(19)中华 人民共和国 国家知识产权局 (12)发明 专利申请 (10)申请公布号 (43)申请公布日 (21)申请 号 202111639593.2 (22)申请日 2021.12.2 9 (71)申请人 中国计量大 学 地址 310018 浙江省杭州市下沙高教园区 学源街258号 (72)发明人 王丽娜　刘锦杰　李雪　戴文彬　 张延政　王斌锐　 (74)专利代理 机构 西安铭泽知识产权代理事务 所(普通合伙) 61223 代理人 谢欢 (51)Int.Cl. G06N 3/04(2006.01) G06N 3/08(2006.01) G06N 3/12(2006.01) G06N 7/02(2006.01) (54)发明名称 一种基于遗传算法优化的模糊神经网络温 室温度预测方法 (57)摘要 本发明公开了一种基于遗传算法优化的模 糊神经网络温室温度预测方法， 属于智能农业技 术领域， 该方法将遗传算法优化的初始参数作为 模糊神经网络迭代的起始参数， 而将模糊神经网 络训练完成后进行预测得到的误差作为目标值 返还给遗传算法进行下一代遗传， 两种算法交替 合作进行网络训练的最优参数寻找， 在有限的迭 代次数和遗传中能够找出建立最优预测模型的 起始输入参数， 在基于遗传算法优化的模糊神经 网络模型中输入区域内气象站温度、 相对湿度以 及累计辐射数据， 获得预测后的温室温度。 该方 法具有较好的预测准确度， 可以有效预测温室温 度， 这为温室环境实现温度控制提供了一种新思 路。 权利要求书3页 说明书6页 附图3页 CN 114202063 A 2022.03.18 CN 114202063 A 1.一种基于 遗传算法优化的模糊神经网络温室温度预测方法， 其特 征在于， 包括： 获取区域内过去一段时间的气象站温度、 相对湿度以及累计辐射数据； 选取模糊神经网络模型 结构； 根据模糊神经网络模型 结构确定糊神经网络模型参数； 对糊神经网络模型参数编码形成遗传算法的染色体， 并初始化遗传算法种群 个体； 随机初始化模糊神经网络模型中的多个起始参数； 对模糊神经网络模型的多个起始参数进行编码； 解码多个起始参数、 并赋予模糊神经网络模型； 利用训练集对模糊神经网络模型进行多次迭代训练， 利用测试集对模糊神经网络模型 进行测试， 获取测试误差； 根据测试误差计算遗传算法的适应度值； 根据适应度大小 进行遗传选择、 交叉、 变异后， 获得优化后的初始参数； 将优化后的初始参数作为模糊神经网络模型的起始参数； 经模糊神经网络模型和遗传算法的多次交替优化网络参数后， 取最优 网络参数作为模 糊神经网络模型的最 终输入参数、 并根据最 终输入参数构建基于遗传算法优化的模糊神经 网络模型； 在基于遗传算法优化的模糊神经网络模型中输入区域内过去一段时间的气象站温度、 相对湿度以及累计辐射数据， 输出 未来时刻的预测温室温度。 2.如权利要求1所述的一种基于遗传算法优化的模糊神经网络温室温度预测方法， 其 特征在于， 所述模糊神经网络模型采用T ‑S模糊系统， 且所述T ‑S模糊系统包括： 根据模糊规则计算各输入变量xj的隶属度： 式中， 分别为第i个模糊集Ai的中心值和宽度； k为输入参数数； n为模糊子集数， 输 入量x＝[x1,x2, …， xk]， μ表示语言变量隶属度系数； 将各隶属度进行模糊计算， 采用模糊算子为连成算子： 其中， u表示语 言变量隶属度系数， 为xi在第j个语言变量隶属度， k表示输入参 数数， wi表示第i个规则的适应度； 根据模糊计算结果计算模糊模型第i个节点的输出值yi： 其中， 表示第k个节点的输入值xk的权重。 3.如权利要求1所述的一种基于遗传算法优化的模糊神经网络温室温度预测方法， 其 特征在于， 所述 根据模糊神经网络模型 结构确定的糊神经网络模型参数， 包括： 学习目标， 学习率， 样本系数p0， 样本系数p1， 样本系数p2， 样本系数p3以及 隶属度函数 中心c和宽度b。权　利　要　求　书 1/3 页 2 CN 114202063 A 24.如权利要求3所述的一种基于遗传算法优化的模糊神经网络温室温度预测方法， 其 特征在于， 所述随机初始化模糊神经网络模型中的多个起始参数， 包括： 随机初始化模糊隶属度 函数中心c， 宽度b、 样本系数p0， 样本系数p1， 样本系数p2， 样本 系数p3， 设定学习目标为0.0 01， 学习率 为0.05。 5.如权利要求1所述的一种基于遗传算法优化的模糊神经网络温室温度预测方法， 其 特征在于， 所述模糊神经网络模型的测试误差， 计算公式包括： 误差计算 式中， yd是网络期望 输出； yc是网络实际输出； e为期望 输出与实际输出的误差 。 6.如权利要求1所述的一种基于遗传算法优化的模糊神经网络温室温度预测方法， 其 特征在于， 还 包括： 对模糊神经网络模型的系统修 正， 其计算公式包括： 式中， 为神经网络系数； α为网络学习率； xj为网络输入参数； wi为输入参数隶属度连 乘积， k为输入参数 数。 7.如权利要求1所述的一种基于遗传算法优化的模糊神经网络温室温度预测方法， 其 特征在于， 还 包括： 对模糊神经网络模型的参数修 正， 其计算公式包括： 式中， 分别为隶属度函数的中心值和宽度， β 表示 误差修正系数。 8.如权利要求1所述的一种基于遗传算法优化的模糊神经网络温室温度预测方法， 其 特征在于， 所述利用训练集对模糊神经网络模型进行多次迭代训练， 利用测试集对模糊神 经网络模型进行测试， 包括： 对糊神经网络模型进行训练， 训练数据包括区域内近十年的气象站温度、 相对湿度以 及累计辐射数据， 将区域内近十年日平均温度作为训练的输出值， 而日平均累计辐射量， 对 应参数P1， 日平均空气相对湿度， 对应参数P2， 日平均地表温度， 对应参数P3作为训练的输 入值对模糊神经网络进行训练； 对糊神经网络模型进行测试， 测试数据包括区域内某年气象站日平均温度、 平均地表 温度、 平均相对湿度和累计辐射量， 将测试数据中的温度数据作为测试输出预期值， 其余测 试数据作为测试输入值。 9.如权利要求1所述的一种基于遗传算法优化的模糊神经网络温室温度预测方法， 其 特征在于， 经模糊神经网络模型和遗传算法的多次交替优化网络参数， 取最优网络参数， 包权　利　要　求　书 2/3 页 3 CN 114202063 A 3