CN107168066A - 一种温室环境自适应控制方法 - Google Patents

一种温室环境自适应控制方法 Download PDF

Info

Publication number
CN107168066A
CN107168066A CN201710492713.8A CN201710492713A CN107168066A CN 107168066 A CN107168066 A CN 107168066A CN 201710492713 A CN201710492713 A CN 201710492713A CN 107168066 A CN107168066 A CN 107168066A
Authority
CN
China
Prior art keywords
output
greenhouse
msub
mrow
input
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.)
Granted
Application number
CN201710492713.8A
Other languages
English (en)
Other versions
CN107168066B (zh
Inventor
贾华宇
张立优
马珺
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.)
Taiyuan University of Technology
Original Assignee
Taiyuan University of Technology
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 Taiyuan University of Technology filed Critical Taiyuan University of Technology
Priority to CN201710492713.8A priority Critical patent/CN107168066B/zh
Publication of CN107168066A publication Critical patent/CN107168066A/zh
Application granted granted Critical
Publication of CN107168066B publication Critical patent/CN107168066B/zh
Expired - Fee Related legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Classifications

    • G—PHYSICS
    • G05—CONTROLLING; REGULATING
    • G05B—CONTROL OR REGULATING SYSTEMS IN GENERAL; FUNCTIONAL ELEMENTS OF SUCH SYSTEMS; MONITORING OR TESTING ARRANGEMENTS FOR SUCH SYSTEMS OR ELEMENTS
    • G05B13/00—Adaptive control systems, i.e. systems automatically adjusting themselves to have a performance which is optimum according to some preassigned criterion
    • G05B13/02—Adaptive control systems, i.e. systems automatically adjusting themselves to have a performance which is optimum according to some preassigned criterion electric
    • G05B13/04—Adaptive control systems, i.e. systems automatically adjusting themselves to have a performance which is optimum according to some preassigned criterion electric involving the use of models or simulators
    • G05B13/042—Adaptive control systems, i.e. systems automatically adjusting themselves to have a performance which is optimum according to some preassigned criterion electric involving the use of models or simulators in which a parameter or coefficient is automatically adjusted to optimise the performance
    • G—PHYSICS
    • G05—CONTROLLING; REGULATING
    • G05B—CONTROL OR REGULATING SYSTEMS IN GENERAL; FUNCTIONAL ELEMENTS OF SUCH SYSTEMS; MONITORING OR TESTING ARRANGEMENTS FOR SUCH SYSTEMS OR ELEMENTS
    • G05B13/00—Adaptive control systems, i.e. systems automatically adjusting themselves to have a performance which is optimum according to some preassigned criterion
    • G05B13/02—Adaptive control systems, i.e. systems automatically adjusting themselves to have a performance which is optimum according to some preassigned criterion electric
    • G05B13/0265—Adaptive control systems, i.e. systems automatically adjusting themselves to have a performance which is optimum according to some preassigned criterion electric the criterion being a learning criterion
    • G05B13/027—Adaptive control systems, i.e. systems automatically adjusting themselves to have a performance which is optimum according to some preassigned criterion electric the criterion being a learning criterion using neural networks only

Landscapes

  • Engineering & Computer Science (AREA)
  • Artificial Intelligence (AREA)
  • Evolutionary Computation (AREA)
  • Health & Medical Sciences (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Medical Informatics (AREA)
  • Software Systems (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Automation & Control Theory (AREA)
  • Feedback Control In General (AREA)
  • Greenhouses (AREA)

Abstract

本发明涉及温室环境自适应控制方法领域，尤其是适用于对温室环境要求高的温室大棚。一种温室环境自适应控制方法，根据温室系统输入和系统输出对应的关系，建立动态等价线性预测模型，确定该模型中状态向量的形式；通过OS‑ELM神经网络的学习对建立的动态等价线性预测模型的参数进行估计；根据设计控制器的误差准则函数，结合所获得的动态等价线性预测模型参数估计值，最小化误差准则函数获得控制器输出。本发明有效提高了温室环境自适应控制的精度。

Description

一种温室环境自适应控制方法
技术领域
本发明涉及温室环境自适应控制方法领域，尤其是适用于对温室环境要求高的温室大棚。
背景技术
温室生产是现代农业的重要组成部分，是农业信息化发展的主要应用领域，是国家在农业发展上的重中之重。温室生产能实现生产效益最大化和成本最低化的目的，大幅度提高了资源利用率和生产效率，明显改善了食品安全、环境污染和资源浪费等现象，加快了现代农业信息化控制和管理的步伐。在温室生产中最重要的环节就是对温室环境进行准确的检测和有效的控制，特别是温度、湿度、光照度和二氧化碳浓度等。通过实时的对温室环境检测并加以分析，结合农作物生长发育规律，控制温室环境使温室作物达到高产量、高质量和高品质的生产目的。随着社会的发展，名贵作物需求的不断扩大，加大了对温室大棚培育的需求，使得温室大棚环境的精准控制成为温室控制中的重要课题。
当前，智能温室控制大致分为自适应控制和非自适应控制两大类。由于实际被控对象的模型参数通常随外界条件的变化而发生变化，这就使得温室的非自适应控制对设计者的经验知识有较高的要求，而且控制效果仍不能满足现代温室农业的精准控制。自适应控制则可以有效的对系统模型在线辨识，实时的调整被控对象的模型参数，有效的对被控量进行在线补偿。因此，温室的自适应控制能够有效的克服温室系统的非线性、强耦合和时变等特性对温室环境的精准控制带来的影响。本发明提出了一种温室环境自适应控制方法。建立了针对温室控制中的离散非线性系统的动态等价线性预测模型，对动态等价线性预测模型中的未知变量采取了在线序列极限学习机在线参数估计，实现了温室环境的在线自适应控制。有效提高了温室环境的精准控制，对提高温室生产有重大意义。
发明内容
本发明所要解决的技术问题是：如何提供对温室环境的精准控制。
本发明所采用的技术方案是：一种温室环境自适应控制方法，按照如下步骤进行
步骤1，根据温室系统输入和系统输出对应的关系，建立动态等价线性预测模型，确定该模型中状态向量的形式。
步骤2，通过OS-ELM神经网络的学习对建立的动态等价线性预测模型的参数进行估计。
步骤3，根据设计控制器的误差准则函数，结合所获得的动态等价线性预测模型参数估计值，最小化误差准则函数获得控制器输出。
所述的步骤1中温室系统输入和系统输出包括温室加热系统输入和系统温度输出、温室通风系统输入和系统温度输出、温室增湿系统输入和系统湿度输出、温室除湿系统输入和系统湿度输出、温室补光系统输入和系统光照强度输出、温室二氧化碳发生器输入和系统二氧化碳浓度输出中的任意一种。
步骤1中建立的动态等价线性预测模型为yk+1＝f0[xk]+f1[xk]uk，其中，f0[xk]、f1[xk]为k时刻动态等价线性预测模型的待估参数，状态向量xk为一个在(k-m+1),…,(k-1)时刻下的所有控制输入和在(k-n+1),…,k时刻下的所有系统输出信号组成的向量，即xk＝[yk-n+1,...,yk,uk-m+1,...,uk-1]，yk+1表示系统在k+1时刻的系统输出，uk表示系统在k时刻的控制输入，yk-n+1,...,yk表示系统在(k-n+1),…,k时刻的系统输出，uk-m+1,...,uk-1表示系统在(k-m+1),…,(k-1)时刻的系统输入，m、n分别为系统输入和输出的阶数，m、n和k全为正整数。
步骤2的具体过程为，k时刻待估参数f0[xk]和f1[xk]所构建的OS-ELM神经网络函数为和动态等价线性预测模型等价为简写为yk+1＝Φkθ*，其中G(ai,bi,xk)为OS-ELM神经网络的隐层神经元的激活函数，其参数ai表示OS-ELM神经网络隐层第i个神经元到输入层的权值向量，bi表示隐层第i个神经元的偏置量，分别表示对f0[xk]和f1[xk]所构建的OS-ELM神经网络所对应的隐层到输出层权值向量，构建的每个OS-ELM神经网络隐层节点数为L，对应L个权值，即 L为正整数，构成的行向量转置即为θ*，Φk＝[G(a1,b1,xk)...G(aL,bL,xk)G(aL+1,bL+1,xk)uk...G(a2L,b2L,xk)uk]，第k次学习获得的输出权值向量为w0k和w1k时，动态等价线性预测输出值为：参数自适应估计表达式为： 表示Φk-1的转置，Ρ0为矩阵的逆。I为单位矩阵，ek表示在k大于等于2时刻温室的实际输出yk和预测输出的差值，即i为正整数。Φk-1表示函数值G(a1,b1,xk-1),…,G(aL,bL,xk-1),G(aL+1,bL+1,xk-1)uk-1,…,G(a2L,b2L,xk-1)uk-1构成的行向量，Φk表示函数值G(a1,b1,xk),…,G(aL,bL,xk),G(aL+1,bL+1,xk)uk,…,G(a2L,b2L,xk)uk构成的行向量，是Φk-1的转置，Ρk-1为矩阵的逆，即Ρk-2为矩阵的逆，即
步骤3中误差准则函数为 为第k+1次系统的预测输出，rk+1分别表示系统第(k+1)次系统输出的期望值，为第k+1次时预测输出和期望输出的误差，k为正整数。
所述的步骤3中最小化误差准则函数为零，获得控制器输出为：
其中，uk+1为第(k+1)次系统的输入值，w0k和w1k分别为第k次对权值向量和的估计。
本发明的有益效果是：提供了一种温室环境自适应控制方法，克服了现有温室控制系统难以精准建模以及传统控制方法难以有效控制等问题，建立了针对温室控制中的离散非线性系统的动态等价线性预测模型，对动态等价线性预测模型中的未知变量采取了在线序列极限学习机在线参数估计，基于动态等价线性预测模型的参数估计值构造预测误差函数，通过最小化准则函数，获得控制器输出，并且控制器的设计不需要系统任何模型参数信息。有效提高了温室环境自适应控制的精度。
附图说明
图1为本发明一种温室环境自适应控制方法的流程图。
具体实施方式
下面结合附图1，通过详细说明一个较佳的具体实施例，对本发明做进一步阐述，本发明不仅局限于此。
一种温室环境自适应控制方法，包含如下步骤：步骤1，根据温室系统输入和系统输出对应的关系，建立动态等价线性预测模型，确定该模型中状态向量的形式。步骤2，通过在线序贯极限学习机(OS-ELM)神经网络的学习对建立的动态等价线性预测模型的参数进行估计。步骤3，根据设计控制器的误差准则函数，结合所获得的动态等价线性预测模型参数估计值，最小化误差准则函数获得控制器输出。
以温室的温度控制问题为例，具体控制如下：
温室加热系统输入和系统温度输出
步骤1，被控系统是一个单输入单输出的非线性系统，取温室加热系统输入为控制输入，温室系统温度输出为系统的控制输出，状态向量为一个在(k-m+1),…,(k-1)时刻下的所有控制输入和在(k-n+1),…,k时刻下的所有系统输出信号组成的向量。令x表示系统状态向量，u表示系统的控制输入，y表示系统的输出，底数对应为所处时刻，则方程可以描述为：
yk+1＝f(yk,yk-1,...,yk-n+1,uk,uk-1...,uk-m+1) (0.1)
根据局部线性化近似为如下方程：
其中正整数m、n为系统输入和输出的阶数，本实例中分别取m＝1，n＝1。
步骤2，如果已知系统的输入输出数据和神经网络结构参数ai、bi、L和激发函数G(·)，则(0.2)式中只有系统权值向量θ*是未知量，需要进行在线估计。估计准则函数组为：
其中，是yk的估计值。对(0.3)式最小二乘法，可得到θ*的估计值
步骤3，设计控制器的误差准则函数为：
最小化误差准则函数，获得控制器输出为：
其中，为第k+1次时的误差，rk+1是系统输出的期望值，本实施例中取r＝28。
本实施例提供了一种温室温度自适应控制器在一个工作周期的工作过程，按如下时序工作：第一步，根据温室系统输入和系统输出对应的关系，确定该模型中状态向量的形式，按照(0.2)式建立被控对象的动态等价线性预测模型。第二步，利用获取控制温室系统温度的输入信号uk和对应系统的温度输出yk训练构建的OS-ELM神经网络，按照(0.4)式计算动态等价线性预测模型未知参数θ*估计值。第三步，根据(0.5)式的误差准则函数，按照(0.6)式计算系统控制输入uk+1；将控制输入信号输入被控系统，产生新的系统输出信号yk+1；返回第一步完成一个工作周期。
本发明采用动态线性化方法，通过提供被控系统的输入输出数据，采用在线序贯极限学习机神经网络学习，建立了每个采样时刻的动态等价线性化模型。采用了自适应控制算法，对温室系统的动态等价线性模型中的参数进行在线估计，有效提高了温室系统的控制精度。
最后应说明的是：以上各实施例仅用以说明本发明的技术方案，而非对其限制，本方案同样可以用于控制温室的湿度、光照度和二氧化碳浓度等；尽管参照前述各实施例对本发明进行了详细的说明，本领域的普通技术人员应当理解：其依然可以对前述各实施例所记载的技术方案进行修改，或者对其中部分或者全部技术特征进行同等替换；而这些修改或者替换，并不使相应技术方案的本质脱离本发明各实施例技术方案的范围。

Claims (6)

1.一种温室环境自适应控制方法，其特征在于：按照如下步骤进行
步骤1，根据温室系统输入和系统输出对应的关系，建立动态等价线性预测模型，确定该模型中状态向量的形式；
步骤2，通过OS-ELM神经网络的学习对建立的动态等价线性预测模型的参数进行估计；
步骤3，根据设计控制器的误差准则函数，结合所获得的动态等价线性预测模型参数估计值，最小化误差准则函数获得控制器输出。
2.根据权利要求1所述的一种温室环境自适应控制方法，其特征在于：步骤1中温室系统输入和系统输出包括温室加热系统输入和系统温度输出、温室通风系统输入和系统温度输出、温室增湿系统输入和系统湿度输出、温室除湿系统输入和系统湿度输出、温室补光系统输入和系统光照强度输出、温室二氧化碳发生器输入和系统二氧化碳浓度输出中的任意一种。
3.根据权利要求1所述的一种温室环境自适应控制方法，其特征在于：步骤1中建立的动态等价线性预测模型为yk+1＝f0[xk]+f1[xk]uk，其中，f0[xk]、f1[xk]为k时刻动态等价线性预测模型的待估参数，状态向量xk为一个在(k-m+1),…,(k-1)时刻下的所有控制输入和在(k-n+1),…,k时刻下的所有系统输出信号组成的向量，即xk＝[yk-n+1,...,yk,uk-m+1,...,uk-1]，yk+1表示系统在k+1时刻的系统输出，uk表示系统在k时刻的控制输入，yk-n+1,...,yk表示系统在(k-n+1),…,k时刻的系统输出，uk-m+1,...,uk-1表示系统在(k-m+1),…,(k-1)时刻的系统输入，m、n分别为系统输入和输出的阶数，m、n和k全为正整数。
4.根据权利要求3所述的一种温室环境自适应控制方法，其特征在于：步骤2的具体过程为，k时刻待估参数f0[xk]和f1[xk]所构建的OS-ELM神经网络函数为和动态等价线性预测模型等价为简写为yk+1＝Φkθ*，其中G(ai,bi,xk)为OS-ELM神经网络的隐层神经元的激活函数，其参数ai表示OS-ELM神经网络隐层第i个神经元到输入层的权值向量，bi表示隐层第i个神经元的偏置量， 分别表示对f0[xk]和f1[xk]所构建的OS-ELM神经网络所对应的隐层到输出层权值向量，构建的每个OS-ELM神经网络隐层节点数为L，对应L个权值，即L为正整数，构成的行向量转置即为θ*，Φk＝[G(a1,b1,xk) ... G(aL,bL,xk)G(aL+1,bL+1,xk)uk ... G(a2L,b2L,xk)uk]，第k次学习获得的输出权值向量为w0k和w1k时，动态等价线性预测输出值为：参数自适应估计表达式为： Ρ0为矩阵的逆。I为单位矩阵，ek表示在k大于等于2时刻温室的实际输出yk和预测输出的差值，即i为正整数。Φk-1表示函数值G(a1,b1,xk-1),…,G(aL,bL,xk-1),G(aL+1,bL+1,xk-1)uk-1,…,G(a2L,b2L,xk-1)uk-1构成的行向量，Φk表示函数值G(a1,b1,xk),…,G(aL,bL,xk),G(aL+1,bL+1,xk)uk,…,G(a2L,b2L,xk)uk构成的行向量，是Φk-1的转置，Ρk-1为矩阵的逆，即Ρk-2为矩阵的逆，即
5.根据权利要求4所述的一种温室环境自适应控制方法，其特征在于，所述的步骤3中误差准则函数为 为第k+1次系统的预测输出，rk+1分别表示系统第k+1次系统输出的期望值，为第k+1次时预测输出和期望输出的误差，k为正整数。
6.根据权利要求5所述的一种温室环境自适应控制方法，其特征在于：步骤3中最小化误差准则函数为零时，获得控制器输出为：
<mrow> <msub> <mi>u</mi> <mrow> <mi>k</mi> <mo>+</mo> <mn>1</mn> </mrow> </msub> <mo>=</mo> <mfrac> <mrow> <mo>-</mo> <msub> <mover> <mi>f</mi> <mo>^</mo> </mover> <mn>0</mn> </msub> <mo>&amp;lsqb;</mo> <msub> <mi>x</mi> <mi>k</mi> </msub> <mo>,</mo> <msub> <mi>w</mi> <mrow> <mn>0</mn> <mi>k</mi> </mrow> </msub> <mo>&amp;rsqb;</mo> <mo>+</mo> <msub> <mi>r</mi> <mrow> <mi>k</mi> <mo>+</mo> <mn>1</mn> </mrow> </msub> </mrow> <mrow> <msub> <mover> <mi>f</mi> <mo>^</mo> </mover> <mn>1</mn> </msub> <mo>&amp;lsqb;</mo> <msub> <mi>x</mi> <mi>k</mi> </msub> <mo>,</mo> <msub> <mi>w</mi> <mrow> <mn>1</mn> <mi>k</mi> </mrow> </msub> <mo>&amp;rsqb;</mo> </mrow> </mfrac> </mrow>
其中，uk+1为第(k+1)次系统的输入值，w0k和w1k分别为第k次对权值向量和的估计。
CN201710492713.8A 2017-06-23 2017-06-23 一种温室环境自适应控制方法 Expired - Fee Related CN107168066B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201710492713.8A CN107168066B (zh) 2017-06-23 2017-06-23 一种温室环境自适应控制方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201710492713.8A CN107168066B (zh) 2017-06-23 2017-06-23 一种温室环境自适应控制方法

Publications (2)

Publication Number Publication Date
CN107168066A true CN107168066A (zh) 2017-09-15
CN107168066B CN107168066B (zh) 2020-04-28

Family

ID=59826474

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201710492713.8A Expired - Fee Related CN107168066B (zh) 2017-06-23 2017-06-23 一种温室环境自适应控制方法

Country Status (1)

Country Link
CN (1) CN107168066B (zh)

Cited By (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
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
CN108781926A (zh) * 2018-06-14 2018-11-13 淮安信息职业技术学院 基于神经网络预测的大棚灌溉系统及方法
CN108983849A (zh) * 2018-07-12 2018-12-11 沈阳大学 一种利用复合极限学习机神经网络控制温室环境方法

Citations (8)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
WO2002006461A2 (en) * 2000-07-14 2002-01-24 University Of Kentucky Research Foundation Inhibitors of plant peptide deformylase for use as broad-spectrum herbicides and methods for identifying the same
CN102930302A (zh) * 2012-10-18 2013-02-13 山东大学 基于在线序贯极限学习机的递增式人体行为识别方法
CN103105246A (zh) * 2012-12-31 2013-05-15 北京京鹏环球科技股份有限公司 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
CN103217905A (zh) * 2013-04-22 2013-07-24 太原理工大学 一种设施农业温室大棚环境参数自适应控制方法
CN103235620A (zh) * 2013-04-19 2013-08-07 河北农业大学 基于全局变量预测模型的温室环境智能控制方法
CN105137940A (zh) * 2015-09-01 2015-12-09 徐州工业职业技术学院 物联网大棚农业生长监控系统
CN105700526A (zh) * 2016-01-13 2016-06-22 华北理工大学 具有自主学习能力的在线序列极限学习机方法
CN105974801A (zh) * 2016-08-03 2016-09-28 苏州睿渲恒晟智能科技有限公司 基于数据驱动的温室环境建模与控制技术

Patent Citations (8)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
WO2002006461A2 (en) * 2000-07-14 2002-01-24 University Of Kentucky Research Foundation Inhibitors of plant peptide deformylase for use as broad-spectrum herbicides and methods for identifying the same
CN102930302A (zh) * 2012-10-18 2013-02-13 山东大学 基于在线序贯极限学习机的递增式人体行为识别方法
CN103105246A (zh) * 2012-12-31 2013-05-15 北京京鹏环球科技股份有限公司 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
CN103235620A (zh) * 2013-04-19 2013-08-07 河北农业大学 基于全局变量预测模型的温室环境智能控制方法
CN103217905A (zh) * 2013-04-22 2013-07-24 太原理工大学 一种设施农业温室大棚环境参数自适应控制方法
CN105137940A (zh) * 2015-09-01 2015-12-09 徐州工业职业技术学院 物联网大棚农业生长监控系统
CN105700526A (zh) * 2016-01-13 2016-06-22 华北理工大学 具有自主学习能力的在线序列极限学习机方法
CN105974801A (zh) * 2016-08-03 2016-09-28 苏州睿渲恒晟智能科技有限公司 基于数据驱动的温室环境建模与控制技术

Non-Patent Citations (1)

* Cited by examiner, † Cited by third party
Title
张立优 等: "《基于在线序贯极限学习机的温室温度预测方法》", 《江苏农业科学》 *

Cited By (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
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
CN108781926A (zh) * 2018-06-14 2018-11-13 淮安信息职业技术学院 基于神经网络预测的大棚灌溉系统及方法
CN108781926B (zh) * 2018-06-14 2021-10-22 江苏电子信息职业学院 基于神经网络预测的大棚灌溉系统及方法
CN108983849A (zh) * 2018-07-12 2018-12-11 沈阳大学 一种利用复合极限学习机神经网络控制温室环境方法

Also Published As

Publication number Publication date
CN107168066B (zh) 2020-04-28

Similar Documents

Publication Publication Date Title
CN108284442B (zh) 一种基于模糊神经网络的机械臂柔性关节控制方法
CN105242544B (zh) 考虑随机扰动的非线性多无人机系统容错编队控制方法
CN108828949A (zh) 一种基于自适应动态规划的分布式最优协同容错控制方法
CN102129259B (zh) 用于砂尘环境试验风洞的基于神经网络pi的智能温度控制系统和方法
Luo et al. A laguerre neural network-based ADP learning scheme with its application to tracking control in the Internet of Things
Pérez-González et al. Modeling of a greenhouse prototype using PSO and differential evolution algorithms based on a real-time LabView™ application
CN109787251B (zh) 一种集群温控负荷聚合模型、系统参数辨识及反推控制方法
CN104408518A (zh) 基于粒子群优化算法的神经网络学习优化方法
CN103106535A (zh) 一种基于神经网络解决协同过滤推荐数据稀疏性的方法
CN107276069A (zh) 一种地区电网居民温控负荷的近似聚合建模方法及系统
CN104539601B (zh) 动态网络攻击过程可靠性分析方法及系统
CN107168066A (zh) 一种温室环境自适应控制方法
Shiri Evaluation of a neuro‐fuzzy technique in estimating pan evaporation values in low‐altitude locations
CN108090613A (zh) 一种进近管制扇区管制员工作负荷预测方法
CN105487376A (zh) 一种基于数据驱动单网络结构的最优控制方法
CN104616072B (zh) 一种基于区间优化的提高谷氨酸发酵产物浓度的方法
Trabelsi et al. Fuzzy identification of a greenhouse
CN105184400A (zh) 一种烟田土壤水分预测方法
CN106200379A (zh) 一种非自衡对象的分布式动态矩阵控制方法
CN102393645A (zh) 一种高速电液比例调速系统的控制方法
Ellis Machine learning enhanced grey-box modeling for building thermal modeling
CN109408896B (zh) 一种污水厌氧处理产气量多元智能实时监控方法
Qing-Lai et al. Data-based optimal control for discrete-time zero-sum games of 2-D systems using adaptive critic designs
CN106371321A (zh) 一种焦化炉炉膛压力系统模糊网络优化pid控制方法
Arshad et al. Deep Deterministic Policy Gradient to Regulate Feedback Control Systems Using Reinforcement Learning.

Legal Events

Date Code Title Description
PB01 Publication
PB01 Publication
SE01 Entry into force of request for substantive examination
SE01 Entry into force of request for substantive examination
GR01 Patent grant
GR01 Patent grant
CF01 Termination of patent right due to non-payment of annual fee

Granted publication date: 20200428