基于贝叶斯正则化BP神经网络的日光温室温度预测模型

王红君等

摘要：针对日光温室温度预测模型中输入因子间存在复杂的耦合关系以及输入因子过多而导致神经网络结构规模过大等问题，选用影响日光温室温度的环境因子组成数据样本，对数据样本进行主成分分析。提取出影响日光温室内温度的前3个成分作为BP神经网络模型的输入变量，采用贝叶斯正则化算法对BP神经网络进行改进。结果表明，该方法改进的BP神经网络模型得到简化，拟合曲线光滑，具有较好的泛化能力和网络推广能力。

关键词：日光温室；温度；主成分分析；贝叶斯正则化；BP神经网络

中图分类号：S24 文献标识码：A 文章编号：0439-8114（2015）17-4300-04

DOI：10.14088/j.cnki.issn0439-8114.2015.17.051

日光温室是指以太阳能为主要能源，室内安装简易的加热设施，夜间采用保温被保温，以满足作物生长需要的一种温室。日光温室环境温度对作物生长发育及产量起着至关重要的作用，不论其他环境条件如何，作物总是在温度下降到某一低温或超过某一高温情况下停止生长甚至死亡，只有维持在某一适宜温度范围内，作物生长发育才最好。因此，如果能得到有效、准确的温度预测值并将其用于指导生产过程，将有助于作物的生长，也可以大大提高作物的质量[1]。

近年来，国内外学者采用不同的方法对日光温室温度预测展开研究，这些研究主要通过传热学分析、气流场和温度场分析等对室内温度进行预测[2-6]，预测过程对复杂非线性系统进行了较多的简化和近似处理，因此存在建模精度低、预测性较差等问题[7]。影响日光温室温度的因子有很多，各因子间存在复杂的耦合关系，且存在信息冗余问题。如何采用新的理论方法[8]准确描述室内温度与影响因子间的关系，是解决目前日光温室温度预测精度低的关键。因此，本研究利用BP神经网络建立了日光温室温度预测模型，首先采用主成分分析法来简化BP神经网络的输入神经元个数，再用贝叶斯正则化算法提高网络的泛化能力，最后建立了基于主成分分析法的贝叶斯正则化BP神经网络预测模型[9-11]。

4.3 BP神经网络模型的确定

BP神经网络模型主要由输入层、隐含层、输出层以及各层间的传递函数等组成，本研究选用三层BP神经网络结构。隐含层节点数对BP神经网络的性能有很大影响[17]，一般较多的隐含层节点数可以带来更好的性能，但可能导致训练时间过长。若节点数太少，则网络所能获取的用以解决问题的信息太少。因此，合理选择隐含层单元数非常重要。

本研究根据Kolmogorov定理，确定三层BP神经网络隐含层节点数的近似关系：

n2=2n1+1

其中，n1为输入层神经元个数；n2为隐含层神经元个数。

根据主成分分析结果，网络的输入节点数为3，输出节点数为1，按照上述定理可以近似确定隐含层节点数为7。分别对输入隐含层节点数为6、7、8、9（其他结构参数均不变）的BP神经网络结构测试训练，结果表明，3-7-1 BP神经网络具有较好的预测能力。

4.4 神经网络生成与训练

在Matlab环境中，用newff函数建立网络，选取tansig作为激活函数，训练采用贝叶斯正则化算法的trainbr函数。设置最大训练次数为1 000，训练误差为1e-5，训练速率为0.05，其余参数为默认值。将数据样本分为训练数据和测试数据，前600组的处理结果作为训练数据，将第601至第800组的处理结果作为测试数据。利用train函数对训练数据进行训练，训练和测试的均方误差（mse）结果如图2所示。

4.5 测试神经网络

将测试的输出数据还原，与温室实际温度作比较（表2）。结果表明，采用基于贝叶斯正则化BP神经网络预测日光温室温度是可行的。

5 小结

1）针对日光温室影响温度的7个因子之间存在耦合关系以及影响因子中存在冗余信息的问题，通过主成分分析将其简化为3个主成分，这3个主成分涵盖了所有变量98.11%的信息，这样在保证原始数据信息完整的基础上，起到了显著降维的作用，同时由于各主成分间的正交性避免了输入节点之间耦合关系的发生。

2）利用贝叶斯正则化算法训练BP神经网络不仅对训练样本表现出很强的拟合能力，而且对预测样本同样表现出很强的推广能力。

参考文献：

[1] 琳 琳，吴 刚.温室小气候环境建模与控制的现状及展望[J].自动化博览，2010（2）：58-60.

[2] 邓玲黎，李百军，毛罕平.长江中下游地区温室内温湿度预测模型的研究[J].农业工程学报，2004，20（1）：263-266.

[3] 佟国红，李保明，DAVID M C，等.用CFD方法模拟日光温室温度环境初探[J].农业工程学报，2007，23（7）：178-185.

[4] 陈教料，胥 芳，张立彬，等.基于CFD技术的玻璃温室加热环境数值模拟[J].农业机械学报，2008，39（8）：114-118.

[5] 蒋勇翔，秦琳琳，石 春，等.基于机理模型的现代温室湿度系统建模[J].江南大学学报（自然科学版），2013，12（5）：535-540.

[6] 张国林，宗英飞，王吉宏.辽西日光温室温度变化规律及温度预测模型[J].中国农学通报，2013，29（23）：117-122.

[7] 杨卫中，王一鸣，董乔雪，等.大型连栋温室环境参数的线性时不变系统建模[J].农业工程学报，2010，26（14）：285-289.

[8] 徐立鸿，苏远平，梁毓明.面向控制的温室系统小气候环境模型要求与现状[J].农业工程学报，2013，29（19）：1-15.

[9] 何 芬，马承伟.温室湿度环境的主成分分析人工神经网络建模研究[J].上海交通大学学报，2008，26（5）：428-431.

[10] 金 龙，况 雪.人工神经网络预报模型的过拟合研究[J].动力工程，2008（6）：431-435.

[11] 喻胜华，邓 娟.基于主成分分析和贝叶斯正则化BP神经网络的GDP预测[J].湖南大学学报，2011，25（6）：42-45.

[12] 周松林，茆美琴，苏建徽.基于主成分分析与人工神经网络的风电功率预测[J].电网技术，2011，35（9）：128-132.

[13] 王春玲，魏瑞江，申双和，等.基于BP神经网络的冬季日光温室小气候模拟[J].中国农学通报，2014，30（5）：149-157.

[14] 金志凤，符国槐，黄海静，等.基于BP神经网络的杨梅大棚内气温预测模型研究[J].中国农业气象，2011，32（3）：362-367.

[15] 李 洋，石必明.基于贝叶斯正则化BP人工神经网络的煤与瓦斯突出预测的研究[J].工况自动化，2009（2）：1-4

[16] 江学军，唐焕文.前馈网络泛化性能的系统分析[J].系统工程理论与实践，2000，20（8）：36-40.

[17] 周红晓，蔡 俊，张德官.一种优化多层前馈神经网络中隐节点数的算法[J].浙江师范大学学报，2002，25（3）：268-271.

[18] 常丽娜，张林华.日光温室空气温度与土壤温度的相关性分析[J].山东建筑大学学报，2011（6）：595-598.