1.41果樹灌溉預(yù)測(cè)和控制算法的關(guān)鍵技術(shù)分析目錄TOC\o"1-3"\h\u6380果樹灌溉預(yù)測(cè)和控制算法的關(guān)鍵技術(shù)分析 1234471.1主成分分析 1249631.2循環(huán)神經(jīng)網(wǎng)絡(luò)和長(zhǎng)短時(shí)記憶網(wǎng)絡(luò) 3283911.1.1循環(huán)神經(jīng)網(wǎng)絡(luò) 336991.1.2長(zhǎng)短時(shí)記憶神經(jīng)網(wǎng)絡(luò) 4105161.3注意力機(jī)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預(yù)測(cè)算法和控制算法可行性分析 8將圍繞果樹蒸騰量預(yù)測(cè)算法和灌溉控制算法的相關(guān)理論基礎(chǔ)和關(guān)鍵技術(shù)展開論述，包括影響蒸騰量關(guān)鍵影響因子的篩選方法，即主成分分析方法，預(yù)測(cè)模型用到的長(zhǎng)短時(shí)記憶神經(jīng)網(wǎng)絡(luò)和注意力機(jī)制，控制模型中的模糊控制技術(shù)。最后對(duì)主成分分析、長(zhǎng)短時(shí)記憶神經(jīng)網(wǎng)絡(luò)、注意力機(jī)制、模糊控制進(jìn)行可行性分析，為后續(xù)章節(jié)打下基礎(chǔ)。1.1主成分分析多變量問題經(jīng)常在實(shí)際生活中碰到，變量過多會(huì)增加解決問題的難度，但是往往多個(gè)變量之間具有部分相關(guān)性。因此，實(shí)現(xiàn)用較少的新變量代替原來較多的變量，并使這些較少的新變量保留盡可能多的原始變量所反映的信息成為關(guān)鍵問題。主成分分析（PrincipalComponentAnalysis,PCA），是一種常用的解決多變量問題的方法，其主要思想是：將多維的數(shù)據(jù)特征映射成低維的數(shù)據(jù)特征，新形成的低維數(shù)據(jù)特征被稱為主成分，降低了數(shù)據(jù)的維度的同時(shí)可以包含大部分的數(shù)據(jù)信息[33]。主成分分析可以減少數(shù)據(jù)的維數(shù)，用少數(shù)變量代替原來的多個(gè)變量，從而可以降低預(yù)測(cè)模型的復(fù)雜度。其計(jì)算步驟如下所示[34]：步驟1：在數(shù)據(jù)的選取中，由于每個(gè)因子所代表的物理意義不同，因此每個(gè)因子的量綱上也不會(huì)相同，將數(shù)據(jù)標(biāo)準(zhǔn)化，可以使數(shù)據(jù)在相同的量綱上，方便計(jì)算，計(jì)算公式如式（2-1）所示： （2-1）式中——分量的均值；——分量的標(biāo)準(zhǔn)差；——標(biāo)準(zhǔn)化數(shù)據(jù)矩陣。步驟2：將數(shù)據(jù)標(biāo)準(zhǔn)化后，計(jì)算數(shù)據(jù)的相關(guān)系數(shù)并構(gòu)成矩陣，計(jì)算矩陣對(duì)應(yīng)的特征值，計(jì)算公式如式（2-2）、（2-3）所示： （2-2） （2-3）式中——相關(guān)系數(shù)矩陣；——標(biāo)準(zhǔn)化數(shù)據(jù)和的相關(guān)系數(shù)；——特征值；——單位矩陣。式中得到的m個(gè)特征值，將其按照從大到小的順序進(jìn)行排列，并且求出對(duì)應(yīng)的特征向量ej。步驟3：計(jì)算貢獻(xiàn)率與累計(jì)貢獻(xiàn)率，如式（2-4）、（2-5）所示： （2-4） （2-5）式中——貢獻(xiàn)率；——累計(jì)貢獻(xiàn)率。利用主成分分析來降低變量的維度，最后取得的主成分個(gè)數(shù)一般都會(huì)小于原來變量的個(gè)數(shù)，一般當(dāng)累計(jì)貢獻(xiàn)率大于85%時(shí)所得的主成分個(gè)數(shù)最合適，這樣信息損失的不多，同時(shí)可以減少變化量[35]。步驟4：確定主成分，計(jì)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；——主成分得分系數(shù)。1.2循環(huán)神經(jīng)網(wǎng)絡(luò)和長(zhǎng)短時(shí)記憶網(wǎng)絡(luò)1.1.1循環(huán)神經(jīng)網(wǎng)絡(luò)神經(jīng)網(wǎng)絡(luò)的概念是由神經(jīng)科學(xué)家McCulloch等人在1943年提出，當(dāng)時(shí)神經(jīng)網(wǎng)絡(luò)被用來解決人腦中神經(jīng)元的信號(hào)閾值系統(tǒng)的問題[36]。后來神經(jīng)網(wǎng)絡(luò)的應(yīng)用范圍越來越廣，逐漸被各個(gè)領(lǐng)域的學(xué)者們重視，廣泛應(yīng)用在各個(gè)領(lǐng)域。傳統(tǒng)的人工神經(jīng)網(wǎng)絡(luò)（ArtificialNeuralNetwork,ANN）是基于梯度下降算法進(jìn)行模型的優(yōu)化，通過多次迭代逐層更新模型權(quán)重[37]。模型的學(xué)習(xí)速度較慢，訓(xùn)練時(shí)間較長(zhǎng)，只能處理單一的數(shù)據(jù)，且容易陷入局部最優(yōu)點(diǎn)，導(dǎo)致模型的泛化能力差。此外，神經(jīng)網(wǎng)絡(luò)的種類繁多，不同的神經(jīng)網(wǎng)絡(luò)適合求解的問題也是不同的，選擇合適的神經(jīng)網(wǎng)絡(luò)，對(duì)待求解的問題進(jìn)行建模會(huì)達(dá)到事半功倍的效果。循環(huán)神經(jīng)網(wǎng)絡(luò)（RecurrentNeuralNetwork,RNN）是一種特殊的網(wǎng)絡(luò)模型[38]，是基于過去的記憶而建立的，其特殊之處在于網(wǎng)絡(luò)是基于人類認(rèn)知的，可以記憶以前的內(nèi)容，被廣泛應(yīng)用在與時(shí)間序列相關(guān)的任務(wù)中。RNN的輸出不僅與目前的輸入值有關(guān)，而且還與以前的輸出值有關(guān)。具體來說，RNN是記住先前的信息，將記住的先前的信息用于計(jì)算當(dāng)前輸出的一種網(wǎng)絡(luò)模型。如圖2-1所示為循環(huán)神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)的示意圖。圖2-1循環(huán)神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)示意圖Fig.2-1Schematicdiagramofcyclicneuralnetworkstructure從圖2-1可以看出RNN主要由輸入層、隱含層和輸出層三個(gè)層次構(gòu)成，每個(gè)當(dāng)前時(shí)刻的輸入都會(huì)對(duì)應(yīng)當(dāng)前狀態(tài)的一個(gè)輸出，輸出值不僅取決于當(dāng)前的輸入，還取決于上一時(shí)刻隱含層的值[39]。其計(jì)算公式如式（2-7）、（2-8）所示： （2-7） （2-8）式中——輸入的數(shù)據(jù)；——隱含層的值；——輸出的值；——輸入層到隱含層的權(quán)重系數(shù)；——隱含層上一時(shí)刻的值到當(dāng)前時(shí)刻的值的傳遞系數(shù)；——隱含層到輸出層的權(quán)重系數(shù)；——輸入層到隱含層的激活函數(shù)；——隱含層到輸出層的激活函數(shù)。1.1.2長(zhǎng)短時(shí)記憶神經(jīng)網(wǎng)絡(luò)循環(huán)神經(jīng)網(wǎng)絡(luò)雖然具有保存歷史數(shù)據(jù)信息的優(yōu)點(diǎn)，但是自身也存在著局限性，特別是在輸入長(zhǎng)時(shí)間序列的時(shí)候，RNN存在嚴(yán)重的“梯度消失”的問題，從而導(dǎo)致網(wǎng)絡(luò)模型難以訓(xùn)練。因此，Hochreiter等人提出RNN的改進(jìn)模型，即長(zhǎng)短時(shí)記憶神經(jīng)網(wǎng)絡(luò)（LongShort-termMemoryNetworks,LSTM）[40]。LSTM神經(jīng)網(wǎng)絡(luò)是通過構(gòu)建貫穿始終的“細(xì)胞狀態(tài)”來存儲(chǔ)歷史數(shù)據(jù)的，可以有效的緩解“梯度消失”問題。LSTM模型是RNN的變體，是一種特殊的RNN模型，雖然RNN被設(shè)計(jì)用來處理序列問題，但是其存在“梯度消失”的問題，會(huì)嚴(yán)重影響模型的性能。LSTM神經(jīng)網(wǎng)絡(luò)可以有效地解決RNN無法捕捉的長(zhǎng)時(shí)間間隔輸入的相互依賴關(guān)系的問題。LSTM的關(guān)鍵思想是細(xì)胞狀態(tài)，即記憶，這是LSTM可以解決長(zhǎng)時(shí)依賴的重要原因。其次，LSTM有三個(gè)控制門，這三個(gè)控制門相互配合，通過控制該時(shí)刻和上一時(shí)刻兩個(gè)時(shí)刻的輸入、輸出，來對(duì)細(xì)胞狀態(tài)進(jìn)行更新，可以很好的解決“梯度消失”的問題。為了解決長(zhǎng)時(shí)依賴的問題，在LSTM單元中，使用三個(gè)閾值層，用來有效控制可以通過門的信息量[41]。圖2-2為L(zhǎng)STM記憶細(xì)胞的結(jié)構(gòu)圖。圖2-2LSTM記憶細(xì)胞的結(jié)構(gòu)Fig.2-2StructureofLSTMmemorycells第一步是LSTM用來決定什么信息可以通過“cellstate”（細(xì)胞狀態(tài)），這個(gè)決定由“forgetgate”層（遺忘層）通過sigmoid單元來控制，sigmoid函數(shù)輸出一個(gè)（0,1）之間的值，過濾上一時(shí)刻傳遞下來的信息以及當(dāng)前時(shí)刻輸入的信息，計(jì)算公式如（2-9）所示： （2-9）第二步是利用“inputgate”層（輸入層），通過sigmoid單元產(chǎn)生需要更新的數(shù)據(jù)，計(jì)算公式如（2-10）所示： （2-10）第三步是對(duì)以前的“cellsate”（細(xì)胞狀態(tài)）進(jìn)行更新，計(jì)算公式如（2-11）所示： （2-11）第四步是計(jì)算本時(shí)間節(jié)點(diǎn)LSTM的輸出值。首先計(jì)算得到一個(gè)初始輸出，然后將值縮放到-1到1之間，將與縮放后的相乘，最后得到模型的輸出，計(jì)算公式如（2-12）、（2-13）所示： （2-12） （2-13）式中——輸入；——輸入門；——遺忘門；——時(shí)刻的細(xì)胞單元狀態(tài)；——時(shí)刻輸出的細(xì)胞狀態(tài)；——時(shí)刻的輸出；——sigmoid函數(shù)；——雙曲正切函數(shù)；、、、——偏執(zhí)向量；、、、、、、、——權(quán)重系數(shù)。1.3注意力機(jī)制通常，大多數(shù)網(wǎng)絡(luò)模型的輸入值都是單一的變量。但是，如果用單一的變量來描述，模型的最終效果可能會(huì)不盡人意。因此，可以將多個(gè)特征作為網(wǎng)絡(luò)模型的輸入，通過輸入多個(gè)不同的特征來獲取輸入的多個(gè)方面，從而提高模型的精度。Treisman和Gelade提出了注意力機(jī)制（AttentionMechanism），是一個(gè)用來模擬人類注意力的模型，由于在整個(gè)模型訓(xùn)練中并非所有的中間節(jié)點(diǎn)信息都有著相同的貢獻(xiàn)程度，模型中往往存在著關(guān)鍵特征向量，還存在著一些噪聲，影響模型的預(yù)測(cè)程度，Attention機(jī)制突出了關(guān)鍵特征向量對(duì)輸出的貢獻(xiàn)，很好地優(yōu)化了傳統(tǒng)模型[42]。Attention機(jī)制將主要權(quán)重分配給重要的特征向量，忽略輸入中的噪聲和冗余情況下的不重要的特征向量，最后將不同權(quán)重的特征向量在注意力模型中加權(quán)組合，提高模型的精度[43]。注意力機(jī)制通過對(duì)模型輸入特征進(jìn)行計(jì)算，為不同輸入特征賦予不同的權(quán)重，對(duì)關(guān)鍵特征向量賦予更高的權(quán)重，以幫助模型做出更準(zhǔn)確的判斷。由于Attention機(jī)制可以執(zhí)行高度并行的計(jì)算，因此對(duì)模型的計(jì)算開銷幾乎沒有影響。圖2-3所示為Attention機(jī)制的結(jié)構(gòu)圖。圖2-3Attention機(jī)制結(jié)構(gòu)圖Fig.2-3StructurediagramoftheAttentionMechanismAttention機(jī)制的計(jì)算公式如（2-14）、（2-15）、（2-16）所示： （2-14） （2-15） （2-16）式中——從最開始隱含層到最近的隱含層的注意力值；——每個(gè)隱含層所占比重大小的權(quán)重系數(shù)；——第時(shí)刻隱含層的注意力向量；——各個(gè)隱含層狀態(tài)；——第時(shí)刻的偏移；——第時(shí)刻注意力的權(quán)重系數(shù)矩陣；——第時(shí)刻注意力所決定的能量值。1.4模糊控制算法1.4.1模糊控制基本概述模糊控制（FuzzyControl）是指將數(shù)學(xué)知識(shí)和模糊思維相結(jié)合來解決一些棘手的問題[44]。作為一種將模糊理論、模糊推理、模糊語言三者相結(jié)合而形成的智能控制算法，模擬人類的思維方式對(duì)模糊的變量進(jìn)行總結(jié)和判斷，從而輸出精確的值用來控制某個(gè)對(duì)象，達(dá)到智能控制的目的。1965年，美國(guó)控制論專家L.A.Zadeh提出了模糊集的相關(guān)理論，主要解決了系統(tǒng)的非線性和系統(tǒng)內(nèi)部多輸入多輸出的問題[45]；1974年，以E.H.Mamdani為代表的學(xué)者將模糊控制的思想應(yīng)用在在蒸汽機(jī)中，并取得成功，自此標(biāo)志著模糊控制概念的正式誕生[46]。在傳統(tǒng)的控制領(lǐng)域中，系統(tǒng)大多會(huì)受到外部環(huán)境干擾的影響。系統(tǒng)在實(shí)際操作過程中，由于變量太多，往往不能精準(zhǔn)的對(duì)系統(tǒng)進(jìn)行控制，從而會(huì)產(chǎn)生很多難以解決的問題。模糊控制通過計(jì)算機(jī)處理實(shí)際操作中復(fù)雜的、難以處理的數(shù)字模型，使用的語言方便、簡(jiǎn)潔，不需要建立確定的數(shù)學(xué)公式模型，對(duì)解決系統(tǒng)中的時(shí)變性和非線性等問題具有很好的效果。模糊控制已經(jīng)在工業(yè)、無線通信、化工等領(lǐng)域得到了廣泛的應(yīng)用，并取得了很大的成功[47]。1.4.2模糊控制基本原理如圖2-4所示為模糊控制結(jié)構(gòu)圖。首先，將傳感器測(cè)得的信號(hào)輸入到模糊控制器中，然后進(jìn)行模糊化處理，將一個(gè)精確值轉(zhuǎn)化為模糊值；其次，根據(jù)專家經(jīng)驗(yàn)制定模糊規(guī)則，進(jìn)行模糊推理，根據(jù)模糊規(guī)則進(jìn)行推理演算；最后，解模糊化，從而將得到的信號(hào)的輸出，下發(fā)命令到執(zhí)行機(jī)構(gòu)進(jìn)行模糊控制。圖2-4模糊控制結(jié)構(gòu)圖Fig.2-4Fuzzycontrolstructurediagram從圖2-4可以看出，模糊控制器作為模糊控制的核心部分，其基本結(jié)構(gòu)主要包括模糊化、模糊規(guī)則庫、模糊推理、解模糊化四部分[48]：（1）模糊化模糊化的作用是將一個(gè)確定值轉(zhuǎn)化為一個(gè)模糊矢量，定義模糊語言變量，以及模糊語言變量對(duì)應(yīng)的隸屬度函數(shù)。（2）模糊規(guī)則模糊規(guī)則由兩部分構(gòu)成，分別是數(shù)據(jù)庫和規(guī)則庫。數(shù)據(jù)庫中存放的是數(shù)據(jù)，規(guī)則庫中存放的則是根據(jù)專家長(zhǎng)期積累的經(jīng)驗(yàn)所制定的規(guī)則。模糊控制器依據(jù)規(guī)則庫制定的規(guī)則進(jìn)行推理運(yùn)算。（3）模糊推理推理是根據(jù)制定的模糊規(guī)則，進(jìn)行推理演算，求解方程的過程。最終獲得輸出的模糊值。（4）解模糊經(jīng)過模糊推理得到的輸出值只是一個(gè)模糊矢量值，并不是一個(gè)精確值，必須經(jīng)過解模糊化，得到一個(gè)確定的輸出，才能將其作用在執(zhí)行機(jī)構(gòu)。1.5預(yù)測(cè)算法和控制算法可行性分析水果的品質(zhì)與果樹的種植環(huán)境息息相關(guān)，果園種植環(huán)境復(fù)雜，果實(shí)的品質(zhì)受溫度、濕度、光照強(qiáng)度等各種環(huán)境因素的影響。水作為果樹的主要組成部分，在果樹的各組織中起著重要的作用。因此，選擇合適的果園需水量預(yù)測(cè)算法和灌溉控制算法，對(duì)制定灌溉計(jì)劃進(jìn)行合理灌溉具有重要的意義。果樹的蒸騰作用作為果園用水消耗的主要部分，若能用較高的精度估算作物的蒸騰量，對(duì)提高農(nóng)業(yè)用水率十分重要。因此，本文將蒸騰量作為果園灌溉的重要影響指標(biāo)。（1）主成分分析可行性分析由于影響果樹蒸騰量的環(huán)境因子很多，例如當(dāng)溫度升高，風(fēng)速變大，會(huì)使蒸騰量變大；當(dāng)溫度較低，空氣濕度較大，會(huì)使蒸騰量變小。傳感器采集的各種環(huán)境因子之間具有一定的耦合性，如果將所有變量輸入到預(yù)測(cè)模型中，會(huì)使預(yù)測(cè)模型變得復(fù)雜，從而增加了模型預(yù)測(cè)的難度。應(yīng)用PCA將變量的維數(shù)減少，降低變量間的關(guān)聯(lián)性，用少數(shù)變量代替原來的多個(gè)變量，降低了預(yù)測(cè)模型的復(fù)雜度。（2）LSTM神經(jīng)網(wǎng)絡(luò)可行性分析傳統(tǒng)的計(jì)算蒸騰量的方法是利用彭曼公式進(jìn)行計(jì)算，所涉及的數(shù)據(jù)較多，計(jì)算復(fù)雜，因此尋求一種穩(wěn)定、預(yù)測(cè)精度高的蒸騰量預(yù)測(cè)模型至關(guān)重要，LSTM神經(jīng)網(wǎng)絡(luò)特別適合處理與時(shí)間相關(guān)的長(zhǎng)時(shí)數(shù)據(jù)序列，而且可以有效地緩解RNN神經(jīng)網(wǎng)絡(luò)“梯度消失”的問題，每一時(shí)刻的輸