第 31 卷 第 18 期 農(nóng) 業(yè) 工 程 學(xué) 報(bào) Vol.31 No.18 2015 年 9月 Transactions of the Chinese Society of Agricultural Engineering Sep. 2015 169 基于集合經(jīng)驗(yàn)?zāi)B(tài)分解與 Elman 神經(jīng)網(wǎng)絡(luò)的線椒株高預(yù)測(cè)張 瑜，汪小旵，孫國(guó)祥，李永博 （ 1. 南京農(nóng)業(yè)大學(xué)工學(xué)院，南京 210031； 2. 江蘇省現(xiàn)代設(shè)施農(nóng)業(yè)技術(shù)與裝備工程實(shí)驗(yàn)室，南京 210031） 摘 要： 為提高溫室環(huán)境控制系統(tǒng)的有效性，針對(duì)作物生長(zhǎng)量的變化與環(huán)境因子的變化存在時(shí)間尺度不統(tǒng)一的問(wèn)題，該文基于集合經(jīng)驗(yàn)?zāi)B(tài)分解（ ensemble empirical mode decomposition， EEMD）與 Elman 神經(jīng)網(wǎng)絡(luò)建模，提出一種線椒株高生長(zhǎng)量預(yù)測(cè)方法。以 8819 線椒為試驗(yàn)對(duì)象，分別對(duì)線椒株高及其環(huán)境因子進(jìn)行 EEMD 分解，對(duì)各尺度下的時(shí)間序列建立 EEMD-Elman 預(yù)測(cè)模型。結(jié)果表明：應(yīng)用 EEMD-Elman 神經(jīng)網(wǎng)絡(luò)建立線椒株高生長(zhǎng)量預(yù)測(cè)模型，模型預(yù)測(cè)值與實(shí)測(cè)值的平均絕對(duì)誤差為 1.69 cm，相關(guān)決定系數(shù)為 0.996，標(biāo)準(zhǔn)誤為 1.104，模型預(yù)測(cè)結(jié)果與實(shí)測(cè)值呈極顯著性相關(guān)。研究結(jié)果可以解決作物生長(zhǎng)變化與環(huán)境變化時(shí)間尺度不統(tǒng)一的問(wèn)題，為溫室環(huán)境控制系統(tǒng)的控制目標(biāo)的優(yōu)化提供有效參數(shù)。 關(guān)鍵詞： 神經(jīng)網(wǎng)絡(luò)；模型；優(yōu)化；集合經(jīng)驗(yàn)?zāi)B(tài)分解； Elman 神經(jīng)網(wǎng)絡(luò)；線椒株高；預(yù)測(cè) doi： 10.11975/j.issn.1002-6819.2015.18.024 中圖分類號(hào)： S625.5 文獻(xiàn)標(biāo)志碼： A 文章編號(hào)： 1002-6819(2015)-18-0169-06 張 瑜，汪小旵，孫國(guó)祥，李永博. 基于集合經(jīng)驗(yàn)?zāi)B(tài)分解與 Elman 神經(jīng)網(wǎng)絡(luò)的線椒株高預(yù)測(cè)J. 農(nóng)業(yè)工程學(xué)報(bào)，2015，31(18)：169174. doi： 10.11975/j.issn.1002-6819.2015.18.024 http:/www.tcsae.org Zhang Yu, Wang Xiaochan, Sun Guoxiang, Li Yongbo. Prediction of cayenne pepper plant height based on ensemble empirical mode decomposition and Elman neural networkJ. Transactions of the Chinese Society of Agricultural Engineering (Transactions of the CSAE), 2015, 31(18): 169 174. (in Chinese with English abstract) doi： 10.11975/j.issn.1002-6819.2015.18.024 http:/www.tcsae.org 0 引 言作物生長(zhǎng)量預(yù)測(cè)為溫室環(huán)境調(diào)控目標(biāo)優(yōu)化提供重要依據(jù)1-2。目前，溫室作物生長(zhǎng)量預(yù)測(cè)多通過(guò)建立作物外觀形態(tài)模擬模型的方法實(shí)現(xiàn)3-6。 如， calvalho 等7， Larsen等8， Heuvelink 等9， Nothnagl 等10分別建立了菊花生長(zhǎng)模擬模型，對(duì)菊花的株高、花朵數(shù)、花朵大小等生長(zhǎng)量進(jìn)行預(yù)測(cè)。上述模型研究的最直接意義是及時(shí)掌握溫室環(huán)境控制系統(tǒng)對(duì)作物所產(chǎn)生的作用，為溫室環(huán)境優(yōu)化控制提供理論依據(jù)。然而，作物生長(zhǎng)模擬模型無(wú)法真實(shí)地反映作物的實(shí)際生長(zhǎng)情況，使得環(huán)境控制系統(tǒng)無(wú)法根據(jù)作物實(shí)際生長(zhǎng)情況做出有效的響應(yīng)，降低了溫室環(huán)境控制系統(tǒng)的有效性。所以，根據(jù)作物實(shí)際生長(zhǎng)情況對(duì)作物生長(zhǎng)量進(jìn)行預(yù)測(cè)，可以更真實(shí)地了解環(huán)境控制的效果11，提高溫室環(huán)境控制系統(tǒng)的有效性12。 根據(jù)作物實(shí)際生長(zhǎng)情況對(duì)環(huán)境進(jìn)行調(diào)控是提高溫室環(huán)境控制系統(tǒng)有效性的重要方法。但是作物生長(zhǎng)量的變化與環(huán)境因子的變化存在時(shí)間尺度不統(tǒng)一的特點(diǎn)，作物生長(zhǎng)量的變化是緩慢的，而環(huán)境因子的變化是瞬時(shí)的。收稿日期： 2015-06-04 修訂日期： 2015-08-24 基金項(xiàng)目：國(guó)家自然科學(xué)基金項(xiàng)目（ 61273227） 、江蘇省自然科學(xué)基金（ BK20150686） 作者簡(jiǎn)介：張瑜，女（漢） ，吉林長(zhǎng)春人，講師，博士，農(nóng)業(yè)電氣化與自動(dòng)化、檢測(cè)技術(shù)與自動(dòng)化裝置。南京 南京農(nóng)業(yè)大學(xué)工學(xué)院， 210031。 Email： zhangyu64hotmail.com 通信作者：汪小旵，男（漢） ，教授，博士，從事農(nóng)業(yè)生物環(huán)境工程、設(shè)施農(nóng)業(yè)溫室環(huán)境模擬與調(diào)控方面研究。 南京 南京農(nóng)業(yè)大學(xué)工學(xué)院， 210031。Email： wangxiaochannjau.edu.cn 單純采用平均值對(duì)兩個(gè)時(shí)間尺度不統(tǒng)一的時(shí)間序列進(jìn)行建模、預(yù)測(cè)，無(wú)法清晰地反映兩種時(shí)間序列在不同時(shí)間尺度下的波動(dòng)情況，造成預(yù)測(cè)結(jié)果不準(zhǔn)確。因此，需要對(duì)兩者進(jìn)行多時(shí)間尺度分解，利用不同時(shí)間尺度下的時(shí)間序列特征進(jìn)行預(yù)測(cè)與重構(gòu)，實(shí)現(xiàn)作物實(shí)際生長(zhǎng)量的預(yù)測(cè)，為溫室環(huán)境控制系統(tǒng)提供實(shí)際有效的控制依據(jù)。 線椒是溫室中常見(jiàn)種植作物，株高是反映線椒長(zhǎng)勢(shì)的一項(xiàng)重要生長(zhǎng)參數(shù)，能夠直觀地反映出在溫室環(huán)境控制系統(tǒng)對(duì)作物生長(zhǎng)的作用效果。因此，本文基于集合經(jīng)驗(yàn)?zāi)B(tài)分解（ ensemble empirical mode decomposition，EEMD） 與 Elman 神經(jīng)網(wǎng)絡(luò)， 對(duì)線椒株高及其環(huán)境參數(shù)時(shí)間序列進(jìn)行分解與重構(gòu)，分別對(duì)分解后的時(shí)間序列建立非線性 Elman 神經(jīng)網(wǎng)絡(luò)，根據(jù)種植期間，線椒株高當(dāng)前的實(shí)際生長(zhǎng)量，重構(gòu)并預(yù)測(cè)線椒株高在同一生長(zhǎng)期內(nèi)未來(lái)的生長(zhǎng)量，為溫室作物生長(zhǎng)預(yù)測(cè)提供精確、實(shí)時(shí)的預(yù)測(cè)方法，為溫室環(huán)境控制系統(tǒng)控制目標(biāo)的優(yōu)化提供實(shí)時(shí)有效的控制依據(jù)，實(shí)現(xiàn)提高溫室環(huán)境控制系統(tǒng)有效性的目的。 1 數(shù)據(jù)與方法 1.1 試驗(yàn)數(shù)據(jù)采集 本文試驗(yàn)對(duì)象為 2014 年種植的 8819 線椒 (定植后生長(zhǎng)期內(nèi)， 2014 年 5 月 28 日至 2014 年 7 月 8 日 )及對(duì)應(yīng)的溫室內(nèi)環(huán)境因子 （溫室內(nèi)溫度、 相對(duì)濕度、 室內(nèi)總輻射） 。試驗(yàn)于江蘇省南京市南京農(nóng)業(yè)大學(xué)工學(xué)院，博遠(yuǎn)樓頂venlo 型玻璃溫室內(nèi)進(jìn)行。溫室環(huán)境因子由 Eco-Watch 生態(tài)網(wǎng)絡(luò)監(jiān)測(cè)系統(tǒng)每 15 min 采集一次，取日平均值用于模農(nóng)業(yè)工程學(xué)報(bào)（ http:/www.tcsae.org） 2015 年 170 型建立。由于溫室內(nèi)溫度濕度等環(huán)境因子分布的不均勻性，所以本文選取在溫室內(nèi)東面密集種植的 16 株線椒作為試驗(yàn)樣本，以降低溫室內(nèi)不同小氣候條件對(duì)作物生長(zhǎng)形態(tài)的影響。作物均生長(zhǎng)在適宜的環(huán)境條件下，未發(fā)生環(huán)境脅迫與營(yíng)養(yǎng)脅迫情況。其中 10 株為測(cè)試集，用于建立模型，另外 6 株為驗(yàn)證集，用于模型驗(yàn)證?？紤]到作物的個(gè)體差異，均取其平均值。網(wǎng)絡(luò)的輸入量為溫室內(nèi)環(huán)境因子的日平均值，輸出量為測(cè)試集中 10 株線椒株高的每日測(cè)量值的平均值，測(cè)量方法采用文獻(xiàn) 13中線性激光掃描法。線椒采用椰糠基質(zhì)，獨(dú)立種植于栽培袋中。灌溉營(yíng)養(yǎng)液配方采用山東農(nóng)業(yè)大學(xué)番茄辣椒配方， Ec 值為 2.0， pH 值為 6.5。 1.2 分解方法 在解決時(shí)間序列多尺度分解的方法中，小波分解和奇異譜分解等方法均需要依賴于預(yù)先給定的基函數(shù)，無(wú)法根據(jù)數(shù)據(jù)自身的時(shí)間尺度特征進(jìn)行分解，可能會(huì)由此分解出虛假或無(wú)效的波動(dòng)分量14-20。集合經(jīng)驗(yàn)?zāi)B(tài)分解方法利用高斯白噪聲具有頻率均勻分布的統(tǒng)計(jì)特性，無(wú)需預(yù)先設(shè)定任何基函數(shù)，自適應(yīng)地將數(shù)據(jù)分解為有限個(gè)本征模函數(shù)（ intrinsic mode function， IMF），所分解出來(lái)的各 IMF 分量包含了原始數(shù)據(jù)的不同時(shí)間尺度的局部特征信號(hào)21-26。所以，本文采用 EEMD 分解方法對(duì)試驗(yàn)數(shù)據(jù)（溫室環(huán)境因子與線椒株高生長(zhǎng)量）進(jìn)行多尺度分解，分解結(jié)果可以由公式（ 1）求得，重構(gòu)結(jié)果由公式（ 2）求得。 11() ()NjijiCt CtN=（ 1） 1() ()nj njX tCtr=+（ 2） 式中： Cij(t)表示第 i次加入白噪聲后分解所得的第 j個(gè) IMF分量， t 表示時(shí)間； Cj(t)為分解得到的第 j 個(gè) IMF 分量；N 為添加白噪聲序列的數(shù)目； X(t)為原始信號(hào)； rn為分解后的殘留余項(xiàng)， n 表示分解次數(shù)，當(dāng) rn為單調(diào)信號(hào)時(shí)，分解終止。 1.3 預(yù)測(cè)方法 Elman 神經(jīng)網(wǎng)絡(luò)是一種帶有反饋的兩層 BP 網(wǎng)絡(luò)結(jié)構(gòu)，其反饋連接是從隱含層的輸出到其輸入端。這種反饋方式使得 Elman 網(wǎng)絡(luò)能夠探測(cè)和識(shí)別時(shí)變模式。其隱含層又稱為反饋層，這種特殊的兩層網(wǎng)絡(luò)可以任意精度逼近任意函數(shù)，唯一的要求是其隱含層必須具有足夠的神經(jīng)元數(shù)目。隱含層神經(jīng)元數(shù)越多，則逼近復(fù)雜函數(shù)的精度就越高27-28。 Elman 神經(jīng)網(wǎng)絡(luò)的非線性表達(dá)原理29如式（ 3）所示。 213() ( 1)() ( ( 1) ()() ( ()=+=ccxk xkxk f w uk wx kyk gwxk（ 3） 式中： y、 x、 u、 xc分別表示 m 維輸出節(jié)點(diǎn)向量、 n 維中間層節(jié)點(diǎn)單元向量、 l 維輸入向量和 n 維反饋狀態(tài)向量； w3、w2、 w1分別表示中間層到輸出層、輸入層到中間層、承接層到中間層的連接權(quán)值。 g 為輸出神經(jīng)元的傳遞函數(shù)，是中間層輸出的線性組合。 f 為中間層神經(jīng)元的 傳遞函數(shù)。 2 結(jié)果與分析 2.1 EEMD 分解與重構(gòu) 圖 1 為原始時(shí)間序列。根據(jù)式（ 1）本文分別對(duì)線椒株高及其環(huán)境因子（溫室溫度、相對(duì)濕度、室內(nèi)總輻射）進(jìn)行 EEMD 分解，分別得到了 5 個(gè)本征模函數(shù)，分別為IMF1 IMF5，如圖 2 所示。本征模函數(shù)表征了數(shù)據(jù)的內(nèi)在的振動(dòng)模式。圖 2 中， IMF1 IMF4 反應(yīng)了線椒株高和各個(gè)環(huán)境因子在不同頻率下振蕩情況， IMF5 為變化趨勢(shì)項(xiàng)，反應(yīng)了線椒株高在生長(zhǎng)期內(nèi)的整體變化趨勢(shì)。 EEMD分解重構(gòu)后結(jié)果的相關(guān)參數(shù)如表 1 所示。由表 1 可知，各個(gè)環(huán)境因子和線椒株高時(shí)間序列經(jīng)過(guò) EEMD 分解重構(gòu)后，與原始時(shí)間序列相關(guān)系數(shù)在有效數(shù)字范圍內(nèi)近似為1，標(biāo)準(zhǔn)誤接近于 0，平均絕對(duì)誤差接近于 0，表明重構(gòu)結(jié)果十分有效。 圖 1 原始時(shí)間序列 Fig.1 Original time series 2.2 Elman 神經(jīng)網(wǎng)絡(luò)生長(zhǎng)量預(yù)測(cè)與分析 本文 Elman 網(wǎng)絡(luò)的輸入層為溫室內(nèi)環(huán)境因子，包括溫室溫度、相對(duì)濕度和室內(nèi)總輻射，輸入節(jié)點(diǎn)數(shù)為 3；輸出層為線椒株高生長(zhǎng)量的預(yù)測(cè)值，節(jié)點(diǎn)數(shù)為 1。本文采用雙層反饋結(jié)構(gòu)，第一層節(jié)點(diǎn)數(shù)為 10，第二層節(jié)點(diǎn)數(shù)為 3。反饋層神經(jīng)元的傳遞函數(shù)為 tansig()，線性輸出層的傳遞函數(shù)為 purelin()。網(wǎng)絡(luò)訓(xùn)練樣本組按照 0.7 0.15 0.15的比例劃分為訓(xùn)練集、驗(yàn)證集和測(cè)試集。 為避免神經(jīng)元飽和，在輸入層對(duì)輸入數(shù)據(jù)進(jìn)行歸一化處理，將各個(gè)數(shù)值換算至 0 1區(qū)間內(nèi)，在輸出層對(duì)得到的預(yù)測(cè)結(jié)果進(jìn)行反歸一化。根據(jù) Elman 神經(jīng)網(wǎng)絡(luò)的非線性空間表達(dá)式（公式（ 3），本文網(wǎng)絡(luò)模型的輸出結(jié)果可以表示為： 1121122 2132() ( ( 1) ( 1)( ) ( ( 1) ( ( )() ( ()=+=xk fwxk w ukxk fwxk w xkyk gwx k（ 4） 式中： u(k1)為輸入層的輸入； x1(k)為第 1 層反饋的輸出；x2(k)為第 2 層網(wǎng)絡(luò)的輸出， y(k)為輸出結(jié)果； wp1（ p=1,2；p 為網(wǎng)絡(luò)層數(shù)） 為第 1 層網(wǎng)絡(luò)和第 2 層網(wǎng)絡(luò)的承接層到中間層的連接權(quán)值； wp2為第 1 層網(wǎng)絡(luò)和第 2 層網(wǎng)絡(luò)的輸入層到中間層的連接權(quán)值； w3為中間層到輸出層的連接權(quán)值，本文中間層神經(jīng)元傳遞函數(shù)采用雙曲正切傳遞函數(shù)第 18 期 張 瑜等：基于集合經(jīng)驗(yàn)?zāi)B(tài)分解與 Elman 神經(jīng)網(wǎng)絡(luò)的線椒株高預(yù)測(cè) 171 tansig()，輸出層神經(jīng)元采用線性傳遞函數(shù) purelin()。由雙曲正切函數(shù)定義，可得到本文預(yù)測(cè)網(wǎng)絡(luò)模型中間層傳遞函數(shù)表達(dá)式為： 21212 ( 1) ( 1)2 ( 1) ( 1)11+ + =+ppppwuk wxkwuk wxkefe（ 5） 式中： p=1,2；表示網(wǎng)絡(luò)層數(shù)。 a. IFM1 b. IMF2 c. IMF3 d. IMF4 e. IMF5 注： IMF1 IMF4 反應(yīng)了線椒株高和各個(gè)環(huán)境因子在不同頻率下的振蕩情況， IMF5 反應(yīng)了線椒株高和各個(gè)環(huán)境因子的變化趨勢(shì)。 Note: IMF1-IMF4 reflect the oscillation of variate, including plant height and every environment elements under different frequencies. IMF5 reflects the trend of plant height and every environment elements. 圖 2 線椒株高與環(huán)境因子 EEMD 分解后各模態(tài)分量波動(dòng)情況 Fig.2 Oscillation of EEMD results of plant height and environment elements 表 1 EEMD 分解重構(gòu)結(jié)果分析 Table 1 Summary of EEMD and reconstruction 時(shí)間序列 Time series 決定系數(shù) R2標(biāo)準(zhǔn)誤 Standard error 平均絕對(duì)誤差 Mean absolute error線椒株高 Plant height 1.0000 2.70810-34.5810-5cm 溫室溫度 Temperature 1.0000 4.7310-23.9710-4 相對(duì)濕度 Relative humidity 1.0000 2.51610-35.1010-5% 室內(nèi)總輻射 Total inner radiation 1.0000 3.44510-37.2010-5 Wm-2本文中時(shí)間序列樣本經(jīng)過(guò) EEMD 分解后，得到 5 個(gè)獨(dú)立的本征模函數(shù) IMF1 IMF5，所以需要建立 5 個(gè)子Elman 神經(jīng)網(wǎng)絡(luò)，分別預(yù)測(cè)生長(zhǎng)量的各個(gè)時(shí)間序列值，最后經(jīng)過(guò) EEMD 重構(gòu)得到最終的線椒株高生長(zhǎng)量預(yù)測(cè)值。具體預(yù)測(cè)流程如圖 3 所示。 各子網(wǎng)絡(luò)的預(yù)測(cè)結(jié)果統(tǒng)計(jì)性描述如表 2 所示，各個(gè)子網(wǎng)絡(luò)的預(yù)測(cè)值與目標(biāo)值之間相關(guān)決定系數(shù)分別為 0.71、0.88、 0.94、 0.95 和 0.98，平均絕對(duì)誤差值分別為 0.04、0.09、 0.22、 0.14 和 1.20 cm。由表 2 可知，各尺度預(yù)測(cè)值與實(shí)測(cè)值的模型擬合效果均表現(xiàn)出極強(qiáng)的相關(guān)性，平均絕對(duì)誤差均可滿足測(cè)量精度要求。隨著時(shí)間尺度的增加，模型相關(guān)性決定系數(shù)逐漸增強(qiáng)，平均絕對(duì)誤差逐漸增大， IMF5子網(wǎng)絡(luò)預(yù)測(cè)結(jié)果的平均絕對(duì)誤差增大最明顯，可能的原因是 IMF5 為趨勢(shì)項(xiàng)， 對(duì)于變量的波動(dòng)情況表達(dá)不明顯。 本文對(duì) IMF1 IMF5 子網(wǎng)絡(luò)的預(yù)測(cè)結(jié)果進(jìn)行重構(gòu)。重構(gòu)后，線椒株高預(yù)測(cè)值與實(shí)際測(cè)量值之間的擬合關(guān)系如圖 4 所示。結(jié)果表明：通過(guò) EEMD 多尺度分解，對(duì)線椒株高在不同時(shí)間尺度上應(yīng)用 Elman 神經(jīng)網(wǎng)絡(luò)預(yù)測(cè)再合并，預(yù)測(cè)值與測(cè)量值達(dá)到極顯著相關(guān)水平，平均絕對(duì)誤差值為1.69 cm，可以滿足溫室中作物生長(zhǎng)測(cè)量的精度要求。 農(nóng)業(yè)工程學(xué)報(bào)（ http:/www.tcsae.org） 2015 年 172 圖 3 線椒株高預(yù)測(cè)流程圖 Fig.3 Flowchart of pepper plant height prediction 表 2 Elman 網(wǎng)絡(luò)預(yù)測(cè)線椒株高結(jié)果統(tǒng)計(jì)分析 Table 2 Summary of Elman neuron network pepper plant height prediction 網(wǎng)絡(luò)類型 Type of network 決定系數(shù) R2平均絕對(duì)誤差 Mean absolute error/cm Elman 子網(wǎng)絡(luò) _IMF1 Sub-network_Elman_IMF1 0.71 0.04 Elman 子網(wǎng)絡(luò) _IMF2 Sub-network_Elman_IMF2 0.88 0.09 Elman 子網(wǎng)絡(luò) _IMF3 Sub-network_Elman_IMF3 0.94 0.22 Elman 子網(wǎng)絡(luò) _IMF4 Sub-network_Elman_IMF4 0.95 0.14 Elman 子網(wǎng)絡(luò) _IMF5 Sub-network_Elman_IMF5 0.98 1.20 注： SE 為標(biāo)準(zhǔn)誤， R2為決定系數(shù)。 Note: SE is standard error, R2 is coefficient of determination. 圖 4 線椒株高分解重構(gòu)預(yù)測(cè)結(jié)果 Fig.4 Results of pepper plant height prediction 分別應(yīng)用 EEMD 與 BP 神經(jīng)網(wǎng)絡(luò)結(jié)合方法30、 EEMD與 Elman 神經(jīng)網(wǎng)絡(luò)結(jié)合方法和未經(jīng) EEMD 分解的 Elman神經(jīng)網(wǎng)絡(luò)方法進(jìn)行線椒株高生長(zhǎng)量的預(yù)測(cè)。取試驗(yàn)樣本驗(yàn)證集數(shù)據(jù)，對(duì)所建模型進(jìn)行驗(yàn)證。驗(yàn)證結(jié)果表明，經(jīng)過(guò) EEMD 分解的網(wǎng)絡(luò)模型的預(yù)測(cè)值和實(shí)測(cè)值進(jìn)行比較，其預(yù)測(cè)值與實(shí)測(cè)值均可較好的吻合，未經(jīng)過(guò) EEMD 分解的 Elman 網(wǎng)絡(luò)預(yù)測(cè)效果稍差。采用決定系數(shù) R2、標(biāo)準(zhǔn)誤SE 和平均絕對(duì)誤差兩個(gè)指標(biāo)分別對(duì) 3 個(gè)預(yù)測(cè)模型進(jìn)行評(píng)價(jià)，各指標(biāo)統(tǒng)計(jì)結(jié)果見(jiàn)表 3。 表 3 3 種預(yù)測(cè)方法線椒株高結(jié)果評(píng)價(jià) Table 3 Evaluation of three pepper plant height prediction methods 網(wǎng)絡(luò)類型 Type of network 決定系數(shù) R2標(biāo)準(zhǔn)誤 Standard error 平均絕對(duì)誤差 Mean absolute error/cm EEMD-BP 神經(jīng)網(wǎng)絡(luò) EEMD-BP neural network0.812 7.012 5.40 EEMD-Elman 神經(jīng)網(wǎng)絡(luò) EEMD-Elman neural network0.996 1.104 1.69 Elman 神經(jīng)網(wǎng)絡(luò) Elman neural network 0.908 5.032 8.87 由表 3 可知，經(jīng)過(guò) EEMD 分解后模型預(yù)測(cè)結(jié)果比未經(jīng)過(guò)分解的模型預(yù)測(cè)結(jié)果準(zhǔn)確性高，經(jīng)過(guò) EEMD 分解后的 Elman 神經(jīng)網(wǎng)絡(luò)的預(yù)測(cè)結(jié)果優(yōu)于 EEMD-BP 神經(jīng)網(wǎng)絡(luò)和未經(jīng)過(guò) EEMD 分解的 Elman 神經(jīng)網(wǎng)絡(luò)預(yù)測(cè)結(jié)果。 同時(shí)，由圖 4 可知， EEMD-Elman 神經(jīng)網(wǎng)絡(luò)的預(yù)測(cè)結(jié)果決定系數(shù) R2為 0.996，表明 EEMD-Elman 神經(jīng)網(wǎng)絡(luò)輸出值與目標(biāo)值偏差較小，是十分有效的預(yù)測(cè)方法。 3 結(jié) 論 應(yīng)用集合經(jīng)驗(yàn)?zāi)B(tài)分解方法對(duì)線椒株高及其環(huán)境因子（溫室溫度、相對(duì)濕度、室內(nèi)總輻射）進(jìn)行多尺度分解與重構(gòu)。重構(gòu)后各個(gè)環(huán)境因子和線椒株高的時(shí)間序列與原始時(shí)間序列相關(guān)系數(shù)在有效數(shù)字范圍內(nèi)近似為 1， 標(biāo)準(zhǔn)誤接近于 0，平均絕對(duì)誤差極接近于 0，重構(gòu)結(jié)果十分有效。 表明集合經(jīng)驗(yàn)?zāi)B(tài)分解法 （ ensemble empirical mode decomposition, EEMD）分解可以解決多尺度時(shí)間序列預(yù)測(cè)問(wèn)題。應(yīng)用 EEMD-Elman 神經(jīng)網(wǎng)絡(luò)建立線椒株高生長(zhǎng)量預(yù)測(cè)網(wǎng)絡(luò)，網(wǎng)絡(luò)預(yù)測(cè)值與實(shí)測(cè)值的平均絕對(duì)誤差為1.69 cm，相關(guān)決定系數(shù)為 0.996，標(biāo)準(zhǔn)誤為 1.104，表明預(yù)測(cè)結(jié)果與實(shí)測(cè)值呈極顯著性相關(guān)。 3 種預(yù)測(cè)方法的預(yù)測(cè)結(jié)果進(jìn)行對(duì)比，表明與未經(jīng)過(guò) EEMD 分解的預(yù)測(cè)網(wǎng)絡(luò)相比，經(jīng)過(guò) EEMD 分解的預(yù)測(cè)網(wǎng)絡(luò)，能夠反映時(shí)間序列自身固有的特性，更好地詮釋時(shí)間序列在不同頻率的振蕩情況；將經(jīng)過(guò) EEMD 分解的 EEMD-Elman 神經(jīng)網(wǎng)絡(luò)與EEMD-BP 神經(jīng)網(wǎng)絡(luò)的預(yù)測(cè)結(jié)果相比， EEMD-Elman 神經(jīng)網(wǎng)絡(luò)預(yù)測(cè)效果優(yōu)于 EEMD-BP 神經(jīng)網(wǎng)絡(luò)預(yù)測(cè)效果，說(shuō)明Elman 的雙反饋結(jié)構(gòu)可以提高模型的預(yù)測(cè)精度。 由于本文僅對(duì)生長(zhǎng)期內(nèi)的線椒株高進(jìn)行分析，并未考慮線椒在幼苗期、開(kāi)花期及坐果期的生長(zhǎng)情況，所以本文中預(yù)測(cè)網(wǎng)絡(luò)僅適用于定植后線椒株高的預(yù)測(cè)。試驗(yàn)期間，作物生長(zhǎng)未經(jīng)受任何環(huán)境脅迫與營(yíng)養(yǎng)脅迫，如外界環(huán)境發(fā)生較大變化時(shí)，會(huì)對(duì)網(wǎng)絡(luò)預(yù)測(cè)結(jié)果造成一定影響。所以，該預(yù)測(cè)網(wǎng)絡(luò)在適應(yīng)性和穩(wěn)定性方面存在一定局限性。后續(xù)研究應(yīng)更多關(guān)注作物在不同生長(zhǎng)階段，不同生長(zhǎng)參數(shù)的預(yù)測(cè)研究以及環(huán)境脅迫與營(yíng)養(yǎng)脅迫對(duì)預(yù)測(cè)結(jié)果精度帶來(lái)的影響。 綜上所述，集合經(jīng)驗(yàn)?zāi)B(tài)分解法可以根據(jù)時(shí)間序列自身時(shí)間尺度特征，自適應(yīng)地將時(shí)間序列分解到不同時(shí)間尺度上，清晰地表達(dá)出原始時(shí)間序列在不同時(shí)間尺度第 18 期 張 瑜等：基于集合經(jīng)驗(yàn)?zāi)B(tài)分解與 Elman 神經(jīng)網(wǎng)絡(luò)的線椒株高預(yù)測(cè) 173 上的波動(dòng)情況，有效解決溫室中環(huán)境因子與作物生長(zhǎng)量時(shí)間尺度不統(tǒng)一的問(wèn)題。應(yīng)用 Elman 神經(jīng)網(wǎng)絡(luò)雙層反饋結(jié)構(gòu)可以提高時(shí)間序列的預(yù)測(cè)精度。 EEMD 與 Elman 神經(jīng)網(wǎng)絡(luò)結(jié)合可以準(zhǔn)確預(yù)測(cè)作物實(shí)際生長(zhǎng)量，為溫室環(huán)境控制系統(tǒng)控制目標(biāo)優(yōu)化提供有效參數(shù)，實(shí)現(xiàn)有效提高溫室環(huán)境控制系統(tǒng)的控制效果的目的。 參 考 文 獻(xiàn) 1 Straten G, van Challa H, Buwalda F. Towards user accepted optimal control of greenhouse climateJ. Computers and Electronics in Agriculture, 2000, 26(3): 221 238. 2 Pucheta J A, Schugurensky C, Fullana R, et al. Optimal greenhouse control of tomato seedling cropsJ. Computers and Electronics in Agriculture, 2006, 50(1): 70 82. 3 倪紀(jì)恒，羅衛(wèi)紅，李永秀，等 . 溫室番茄干物質(zhì)分配與產(chǎn)量的模擬分析 J. 應(yīng)用生態(tài)學(xué)報(bào)， 2006， 17(5)： 811 816. Ni Jiheng, Luo Weihong, Li Yongxiu, et al. Simulation of greenhouse tomato dry matter partitioning and yield predictionJ. Chinese Journal of Applied Ecology, 2006, 17(5): 811 816. (in Chinese with English abstract) 4 李永秀，羅衛(wèi)紅，倪紀(jì)恒，等 . 溫室黃瓜干物質(zhì)分配與產(chǎn)量預(yù)測(cè)模擬模型初步研究 J. 農(nóng)業(yè)工程學(xué)報(bào)， 2006， 22(2)：116 121. Li Yongxiu, Luo Weihong, Ni Jiheng, et al. Simulation of dry matter partitioning and yield prediction in greenhouse cucumberJ. Transactions of the Chinese Society of Agricultural Engineering (Transactions of the CSAE), 2006, 22(2): 116 121. (in Chinese with English abstract) 5 Ma Yuntao, Wen Meiping, Guo Yan, et al. Parameter optimization and field validation of the functional-structural model GREENLAB for maize at different population densitiesJ. Annals of Botany, 2008, 101(8): 1185 1194. 6 Yan Hongping, Kang Mengzheng, de Reffye P, et al. A dynamic, architectural plant model simulating resource- dependent growthJ. Annals of Botany, 2004, 93(5): 591602. 7 Carvalho S M P, Heuvelink E, Cascals R, et al. Effect of day and night temperature on internode and stem length in chrysanthemum: Is everything explained by DIF?J. Annals of Botany, 2002, 90(1): 111 118. 8 Larsen R U, Cecilia H. Predicting leaf unfolding in flower induced shoots of greenhouse grown chrysanthemumJ. Scientia Horticulturae, 1995, 63(3/4): 225 239. 9 Carvalho S M P, Heuvelink E, van Kooten O. Effect of light intensity, plant density and flower bud removal on flower size and number in cut chrysanthemumJ.Aeta Horticulturae, 2002, 593(3): 33 38. 10 NothnagI M, Kosiba A, Larsen R U. Predicting the effect of irradiance and temperature on the flower diameter of greenhouse grown chrysanthemumJ. Seientia Hortieulturae, 2004, 99(3/4): 319 329. 11 王定成，喬曉軍，汪春秀，等 . 基于作物響應(yīng)的溫室環(huán)境 SVMR 控制仿真 J. 農(nóng)業(yè)工程學(xué)報(bào)， 2010， 26(增刊 2)：290 293. Wang Dingcheng, Qiao Xiaojun, Wang Chunxiu, et al. Simulation of greenhouse environment SVMR control based on plant responseJ. Transactions of the Chinese Society of Agricultural Engineering (Transactions of the CSAE), 2010, 26(Supp.2): 290 293. (in Chinese with English abstract) 12 李永博，周偉，汪小旵，等 . 基于奇異攝動(dòng)理論的綜合溫室控制系統(tǒng)設(shè)計(jì) J. 農(nóng)業(yè)機(jī)械學(xué)報(bào)， 2012， 43(5)： 184189. Li Yongbo， Zhou Wei， Wang Xiaochan， et al Greenhouse control system design based on singular perturbation theoryJ. Transactions of the Chinese Society for Agricultural Machinery, 2012, 43(5): 184 189. (in Chinese with English abstract) 13 張瑜，汪小旵，孫國(guó)祥，等 . 基于激光視覺(jué)的溫室作物莖葉量測(cè)方法研究 J. 農(nóng)業(yè)機(jī)械學(xué)報(bào)， 2014， 45(9)： 254259. Zhang Yu, Wang Xiaochan, Sun Guoxiang, et al. Leaves and stems measurement of plants based on laser vision in greenhousesJ. Transactions of the Chinese Society for Agricultural Machinery, 2014, 45(9): 254 259. (in Chinese with English abstract) 14 Field R. Spatial species-richness gradients across scales:A meta-analysisJ. Journal of biogeography, 2009, 36(1): 132147. 15 Crawford J. Multi-scale investigations of alpine vascular plant species in the San Juan Mountains of Colorado, USA GLORIA target region. Scientifica Acta, 2008, 2(2): 65 69. 16 Foody G M.Spatial non-stationarity and scale-dependency in the relationship between species richness and environmental determinants for the sub-Saharan endemic avifaunaJ. Global Ecology and Biogeography, 2004, 13(4): 315 320. 17 Keitt T H, Urban D L. Scale-specific inference using waveletsJ. Ecology, 2005, 86(9): 2497 2504. 18 Grinsted A, Moore J C, Jevrejeva S. Application of cross wavelet transform and wavelet coherence to geophysical time seriesJ. Nonlinear Processes in Geophysics, 2004, 11: 561566. 19 Zhou Y, Tao T, Mei X, et al. Feed-axis gearbox condition monitoring using built-in position sensors and EEMD methodJ. Robotics and Computer-Integrated Manufacturing, 2011, 27(4): 785 793. 20 Ai-Ho L, Che-Chou S, Pai-Chi L. Potential contrast improvement in ultrasound pulse inversion imaging using EMD and EEMDJ. Ultrasonics, Ferroelectrics and Frequency Control, IEEE Transactions on, 2010, 57(2): 317 326. 21 Huang N E, Zheng S, Long S R, et al. The empirical mode decomposition and the Hilbert spectrum for nonlinear and non-stationary time series analysisJ. Proc R Soc Lond, 1998, 454: 903 995. 22 Huang Norden E, Attoh-Okine N O.The Hilbert-Huang transform in engineeringM. England,Taylor 2. Jiangsu Modern Facilities Agricultural Technology and Equipment Engineering Laboratory, Nanjing 210031, China) Abstract: In order to improve the performance of greenhouse control system and figure out the multi-time scale variable problem between plant growth and environment elements in greenhouses, the ensemble empirical mode decomposition (EEMD) and Elman neural network were used to predict cayenne pepper height in this paper. Taking the cayenne pepper 8819 and its plant height and environment elements (temperature, relative humidity, total inner radiation) as research object, plant height and environment elements were decomposed by the method of EEMD. The cayenne pepper plants sampled were irrigated with the nutrient solution with electricity conductivity of 2.0 and pH value of 6.5 from Shandong Agricultural University. Five intrinsic mode functions (imfs) were obtained by the EEMD, named imf1, imf2, imf3, imf4 and imf5. Oscillations of cayenne pepper plant height and environment elements at different frequency were shown by imf1, imf2, imf3 and imf4, whi