基于APSO-ELM和模糊逻辑的灌溉时间决策

发布时间：2024-06-08 03:00

　　针对现有温室中采用基于定时器、流量计以及利用模糊控制方法实现的灌溉决策系统,没有考虑到作物各生育期的水分消耗情况,容易导致灌溉决策精度的损失问题。提出了一种基于自适应粒子群极限学习机(Adapation Particle Swarm Optimization-Extreme Learning Machine,APSO-ELM)算法和模糊逻辑系统的灌溉时间决策的设计。因APSO能够提高跳出局部搜索的能力以及ELM具有学习速率快等优点,所以将其结合来实现对参考作物蒸发蒸腾量的预测。因模糊逻辑系统能够满足灌溉是一个时滞性、非线性过程,所以利用作物蒸发蒸腾量和土壤下降率输入模糊逻辑系统,输出当前作物需要灌溉的时间。实验结果表明,该设计可以输出准确的灌溉时间。

【文章页数】：5 页

【部分图文】：

图1ELM算法结构图

极限学习机(ELM)是基于前馈神经网络的机器学习算法[19],其主要特点是隐含层节点参数可以是随机或人为给定的且不需要调整,学习过程仅需计算输出权重。ELM具有学习效率高和泛化能力强的优点,其结构图如图1所示。其中,xj表示神经元的输入,N表示输入层的个数,L表示隐含层的神经元个....

图2APSO-ELM算法流程

为了避免由于ELM输入层与隐含层随机生成的权值和阈值给网络预测精度带来不稳定性,引入APSO使之可以避免陷入局部最优,优化网络带来的不稳定性。整个样本分为测试集和训练集,首先需要初始化ELM和粒子群的基本参数,然后通过APSO不断的迭代更新,得到ELM网络的最优权值和阈值,最终得....

图3灌溉时间模糊逻辑系统流程

设置好数据采集的时间间隔t以后,根据专家经验和实际需求设置模糊系统规则库,利用获取到的实际作物蒸发蒸腾量ET0和土壤湿度下降率ΔE,通过模糊逻辑系统,得到灌溉时间T。其系统流程设计如图3所示。2.4隶属度函数确定

图4输入输出隶属度函数

系统的输入量确定为两个,第一个输入量是土壤湿度的下降率ΔE,下降率可以反映变化的快慢;第二个输入量是实际作物蒸发蒸腾量ET0,ET0可以反映出维持作物生理活动最基本需水量。输出量为灌溉时间T。其中ΔE语言值设置为4个,ET0和T语言值设置为7个。土壤水分下降率变化偏差ΔE、实际作....

本文编号：3991352