神经网络在温室小气候预测中的应用*

杨承磊，兰玉彬，王庆雨，别晓婷，单常峰，王国宾

(1. 山东理工大学农业工程与食品科学学院,山东淄博,255000;2. 国家精准农业航空施药技术国际联合研究中心山东理工大学分中心,山东淄博,255000)

0 引言

温室小气候控制是实现温室气候稳定、促进作物产量提升的重要手段。小气候条件在很大程度上决定着作物的产量和品质,而温室农业拥有相对独立且可控的小气候,保证了温室系统可以在任意地点进行作物种植而不受当地气候条件的限制[1],保持温室气候独立、改善作物生长条件、延长作物生长时间、提高产量和果实的质量[2]。要建立适宜作物生长的温室小气候系统,需要参考作物生长的最优环境条件[3]。但温室系统具有非线性、时变、大滞后、多输入多输出的特点,其状态取决于一系列外部和内部因素,这些复杂因素交杂使得人们难以对温室环境进行建模。

目前常用来模拟温室小气候系统的模型分为机理模型[4]和辨识模型两类。机理模型是一类基于能量与质量守恒原则来描述系统与外界能量和物质交换过程的模型,可以从原理上解释系统的内部发展规律,从而实现对系统变化趋势的预测[5]。但是这种模型在建立时往往需要采集大量的参数,而这些参数如果不能很好地获取,将会直接影响模型的模拟效果。辨识模型是基于现代计算机技术建立的,又被称为“黑盒”模型,是一种根据模型输入和输出自动进行参数优化的模型,这种模型不需要研究者掌握研究对象的内部运行规律而能直接根据系统输入与输出的关系建模,实现对未来的预测。这使得辨识模型非常适合反映无法编程或无法解释的知识,以及非线性系统的表示。

在农业进入4.0发展时代以及智能控制设备进入普通温室的大背景下,如何通过现代计算机技术来模拟温室动态系统以实现对温室环境因子的精准预测,减少因为仅仅依靠人工经验进行控制所造成的控制滞后和随之带来的作物损伤和减产,是目前温室产业尤其是智能温室亟需解决的一大难题[6-7]。神经网络作为典型的辨识模型,极大降低了温室小气候预测模型的建模难度和研究门槛。并且近年来随着计算机科学与人工智能的兴起,深度学习成为了一种更好的解决方案,与人工神经网络相比,深度学习拥有“更深层的”网络,它通过各种处理方法来自动提取温室环境数据中更深层的特征进行学习,使其具有强大的学习能力,提高了模型的精度。本文综述了不同类型的神经网络在温室小气候预测中的应用,总结了现有模型存在的缺陷与不足,并对存在的问题提出了建议,希望为后续研究者在温室小气候预测及温室智能控制领域的研究提供参考。

1 温室小气候预测

温室小气候系统是由外部天气条件、温室控制机制(通风口、排气扇、加热器、蒸发冷却系统等)、作物和其他内部因素构成的复杂动态系统[8],用于创造比外界更理想的作物生长条件即淡季作物条件,保护作物免受恶劣天气的影响,提高农民的经济收益。温室小气候系统建模对于实现温室小气候控制至关重要,温度[9-10]、湿度[11]、二氧化碳浓度[12-13]和光照强度等环境因素会影响作物的生长进而影响产量[14]。图1展示了温室小气候模型的原理[15]。

图1 温室小气候模型原理图

1.1 温室小气候预测必要性

建立温室小气候模型可以准确预测温室能量和物质变化的过程[16],有助于农民提前预测极端气候并采取应对措施[17]。如果未采用适宜的温室控制措施会损害作物生长,甚至可能会导致大面积的作物死亡,给农民带来巨大的经济损失。

近年来,温室小气候控制因其对提高作物产量的巨大贡献而受到广泛关注[18-19],是温室系统成功运行的关键,但以往温室中使用的常规控制方案,很难保证满足更高的性能需求[20],在这种情况下,基于温室小气候预测的控制技术可以提供更好的控制精度,如广义预测控制[21]、最优控制[22]、模型预测控制[23-24]、神经网络控制[25]、模糊控制[26]、鲁棒控制[27]和自适应线性二次控制[28]等。

1.2 温室系统建模方法

1.2.1 机理模型

在过去的几十年中,由于机理模型的可解释性和计算机发展水平的限制,大量研究者专注研究机理模型。机理模型又可以分为静态模型和动态模型。静态模型[29]又被称为稳态模型,是描述系统在处于相对平衡状态时系统各变量相互作用的模型,而动态模型则是揭示系统内变量随时间变化规律的。静态模型虽然容易实现,但精度较低。基于这个原因,Takakura等[30]建立了第一个相对完整的温室动态模型,该模型全面描述了温室内的热湿传递过程。近年来,温室动态模型得到了改进和发展,有研究者开发了无土介质黄瓜种植的温室小气候模型[31],该模型能够预测自然通风条件下的温室中空气、植物、生长介质和塑料覆盖物的温度。另外,一种新的温室模拟方法——计算流体力学[32-33](Computational Fluid Dynamics, CFD),弥补了以往模型无法计算温室中温湿度分布的缺陷。

机理模型虽然可以从原理上解释温室系统的运行规律和变化趋势,但是其存在参数获取难度大的问题以及随着时间推移,温室内材料、结构等发生老化变形也会影响模型精度的问题,为机理模型的推广带来了挑战。

1.2.2 辨识模型

温室系统具有控制滞后和气候随时间变化的特点,因此温室环境因子数据具有特定的序列变化趋势和周期特征。对于这种时间序列问题,可以使用常规统计模型或神经网络模型建模。

1) 常规统计模型。传统的时间序列分析方法通过统计方法中的自相关函数和偏自相关函数建立线性序列模型:带外部输入的自回归模型[34](Autoregressive Model with Exogenous Input, ARX)、带外部输入的自回归滑动平均模型[35](Auto Regression and Moving Average Model with Exogenous Input, ARMAX)和非线性序列模型(带外部输入的非线性自回归神经网络[36](Nonlinear Autoregressive Exogenous Model, NARX)等来预测目标环境因子。

2) 神经网络建模。常规统计模型只关注时间序列本身的变化,对于非线性或复杂系统的模拟能力并不优秀,因此神经网络模型[37]作为一种更加先进、更适合复杂温室系统的技术应用到温室小气候建模中。

除了上述两种模型外,模糊理论[38]、Petri Nets[39]等技术也被一些研究者应用于温室系统建模中,以下将详细介绍神经网络在温室小气候预测中的应用。

2 神经网络在温室小气候预测中的应用

神经网络技术是一种并行非线性的大型动态系统,能根据预先提供的输入数据集和输出数据集建立关系模型,然后输入新的数据经过规律推算得到输出结果,且具有自学习和自适应的能力。应用在温室小气候预测中的神经网络技术主要有以下四种,前馈神经网络、循环神经网络、深度神经网络和混合神经网络。

2.1 前馈神经网络在温室小气候预测中的应用

2.1.1 多层感知器(MLP)网络

多层感知器(Multi-Layer Perceptron,MLP)是一种常见的前馈型神经网络,最典型的MLP包括3层:输入层、隐藏层和输出层,MLP不同层之间是全连接的。一般MLP网络使用误差反向传播(Back Propagation,BP)算法对模型进行训练,也被称为BP神经网络,其学习过程包括信息正向传播和误差反向传播过程,在误差反向传播过程中,输出值与期望值的偏差通过隐藏层逐层反向传递,传递给各层的每一个神经元,然后各层根据误差来修改自己的权重,直至误差控制在一个可以接受的范围内。

温室小气候预测中最常见的是对于温度和湿度的预测,最典型的三层BP神经网络可以实现精准的预测效果。例如使用三层BP神经网络[40]来提前一天预测温室的平均气温和相对湿度,通过改变隐藏层节点的数量来寻找最佳的网络结构,最优模型对于温度和湿度的预测误差仅为0.711 ℃和2.514%,其他研究者还通过不同的优化算法和激活函数对模型进行了优化,例如使用只有一个隐藏层的BP神经网络预测温室内的温度和相对湿度[41],根据采集的环境因子和要被预测的环境因子确定神经网络输入、输出层的节点数量,分别使用Levenberg-Marquardt(LM)算法、贝叶斯正则化反向传播算法、拟牛顿反向传播算法(Broyden-Fletcher-Goldfarb-Shanno, BFGS)对模型的训练方法进行优化,在训练时不断调整激活函数和隐藏层的节点数量寻找最优的网络结构,最优模型预测温度和相对湿度的最大误差为0.877 ℃和2.838%,能够满足温室决策系统的要求。以上两个模型虽然训练方法不同,但都是使用预测值的误差进行反向传播来更新权值的,而通过对模型输入策略的创新:在训练中使用真实值对模型的预测数据进行校正,然后重新输入模型,在后续预测中获得了更好的预测效果[42],使用此方法对番茄温室的温湿度进行预测时,最优模型在温度和湿度测试集上的R2值分别达到了0.972和0.989,相比于多元线性回归(MLR)模型取得了更好的预测效果。虽然只是最简单的三层网络结构,但在训练方式和模型输入等方面的不断创新,使其在温室温湿度预测方面取得了良好的效果。

随着对模型算法研究的深入,有不少研究者将模型优化的重点放在了最优化算法上,最优化算法可以加快模型学习和收敛的速度,使用LM算法训练的MLP神经网络用于预测温室内温度[43],通过季节分割数据集,模型在冬季和夏季数据集上的决定系数分别是0.954 9和0.959 0。使用LM和梯度下降动量法(Gradient Descent with Momentum,GDM)对四种MLP架构的神经网络模型进行优化[44],模型在预测温室屋顶温度、室内空气湿度和土壤湿度时,预测误差仅为多元线性回归模型的二分之一。另外随着计算更高效、内存占用更少的Adam算法的提出,使用了Adam算法优化的拥有两个隐藏层的MLP网络预测温室内二氧化碳浓度[45]时,通过改变隐藏层神经元的数量使模型达到最佳性能,最优模型的决定系数达到了0.97,不仅取得了良好的预测效果,同时减少了模型训练的时间。

除了改进优化算法提高模型收敛速度外,利用主成分分析技术(Principal Components Analysis, PCA)优化模型的输入项的方法同样达到了这样的目标,PCA简化了数据样本,使模型具有更快的学习收敛速度。He等[46]将PCA处理后的数据作为BP神经网络的输入来预测温室内的湿度,在试验中,PCA-BP神经网络相比于逐步回归方法不仅在预测精度方面有更好的表现,同时大大降低了模型训练的运行时间和内存占用。除此之外,遗传算法由于可以进行全局优化,同样可以提高权值优化的速度、降低训练时间,Wang等[47]在温室作物的蒸腾模型中使用遗传算法,优化了输入向量的权重并减少了长时间训练产生的累积误差。表1展示了多层感知器网络在温室小气候预测中的部分应用。

表1 多层感知器(MLP)网络在温室小气候预测中的应用(部分)Tab. 1 Application of Multi-layer Perceptron (MLP) network in greenhouse microclimate prediction(part)

2.1.2 径向基函数(RBF)神经网络

与BP神经网络不同的是,径向基函数神经网络(Radial Basis Function Neural Network, RBF)使用径向基函数作为激活函数。自20世纪80年代末提出后,因其相比于BP神经网络更快的收敛速度、更强的逼近能力和泛化能力,在分类和多输入多输出系统建模中均获得广泛应用。例如Ferreira等[25]搭建了RBF神经网络模型对水培温室的室内湿度进行预测,选择外部光照强度、空气温度和室内相对湿度作为模型的输入,采用了三种离线训练模式和三种在线训练模式,并分别使用三种不同的优化算法对训练方法进行优化,试验结果表明,每一种模型的预测精度都达到了进行温室控制的要求。

基于RBF神经网络对于温室系统良好的模拟能力,将RBF神经网络与比例、积分和微分控制(Proportional-integral-derivative Control, PID)等控制技术结合的方案在温室小气候控制方面取得了不错的效果。申超群等[48]使用RBF神经网络与PID控制结合,设计自适应控制器用于温室小气候控制,RBF神经网络在线调整PID控制器参数。其设计的控制器在温室内温度控制中与传统PID控制相比,在响应速度、平稳性和适应性方面表现更好,能够满足对温室小气候系统的精准控制。而Hu等[19]通过将自适应比例和微分控制器(Proportional-derivative Control, PD)的输出限制在执行器的执行范围之内的方法,进一步提高了RBF-PD控制器在温室气候控制方面的性能表现。Zeng等[49]则将研究重点放在了在线训练模型和离线训练模型控制性能的比较上。其在离线训练时使用遗传算法根据误差标准寻找最佳增益参数,在线训练时采用一种新的学习率更新算法进行训练。经过试验验证,自适应在线训练方案拥有更好的设定点监控性能,更平滑的闭环响应,在整个控制期间环境因子振荡幅度更小,控制滞后时间更短,控制方案可以很好地适应外部气候的波动。

前馈神经网络结构简单、建模难度低,但是面对更加复杂的系统环境时,由于大量环境因素存在复杂的非线性关系,简单的模型难以很好地模拟复杂环境,并且还存在着模型预测精度随预测时间步长增加而下降[50]等问题。且随着深度学习的发展,研究者发现温室环境因子之间存在复杂的时间依赖性,即相邻时刻甚至是相当长时间之前的环境变化会影响现在的环境变化,这被称为本地时间依赖性。前馈神经网络在面对温室数据这种时间序列数据时,也无法有效捕捉其中长期的时间依赖性,因此对于温室小气候预测问题,后来的研究者对其他类型的神经网络进行了研究。

2.2 循环神经网络在温室小气候预测中的应用

为了捕捉环境因子的时间相关性和变化的周期性,研究人员通常使用循环神经网络(Recurrent Neural Network, RNN)来处理这类问题,RNN是一种基于序列建模的人工神经网络,可以在神经元之间横向传输数据信息,并且部分表达数据之间的相关性[51],提取数据的时间特征。RNN由一系列循环神经元组成,在训练中它会将前一个神经元的输出按照权重选择作为下一个神经元的输入,这使得RNN网络可以捕捉数据的长期依赖性,这有助于它依靠历史数据对未来的时间步做出预测。相比于上文中的前馈神经网络,循环神经网络在温室小气候控制中的应用相对还较少,然而循环神经网络依靠其输入层中更少的神经元数量和独特的内部循环结构,获得了更快的计算速度,展示了良好的性能,根据其设计的多种变种网络逐渐避免了梯度消失的问题,而在近年的温室小气候预测中应用广泛。

2.2.1 Elman型循环神经网络

Elman型循环神经网络是一种典型的动态循环神经网络,又被称为简单循环网络(Simple Recurrent Network,SRN),是在BP神经网络的基础上,在全连接层中加入了时序反馈连接即加入了一个承接层,将上一时刻的输出状态保存到承接层中,作为下一个时刻的输入,达到了“记忆”的目的。因此相比于BP神经网络,它在具有时变特点的数据集上表现更好,稳定性更强,拥有更强的快速寻优能力。

温室系统中的环境数据是随时间变化的,因此Elman型循环神经网络相比于前馈神经网络更适用于温室系统建模。Hongkang等[52]建立Elman循环神经网络模型来预测温室内的温度和湿度,模型使用动量BP算法来修改连接权重,以减少预测误差并提高学习能力。相比于BP网络和未经训练的RNN网络,模型在评价函数RMSE和MAE上都有更好的表现,能够实现短期内对于温度和湿度的准确预测,张建超等[53]同样设计了基于Elman型神经网络的温室环境因子预测模型,以采集的温室内温度、湿度和CO2浓度的历史数据作为模型的输入,并将模型预测效果与RBF网络和BP网络进行对比,结果显示Elman模型的预测精度要优于另外两种神经网络模型。以上研究都显示,循环神经网络在温室系统模拟上更具有优势。而有研究者将这两种网络级联来模拟温室动态系统[54],获得了更低的控制误差。后续又对Elman神经网络先进行离线训练,再通过在线学习不断调整权重来适应温室环境中的新的环境变化,并针对温室的环境条件做出相应的控制动作[55],也获得了良好的控制效果。

2.2.2 RNN网络的优秀变种

虽然RNN网络的结构决定了它非常适用于温室系统建模,但当输入序列过长时,传统的RNN模型会出现梯度爆炸或梯度消失的问题,即在处理存在长期依赖性的数据时会存在精度大幅下降的现象。针对这些问题,研究者提出了长短期记忆(Long Short Term Memory, LSTM)模型和门控循环单元(Gated Recurrent Unit,GRU)模型等改进方案,通过增加门控机制来避免梯度爆炸和梯度消失的问题。在实际应用中,以温室外部天气数据为输入,使用LSTM网络预测温室内的温度和相对湿度[56],LSTM网络在预测能力和精度上均比BP神经网络更强,如果结合物联网系统设计基于LSTM神经网络的温室自适应控制系统可以提高控制精度,获得更好的经济效益。在模型预测的时间步数方面,基于LSTM的预测模型在预测未来7天、30天和90天的温室环境变化时,均取得了很好的预测精度,体现出相比于传统模型的优势[57]。

LSTM网络的优势不仅体现在温室中温湿度预测方面,在温室其他相关因素预测方面同样表现良好,在番茄温室蒸腾量预测模型中[58],以温室内空气温度、相对湿度、光照强度和冠层相对叶面积指数作为神经网络的输入,将LSTM与非线性自回归神经网络(Nonlinear Auto-Regressive Model with Exogenous Inputs,NARX)、Elman神经网络以及RNN网络的性能进行了对比分析,LSTM预测模型的决定系数和平均绝对误差分别达到了0.992 5和4.53 g,相比于其它模型具有更高的预测精度和泛化性能。另外为解决短期气候变化对相邻时间段气候变化趋势的影响,有研究者通过设置滑动时间窗口[59]的方案,不仅提高了预测精度,同时也降低了传感器收集的异常数据对预测精度的影响,提高了模型的鲁棒性。

表2展示了循环神经网络在温室小气候预测中的部分应用。

表2 循环神经网络在温室小气候预测中的应用(部分)Tab. 2 Application of recurrent Neural network in Greenhouse microclimate prediction (part)

不论是前馈神经网络还是循环神经网络,在模型训练时都需要提供大量的数据,有研究者指出在农业生产中有时会难以提供足够的数据量用于模型训练。因此Moon等[60]将基于五种常用的深度学习模型的迁移学习技术应用到温室小气候预测中。在迁移学习测试中,根据训练目标和迁移目标之间的相似性,将预训练模型的某些层替换为新层,这些层在考虑测试数据集的情况下进行重新训练[61],在模型训练之后,BiLSTM模型精度最高,模型的决定系数为0.69,虽然相比于一般的深度神经网络模型的精度有差距,但为在小规模数据情况下的温室小气候预测进行了有益的尝试。

2.3 深度神经网络模型在温室小气候预测中的应用

Vaswani等[62]在2017年提出了一种基于自注意力机制的Sequence to Sequence (Seq2Seq)模型Transformer,该模型可以并行处理序列中的所有单词,并将上下文与远距离的单词结合起来,在该步骤中,每个符号的信息可以通过自注意机制与所有其他符号进行通信。自然语言处理(Natural Language Processing, NLP)领域一直是序列数据处理的先驱,农业领域的时间序列问题同样适用于Transformer模型[63],温室小气候预测问题同样符合时间序列输入的特点。

Transformer模型[63]的关键结构是编码-解码器框架和自注意机制,图2展示了基于Transformer模型的Encoder-Decoder模型示意图,这使得它不仅突破了传统的固定大小输入框架、减少了因为长期依赖性而导致的性能下降,而且大大提高了训练效率,降低了计算时间。

图2 Transformer模型结构图

针对复杂温室环境数据给模型预测带来的挑战,研究者也对Transformer模型进行了改进,如面对温室环境数据强非线性和高噪声的特点,Jin等[64]提出了一种基于双向自关注编码-解码器框架(BEDA)的用于预测多个温室环境因子的神经网络预测模型,图3展示了该模型的网络结构。其将编码-解码器框架用于温室小气候预测,并引入多头自注意机制,提高了模型处理数据长距离依赖方面的能力,使用小波阈值去噪降低了传感器数据异常值对于模型的干扰,与其他的神经网络模型相比,他们提出的预测器具有更好的准确性、鲁棒性和泛化性能。而为了解决温室数据特征之间的强相关性导致的多重线性问题,减少原始数据中包含的信息丢失,Zhang等[65]提出了一种基于Transformer的温室温度预测模型(TGTP),通过皮尔逊相关系数在众多温室环境数据中筛选出对温度变化影响最大的环境因子,将其构建为数据集。将数据集标准化后输入Transformer模型进行训练,通过试验验证,TGTP模型比LSTM、MLP等模型拥有更高的预测精度。

图3 双向自关注编码-解码器框架(BEDA)结构图

目前Transformer模型还存在着一些例如内存在占用大,难以在农业环境中部署的问题,但针对这些问题部分研究者已经给出了解决方案[66]。总体来说,基于多头注意力机制对不同特征数据及同一数据不同时期依赖关系的有效捕捉这一优势,Transformer模型及其变种在温室小气候预测领域必然会有更大的发展。

2.4 混合(Hybrid)神经网络模型在温室小气候预测中的应用

单一神经网络在温室小气候预测方向的研究方兴未艾,结合两种甚至多种神经网络技术的混合(Hybrid)神经网络模型的出现,成为近年来温室小气候预测的新方向。例如Rodríguez等[67]将NARX模型与MLP网络结合组成的神经网络模型,将可测量信号的滞后值作为输入向量,分别进行一步预测与三十步预测,证明模型在短期预测时能够达到很高的精度,虽然在进行长步数预测时精度下降较多,难以满足精度要求,但还是为混合模型设计做出了有益的探索。近些年的一些混合模型在精度上有了大幅提高,如多元卷积长短期记忆网络(CNN-LSTM)模型,利用CNN网络[68]进行特征提取后输入LSTM网络,最早应用于图像文字标注,当研究者将其应用到温室小气候预测中时[54],表现出较高的预测精度和效率。再比如李莉等[69]将随机森林(Random Forest, RF)与GRU、LSTM、RNN网络分别组合建立温室番茄结果前期蒸腾量预测模型,选取作物相对叶面积指数、温室内空气温度、相对湿度、光照强度、光合有效辐射、基质含水率和基质温度作为模型的输入项,试验结果表明,在模型性能对比中,RF-GRU模型展现出超越其他混合模型和单一模型的精度和稳定性。根据实际任务将所需要的模型进行混合组合,往往可以获得更高的预测精度和稳定性。

神经网络通过对温室小气候的预测来改善作物生长状况的潜力已经展露,基于神经网络来设计温室自适应控制器,对控制参数实现在线调整以创造作物理想的生长条件,将为温室作物生产提产增效提供巨大支持。

3 总结与展望

本文综述了不同类型的神经网络模型在温室小气候预测方面的应用,神经网络模型作为一种辨识模型,将温室系统看做一个多输入多输出的系统,用系统目前可测的输入输出去预测未来一段时间的变化趋势。在模型类型上,前馈神经网络发展最早,在简单环境建模可以取得非常不错的模拟效果,但由于其网络结构本身存在局限性,难以捕捉数据中存在的时间依赖性,因此循环神经网络逐渐得到发展,成为目前时间序列建模中应用最为广泛的一类模型,其变种模型的发展也让其摆脱了梯度消失和梯度爆炸的问题。近年来,在图像识别和自然语言处理领域取得成功的深度学习技术开始应用到时间序列建模中,并有研究者将其应用到了温室小气候预测中,取得了成功。深度神经网络模型以及混合模型在解决时间序列数据的长期依赖问题以及预测的准确性方面相比于传统模型存在优势。

神经网络模型在温室小气候预测中展现出了机理模型难以取代的优点,但发展到目前为止,仍然存在一些问题需要解决。

1) 目前温室小气候预测模型大多只关注单一变量的预测,而温室作为一个复杂时变的系统,各种环境因子相互冗杂、影响。例如在同一时间改变通风口的开角,会同时引起温度、湿度、CO2浓度等因素不同程度的变化,并且温室内种植作物的不同,各环境因子间相互影响的程度也不同,温室系统面对环境变化的稳定程度也不相同,因此只是考虑单一变量的预测,难以建立精准的温室小气候预测系统。

2) 神经网络模型本身的不可解释性对于实际的生产实践带来了很大的不稳定因素,另外相比于机理模型,其受温室地理位置、结构、温室内作物种植模式的影响比较大,在训练时需要的数据量更大,训练学习的时间也更长。然而当前模型计算的速度、预测模型的精度和同时对不同变量进行控制的难度也使得其难以在实时系统中使用,这些都对神经网络模型的普及带来了阻碍。

3) 在模型可靠性检验方面,目前的检验方法一般是将实际观测到的输入输出提供给模型,通过评价函数验证模型的输出对温室实际数值的逼近程度,但是这种方法只能检验特定情况下模型的精度,而无法验证模型在不同条件下的可靠性和鲁棒性。

4) 深度神经网络拥有其它模型无法相比的优势,但其对于计算机等边缘设备的要求过高,难以在生产实际中进行部署。

针对上述问题,本文对现有模型未来发展的方向提出如下建议。

1) 在模型的输入参数方面,在现有神经网络模型的基础上,加入机理模型(即温室系统热力学、生物学等),综合温室内更多的影响因素,以提高模型的预测精度。

2) 在模型的结构方面,结合当前模型发展的趋势,将单一模型转变为混合模型,结合多种模型的优势,提高模型的鲁棒性,实现面向智能控制的精准预测。

3) 在模型性能检验方面,采用更加严谨的可靠性检验方法,如采用概率统计的方法进行验证,提高模型的可靠性。

4) 在模型优化方面,在深度神经网络中进一步简化网络结构,优化算法以降低内存占用,降低模型的部署难度。