發(fā)布時(shí)間：2021-07-13 05:27

　　有效獲取溫室出菇房的溫濕度空間分布對于優(yōu)化食用菌環(huán)境脅迫、病害預(yù)警、出菇房預(yù)調(diào)控至關(guān)重要,但傳統(tǒng)的單點(diǎn)預(yù)測不能很好地滿足菇房整體環(huán)境性能評估的需求。針對出菇房內(nèi)溫濕度時(shí)序性、非線性、空間分布差異性的特點(diǎn),提出一種基于卷積神經(jīng)網(wǎng)絡(luò)（CNN）與門控循環(huán)單元神經(jīng)網(wǎng)絡(luò)（GRU）相結(jié)合的菇房多點(diǎn)溫濕度預(yù)測方法。將溫室室外歷史氣象數(shù)據(jù)、溫室室內(nèi)歷史小氣候環(huán)境數(shù)據(jù)、多點(diǎn)環(huán)境分布特征、通風(fēng)信息和加濕信息多特征數(shù)據(jù)按照時(shí)間序列構(gòu)造二維矩陣作為輸入,采用CNN挖掘數(shù)據(jù)中蘊(yùn)含的有效信息,提取反映溫室環(huán)境數(shù)據(jù)相互聯(lián)系的高維特征,將提取的特征向量構(gòu)造為時(shí)間序列輸入GRU網(wǎng)絡(luò)進(jìn)行多點(diǎn)溫濕度預(yù)測。將該預(yù)測方法應(yīng)用于北京市農(nóng)林科學(xué)院的日光溫室出菇房內(nèi)多點(diǎn)溫濕度預(yù)測,實(shí)驗(yàn)結(jié)果表明,該預(yù)測方法對于出菇房內(nèi)各點(diǎn)溫度RMSE平均值為0.211℃,MAE平均值為0.140℃,誤差控制在±0.5℃范圍內(nèi)的平均比例為97.57%;對于出菇房內(nèi)各點(diǎn)相對濕度RMSE平均值為2.731%,MAE平均值為1.713%,誤差控制在±5%范圍內(nèi)的平均比例為92.62%;相比傳統(tǒng)的BP神經(jīng)網(wǎng)絡(luò)、長短期記憶神經(jīng)網(wǎng)絡(luò)（LSTM）和門控循環(huán)單元神經(jīng)網(wǎng)... 

【文章來源】：農(nóng)業(yè)機(jī)械學(xué)報(bào). 2020,51(09)北大核心EICSCD

【文章頁數(shù)】：10 頁

【部分圖文】：

CNN網(wǎng)絡(luò)結(jié)構(gòu)

GRU網(wǎng)絡(luò)結(jié)構(gòu)

(1)輸入層。將出菇房內(nèi)某一時(shí)刻的溫濕度與其相關(guān)的室外空氣溫度、室外空氣相對濕度、室外風(fēng)速、室內(nèi)基質(zhì)溫度、室內(nèi)光照強(qiáng)度、環(huán)境分布特征、通風(fēng)特征和加濕特征串聯(lián)成全新的時(shí)間序列特征向量，將出菇房室外的歷史氣象數(shù)據(jù)、室內(nèi)的歷史小氣候數(shù)據(jù)表達(dá)為時(shí)間步長×特征向量的二維矩陣，對其預(yù)處理后輸入預(yù)測模型中。(2) CNN層。CNN層主要捕捉輸入的歷史序列中深層次的時(shí)間、空間特征規(guī)律，根據(jù)輸入數(shù)據(jù)非線性、稀疏性、強(qiáng)耦合性的特點(diǎn)，設(shè)計(jì)4層卷積層(Conv2D)，卷積核數(shù)目依次為16、16、32、32，并選取Re LU激活函數(shù)進(jìn)行激活。每經(jīng)過2次連續(xù)卷積進(jìn)行一次最大池化(Max Pooling2D)，對提取的高維特征進(jìn)行降維，壓縮數(shù)據(jù)，加快運(yùn)行效率。為了充分利用現(xiàn)有的出菇房室外氣象數(shù)據(jù)、室內(nèi)環(huán)境分布數(shù)據(jù)、非時(shí)序多特征數(shù)據(jù)，將卷積核尺寸設(shè)為3×3，池大小為2，最后通過Flatten操作，將其提取的深層次抽象特征轉(zhuǎn)換為全局特征向量作為GRU層的輸入。

【參考文獻(xiàn)】：
期刊論文
[1]外行視角看我國設(shè)施食用菌發(fā)展[J]. 李天來.  食藥用菌. 2019(04)
[2]基于EMD-LSTM的豬舍氨氣濃度預(yù)測研究[J]. 楊亮,劉春紅,郭昱辰,鄧河,李道亮,段青玲.  農(nóng)業(yè)機(jī)械學(xué)報(bào). 2019(S1)
[3]基于深度長短時(shí)記憶網(wǎng)絡(luò)的區(qū)域級超短期負(fù)荷預(yù)測方法[J]. 張宇帆,艾芊,林琳,袁帥,李昭昱.  電網(wǎng)技術(shù). 2019(06)
[4]深度學(xué)習(xí)在圖像識(shí)別中的應(yīng)用研究綜述[J]. 鄭遠(yuǎn)攀,李廣陽,李曄.  計(jì)算機(jī)工程與應(yīng)用. 2019(12)
[5]基于GRU-NN模型的短期負(fù)荷預(yù)測方法[J]. 王增平,趙兵,紀(jì)維佳,高欣,李曉兵.  電力系統(tǒng)自動(dòng)化. 2019(05)
[6]基于經(jīng)驗(yàn)?zāi)B(tài)分解和小波神經(jīng)網(wǎng)絡(luò)的溫室溫濕度預(yù)測[J]. 郁瑩珺,徐達(dá)宇,壽國忠,王佩欣.  江蘇農(nóng)業(yè)科學(xué). 2019(01)
[7]基于時(shí)序深度學(xué)習(xí)的數(shù)控機(jī)床運(yùn)動(dòng)精度預(yù)測方法[J]. 余永維,杜柳青,易小波,陳罡.  農(nóng)業(yè)機(jī)械學(xué)報(bào). 2019(01)
[8]地震油氣儲(chǔ)層的小樣本卷積神經(jīng)網(wǎng)絡(luò)學(xué)習(xí)與預(yù)測[J]. 林年添,張棟,張凱,王守進(jìn),付超,張建彬,張沖.  地球物理學(xué)報(bào). 2018(10)
[9]主成分分析和長短時(shí)記憶神經(jīng)網(wǎng)絡(luò)預(yù)測水產(chǎn)養(yǎng)殖水體溶解氧[J]. 陳英義,程倩倩,方曉敏,于輝輝,李道亮.  農(nóng)業(yè)工程學(xué)報(bào). 2018(17)
[10]融合ARIMA模型和GAWNN的溶解氧含量預(yù)測方法[J]. 吳靜,李振波,朱玲,李晨.  農(nóng)業(yè)機(jī)械學(xué)報(bào). 2017(S1)

博士論文
[1]秋冬季南方單棟塑料溫室小氣候分析與溫濕環(huán)境模擬研究[D]. 曹雯.南京信息工程大學(xué) 2012

碩士論文
[1]智能溫室控制算法的研究與應(yīng)用[D]. 邰成.南京郵電大學(xué) 2013



本文編號(hào)：3281444