论文部分内容阅读
温室小气候建模和控制是达到温室作物高产出、高质量和高效益的重要手段,是温室生产中的热点研究问题。温室小气候系统是一个典型的大滞后、强耦合、慢时变及非线性的复杂系统,很难建立准确的机理模型和进行有效的控制。针对以上问题,本文选用极限学习机方法(Extreme Learning Machine,ELM)建立小气候预测模型,并提出ELM与常规比例-积分-微分(Proportion-Integration-Differentiation,PID)控制相结合的控制策略。本文的主要研究内容如下:(1)针对温室小气候难以建立准确的机理模型的问题,采用ELM的方法建立温室环境因子预测模型,并且探究了不同的隐含层神经元个数和不同的激活函数对模型性能的影响。仿真结果表明,相较于BP、Elman和SVR建立的模型,ELM模型的训练速度快且模拟精度高。(2)针对由于ELM模型的隐含层参数随机选取而导致其预测性能不稳定的问题,提出核极限学习机(Kernel based ELM,KELM)的方法建立温室环境因子预测模型。并且针对KELM的学习参数难以选择的问题,利用遗传算法来优化KELM的学习参数。仿真结果表明,相较于网格法,利用遗传算法优化KELM的学习参数所需的时间更短,并且可以使KELM模型获得更好的性能;和其他模型相比,KELM模型所需的时间少、决定系数最高,并且性能更加稳定。(3)针对常规PID控制参数难以自整定的问题,提出将在线序列极限学习机(Online Sequential ELM,OSELM)神经网络和常规PID控制相结合的温室环境控制策略,该策略利用O SELM神经网络的自学习能力在线调整PID的控制参数。仿真结果表明,相较于常规PID控制和RBF神经网络PID控制,本文提出的控制策略具有更好的跟踪性、抗干扰性以及鲁棒性。