針對現(xiàn)有溫室中采用基于定時器、流量計以及利用模糊控制方法實現(xiàn)的灌溉決策系統(tǒng),沒有考慮到作物各生育期的水分消耗情況,容易導致灌溉決策精度的損失問題。提出了一種基于自適應粒子群極限學習機(Adapation Particle Swarm Optimization-Extreme Learning Machine,APSO-ELM)算法和模糊邏輯系統(tǒng)的灌溉時間決策的設計。因APSO能夠提高跳出局部搜索的能力以及ELM具有學習速率快等優(yōu)點,所以將其結合來實現(xiàn)對參考作物蒸發(fā)蒸騰量的預測。因模糊邏輯系統(tǒng)能夠滿足灌溉是一個時滯性、非線性過程,所以利用作物蒸發(fā)蒸騰量和土壤下降率輸入模糊邏輯系統(tǒng),輸出當前作物需要灌溉的時間。實驗結果表明,該設計可以輸出準確的灌溉時間。

【文章頁數(shù)】：5 頁

【部分圖文】：

圖1ELM算法結構圖

極限學習機(ELM)是基于前饋神經(jīng)網(wǎng)絡的機器學習算法[19],其主要特點是隱含層節(jié)點參數(shù)可以是隨機或人為給定的且不需要調整,學習過程僅需計算輸出權重。ELM具有學習效率高和泛化能力強的優(yōu)點,其結構圖如圖1所示。其中,xj表示神經(jīng)元的輸入,N表示輸入層的個數(shù),L表示隱含層的神經(jīng)元個....

圖2APSO-ELM算法流程

為了避免由于ELM輸入層與隱含層隨機生成的權值和閾值給網(wǎng)絡預測精度帶來不穩(wěn)定性,引入APSO使之可以避免陷入局部最優(yōu),優(yōu)化網(wǎng)絡帶來的不穩(wěn)定性。整個樣本分為測試集和訓練集,首先需要初始化ELM和粒子群的基本參數(shù),然后通過APSO不斷的迭代更新,得到ELM網(wǎng)絡的最優(yōu)權值和閾值,最終得....

圖3灌溉時間模糊邏輯系統(tǒng)流程

設置好數(shù)據(jù)采集的時間間隔t以后,根據(jù)專家經(jīng)驗和實際需求設置模糊系統(tǒng)規(guī)則庫,利用獲取到的實際作物蒸發(fā)蒸騰量ET0和土壤濕度下降率ΔE,通過模糊邏輯系統(tǒng),得到灌溉時間T。其系統(tǒng)流程設計如圖3所示。2.4隸屬度函數(shù)確定

圖4輸入輸出隸屬度函數(shù)

系統(tǒng)的輸入量確定為兩個,第一個輸入量是土壤濕度的下降率ΔE,下降率可以反映變化的快慢;第二個輸入量是實際作物蒸發(fā)蒸騰量ET0,ET0可以反映出維持作物生理活動最基本需水量。輸出量為灌溉時間T。其中ΔE語言值設置為4個,ET0和T語言值設置為7個。土壤水分下降率變化偏差ΔE、實際作....

本文編號：3991352