基于BP神經網絡建立杏鮑菇生長的CO2濃度預測模型及其調控策略*

田小青，朱學軍

（寧夏大學機械工程學院，寧夏 銀川 750021）

基于BP神經網絡建立杏鮑菇生長的CO2濃度預測模型及其調控策略*

田小青，朱學軍**

（寧夏大學機械工程學院，寧夏 銀川 750021）

鑒于杏鮑菇工廠化栽培過程中開關調控滯后的現(xiàn)狀，在溫濕、光照參數(shù)適宜的情況下，以歷史CO2濃度和相對生長時間為輸入?yún)?shù)，建立基于BP神經網絡的群落式杏鮑菇生長階段CO2預測模型，并基于該預測模型提出不同生長階段CO2濃度調控策略。仿真結果顯示，當杏鮑菇處于原基生長階段時，在CO2為1 964.3 mg·m－3時密封計時58 min后通風6 min；當子實體處于生長階段時，在CO2為4 910.7 mg·m－3時密封計時36 min后通風3.8 min；當子實體成熟時，在CO2為6 875 mg·m－3時密封計時70 min后通風7.5 min。模型訓練集和測試集的相關系數(shù)達到0.98，預測精度較高。

杏鮑菇；工廠化栽培；二氧化碳濃度模型；BP預測調控

杏鮑菇（Pleurotus eryngii），又名刺芹側耳，是一種品質優(yōu)良的大型肉質傘菌，其生長過程具有高度的復雜性和不確定性。杏鮑菇生長過程中，自身呼吸釋放CO2，導致其周圍CO2濃度呈梯度分布[1]，對子實體形態(tài)的影響較大。傳統(tǒng)溫室環(huán)境因子CO2的調控以開關定時調控為主。張榮標[2]曾應用信息融合提出一種以利潤最大化為目標的溫室CO2調控量決策方法，周慶珍[3]提出光溫耦合溫室CO2調控設計，羅家兵[4]提出農業(yè)溫室二氧化碳模糊控制系統(tǒng)算法，張漫等[5]提出BP神經網絡算法的溫室番茄CO2增施策略優(yōu)化。本文以溫室群落式栽培的杏鮑菇為試驗對象，在允許的溫濕度條件下，用無線數(shù)據(jù)采集系統(tǒng)采集杏鮑菇溫室CO2濃度數(shù)據(jù)，建立不同生長階段的基于BP神經網絡的CO2預測模型，并基于該預測模型提出CO2調控策略。

1 數(shù)據(jù)分析與處理

試驗利用無線數(shù)據(jù)采集系統(tǒng)實時監(jiān)測秋季8月、9月、10月三個月溫室環(huán)境因子，包括空氣溫濕度、光照強度和CO2濃度。棚內數(shù)據(jù)采集現(xiàn)場如圖1所示。

圖1 秋季杏鮑菇工廠化栽培棚內數(shù)據(jù)采集現(xiàn)場Fig.1 Data collection site of Pleurotus eryngii in the fall

針對杏鮑菇生長時期不同的呼吸速率及對杏鮑菇形態(tài)、產量的要求，把杏鮑菇生育期詳細劃分為原基形成期、子實體生長期和成熟期?；贑O2濃度與杏鮑菇農藝學各性狀之間的回歸模型[6－7]，杏鮑菇原基形成前期較適宜的生長環(huán)境CO2濃度為1 964.3 mg·m－3～2 946.4 mg·m－3，一般為2 d～3 d；原基形成后期較適宜生長環(huán)境的CO2濃度為4 910.7 mg·m－3～6 875 mg·m－3，一般為2 d；杏鮑菇子實體舒蕾前最適宜的生長環(huán)境CO2濃度為3 928.6 mg·m－3～6 875 mg·m－3，一般為3 d～4 d；子實體舒蕾后最適宜生長環(huán)CO2境濃度為6 875 mg·m－3以上，培養(yǎng)時間為3 d。在監(jiān)測期間，棚內每3小時通風1次，一天通風8次，每次通風10 min～15 min。根據(jù)秋季監(jiān)測到的棚內數(shù)據(jù)，處理流程如圖2。

圖2 原始數(shù)據(jù)處理流程圖Fig.2 Program flow chart of raw data processing

BP預測CO2濃度模型的建立采用BP神經網絡建模方法。BP（back propagation） 神經網絡是一種按誤差逆?zhèn)鞑ニ惴ㄓ柧毜亩鄬忧梆伨W絡。BP神經網絡由信息的正向傳播和誤差的反向傳播兩個過程組成，可實現(xiàn)從輸入到輸出的非線性映射功能，以通過學習自動提取合理的求解規(guī)則，從而具有一定的推廣和概括能力[8]。神經網絡上一層各神經元通過傳遞函數(shù)實現(xiàn)對下一層各神經元的全連接，同層神經元之間無關聯(lián)[2]。本實驗采用3層（輸入層、隱含層、輸出層）BP神經網絡對杏鮑菇子實體生長階段CO2濃度值與環(huán)境因子之間的關系進行模擬預測。其中BP神經網絡預測模型的輸入?yún)?shù)包括歷史CO2濃度初值和密封（通風）時間，輸出參數(shù)為密封（通風）后CO2濃度預測值。輸入層、輸出層神經元激活函數(shù)采用Sigmoid函數(shù)與線性函數(shù)Pureline的不同組合形式，訓練函數(shù)為trainrp。隱含層節(jié)點數(shù)計算經驗公式為：

其中nh為隱藏層節(jié)點數(shù)，n為輸入層節(jié)點數(shù)，m為輸出層節(jié)點數(shù)。

對模型預測性能的評價指標主要包括相關系數(shù)R、平均相對誤差、平均絕對誤差和均方根誤差。

2 BP預測結果與分析

2.1 CO2濃度增長預測模型的建立

以無線數(shù)據(jù)采集系統(tǒng)測得的8月、9月、10月杏鮑菇群落式種植大棚內的環(huán)境信息（溫濕度、密封時間）作為BP神經網絡的輸入?yún)?shù)，CO2濃度作為模型輸出參數(shù)。由測得的不同月份不同生長階段的棚內連續(xù)5 d密封時期的CO2變化數(shù)據(jù)進行建模分析。

二是抓責任落實。進一步培養(yǎng)立說立行的工作能力、求真務實的工作精神，推行“周計劃、月計劃、年計劃”工作機制，工作點評制度，強化工作督辦，層層傳導責任，保證重點工作、節(jié)點工作扎實有效推進。

預測模型樣本集是1 460組有效原始數(shù)據(jù)。為了提高神經網絡的訓練效率，將原始樣本數(shù)據(jù)作適當?shù)念A處理。首先，為消除輸入量量綱影響，采用Mapminmax函數(shù)將樣本輸入數(shù)據(jù)歸一化到 [0，1]。然后，為了提高網絡的推廣能力和識別能力，防止過擬合，訓練中采用“提前停止”的方法，因此，在訓練之前，將處理后的樣本數(shù)據(jù)劃分成訓練樣本集、驗證樣本集和測試樣本集。在CO2濃度增長BP預測模型訓練中，15%用于驗證，15%用于測試，70%用于訓練網絡。

選用3層BP網絡。其中，網絡輸入維數(shù)為2，輸出維數(shù)為1，輸出值即為預測設定密封時間后的CO2濃度值。網絡中間層神經元數(shù)目預選為10和5，傳遞函數(shù)類型選為 tansig函數(shù)，訓練函數(shù)設為trainlm。神經網絡結構如圖3所示。

圖3 杏鮑菇子實體初期CO2濃度預測的BP網絡結構Fig.3 BPNN structure of CO2concentration in the early fruting

2.2 CO2濃度降低預測模型的建立

以無線數(shù)據(jù)采集系統(tǒng)測得的8月、9月、10月杏鮑菇群落式種植大棚內的環(huán)境信息（溫濕度、通風時間）作為BP神經網絡的輸入?yún)?shù)，CO2濃度作為模型輸出參數(shù)。為消除輸入量量綱影響，采用Mapminmax函數(shù)將樣本輸入數(shù)據(jù)歸一化到 [0，1]。由測得的不同月份不同生長階段的棚內連續(xù)5 d通風時期的CO2變化數(shù)據(jù)進行分析。

2.3 BP預測模型的驗證

以群落式杏鮑菇子實體生長階段的CO2增長預測模型為例，共1 267組數(shù)據(jù)。以其中的190組數(shù)據(jù)進行模型測試，部分結果如表1所示。利用訓練集及測試集數(shù)據(jù)對建立的模型能夠進行預測，其預測精度如表2所示。

表1 測試集數(shù)據(jù)對BP預測模型的預測及誤差分析（部分）Tab.1 The simultaneous contrast of prediction and practical results

表2 BP預測模型效果評價指標Tab.2 Model evaluation indices of BP prediction model

由表1可知，測試集數(shù)據(jù)的相對誤差和絕對誤差均滿足要求，預測效果良好，具有較高的預測精度。該模型對杏鮑菇子實體生長階段的CO2濃度增長預測調控提供了依據(jù)。

在simulink中搭建子實體CO2預測模型，見圖4。

圖4 杏鮑菇子實體CO2增長預測模型Fig.4 The simulink model of CO2concentration growth prediction model in the fruting time

3 BP預測調控策略

3.1 子實體生長初期CO2濃度調控策略

根據(jù)建立的子實體生長時期的CO2濃度BP預測模型，分別設定不同的CO2濃度梯度值，比較預計密封時間和通風時間，單控制周期內仿真結果如圖5。

圖5 杏鮑菇子實體生長初期培養(yǎng)循環(huán)控制策略仿真Fig.5 Simulation results of loop control strategy in the early fruiting time

設定14組不同CO2濃度梯度時的仿真預測數(shù)據(jù)如表3所示。

表3 杏鮑菇子實體生長期不同CO2濃度梯度變化所需時間Tab.3 Prediction time needed to vary in different CO2concetraion ranges

從圖5和表3可以看出，在滿足子實體生長期最適CO2濃度范圍，即設定CO2濃度最低4 714.3 mg·m-3、最高6 875 mg·m-3時，相鄰兩組的密封時間相差較大，通風時間相差較小，但預測通風后的CO2濃度相差較大。所以，考慮通風滯后的影響，應選擇較小的通風時間。循環(huán)控制流程見圖6。

圖6 杏鮑菇子實體生長初期CO2濃度循環(huán)控制策略Fig.6 Loop control strategy of CO2Pleurotus eryngii in the early fruiting time

從圖6可以看出，在子實體生長階段，當監(jiān)測到CO2濃度達到4 714.3 mg·m-3～4 910.7 mg·m-3時，啟動循環(huán)控制模式；同時考慮通風滯后的影響，即，密封培養(yǎng)2 160 s～2 460 s（約36 min～41 min）之后開啟風機通風，通風215.2 s（約3.8 min）CO2濃度達到4 714.3 mg·m-3～5 107.1 mg·m-3時再次密封培養(yǎng)。在通風時，可實時監(jiān)測CO2濃度，提前終止通風。當子實體初期生長結束后，進入子實體成熟階段循環(huán)控制模式培養(yǎng)。

3.2 原基形成期及子實體成熟期CO2濃度循環(huán)控制策略

根據(jù)建立的原基形成初期的CO2濃度BP預測模型，分別設定不同的CO2濃度梯度值，比較預計密封時間和通風時間，杏鮑菇原基形成時期單控制周期內仿真結果如圖7所示。

圖7 杏鮑菇原基形成期CO2控制仿真結果Fig.7 Simulation results in primordium period using loop control strategy

考慮到通風經濟成本，將原基形成時期CO2濃度設定為1 964.3 mg·m-3～3 928.6 mg·m-3，當監(jiān)測到CO2濃度達到1 866.1 mg·m-3～2 062.5 mg·m-3時，啟動循環(huán)控制模式；同時考慮通風滯后的影響，即，密封培養(yǎng)3 475 s（約58 min） 之后開啟風機通風，通風344 s（約6 min），CO2濃度達到1 866.1 mg·m-3～2 062.5 mg·m-3時再次密封培養(yǎng)。在通風時，可實時監(jiān)測CO2濃度，提前終止通風。

杏鮑菇工廠化栽培過程中，各個生長時期的CO2濃度調控策略仿真結果如圖8所示。

圖8 杏鮑菇各培養(yǎng)時期CO2循環(huán)控制策略仿真Fig.8 Simulation results of CO2concentration in different growth stage

從圖8可以看出，在群落式杏鮑菇培養(yǎng)階段，子實體初期CO2呼吸速率最快，循環(huán)調控周期短；在子實體成熟時期，杏鮑菇呼吸速率最慢，調控周期最長。

4 結論

以工廠化栽培的杏鮑菇秋季CO2數(shù)據(jù)為原始數(shù)據(jù)，通過BP神經網絡擬合杏鮑菇生長各階段CO2濃度變化規(guī)律，以此提出各階段CO2調控策略。仿真結果顯示，當杏鮑菇處于原基形成階段時，在CO2濃度為1 964.3 mg·m-3時密封計時58 min后通風6 min；當子實體處于生長階段時，在CO2濃度為4 910.7 mg·m-3時密封計時36 min后通風3.8 min；當子實體成熟時，在CO2濃度為6 875 mg·m-3時密封計時70 min后通風7.5 min。該策略為工廠化栽培棚內CO2的有效調控提供了依據(jù)。

[1]陳博，歐陽竹.基于BP神經網絡的冬小麥耗水預測[J].農業(yè)工程學報，2010，26（4）：81-86.

[2]張榮標，項美晶，李萍萍，等.基于信息融合的溫室CO2調控量決策方法[J].農業(yè)機械學報，2009，40（6）：175-178.

[3]周慶珍.基于光溫耦合的溫室二氧化碳調控系統(tǒng)設計[D].楊陵：西北農林科技大學，2014.

[4]羅家兵，張恒.農業(yè)溫室二氧化碳模糊控制系統(tǒng)算法[J].廣東農業(yè)科學，2009（5）：221-223.

[5]張漫，李婷，季宇寒，等.BP神經網絡算法的溫室番茄CO2增施策略優(yōu)化[J].農業(yè)機械學報，2015，46（8）：239-245.

[6]趙晨晨，謝翠芳，朱學軍.杏鮑菇子實體生長時期的CO2濃度實境影響模型研究[J].中國農機化學報，2015，7（36）：83-87.

[7]謝翠芳.杏鮑菇子實體生長期二氧化碳濃度模型及調控策略的研究[D].銀川：寧夏大學，2014.

[8]張德豐.MATLAB神經網絡設計應用[M].北京：機械工業(yè)出版社，2009.

[9]單慧勇，趙輝，楊延榮，等.基于PLC的日光溫室二氧化碳氣肥調控系統(tǒng)設計[J].江蘇農業(yè)科學，2015，43（8）：388-390.

Loop Control Stategies of CO2Concentration Based on BPNN for Pleurotus eryngii in a Factory Farm

TIAN Xiao-qing,ZHU Xue-jun
(College of Mechanical Engineering,Ningxia University,Yinchuan 750021,China)

Given the status quo that the lag of switch control in the factory process of cultivation of Pleurotus eryngii,according to the experimental CO2data of P.eryngii under appropriate temperature,humidity and light setting environment in the fall,BP neural network was used to create latest CO2concentration prediction model with initial CO2concentration and the relative growth time as the input.In terms of the above model,a control strategy of CO2in greenhouse control system was put forward. The simulation results show that:when the concentration of CO2is 1 964.3 mg·m－3,it should be seal up rooms for 58 minutes and turn on external ventilation for 8 min in the period of anlage growth;when the concentration of CO2is 4 910.7 mg·m－3,it should be seal up rooms for 36 minutes and turn on external ventilation for 3.8 minutes in the early fruiting body;when the concentration of CO2is 6 875 mg·m－3,it should be seal up rooms for 70 minutes and turn on external ventilation for 7.5 minutes in the mature period of fruiting body.The prediction model created by training group and testing group was accurate both with correlation coefficient of 0.98.Therefore,the prediction model had high accuracy and certain universality.

Pleurotus eryngii;industrial cultivation;carbon dioxide concentration model;BP prediction control

S646.9

A

1003-8310（2016）02-0046-05

10.13629/j.cnki.53－1054.2016.02.012

國家自然科學基金（61263007）。

田小青（1991－），女，在讀碩士研究生，研究方向為機電系統(tǒng)智能控制。E－mail:1449079326@qq.com

**通信作者：朱學軍（1970－），男，碩士，教授，主要從事機電系統(tǒng)智能控制研究。E－mail:zxjnxu@sohu.com

2016－01－10