备运维检修成本预测方法及系统
CN108073075A (zh) * 2017-12-21 2018-05-25 苏州大学 基于ga优化bp神经网络的硅微加速度计温度补偿方法、系统
CN108319134A (zh) * 2018-01-15 2018-07-24 沈阳大学 一种基于极限学习机网络的温室环境智能控制方法
CN108491404B (zh) * 2018-01-22 2022-07-01 国电南瑞科技股份有限公司 一种基于bp神经网络的状态估计不良数据辨识方法
CN108491404A (zh) * 2018-01-22 2018-09-04 国电南瑞科技股份有限公司 一种基于bp神经网络的状态估计不良数据辨识方法
CN110298467A (zh) * 2018-03-23 2019-10-01 中国科学院微电子研究所 一种剩余电量的估计方法及系统
CN108734292A (zh) * 2018-05-04 2018-11-02 浙江大学 基于遗传算法的多片倾斜表面浮雕拼接光栅的优化方法及倾斜表面浮雕光栅波导显示系统
CN108762063B (zh) * 2018-06-06 2020-01-24 吉林大学 一种日光温室湿帘风机循环通风降温系统及其控制方法
CN108762063A (zh) * 2018-06-06 2018-11-06 吉林大学 一种日光温室湿帘风机循环通风降温系统及其控制方法
CN110737204B (zh) * 2018-07-20 2021-06-29 中国农业大学 太阳能热泵控温的温室大棚模型的建立方法
CN110737204A (zh) * 2018-07-20 2020-01-31 中国农业大学 太阳能热泵控温的温室大棚模型
CN109214579B (zh) * 2018-09-20 2020-09-25 山东省林业科学研究院 基于bp神经网络的盐碱地稳定性预测方法及系统
CN109214579A (zh) * 2018-09-20 2019-01-15 山东省林业科学研究院 基于bp神经网络的盐碱地稳定性预测方法及系统
CN109086952A (zh) * 2018-10-25 2018-12-25 北京石油化工学院 一种基于遗传算法-神经网络的热负荷预测方法
CN109376939A (zh) * 2018-11-01 2019-02-22 三峡大学 一种基于自适应神经网络的电网稳定性实时预测方法
CN110109193B (zh) * 2019-04-19 2021-01-01 淮阴工学院 一种基于drnn神经网络的茄子温室温度智能化检测装置
CN110069032B (zh) * 2019-04-19 2021-04-23 淮阴工学院 一种基于小波神经网络的茄子温室环境智能检测系统
CN110109193A (zh) * 2019-04-19 2019-08-09 淮阴工学院 一种基于drnn神经网络的茄子温室温度智能化检测装置
CN110069032A (zh) * 2019-04-19 2019-07-30 淮阴工学院 一种基于小波神经网络的茄子温室环境智能检测系统
CN110463587A (zh) * 2019-09-21 2019-11-19 河北工程大学 基于LoRa与GA-BP的规模化大棚节水灌溉系统
CN111593279A (zh) * 2020-05-26 2020-08-28 浙江工业大学 医用镁基材料复合生物涂层降解速率可控的方法
CN111639462A (zh) * 2020-05-29 2020-09-08 桂林电子科技大学 一种基于深度置信神经网络的自然通风环境下建筑室内热舒适预测方法
CN112462648A (zh) * 2020-11-13 2021-03-09 东南大学 一种用于建筑综合环境监测及预测系统
CN112381326A (zh) * 2020-11-30 2021-02-19 安徽理工大学 一种基于改进bp神经网络的汛情监测方法

Similar Documents

Publication Publication Date Title
CN103105246A (zh) 一种基于遗传算法改进的bp神经网络的温室环境预测反馈方法
CN104636801A (zh) 一种基于优化bp神经网络的预测输电线路可听噪声方法
CN104217258B (zh) 一种电力负荷条件密度预测方法
CN104636985A (zh) 一种改进bp神经网络的输电线路无线电干扰预测方法
Jadav et al. Optimizing weights of artificial neural networks using genetic algorithms
CN108920812A (zh) 一种机械加工表面粗糙度预测方法
CN110751318A (zh) 一种基于ipso-lstm的超短期电力负荷预测方法
CN110059852A (zh) 一种基于改进随机森林算法的股票收益率预测方法
CN112364560B (zh) 矿山凿岩装备作业工时智能预测方法
Ning et al. GA-BP air quality evaluation method based on fuzzy theory
CN104503420A (zh) 一种基于新型fde-elm和时延efsm的非线性过程工业故障预测方法
CN112149883A (zh) 基于fwa-bp神经网络的光伏功率预测方法
CN111523778A (zh) 基于粒子群算法和梯度提升树的电网运行安全评估方法
Zeng et al. Short-term load forecasting of smart grid systems by combination of general regression neural network and least squares-support vector machine algorithm optimized by harmony search algorithm method
CN107273971B (zh) 基于神经元显著性的前馈神经网络结构自组织方法
CN112581311B (zh) 一种多风电场聚合后出力长期波动特性预测方法及系统
Gao et al. Establishment of Economic Forecasting Model of High-tech Industry Based on Genetic Optimization Neural Network
CN113033898A (zh) 基于k均值聚类与bi-lstm神经网络的电负荷预测方法及系统
CN112733417A (zh) 一种基于模型优化的异常负荷数据检测与修正方法和系统
CN112183814A (zh) 一种短期风速预测方法
Cheng et al. Network traffic prediction algorithm research based on PSO-BP neural network
Ying et al. A novel optimization algorithm for BP neural network based on RS-MEA
CN104732067A (zh) 一种面向流程对象的工业过程建模预测方法
CN111008790A (zh) 一种水电站群发电调度规则提取方法
CN110046710A (zh) 一种神经网络的非线性函数极值优化方法及系统

Legal Events

Date Code Title Description
C06 Publication
PB01 Publication
C10 Entry into substantive examination
SE01 Entry into force of request for substantive examination
C02 Deemed withdrawal of patent application after publication (patent law 2001)
WD01 Invention patent application deemed withdrawn after publication

Application publication date: 20130515