【《果树灌溉预测和控制算法的关键技术探析》5000字】

1.41果树灌溉预测和控制算法的关键技术分析目录TOC\o"1-3"\h\u6380果树灌溉预测和控制算法的关键技术分析 1234471.1主成分分析 1249631.2循环神经网络和长短时记忆网络 3283911.1.1循环神经网络 336991.1.2长短时记忆神经网络 4105161.3注意力机制 6153821.4模糊控制算法 7118581.4.1模糊控制基本概述 766611.4.2模糊控制基本原理 88101.5预测算法和控制算法可行性分析 8将围绕果树蒸腾量预测算法和灌溉控制算法的相关理论基础和关键技术展开论述，包括影响蒸腾量关键影响因子的筛选方法，即主成分分析方法，预测模型用到的长短时记忆神经网络和注意力机制，控制模型中的模糊控制技术。最后对主成分分析、长短时记忆神经网络、注意力机制、模糊控制进行可行性分析，为后续章节打下基础。1.1主成分分析多变量问题经常在实际生活中碰到，变量过多会增加解决问题的难度，但是往往多个变量之间具有部分相关性。因此，实现用较少的新变量代替原来较多的变量，并使这些较少的新变量保留尽可能多的原始变量所反映的信息成为关键问题。主成分分析（PrincipalComponentAnalysis,PCA），是一种常用的解决多变量问题的方法，其主要思想是：将多维的数据特征映射成低维的数据特征，新形成的低维数据特征被称为主成分，降低了数据的维度的同时可以包含大部分的数据信息[33]。主成分分析可以减少数据的维数，用少数变量代替原来的多个变量，从而可以降低预测模型的复杂度。其计算步骤如下所示[34]：步骤1：在数据的选取中，由于每个因子所代表的物理意义不同，因此每个因子的量纲上也不会相同，将数据标准化，可以使数据在相同的量纲上，方便计算，计算公式如式（2-1）所示： （2-1）式中——分量的均值；——分量的标准差；——标准化数据矩阵。步骤2：将数据标准化后，计算数据的相关系数并构成矩阵，计算矩阵对应的特征值，计算公式如式（2-2）、（2-3）所示： （2-2） （2-3）式中——相关系数矩阵；——标准化数据和的相关系数；——特征值；——单位矩阵。式中得到的m个特征值，将其按照从大到小的顺序进行排列，并且求出对应的特征向量ej。步骤3：计算贡献率与累计贡献率，如式（2-4）、（2-5）所示： （2-4） （2-5）式中——贡献率；——累计贡献率。利用主成分分析来降低变量的维度，最后取得的主成分个数一般都会小于原来变量的个数，一般当累计贡献率大于85%时所得的主成分个数最合适，这样信息损失的不多，同时可以减少变化量[35]。步骤4：确定主成分，计算主成分的得分，各主成分的得分如式（2-6）所示： （2-6）式中——主成分的得分；——特征向量；——主成分得分系数。1.2循环神经网络和长短时记忆网络1.1.1循环神经网络神经网络的概念是由神经科学家McCulloch等人在1943年提出，当时神经网络被用来解决人脑中神经元的信号阈值系统的问题[36]。后来神经网络的应用范围越来越广，逐渐被各个领域的学者们重视，广泛应用在各个领域。传统的人工神经网络（ArtificialNeuralNetwork,ANN）是基于梯度下降算法进行模型的优化，通过多次迭代逐层更新模型权重[37]。模型的学习速度较慢，训练时间较长，只能处理单一的数据，且容易陷入局部最优点，导致模型的泛化能力差。此外，神经网络的种类繁多，不同的神经网络适合求解的问题也是不同的，选择合适的神经网络，对待求解的问题进行建模会达到事半功倍的效果。循环神经网络（RecurrentNeuralNetwork,RNN）是一种特殊的网络模型[38]，是基于过去的记忆而建立的，其特殊之处在于网络是基于人类认知的，可以记忆以前的内容，被广泛应用在与时间序列相关的任务中。RNN的输出不仅与目前的输入值有关，而且还与以前的输出值有关。具体来说，RNN是记住先前的信息，将记住的先前的信息用于计算当前输出的一种网络模型。如图2-1所示为循环神经网络结构的示意图。图2-1循环神经网络结构示意图Fig.2-1Schematicdiagramofcyclicneuralnetworkstructure从图2-1可以看出RNN主要由输入层、隐含层和输出层三个层次构成，每个当前时刻的输入都会对应当前状态的一个输出，输出值不仅取决于当前的输入，还取决于上一时刻隐含层的值[39]。其计算公式如式（2-7）、（2-8）所示： （2-7） （2-8）式中——输入的数据；——隐含层的值；——输出的值；——输入层到隐含层的权重系数；——隐含层上一时刻的值到当前时刻的值的传递系数；——隐含层到输出层的权重系数；——输入层到隐含层的激活函数；——隐含层到输出层的激活函数。1.1.2长短时记忆神经网络循环神经网络虽然具有保存历史数据信息的优点，但是自身也存在着局限性，特别是在输入长时间序列的时候，RNN存在严重的“梯度消失”的问题，从而导致网络模型难以训练。因此，Hochreiter等人提出RNN的改进模型，即长短时记忆神经网络（LongShort-termMemoryNetworks,LSTM）[40]。LSTM神经网络是通过构建贯穿始终的“细胞状态”来存储历史数据的，可以有效的缓解“梯度消失”问题。LSTM模型是RNN的变体，是一种特殊的RNN模型，虽然RNN被设计用来处理序列问题，但是其存在“梯度消失”的问题，会严重影响模型的性能。LSTM神经网络可以有效地解决RNN无法捕捉的长时间间隔输入的相互依赖关系的问题。LSTM的关键思想是细胞状态，即记忆，这是LSTM可以解决长时依赖的重要原因。其次，LSTM有三个控制门，这三个控制门相互配合，通过控制该时刻和上一时刻两个时刻的输入、输出，来对细胞状态进行更新，可以很好的解决“梯度消失”的问题。为了解决长时依赖的问题，在LSTM单元中，使用三个阈值层，用来有效控制可以通过门的信息量[41]。图2-2为LSTM记忆细胞的结构图。图2-2LSTM记忆细胞的结构Fig.2-2StructureofLSTMmemorycells第一步是LSTM用来决定什么信息可以通过“cellstate”（细胞状态），这个决定由“forgetgate”层（遗忘层）通过sigmoid单元来控制，sigmoid函数输出一个（0,1）之间的值，过滤上一时刻传递下来的信息以及当前时刻输入的信息，计算公式如（2-9）所示： （2-9）第二步是利用“inputgate”层（输入层），通过sigmoid单元产生需要更新的数据，计算公式如（2-10）所示： （2-10）第三步是对以前的“cellsate”（细胞状态）进行更新，计算公式如（2-11）所示： （2-11）第四步是计算本时间节点LSTM的输出值。首先计算得到一个初始输出，然后将值缩放到-1到1之间，将与缩放后的相乘，最后得到模型的输出，计算公式如（2-12）、（2-13）所示： （2-12） （2-13）式中——输入；——输入门；——遗忘门；——时刻的细胞单元状态；——时刻输出的细胞状态；——时刻的输出；——sigmoid函数；——双曲正切函数；、、、——偏执向量；、、、、、、、——权重系数。1.3注意力机制通常，大多数网络模型的输入值都是单一的变量。但是，如果用单一的变量来描述，模型的最终效果可能会不尽人意。因此，可以将多个特征作为网络模型的输入，通过输入多个不同的特征来获取输入的多个方面，从而提高模型的精度。Treisman和Gelade提出了注意力机制（AttentionMechanism），是一个用来模拟人类注意力的模型，由于在整个模型训练中并非所有的中间节点信息都有着相同的贡献程度，模型中往往存在着关键特征向量，还存在着一些噪声，影响模型的预测程度，Attention机制突出了关键特征向量对输出的贡献，很好地优化了传统模型[42]。Attention机制将主要权重分配给重要的特征向量，忽略输入中的噪声和冗余情况下的不重要的特征向量，最后将不同权重的特征向量在注意力模型中加权组合，提高模型的精度[43]。注意力机制通过对模型输入特征进行计算，为不同输入特征赋予不同的权重，对关键特征向量赋予更高的权重，以帮助模型做出更准确的判断。由于Attention机制可以执行高度并行的计算，因此对模型的计算开销几乎没有影响。图2-3所示为Attention机制的结构图。图2-3Attention机制结构图Fig.2-3StructurediagramoftheAttentionMechanismAttention机制的计算公式如（2-14）、（2-15）、（2-16）所示： （2-14） （2-15） （2-16）式中——从最开始隐含层到最近的隐含层的注意力值；——每个隐含层所占比重大小的权重系数；——第时刻隐含层的注意力向量；——各个隐含层状态；——第时刻的偏移；——第时刻注意力的权重系数矩阵；——第时刻注意力所决定的能量值。1.4模糊控制算法1.4.1模糊控制基本概述模糊控制（FuzzyControl）是指将数学知识和模糊思维相结合来解决一些棘手的问题[44]。作为一种将模糊理论、模糊推理、模糊语言三者相结合而形成的智能控制算法，模拟人类的思维方式对模糊的变量进行总结和判断，从而输出精确的值用来控制某个对象，达到智能控制的目的。1965年，美国控制论专家L.A.Zadeh提出了模糊集的相关理论，主要解决了系统的非线性和系统内部多输入多输出的问题[45]；1974年，以E.H.Mamdani为代表的学者将模糊控制的思想应用在在蒸汽机中，并取得成功，自此标志着模糊控制概念的正式诞生[46]。在传统的控制领域中，系统大多会受到外部环境干扰的影响。系统在实际操作过程中，由于变量太多，往往不能精准的对系统进行控制，从而会产生很多难以解决的问题。模糊控制通过计算机处理实际操作中复杂的、难以处理的数字模型，使用的语言方便、简洁，不需要建立确定的数学公式模型，对解决系统中的时变性和非线性等问题具有很好的效果。模糊控制已经在工业、无线通信、化工等领域得到了广泛的应用，并取得了很大的成功[47]。1.4.2模糊控制基本原理如图2-4所示为模糊控制结构图。首先，将传感器测得的信号输入到模糊控制器中，然后进行模糊化处理，将一个精确值转化为模糊值；其次，根据专家经验制定模糊规则，进行模糊推理，根据模糊规则进行推理演算；最后，解模糊化，从而将得到的信号的输出，下发命令到执行机构进行模糊控制。图2-4模糊控制结构图Fig.2-4Fuzzycontrolstructurediagram从图2-4可以看出，模糊控制器作为模糊控制的核心部分，其基本结构主要包括模糊化、模糊规则库、模糊推理、解模糊化四部分[48]：（1）模糊化模糊化的作用是将一个确定值转化为一个模糊矢量，定义模糊语言变量，以及模糊语言变量对应的隶属度函数。（2）模糊规则模糊规则由两部分构成，分别是数据库和规则库。数据库中存放的是数据，规则库中存放的则是根据专家长期积累的经验所制定的规则。模糊控制器依据规则库制定的规则进行推理运算。（3）模糊推理推理是根据制定的模糊规则，进行推理演算，求解方程的过程。最终获得输出的模糊值。（4）解模糊经过模糊推理得到的输出值只是一个模糊矢量值，并不是一个精确值，必须经过解模糊化，得到一个确定的输出，才能将其作用在执行机构。1.5预测算法和控制算法可行性分析水果的品质与果树的种植环境息息相关，果园种植环境复杂，果实的品质受温度、湿度、光照强度等各种环境因素的影响。水作为果树的主要组成部分，在果树的各组织中起着重要的作用。因此，选择合适的果园需水量预测算法和灌溉控制算法，对制定灌溉计划进行合理灌溉具有重要的意义。果树的蒸腾作用作为果园用水消耗的主要部分，若能用较高的精度估算作物的蒸腾量，对提高农业用水率十分重要。因此，本文将蒸腾量作为果园灌溉的重要影响指标。（1）主成分分析可行性分析由于影响果树蒸腾量的环境因子很多，例如当温度升高，风速变大，会使蒸腾量变大；当温度较低，空气湿度较大，会使蒸腾量变小。传感器采集的各种环境因子之间具有一定的耦合性，如果将所有变量输入到预测模型中，会使预测模型变得复杂，从而增加了模型预测的难度。应用PCA将变量的维数减少，降低变量间的关联性，用少数变量代替原来的多个变量，降低了预测模型的复杂度。（2）LSTM神经网络可行性分析传统的计算蒸腾量的方法是利用彭曼公式进行计算，所涉及的数据较多，计算复杂，因此寻求一种稳定、预测精度高的蒸腾量预测模型至关重要，LSTM神经网络特别适合处理与时间相关的长时数据序列，而且可以有效地缓解RNN神经网络“梯度消失”的问题，每一时刻的输