基于模糊神經網絡的節(jié)水灌溉模型的研究?

喬雯雯 吳 陳 馬 田

（江蘇科技大學計算機學院 鎮(zhèn)江 212000）

1 引言

前在蔬菜的生長中人們通過以往的經驗或者直覺進行灌溉，灌溉量普遍很高，導致對水資源造成極大的浪費［3～4］。尤其對于淺根的植物來說是一種極大的浪費。其實在蔬菜以及作物的管理中，在各個生育階段的需水量是不同的［4～6］。我們只需要在適當的時候給予一定的水量就可以達到目的。然而，如何能夠準確地獲得蔬菜所需水量，這便是我們需要研究的內容。模糊系統理論［7，18］是溝通經典數學的精確性和現實世界中存在的大量的不精確之間的橋梁。而人工網絡具有自學習、自組織和自適應能力的優(yōu)點，并且具有強大的非線性處理的能力。兩者構成模糊神經網絡。本文便希望通過模糊神經網絡如此強大的優(yōu)點進行節(jié)水灌溉模型的訓練和實現，達到節(jié)水灌溉的效果［8～10］。

2 模糊神經網絡

模糊神經網絡結合了神經網絡系統和模糊系統的長處，它在處理非線性、模糊性等問題上有很大的優(yōu)越性，在智能信息處理方面存在巨大的潛力［11］；使得越來越多的專家學者投入到這個領域中來，并做出了卓有成效的研究成果。模糊神經網絡就是模糊理論同神經網絡相結合的產物，它匯集了神經網絡與模糊理論的優(yōu)點，集學習、聯想、識別、信息處理于一體。

T-S 模糊神經網路將模糊邏輯和神經網絡的學習逼近特點融合在一起［12］。

2.1 T-S模糊神經網絡的結構

基于標準型的T-S 迷糊神經網絡結構如圖1所示。

圖1 基于標準型的T-S模糊神經網絡結構

圖1 中第1 層為輸入層；第2 層每個結點表示一個語言變量值；第3 層用來匹配模糊規(guī)則前件，計算出每條規(guī)則的隸屬度；第4 層用于歸一化計算，輸出規(guī)則的平均激活度［16］。第5 層是輸出層，它所實現的是清晰化計算。

T-S 模糊神經網絡由前件網絡和后件網絡兩部分組成。前件網絡用來匹配模糊規(guī)則的前件，其結構與圖1 的前通層結構完全相同；后件網絡用來產生模糊規(guī)則的后件，由N個結構相同的并列子網絡組成。

2.2 T-S模糊神經網絡算法

T-S 模糊系統通過不斷地自動更新及休正模糊子集的隸屬函數來實現其自學功能。該模型分為輸入層、模糊化層、迷糊規(guī)則計算層和輸出層等四層，采用”if-then”規(guī)則形式定義，在規(guī)則Ri 的情況下［19，20］。其推理的過程如下:

Ri :If x1is，x2is，…，xi isthen yi=+χ1+…+χk；其中為模糊系統的模糊集，為模糊系統的參數（j=1，2，3…k）；yi為根據模糊規(guī)則得到的輸出。假設對于輸入量x=［x1，x2，…，xk］首先根據模糊規(guī)則計算各輸入變量xj的隸屬度u，其計算公式為

然后將各隸屬度進行迷糊化計算，采用連算乘子，其計算公式為

根據模糊計算結果模型輸出值yi:

3 土壤水分的水量平衡

在通常情況下人們根據經驗進行灌溉的水量普遍偏高，這樣就會導致大量的浪費，農作物或者蔬菜在不同時間段所需的水量并不相同。本實驗就是采用茄子和豆角進行測驗，主要研究各個生育階段需水量和作物系數。

3.1 水分平衡的原理和方法

根據農田水分平衡的公式［13］，農田中的散蒸量計算如下:

其中，ET 為農田的蒸散量，I 為灌溉量，P 為降水量（因為本次是屬于大棚內實驗可以忽略不計），ΔW為土體注水量的變化，R 為徑流量。S 為土體下邊界凈通量（向下為正，向上為負）。通常情況下，在平原地區(qū)徑流量（R）是可以忽略不計，ΔW 可通過測定土壤含水量獲得，當下邊界遠大于計劃灌水層時，下邊界凈通量（S）可假設為零。

作物需水量（ET）指作物在適宜的土壤水分和肥力水平下，經過正常生長發(fā)育，獲得高產時的作物蒸騰量和棵間蒸發(fā)量之和。在充分滿足作物對水肥需要以及上述對各變量的假設情況下，利用農田水量平衡原理計算的農田蒸散量（ET）即為作物需水量，則式（4）轉化為

作物系數是指農作物在特定的耕作條件、土壤肥力、產量水平以及本身特性的情況下對作物需水量所產生的作用。依據定義，作物系數等于作物需水量（ETc）與相同時間段內參考作物蒸散量（ET0）的比值［14］。如式（6）所示:

式中ET0可以利用測站和當地的氣象數據，由以下公式推導得到:

其中Rn是地表凈輻射通量，單位是（MJ·m-2·d-1）；T是單位日平均溫度（C）；en和ed表示飽和水氣壓值和實際水氣壓值。U2表示在2m 的高空中的風速，單位是（m·s-1）；γ 是干濕表常數，單位是（KPa·C-1）；Δ 是飽和狀態(tài)的水氣壓和溫度的曲線斜率，單位是（KPa·C-1）。

3.2 灌溉量計算模型

通常情況下我們計劃所需要的灌水量是根據蔬菜根系的深度確定的［15］，當根系埋深d＜20cm，計劃灌水層為20cm；當20cm＜d＜30cm 時，計劃灌水層為30cm；當30cm＜d＜40cm，計劃灌水層為40cm；當40cm＜d＜50cm 時，計劃灌水層為 50cm。研究表明:60%ASW～90%ASW 的土壤含水量是最適宜蔬菜生長含水量，當ASW 低于灌水量最低值60%（ASW）就要灌水至灌水最高值（90%ASW），需要把含水量控制在計劃灌水層的60%ASW～90%ASW，這樣有利于促進蔬菜的生長［16］，使蔬菜有最佳合適的生長環(huán)境，并且由計算公式（8）可得:

其中θ 為現在的土壤含水量，DEPTH 為計劃含水厚度（mm），則ASW的計算公式為

其中θf為田間持水量，θw為萎蔫含水量。表1 為蔬菜在不同時期的需水量的需求。

表1 土壤含水量

4 基于T-S 模型的節(jié)水灌溉模型的實現

綜上所述基于T-S 節(jié)水灌溉的模型流程圖如圖2所示。

圖2 模糊神經網絡算法流程圖

4.1 參數的初始化

在設計模糊神經網絡的過程中，其輸入和輸出的加點數、模糊隸屬度函數個數是由訓練樣本的維數來決定的。本次設計的模糊神經網絡的結構是4-6-1，輸入的數據的維數是4 維，輸出的維數為1維，所以需要6 個隸屬度函數。其中選擇的系數為p0 至p4。網絡最大的迭代的次數設定為250，學習的速率設定為0.05，期望的誤差取0.02。

4.2 樣本數據預處理

在本次實驗中將選取與蔬菜需水量緊密相關的四個因素，即當前土壤含水量，計劃灌水層厚度、田間持水量、萎蔫含水量。其輸出為灌水量，在進行模糊神經網絡學習之前，因為神經元的函數是有界函數，所以需要將輸入輸出的向量進行規(guī)格化處理，規(guī)格化處理的公式如下所示:

4.3 模型的構建以及對神經網絡進行訓練

以T-S 模糊神經網絡進行構建［17］，第一層為輸入層，數據預處理的結果，第二層為模糊化層，采用式（1）進行計算；第三層為模糊規(guī)則計算，采用式（2），第四層便為輸出層，采用式（3）進行計算。

實驗采用250 組數據對T-S 模型進行訓練，然后采用20 組數據對生成的網絡進行檢測。結果如

表2 所示表明使用模型和計算的結果基本相同，模型適用于節(jié)水灌溉。

5 結語

本論文對于在灌溉中影響灌溉量的種種因素進行分析，并且在此基礎上利用公式推導得出灌溉所需的作物系數和需水量，然后利用大量數據對需水量的T-S神經網絡模型進行訓練，并采用實際的數據進行測試。最后借助Matlab 中模糊神經網絡對節(jié)水灌溉模型進行訓練和學習，并且對得到模型進行研究學習，對誤差進行分析。最終得到節(jié)水灌溉模型，僅僅需要獲得相應的參數就可以得到相應的灌水量，達到節(jié)約用水的目的。