基于改進(jìn)CFA PSO-RBF神經(jīng)網(wǎng)絡(luò)的溫室溫度預(yù)測(cè)研究.pdf

第37 卷 第6 期 計(jì) 算 機(jī) 應(yīng) 用 與 軟 件 Vol 37 No 6 2020 年6 月 ComputerApplicationsandSoftware Jun 2020 基 于 改 進(jìn)CFAPSO RBF 神 經(jīng) 網(wǎng) 絡(luò) 的 溫 室 溫 度 預(yù) 測(cè) 研 究 張 坤 鰲 趙 凱 西安科技大學(xué)計(jì)算機(jī)科學(xué)與技術(shù)學(xué)院 陜西西安710054 收稿日期 2019 03 04 陜西省教育廳科研計(jì)劃項(xiàng)目 2010JK664 張 坤 鰲 副教授 主研領(lǐng)域 計(jì)算機(jī)監(jiān)控系統(tǒng) 嵌入式系 統(tǒng) 神經(jīng)網(wǎng)絡(luò) 趙 凱 碩士生 摘 要 為 了 科 學(xué) 地 控 制 溫 室 溫 度 環(huán) 境 提 升 溫 室 溫 度 的 預(yù) 測(cè) 精 度 提 出 一 種 改 進(jìn) 收 縮 因 子 粒 子 群 優(yōu) 化 的 徑 向 基 函 數(shù) RBF 神 經(jīng) 網(wǎng) 絡(luò) 預(yù) 測(cè) 模 型 利 用 最 大 最 小 距 離 算 法 確 定RBF 神 經(jīng) 網(wǎng) 絡(luò) 的 隱 層 節(jié) 點(diǎn) 個(gè) 數(shù) 應(yīng) 用 改 進(jìn) 收 縮 因 子 粒 子 群 優(yōu) 化RBF 神 經(jīng) 網(wǎng) 絡(luò) 的 隱 層 基 函 數(shù) 中 心 和 場(chǎng) 域 寬 度 與RBF 神 經(jīng) 網(wǎng) 絡(luò) 算 法 PSO RBF 神 經(jīng) 網(wǎng) 絡(luò) 算 法 CFA PSO RBF 神 經(jīng) 網(wǎng) 絡(luò) 算 法 的 預(yù) 測(cè) 精 度 進(jìn) 行 比 較 分 析 預(yù) 測(cè) 模 型 性 能 實(shí) 驗(yàn) 證 明 在 神 經(jīng) 網(wǎng) 絡(luò) 參 數(shù) 選 擇 合 理 的 情 況 下 與 其 他 神 經(jīng) 網(wǎng) 絡(luò) 算 法 相 比 改 進(jìn)CFAPSO RBF 神 經(jīng) 網(wǎng) 絡(luò) 算 法 具 有 更 好 的 預(yù) 測(cè) 效 果 關(guān) 鍵 詞 CFAPSO RBF 神 經(jīng) 網(wǎng) 絡(luò) 最 大 最 小 距 離 算 法 預(yù) 測(cè) 模 型 溫 室 中 圖 分 類 號(hào) TP399 文 獻(xiàn) 標(biāo) 志 碼 A DOI 10 3969 j issn 1000 386x 2020 06 018 GREENHOUSETEMPERATUREPREDICTIONBASEDON IMPROVEDCFAPSO RBFNEURALNETWORK ZhangKun ao ZhaoKai SchoolofComputerScienceandTechnology Xi anUniversityofScienceandTechnology Xi an710054 Shaanxi China Abstract Inorder to scientifically control the greenhouse temperature environment and improve the prediction accuracyofgreenhousetemperature weproposeapredictionmodelofradialbasisfunction RBF neuralnetworkwith improved shrinkage factor particle swarm optimization It used the maximum and minimum distance algorithm to determinethenumberofnodesinthehiddenlayeroftheRBFneuralnetwork Then theimprovedshrinkagefactorPSO wasappliedtooptimizethecenterofthehiddenlayerbasisfunctionandthefieldwidthoftheRBFneuralnetwork Finally comparedwith the prediction accuracyofthe RBF neural network algorithm the PSO RBF neural network algorithm theCFAPSO RBFneuralnetworkalgorithm theperformanceofthepredictionmodelwasanalyzed The experimentalresults showthat compared with otherneural network algorithms the improved CFA PSO RBF neural networkalgorithmhasbetterpredictioneffectwhentheneuralnetworkparameterselectionisreasonable Keywords CFAPSO RBFneuralnetwork Maximumandminimumdistancealgorithm Predictionmodel Greenhouse 0 引 言 農(nóng)業(yè)技術(shù)水平和人工智能水平的不斷提高促進(jìn)了 溫室農(nóng)業(yè)的迅速發(fā)展 溫室溫度預(yù)測(cè)模型日趨完善 但是 在溫室環(huán)境中 由于溫室環(huán)境是一個(gè)隨時(shí)間變化 而緩慢變化的動(dòng)態(tài)環(huán)境 并且各種環(huán)境因子之間具有 很強(qiáng)的耦合作用 一種環(huán)境因子往往隨著另一種環(huán)境 因子的變化產(chǎn)生較大波動(dòng) 所以建立精確的溫室氣候 模型存在很大困難 1 大量的理論和實(shí)踐研究結(jié)果表 明 2 4 在科學(xué)控制溫室環(huán)境的情況下 溫室農(nóng)業(yè)既可 以實(shí)現(xiàn)農(nóng)作物的高產(chǎn)又可以保證農(nóng)作物的質(zhì)量 但是 因?yàn)闇厥噎h(huán)境系統(tǒng)的復(fù)雜性 以及各種環(huán)境因子之間 的耦合性等原因 溫室環(huán)境的最佳控制效果采用傳統(tǒng) 的控制方法很難達(dá)到標(biāo)準(zhǔn) 目前 溫室溫度預(yù)測(cè)模型的研究主要是針對(duì)能量 96 計(jì) 算 機(jī) 應(yīng) 用 與 軟 件 2020 年 和物質(zhì)平衡方程的研究 5 7 其中徑向基函數(shù) Radial BasisFunction RBF 神經(jīng)網(wǎng)絡(luò)因?yàn)榫哂辛己玫姆蔷€性 映射能力 以及在不使用先驗(yàn)知識(shí)的情況下 能快速對(duì) 模型進(jìn)行無(wú)限逼近等特點(diǎn) 成為目前應(yīng)用最為廣泛的 溫室溫度預(yù)測(cè)模型 8 10 但在實(shí)際模型中 該模型的 隱層節(jié)點(diǎn)個(gè)數(shù) 隱層基函數(shù)中心和隱層場(chǎng)域?qū)挾热齻€(gè) 主要參數(shù)難以確定 預(yù)測(cè)精度也存在較大偏差 針對(duì) 以上缺陷 夏爽等 11 使用粒子群 RBF神經(jīng)網(wǎng)絡(luò)算法 設(shè)計(jì)溫室溫度預(yù)測(cè)應(yīng)用模型 但隨著樣本數(shù)據(jù) 模型迭 代次數(shù)和粒子規(guī)模的不斷增加 預(yù)測(cè)模型易陷入局部 最優(yōu) 王媛媛 12 使用改進(jìn)粒子群 RBF神經(jīng)網(wǎng)絡(luò)算法 提升了網(wǎng)絡(luò)模型的預(yù)測(cè)精度 但該算法并未對(duì)隱層節(jié) 點(diǎn)個(gè)數(shù)進(jìn)行優(yōu)化 段其昌等 13 使用改進(jìn)粒子群 RBF 神經(jīng)網(wǎng)絡(luò)算法 引入慣性權(quán)值和收縮因子 使模型的學(xué) 習(xí)速度變快的同時(shí) 預(yù)測(cè)精度也有所提高 但在確定隱 層節(jié)點(diǎn)個(gè)數(shù)時(shí) 采用了最近鄰聚類算法 導(dǎo)致模型的學(xué) 習(xí)時(shí)間延長(zhǎng) 針對(duì)上述問(wèn)題 本文在采集溫室內(nèi)外主要環(huán)境因 子的前提下 使用改進(jìn)收縮因子粒子群 RBF神經(jīng)網(wǎng)絡(luò) 預(yù)測(cè)模型 指導(dǎo)農(nóng)戶在室內(nèi)環(huán)境不理想的情況下 合理 地調(diào)整溫室裝置 從而提高農(nóng)作物的質(zhì)量和產(chǎn)量 避免 了農(nóng)戶的經(jīng)濟(jì)損失 1 預(yù) 測(cè) 模 型 建 立 1 1 RBF 神 經(jīng) 網(wǎng) 絡(luò) RBF神經(jīng)網(wǎng)絡(luò)是一個(gè)前饋型神經(jīng)網(wǎng)絡(luò) 具有單個(gè) 隱含層 可以任意精度逼近任何連續(xù)函數(shù) 其包括輸入 層 隱含層和輸出層 14 輸入層到隱含層是非線性變 換 隱含層到輸出層是線性變換 圖1為RBF神經(jīng)網(wǎng) 絡(luò)的結(jié)構(gòu)圖 圖1 RBF神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)圖 RBF神經(jīng)網(wǎng)絡(luò)完成如下非線性映射 y x i w 0 m j 1 w j j x i 1 式中 X x 1 x 2 x n 為訓(xùn)練數(shù)據(jù)集 x i x i 1 x i 2 x i n 為第i個(gè)訓(xùn)練樣本 w 0 為調(diào)整輸出的偏移量 m 為隱層節(jié)點(diǎn)個(gè)數(shù) w j 為第j個(gè)隱層節(jié)點(diǎn)的基函數(shù) j 與 輸出節(jié)點(diǎn)的連接權(quán)值 為核函數(shù) 隱含層采用高斯核函數(shù)作為基函數(shù) 其定義如下 j x i exp x i c j 2 2 j 2 式中 c j 為第j個(gè)徑向基函數(shù)的中心 x i c j 為x i 與c j 之間的距離 j 為第j個(gè)隱層節(jié)點(diǎn)的場(chǎng)域?qū)挾?RBF神經(jīng)網(wǎng)絡(luò)的設(shè)計(jì)分為結(jié)構(gòu)設(shè)計(jì)和參數(shù)設(shè)計(jì) 1 結(jié)構(gòu)設(shè)計(jì) 使用聚類算法劃分所有的輸入樣 本 確定合適的隱層節(jié)點(diǎn)個(gè)數(shù)m 2 參數(shù)設(shè)計(jì) 用于求解網(wǎng)絡(luò)的各個(gè)參數(shù) 由式 1 式 2 分析可知 網(wǎng)絡(luò)參數(shù)包括徑向基函數(shù)的中 心c j 場(chǎng)域?qū)挾?j 和隱含層到輸出層的連接權(quán)值w j 研究表明 隱層節(jié)點(diǎn)個(gè)數(shù)體現(xiàn)了RBF神經(jīng)網(wǎng)絡(luò)的 非線性映射能力 15 當(dāng)隱層節(jié)點(diǎn)數(shù)量過(guò)少時(shí) 網(wǎng)絡(luò)的 收斂誤差將增加 相反 當(dāng)隱層節(jié)點(diǎn)數(shù)量過(guò)多時(shí) 網(wǎng)絡(luò) 的訓(xùn)練時(shí)間將延長(zhǎng) 導(dǎo)致預(yù)測(cè)結(jié)果過(guò)度擬合 從而降低 網(wǎng)絡(luò)的泛化能力 因此 為克服人工選取隱層節(jié)點(diǎn)個(gè) 數(shù)帶來(lái)的弊端 本文采用最大最小距離算法確定合適 的隱層節(jié)點(diǎn)個(gè)數(shù) 1 2 RBF 神 經(jīng) 網(wǎng) 絡(luò) 隱 層 節(jié) 點(diǎn) 個(gè) 數(shù) 的 確 定 在處理分類模式時(shí) 最大最小距離算法以歐式距 離為基礎(chǔ) 根據(jù)最大距離原則選擇新的聚類中心 利用 最小距離原則對(duì)模式進(jìn)行分類 首先設(shè)定距離閾值 將初始的一個(gè)樣本對(duì)象設(shè)置為第一個(gè)聚類中心 然后 選擇距離第一個(gè)聚類中心最遠(yuǎn)的樣本作為第二個(gè)聚類 中心 再確定其他聚類中心 直到?jīng)]有新的聚類中心產(chǎn) 生 最后將剩余樣本根據(jù)最近鄰規(guī)則劃分到各聚類中 心對(duì)應(yīng)的類別中 算法描述 1 從n個(gè)樣本中 隨機(jī)選擇一個(gè)樣本 作為第一 個(gè)聚類中心c 1 2 選取距離c 1 最遠(yuǎn)的樣本 作為第二個(gè)聚類中 心c 2 3 計(jì)算其余樣本與c 1 c 2 之間的距離 并求出最 小值 即 d ij x i c j j 1 2 3 d i min d i1 d i2 i 1 2 n 4 4 若 為比例系數(shù) d l max i min d i1 d i2 c 1 c 2 5 則第三個(gè)聚類中心c 3 為x i 相應(yīng)的樣本 跳轉(zhuǎn)到步驟 5 判斷是否含有新的聚類中心 否則跳轉(zhuǎn)到步驟6 5 假設(shè)已經(jīng)有k個(gè)聚類中心 計(jì)算每個(gè)樣本與所 有聚類中心的距離 并判斷 d l max i min d i1 d i2 d ik c 1 c 2 6 第6 期 張 坤 鰲 等 基 于 改 進(jìn)CFAPSO RBF 神 經(jīng) 網(wǎng) 絡(luò) 的 溫 室 溫 度 預(yù) 測(cè) 研 究 97 若式 6 成立 則c k 1 x i 并循環(huán)該步驟 繼續(xù)判斷是 否存在新的聚類中心 6 經(jīng)過(guò)判斷 確定不再有新的聚類中心時(shí) 將剩 余樣本根據(jù)最近鄰規(guī)則 劃分到各類中 即計(jì)算 d ij x i c j i 1 2 n j 1 2 k 7 通過(guò)上述算法確定RBF神經(jīng)網(wǎng)絡(luò)隱層節(jié)點(diǎn)個(gè)數(shù) 后 為了使RBF神經(jīng)網(wǎng)絡(luò)的訓(xùn)練性能進(jìn)一步提高 即 尋找到最優(yōu)的RBF神經(jīng)網(wǎng)絡(luò)參數(shù) 本文提出一種改進(jìn) 收縮因子粒子群算法 1 3 RBF 神 經(jīng) 網(wǎng) 絡(luò) 隱 層 參 數(shù) 的 確 定 1 粒 子 群 優(yōu) 化 算 法 粒子群優(yōu)化 ParticleSwarm Optimization PSO 算法是Kennedy和Eberhart在人工 生命研究結(jié)果的啟發(fā)下 通過(guò)模擬鳥(niǎo)群覓食過(guò)程中遷 徙和群聚行為 提出的一種基于群體智能的全局隨機(jī) 搜索算法 16 假設(shè)搜索空間為D維 粒子總數(shù)為N 第i個(gè)粒子在D維空間中的位置為x i x i1 x i2 x iD 飛行速度為v i v i1 v i2 v iD 粒子個(gè)體經(jīng)歷過(guò) 的最好位置為pbest i p i1 p i2 p iD 種群經(jīng)歷過(guò)的 最好位置為gbest g 1 g 2 g D PSO算法流程如 圖2所示 圖2 PSO算法流程圖 粒子i的速度和位置更新公式為 v k 1 id wv k id c 1 r 1 pbest id x k id c 2 r 2 gbest d x k id 8 x k 1 id x k id v k 1 id 9 式中 v k id 為第k次迭代時(shí) 粒子i飛行速度矢量的第d 維分量 c 1 c 2 為加速常數(shù) r 1 r 2 為兩個(gè)隨機(jī)函數(shù) 取值 范圍為 0 1 pbest id 為粒子i個(gè)體經(jīng)歷過(guò)的最好位置 矢量的第d維分量 x k id 為第k次迭代粒子i位置矢量 的第d維分量 gbest d 為種群經(jīng)歷過(guò)的最好位置矢量的 第d維分量 w為粒子i的慣性權(quán)重 表明上一代粒子 速度對(duì)當(dāng)代速度的影響 當(dāng)w值較大時(shí) 粒子具有較 強(qiáng)的全局收斂能力 但此時(shí)局部收斂能力較弱 當(dāng)w 值較小時(shí) 粒子具有較強(qiáng)的局部收斂能力 此時(shí)全局收 斂能力較弱 由于在該算法中 參數(shù)w是固定的 這將 導(dǎo)致在對(duì)RBF神經(jīng)網(wǎng)絡(luò)進(jìn)行優(yōu)化時(shí) 算法的優(yōu)化精度 會(huì)降低 為解決此問(wèn)題 許榮斌等 17 提出新的慣性權(quán)重非 線性遞減策略 使算法在迭代前期全局收斂能力強(qiáng) 迭 代后期局部收斂能力強(qiáng) 新的慣性權(quán)重更新公式為 w w min w max w min sin 2 1 t T 10 式中 w min 為最小慣性權(quán)重 w max 為最大慣性權(quán)重 t為 當(dāng)前迭代次數(shù) T為最大迭代次數(shù) 為曲線調(diào)整 因子 2 引 入 收 縮 因 子 的PSO 算 法 Clerc為了使粒 子整體的飛行速度得到有效控制 構(gòu)造了引入收縮因子 的PSO算法 CFAPSO算法 18 使算法能在全局探測(cè) 和局部開(kāi)采間達(dá)到有效的平衡 其改進(jìn)公式如下 v k 1 id k v k id c 1 r 1 pbest id x k id c 2 r 2 gbest d x k id 11 式中 k稱為收縮因子 k 2 2 2 4 槡 c 1 c 2 4 12 3 改 進(jìn)CFAPSO 算 法 分析式 8 可知 粒子 速度的更新公式由 慣性 部分 認(rèn)知 部分和 社會(huì) 部分組成 慣性 部分表明粒子對(duì)當(dāng)前速度繼承的 程度 認(rèn)知 部分表明粒子向自身最佳位置逼近的趨 勢(shì) 社會(huì) 部分表明粒子向群體最佳位置逼近的 趨勢(shì) 當(dāng)問(wèn)題空間較大時(shí) 為了平衡算法的全局探測(cè)能 力和局部挖掘能力 在算法迭代前期 粒子的全局尋優(yōu) 能力較強(qiáng) 在算法迭代后期 粒子的局部尋優(yōu)能力較 強(qiáng) 本文首先對(duì)粒子更新公式的 慣性 部分進(jìn)行改 進(jìn) 引用式 10 作為改進(jìn)算法的第一步 使算法在迭 代前期w值較大 在迭代后期w值較小 此外 為了有效地控制粒子整體的飛行速度 并確 保算法在全局探測(cè)和局部挖掘之間實(shí)現(xiàn)有效平衡 本 文結(jié)合CFAPSO算法 提出一種新的改進(jìn)CFAPSO算 法 其粒子速度更新公式為 v k 1 id k wv k id c 1 r 1 pbest id x k id c 2 r 2 gbest d x k id 13 1 4 改 進(jìn)CFAPSO RBF 神 經(jīng) 網(wǎng) 絡(luò) 模 型 的 實(shí) 現(xiàn) 改進(jìn)CFAPSO RBF神經(jīng)網(wǎng)絡(luò)模型的實(shí)現(xiàn)步驟如下 1 采集樣本 對(duì)樣本進(jìn)行歸一化處理 2 使用最大最小距離算法 對(duì)樣本數(shù)據(jù)進(jìn)行聚 98 計(jì) 算 機(jī) 應(yīng) 用 與 軟 件 2020 年 類 確定隱層節(jié)點(diǎn)個(gè)數(shù) 3 初始化粒子群 設(shè)定粒子個(gè)數(shù) 迭代次數(shù) 曲線 調(diào)整因子 隨機(jī)產(chǎn)生各粒子的初始速度v i 和初始位 置x i 4 比較每個(gè)粒子和它經(jīng)歷的最好位置的適應(yīng)度 更新pbest i 5 比較每個(gè)粒子與其群體經(jīng)歷的最好位置的適 應(yīng)度 更新gbest 6 更新粒子的位置和速度 7 重復(fù)步驟4 步驟6 直到達(dá)到計(jì)算精度 為止 8 解碼群體經(jīng)歷的最好位置 并將該值作為RBF 神經(jīng)網(wǎng)絡(luò)的結(jié)構(gòu)參數(shù) 對(duì)網(wǎng)絡(luò)進(jìn)行訓(xùn)練 2 實(shí) 驗(yàn) 與 結(jié) 果 分 析 2 1 樣 本 數(shù) 據(jù) 獲 取 本文實(shí)驗(yàn)數(shù)據(jù)來(lái)源于涇陽(yáng)欣悅蔬菜示范園 園區(qū) 已建成大棚64個(gè) 日光溫室8個(gè) 全部采用鋼架結(jié)構(gòu) 大棚內(nèi)設(shè)施包括溫室檢測(cè)系統(tǒng) 遮陽(yáng)系統(tǒng) 通風(fēng)系統(tǒng) 等 本文以1小時(shí)為時(shí)間間隔 采集2018年12月15 日至2019年1月13日之間的室外氣壓 溫度 相對(duì)濕 度 降水量 風(fēng)力數(shù)據(jù) 以及室內(nèi)溫度 濕度數(shù)據(jù) 每個(gè) 影響因子每天共采集24組數(shù)據(jù) 共計(jì)30天 從該數(shù)據(jù) 中選擇前520組數(shù)據(jù)作為訓(xùn)練樣本 剩余200組數(shù)據(jù) 作為測(cè)試樣本 2 2 數(shù) 據(jù) 預(yù) 處 理 不同的量綱和量綱單位會(huì)產(chǎn)生不同的評(píng)價(jià)指標(biāo) 從而影響數(shù)據(jù)分析的結(jié)果 為了消除量綱對(duì)指標(biāo)的影 響 本文對(duì)數(shù)據(jù)進(jìn)行歸一化處理 使樣本數(shù)據(jù)映射到 0 1 之間 歸一化公式為 y x i x min x max x min 14 式中 x i 為輸入樣本數(shù)據(jù) x min x max 分別為輸入樣本數(shù) 據(jù)的最小值和最大值 2 3 預(yù) 測(cè) 模 型 參 數(shù) 求 解 1 RBF 神 經(jīng) 網(wǎng) 絡(luò) 結(jié) 構(gòu) 求 解 通過(guò)獲取樣本數(shù)據(jù) 的規(guī)模 運(yùn)用最大最小距離算法確定隱層節(jié)點(diǎn)個(gè)數(shù)為 12個(gè) 因而確定RBF神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)為6 12 1 即 RBF神經(jīng)網(wǎng)絡(luò)輸入層特征為6個(gè) 分別是室外氣壓 溫 度 相對(duì)濕度 降水量 風(fēng)力數(shù)據(jù)和室內(nèi)濕度數(shù)據(jù) 隱層 節(jié)點(diǎn)個(gè)數(shù)為12個(gè) 輸出層特征為1個(gè) 特征為室內(nèi)溫 度數(shù)據(jù) 2 改 進(jìn)CFAPSO 算 法 各 參 數(shù) 的 初 始 值 求 解 在初始化粒子群階段 設(shè)定粒子個(gè)數(shù)為35個(gè) 由于 PSO算法的迭代次數(shù) 會(huì)影響模型的訓(xùn)練時(shí)間 為提高 模型的訓(xùn)練效率 減少模型的訓(xùn)練耗時(shí) 本實(shí)驗(yàn)預(yù)設(shè)置 算法的最大迭代次數(shù)為T(mén) 100 改進(jìn)CFAPSO算法的 適應(yīng)值變化曲線如圖3所示 圖3 改進(jìn)CFAPSO算法適應(yīng)度變化曲線圖 由圖3可知 當(dāng)?shù)螖?shù)為40時(shí) 改進(jìn)CFAPSO 算法的適應(yīng)度曲線基本收斂 算法適應(yīng)度達(dá)到最優(yōu)值 如果繼續(xù)搜索 算法的搜索時(shí)間開(kāi)銷(xiāo)將會(huì)增加 因此本 文實(shí)驗(yàn)中的進(jìn)化迭代次數(shù)均設(shè)置為40次 在改進(jìn)CFAPSO算法中 收縮因子和慣性權(quán)重控 制整個(gè)粒子的飛行速度和尋優(yōu)能力 由式 13 知 加 速常數(shù)c 1 c 2 和最大 最小慣性權(quán)重w max w min 確定時(shí) 曲線調(diào)整因子 是確定整個(gè)粒子飛行速度和尋優(yōu)能力 的關(guān)鍵 一般情況下 w max 0 9 w min 0 4 c 1 2 8 c 2 1 3 圖4為 取不同值時(shí) 收縮因子結(jié)合慣性權(quán) 重的遞減函數(shù)對(duì)比曲線 圖4 收縮因子結(jié)合慣性權(quán)重遞減函數(shù)對(duì)比曲線 由圖4可知 不同 值使算法的尋優(yōu)能力不同 當(dāng) 1 6時(shí) 與線性遞減函數(shù)變化曲線相比 改進(jìn) CFAPSO算法的收縮因子結(jié)合慣性權(quán)重的非線性曲 線 在保證粒子整體飛行速度的基礎(chǔ)上 在算法搜索前 期 獲得較大值概率較高 有利于算法的全局搜索 在 第6 期 張 坤 鰲 等 基 于 改 進(jìn)CFAPSO RBF 神 經(jīng) 網(wǎng) 絡(luò) 的 溫 室 溫 度 預(yù) 測(cè) 研 究 99 算法搜索后期 獲得較小值概率較高 有利于算法的局 部搜索 綜上 確定改進(jìn)CFAPSO算法的特征參數(shù)分別是 粒子個(gè)數(shù)為35 個(gè) 迭代次數(shù)為40 次 w max 0 9 w min 0 4 c 1 2 8 c 2 1 3 1 6 2 4 預(yù) 測(cè) 模 型 評(píng) 價(jià) 標(biāo) 準(zhǔn) 為檢驗(yàn)神經(jīng)網(wǎng)絡(luò)模型的預(yù)測(cè)效果 本文采用平均 絕對(duì)誤差 MAE 均方誤差 MSE 和均方根誤差 RMSE 作為神經(jīng)網(wǎng)絡(luò)模型預(yù)測(cè)性能的評(píng)價(jià)標(biāo)準(zhǔn) 各 評(píng)價(jià)指標(biāo)計(jì)算公式如下 MAE 1 n n i 1 y i y i 15 MSE 1 n n i 1 y i y i 2 16 RMSE 1 n n i 1 y i y i 槡 2 17 式中 y i 和y i 分別為第i組性能評(píng)價(jià)數(shù)據(jù)的實(shí)際值和預(yù) 測(cè)值 n為樣本總數(shù) 2 5 實(shí) 驗(yàn) 結(jié) 果 分 析 對(duì)RBF PSO RBF CFAPSO RBF 改進(jìn)CFAPSO RBF神經(jīng)網(wǎng)絡(luò)模型的測(cè)試樣本進(jìn)行預(yù)測(cè) 得到的預(yù)測(cè) 結(jié)果如圖5所示 圖5 各模型對(duì)測(cè)試樣本的預(yù)測(cè)結(jié)果 由圖5可知 相對(duì)于RBF PSO RBF CFAPSO RBF 改進(jìn)CFAPSO RBF神經(jīng)網(wǎng)絡(luò)模型的預(yù)測(cè)效果明顯更 優(yōu) 預(yù)測(cè)值和真實(shí)值之間的誤差更小 這主要是因?yàn)?改進(jìn)的CFAPSO RBF結(jié)合了PSO RBF和CFAPSO RBF 的優(yōu)點(diǎn) 在選取了合適的參數(shù)后 一方面使算法的尋優(yōu) 能力處于前期注重全局尋優(yōu) 后期注重局部尋優(yōu) 另一 方面由于控制了粒子的速度 使算法能達(dá)到全局性與 局部性的平衡 為進(jìn)一步評(píng)價(jià)預(yù)測(cè)精度 對(duì)4種模型的預(yù)測(cè)精度 性能指標(biāo)計(jì)算如表1所示 表1 各 模 型 的 預(yù) 測(cè) 精 度 性 能 指 標(biāo) 預(yù)測(cè)模型 MAE MSE RMSE RBF 6 078 49 806 7 057 PSO RBF 4 918 42 206 6 497 CFAPSO RBF 4 799 37 454 6 120 改進(jìn)CFAPSO RBF 4 395 26 818 5 179 由表1可知 改進(jìn)CFAPSO RBF神經(jīng)網(wǎng)絡(luò)模型的 MAE MSE RMSE 值均低于RBF PSO RBF和CFA PSO RBF神經(jīng)網(wǎng)絡(luò)模型 實(shí)驗(yàn)證明 在神經(jīng)網(wǎng)絡(luò)參數(shù) 選擇合理的情況下 與RBF PSO RBF和CFA PSO RBF神經(jīng)網(wǎng)絡(luò)模型相比 改進(jìn)CFAPSO RBF神經(jīng)網(wǎng)絡(luò) 模型具有更好的預(yù)測(cè)效果 3 結(jié) 語(yǔ) 本文在對(duì)溫室內(nèi)外氣象因子進(jìn)行分析的基礎(chǔ)上 選擇影響溫室內(nèi)外的主要?dú)庀笠蜃幼鳛檩斎肓?以溫 室內(nèi)的溫度作為輸出量 首先使用最大最小距離算法 計(jì)算出隱層節(jié)點(diǎn)個(gè)數(shù) 然后使用改進(jìn)CFAPSO算法對(duì) RBF神經(jīng)網(wǎng)絡(luò)隱層場(chǎng)中心 場(chǎng)域?qū)挾冗M(jìn)行優(yōu)化 建立溫 室溫度預(yù)測(cè)模型 實(shí)驗(yàn)結(jié)果表明 改進(jìn)CFAPSO RBF 溫室溫度預(yù)測(cè)模型的預(yù)測(cè)精度有了明顯提高 預(yù)測(cè)結(jié) 果在溫室溫度管理方面有一定的參考價(jià)值 參 考 文 獻(xiàn) 1 王定成 溫室環(huán)境的支持向量機(jī)回歸建模 J 農(nóng)業(yè)機(jī)械 學(xué)報(bào) 2004 5 106 109 2 陳俐均 杜尚豐 李嘉鵬 等 溫室環(huán)境溫度預(yù)測(cè)自適應(yīng)機(jī) 理模型參數(shù)在線識(shí)別方法 J 農(nóng)業(yè)工程學(xué)報(bào) 2017 33 S1 315 321 3 郁瑩珺 徐達(dá)宇 壽國(guó)忠 等 基于經(jīng)驗(yàn)?zāi)B(tài)分解和小波神 經(jīng)網(wǎng)絡(luò)的溫室溫濕度預(yù)測(cè) J 江蘇農(nóng)業(yè)科學(xué) 2019 47 1 211 216 4 GruberJK Guzm n JL Rodr guez F etal Nonlinear MPCbasedonaVolterraseriesmodelforgreenhousetemper aturecontrolusingnaturalventilation J ControlEngineer ingPractice 2011 19 4 354 366 5 任守綱 劉鑫 顧興健 等 基于R BP神經(jīng)網(wǎng)絡(luò)的溫室小 氣候多步滾動(dòng)預(yù)測(cè)模型 J 中國(guó)農(nóng)業(yè)氣象 2018 39 5 314 324 6 楊雷 張寶峰 朱均超 等 基于PCA PSO LSSVM的溫室 大棚溫度預(yù)測(cè)方法 J 傳感器與微系統(tǒng) 2018 37 7 52 55 7 秦琳琳 馬嬌 黃云夢(mèng) 等 基于積溫理論的溫室溫度混雜 系統(tǒng)預(yù)測(cè)控制 J 農(nóng)業(yè)機(jī)械學(xué)報(bào) 2018 49 10 347 355 下 轉(zhuǎn) 第107 頁(yè) 第6 期 陳 化 飛 等 互 聯(lián) 網(wǎng) 回 收 供 應(yīng) 鏈 策 略 研 究 107 析 且沒(méi)有將政府對(duì)正規(guī)企業(yè)的補(bǔ)貼納入決策中 這是 今后研究需要改進(jìn)的地方 參 考 文 獻(xiàn) 1 Savaskan R C Bhattacharya S Van Wassenhove L N Closed Loopsupplychainmodelswithproductremanufactur ing J ManagementScience 2004 50 2 239 252 2 WuX ZhouY Theoptimalreversechannelchoiceunder supplychain competition J European Journal ofOpera tionalResearch 2017 259 1 63 66 3 SheuJB GaoXQ Allianceornoalliance Bargainingpow erincompetingreversesupplychains J EuropeanJournal ofOperationalResearch 2014 233 2 313 325 4 YooSH KimBC Jointpricingofnewandrefurbishedi tems acomparisonofclosed loopsupplychainmodels J InternationalJournal ofProduction Economics 2016 182 132 143 5 陳軍 田大鋼 閉環(huán)供應(yīng)鏈模型下的產(chǎn)品回收模式選擇 J 中國(guó)管理科學(xué) 2017 25 1 88 97 6 許民利 聶曉哲 簡(jiǎn)惠云 不同風(fēng)險(xiǎn)偏好下雙渠道供應(yīng)鏈 定價(jià)決策 J 控制與決策 2016 31 1 91 98 7 魏潔 廢棄電器電子產(chǎn)品 互聯(lián)網(wǎng) 回收模式構(gòu)建 J 科技管理研究 2016 21 230 234 8 李春發(fā) 楊琪琪 韓芳旭 基于C2B的廢棄電器電子產(chǎn)品 網(wǎng)絡(luò)回收系統(tǒng)利益相關(guān)者關(guān)系研究 J 科技管理研究 2014 23 233 239 244 9 FengLP GovindanK LiCF Strategicplanning design andcoordination for dual recycling channel reverse supply chainconsideringconsumerbehavior J EuropeanJournal ofOperationalResearch 2017 260 2 601 612 10 許民利 向澤華 簡(jiǎn)惠云 考慮消費(fèi)者環(huán)保意識(shí)的WEEE 雙渠道回收模型研究 J 控制與決策 2020 35 3 713 720 11 許民利 鄒康來(lái) 簡(jiǎn)惠云 互聯(lián)網(wǎng) 環(huán)境下考慮消費(fèi)者 行為的資源回收策略 J 控制與決策 2019 34 8 1745 1753 12 李鋒 魏瑩 異質(zhì)消費(fèi)者行為模式下的雙渠道供應(yīng)鏈系統(tǒng) 協(xié)調(diào)與優(yōu)化 J 系統(tǒng)管理學(xué)報(bào) 2015 24 5 762 768 13 李鋒 魏瑩 策略型消費(fèi)者對(duì)雙渠道供應(yīng)鏈系統(tǒng)最優(yōu)定價(jià) 策略的影響 J 系統(tǒng)管理學(xué)報(bào) 2019 28 1 165 173 14 AbbeyJD BlackburnJD GuideVDR Optimalpricing fornewandremanufacturedproducts J JournalofOpera tionsManagement 2015 36 130 146 15 趙靜 肖亞倩 不同渠道偏好和運(yùn)營(yíng)成本下雙渠道閉環(huán)供 應(yīng)鏈定價(jià)決策研究 J 運(yùn)籌與管理 2018 27 12 108 114 16 YinJF GaoYN XuH Surveyandanalysisofconsumers behaviourofwaste mobile phone recycling in china J JournalofCleanerProduction 2014 65 1 517 525 17 Yl MellaJ KeiskiRL Pongr czE Electronicwastere coveryinfinland consumers perceptionstowardsrecycling andre useofmobilephones J WasteManagement 2015 45 374 384 18 Sarath P Bonda S Mohanty S et al Mobile phone waste management and recycling views and trends J Waste Management 2015 46 536 545 19 李春發(fā) 鄒雅玲 王雪紅 等 WEEE回收網(wǎng)站交互性對(duì)消 費(fèi)者回收行為的影響 消費(fèi)者交易感知的中介作用 J 科技管理研究 2015 3 209 214 20 李春發(fā) 馮立攀 隨機(jī)需求多渠道供應(yīng)鏈Stackelberg協(xié)調(diào) 博弈分析 J 計(jì)算機(jī)集成制造系統(tǒng) 2014 20 9 2313 2319 21 易余胤 袁江 渠道沖突環(huán)境下的閉環(huán)供應(yīng)鏈協(xié)調(diào)定價(jià)模 型 J 管理科學(xué)學(xué)報(bào) 2012 15 1 54 65 上 接 第99 頁(yè) 8 徐意 項(xiàng)美晶 基于RBF神經(jīng)網(wǎng)絡(luò)的溫室溫度調(diào)控研究 J 農(nóng)機(jī)化研究 2010 32 3 74 76 9 郭通 蘭巨龍 李玉峰 等 基于量子自適應(yīng)粒子群優(yōu)化徑 向基函數(shù)神經(jīng)網(wǎng)絡(luò)的網(wǎng)絡(luò)流量預(yù)測(cè) J 電子與信息學(xué) 報(bào) 2013 35 9 2220 2226 10 張昭昭 喬俊飛 余文 多層自適應(yīng)模塊化神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu) 設(shè)計(jì) J 計(jì)算機(jī)學(xué)報(bào) 2017 40 12 2827 2838 11 夏爽 李麗宏 基于PSO RBF神經(jīng)網(wǎng)絡(luò)在溫室溫度預(yù)測(cè) 中的應(yīng)用 J 計(jì)算機(jī)工程與設(shè)計(jì) 2017 38 3 744 748 12 王媛媛 基于改進(jìn)PSO優(yōu)化RBF神經(jīng)網(wǎng)絡(luò)的溫室溫度預(yù) 測(cè)研究 J 計(jì)算機(jī)與數(shù)字工程 2016 44 7 1210 1215 13 段其昌 趙敏 王大興 一種改進(jìn)PSO優(yōu)化RBF神經(jīng)網(wǎng)絡(luò) 的新方法 J 計(jì)算機(jī)仿真 2009 26 12 126 129 14 王雪松 梁昔明 基于BPSO RBF神經(jīng)網(wǎng)絡(luò)的網(wǎng)絡(luò)流量預(yù) 測(cè) J 計(jì)算機(jī)應(yīng)用與軟件 2014 31 9 102 105 15 甘文道 周城 宋波 基于RAN RBF神經(jīng)網(wǎng)絡(luò)的網(wǎng)絡(luò)安全 態(tài)勢(shì)預(yù)測(cè)模型 J 計(jì)算機(jī)科學(xué) 2016 43 S2 388 392 16 逯少華 張曉偉 鮑承強(qiáng) 等 柯西種群分布的自適應(yīng)范圍 粒子群優(yōu)化算法 J 計(jì)算機(jī)應(yīng)用 2014 34 4 1070 1073 1079 17 許榮斌 王業(yè)國(guó) 王福田 等 基于改進(jìn)PSO BP算法的快 遞業(yè)務(wù)量預(yù)測(cè) J 計(jì)算機(jī)集成制造系統(tǒng) 2018 24 7 1871 1879 18 KennedyJ EberhartRC Particleswarmoptimization C Proceedings of IEEE International Conference On Neural Networks Perth Australia IEEE 1995 1942 1948