發(fā)布時(shí)間：2024-06-08 03:00

　　針對現(xiàn)有溫室中采用基于定時(shí)器、流量計(jì)以及利用模糊控制方法實(shí)現(xiàn)的灌溉決策系統(tǒng),沒有考慮到作物各生育期的水分消耗情況,容易導(dǎo)致灌溉決策精度的損失問題。提出了一種基于自適應(yīng)粒子群極限學(xué)習(xí)機(jī)(Adapation Particle Swarm Optimization-Extreme Learning Machine,APSO-ELM)算法和模糊邏輯系統(tǒng)的灌溉時(shí)間決策的設(shè)計(jì)。因APSO能夠提高跳出局部搜索的能力以及ELM具有學(xué)習(xí)速率快等優(yōu)點(diǎn),所以將其結(jié)合來實(shí)現(xiàn)對參考作物蒸發(fā)蒸騰量的預(yù)測。因模糊邏輯系統(tǒng)能夠滿足灌溉是一個(gè)時(shí)滯性、非線性過程,所以利用作物蒸發(fā)蒸騰量和土壤下降率輸入模糊邏輯系統(tǒng),輸出當(dāng)前作物需要灌溉的時(shí)間。實(shí)驗(yàn)結(jié)果表明,該設(shè)計(jì)可以輸出準(zhǔn)確的灌溉時(shí)間。

【文章頁數(shù)】：5 頁

【部分圖文】：

圖1ELM算法結(jié)構(gòu)圖

極限學(xué)習(xí)機(jī)(ELM)是基于前饋神經(jīng)網(wǎng)絡(luò)的機(jī)器學(xué)習(xí)算法[19],其主要特點(diǎn)是隱含層節(jié)點(diǎn)參數(shù)可以是隨機(jī)或人為給定的且不需要調(diào)整,學(xué)習(xí)過程僅需計(jì)算輸出權(quán)重。ELM具有學(xué)習(xí)效率高和泛化能力強(qiáng)的優(yōu)點(diǎn),其結(jié)構(gòu)圖如圖1所示。其中,xj表示神經(jīng)元的輸入,N表示輸入層的個(gè)數(shù),L表示隱含層的神經(jīng)元個(gè)....

圖2APSO-ELM算法流程

為了避免由于ELM輸入層與隱含層隨機(jī)生成的權(quán)值和閾值給網(wǎng)絡(luò)預(yù)測精度帶來不穩(wěn)定性,引入APSO使之可以避免陷入局部最優(yōu),優(yōu)化網(wǎng)絡(luò)帶來的不穩(wěn)定性。整個(gè)樣本分為測試集和訓(xùn)練集,首先需要初始化ELM和粒子群的基本參數(shù),然后通過APSO不斷的迭代更新,得到ELM網(wǎng)絡(luò)的最優(yōu)權(quán)值和閾值,最終得....

圖3灌溉時(shí)間模糊邏輯系統(tǒng)流程

設(shè)置好數(shù)據(jù)采集的時(shí)間間隔t以后,根據(jù)專家經(jīng)驗(yàn)和實(shí)際需求設(shè)置模糊系統(tǒng)規(guī)則庫,利用獲取到的實(shí)際作物蒸發(fā)蒸騰量ET0和土壤濕度下降率ΔE,通過模糊邏輯系統(tǒng),得到灌溉時(shí)間T。其系統(tǒng)流程設(shè)計(jì)如圖3所示。2.4隸屬度函數(shù)確定

圖4輸入輸出隸屬度函數(shù)

系統(tǒng)的輸入量確定為兩個(gè),第一個(gè)輸入量是土壤濕度的下降率ΔE,下降率可以反映變化的快慢;第二個(gè)輸入量是實(shí)際作物蒸發(fā)蒸騰量ET0,ET0可以反映出維持作物生理活動(dòng)最基本需水量。輸出量為灌溉時(shí)間T。其中ΔE語言值設(shè)置為4個(gè),ET0和T語言值設(shè)置為7個(gè)。土壤水分下降率變化偏差ΔE、實(shí)際作....

本文編號：3991352