PSO-CMAC网络在温室数据融合中的应用

刘立佳

(哈尔滨理工大学 自动化学院,哈尔滨 150080)

0 引 言

我国虽然是农业大国,但是可耕地面积人均＜0.1 hm2,然而稳产的耕地面积人均却＜0.04 hm2。农业自然灾害频繁出现,很大程度上也制约了我国农业的发展。中国必须走农业现代化的道路,大力发展设施农业,兴建温室,进行温室种植,是中国农业走现代化道路的一种有效途径。我国引进了各种大中型温室,对于消化、吸收国外先进的温室生产经验起到了积极作用。但是,由于引进的温室价格和运行成本都太高,发展国产的高科技温室势在必行[1-2]。

准确掌握、控制温室内各个信息量的值,是提高室内农作物的产量和效益的前提。在监控温室环境时,经常对测量的量单个考虑,忽略各成分之间是相互关联、互相制约、相互配合的,例如,温室中的温度就受到湿度、光照度等的影响,很难形成一个合理、有效的判断。

将PSO算法的全局优化能力和局部逼近、学习速度快能力相结合,优化CMAC网络的权值,利用优化的权值训练CMAC网络,并进行数据融合,即PSO-CMAC融合算法,它能很好地实现对多传感器探测到的各种环境特征参数进行融合,有效地检测出温室的真实情况,因此,本文以温室黄瓜为例。选用了6组典型数据,用PSO-CMAC融合算法对多传感器数据样本进行数据融合。

1 系统设计

1.1 检测参量的确定

检测量的精确程度直接关系到系统的可靠性、准确性、温室环境实际状况的真实性。传统的温室成分的检测中,只是利用单传感器对测量成分单个考虑,恰恰忽略了各个成分之间的互关联性,例如温度易受到光照度、湿度等的影响,单一的测量不能形成一个有效、合理的判断。因此,温室温度要结合光照度和的湿度变化来综合判定。考虑实际情况,以温度、光照度和湿度作为温室监控系统同时检测的3个主要参量。

1.2 检测系统的建立

图1为应用PSO-CMAC网络进行数据融合的多传感器温室监控系统模型,由3部分组成:传感器的测量和特征参量的提取、神经网络对信号的处理、识别。传感器测量部分由各传感器完成对温度、光照度和湿度的测量工作。检测到的信号经过预处理和特征提取后,变成PSO-CMAC网络能够识别处理的输入信号,经PSO-CMAC网络智能化处理后得到温室中主导因子的概率,再判断温室当前的环境情况。

图1 PSO-CMAC网络的数据融合模型Fig.1 Data fusion model of PSO-CMAC netwok

2 PSO-CMAC网络算法

CMAC网络算法存在网络的权系数存储空间随CMAC的输入维数的增大而成几何级数增加等缺陷,而PSO算法是一种全局优化算法,不依赖初始值,并且收敛速度快,本文将 PSO算法用于CMAC网络权值训练,建立PSO-CMAC网络模型。

2.1 标准粒子群算法

标准粒子群算法采用速度——位置搜索模型,在D维解空间中,有m个粒子,群体中第i个粒子的位置速度将带入目标函数可得到其适应值。记第个粒子搜索到的最优位置为它的个体极值为pi={pi1,pi2,…,pin}T,种群的全局极值为按追随当前最优粒子的原理,粒子xi将按式(1)和式(2)来更新粒子的速度和位置:

式中i=1,2,…,m,m是该群体中粒子的总数;k代表当前迭代次数为k迭代粒子i飞行速度矢量的第d维分量为k迭代粒子i位置矢量的第d维分量;pid是粒子i个体最好位置pbest的第d维分量;pgd为群体最好位置gbest的第d维分量;c1, c2为加速常数;rand()为随机函数,产生[0,1]的随机数。

2.2 PSO-CMAC网络融合算法

在温室环境中,所用的CMAC网络是由输入层、隐含层和输出层组成的前向神经网络。参数设置:粒子数取30,输入维数3,输出维数1,初始位置随机产生,初速度为0。利用粒子群算法寻找使粗产品温度最低的控制参数。

用PSO算法训练CMAC网络时,粒子群的位置向量由所训练的CMAC网络的权值组成。首先初始化位置向量,然后,用PSO算法搜索最优的权值,利用最优的权值进行训练CMAC网络,使均方差指标J(适应值)达到最小:

式中N为训练样本数;0为网络输出神经元的个数;j为第i个样本的第j个网络输出节点的样本值。

图2 CMAC神经网络的基本结构Fig.2 Based structure of CM AC neural network

采用了PSO算法对CMAC网络进行训练,避免了原CMAC算法较大的泛化误差,避免了学习冲突,提高了学习精度。

本算法流程见图3。

3 数据融合应用实例分析

3.1 实例描述

黄瓜生长的最适宜温度为:15～32℃、最适宜的空气湿度为70%～90%RH的阳性植物。生长期,黄瓜需要较高的光补偿和饱和点、对温度和光强要求也较高,要想达到理想产量必须要生长在干湿适中的条件下。

图3 基于PSO-CMAC网络算法流程图Fig.3 Flow chart of algo rithm based on PSO-CMAC network

本文采集了温室黄瓜栽培12月份的一组环境数据,考虑到冬季温室黄瓜对环境因子的特殊要求和冬季温室环境自身的特点(例如,在北方12月份温室温度很低,温室湿度相对偏高,光照明显不足),在仿真试验中,输入量为温度低、湿度高和光照度不足的各个状态,数据见表1。

表1 环境样本数据Table 1 Sample data of environment

3.2 PSO-CMAC网络的训练

在上述温室中,利用采集数据,经过多次试验,并且应用PSO算法优化CMAC网络的权值。在神经网络学习前,对输入、输出进行量化处理。泛化常数c=10,迭代次数为50。分别将温度值、湿度值和光照度值作为CMAC神经网络的输入,3个量值分别作为输出,图4给出了CMAC网络和基于PSO算法的神经网络训练误差收敛变化曲线。

由图4可见,CMAC网络的收敛曲线较为光滑,经过很多步才收敛,收敛速度很慢;而PSOCMAC网络收敛速度很快。由于CMAC网络的权值的自适应性,采用PSO算法优化后的权值非常接近最后的结果,误差可调整范围更小,产生振荡小。所以,PSO全局优化算法克服了CMAC算法训练的缺陷,加快了收敛的速度。

3.3 仿真结果与分析

在本仿真实验中,输入节点的数据分别为温度、湿度和光照度;输入量范围为温度偏低、湿度偏高、光照度不足的各个状态。网络训练后的实际输出结果送至判别结构进行判断,只对最大值进行识别,并判断温室的环境状况。考虑到各种情况,选用6组典型数据样本对PSO-CMAC网络进行训练,样本1、2为温度偏低状况,样本3、4为湿度偏高状况,样本5、6为光照度不足状况。仿真结果见表2,其中温度、湿度和光照度的单位分别是℃、%RH和w/m2。

通过比较可以看出:训练的结果逼近期望的输出,网络找到了输入、输出之间的映射规律,这种映射规律便隐含在该神经网络的结果和互联权值之中。同时,由网络训练误差曲线可知,PSO-CMAC算法训练得到的误差是收敛的,几乎不会选入局部极小或发生振荡。从仿真结果来看,PSO-CMAC算法的训练识别准确度很高,效果比较明显,达到了预期目的,提高了温室管理的准确性。

表2 神经网络仿真输出对照表Table 2 Comparing tables of outputs from neural network simulation

4 结 语

本文以温室黄瓜为例,采用具有全局优化能力的PSO算法和具有学习速度快、收敛速度快、全局稳定的CMAC神经网络相结合的方法对多传感器数据进行融合,综合考虑了温度、湿度和光照度等3个参量的关系。仿真结果表明:PSO-CMAC网络的数据融合算法能够获得温室准确的信息,提高了温室控制的准确性。

[1] 高建平,赵龙庆.温室计算机控制与管理技术的发展概况及在我国的应用前景[J].计算机与农业,2003,(2):12-15.

[2] 张兆强,姜 伟,刘金云.利用Roug h集理论优化日光温度室内温度数据[J].黑龙江水专学报,2009,36(2):35-37.

[3] Zeng J C,Cui Z H.A Guaranteed Global Convergence Particle Swam Optimizer[J].Journal of Computer Research and Development,2004,41(8):1 333-1 338.

[4] 李纪文,骆德渊,刘 荣.基于GSM无线传输的温室环境因子监测系统设计[J].微计算机信息,2009,(1):12-13.

[5] Parsopoulos K E,Vrahatis M N.Recent Approaches to Global Optimization Problems T hrough Particle Swarm Optimization[J].Natural Computing,2002,(1):235-306.

[6] Jun Sun,Bin Feng,Wenbo Xu.Particle Swarm Optimization with Particles Having Quantum Behavior[J].Congress on Evolutionary Computation,2004,(9):325-331.

[7] 王会清,韩艳玲.基于多传感器与数据融合技术的研究[J].计算机与现代化,2002,(9):64-67.

[8] 贺 鹏.温室环境温湿度控制系统应用设计[J].硅谷,2008, (22):115-116.

[9] 杨小明,施 莹.Fuzzy Neural Network M odel Based on Particle Swarm Optimization for Network Anomaly Detection[J].计算机工程与应用,2009,45(6):131-133.

[10] 黄万银.黄瓜生长对环境条件的要求[N].陕西科技报,2001-12-11(2).

[11] 武晓嘉.多传感器数据融合在温室智能控制中的应用研究[D].太原:太原理工大学,2005.

[12] 蔺 杰.数据融合的神经计算方法[D].杭州:浙江大学, 2005.

[13] 杨万海.多传感器数据融合及应用[M].西安:西安电子科技大学出版社,2004.

[14] (美)David L.Hall,Uinas.多传感器数据融合手册[K].杨露菁,耿伯英译.北京:电子工业出版社,2008.

[15] 黄 赫,礼包泽,曹泽阳.多传感器目标数据融合及关键技术[J].飞航导弹,2009,(10):50-52.

[16] 王天真.智能融合数据挖掘方法及其应用[D].上海:上海海事大学,2006.