基于SSA-RBF 網(wǎng)絡的日光溫室溫濕度預測模型研究

張永芳，王 芳

（1.河北農業(yè)大學 信息科學與技術學院/河北省農業(yè)大數(shù)據(jù)重點實驗室，河北 保定 071000）

日光溫室通常是指溫室內的熱量來源主要是靠太陽輻射的溫室，由于其取材方便、造價低、保溫性強、不加溫也可在冬季進行作物生產等特性，逐漸成為我國北方普遍采用的溫室類型。通過建立日光溫室溫濕度模型，綜合各個環(huán)境因子變化規(guī)律，有效預測日光溫室內溫濕度的變化，并以此為依據(jù)進行溫室的調節(jié)控制，可以幫助日光溫室內的作物獲得良好的生長環(huán)境，降低病害發(fā)生幾率，從而實現(xiàn)早熟、優(yōu)質和高產，獲得更高的經(jīng)濟效益，無論在溫室設計和環(huán)境控制中都具有一定的現(xiàn)實意義。

日光溫室溫濕度模型涉及多個環(huán)境因子，具有非線性、時變、耦合、滯后等特性［1-3］，模型主要分為2 類：基于流體動力學和能量平衡的機理模型以及基于系統(tǒng)辨識方法的辨識模型。盡管機理模型可以解釋系統(tǒng)本質，與實際過程吻合程度較高，但是，這類模型存在結構復雜、測量儀器昂貴、不易推廣、參數(shù)時變因素多且部分參數(shù)只能憑經(jīng)驗獲得［4］等缺點，一般較少在實際中使用［5］。辨識模型往往不需要關心具體的物理過程或數(shù)學模型，結構相對簡單，易操作，預測曲線擬合度較好，不僅可以提高研究效率，減少成本，而且也更方便對溫室環(huán)境控制系統(tǒng)進行控制。

在辨識模型方面，國內外學者已進行了很多探索，不斷改進創(chuàng)新。早在2012 年C.X.Zhu 等［6］就提出了采用誤差反向傳播神經(jīng)網(wǎng)絡建立溫室濕度預測模型；同年，郭正昊［7］提出利用支持向量機的方法建立土壤濕度預測模型。但由于誤差反向傳播神經(jīng)網(wǎng)絡學習速度較慢、網(wǎng)絡訓練失敗的可能性較大等缺點，一些學者開始將目光轉移到徑向基神經(jīng)網(wǎng)絡，通過算法的優(yōu)化逐漸提高其預測效果。2014 年許童羽等［8］通過分析比較誤差反向傳播和徑向基神經(jīng)網(wǎng)絡，選擇徑向基網(wǎng)絡作為預測網(wǎng)絡，并采用高斯徑向基函數(shù)作為網(wǎng)絡激活函數(shù)，提出了1 種適用于北方日光溫室空氣相對濕度環(huán)境因子的模擬預測模型。2017 年Castaneda-Miranda,A 等［9］提出利用LM算法訓練神經(jīng)網(wǎng)絡對溫室溫濕度建立預測模型，實現(xiàn)了墨西哥中部溫室的智能霜凍控制；同年S.Xia等［10］提出了1 種基于PSO-RBF 神經(jīng)網(wǎng)絡的溫室溫度長期預測模型，將最大相對誤差控制在1.5%以內；2018 年Youjun Yue 等［11］利用列文伯格—馬夸爾特算法優(yōu)化徑向基網(wǎng)絡，提出基于改進的LM-RBF 神經(jīng)網(wǎng)絡的溫室溫濕度預測模型，成功指導了溫室溫濕度控制；2019 年岳有軍［12］等人進一步提出基于PSO-LM-RBF 的溫室溫濕度預測模型，提高了預測精度。

本研究在前人研究基礎上，采用徑向基網(wǎng)絡作為預測網(wǎng)絡，利用SSA 算法進行優(yōu)化，用優(yōu)化后的SSA-RBF 模型對日光溫室溫濕度進行仿真研究，進一步提高RBF 神經(jīng)網(wǎng)絡模型的預測精度，為接下來溫室控制系統(tǒng)提供技術支持，在減少日光溫室內對作物不利的環(huán)境因素、保障日光溫室生產效益等方面具有重要意義。

1 數(shù)據(jù)的采集與處理

為研究日光溫室溫濕度模型，選取河北省滄州市青縣某日光溫室作為實驗溫室。該溫室位于東經(jīng)116°49'24"，北緯38°36'47"，南北跨度8 m，東西長85 m，高度約4.5 m，下挖深度0.5 m，前坡傾角30°，后坡仰角40°，室外設有保溫被及卷簾機，室內設有通風裝置和滴水灌溉裝置，屬于典型的北方日光溫室。圖1 是試驗日光溫室側面示意圖。

圖1 試驗溫室示意圖Fig.1 Schematic diagram of test greenhouse

日光溫室溫濕度模型涉及多個影響因子，作物光合作用及蒸騰作用、灌溉狀況、室內溫度、通風情況等因素都會對溫室內溫濕度造成影響。溫室外部氣象環(huán)境因素會在一定程度上影響溫室內溫濕度的變化。信志紅等［13］通過對不同時段、不同天氣條件下外部氣象環(huán)境的溫室內溫濕度變化進行研究，發(fā)現(xiàn)日光溫室具有良好的保溫與保濕特性，溫室內的溫度和濕度的變化趨勢同室外天氣狀況、氣象條件等因素有著較為明顯的相關性。具體表現(xiàn)為：總體上，溫室內外濕度變化趨勢呈正相關。在自然通風或強制通風情況下，室內外濕度變化趨勢差距減小，呈明顯的正相關；但在溫室密閉時，相對濕度受外界環(huán)境因素影響較小，室內濕度大且相對維持穩(wěn)定。綜上，由于研究溫室為日光溫室，沒有加溫設備，且絕大部分時間為密閉保溫狀態(tài)，保溫主要是依靠外設的保溫被（被子卷起時散熱放下時保溫），通風依靠保溫被下的塑料膜和內設窗戶進行（塑料膜撐開和窗戶關閉都可以減少通風），但通風時間相對較少，室內空氣水分主要來源為作物生理作用、土壤蒸發(fā)和內設滴灌設備（滴灌設備打開增加空氣濕度）。因此選取室外溫度、室外濕度、光照強度、土壤濕度、保溫被狀態(tài)、塑料膜狀態(tài)、窗戶狀態(tài)、滴灌設備狀態(tài)作為輸入，溫室內溫度和溫室內濕度作為輸出，其中室內外溫濕度、光照強度、土壤濕度分別使用溫濕度傳感器、光照度傳感器、土壤濕度傳感器測量，采集設備選用HSTL-102WS溫濕度傳感器、HSTL-GZD 光照度傳感器、HSTL-102STRWS 土壤濕度傳感器等，保溫被狀態(tài)、塑料膜狀態(tài)、窗戶狀態(tài)、滴灌設備狀態(tài)用0 和1 分別代表關閉和打開。選擇600 組樣本，隨機取其中70%作為訓練集，剩余30%為測試集。

為提高模型的收斂速度和精度，在實驗前將采集到的數(shù)據(jù)進行歸一化處理。原始數(shù)據(jù)經(jīng)過數(shù)據(jù)標準化處理后，各指標處于同一數(shù)量級，適合進行綜合對比評價。本文采取min-max 標準化即Min-Max Normalization 方法，也稱為離差標準化，是對原始數(shù)據(jù)的線性變換，使得結果映射到0 ～1 之間。設minA 和maxA 分別是屬性A 的最小值和最大值，將A 的1 個原始值x通過最大-最小標準化映射到區(qū)間［0,1］的值x'，那么公式如下所示：

2 構建方法及選擇

2.1 徑向基網(wǎng)絡

徑向基（Radial Basis Function）網(wǎng)絡是20 世紀80 年代末提出的1 種單隱層、以函數(shù)逼近為基礎的前饋神經(jīng)網(wǎng)絡。徑向基網(wǎng)絡可以解決BP 網(wǎng)絡的局部極小值問題，且訓練時間更短，對函數(shù)的逼近較優(yōu)，可以以任意精度逼近任意連續(xù)函數(shù)。

徑向基網(wǎng)絡是1 個三層的網(wǎng)絡，其中包括輸入、隱含、輸出3 層，第1 層為輸入層，由信號源節(jié)點組成，僅起到數(shù)據(jù)信息的傳遞作用，對輸入信息不做任何變換；第2 層為隱含層，對輸入信息進行空間映射變換；第3 層為輸出層，是對輸入模式做出響應?？偟膩碚f，徑向基網(wǎng)絡就是用徑向基函數(shù)作為隱單元的“基”，構成隱含層空間。隱含層對輸入向量進行變換，將低維空間的模式變換到高維空間內，使得在低維空間內的線性不可分問題在高維空間內線性可分。徑向基函數(shù)如下所示：

其中，μt為中心點，σt為徑基寬度。徑基寬度決定了徑向基函數(shù)下降的快慢。圖2 是本文徑向基網(wǎng)絡的結構圖，輸入層包含8 個輸入向量，其中x1、x2、x3、x4、x5、x6、x7、x8分別對應室外溫度、室外濕度、光照強度、土壤濕度、保溫被狀態(tài)、塑料膜狀態(tài)、窗戶狀態(tài)、滴灌設備狀態(tài)，輸出層共2個輸出向量，其中Y1代表日光溫室室內溫度，Y2代表日光溫室室內濕度。

圖2 RBF 網(wǎng)絡結構圖Fig.2 Schematic diagram of RBF network

2.2 麻雀搜索算法

麻雀搜索算法（Sparrow Search Algorithm）［14］是2020 年由Jiankai Xue 和Bo Shen 根據(jù)麻雀覓食并逃避捕食者的行為而提出的1 種最新的群智能優(yōu)化算法，算法主要模擬了麻雀群覓食的過程。麻雀群覓食過程也是發(fā)現(xiàn)者-跟隨者模型的1 種，同時還疊加了偵查預警機制。麻雀中找到食物較好的個體作為發(fā)現(xiàn)者，其他個體作為跟隨者，同時種群中選取一定比例的個體進行偵查預警，如果發(fā)現(xiàn)危險則放棄食物，安全第一。麻雀搜索算法的具體實現(xiàn)其實和人工蜂群算法非常相似，基本結構幾乎一致，但是搜索算法有一定的差異，可以說是1 種人工蜂群算法的改進算法。該算法雖然全局搜索能力較弱且跳出局部最優(yōu)的操作較弱，但其局部搜索能力極強，收斂速度較快［15］。整體過程如圖3 所示：

圖3 麻雀優(yōu)化算法過程圖Fig.3 Process chart of sparrow optimization algorithm

SSA 算法的具體求解過程：

（1）更新發(fā)現(xiàn)者的位置

其中，t代表當前迭代數(shù)，itermax是1 個常數(shù)，表示最大的迭代次數(shù)。Xij表示第i個麻雀在第j維中的位置信息。α ∈(0,1］是1 個隨機數(shù)。R2(R2∈［0,1］) 和ST(ST∈［0.5,1］) 分別表示預警值和安全值。Q是服從正態(tài)分布的隨機數(shù)。L表示1 個1×d的矩陣，其中該矩陣內每個元素全部為1。當R2＜ST時，這意味著此時的覓食環(huán)境周圍沒有捕食者，發(fā)現(xiàn)者可以執(zhí)行廣泛的搜索操作。當R2≥ST，這表示種群中的一些麻雀已經(jīng)發(fā)現(xiàn)了捕食者，并向種群中其它麻雀發(fā)出了警報，此時所有麻雀都需要迅速飛到其它安全的地方進行覓食。

（2）更新預警者的位置

其中，XP是目前發(fā)現(xiàn)者所占據(jù)的最優(yōu)位置，Xworst則表示當前全局最差的位置。A表示一個1×d的矩陣，其中每個元素隨機賦值為1 或-1，并且A+=AT(AAT)-1。當i＞n/2 時，這表明，適應度值較低的第i個加入者沒有獲得食物，處于十分饑餓的狀態(tài)，此時需要飛往其它地方覓食，以獲得更多的能量。

（3）偵察預警行為

在麻雀覓食的同時它們中的部分會負責警戒，當危險靠近時，他們會放棄當前的食物，即無論該麻雀是發(fā)現(xiàn)者還是跟隨者，都將放棄當前的食物而移動到1 個新的位置。每代將從種群中隨機選擇SD個個體進行預警行為。

當整個麻雀種群受到捕食者威脅時或者意識到危險時，會進行反捕食行為：處在種群外圍的麻雀極其容易受到捕食者的攻擊，需要不斷地調整位置以此來獲得更好的位置。與此同時，處在種群中心的麻雀會去接近它們相鄰的同伴，這樣就可以盡量減少它們的危險區(qū)域。

其位置更新公式如下：

其中，其中Xbest是當前的全局最優(yōu)位置。β作為步長控制參數(shù)，是服從均值為0，方差為1 的正態(tài)分布的隨機數(shù)。K∈［-1,1］是1 個隨機數(shù)，fi則是當前麻雀個體的適應度值。fg和fw分別是當前全局最佳和最差的適應度值。ε是最小的常數(shù)，以避免分母出現(xiàn)零。

為簡單起見，當fi＞fg表示此時的麻雀正處于種群的邊緣，極其容易受到捕食者的攻擊。fi=fg時，這表明處于種群中間的麻雀意識到了危險，需要靠近其它的麻雀以此盡量減少它們被捕食的風險。K表示麻雀移動的方向同時也是步長控制參數(shù)。

3 基于麻雀搜索算法的徑向基網(wǎng)絡

在日光溫室溫濕度預測方面徑向基網(wǎng)絡優(yōu)勢明顯，但徑向基網(wǎng)絡使用的是1 個局部的激活函數(shù)。即在中心點附近有最大的反應，越接近中心點則反應最大，遠離反應則成指數(shù)遞減，就相當于每個神經(jīng)元都對應不同的感知域，能夠逼近任意非線性的函數(shù)。因此RBF 網(wǎng)絡中所用的非線性函數(shù)的形式對網(wǎng)絡性能的影響并不是至關重要的，關鍵因素是基函數(shù)中心的選取,中心選取不當構造出來的RBF 網(wǎng)絡的性能一般不能令人滿意。例如，某些中心靠的太近,會產生近似線性相關，從而帶來數(shù)值上的病變條件。由于RBF 網(wǎng)絡中心選取是該網(wǎng)絡預測效果的重要影響因素,為了更好地預測日光溫室溫濕度，本文將利用上述提到的麻雀優(yōu)化算法優(yōu)化徑向基網(wǎng)絡中心點的選擇。

常規(guī)徑向基網(wǎng)絡利用K-means 來選擇中心點，但K-means 方法需要不斷地進行樣本分類調整，不斷地計算調整后的新的聚類中心，因此當數(shù)據(jù)量非常大時，算法的時間開銷也很大。但日光溫室溫濕度的預測需要大量的樣本進行分析，利用K-means選擇中心點無疑會帶來較大的開銷，異常情況存在的可能性也使麻雀搜索算法的存在更加必要。因此本文將利用麻雀優(yōu)化算法對構建的徑向基神經(jīng)網(wǎng)絡的初始聚類中心進行優(yōu)化，該方法利用進化策略在解空間內對選擇路徑進行多點隨機搜索并找到最優(yōu)選路徑。由于進化策略的隨機性所有選擇路徑都有被搜索的可能使它有可能找到全局最優(yōu)解。將該方法用于RBF 中心的選取上具有以下特點：1、把RBF 網(wǎng)的結構設計問題歸結為尋找最優(yōu)選擇路徑問題，然后采用進化策略進行尋找，從而可得到最優(yōu)的隱層節(jié)點數(shù)和數(shù)據(jù)中心。2、該方法簡單易行，且能設計出滿足精度的最小結構的RBF 網(wǎng)絡。

麻雀搜索算法通過各麻雀個體的局部尋優(yōu)行為，最終在群體中使全局最優(yōu)值突現(xiàn)出來，有著較快的收斂速度，徑向基網(wǎng)絡具有局部逼近性能和最佳逼近性能，利用麻雀搜索算法優(yōu)化徑向基神經(jīng)網(wǎng)絡，不僅可以增加徑向基網(wǎng)絡的魯棒性、泛化性，還可以增加徑向基網(wǎng)絡的學習能力和收斂速度，便于更好地對日光溫室溫濕度進行預測。

4 模型的建立與結果

基于SSA-RBF 網(wǎng)絡的日光溫室溫濕度預測模型具體建立步驟如下：（1）根據(jù)分析確定輸入層的8個節(jié)點和輸出層的2 個節(jié)點。（2）將收集到的數(shù)據(jù)根據(jù)第二部分所提到的min-max 標準化方程進行歸一化處理。（3）隨機選取全部數(shù)據(jù)的70%作為訓練樣本，其余30%作為測試樣本。（4）按照第三部分所提到的構建方法進行神經(jīng)網(wǎng)絡的構建。（5）利用3.2 節(jié)介紹的麻雀搜索算法對構建的徑向基神經(jīng)網(wǎng)絡的初始聚類中心進行優(yōu)化，建立基于SSARBF 的日光溫室溫濕度預測模型。其中，麻雀搜索算法出于對最優(yōu)解和運行時間的考慮選擇種群數(shù)為40，為了增加可預期性和穩(wěn)定性選擇最大迭代次數(shù)為500 次，發(fā)現(xiàn)者占總規(guī)模的比例為20%。將所有歸一化的數(shù)據(jù)代入搭建好的預測模型中分別作為輸入因子和輸出因子，通過Matlab 進行仿真驗證，利用基于RBF 網(wǎng)絡的日光溫室溫濕度預測模型作為對照模型，仿真結果如圖4 到圖5 所示：

（1）對照組——常規(guī)徑向基神經(jīng)網(wǎng)絡仿真預測結果：

圖4 RBF 濕度預測結果對比圖Fig.4 Comparison chart of RBF humidity prediction results

圖5 RBF 溫度預測結果對比圖Fig.5 Comparison chart of RBF temperature prediction results

（2）基于麻雀搜索算法的徑向基神經(jīng)網(wǎng)絡仿真結果（見圖6 到圖7）：

圖6 SSA-RBF 濕度預測結果對比圖Fig.6 Comparison chart of SSA-RBF humidity prediction results

圖7 SSA-RBF 溫度預測結果對比圖Fig.7 Comparison chart of SSA-RBF temperature prediction results

為了更好地衡量預測的準確性，本文將通過根平均誤差RMSE（數(shù)量級上比較直觀，比如RMSE=10，可以認為回歸效果相比真實值平均相差10，范圍［0,+∞］，當預測值與真實值完全吻合時等于0，即完美模型；誤差越大，該值越大）、平均絕對誤差MAE（當預測值與真實值完全吻合時等于0，即完美模型；誤差越大，該值越大）、平均絕對百分誤差MAPE（該指標體現(xiàn)出與原始數(shù)據(jù)相比較的過程，較為公正客觀）、R-square 決定系數(shù)（此處的R即相關系數(shù)，相關系數(shù)的平方就是決定系數(shù)）以及相關系數(shù)（用來衡量2 個變量之間的相關性大?。┻M行深入地分析評估，計算結果如下表1 所示：

表1 計算結果Table 1 Calculation results

通過以上仿真結果可以看出，使用麻雀搜索算法能在一定程度上優(yōu)化RBF 網(wǎng)絡建模，能夠有效提高該系統(tǒng)的預測精度，同時系統(tǒng)的運行速度也得到相應的提高。使用麻雀搜索算法對徑向基網(wǎng)絡進行優(yōu)化后各個數(shù)據(jù)相對于未優(yōu)化的常規(guī)徑向基網(wǎng)絡都有了不同程度上的改善，由此可以看出采用麻雀搜索算法優(yōu)化徑向基神經(jīng)網(wǎng)絡可以更好地滿足日光溫室溫濕度預測的要求，而且能有效地在實際生產中對日光溫室溫濕度進行預測，為溫室環(huán)境控制器設計提供理論支撐。

5 結論

本課題組基于RBF 神經(jīng)網(wǎng)絡并結合了麻雀搜索算法對日光溫室溫濕度預測模型展開了研究。同時，通過MATLAB 2019a 軟件平臺，利用采集到的日光溫室環(huán)境數(shù)據(jù)進行了預測仿真實驗，相比未被優(yōu)化的常規(guī)徑向基網(wǎng)絡預測結果而言，基于麻雀搜索算法的徑向基神經(jīng)網(wǎng)絡對日光溫室溫濕度的預測結果更好，驗證了麻雀搜索算法優(yōu)化日光溫室溫濕度徑向基網(wǎng)絡模型的可行性，可供進一步的研究和實際應用。