本文關鍵詞：溫室小氣候建模和控制策略的研究，，由筆耕文化傳播整理發(fā)布。

【摘要】：溫室小氣候建模和控制是達到溫室作物高產出、高質量和高效益的重要手段,是溫室生產中的熱點研究問題。溫室小氣候系統(tǒng)是一個典型的大滯后、強耦合、慢時變及非線性的復雜系統(tǒng),很難建立準確的機理模型和進行有效的控制。針對以上問題,本文選用極限學習機方法(Extreme Learning Machine,ELM)建立小氣候預測模型,并提出ELM與常規(guī)比例-積分-微分(Proportion-Integration-Differentiation,PID)控制相結合的控制策略。本文的主要研究內容如下：(1)針對溫室小氣候難以建立準確的機理模型的問題,采用ELM的方法建立溫室環(huán)境因子預測模型,并且探究了不同的隱含層神經(jīng)元個數(shù)和不同的激活函數(shù)對模型性能的影響。仿真結果表明,相較于BP、Elman和SVR建立的模型,ELM模型的訓練速度快且模擬精度高。(2)針對由于ELM模型的隱含層參數(shù)隨機選取而導致其預測性能不穩(wěn)定的問題,提出核極限學習機(Kernel based ELM,KELM)的方法建立溫室環(huán)境因子預測模型。并且針對KELM的學習參數(shù)難以選擇的問題,利用遺傳算法來優(yōu)化KELM的學習參數(shù)。仿真結果表明,相較于網(wǎng)格法,利用遺傳算法優(yōu)化KELM的學習參數(shù)所需的時間更短,并且可以使KELM模型獲得更好的性能；和其他模型相比,KELM模型所需的時間少、決定系數(shù)最高,并且性能更加穩(wěn)定。(3)針對常規(guī)PID控制參數(shù)難以自整定的問題,提出將在線序列極限學習機(Online Sequential ELM,OSELM)神經(jīng)網(wǎng)絡和常規(guī)PID控制相結合的溫室環(huán)境控制策略,該策略利用O SELM神經(jīng)網(wǎng)絡的自學習能力在線調整PID的控制參數(shù)。仿真結果表明,相較于常規(guī)PID控制和RBF神經(jīng)網(wǎng)絡PID控制,本文提出的控制策略具有更好的跟蹤性、抗干擾性以及魯棒性。
【關鍵詞】：人工神經(jīng)網(wǎng)絡 算法優(yōu)化 溫室小氣候 預測模型 控制策略
【學位授予單位】：南京信息工程大學
【學位級別】：碩士
【學位授予年份】：2015
【分類號】：S162.41
【目錄】：

• 摘要5-6
• Abstract6-7
• 第一章 前言7-15
• 1.1 研究目的和意義7-8
• 1.2 國內外研究現(xiàn)狀8-13
• 1.2.1 溫室小氣候建模的研究現(xiàn)狀8-11
• 1.2.2 溫室控制策略的研究現(xiàn)狀11-13
• 1.3 研究內容和方法13
• 1.4 研究成果13-14
• 1.5 論文組織結構14-15
• 第二章 基于ELM的溫室小氣候環(huán)境因子預測模型的建立15-30
• 2.1 引言15
• 2.2 極限學習機15-20
• 2.3 基于ELM的環(huán)境因子預測模型的建立過程20-21
• 2.4 仿真實驗21-29
• 2.4.1 ELM預測模型基本結構的確定21-25
• 2.4.2 ELM模型預測環(huán)境因子結果25-28
• 2.4.3 與BP、Elman和SVR的比較28-29
• 2.5 本章小結29-30
• 第三章 基于KELM的溫室小氣候環(huán)境因子預測模型的建立30-42
• 3.1 引言30
• 3.2 核極限學習機30-32
• 3.3 基于遺傳算法優(yōu)化的KELM32-36
• 3.3.1 問題的提出32-33
• 3.3.2 遺傳算法33-34
• 3.3.3 基于遺傳算法的KELM學習參數(shù)的優(yōu)化34-36
• 3.4 基于KELM的溫室小氣候環(huán)境因子預測36-41
• 3.4.1 仿真結果36-37
• 3.4.2 與網(wǎng)格法的比較37-38
• 3.4.3 與ELM的比較38-40
• 3.4.4 與BP、Elman和SVR的比較40-41
• 3.5 本章小結41-42
• 第四章 基于改進的神經(jīng)網(wǎng)絡PID的溫室控制策略的研究42-54
• 4.1 引言42
• 4.2 在線序列極限學習機42-43
• 4.3 OSELM-PID控制在溫室環(huán)境控制中的設計43-47
• 4.3.1 常規(guī)PID控制43-46
• 4.3.2 OSELM-PID控制策略的設計46-47
• 4.4 仿真47-53
• 4.4.1 仿真實驗設計47-48
• 4.4.2 對階躍信號的跟蹤48-50
• 4.4.3 對外部干擾的適應性50-52
• 4.4.4 對被控對象發(fā)生變化的適應性52-53
• 4.5 本章小結53-54
• 第五章 總結和展望54-56
• 5.1 總結54
• 5.2 展望54-56
• 參考文獻56-62
• 作者簡介62-63
• 攻讀學位期間學習情況62
• 作者攻讀學位期間發(fā)表的學術論文62
• 作者攻讀學位期間取得的其他學術成果62-63
• 致謝63

【參考文獻】

中國期刊全文數(shù)據(jù)庫 前4條

1 王偉,張晶濤,柴天佑;PID參數(shù)先進整定方法綜述[J];自動化學報;2000年03期

2 徐意;項美晶;;基于RBF神經(jīng)網(wǎng)絡的溫室溫度調控研究[J];農機化研究;2010年03期

3 張武;周榮雙;朱誠;;基于ARX模型的溫室溫度模擬[J];江蘇農業(yè)學報;2013年01期

4 金志鳳;符國槐;黃海靜;潘永地;楊再強;李仁忠;;基于BP神經(jīng)網(wǎng)絡的楊梅大棚內氣溫預測模型研究[J];中國農業(yè)氣象;2011年03期

中國博士學位論文全文數(shù)據(jù)庫 前2條

1 鄒秋瀅;溫室小氣候模型的建立及其控制策略研究[D];沈陽農業(yè)大學;2010年

2 汪小e

本文編號：262832