BP神经网络模型在室内温度预测中的应用
基于BP神经网络的磨削温度预测
第1期（总第131期）机械管理开发2013年2月No.1（SUM No.131）MECHANICAL MANAGEMENT AND DEVELOPMENT Feb.20130引言磨削是一种常用的精密加工方法，能获得很高的加工精度和表面质量。
在钛合金、高温含金、超高强度钢、不锈钢及高温结构陶瓷等难加工材料的加工中，特别是在成形表面的加工中，磨削是一种非常有效的加工方法[1]。
但是磨削过程中产生的热效应不仅对工件的表面质量和使用性能有极大影响，同时也影响砂轮使用寿命，因此，对工件表面（尤其是磨削区）的温度进行研究，对深入探讨磨削机理和被磨零件表面完整性具有重要意义[2,3]。
然而，目前人们主要通过对实验数据进行多元回归分析来预测磨削加工的磨削温度，但难于找到适当的回归模型而导致预测精度不高。
随着计算机仿真技术的发展，人工神经网络建模用来解决磨削温度问题是方便和有效的。
利用神经网络建模时不必了解系统内部的实际运行规律，只需用已有的磨削参数对系统进行训练，当达到给定的误差要求时，即可用该系统对磨削过程进行仿真，预测磨削温度。
本文应用BP 神经网络对磨削温度进行建模，并通过实验验证了模型的可行性。
1人工神经网络原理人工神经网络是使用数学方法模拟人脑的形式思维逻辑，它由大量并行非线性处理单元通过连接权组成网络的结构，从内部简单地模拟人脑的部分形象思维。
人工神经网络用简单的数据处理单元模拟神经元作为网络的一个结点，用权值模拟神经元之间的突触连接强度：正权值起兴奋型突触的作用，负权值则起抑制型突触的作用。
一个结点有许多输入，类似于神经细胞的树突，接受来自其位神经元的兴奋或抑制信号。
计算处理单元对所有输入值进行加权求和，并将加权和通过内部转换函数产生一个输出值，其作用相当于神经细胞中传出神经冲动的轴突[4]。
BP 神经网络结构，如图1所示。
在人工神经网络的实际应用中，绝大部分人工神经网络通常包括输入层、隐含层及输出层，根据具体的情况各层神经元的个数不同，层次间的神经元互相连接，但层次内的神经元无连接关系。
基于SVM和BP神经网络的预测模型
基于SVM和BP神经网络的预测模型随着社会的不断发展和技术的日益进步，各种预测模型的应用越来越广泛。
其中，基于支持向量机（SVM）和反向传播神经网络（BP神经网络）的预测模型备受关注。
它们不仅可以对数据进行分类和回归预测，还可以在信号、音频、图像等领域中得到广泛应用。
本文将介绍SVM和BP神经网络的基本原理及其在预测模型中的应用。
一、支持向量机（SVM）的基本原理支持向量机是一种基于统计学习理论的分类和回归分析方法。
它的基本原理是通过将原始样本空间映射到高维空间，将不可分的样本转化为可分的线性空间，从而实现分类或者回归分析。
SVM的关键是选择合适的核函数，可以将样本映射到任意高维空间，并通过最大化间隔来实现对样本的分类。
在SVM的分类中，最大间隔分类被称为硬间隔分类，是通过选择支持向量（即距离分类界线最近的样本）来实现的。
而在实际中，可能存在一些噪声和难以分类的样本，这时采用软间隔分类可以更好地适应于数据。
软间隔SVM将目标函数添加一个松弛变量，通过限制松弛变量和间隔来平衡分类精度和泛化能力。
二、反向传播神经网络（BP神经网络）的基本原理BP神经网络是一种典型的前馈型神经网络，具有非线性映射和逼近能力。
它可以用于分类、回归、时间序列预测、模式识别等问题，被广泛应用于各个领域。
BP神经网络由输入层、隐含层和输出层组成，其中隐含层是核心层，通过数学函数对其输入进行加工和处理，将处理的结果传递到输出层。
BP神经网络的训练过程就是通过调整网络的权值和阈值来减小训练误差的过程。
BP神经网络的训练过程可以分为前向传播和反向传播两部分。
前向传播是通过给定的输入，将输入信号经过网络传递到输出层，并计算输出误差。
反向传播是通过计算误差梯度，将误差传递回隐含层和输入层，并调整网络的权值和阈值。
三、SVM与BP神经网络在预测模型中的应用SVM和BP神经网络的预测模型在实际中广泛应用于各个领域，如无线通信、金融、物流、医疗等。
bp网预报模型的建模方法及应用
bp网预报模型的建模方法及应用
随着现代社会的发展和进步，人们对技术的要求越来越高，各种预测技术也受到了广泛的应用。
BP网络预报模型是一种新兴的人工智能技术，它能够精确地预测未来的变化趋势，因此受到了社会的广泛关注。
本文就BP网络预报模型的建模方法及应用作一介绍，以期对此新技术的发展有所了解。
第一部分，主要介绍BP网络预报模型的建模方法。
BP网络模型是一种基于多层前馈神经网络的技术，它可以将复杂的函数映射到一个任意非线性结构。
首先，确定输入输出数据，然后利用梯度下降算法对输入和输出进行建模。
完成这一步之后，再通过反向传播算法调整权重，以达到最佳的模型精度。
第二部分，主要介绍BP网络预报模型的应用。
BP网络预报模型可应用于各种预测场景，如气象预测、股票市场预测以及经济发展趋势预测等。
在气象预测中，BP网络模型可以基于复杂的气象数据，准确预测天气状况；在股票市场预测中，可以基于历史股票数据，准确预测股票的变化趋势；在经济发展趋势预测中，可以基于经济数据，准确预测经济的发展趋势。
第三部分，主要介绍BP网络预报模型的局限性。
虽然BP网络预报模型具有极高的准确率，但存在一定的局限性：首先，它忽略了复杂度曲线，这可能会影响到模型的准确性；其次，它无法处理中断观测、局部极值问题，这也会降低预测的准确性；最后，它对数据量的要求较高，如果数据量不足，就无法达到较高的准确度。
最后，作为一种新兴的人工智能技术，BP网络预测模型取得了较大的成功。
它可以准确预测气象、股票市场和经济的发展趋势，为社会的发展和进步提供了帮助。
但是，它也有一定的局限性，因此在选择和使用时，也要根据实际情况进行合理的评估。
基于BP人工神经网络的区域温度多模式集成预报试验
Ｊ ｎ ．０ １ ｕ ｅ ２ ｌ
基于 Ｂ Ｐ人 工神 经 网络 的 区域 温 度 多模 式 集 成 预 报 试 验
李 倩 胡 邦辉２， 学 忠２ 顾锦 荣２ ２， 王 ，
（ ．解放军 ９ ５０部队 ， １ ３５ 河北 涿州 ０ ２ ５ ；．解放 军理工 大学气象学院 ， ７ ７ ７２ 江苏 南京 ２ １０ ） １ １１
用 到区域 预报 领域 。
收 稿 日期 ：００—１ ３ ； 回 日期 ：０ １－ ３—０ ２１ １— ０ 改 ２１ ０ ７
利用 Ｂ Ｐ网络进行多模式集成预报是将各模式作 为神经网络学习矩阵的输入， 通过调整模型输入层与 隐层以及隐层与输出层之间的权值和阈值实现建模。
作者简介 ： 李倩 （９ ７ ， ， １７ 一） 女 汉族 ， 河北保定人 。 硕士研究生 ， 主要从 事天气分析与预报 ． ｍ ｉ ｗ ｉ ｚ ｚｕ ａｏ．ｏ ．ｎ Ｅ— ａ ：ｘ ｏｈ ｈ ＠ｙｈｏ ｃｍ ｃ ｌ ａ ｕ
象局 业 务模式 和 日本 气 象 厅 业 务 模 式 资料 ， 现 了 实 ２ｍ高 温度 的 多模 式 集 成 ， 预报 效 果 明 显优 于 ３个
正向传播和反向传播组成 ， 正向传播时输人信息从
输 入层 经过 隐层 处 理传 向输 出层 ， 一 层 神 经元 状 每 态 只影 响下 一层 神经元 状 态 。如 果输 出层 得不 到希
地 和帕米 尔高原地区误 差较大 。模型实现 了多模式产 品的最优综合 。
关键词 ： 人工神经 网络 ； 温度 场预报 ； 多模式集成
中 图分 类 号 ：４ ６ ７ Ｐ ５ ． 文 献标 识 码 ： Ａ
引 言
１９ ９年 Ｋ ｉ ｎ ｍ ｒ ¨ 在 Ａ Ｐ ｔｅＡ ｍ ｓｈ — ９ ｒ ｈ ａ ｕｔ ｓ ｉ ＭＩ （ｈ ｔ ｏｐ ｅ
动态PMV热舒适度控制系统
评价指标以后 ，关于恒定 PMV 值控制和自适应
[2]
PMV 值控制的研究增多。这些研究以 PMV 作为
调节目标，其研究结果表明，动态 PMV 控制方法
更节能[3，4]。影响 PMV 的六个环境因素中，温度影
响最大，其他参数影响较小，通常可以设为固定
根据上述设置的参数和空气温度与 PMV 间
0
2500
L/s
1
2
3
L/h
4
（e）实时的 PPD 预测值
5
系统在 6 小时内的仿真运行结果
6
力。下一步的研究目标：1）将该研究在实际环境
中实现；2）对 PMV 预测算法进行优化；3）与物联
网技术相结合，研究群体热舒适度的控制策略。
黄昌琴 等：动态 PMV 热舒适度控制系统
Heating，Ventilating and Air-Conditioning Engineers，Inc，2011.
1）确定神经网络输入层和输出层神经元个数
型的输入，包括平均辐射温度 tr、人体周围的空气
温度 ta、相对湿度 hr、空气流速 v、人体新陈代谢率
M 和服装热阻 Icl。以 PMV 和 PPD 指标作为模型的
输出。因此，输入层和输出层神经元个数分别为 6
和 2。
2）确定神经网络隐含层神经元个数
BP 神经网络中隐含层有 1 个神经元就可以
74.93
25.07
4.98
25.07
74.93
100
人体舒适度预测模型
因为 PMV 指标的计算中包含了高阶、非线性
和迭代运算，所以很难进行直接测量和计算，在工
基于GA-BP神经网络的温室温度预测研究
第１３卷㊀第９期Ｖｏｌ．１３Ｎｏ．９㊀㊀智㊀能㊀计㊀算㊀机㊀与㊀应㊀用ＩｎｔｅｌｌｉｇｅｎｔＣｏｍｐｕｔｅｒａｎｄＡｐｐｌｉｃａｔｉｏｎｓ㊀㊀２０２３年９月㊀Ｓｅｐ．２０２３㊀㊀㊀㊀㊀㊀文章编号：２０９５－２１６３（２０２３）０９－０１６８－０４中图分类号：Ｓ６２５；ＴＰ１８３文献标志码：Ａ基于ＧＡ－ＢＰ神经网络的温室温度预测研究李其操，董自健（江苏海洋大学电子工程学院，江苏连云港２２２００５）摘㊀要：温度对于温室内作物的生长起着重要的作用，为了更精准的管理和控制温室内的温度，提出了基于遗传算法优化的ＢＰ神经网络预测模型（ＧＡ－ＢＰ），对温室内温度进行预测㊂本文利用遗传算法对ＢＰ神经网络的权值和阈值进行优化，使模型避免出现局部最优，有效改善了传统ＢＰ神经网络预测模型的性能，使预测出的温度更加精准㊂实验证明，选择隐藏层节点数为７时，ＧＡ－ＢＰ神经网络预测模型的预测结果最佳，平均绝对误差（ＭＡＥ）㊁均方误差（ＭＳＥ）和平均绝对百分比误差（ＭＡＰＥ）分别为０．４４１㊁０．２７６㊁０．５２５㊂与传统ＢＰ神经网络预测模型相比分别提升了１３．２％㊁３８．４％㊁２１．５％㊂关键词：遗传算法；ＢＰ神经网络；温室温度；预测模型ＧｒｅｅｎｈｏｕｓｅｔｅｍｐｅｒａｔｕｒｅｐｒｅｄｉｃｔｉｏｎｂａｓｅｄｏｎＧＡ－ＢＰｎｅｕｒａｌｎｅｔｗｏｒｋＬＩＱｉｃａｏ，ＤＯＮＧＺｉｊｉａｎ（ＳｃｈｏｏｌｏｆＥｌｅｃｔｒｏｎｉｃＥｎｇｉｎｅｅｒｉｎｇ，ＪｉａｎｇｓｕＯｃｅａｎＵｎｉｖｅｒｓｉｔｙ，ＬｉａｎｙｕｎｇａｎｇＪｉａｎｇｓｕ２２２００５，Ｃｈｉｎａ）ʌＡｂｓｔｒａｃｔɔＴｅｍｐｅｒａｔｕｒｅｐｌａｙｓａｎｉｍｐｏｒｔａｎｔｒｏｌｅｉｎｔｈｅｇｒｏｗｔｈｏｆｃｒｏｐｓｉｎｔｈｅｇｒｅｅｎｈｏｕｓｅ．Ｉｎｏｒｄｅｒｔｏｍａｎａｇｅａｎｄｃｏｎｔｒｏｌｔｈｅｔｅｍｐｅｒａｔｕｒｅｉｎｔｈｅｇｒｅｅｎｈｏｕｓｅｍｏｒｅａｃｃｕｒａｔｅｌｙ，ａｇｅｎｅｔｉｃａｌｇｏｒｉｔｈｍ－ｏｐｔｉｍｉｚｅｄＢＰｎｅｕｒａｌｎｅｔｗｏｒｋｐｒｅｄｉｃｔｉｏｎｍｏｄｅｌ（ＧＡ－ＢＰ）ｗａｓｐｒｏｐｏｓｅｄｔｏｐｒｅｄｉｃｔｔｈｅｔｅｍｐｅｒａｔｕｒｅｉｎｔｈｅｇｒｅｅｎｈｏｕｓｅ．Ｉｎｔｈｉｓｐａｐｅｒ，ｔｈｅｇｅｎｅｔｉｃａｌｇｏｒｉｔｈｍｉｓｕｓｅｄｔｏｏｐｔｉｍｉｚｅｔｈｅｗｅｉｇｈｔｓａｎｄｔｈｒｅｓｈｏｌｄｓｏｆｔｈｅＢＰｎｅｕｒａｌｎｅｔｗｏｒｋ，ｓｏｔｈａｔｔｈｅｍｏｄｅｌａｖｏｉｄｓｌｏｃａｌｏｐｔｉｍｉｚａｔｉｏｎ，ｅｆｆｅｃｔｉｖｅｌｙｉｍｐｒｏｖｅｓｔｈｅｐｅｒｆｏｒｍａｎｃｅｏｆｔｈｅｔｒａｄｉｔｉｏｎａｌＢＰｎｅｕｒａｌｎｅｔｗｏｒｋｐｒｅｄｉｃｔｉｏｎｍｏｄｅｌ，ａｎｄｍａｋｅｓｔｈｅｐｒｅｄｉｃｔｅｄｔｅｍｐｅｒａｔｕｒｅｍｏｒｅａｃｃｕｒａｔｅ．Ｅｘｐｅｒｉｍｅｎｔｓｓｈｏｗｔｈａｔｗｈｅｎｔｈｅｎｕｍｂｅｒｏｆｈｉｄｄｅｎｌａｙｅｒｎｏｄｅｓｉｓｓｅｌｅｃｔｅｄｔｏｂｅ７，ｔｈｅｐｒｅｄｉｃｔｉｏｎｒｅｓｕｌｔｏｆｔｈｅＧＡ－ＢＰｎｅｕｒａｌｎｅｔｗｏｒｋｐｒｅｄｉｃｔｉｏｎｍｏｄｅｌｉｓｔｈｅｂｅｓｔ，ａｎｄｔｈｅｍｅａｎａｂｓｏｌｕｔｅｅｒｒｏｒ（ＭＡＥ），ｍｅａｎｓｑｕａｒｅｅｒｒｏｒ（ＭＳＥ）ａｎｄｍｅａｎａｂｓｏｌｕｔｅｐｅｒｃｅｎｔａｇｅｅｒｒｏｒ（ＭＡＰＥ）ａｒｅ０．４４１，０．２７６，ａｎｄ０．５２５ｒｅｓｐｅｃｔｉｖｅｌｙ．ＣｏｍｐａｒｅｄｗｉｔｈｔｈｅｔｒａｄｉｔｉｏｎａｌＢＰｎｅｕｒａｌｎｅｔｗｏｒｋｐｒｅｄｉｃｔｉｏｎｍｏｄｅｌ，ｉｔｈａｓｉｎｃｒｅａｓｅｄｂｙ１３．２％，３８．４％，ａｎｄ２１．５％ｒｅｓｐｅｃｔｉｖｅｌｙ．ʌＫｅｙｗｏｒｄｓɔｇｅｎｅｔｉｃａｌｇｏｒｉｔｈｍ；ＢＰｎｅｕｒａｌｎｅｔｗｏｒｋ；ｇｒｅｅｎｈｏｕｓｅｔｅｍｐｅｒａｔｕｒｅ；ｐｒｅｄｉｃｔｉｏｎｍｏｄｅｌ作者简介：李其操（１９９７－），男，硕士研究生，主要研究方向：农业物联网；董自健（１９７３－），男，博士，教授，主要研究方向：检测与控制㊁通信技术㊂通讯作者：董自健㊀㊀Ｅｍａｉｌ：ｄｚｊｉａｎ＠１２６．ｃｏｍ收稿日期：２０２２－１０－２００㊀引㊀言中国是排在世界前列的农业生产大国，温室的面积占据着世界首位㊂温室内的环境因素对于作物的生长有着至关重要的影响［１－２］㊂目前，温室的调控方式大多是凭借工人的生产经验，通过获得的传感器数据，进行预判性的调控㊂因此，能够精准的预测出温室内的温度情况，对温室调控系统有很大的帮助㊂近年来，许多学者提出了针对温度预测的方法㊂如：左志宇［３］提出采用时序分析法建立温度预测模型的方法；徐意［４］构建了基于ＲＢＦ神经网络的温室温度预测模型；徐宇［５］构建了基于复数神经网络的温室温度预测模型；王红君［６］利用贝叶斯正则化算法对ＢＰ神经网络进行改进，降低了影响温度的因子之间的耦合度等㊂但是，上述预测模型都容易出现陷入局部最优的情况㊂因此，本文利用遗传算法，对ＢＰ神经网络的初始权值和阈值进行优化，使预测模型避免出现局部最优的情况，从而对温室内温度进行更精准的预测㊂１㊀ＧＡ－ＢＰ神经网络预测模型的构建１．１㊀ＢＰ神经网络ＢＰ神经网络的主要思想是：训练数据通过前馈网络训练后得到输出数据，将输出数据与期望数据进行对比得到误差，反向传播网络将得到的误差反向输入输出层，对网络的连接权值和阈值进行反复训练，缩小网络输出和期望输出之间的误差㊂输入㊁输出层为单层结构，而隐藏层可以是单层或多层㊂输入层㊁隐藏层㊁输出层之间的神经元都是相互连接的，为全连接㊂ＢＰ神经网络结构如图１所示㊂uy输入层节点隐藏层节点输出层节点图１㊀ＢＰ神经网络结构图Ｆｉｇ．１㊀ＳｔｒｕｃｔｕｒｅｏｆＢＰｎｅｕｒａｌｎｅｔｗｏｒｋ㊀㊀假设输入层节点数为ｎ，隐藏层节点数为ｌ，输出层节点数为ｍ，输入层到隐藏层的权重为ωｉｊ，隐藏层到输出层的权重为ωｊｋ，输入层到隐藏层的阈值为ａｊ，隐藏层到输出层的阈值为ｂｋ，学习速率为η，激励函数为ｇ（ｘ）㊂其中，激励函数为ｇ（ｘ）取ｓｉｇｍｏｉｄ函数㊂形式如式（１）所示：ｇｘ()＝１１＋ｅ－ｘ（１）㊀㊀隐藏层的输出如式（２）所示：Ｈｊ＝ｇðｎｉ＝１ωｉｊｘｉ＋ａｊ()（２）㊀㊀输出层的输出如式（３）所示：Ｏｋ＝ðｌｊ＝１Ｈｊωｊｋ＋ｂｋ（３）㊀㊀网络误差如式（４）所示：ｅｋ＝Ｙｋ－Ｏｋ（４）㊀㊀其中，Ｙｋ为期望输出㊂输入层到隐藏层权值的更新公式如式（５）所示：㊀㊀ωｉｊ＝ωｉｊ＋ηＨｊ１－Ｈｊ()ｘｉðｍｋ＝１ωｊｋｅｋ（５）隐藏层到输出层权值的更新公式如式（６）所示：ωｊｋ＝ωｊｋ＋ηＨｊｅｋ（６）㊀㊀隐藏层节点阈值的更新公式如式（７）所示：ａｊ＝ａｊ＋ηＨｊ１－Ｈｊ()ðｍｋ＝１ωｊｋｅｋ（７）㊀㊀输出层节点阈值的更新公式如式（８）所示：ｂｋ＝ｂｋ＋ηｅｋ（８）㊀㊀由于ＢＰ神经网络的初始连接权值和阈值是随机选定，可能会使网络陷入局部极值，权值收敛到局部最小值，从而出现网络训练失败，模型的预测精度不高的结果㊂因此，本文采用遗传算法对ＢＰ神经网络进行优化，得到权值和阈值的最优解，使模型能够更高效的训练和更精准的预测㊂１．２㊀遗传算法（１）初始化种群㊂种群中的个体由ＢＰ神经网络中输入层到隐藏层的权值㊁隐藏层的阈值㊁隐藏层到输出层的权值和输出层的阈值编码而成㊂（２）适应度函数㊂适应度函数用于表明ＢＰ神经网络中权值和阈值的优劣性，个体适应度值为训练数据预测误差绝对值之和㊂适应度函数的计算公式如式（９）所示：Ｆｉ＝ｋðｎｉ＝１ａｂｓｙｉ－ｏｉ()()（９）式中：ｋ为系数，ｎ为神经网络输出节点数量，ｙｉ为神经网络第ｉ个节点的期望输出，ｏｉ为神经网络第ｉ个节点的预测输出㊂（３）选择操作㊂选择操作从旧群体中以一定概率选择优良个体组成新的种群，以繁殖得到下一代个体，本文采用轮盘赌法，每个个体ｉ被选择的概率ｐｉ如式（１０）所示：ｐｉ＝ＦｉðＮｊ＝１Ｆｉ（１０）式中：Ｎ为种群规模，Ｆｉ为第ｉ个个体适应度值㊂（４）交叉操作㊂交叉操作是指从种群中随机选择两个个体，通过两个染色体的交换组合，把父串的优秀特征遗传给子串，从而产生新的优秀个体，由于个体采用实数编码，所以交叉操作采用实数交叉法［７］㊂第ｊ个个体Ｓｊ和ｋ个个体Ｓｋ在ｉ位的交叉过程如式（１１）所示：Ｓｊ，ｉ＝Ｓｊ，ｉ１－ｂ()＋Ｓｋ，ｉ㊃ｂＳｋ，ｉ＝Ｓｋ，ｉ１－ｂ()＋Ｓｊ，ｉ㊃ｂ{（１１）式中ｂ为［０，１］区间内的随机数㊂（５）变异操作㊂为了防止遗传算法在优化过程中陷入局部最优解，在搜索过程中，需要对个体进行变异㊂经过交叉操作后得到新的染色体后，随机选择染色体上的若干个基因，将这若干个基因的值进行随机修改，从而更新了染色体的基因，突破了搜索的限制，更有利于获取全局最优解［８］㊂选择第ｉ个９６１第９期李其操，等：基于ＧＡ－ＢＰ神经网络的温室温度预测研究个体的第ｊ个基因ａｉｊ进行变异，操作过程如式（１２）㊁式（１３）所示：ａｉｊ＝ａｉｊ＋ａｍａｘ－ａｉｊ()㊃ｆｓ()ｒ＞０．５ａｉｊ－ａｉｊ－ａｍｉｎ()㊃ｆｓ()ｒɤ０．５{（１２）ｆｓ()＝ｒ１－ｓＧｍａｘæèçöø÷（１３）式中：ａｍａｘ㊁ａｍｉｎ分别是个体ｉ的最大值和最小值，ｓ是迭代次数，Ｇｍａｘ是最大进化次数，ｒ为［０，１］区间内的随机数㊂１．３㊀ＧＡ－ＢＰ神经网络预测模型ＧＡ－ＢＰ神经网络预测模型由遗传算法（ＧｅｎｅｔｉｃＡｌｇｏｒｉｔｈｍｓ，ＧＡ）优化部分和ＢＰ神经网络两部分组成㊂由于种群中的每个个体都包含了ＢＰ神经网络的初始权值和阈值，遗传算法部分的作用是优化ＢＰ神经网络的权值和阈值㊂通过计算ＢＰ神经网络的误差，得到个体适应度值㊂经过遗传算法的选择㊁交叉和变异操作找到最优适应度值的个体㊂对最优个体进行解码，得到权值和阈值，赋值给ＢＰ神经网络，再使用反向传播进行训练㊂ＧＡ－ＢＰ神经网络预测模型的执行过程如图２所示㊂输出预测结果满足终止条件更新权值和阈值计算误差获取最优权值和阈值确定B P 神经网络初始权值和阈值满足终止条件选择、交叉、变异计算适应度值初始化种群对权值和阈值编码YNNY图２㊀遗传算法优化ＢＰ神经网络流程图Ｆｉｇ．２㊀ＦｌｏｗｃｈａｒｔｏｆｇｅｎｅｔｉｃａｌｇｏｒｉｔｈｍｔｏｏｐｔｉｍｉｚｅＢＰｎｅｕｒａｌｎｅｔｗｏｒｋ２㊀实验与结果分析２．１㊀样本数据采集本文实验数据采集自连云港赣榆葡萄园第６号温室，选用温度㊁湿度㊁二氧化碳浓度㊁土壤氮含量㊁土壤磷含量和土壤钾含量作为样本数据㊂每１５ｍｉｎ采集一次数据，共采集了２２９２组样本数据㊂为了实验测试更方便，本文选用其中２０００组数据，并将前８０％的样本数据作为训练样本，剩余的２０％样本数据作为测试样本㊂部分样本数据见表１㊂表１㊀部分样本数据Ｔａｂ．１㊀Ｐａｒｔｉａｌｓａｍｐｌｅｄａｔａ日期时间温度／ħ湿度／％二氧化碳浓度／（ｐｐｍ）土壤氮含量／％土壤磷含量／％土壤钾含量／％２０２２／８／２１１８：４０：３８２８．２８７３６１２５．２２６７０２０２２／８／２１１９：１９：４１２７．８８６３５９２５．２２５７０２０２２／８／２１１９：３４：５５２７．８８６３６０２５．１２６７０２０２２／８／２１１９：５０：１０２７．６８６３５９２５．２２５７０２０２２／８／２１２０：０５：２４２７．６８６３５８２５．２２５７０２０２２／８／２１２０：２０：３９２７．５８６３５８２５．２２５６８２．２㊀模型参数设定２．２．１㊀ＢＰ神经网络结构根据所获得的样本数据，将输入层节点设定为５，即５个特征，分别为湿度㊁二氧化碳浓度㊁土壤氮含量㊁土壤磷含量和土壤钾含量数据；输出层节点为１个，特征为温度数据；通过试凑法确定隐藏层节点为７个㊂因此，ＢＰ神经网络的结构为５－７－１㊂２．２．２㊀遗传算法参数设定由于过多的迭代次数会影响模型的训练效率，且适应度曲线在迭代５０次后的变化幅度不大，因此本实验将进化迭代次数设定为５０次，种群规模为３０，交叉概率为０．３，变异概率为０．１㊂图３为遗传算法的适应度曲线㊂10410310210110099980102030405060进化代数适应度平均适应度适应度曲线终止代数=50图３㊀遗传算法适应度曲线Ｆｉｇ．３㊀Ｇｅｎｅｔｉｃａｌｇｏｒｉｔｈｍｆｉｔｎｅｓｓｃｕｒｖｅ０７１智㊀能㊀计㊀算㊀机㊀与㊀应㊀用㊀㊀㊀㊀㊀㊀㊀㊀㊀㊀㊀㊀㊀㊀第１３卷㊀２．３㊀模型评价标准为了评定预测模型的性能，本文以平均绝对误差（ＭＡＥ）㊁均方误差（ＭＳＥ）和平均绝对百分比误差（ＭＡＰＥ）作为评判预测模型性能优劣的标准㊂各评估误差指标的计算公式如式（１４） 式（１６）所示：ＭＡＥ＝１ｎðｎｉ＝１ｙ＾ｉ－ｙｉ（１４）ＭＳＥ＝１ｎðｎｉ＝１ｙ＾ｉ－ｙｉ()２（１５）ＭＡＰＥ＝１ｎðｎｉ＝１ｙ＾ｉ－ｙｉｙｉ（１６）式中：ｙ＾ｉ为模型的预测值，ｙｉ为真实值，ｎ为样本数㊂所得的值越小，则模型的性能越优异㊂２．４㊀预测结果及分析通过ＭＡＴＬＡＢ软件对ＧＡ－ＢＰ神经网络预测模型和传统ＢＰ神经网络预测模型进行验证，得到的预测对比结果如图４所示㊂预测结果实际值282726252423222120050100150200250300350400样本编号温度（ａ）ＧＡ－ＢＰ网络预测输出预测结果实际值282726252423222120050100150200250300350400样本编号温度（ｂ）ＢＰ网络预测输出图４㊀ＧＡ－ＢＰ与ＢＰ训练效果对比图Ｆｉｇ．４㊀ＣｏｍｐａｒｉｓｏｎｏｆＧＡ－ＢＰａｎｄＢＰｔｒａｉｎｉｎｇｅｆｆｅｃｔｓ㊀㊀由图４可知，ＧＡ－ＢＰ神经网络预测模型与传统ＢＰ神经网络预测模型相比，ＧＡ－ＢＰ的预测效果更优，预测结果更贴近实际值㊂评价结果见表２㊂可以看出，ＧＡ－ＢＰ预测模型的各项误差指标均小于传统ＢＰ预测模型㊂实验证明，ＧＡ－ＢＰ神经网络预测模型具有更好的预测效果㊂表２㊀模型的评价指标对比Ｔａｂ．２㊀Ｃｏｍｐａｒｉｓｏｎｏｆｅｖａｌｕａｔｉｏｎｉｎｄｉｃａｔｏｒｓｏｆｔｈｅｍｏｄｅｌｓ评价指标ＧＡ－ＢＰＢＰＭＡＥ０．４４１０．５０８ＭＳＥ０．２７６０．４４８ＲＭＳＥ０．５２５０．６６９３㊀结束语本文以温室内湿度㊁二氧化碳浓度和土壤氮磷钾含量与温度有关的影响因子作为输入量，以温度作为输出量，通过遗传算法优化ＢＰ神经网络的权值和阈值，构建了ＧＡ－ＢＰ神经网络预测模型㊂实验证明，ＧＡ－ＢＰ神经网络预测模型能够更精准的进行温室内温度预测，对于温室管理有一定的参考价值㊂参考文献［１］王军伟．苏北地区日光温室构型优化㊁室内温湿度分析及应用效果初探［Ｄ］．南京：南京农业大学，２０１５．［２］王克安，李絮花，吕晓惠，等．不同结构日光温室温湿度变化规律及其对番茄产量和病害的影响［Ｊ］．山东农业科学，２０１１，２３５（３）：３３－３６．［３］左志宇，毛罕平，张晓东，等．基于时序分析法的温室温度预测模型［Ｊ］．农业机械学报，２０１０，４１（１１）：１７３－１７７，１８２．［４］徐意，项美晶．基于ＲＢＦ神经网络的温室温度调控研究［Ｊ］．农机化研究，２０１０，３２（３）：７４－７６．［５］徐宇，冀荣华．基于复数神经网络的智能温室温度预测研究［Ｊ］．中国农机化学报，２０１９，４０（４）：１７４－１７８．［６］王红君，史丽荣，赵辉，等．基于贝叶斯正则化ＢＰ神经网络的日光温室温度预测模型［Ｊ］．湖北农业科学，２０１５，５４（１７）：４３００－４３０３．［７］曹雪丽．配送中心订单分批处理随机服务系统模型与优化研究［Ｄ］．北京：北京物资学院，２０１２．［８］高基旭，王珺．一种基于遗传算法的多边缘协同计算卸载方案［Ｊ］．计算机科学，２０２１，４８（１）：７２－８０．１７１第９期李其操，等：基于ＧＡ－ＢＰ神经网络的温室温度预测研究。
基于BP神经网络的PM2.5浓度值预测模型
基于BP神经网络的PM2.5浓度值预测模型基于BP神经网络的PM2.5浓度值预测模型一、引言空气污染已成为全球关注的焦点问题，而其中PM2.5颗粒物的浓度对人体健康和环境质量有着重要的影响。
因此，准确预测PM2.5浓度的变化越发重要。
本文将介绍一种基于BP神经网络的PM2.5浓度值预测模型，通过分析历史的PM2.5浓度数据和相关气象因素，建立BP神经网络模型，从而提高PM2.5浓度预测的准确度。
二、BP神经网络的基本原理BP神经网络是一种常用的人工神经网络模型，其基本原理是通过学习和训练，建立一个多层前馈神经网络，以实现输入和输出数据之间的映射关系。
BP神经网络包含输入层、隐藏层和输出层，在训练过程中利用误差反向传播算法不断调整神经元的权值和阈值，从而提高网络的准确性和稳定性。
三、建立PM2.5浓度预测模型1. 数据收集与预处理收集历史的PM2.5浓度数据和气象因素数据，包括温度、湿度、风速等。
对数据进行预处理，包括缺失值处理、异常值处理以及特征工程等，确保数据的准确性和完整性。
2. 确定输入输出变量将历史数据划分为训练集和测试集，确定输入变量（气象因素）和输出变量（PM2.5浓度）。
通过对数据的分析和处理，确定合适数量的输入和输出变量，以提高模型的预测准确度。
3. 构建BP神经网络模型确定BP神经网络的结构，包括输入层、隐藏层和输出层的神经元数量。
确定激活函数、学习率、动量因子等参数。
利用训练集对模型进行训练，不断调整神经元的权值和阈值，直到误差最小化。
4. 模型评估与优化利用测试集对模型进行评估，计算预测值与实际值之间的误差。
根据误差分析结果，优化模型的超参数和结构，以提高模型的预测准确度。
四、实验与结果本文选取某城市2019年的PM2.5浓度数据和相关气象因素数据作为实验数据，将数据分为训练集和测试集。
通过建立BP神经网络模型，对PM2.5浓度进行预测。
实验结果显示，模型预测的PM2.5浓度值与实际值之间的误差较小，预测准确率达到90%以上，证明了基于BP神经网络的PM2.5浓度值预测模型的有效性。
基于神经网络的温度控制系统研究
基于神经网络的温度控制系统研究随着科技的不断发展，人们对于温度控制系统的需求越来越高。
尤其在炎热的夏季，人们更加依赖于空调或其他类似设备来控制室内温度，以此来改善居住环境。
然而，常规的温度控制系统存在一些不足：如温度控制精度不高、能耗过大、发热量大、噪音大等问题，这些问题在一定程度上影响了系统的性能。
因此，求解这些问题是当前学术界和工业界关注的热点之一。
在这个背景下，基于神经网络的温度控制系统就应运而生，成为各行各业关注的焦点。
本文将介绍基于神经网络的温度控制系统的研究，其中包括系统原理、研究方法、实验结果等方面的内容，为读者详细分析该系统的优点及其实现方式。
一、系统原理基于神经网络的温度控制系统核心部件为神经网络，通过训练神经网络来学习温度控制器的控制策略。
它的主要优点是能容纳多变量、优化性好、非线性处理优良，模型能够自适应、强泛化能力、适应性强。
神经网络输入的参数可以是室内外的温度、湿度、风速、人数、时间等多个变量参数。
在其中，我们重点介绍基于多层感知机的神经网络（Multilayer Perceptron，简称MLP），它是最基础的神经网络模型之一，它的工作过程是将输入数据通过多个非线性函数的组合而得出预测结果。
具体的工作原理是：首先通过前向传播将输入数据输入到网络中，经过多个隐藏层的作用，产生输出结果；然后通过反向传播将预测结果反馈给神经网络参数，调整权重系数，提高神经网络的准确性。
二、研究方法为了验证基于神经网络的温度控制系统的可行性，我们通过实验的方式对系统进行测试。
实验采用的是MATLAB仿真软件进行的，仿真测试了系统的稳定性、鲁棒性及其控制精度。
以下是一个典型的系统模型：从上面的系统模型可以看出，整个系统分为外部反馈和基于神经网络的温度控制器两个部分。
其中，温度控制器具有自适应性，可以不断地对外界环境及房屋状态进行监测和学习，从而调整控制策略，进一步优化温度控制效果。
同时，温度控制器的输出结果又反馈给系统，实现温度闭环控制。
神经网络在预测模型和控制系统中的应用
神经网络在预测模型和控制系统中的应用神经网络是一种模拟人脑神经系统运行的数学模型，在机器学习和人工智能领域有着广泛的应用。
作为一种高度自适应的算法，神经网络在预测模型和控制系统中发挥了重要作用。
神经网络在预测模型中的应用预测模型包括了诸如时间序列预测、金融市场预测、自然灾害预测等各种领域，对于提高决策的准确性和效率都有很大的帮助。
而神经网络则是其中的重要一环。
神经网络可以通过学习过去的数据，提取出其中的规律，并利用这些规律来预测未来的数据。
以时间序列预测为例，神经网络可以利用历史上同期的数据，进行训练，并得到一个预测模型。
这个预测模型可以用来预测未来时期的数据。
相比于传统的模型，神经网络可以更好地处理非线性数据关系，同时也可以更好地处理多个变量之间的影响关系。
除了时间序列预测，在金融市场预测中，神经网络也发挥了重要作用。
金融市场的波动性很高，而神经网络可以很好地处理这种波动。
通过学习历史上的股市数据，神经网络能够建立出股市走势的预测模型。
这个预测模型可以用来预测股市的未来发展趋势。
在实际的投资决策中，这些预测结果可以帮助投资者更好地理解市场，作出正确的投资决策。
神经网络在控制系统中的应用控制系统是一种可以监控、管理和控制工程和科学系统的集成体系。
控制系统通常需要利用大量的数据来进行监控和控制。
而神经网络可以帮助实现控制系统的智能化。
在控制系统中，神经网络可以利用历史上的数据，建立出一个预测模型。
这个预测模型可以用来预测未来的结果。
比如，对于一个复杂的航空控制系统，神经网络可以对机器状态进行监控，并预测出机器的可能故障。
这些预测结果可以提前告知维修人员，帮助他们事先准备好所需的维修工具和零件。
在制造业中，神经网络也可以用来进行过程控制。
利用多个神经网络，可以对制造过程中的各种参数进行监控和控制，从而实现制造过程的优化。
比如，在纺织生产中，神经网络可以对生产过程中的温度、湿度等参数进行监控。
通过对过去数据的学习，神经网络可以建立出一个精准的控制模型，并自动调整参数，从而实现制造过程的优化。
基于BP神经网络的PID控制在温室控制系统中的应用
和 喷头 完 成 。
图 ３ 基 于 Ｂ 网络 的 Ｐ Ｄ控 制 器 结 构 Ｐ Ｉ
Ｆｉ ． ＰＩ ｃ ｎ ｒ ｌｅ ’ ｔｕ ｔ ｒ ａ ｅ ｎ ＢＰ ｇ３ Ｄ ｏ ｔ ｌ ｒ ８ ｓｒ ｃ ｕ ｅ ｂ ｓ ｄ Ｏ ＮＮ ｏ
收稿 日期 ：２ １ ０ ０—０ ８—１ ２ 基金项 目 ：陕西渭南 师范学 院研究 生项 目（ ０ Ｚ ７ ） １ ＹＫ 执行机构进行适 当操 作， 完成对控制系统多个物理量 的控制操作。 １ 升降温控 制。通常温 度控制是 采用改变 太 阳 ） 光照来完成 ， 可采用强制 改变温度 的措 施 ， 用 暖 也 使 气或加热 炉完成 温室加温 。降温方式一般 有通 风降
任何变量 的控 制都是 由下位机 （ Ｃ 作为 控制 Ｍ Ｕ） 核心 ， 完成对执行结 构 （ 各种设 备 ） 的控制 ， 而控制 进 温室被控参数改变 的过程。
１３ 中央 控 制 系统 ．
统 设计 。通 过 阐 述基 于 Ｂ Ｐ神 经 网络 的 ＰＤ控 制 算 法 ， 成 温度 控 制 系 统 中 的 Ｂ Ｉ 完 Ｐ神 经 网 络 ＰＤ控 制 参 数 在 线 整 Ｉ 定 。采 用 ＭＡ Ｌ Ｂ对 基 于 Ｂ ＴＡ Ｐ网络 的 ＰＤ温 度 控 制 系统 进 行 了仿 真 ， 果 表 明 ， Ｉ 控 制 算 法 能 够 实 现 控 制 参 数 Ｉ 结 ＰＤ 的 自适 应 调 整 ， 系 统 对输 入 的响 应 达 到小 误 差 。 使 关 键 词 ：智 能 温 室控 制 系 统 ；ＰＤ控 制 ；Ｂ Ｉ Ｐ神 经 网络 ；温度 调节 中图分类号 ：９ ２ ． １ ６５５ 文献标识码 ：Ａ 文章编 号 ：１ ０ ０ ３—１ ８ ２ １ ） ６一 １ ３— ５ ８ Ｘ（０ １ Ｏ Ｏ ６ ０
基于灰色预测与BP神经网络的全球温度预测研究
基于灰色预测与BP神经网络的全球温度预测研究全球气候变化是当前全球关注的热点问题之一，预测全球温度变化趋势对于应对气候变化、制定相关政策具有重要意义。
本文将基于灰色预测和BP神经网络的方法，对全球温度进行预测研究。
介绍一下灰色预测模型。
灰色预测是一种非线性动态系统预测方法，该方法主要适用于时间序列较短、数据质量较差的情况。
灰色预测模型基于灰度关联度的原理，通过建立灰色微分方程，对非确定性的系统进行建模和预测。
灰色预测模型的关键是建立灰色微分方程。
灰色微分方程包括GM(1,1)模型和其它高阶模型。
其中GM(1,1)模型是最简单的一种，也是应用最广泛的一种。
GM(1,1)模型通过对原始数据进行累加生成累加生成数列，然后通过一次累加生成数列得到一次累加数列，通过两次累加生成数列得到两次累加数列，依此类推，直到累加生成数列的相关系数满足精度要求。
通过差分方程对一次累加数列进行逆向累加生成数列即可得到灰色模型的预测结果。
然后，介绍BP神经网络模型。
BP神经网络是一种基于反向传播算法的多层前馈网络，广泛应用于模式识别、数据建模、预测等领域。
BP神经网络模型通过调整网络的连接权值和偏置值，使得网络的输出与期望输出之间的误差最小化。
通过多次迭代训练，不断优化网络结构和参数，以提高模型的预测能力。
在本文的研究中，首先收集全球温度数据，建立时间序列。
然后，将数据分为训练集和测试集。
使用灰色预测模型和BP神经网络模型对训练集进行训练，并在测试集上进行预测。
对于灰色预测模型，将原始温度数据应用于GM(1,1)模型。
对原始数据进行累加生成数列，然后通过相关系数检验确定最优累加次数。
根据差分方程对数据进行逆向累加生成数列，得到预测结果。
对比灰色预测模型和BP神经网络模型的预测结果，并评估两种模型的预测能力。
通过对比分析，选择较为准确的预测模型，并对全球温度的未来变化趋势进行预测。
bp神经网络在日光温室湿度预测中的应用
B P神经网络在日光温室湿度预测中的应用朱春侠，童淑敏，胡景华，毕玉革，武佩(内蒙古农业大学机电工程学院，呼和浩特0100I8)摘要：在对冬季环境下典型北方日光温室环境因子实测数据进行分析的基础上，选择影响温室湿度的环境因子和管理情况作为神经网络的输入量，包括室外温度、室外湿度、室外光照、室内3点温度、室内光照、天窗、侧窗开闭等共l O项，以温室内部5个点实测平均湿度为输出量。
通过900组数据对构建好的B P神经网络进行训练，选取训练数据外的60组数据作为测试。
结果表明，60组输出数据平均相对误差为3．234％，预测效果良好。
关键词：日光温室；B P神经网络；湿度；预测中图分类号：S625．5+1文献标识码：A文章编号：1003—188X(2012)07-0207—04 0引言本研究采用含有1个隐含层的3层B P网络…。
日光温室是指以太阳能为主要能源，夜间采用保温被保温。
室内安装简单的加热设施，以满足作物生长需要的一种温室。
它是我国特有的温室结构形式，具有造价低、运行费用少、保温性能好、效益高等各项优点，因此在我国得到了迅速发展。
由于温室内大多比较封闭，室内湿度一般比较高，湿度的大小直接关系作物的蒸腾量与土壤的蒸发量，影响作物光合作用强度。
并且湿度与病源微生物的繁殖条件密切相关，温室内湿度条件是引起作物病害的主要原因。
因此，日光温室湿度环境的预测对提高环境控制质量和提高温室产品品质以及产量有着重要作用。
1B P神经网络模型及算法1．1B P神经网络模型人工神经网络是一种模仿动物神经网络行为特征进行分布式并行信息处理的算法数学模型。
这种网络依据被控系统的输出要求，通过调整内部大量节点之间相互连接的权值，从而达到处理信息的目的。
三层神经网络结构如图1所示。
第l层为输入层，权值为1；第2层为隐含层，输入层和隐含层之间连接权值可调，隐含层与输出层之间连接权值可调。
收稿日期：201I一11—14基金项目：内蒙古数字化农牧业建设示范项目([2008]1715号)；中国农业大学一内蒙古农业大学科研合作基金项目(zN201012)作者简介：朱春侠(1983一)．女．吉林镇赉人，硕士研究生，(E—m ai l) ehunxi a0208@126．cor n。
BP神经网络在气象数据预测研究中的应用
有较强 的可并行 处理 、 冗余容错性 、 联想 、 记忆 、 自组织
及 自适 应 等 功 能 。 本 文 意 在 通 过 利 用 神 经 网 络 对 气测 内蒙古气象 变动提供一 种具有
一
定 准确性 与可操作性 的实用方法。 文将利 用 Ｂ 本 Ｐ神
经网络对气象数据进行预测 。在此引入 Ｂ （ 传反馈 ） Ｐ前 神经网络模型 。它是通过输入历史数据信息 ， 它从输 使
入层进 入网络后 ， 逐渐 向前传 递至输 出层 ， 比较 给定 的
期望输 出 ，若 两者 之误差小 于给定 的误差 则输 出是合 理 的。而大于 给定 的误差则反 向传播 ，调整 网络 的权 值， 反复调整权值 ， 达到预期结果则可用于指标 的预测。
Ａｂ ｔａ ｔＢ ｓａｎ ｕａ ｅ ｈｃ ｓｕｅ ｉｅｙＩ ｏｅ ｉ ｔｅＢ ｌｏｉ ｍ．ａｅ ｎ ｔｅｓ ｂｅ ｔｓ ｄ ｆｔｅ ｆｕ ｄ ｔ ｎ ｏ ｓｒ ｃ：Ｐ ｉ ｅ ｒｌｎ ｔｗ ｉｈ ｉ ｓｄ ｗ ｄ ｌ．ｓｃ ｒ ｓ ｈ Ｐ ａｇｒ ｈ Ｂ ｓｄ ｏ ｈ ｕｊｃ ｔ ｙ ｏ ｏ ｎ ａｉ ｔ ｔ ｕ ｈ ｏ ｆ
Ｔｈｅ ｕ ｅ ｏ ｓ ｆ ＢＰ ｕ ａ ｅ ｎ ｍ ｅ ｅ ｒ ｌ ｇｃ ｌ ｈ ｎ ｎｅ ｔ ｆ ｒ ｃ ｓｉ ｎｅ ｒ ｌ ｎ ｔ ｉ ｔ ｏ ｏ ｏ ｉ ａ ｐ ｅ ｏ ｎａ ｄａａ ｏ ｅ ａ ｔｎｇ
ＲＥＭ ｈ － ｎ Ｚ ｉ ｈｏ ｇ
（ ｔ ｏｇｌ ｉ ｎ ｅａｄ Ｅｏｏ ｉ ｏｅｅ Ｉ ｅ Ｍｏｇｌ ， ｕｈｔ １０ １Ｃ ｉ ） Ｉ ｅ Ｍ ｎｏａＦｎ ｃ ｃｎｍｃ Ｃｌ ｇ， ｎｒ ｎｏ ａＨ ｈｏ ０ ０５ ， ｈ ａ ｎｎ ｉ ａ ｎ ｓ ｌ ｎ ｉ ｎ
ｍｅｅ ｒｌｇｃ ｌｐ ｅ ｏ ｅ￣ ， ｏｌｃｅ ａ ｉｕ ｅａｅ ａａｄ ｉ ｇｔ ｅ ｒｓ ａｃ ｅ ｏ ａ ｒ ｇ ｄ ａ ｄ ａ ａｙ ｅ ｈｅｄａａ， ｄ ｃｅ ｔｄ ｔ ｏｏ ｉａ ｈ ｎ ｎ ， ｗｅｃ ｌ ｔｄｖ ｒｏ ｓｒｌｔ ｄ ｄ ｔ ｕｒｎ ｅ ｅ ｒｈ ｐ ｒ ｄ， ｒａ ｅ ｌｚ ｄ ｔ ｔ ａ ｒ ａｅ ｏ ｅ ｈ ｉ ｎ ｎ ｎ ｎ ｄ ｔｂ ｅＴ ｓｐ ｐ ｒｔｉｄ ｏｐ ｅ ｉｔｔ ｅｅ ｏｏ ｙ ｄ ｔ ｙ ｔ ｅ３ ｆｒ ｒ ｕ ａ ｅｓｂ ｅ ｎ ｔ ｅ ＢＰ ａｇ ｒｔ ｍ． ａａ ａ ．ｈｉ ａ ｅ ｒｅ ｔ ｒ ｄ ｃ ｃ ｌｇ ａａｂ ｏ ｗａ ｄ ｎ ｒ ｎ ｔ ａ ｄ ｏ ｈ ｏｉｈ ｓ ｈ ｈ ｌ ｓ ｌ Ｋ ｅ ｒ ： ｅｅ ｒｌｇｃ ｎ ｉｏ ｎ ； ｒ ｅ ； ｅ ｉｔ ｎ ｙ ｗｏ ｄｓＭ ｔｏ ｏｏ ｉａ ｅ ｖｒｍｅ ｔ ＢＰ ｎｕａ ｎ ｔＰｒ ｄｃ ｉ ｌ ｌ ｏ
BP神经网络模型对浮法退火窑内玻璃温度的预测
第 ９卷第 ３ 期
２０ ０ ６年 ６月
建
筑材料ຫໍສະໝຸດ 学报 Ｖｏ ． Ｉ ９，ＮＯ ３ ．
Ｊ ＯＵＲＮＡＩ ＯＦ Ｂ ｌ ＤＩ Ｕ ｌ ＮＧ ＡＴＥ Ａｌ Ｍ ＲＩ Ｓ
Ｊ ｎ ２ ０ ｕ ．， ０ ６
文 章 编 号 ：０ ７ ６ ９ ２ ０ ） ３—０ ７ — ０ １ ０ —９ ２ （ ０ ６ ０ ３７ ４
２ ．Ｃｈ ｎ ｕ ｙ ｎ ｌ ａ ａ ｓ Ｇｒ ｕ ｉ ｔ ｄ Ｌｉｂ ｌ ｙ Ｃ ｍｐ ｎ ，Ｌｕ ｙ ｎ ７ ０ ９， ｉａ ｉａＬ ｏ ａ ｇ Ｆｏ ｔ Ｇｌｓ ｏ ｐ Ｌ ｍｉ ａ ｉ ｔ ｏ ａ ｙ ｅ ｉ ｏ ａ ｇ ４ １ ０ Ｃｈ ｎ ）
Ａｂｓｒ ｃ ： Ｂｙ ｓ ｎ ｔ ｉ ｅ ｐ ｒ ｔ ｒ ｍ ｅ ｓ ｅ ｂｙ ｈ ｒ ｏｃ ｐｌ ｓ ｎ ｔ ｅ ｌ ｓ ｔ ｍ ｐ ｒ ｔ ｒ ｔａ ｔ ｕ ｉ ｇ ｈｅ ａ ｒ ｔ ｍ ｅ ａ ｕ ｅ ａ ｕｒ ｄ ｔ ｅ ｍ ｏｕ ｅ ａ ｄ ｈ ｇ ａ ｓ ｅ ｅａｕ ｅ ｍ ｅ ｓ ｒ ｄ ｂ ｎｆａ ｅ ｈ ｒ ｏｍ ｅ ｅ ｓ ｔ ｅ ｔ ａｎｉ ｇ ｓ ｍ ｐｌ ，ａ ｍ ｏｄ ｌｆ ｒ ｄｉｔｏ ｆｔ ｅ ｔ ｍ ｐ ｒ — ａ ｕｅ ｙｉ ｒｒｄｔｅｍ ｔ ｒａ ｈ ｒ ｉ ｎ ａ ｅ ｅ ｏｒｐ ｅ ｃ ｉ ｎ ｏ ｈ ｅ ｅ ａ ｔ ｒ ａ ａ ｅ ｅ ｓ ｆ ｒ ｔ ｌ ａ ｇ ａ ｓ ｉ ｅ ｒ ｗａ ｒ ａ ｅ ｓ ｄ ｏ ｔ ｍ ｅ ｉ ｒ ｔ ｄ ＢＰ ｕｒ ｌ ｎ ｔ ｕ ｅ ｐ ｒ ｍ ｔ ｒ ｏ ｈｅ ｆｏ ｔ ｌ ｓ ｎ ｌ ｈ ｓ ｃ ｅ ｔ ｄ ｂａ ｅ ｎ ｈｅ ａ ｌｏ ａ ｅ ｎｅ ａ ｅ —
ＢＰ Ｎｅ ｒ ｌＮｅ ｗｏ ｋ ｕ ａ ｔ ｒ
暖通空调制冷系统的优化控制研究
暖通空调制冷系统的优化控制研究摘要：随着人们对舒适居住和办公环境的需求不断提高，暖通空调的重要性逐年增加。
暖通空调能够调节室内温度，为人们营造一个舒适良好的生活、工作环境。
因此，暖通空调的安装量也逐年增加。
然而，在保障暖通空调稳定运行的同时，也需要落实节能减排理念，减少能源消耗，降低故障发生率，提高暖通空调系统的整体效益。
针对暖通空调制冷系统，需要采取适当的优化控制措施。
在满足人们实际需求的基础上，可以通过调整制冷负荷、优化循环方式、改善换热效果等方法，减少能源消耗，提高系统效率。
同时，还可以采用智能控制技术，对暖通空调进行合理控制，从而保障其稳定运行，降低消耗。
关键词：暖通空调；制冷系统；优化控制1暖通空调制冷系统的工作原理分析暖通空调是建筑室内环境调节的重要设备，其作用是通过调节室内温度、湿度、气流速度和空气质量等因素，为人们创造舒适、健康的室内环境。
其中，制冷系统是暖通空调的关键构成部分之一，它通过改变制冷剂状态实现热量的吸收和释放，从而达到降温效果。
具体来说，暖通空调通过重复循环制冷系统的过程来调节室内温度。
制冷系统的核心部件是压缩机，它能够对冷冻水进行循环，实现快速降温。
制冷剂在压缩机的作用下被压缩成高压气体，然后进入冷凝器，通过冷却器散热，变成高压液体。
总之，暖通空调通过制冷系统的循环运转，能够对室内温度进行精准调节。
制冷系统的核心部件压缩机能够将制冷剂的状态快速转变，实现快速降温。
通过蒸发处理和冷凝器的作用，制冷剂能够与室内空气进行有效的热量交换，从而实现舒适、健康的室内环境。
因此，暖通空调的制冷系统是建筑室内环境调节的重要组成部分，扮演着不可或缺的角色。
2暖通空调工程对于建筑行业发展的重要作用建筑行业作为我国经济支柱产业，近年来得到了极大程度的发展。
随着新时代建筑工程的出现，智能建筑、绿色建筑等的出现为社会主义经济发展和人们生活水平提高提供了强大的支持。
在这些新时代建筑工程中，暖通空调工程已成为建筑工程不可分割的一部分。
神经网络在天气预报中的应用有哪些
神经网络在天气预报中的应用有哪些天气预报对于人们的日常生活、农业生产、交通运输等众多领域都具有极其重要的意义。
随着科技的不断发展，神经网络这一强大的技术手段逐渐在天气预报领域崭露头角，为提高天气预报的准确性和可靠性带来了新的机遇。
神经网络是一种模仿人类大脑神经元网络结构和功能的机器学习算法。
它能够自动从大量的数据中学习模式和规律，从而实现对未知数据的预测和分类。
在天气预报中，神经网络主要通过以下几个方面发挥作用。
首先，神经网络能够用于气象数据的分析和处理。
气象数据通常具有高维度、复杂性和非线性等特点，传统的数据分析方法往往难以有效地挖掘其中的潜在信息。
而神经网络具有强大的非线性拟合能力，可以对海量的气象观测数据进行深入分析，提取出有用的特征和模式。
例如，通过对历史气象数据（包括温度、湿度、气压、风速、风向等）的学习，神经网络可以发现不同气象要素之间的复杂关系，以及这些关系随时间和空间的变化规律。
其次，神经网络在短期天气预报中表现出色。
短期天气预报一般是指未来几小时到几天内的天气情况预测。
在这个时间尺度上，天气系统的变化相对较为复杂，但神经网络能够捕捉到其中的细微变化和不确定性。
通过对实时气象观测数据的快速处理和分析，神经网络可以及时更新预测模型，提供更加准确和及时的短期天气预报。
比如，在预测局部地区的暴雨、强风等极端天气时，神经网络能够结合地形、地理环境等因素，提高预测的精度和针对性。
再者，神经网络在中期和长期天气预报中也具有一定的应用价值。
虽然中期（未来一周到一个月）和长期（未来一个月以上）天气预报的难度较大，但神经网络可以与其他数值天气预报模型相结合，提供补充和改进。
例如，神经网络可以对数值天气预报模型的输出结果进行后处理和优化，减少模型误差和不确定性。
同时，神经网络还可以利用长期的气象历史数据，挖掘出气候的周期性和趋势性特征，为中期和长期天气预报提供有益的参考。
此外，神经网络在气象灾害预警方面发挥着重要作用。
神经网络在PLC温度控制系统的应用
神经网络在PLC温度控制系统的应用摘要：本文分析了PC机与PLC的特点，提出由PC机实现复杂的算法，得到的控制量下传到PLC，通过PLC完成要求的控制功能。
这样，既能容易地加入先进的控制策略与算法，又能可靠、稳定地实现控制。
本论文以BP神经网络PID在温度控制中的应用为例，通过与Matlab接口的单片机数据采集板，结合AB公司的SLC5实现了神经网络PID的温度控制。
关键词：BP神经网络PID Matlab 数据采集板Abstract: the paper analyses the characteristic of PC and PLC, puts forward an idea that PC works out the complex operation, and the result transfers to PLC.PLC completes the control function.It is easy to add the advanced control strategy, also achieve the good result reliably steadily.For example the BP NN PID in the temperature control system, through the data collect board which can access to Matlab,with AB company SLC5 achieve NN PID control in temperature control system.keyword：BP Neural Network, PID, Matlab, data collect board1.引言PLC广泛应用于各类工业生产和过程控制，具体包括开关量的逻辑控制，运动控制，闭环过程控制等等。
PLC是专为工业控制设计的，具有可靠性高、抗干扰能力强，编程简单、使用方便、稳定，系统设计、安装、调试和投运工作量少等特点。
- 1、下载文档前请自行甄别文档内容的完整性，平台不提供额外的编辑、内容补充、找答案等附加服务。
- 2、"仅部分预览"的文档,不可在线预览部分如存在完整性等问题,可反馈申请退款(可完整预览的文档不适用该条件!)。
- 3、如文档侵犯您的权益，请联系客服反馈,我们会尽快为您处理(人工客服工作时间：9:00-18:30)。
BP神经网络模型在室内温度预测中的应用作者：何泾沙郑伟
来源：《电子技术与软件工程》2015年第12期
摘要
随着技术发展，人们对环境的要求越来越高，良好的环境质量如适宜的温度关系到人们生活、生产活动的质量，所以对的环境温度的预测显得尤为重要。
通过确定适当的BP神经网络结构，对已知的历史温度数据进行网络训练和学习，能够预测其后某时刻温度数值的结果。
实验结果表明该模型对温度的变化趋势有较好的预测能力。
【关键词】反向传播神经网络温度预测前向传播
1 引言
对人的生存环境的关注一直是现代科学研究的重要目标，对室内环境信息如温度进行有效监测可以了解环境自身状况，还可以为研究环境变化、环境污染提供参考。
常用的温度预测模型有线性回归模型[2]和灰色—线性回归组合模型。
温度在很多时候为随机、非线性变化，采用线性回归的数据分析方法显得不是十分适用。
针对上述几种模型的不足，本文采用非线性的BP神经网络作为预测模型。
根据BP神经网络模型的可以逼近任意非线性函数的特性，通过分析已近采集到的温度，进行大量的实验，获得最佳预测模型，利用模型来预测环境信息如温度的短时间变化，从而实现有效的预测。
2 BP神经网络概述
传统的预测方法中，数据处理模块比较简单，主要利用采用以前积累的若干数据，利用线性回归的进行曲线拟合，得到若干条温度曲线，能够反应温度的变化率，但是灵活性较差，预测精度低，前期需要大量的数据积累，可推广性不强。
人工神经网络（artificial neural network），是一种模仿生物神经网络的结构和功能的数学模型。
由大量的人工神经元联结进行计算，常用来对输入和输出间复杂的关系进行建模。
BP（Back Propagation）神经网络是一种按误差逆传播算法训练的多层前馈网络。
它的学习规则是使用最速下降法，通过反向传播来调整网络的权值和阈值，使网络的误差平方和最小。
BP神经网络模型拓扑结构包括输入层、隐含层和输出层。
3 基于BP神经网络模型的温度预测方法
3.1 BP神经网络
本系统采用BP神经网络建立温度预测模型。
BP网络算法分为两部分：一是信号的正向传播过程，即训练信号由神经网络的输入层经隐层处理后传向输出层，其间每一层神经元的状态只影响下一层的神经元的状态；二是误差（E（t））的反向传播过程，即采用梯度下降的最小方差学习方式，将误差反向传播，不断调节网络中神经元之间的连接权重，使误差最终达到最小。
但当梯度下降的最快方向与误差曲面最小点方向偏离较大时，参数到达最小点的路径将加长，以致网络学习效率低，速度慢。
为克服这种不足，本文采用有动量的梯度下降法，该方法通过对权值变化量添加一个与前一循环时权值变化量成正比的值，并根据BP算法来产生新的权值变化，其实质是利用附加的动量把最后一次权值的影响传播到整个BP网络。
3.2 模型应用以及误差分析
3.2.1 样本采集及准备
采集某企业机房温度传感器节点8月17日18：00至19：00和8月18日18：00至19：00两小时的温度数据，采集间隔为两分钟。
以第一天以及第二天18：02至18：54采集到的数据为训练样本，第二日18：56至19：00采集到的数据为预测样本，再对采集到的数据样本进行误差分析。
用前9次采集到的数据来预测第10次，如第1-9次预测第10次，第2-10次预测第11次，依次循环直至终了。
所得训练样本为38个，测试网络性能样本为4个。
对样本进行归一化处理，使用matlab的premnmx函数，归一化后的数据将分布在[-1，1]内。
3.2.2 BP神经网络模型各参数设定的实验
根据样本的数目可确定输入层的神经元个数为9个，输出层神经元个数为1个。
根据Kolmogorov定理，对于任意连续函数，可由三层网络来精确实现。
其中网络第一层有m个单元，中间层有n单元，第三层有l个单元，且n≥2m+l。
因此BP网络隐含层只需要大于等于2x9+1即19个即可逼近温度曲线，设定隐含层神经元数目分别为25，37，43。
实验可知，当隐含层神经元数目为25时，训练1822次才达到收敛，为43时也要1579次才打到收敛而为37时只需要1441次就能达到收敛。
隐含层神经元数目为37时，曲线下降迅速，网络的泛化能力为最优。
因此设定隐含层神经元数目为37。
3.2.3 BP神经网络模型的训练和误差分析
通过Matlab校验的模型的性能，其中隐含层神经元数目为37，学习率为0.03，最大训练次数为10000次，训练要求预测误差精度0.5%，仿真结果如图1所示。
根据同一样本，基于灰色—线性回归组合模型在matlab中仿真结果如图2所示。
将BP网络模型与灰色-线性回归组合模型做误差对比，二者的预测数值和实际数值列表如表1所示。
分析时间段18日18：54-19：00的温度预测值及其实际值，由表1可知：
18：54时刻BP网络实际结果与预测结果的误差为0.13%。
而灰色—线性回归组合模型实际结果与预测结果的误差为0.18%；
18：56时刻BP网络误差与灰色—线性回归组合模型误差均为0.04%；
18：58时刻实际结果与预测结果的误差前者为0.27%，后者为0.37%；
19：00时刻BP网络实际结果与预测结果的相差为0.01，误差为0.05%，而灰色—线性回归组合模型的结果相差高达0.05，误差为0.23%。
从以上4个时刻的温度预测结果和实际结果可以看出，相比灰色-线性回归组合模型，改进的BP网络的误差更小，预测精度更高，更满足预测要求。
参考文献
[1]袁曾任.人工神经元网络及其应用[M].北京：清华大学出版社，1999.
[2]童正明，董万吉，谢飞，李立楠.散热器空气出口温度的线性回归.内燃机工程[J].上海理工大学化工过程机械所，2013（08）.
作者单位
北京工业大学北京市 100124。