摘 ?要：針對智能溫室控制模型中，實時溫度數(shù)據(jù)因通信和設備故障等問題造成的數(shù)據(jù)缺失現(xiàn)象，提出了在常規(guī)神經(jīng)網(wǎng)絡模型基礎上，利用模糊控制進行補償?shù)牟逖a方法。利用搭建在溫室大棚的智能監(jiān)控系統(tǒng)對人工溫室中的溫度參數(shù)進行采集，并利用所測數(shù)據(jù)對上述模型進行插補驗證實驗。實驗結果表明：與通用模型相比，所提出的模糊神經(jīng)網(wǎng)絡插補模型改變了傳統(tǒng)處理方式中插補數(shù)據(jù)不精確的現(xiàn)狀，為實時溫度數(shù)據(jù)缺失提供了有效地處理方法，也為建立智能溫室模型提供了數(shù)據(jù)基礎。

關鍵詞：缺失數(shù)據(jù);智能溫室;數(shù)據(jù)插補;模糊神經(jīng)網(wǎng)絡

中圖分類號：TP399 ? ? 文獻標識碼：A

Abstract： Aiming at real-time temperature data missing caused by communication and equipment failure in intelligent greenhouse control model， this paper proposes an interpolation method based on conventional neural network model and fuzzy control for compensation. An intelligent monitoring system built in the greenhouse is used to collect temperature parameters in the artificial greenhouse， and the measured data is used to perform an interpolation verification experiment on the above model. The experimental results show that： compared with the general model， the proposed fuzzy neural network interpolation model improves the precision of interpolation data in traditional processing methods， provides an effective processing method for real-time temperature data missing， and lays a data foundation for the establishment of intelligent greenhouse model.

Keywords： missing data; intelligent greenhouse; data interpolation; fuzzy neural network

1 ? 引言（Introduction）

準確的溫室環(huán)境參數(shù)對建立智能溫室模型，實施溫室種植環(huán)境的科學化調控，防止環(huán)境異常變化造成的損失具有十分重要的經(jīng)濟和現(xiàn)實價值[1-2]。所以，一般情況下溫室內(nèi)需要長時間監(jiān)測，并用傳感器將采集信息從溫室環(huán)境接入互聯(lián)網(wǎng)，由于實時溫度數(shù)據(jù)受通信和設備故障等問題影響，因此數(shù)據(jù)會不可避免地出現(xiàn)缺失值。通常情況下，如果缺失數(shù)據(jù)不多，可通過直接刪除的方式處理，但更通用的方法是采用各種方法對所缺失數(shù)據(jù)進行插補。目前，針對數(shù)據(jù)缺失問題，構建完整數(shù)據(jù)序列的方法可分為兩大類：單一插補方法和多重插補方法[3]。這些方式往往都是借助相關統(tǒng)計學方法，根據(jù)缺失數(shù)據(jù)的規(guī)律為缺失值確定一個適合的預測值，使得數(shù)據(jù)完整，在可以利用的現(xiàn)有信息量小、規(guī)律模糊時，常常造成插補結果出現(xiàn)異常。近年來，神經(jīng)網(wǎng)絡技術也被用來完成相關的數(shù)據(jù)插補工作[4]，文中提出一種模糊神經(jīng)網(wǎng)絡溫室插補控制模型，為提高數(shù)據(jù)的完整性提供了全新的技術支持。

2 ? 數(shù)據(jù)獲取與模型建立（Data acquisition and model building）

準確地監(jiān)測獲取智能溫室環(huán)境內(nèi)的溫度數(shù)據(jù)，是建立智能溫室控制模型的關鍵，為收集真實可靠的溫度參數(shù)進行智能溫室控制模型的實驗驗證。將溫室智能監(jiān)測系統(tǒng)安裝于搭建的溫室之內(nèi)，監(jiān)測溫室內(nèi)的溫度參數(shù)，考慮到溫度系統(tǒng)的一階特性，設置采樣周期為1小時，智能溫室控制模型結構如圖1所示。系統(tǒng)依照主流物聯(lián)網(wǎng)架構實現(xiàn)，基本結構分為感知層、網(wǎng)絡層、應用層。其中感知層通過溫度傳感器獲取溫度信息，并將這些溫度數(shù)據(jù)通過WIFI傳給服務器存儲，供數(shù)據(jù)模型建立和插補處理使用。

3 ?智能溫室控制模型數(shù)據(jù)插補技術研究（Research on data interpolation technology of intelligent greenhouse control model）

一般情況下，溫度數(shù)據(jù)的缺失屬于隨機缺失模式，缺乏相應的統(tǒng)計規(guī)律進行單一插補操作。

3.1 ? BP神經(jīng)網(wǎng)絡

BP是一種誤差反向傳播神經(jīng)網(wǎng)絡，有很強的學習及處理非線性問題的能力，并可利用樣本學習，對信息間的內(nèi)在關系進行仿真，以逼近實際數(shù)據(jù)系統(tǒng)[5]。

傳統(tǒng)的三層BP神經(jīng)網(wǎng)絡結構圖如圖2所示。

其基本學習過程主要分為以下四部分：模式順序傳播、誤差逆?zhèn)鞑?、記憶訓練和學習收斂。標準BP神經(jīng)網(wǎng)絡學習算法流程圖如圖3所示。

3.2 ? BP神經(jīng)網(wǎng)絡時間識別序列插補模型

神經(jīng)網(wǎng)絡用于數(shù)據(jù)插補的主要方法是用完整的溫度數(shù)據(jù)集訓練網(wǎng)絡，將缺失變量Y之外的其他變量的溫度數(shù)據(jù)作為網(wǎng)絡的輸入，將缺失溫度Y作為網(wǎng)絡輸出。待網(wǎng)絡訓練滿足要求后，把其他測試溫度數(shù)據(jù)作為網(wǎng)絡的輸入，網(wǎng)絡輸出值即為真正缺失數(shù)據(jù)的預測值。

本文為了增強神經(jīng)網(wǎng)絡對時間序列的識別性能，構造了雙向時間識別序列[4]，也就是采用缺失時間段前后已有溫度數(shù)據(jù)共同對缺失數(shù)據(jù)進行預測，提高神經(jīng)網(wǎng)絡擬合準確性。神經(jīng)網(wǎng)絡計算過程如下：

（1）取本日24小時溫度數(shù)據(jù)，隨機缺失數(shù)據(jù)6個，缺失率為25%。

（2）假設本日時間窗口存在2n+1個時間段，n=1，溫度數(shù)據(jù)的輸入量為缺失數(shù)據(jù)的前后2n個時間段，共四個數(shù)據(jù)。輸出量為缺失數(shù)據(jù)。

（3）根據(jù)Kolmogorov定理，若BP神經(jīng)網(wǎng)絡構建中間層數(shù)目n2輸入層數(shù)目n1，則n1=log2n2，故隱含層節(jié)點數(shù)為16。

（4）選取輸入層到中間層神經(jīng)元的傳遞函數(shù)為tansig函數(shù)，選取輸出層神經(jīng)元傳遞函數(shù)也為tansig函數(shù)。

采用如表1所示一天的溫度數(shù)據(jù)對BP神經(jīng)網(wǎng)絡進行訓練。

完成已有樣本訓練后，以另一天的24小時溫度數(shù)據(jù)作為輸入送入測試網(wǎng)絡，輸出為缺失值，設檢驗誤差指標E=（溫度實際值-神經(jīng)網(wǎng)絡輸出值）。如果E值不高于1，則認為訓練結果可靠，從而實現(xiàn)對缺失值的預測，完成溫度數(shù)據(jù)的插補。

訓練結果如圖4所示，由圖可見，單純神經(jīng)網(wǎng)絡訓練的結果在幾點上有明顯偏差，誤差較大，難于直接用于數(shù)據(jù)插補。

3.3 ? 改進的模糊神經(jīng)網(wǎng)絡模型

神經(jīng)網(wǎng)絡模型雖然能夠進行非線性的數(shù)據(jù)插補，但在處理極端無規(guī)律信息上，整個網(wǎng)絡難于控制，所以往往在溫度發(fā)生特殊變化時難于達到最優(yōu)插補效果。

模糊控制依靠專家經(jīng)驗建立模糊集合、隸屬函數(shù)并通過模糊推理得到控制結果，其推理規(guī)則主要由專家從實踐中獲得，難于復制[6]。

目前神經(jīng)網(wǎng)絡和模糊控制結合的方式，一般分三種：利用神經(jīng)網(wǎng)絡的運行結果驅動模糊控制器;利用神經(jīng)網(wǎng)絡來完成模糊規(guī)則的記憶;或利用神經(jīng)網(wǎng)絡優(yōu)化模糊控制器參數(shù)[7-8]。

根據(jù)智能溫室數(shù)據(jù)插補基本的需求，采用神經(jīng)網(wǎng)絡運行結果驅動模糊控制器方式建立改進的模糊神經(jīng)網(wǎng)絡插補模型，步驟如下。

（1）模糊規(guī)則制定：對確定的溫室歷史同期數(shù)據(jù)溫度規(guī)律進行模糊化，對輸出模糊量進行解模糊判決（即通過各種解模糊方法，完成由模糊量到精確量的轉化），形成對神經(jīng)網(wǎng)絡溫度模型的增量，對神經(jīng)網(wǎng)絡插補模型進行補償。

（2）結果比較：分別采用未加入模糊補償量的神經(jīng)網(wǎng)絡和加入模糊補償量的神經(jīng)網(wǎng)絡進行同期數(shù)據(jù)的訓練和測試，分析結果。

下面介紹模糊規(guī)則的制定。

（1）輸入量X1：歷史同期溫度誤差

為了分析歷史同期溫度數(shù)據(jù)的規(guī)律，結合溫度的歷史極值，建立歷史同期溫度誤差的基本論域X1為[-6，6]，設定溫室系統(tǒng)溫度誤差模糊集合的論域為{-6，-5，-4，-3，-2，-1，0，1，2，3，4，5，6}，可得溫度的量化因子K1=1，把溫度誤差的模糊量分為七個等級：負大、負中、負小、零、正小、正中、正大，用英文縮寫為：NB、NM、NS、ZO、PS、PM、PB，可建立溫度隸屬表如表2所示。

（2）輸入量X2：本期溫度誤差

為了分析本采樣周期溫度是否存在突變，確定本測試窗口期溫度誤差的基本論域X2為[-4，4]，設定控制系統(tǒng)溫度誤差模糊集合的論域為{-4，-3，-2，-1，0，1，2，3，4}，可得溫度的量化因子K1=1，把溫度誤差的模糊量分為五個等級：負大、負小、零、正小、正大，用英文縮寫為：NB、NS、ZO、PS、PB。同理也可建立本期溫度隸屬表。

（3）輸出量

利用歷史同期溫度得出本年度溫度變化基本趨勢，利用本期數(shù)據(jù)得出本日溫度變化程度，得出本期已存在數(shù)據(jù)是否存在極端溫度的變化。選取輸出量為插補數(shù)據(jù)增幅補償值，將增量分成五個等級：減少大量、減少少量、不增加、增加少量、增加大量。所以其對應的模糊語言為NB、NS、ZO、PS、PB。設定論域{-2，-1，0，1，2}，可建控制規(guī)律隸屬表，如表3所示。

此模糊控制的輸出量涵蓋了神經(jīng)網(wǎng)絡無法說明的人類專家經(jīng)驗，利用這部分輸出作為神經(jīng)網(wǎng)絡輸出變量的補償，就可以在現(xiàn)有數(shù)據(jù)基礎上增加專家經(jīng)驗，避免插補數(shù)據(jù)出現(xiàn)極值。

4 ? 實驗數(shù)據(jù)分析（Experimental data analysis）

選擇日溫度作為輸入，將隨機缺失溫度數(shù)據(jù)作為輸出，分別采用兩種技術實現(xiàn)智能溫室數(shù)據(jù)的插補處理，兩種插補技術效果對比如表4所示（結果1對應神經(jīng)網(wǎng)絡，結果2對應模糊神經(jīng)網(wǎng)絡）?？梢钥闯瞿：窠?jīng)網(wǎng)絡插值結果較單純的神經(jīng)網(wǎng)絡明顯更優(yōu)，這主要是由于神經(jīng)網(wǎng)絡插補只借助了實測樣本中的片段數(shù)據(jù)，無法體現(xiàn)溫度數(shù)據(jù)的整體特點及趨勢，不如模糊神經(jīng)網(wǎng)絡插補技術更能保證插值效果的可靠性。

5 ? 結論（Conclusion）

利用模糊控制技術和神經(jīng)網(wǎng)絡建立的智能溫室缺失數(shù)據(jù)補償模型，很好地結合了人類專家經(jīng)驗和神經(jīng)網(wǎng)絡的超強擬合能力，有效解決了溫度缺失下智能溫室模型中的數(shù)據(jù)插補問題，此模型在溫室控制中的運用得到了較好的控制結果。

參考文獻（References）

[1] 孫占鵬，李佳，歐文.多傳感器室內(nèi)環(huán)境監(jiān)測系統(tǒng)[J].傳感器與微系統(tǒng)，2017，36（1）：87-90.

[2] 張靜，石煜，楊繼森，等.室內(nèi)環(huán)境智能控制系統(tǒng)設計[J].實驗室研究與探索，2016，35（7）：65-69.

[3] 王志良，黃珊，陳海濤.黃河流域水文數(shù)據(jù)插補方法比較及應用[J].人民黃河，2020，42（7）：14-18.

[4] 蔣麗麗，姜大慶.基于BP神經(jīng)網(wǎng)絡的農(nóng)資庫存數(shù)據(jù)插補技? ? ? 術[J].江蘇農(nóng)業(yè)科學，2018，46（20）：268-271.

[5] JIA W K， ZHAO D， SHEN T， et al. An optimized classification algorithm by BP neural network based on PLS and HCA[J]. Applied Intelligence， 2015， 43（1）：176-191.

[6] 繆志農(nóng).基于狀態(tài)空間方法的自適應模糊控制研究[D].四川：西南交通大學，2006.

[7] 周紅標，張鈺，柏小穎，等.基于自適應模糊神經(jīng)網(wǎng)絡的非線性系統(tǒng)模型預測控制[J].化工學報，2020，71（7）：3201-3212.

[8] 劉帥，盛金保，王昭升，等.基于模糊神經(jīng)網(wǎng)絡的水電施工安全隱患評價[J].水利水運工程學報，2020（1）：105-111.

作者簡介：

陳秀寓（1977-），女，碩士，副教授.研究領域：多種教學模式及其應用，信息教學.