基于模糊神经网络的温室控制系统

为了实现温室节能以及安全控制,针对温室环境的大滞后、多输入、多输出、非线性和难以建立数学模型等特点,提出用模糊神经网络进行温室温度控制的方法,采用神经网络在线调整训练模糊规则的控制方式,实现了温室内温度的模糊控制.利用该方法能提高温室控制系统的精确性、适应性和鲁棒性,有利于节能.结果表明,基于模糊神经网络的温室控制系统运行效果良好,控制过程响应快,无震荡,超调量小,稳态误差小,能满足使用要求.     

基于遗传算法的模糊神经网络温室温度控制器

为了创造适合作物生长的环境,针对温室系统的特点提出了一种新的基于遗传算法的模糊神经网络控制器,利用遗传算法训练模糊神经网络模型,并采用此模糊神经网络控制器控制温室温度系统.运用该方法对温室温度控制系统进行了Matlab 仿真,结果表明:采用遗传模糊神经控制器的系统,不但提高了阶跃响应的快速性,而且大大减少了超调量.     

神经网络模糊PID算法在温室温度控制中的仿真研究

为了更好地实现对温室温度的控制,提出了温室温度控制的一种新的控制方法;通过仿真比较证明了此方法的有效性,并对其动静态特性、鲁棒性和抗干扰能力进行了探讨。结果表明,采用神经网络模糊PID算法的温室温度控制方法具有较好的动静态特性、鲁棒性和抗干扰能力。     

基于神经网络的温室土壤水分动态预测模型研究

针对智能温室变量施水的土壤水分预测问题,建立基于神经网络的土壤水分动态预测模型。以Delaunay三角剖分布点方法为基础,并将种植区域离散成若干单元。对各离散单元,模糊其土壤喷灌量,将单位时间土壤含水量的变化映射成土壤水势变化。考虑到土壤的时空特性,使用MATLAB建立以预测单元表层测量点土壤含水量、土壤温度和单位时间土壤含水量变化量作为输入,未来时刻该单元中心土壤深层含水量作为输出的BP神经网络和RBF神经网络预测模型。利用温室实际数据验证模型的准确性,通过比较两种神经网络模型结果,得出RBF神经网络模型具有较好实用性,为温室精细化变量施水的实现奠定基础。     

温湿度解耦模糊控制系统的研究

针对温室气候控制方法中温湿度之间的耦合作用,提出了以温度控制为主、湿度控制为辅的控制策略,并建立两变量输入、3变量输出的控制主回路和补偿回路模糊控制系统,从而为温湿度控制提供了一种行之有效的方法。     

基于模糊神经网络的温室温湿度智能控制系统研究

针对温室非线性、时变性、延时性、多变量耦合等问题,对温度、湿度、光照强度和CO2浓度等环境因子进行分析,把模糊推理运用到温室环境控制系统,利用专家经验和知识行为转化为相应的模糊控制规则;结合神经网络控制理论,以温度和湿度作为主要控制变量设计模糊神经网络控制系统。仿真结果表明,该系统响应速度快,抗干扰能力强,对温室环境中温湿度有较好的控制效果,可为智能温室自动控制系统设计提供一定参考。     

基于改进Smith预估补偿的智能滴灌系统模糊PID控制

由于温室滴灌系统模型参数易受环境变化的影响,导致传统模糊PID的控制精度不高,因此提出一种改进Smith预估补偿的滴灌系统模糊PID控制方法。MATLAB/simulink仿真实验结果表明,改进Smith预估补偿的模糊PID控制相比传统模糊PID具有更好的控制品质和更短的响应时间,且过渡过程更短、超调量更小、稳定性更高,控制效果明显提升;同时,蔬菜温室的田间测试结果表明,滴灌系统的最大超调量为5.95%,且系统稳定后,土壤湿度始终保持在60.22%左右,运行稳定且符合温室的灌溉要求,实现了灌溉的精准管理和精确控制,为发展设施农业精准灌溉提供一种新的解决方案。     

基于模糊规则的温室微喷控制系统研究

针对温室微喷系统控制算法不稳定、适应能力差等问题,利用模糊规则设计了一种平滑切换控制算法;利用阶跃建模方法搭建微喷量与空气湿度的数学模型,简化了温室空气湿度模型;最后将WiFi和ZigBee传输技术结合来搭建温室远程控制系统。Matlab/Simulink仿真实验结果表明,模糊切换控制策略比传统模糊PID控制拥有更小的超调量、较高的稳定性,能够达到较好的控制效果。同时,实际运行结果表明,温室微喷控制系统丢包率小于15%,温室空气湿度能控制在89%左右,运行稳定且符合温室空气湿度控制要求,实现了温室空气湿度的精确控制,为发展设施化农业精细化控制提供一种解决思路。     

基于模糊神经网络的农机自动转向系统的设计

现代农业生产中要求农业机械在田间工作过程中可实现实时、高效的控制性能。为此，基于模糊控制规则的模糊神经网络控制器，利用遗传算法(Genetic Algorithm, GA)进行人工神经网络模型的优化，对拖拉机转向系统进行优化设计，得到农业机械田间工作时目标输出和实际输出的仿真曲线。基于东方红拖拉机搭建试验平台，进行了输出响应测试和角度测试，并通过MatLab仿真对控制系统的性能进行了分析。研究结果表明：模糊控制规则的模糊神经网络控制器和基于遗传神经网络的改进算法能有效缩短农业转向系统的响应时间，减少超调量，提高转向精度，是一种更加有效的田间作业的控制方法。     

效益优先的温室光照优化调控模型研究

针对当前温室光照环境调控成本较高的问题,在满足作物生长需求的条件下降低调控成本,提出效益优先的温室光照优化调控模型。通过设计嵌套试验获取温室不同温度、二氧化碳浓度、光照强度组合下的黄瓜光合速率数据,以此环境参数作为输入、光合速率作为输出构建基于最小二乘支持向量机(LS-SVM)的光合速率预测模型;继而采用融合两种不同光照寻优方案的效益优先的寻优算法,基于BP神经网络构建光照优化调控模型;数据表明提出的效益优先的光照优化调控方案与依据光饱和点调控对比,理论光照供需量下降22.86%,光合速率降低3.71%;验证试验中,光照供需量下降27.47%,光合速率减少3.34%,较自然条件下对比组的光合速率提高40.69%,对设施温室补光的精准调控具有指导意义。     

模糊控制在温室温湿度控制系统中的应用

温室环境参数的调节与控制是保证作物高产、稳产和提高经济效益的前提.通过对模糊控制算法的研究,确定了温室温湿度控制系统的输入输出变量,建立了有效的隶属度函数、模糊控制规则和模糊控制表,采用查表法进行模糊推理,实现了温室的温度与湿度自动控制,使温室达到作物生长的最佳环境.     

工程车辆挡位决策的自适应神经模糊推理系统

提出了一种自适应神经模糊推理系统，并利用在ZL50E装载机传动系统换挡实验中获得的数据进行验证性仿真。仿真结果表明，该档位决策系统可根据操作工况环境实现正确的变速箱挡位决策。它将模糊推理与神经网络有机地结合起来，克服了模糊推理不具备学习功能和神经网络不能表达模糊语言的缺点，使模糊推理与神经网络的应用范围更加广泛，是实现挡位决策的行之有效的方法。     

基于Elman神经网络的温室环境因子预测方法

针对目前温室环境系统中,环境监测数据只能反映当前环境状况,无法预测温室环境变化趋势,导致温室环境控制效果差的问题,提出一种基于Elman神经网络的温室环境因子预测方法。以采集的温室内温度、湿度以及二氧化碳浓度的历史数据作为预测模型的输入,建立Elman神经网络预测模型,进而实现精确的温室环境因子变化预测。结果表明,Elman模型优于BP和RBF模型,温度、湿度和二氧化碳浓度预测结果的均方误差分别为0.003 9、0.005 9和0.028 3,决定系数分别为0.991 5、0.967 8和0.973 9。该模型预测结果较理想,可以为温室环境调控提供一定的决策支持。     

煤层气发动机稳态空燃比前馈控制脉谱生成

基于煤层气发动机进气系统的物理特性,采用平均值、多项式和模糊神经网络建模方法,建立了用于稳态空燃比前馈控制的递阶模型,并通过该模型生成了三维初始控制脉谱图.借助于辨识的过量空气系数自适应神经网络模糊推理系统(ANFIS)模型,进行了静态空燃比前馈控制仿真.利用前馈控制模型生成的数据,检验了实际控制效果.结果表明,前馈控制模型具有良好的预测能力,模型最大和平均预测误差分别小于8%和5%.     

基于改进级联神经网络的大豆叶部病害诊断模型

针对大豆叶部病害性状特征与病种之间的模糊性和不确定性,将数字图像处理技术与神经网络智能推理技术相结合,充分挖掘大豆受病害胁迫后表现性状与病种之间的潜在规律,提出了基于改进级联神经网络的大豆病害诊断模型。首先利用自制载物模板无损采集大田大豆叶部病害数字图像,计算病斑区域的形状特征、颜色特征及纹理特征14维度特征参数;为突显各方面特征对于不同病害种类决定作用的差异性,构建各子神经网络并联的第1级网络,第2级网络的输入为第1级网络的输出,利用多维特征各自优势来自动取得病种模式推理规则,建立了用于大豆叶部病害自动诊断的两级级联神经网络模型,仿真实验准确率为97.67%;同时应用量子遗传计算优化级联神经网络参数,平均迭代次数为743,平均网络误差为0.000 995 445,提高了学习效率,实现了大豆叶部病害的高效自动诊断和精确测报,为大田农作物全面系统地开展作物病害监测、智能施药及自动防治提供了理论依据。     

基于ANFIS的温室微气候通风调控模型

为实现通过控制温室通风口开度来调节室内温湿环境的目的,首先根据热量平衡和水汽质量平衡原理构建了温室气温和湿度的动态变化数学模型,然后基于自适应神经模糊控制系统(ANFIS),分别选择梯形和高斯型隶属度函数完成了2类通风控制器的设计,其中包括控制变量的选取、论域的量化、模糊集的定义、隶属函数的选择及控制器的训练等过程．最后将控制器与温室模型相结合,利用Matlab构建了以通风为输入、以室内温湿度为输出的Simulink仿真框图,并利用2类典型天气下的实测资料对控制系统进行了仿真检验．仿真结果表明:无论晴天还是阴雨天,采用梯形隶属度函数的温室模糊控制器比高斯型控制器更敏感,对室内温湿环境的变化具有更好的控制效果,有效减小了温湿度变化率的波动幅度,起到了优化调控作用．     

基于SSA-LSTM的日光温室环境预测模型研究

构建日光温室环境预测模型,准确预测温室环境变化有助于精准调控作物生长环境,促进果蔬生长。而温室小气候环境数据多参数并存、耦合关系复杂,且具有时序性和非线性,难以建立准确的预测模型。针对以上问题,提出一种基于麻雀搜索算法(SSA)优化的长短期记忆网络(LSTM)温室环境预测模型,实现了温室环境数据的精准预测。实验结果表明,采用SSA自动进行参数选优的方式,解决了LSTM模型参数手动选择的难题,大幅缩短模型训练时间,且最优的网络参数能够发挥模型的最佳性能。对日光温室内空气温湿度、土壤温湿度、CO₂浓度和光照强度6种环境参数进行预测,SSA-LSTM平均拟合指数高达97.6%,相比BP、门控循环单元(GRU)、LSTM,其预测拟合指数分别提升8.1、4.1、4.3个百分点,预测精度明显提升。     

煤层气发动机混合气充量系数模型的辨识

将充量系数作为预混合点燃式煤层气发动机转速和进气歧管压力的函数，根据实验数据，应用系统辨识方法，建立了基于多项式、BP神经网络和自适应神经网络模糊推理系统（ANFIs）的混合气充量系数模型，比较了各种模型的建模效果。为了验证模型的有效性，将所建充量系数模型分别嵌入煤层气发动机平均值模型，对平均值模型的估计值和实验数据进行了比较。检验结果表明，充量系数的非参数模型比多项式模型具有更高的预测精度，适合作为系统仿真的子模型。