基于CNN-GRU的菇房多点温湿度预测方法研究

发布时间：2021-07-13 05:27

　　有效获取温室出菇房的温湿度空间分布对于优化食用菌环境胁迫、病害预警、出菇房预调控至关重要,但传统的单点预测不能很好地满足菇房整体环境性能评估的需求。针对出菇房内温湿度时序性、非线性、空间分布差异性的特点,提出一种基于卷积神经网络（CNN）与门控循环单元神经网络（GRU）相结合的菇房多点温湿度预测方法。将温室室外历史气象数据、温室室内历史小气候环境数据、多点环境分布特征、通风信息和加湿信息多特征数据按照时间序列构造二维矩阵作为输入,采用CNN挖掘数据中蕴含的有效信息,提取反映温室环境数据相互联系的高维特征,将提取的特征向量构造为时间序列输入GRU网络进行多点温湿度预测。将该预测方法应用于北京市农林科学院的日光温室出菇房内多点温湿度预测,实验结果表明,该预测方法对于出菇房内各点温度RMSE平均值为0.211℃,MAE平均值为0.140℃,误差控制在±0.5℃范围内的平均比例为97.57%;对于出菇房内各点相对湿度RMSE平均值为2.731%,MAE平均值为1.713%,误差控制在±5%范围内的平均比例为92.62%;相比传统的BP神经网络、长短期记忆神经网络（LSTM）和门控循环单元神经网... 

【文章来源】：农业机械学报. 2020,51(09)北大核心EICSCD

【文章页数】：10 页

【部分图文】：

CNN网络结构

GRU网络结构

(1)输入层。将出菇房内某一时刻的温湿度与其相关的室外空气温度、室外空气相对湿度、室外风速、室内基质温度、室内光照强度、环境分布特征、通风特征和加湿特征串联成全新的时间序列特征向量，将出菇房室外的历史气象数据、室内的历史小气候数据表达为时间步长×特征向量的二维矩阵，对其预处理后输入预测模型中。(2) CNN层。CNN层主要捕捉输入的历史序列中深层次的时间、空间特征规律，根据输入数据非线性、稀疏性、强耦合性的特点，设计4层卷积层(Conv2D)，卷积核数目依次为16、16、32、32，并选取Re LU激活函数进行激活。每经过2次连续卷积进行一次最大池化(Max Pooling2D)，对提取的高维特征进行降维，压缩数据，加快运行效率。为了充分利用现有的出菇房室外气象数据、室内环境分布数据、非时序多特征数据，将卷积核尺寸设为3×3，池大小为2，最后通过Flatten操作，将其提取的深层次抽象特征转换为全局特征向量作为GRU层的输入。

【参考文献】：
期刊论文
[1]外行视角看我国设施食用菌发展[J]. 李天来.  食药用菌. 2019(04)
[2]基于EMD-LSTM的猪舍氨气浓度预测研究[J]. 杨亮,刘春红,郭昱辰,邓河,李道亮,段青玲.  农业机械学报. 2019(S1)
[3]基于深度长短时记忆网络的区域级超短期负荷预测方法[J]. 张宇帆,艾芊,林琳,袁帅,李昭昱.  电网技术. 2019(06)
[4]深度学习在图像识别中的应用研究综述[J]. 郑远攀,李广阳,李晔.  计算机工程与应用. 2019(12)
[5]基于GRU-NN模型的短期负荷预测方法[J]. 王增平,赵兵,纪维佳,高欣,李晓兵.  电力系统自动化. 2019(05)
[6]基于经验模态分解和小波神经网络的温室温湿度预测[J]. 郁莹珺,徐达宇,寿国忠,王佩欣.  江苏农业科学. 2019(01)
[7]基于时序深度学习的数控机床运动精度预测方法[J]. 余永维,杜柳青,易小波,陈罡.  农业机械学报. 2019(01)
[8]地震油气储层的小样本卷积神经网络学习与预测[J]. 林年添,张栋,张凯,王守进,付超,张建彬,张冲.  地球物理学报. 2018(10)
[9]主成分分析和长短时记忆神经网络预测水产养殖水体溶解氧[J]. 陈英义,程倩倩,方晓敏,于辉辉,李道亮.  农业工程学报. 2018(17)
[10]融合ARIMA模型和GAWNN的溶解氧含量预测方法[J]. 吴静,李振波,朱玲,李晨.  农业机械学报. 2017(S1)

博士论文
[1]秋冬季南方单栋塑料温室小气候分析与温湿环境模拟研究[D]. 曹雯.南京信息工程大学 2012

硕士论文
[1]智能温室控制算法的研究与应用[D]. 邰成.南京邮电大学 2013



本文编号：3281444