張永芳，王 芳

（1.河北農(nóng)業(yè)大學(xué) 信息科學(xué)與技術(shù)學(xué)院/河北省農(nóng)業(yè)大數(shù)據(jù)重點實驗室，河北 保定 071000）

日光溫室通常是指溫室內(nèi)的熱量來源主要是靠太陽輻射的溫室，由于其取材方便、造價低、保溫性強(qiáng)、不加溫也可在冬季進(jìn)行作物生產(chǎn)等特性，逐漸成為我國北方普遍采用的溫室類型。通過建立日光溫室溫濕度模型，綜合各個環(huán)境因子變化規(guī)律，有效預(yù)測日光溫室內(nèi)溫濕度的變化，并以此為依據(jù)進(jìn)行溫室的調(diào)節(jié)控制，可以幫助日光溫室內(nèi)的作物獲得良好的生長環(huán)境，降低病害發(fā)生幾率，從而實現(xiàn)早熟、優(yōu)質(zhì)和高產(chǎn)，獲得更高的經(jīng)濟(jì)效益，無論在溫室設(shè)計和環(huán)境控制中都具有一定的現(xiàn)實意義。

日光溫室溫濕度模型涉及多個環(huán)境因子，具有非線性、時變、耦合、滯后等特性［1-3］，模型主要分為2 類：基于流體動力學(xué)和能量平衡的機(jī)理模型以及基于系統(tǒng)辨識方法的辨識模型。盡管機(jī)理模型可以解釋系統(tǒng)本質(zhì)，與實際過程吻合程度較高，但是，這類模型存在結(jié)構(gòu)復(fù)雜、測量儀器昂貴、不易推廣、參數(shù)時變因素多且部分參數(shù)只能憑經(jīng)驗獲得［4］等缺點，一般較少在實際中使用［5］。辨識模型往往不需要關(guān)心具體的物理過程或數(shù)學(xué)模型，結(jié)構(gòu)相對簡單，易操作，預(yù)測曲線擬合度較好，不僅可以提高研究效率，減少成本，而且也更方便對溫室環(huán)境控制系統(tǒng)進(jìn)行控制。

在辨識模型方面，國內(nèi)外學(xué)者已進(jìn)行了很多探索，不斷改進(jìn)創(chuàng)新。早在2012 年C.X.Zhu 等［6］就提出了采用誤差反向傳播神經(jīng)網(wǎng)絡(luò)建立溫室濕度預(yù)測模型；同年，郭正昊［7］提出利用支持向量機(jī)的方法建立土壤濕度預(yù)測模型。但由于誤差反向傳播神經(jīng)網(wǎng)絡(luò)學(xué)習(xí)速度較慢、網(wǎng)絡(luò)訓(xùn)練失敗的可能性較大等缺點，一些學(xué)者開始將目光轉(zhuǎn)移到徑向基神經(jīng)網(wǎng)絡(luò)，通過算法的優(yōu)化逐漸提高其預(yù)測效果。2014 年許童羽等［8］通過分析比較誤差反向傳播和徑向基神經(jīng)網(wǎng)絡(luò)，選擇徑向基網(wǎng)絡(luò)作為預(yù)測網(wǎng)絡(luò)，并采用高斯徑向基函數(shù)作為網(wǎng)絡(luò)激活函數(shù)，提出了1 種適用于北方日光溫室空氣相對濕度環(huán)境因子的模擬預(yù)測模型。2017 年Castaneda-Miranda,A 等［9］提出利用LM算法訓(xùn)練神經(jīng)網(wǎng)絡(luò)對溫室溫濕度建立預(yù)測模型，實現(xiàn)了墨西哥中部溫室的智能霜凍控制；同年S.Xia等［10］提出了1 種基于PSO-RBF 神經(jīng)網(wǎng)絡(luò)的溫室溫度長期預(yù)測模型，將最大相對誤差控制在1.5%以內(nèi)；2018 年Youjun Yue 等［11］利用列文伯格—馬夸爾特算法優(yōu)化徑向基網(wǎng)絡(luò)，提出基于改進(jìn)的LM-RBF 神經(jīng)網(wǎng)絡(luò)的溫室溫濕度預(yù)測模型，成功指導(dǎo)了溫室溫濕度控制；2019 年岳有軍［12］等人進(jìn)一步提出基于PSO-LM-RBF 的溫室溫濕度預(yù)測模型，提高了預(yù)測精度。

本研究在前人研究基礎(chǔ)上，采用徑向基網(wǎng)絡(luò)作為預(yù)測網(wǎng)絡(luò)，利用SSA 算法進(jìn)行優(yōu)化，用優(yōu)化后的SSA-RBF 模型對日光溫室溫濕度進(jìn)行仿真研究，進(jìn)一步提高RBF 神經(jīng)網(wǎng)絡(luò)模型的預(yù)測精度，為接下來溫室控制系統(tǒng)提供技術(shù)支持，在減少日光溫室內(nèi)對作物不利的環(huán)境因素、保障日光溫室生產(chǎn)效益等方面具有重要意義。

1 數(shù)據(jù)的采集與處理

為研究日光溫室溫濕度模型，選取河北省滄州市青縣某日光溫室作為實驗溫室。該溫室位于東經(jīng)116°49'24"，北緯38°36'47"，南北跨度8 m，東西長85 m，高度約4.5 m，下挖深度0.5 m，前坡傾角30°，后坡仰角40°，室外設(shè)有保溫被及卷簾機(jī)，室內(nèi)設(shè)有通風(fēng)裝置和滴水灌溉裝置，屬于典型的北方日光溫室。圖1 是試驗日光溫室側(cè)面示意圖。

圖1 試驗溫室示意圖Fig.1 Schematic diagram of test greenhouse

日光溫室溫濕度模型涉及多個影響因子，作物光合作用及蒸騰作用、灌溉狀況、室內(nèi)溫度、通風(fēng)情況等因素都會對溫室內(nèi)溫濕度造成影響。溫室外部氣象環(huán)境因素會在一定程度上影響溫室內(nèi)溫濕度的變化。信志紅等［13］通過對不同時段、不同天氣條件下外部氣象環(huán)境的溫室內(nèi)溫濕度變化進(jìn)行研究，發(fā)現(xiàn)日光溫室具有良好的保溫與保濕特性，溫室內(nèi)的溫度和濕度的變化趨勢同室外天氣狀況、氣象條件等因素有著較為明顯的相關(guān)性。具體表現(xiàn)為：總體上，溫室內(nèi)外濕度變化趨勢呈正相關(guān)。在自然通風(fēng)或強(qiáng)制通風(fēng)情況下，室內(nèi)外濕度變化趨勢差距減小，呈明顯的正相關(guān)；但在溫室密閉時，相對濕度受外界環(huán)境因素影響較小，室內(nèi)濕度大且相對維持穩(wěn)定。綜上，由于研究溫室為日光溫室，沒有加溫設(shè)備，且絕大部分時間為密閉保溫狀態(tài)，保溫主要是依靠外設(shè)的保溫被（被子卷起時散熱放下時保溫），通風(fēng)依靠保溫被下的塑料膜和內(nèi)設(shè)窗戶進(jìn)行（塑料膜撐開和窗戶關(guān)閉都可以減少通風(fēng)），但通風(fēng)時間相對較少，室內(nèi)空氣水分主要來源為作物生理作用、土壤蒸發(fā)和內(nèi)設(shè)滴灌設(shè)備（滴灌設(shè)備打開增加空氣濕度）。因此選取室外溫度、室外濕度、光照強(qiáng)度、土壤濕度、保溫被狀態(tài)、塑料膜狀態(tài)、窗戶狀態(tài)、滴灌設(shè)備狀態(tài)作為輸入，溫室內(nèi)溫度和溫室內(nèi)濕度作為輸出，其中室內(nèi)外溫濕度、光照強(qiáng)度、土壤濕度分別使用溫濕度傳感器、光照度傳感器、土壤濕度傳感器測量，采集設(shè)備選用HSTL-102WS溫濕度傳感器、HSTL-GZD 光照度傳感器、HSTL-102STRWS 土壤濕度傳感器等，保溫被狀態(tài)、塑料膜狀態(tài)、窗戶狀態(tài)、滴灌設(shè)備狀態(tài)用0 和1 分別代表關(guān)閉和打開。選擇600 組樣本，隨機(jī)取其中70%作為訓(xùn)練集，剩余30%為測試集。

為提高模型的收斂速度和精度，在實驗前將采集到的數(shù)據(jù)進(jìn)行歸一化處理。原始數(shù)據(jù)經(jīng)過數(shù)據(jù)標(biāo)準(zhǔn)化處理后，各指標(biāo)處于同一數(shù)量級，適合進(jìn)行綜合對比評價。本文采取min-max 標(biāo)準(zhǔn)化即Min-Max Normalization 方法，也稱為離差標(biāo)準(zhǔn)化，是對原始數(shù)據(jù)的線性變換，使得結(jié)果映射到0 ～1 之間。設(shè)minA 和maxA 分別是屬性A 的最小值和最大值，將A 的1 個原始值x通過最大-最小標(biāo)準(zhǔn)化映射到區(qū)間［0,1］的值x'，那么公式如下所示：

2 構(gòu)建方法及選擇

2.1 徑向基網(wǎng)絡(luò)

徑向基（Radial Basis Function）網(wǎng)絡(luò)是20 世紀(jì)80 年代末提出的1 種單隱層、以函數(shù)逼近為基礎(chǔ)的前饋神經(jīng)網(wǎng)絡(luò)。徑向基網(wǎng)絡(luò)可以解決BP 網(wǎng)絡(luò)的局部極小值問題，且訓(xùn)練時間更短，對函數(shù)的逼近較優(yōu)，可以以任意精度逼近任意連續(xù)函數(shù)。

徑向基網(wǎng)絡(luò)是1 個三層的網(wǎng)絡(luò)，其中包括輸入、隱含、輸出3 層，第1 層為輸入層，由信號源節(jié)點組成，僅起到數(shù)據(jù)信息的傳遞作用，對輸入信息不做任何變換；第2 層為隱含層，對輸入信息進(jìn)行空間映射變換；第3 層為輸出層，是對輸入模式做出響應(yīng)?？偟膩碚f，徑向基網(wǎng)絡(luò)就是用徑向基函數(shù)作為隱單元的“基”，構(gòu)成隱含層空間。隱含層對輸入向量進(jìn)行變換，將低維空間的模式變換到高維空間內(nèi)，使得在低維空間內(nèi)的線性不可分問題在高維空間內(nèi)線性可分。徑向基函數(shù)如下所示：

其中，μt為中心點，σt為徑基寬度。徑基寬度決定了徑向基函數(shù)下降的快慢。圖2 是本文徑向基網(wǎng)絡(luò)的結(jié)構(gòu)圖，輸入層包含8 個輸入向量，其中x1、x2、x3、x4、x5、x6、x7、x8分別對應(yīng)室外溫度、室外濕度、光照強(qiáng)度、土壤濕度、保溫被狀態(tài)、塑料膜狀態(tài)、窗戶狀態(tài)、滴灌設(shè)備狀態(tài)，輸出層共2個輸出向量，其中Y1代表日光溫室室內(nèi)溫度，Y2代表日光溫室室內(nèi)濕度。

圖2 RBF 網(wǎng)絡(luò)結(jié)構(gòu)圖Fig.2 Schematic diagram of RBF network

2.2 麻雀搜索算法

麻雀搜索算法（Sparrow Search Algorithm）［14］是2020 年由Jiankai Xue 和Bo Shen 根據(jù)麻雀覓食并逃避捕食者的行為而提出的1 種最新的群智能優(yōu)化算法，算法主要模擬了麻雀群覓食的過程。麻雀群覓食過程也是發(fā)現(xiàn)者-跟隨者模型的1 種，同時還疊加了偵查預(yù)警機(jī)制。麻雀中找到食物較好的個體作為發(fā)現(xiàn)者，其他個體作為跟隨者，同時種群中選取一定比例的個體進(jìn)行偵查預(yù)警，如果發(fā)現(xiàn)危險則放棄食物，安全第一。麻雀搜索算法的具體實現(xiàn)其實和人工蜂群算法非常相似，基本結(jié)構(gòu)幾乎一致，但是搜索算法有一定的差異，可以說是1 種人工蜂群算法的改進(jìn)算法。該算法雖然全局搜索能力較弱且跳出局部最優(yōu)的操作較弱，但其局部搜索能力極強(qiáng)，收斂速度較快［15］。整體過程如圖3 所示：

圖3 麻雀優(yōu)化算法過程圖Fig.3 Process chart of sparrow optimization algorithm

SSA 算法的具體求解過程：

（1）更新發(fā)現(xiàn)者的位置

其中，t代表當(dāng)前迭代數(shù)，itermax是1 個常數(shù)，表示最大的迭代次數(shù)。Xij表示第i個麻雀在第j維中的位置信息。α ∈(0,1］是1 個隨機(jī)數(shù)。R2(R2∈［0,1］) 和ST(ST∈［0.5,1］) 分別表示預(yù)警值和安全值。Q是服從正態(tài)分布的隨機(jī)數(shù)。L表示1 個1×d的矩陣，其中該矩陣內(nèi)每個元素全部為1。當(dāng)R2＜ST時，這意味著此時的覓食環(huán)境周圍沒有捕食者，發(fā)現(xiàn)者可以執(zhí)行廣泛的搜索操作。當(dāng)R2≥ST，這表示種群中的一些麻雀已經(jīng)發(fā)現(xiàn)了捕食者，并向種群中其它麻雀發(fā)出了警報，此時所有麻雀都需要迅速飛到其它安全的地方進(jìn)行覓食。

（2）更新預(yù)警者的位置

其中，XP是目前發(fā)現(xiàn)者所占據(jù)的最優(yōu)位置，Xworst則表示當(dāng)前全局最差的位置。A表示一個1×d的矩陣，其中每個元素隨機(jī)賦值為1 或-1，并且A+=AT(AAT)-1。當(dāng)i＞n/2 時，這表明，適應(yīng)度值較低的第i個加入者沒有獲得食物，處于十分饑餓的狀態(tài)，此時需要飛往其它地方覓食，以獲得更多的能量。

（3）偵察預(yù)警行為

在麻雀覓食的同時它們中的部分會負(fù)責(zé)警戒，當(dāng)危險靠近時，他們會放棄當(dāng)前的食物，即無論該麻雀是發(fā)現(xiàn)者還是跟隨者，都將放棄當(dāng)前的食物而移動到1 個新的位置。每代將從種群中隨機(jī)選擇SD個個體進(jìn)行預(yù)警行為。

當(dāng)整個麻雀種群受到捕食者威脅時或者意識到危險時，會進(jìn)行反捕食行為：處在種群外圍的麻雀極其容易受到捕食者的攻擊，需要不斷地調(diào)整位置以此來獲得更好的位置。與此同時，處在種群中心的麻雀會去接近它們相鄰的同伴，這樣就可以盡量減少它們的危險區(qū)域。

其位置更新公式如下：

其中，其中Xbest是當(dāng)前的全局最優(yōu)位置。β作為步長控制參數(shù)，是服從均值為0，方差為1 的正態(tài)分布的隨機(jī)數(shù)。K∈［-1,1］是1 個隨機(jī)數(shù)，fi則是當(dāng)前麻雀個體的適應(yīng)度值。fg和fw分別是當(dāng)前全局最佳和最差的適應(yīng)度值。ε是最小的常數(shù)，以避免分母出現(xiàn)零。

為簡單起見，當(dāng)fi＞fg表示此時的麻雀正處于種群的邊緣，極其容易受到捕食者的攻擊。fi=fg時，這表明處于種群中間的麻雀意識到了危險，需要靠近其它的麻雀以此盡量減少它們被捕食的風(fēng)險。K表示麻雀移動的方向同時也是步長控制參數(shù)。

3 基于麻雀搜索算法的徑向基網(wǎng)絡(luò)

在日光溫室溫濕度預(yù)測方面徑向基網(wǎng)絡(luò)優(yōu)勢明顯，但徑向基網(wǎng)絡(luò)使用的是1 個局部的激活函數(shù)。即在中心點附近有最大的反應(yīng)，越接近中心點則反應(yīng)最大，遠(yuǎn)離反應(yīng)則成指數(shù)遞減，就相當(dāng)于每個神經(jīng)元都對應(yīng)不同的感知域，能夠逼近任意非線性的函數(shù)。因此RBF 網(wǎng)絡(luò)中所用的非線性函數(shù)的形式對網(wǎng)絡(luò)性能的影響并不是至關(guān)重要的，關(guān)鍵因素是基函數(shù)中心的選取,中心選取不當(dāng)構(gòu)造出來的RBF 網(wǎng)絡(luò)的性能一般不能令人滿意。例如，某些中心靠的太近,會產(chǎn)生近似線性相關(guān)，從而帶來數(shù)值上的病變條件。由于RBF 網(wǎng)絡(luò)中心選取是該網(wǎng)絡(luò)預(yù)測效果的重要影響因素,為了更好地預(yù)測日光溫室溫濕度，本文將利用上述提到的麻雀優(yōu)化算法優(yōu)化徑向基網(wǎng)絡(luò)中心點的選擇。

常規(guī)徑向基網(wǎng)絡(luò)利用K-means 來選擇中心點，但K-means 方法需要不斷地進(jìn)行樣本分類調(diào)整，不斷地計算調(diào)整后的新的聚類中心，因此當(dāng)數(shù)據(jù)量非常大時，算法的時間開銷也很大。但日光溫室溫濕度的預(yù)測需要大量的樣本進(jìn)行分析，利用K-means選擇中心點無疑會帶來較大的開銷，異常情況存在的可能性也使麻雀搜索算法的存在更加必要。因此本文將利用麻雀優(yōu)化算法對構(gòu)建的徑向基神經(jīng)網(wǎng)絡(luò)的初始聚類中心進(jìn)行優(yōu)化，該方法利用進(jìn)化策略在解空間內(nèi)對選擇路徑進(jìn)行多點隨機(jī)搜索并找到最優(yōu)選路徑。由于進(jìn)化策略的隨機(jī)性所有選擇路徑都有被搜索的可能使它有可能找到全局最優(yōu)解。將該方法用于RBF 中心的選取上具有以下特點：1、把RBF 網(wǎng)的結(jié)構(gòu)設(shè)計問題歸結(jié)為尋找最優(yōu)選擇路徑問題，然后采用進(jìn)化策略進(jìn)行尋找，從而可得到最優(yōu)的隱層節(jié)點數(shù)和數(shù)據(jù)中心。2、該方法簡單易行，且能設(shè)計出滿足精度的最小結(jié)構(gòu)的RBF 網(wǎng)絡(luò)。

麻雀搜索算法通過各麻雀個體的局部尋優(yōu)行為，最終在群體中使全局最優(yōu)值突現(xiàn)出來，有著較快的收斂速度，徑向基網(wǎng)絡(luò)具有局部逼近性能和最佳逼近性能，利用麻雀搜索算法優(yōu)化徑向基神經(jīng)網(wǎng)絡(luò)，不僅可以增加徑向基網(wǎng)絡(luò)的魯棒性、泛化性，還可以增加徑向基網(wǎng)絡(luò)的學(xué)習(xí)能力和收斂速度，便于更好地對日光溫室溫濕度進(jìn)行預(yù)測。

4 模型的建立與結(jié)果

基于SSA-RBF 網(wǎng)絡(luò)的日光溫室溫濕度預(yù)測模型具體建立步驟如下：（1）根據(jù)分析確定輸入層的8個節(jié)點和輸出層的2 個節(jié)點。（2）將收集到的數(shù)據(jù)根據(jù)第二部分所提到的min-max 標(biāo)準(zhǔn)化方程進(jìn)行歸一化處理。（3）隨機(jī)選取全部數(shù)據(jù)的70%作為訓(xùn)練樣本，其余30%作為測試樣本。（4）按照第三部分所提到的構(gòu)建方法進(jìn)行神經(jīng)網(wǎng)絡(luò)的構(gòu)建。（5）利用3.2 節(jié)介紹的麻雀搜索算法對構(gòu)建的徑向基神經(jīng)網(wǎng)絡(luò)的初始聚類中心進(jìn)行優(yōu)化，建立基于SSARBF 的日光溫室溫濕度預(yù)測模型。其中，麻雀搜索算法出于對最優(yōu)解和運(yùn)行時間的考慮選擇種群數(shù)為40，為了增加可預(yù)期性和穩(wěn)定性選擇最大迭代次數(shù)為500 次，發(fā)現(xiàn)者占總規(guī)模的比例為20%。將所有歸一化的數(shù)據(jù)代入搭建好的預(yù)測模型中分別作為輸入因子和輸出因子，通過Matlab 進(jìn)行仿真驗證，利用基于RBF 網(wǎng)絡(luò)的日光溫室溫濕度預(yù)測模型作為對照模型，仿真結(jié)果如圖4 到圖5 所示：

（1）對照組——常規(guī)徑向基神經(jīng)網(wǎng)絡(luò)仿真預(yù)測結(jié)果：

圖4 RBF 濕度預(yù)測結(jié)果對比圖Fig.4 Comparison chart of RBF humidity prediction results

圖5 RBF 溫度預(yù)測結(jié)果對比圖Fig.5 Comparison chart of RBF temperature prediction results

（2）基于麻雀搜索算法的徑向基神經(jīng)網(wǎng)絡(luò)仿真結(jié)果（見圖6 到圖7）：

圖6 SSA-RBF 濕度預(yù)測結(jié)果對比圖Fig.6 Comparison chart of SSA-RBF humidity prediction results

圖7 SSA-RBF 溫度預(yù)測結(jié)果對比圖Fig.7 Comparison chart of SSA-RBF temperature prediction results

為了更好地衡量預(yù)測的準(zhǔn)確性，本文將通過根平均誤差RMSE（數(shù)量級上比較直觀，比如RMSE=10，可以認(rèn)為回歸效果相比真實值平均相差10，范圍［0,+∞］，當(dāng)預(yù)測值與真實值完全吻合時等于0，即完美模型；誤差越大，該值越大）、平均絕對誤差MAE（當(dāng)預(yù)測值與真實值完全吻合時等于0，即完美模型；誤差越大，該值越大）、平均絕對百分誤差MAPE（該指標(biāo)體現(xiàn)出與原始數(shù)據(jù)相比較的過程，較為公正客觀）、R-square 決定系數(shù)（此處的R即相關(guān)系數(shù)，相關(guān)系數(shù)的平方就是決定系數(shù)）以及相關(guān)系數(shù)（用來衡量2 個變量之間的相關(guān)性大小）進(jìn)行深入地分析評估，計算結(jié)果如下表1 所示：

表1 計算結(jié)果Table 1 Calculation results

通過以上仿真結(jié)果可以看出，使用麻雀搜索算法能在一定程度上優(yōu)化RBF 網(wǎng)絡(luò)建模，能夠有效提高該系統(tǒng)的預(yù)測精度，同時系統(tǒng)的運(yùn)行速度也得到相應(yīng)的提高。使用麻雀搜索算法對徑向基網(wǎng)絡(luò)進(jìn)行優(yōu)化后各個數(shù)據(jù)相對于未優(yōu)化的常規(guī)徑向基網(wǎng)絡(luò)都有了不同程度上的改善，由此可以看出采用麻雀搜索算法優(yōu)化徑向基神經(jīng)網(wǎng)絡(luò)可以更好地滿足日光溫室溫濕度預(yù)測的要求，而且能有效地在實際生產(chǎn)中對日光溫室溫濕度進(jìn)行預(yù)測，為溫室環(huán)境控制器設(shè)計提供理論支撐。

5 結(jié)論

本課題組基于RBF 神經(jīng)網(wǎng)絡(luò)并結(jié)合了麻雀搜索算法對日光溫室溫濕度預(yù)測模型展開了研究。同時，通過MATLAB 2019a 軟件平臺，利用采集到的日光溫室環(huán)境數(shù)據(jù)進(jìn)行了預(yù)測仿真實驗，相比未被優(yōu)化的常規(guī)徑向基網(wǎng)絡(luò)預(yù)測結(jié)果而言，基于麻雀搜索算法的徑向基神經(jīng)網(wǎng)絡(luò)對日光溫室溫濕度的預(yù)測結(jié)果更好，驗證了麻雀搜索算法優(yōu)化日光溫室溫濕度徑向基網(wǎng)絡(luò)模型的可行性，可供進(jìn)一步的研究和實際應(yīng)用。