[0031] 结合附图1‑6，对本发明技术方案作进一步描述：
[0032] 1、系统总体功能的设计
[0033] 本发明实现对青椒温室环境因子参数进行检测和青椒温室环境多点温度融合，该系统由基于CAN现场总线的青椒温室环境参数采集平台和青椒温室温度智能预警系统两部分组成。基于CAN现场总线的青椒温室环境参数采集平台包括青椒温室环境参数的检测节点1和调节青椒温室环境参数的控制节点2，通过CAN现场总线方式构建成测控网络来实现检测节点1、控制节点2和现场监控端3之间的现场通信；检测节点1将检测的青椒温室环境参数发送给现场监控端3并对传感器数据进行初步处理；现场监控端3把控制信息传输到检测节点1和控制节点2。整个系统结构见图1所示。
[0034] 2、检测节点的设计
[0035] 采用基于CAN现场总线的检测节点1作为青椒温室环境参数感知终端，检测节点1和控制节点2通过CAN现场总线方式实现与现场监控端3之间的信息相互交互。检测节点1包括采集青椒温室环境温度、湿度、风速和光照度参数的传感器和对应的信号调理电路、STC89C52RC微处理器；检测节点的软件主要实现现场总线通信和青椒温室环境参数的采集与预处理。软件采用C语言程序设计，兼容程度高，大大提高了软件设计开发的工作效率，增强了程序代码的可靠性、可读性和可移植性。检测节点结构见图3。
[0036] 3、控制节点的设计
[0037] 控制节点2在输出通路设计了4路D/A转换电路实现对温度、湿度、风速和光照度的调节输出量控制电路、STC89C52RC微处理器和无线通信模块接口，实现对青椒温室环境控制设备进行控制，控制节点见图4。
[0038] 4、现场监控端软件
[0039] 现场监控端3是一台工业控制计算机，现场监控端3主要实现对青椒温室环境参数进行采集和温度预警，实现与检测节点1与控制节点2的信息交互，现场监控端3主要功能为通信参数设置、数据分析与数据管理和青椒温室环境多点温度融合。该管理软件选择了Microsoft Visual++6.0作为开发工具，调用系统的Mscomm通信控件来设计通讯程序，青椒温室温度智能预警系统包括青椒温室温度预测子系统、青椒温室湿度预测子系统、青椒温室风速预测子系统、青椒温室温度校正模型和HRFNN递归神经网络青椒温室温度等级分类器；青椒温室温度智能预警系统见图2所示，现场监控端软件功能见图5。青椒温室温度智能预警系统算法如下：
[0040] (1)、青椒温室温度预测子系统设计
[0041] 青椒温室温度预测子系统包括青椒温室环境温度减法聚类分类器、多个HRFNN递归神经网络温度预测模型、HRFNN递归神经网络青椒温室温度预测融合模型；
[0042] A、青椒温室环境温度减法聚类分类器
[0043] 青椒温室温度减法聚类与其他聚类方法相比，不需要预先确定聚类数，仅根据青椒温室温度样本数据密度即可快速确定青椒温室温度聚类中心的位置和聚类数，而它把每一个青椒温室温度数据点作为一个潜在的聚类中心的特性，使得青椒温室温度聚类的结果与问题的维数无关。因此，青椒温室温度减法聚类算法是一种适合基于青椒温室温度数据建模的规则自动提取方法。设定m维空间中的N个青椒温室温度数据点(X1,X2,…XN)，每个数据点Xi＝(xi,1,xi,1,…,xi,m)都是聚类中心的候选者，i＝1,2,…,N，数据点Xi的密度函数定义为：
[0044]
[0045] 式中，半径ra是一个正数，ra定义了该点的一个影响邻域，半径以外的数据点对该点的密度指标贡献非常小，一般忽略不计。计算每一点Xi的密度值，选择具有最高密度指标Dc1的数据点作为第一个聚类中心Xc1；然后修正密度值，消除前面已有聚类中心的影响。按下式修正密度值:
[0046]
[0047] 其中，Dc1是初始聚类中心对应的最高密度值，修正半径rb的设定是为了避免第二个聚类中心点离前一个中心点太近，一般设定为rb＝ηra,1.25≤η≤1.5。修正每个数据点的密度指标后，当Dck与Dc1满足下式时，该密度指标对应的聚类中心即为第K个聚类中心。不断重复这个过程，直到新的聚类中心Xck的相应的密度指标Dck与Dc1满足下式时终止聚类:
[0048] Dck/Dc1＜δ (3)
[0049] 式中，δ是根据实际情况提前设定的阈值。
[0050] 本发明提出的在线聚类方法基本思想如下:如果一个青椒温室温度点到一个组的中心的距离小于聚类半径ra，那么该点属于此组，当获得新的数据时，组和组的中心做相应的变化。随着输入青椒温室温度空间数据的不断增加，本发明算法通过实时动态的调整青椒温室温度聚类中心与聚类个数获得更好的输入空间划分，步骤如下：
[0051] 步骤1：青椒温室温度数据归一化处理，输入数据各维聚类半径ra及阈值δ等参数设定。
[0052] 步骤2：由青椒温室温度数据集进行减法聚类得到c个聚类中心并存储vi(i＝1,2,…,c)及其对应的密度值D(vi)。
[0053] 步骤3：当新增的在线青椒温室温度数据集中的第k个数据到来时，计算xk(k＝1,2,…,M)到i个聚类中心vi的距离dki＝||xk‑vi||，若dki＞ra，转到步骤4；若dki≤ra，转到步骤
5。
[0054] 步骤4：由式(2)计算xk的密度值D(xk)，并且D(xk)＞ε，则说明青椒温室温度数据xk不属于任何一个已有的聚类，则新创建一个聚类，输入空间的聚类个数c＝c+1，返回步骤3。
[0055] 步骤5：根据最小距离准则确定数据点xk属于最近的聚类子集，进一步比较新数据xk的密度值与聚类中心的密度值，如果D(xk)＞D(vi)，则数据xk更靠近其最近的聚类中心，xk取代原聚类中心作为该子集的新聚类中心；如果D(xk)≤D(vi)，则保持聚类结果不改变，判断新增数据组是否结束。如果结束，则转到步骤6；否则，返回步骤3.。
[0056] 步骤6：计算聚类中心vi与vj之间的距离，如果min||vi‑vj||≤(0.5‑0.7)ra，且D(vi)＞D(vj)，则说明聚类子集vi与vj可以合并为一个聚类，该聚类中心为vi；否则保持聚类结果不变。
[0057] 青椒温室温度减法聚类实现对青椒温室温度历史数据进行分类，每一类青椒温室温度输入各自对应的HRFNN递归神经网络预测模型来预测温室温度未来值。
[0058] B、多个HRFNN递归神经网络温度预测模型
[0059] 多个HRFNN递归神经网络预测模型的输入是多类青椒温室温度的历史数据，多个HRFNN递归神经网络预测模型的输入的输出为各类青椒温室温度的预测值。HRFNN递归神经网络预测模型是多输入单输出的网络拓扑结构，网络由4层组成：输入层、成员函数层、规则层和输出层。网络包含n个输入节点，其中每个输入节点对应m个条件节点，m代表规则数，nm个规则节点，1个输出节点。第Ⅰ层将输入引入网络；第Ⅱ层将输入模糊化，采用的隶属函数为高斯函数；第Ⅲ层对应模糊推理；第Ⅳ层对应去模糊化操作。用 分别代表第k层的第i个节点的输入和输出，则网络内部的信号传递过程和各层之间的输入输出关系可以描述如下。第Ⅰ层：输入层，该层的各输入节点直接与输入变量相连接，网络的输入和输出表示为：
[0060]
[0061] 式中 和 为网络输入层第i个节点的输入和输出，N表示迭代的次数。第Ⅱ层：成员函数层，该层的节点将输入变量进行模糊化，每一个节点代表一个隶属函数，采用高斯基函数作为隶属函数，网络的输入和输出表示为：
[0062]
[0063] 式中mij和σij分别表示第Ⅱ层第i个语言变量的第j项高斯基函数的均值中心和宽度值，m为对应输入节点的全部语言变量数。第Ⅲ层：模糊推理层，即规则层，加入动态反馈，使网络具有更好的学习效率，反馈环节引入内部变量hk，选用sigmoid函数作为反馈环节内部变量的激活函数。网络的输入和输出表示为：
[0064]
[0065] 式中ωjk是递归部分的连接权值，该层的神经元代表了模糊逻辑规则的前件部分，(3)该层节点对第二层的输出量和第三层的反馈量进行Π操作，aj 是第三层的输出量，m表示完全连接时的规则数。反馈环节主要是计算内部变量的值和内部变量相应隶属函数的激活强度。该激活强度与第3层的规则节点匹配度相关。反馈环节引入的内部变量，包含两种类型的节点：承接节点，反馈节点。承接节点，使用加权求和来计算内部变量，实现去模糊化的功能；内部变量表示的隐藏规则的模糊推理的结果。反馈节点，采用sigmoid函数作为模糊隶属度函数，实现内部变量的模糊化。第Ⅳ层：去模糊化层，即输出层。该层节点对输入量进行求和操作。网络的输入和输出表示为：
[0066]
[0067] 公式中λj是输出层的连接权值。HRFNN递归神经网络预测模型具有逼近高度非线性动态系统的性能，加入内部变量的递归神经网络的训练误差和测试误差分别为明显减少，本专利的HRFNN递归神经网络预测模型采用加入交叉验证的梯度下降算法对神经网络的权值进行训练。HRFNN递归神经网络预测模型通过在反馈环节引入内部变量，将规则层的输出量加权求和后再反模糊化输出作为反馈量，并将反馈量与隶属度函数层的输出量一起作为规则层的下一时刻的输入。网络输出包含规则层激活强度和输出的历史信息，增强了HRFNN递归神经网络预测模型适应非线性动态系统的能力，HRFNN递归神经网络预测模型可以准确地预测的青椒温室温度参数。
[0068] C、HRFNN递归神经网络青椒温室温度预测融合模型
[0069] HRFNN递归神经网络青椒温室温度预测融合模型的输入是多个各类HRFNN递归神经网络温度预测模型的输出值，HRFNN递归神经网络青椒温室温度预测融合模型的输出是对多个各类HRFNN递归神经网络温度预测模型的输出值的融合，HRFNN递归神经网络青椒温室温度预测融合模型的设计方法参照本专利的多个HRFNN递归神经网络温度预测模型设计方法。
[0070] (2)、青椒温室湿度预测子系统设计
[0071] 青椒温室湿度预测子系统包括青椒温室湿度经验模态(EMD)分解模型、多个最小二乘支持向量机(LS‑SVM)湿度预测模型和ANFIS神经网络青椒温室湿度预测融合模型；
[0072] A、青椒温室湿度经验模态(EMD)分解模型
[0073] 青椒温室湿度经验模态分解(EMD)是一种自适应信号筛选方法，具有计算简单、直观、基于经验和自适应的特点。它能将存在于青椒温室湿度历史数据信息中不同特征的趋势逐级筛选出来，得到多个高频波动部分(IMF)和低频趋势部分。青椒温室湿度经验模态分解分解出来的IMF分量包含了信息从高到低不同频率段的成分，每个频率段包含的频率分辨率都随信息本身变化，具有自适应多分辨分析特性。使用青椒温室湿度经验模态分解的目的就是为了更准确地提取青椒温室湿度历史数据信息。青椒温室湿度经验模态分解方法针对青椒温室湿度历史数据的“筛分”过程步骤如下：
[0074] ①.确定青椒温室湿度历史数据信息所有的局部极值点，然后用三次样条线将左右的局部极大值点连接起来形成上包络线。
[0075] ②.在用三次样条线青椒温室湿度历史数据信息的局部极小值点连接起来形成下包络线，上、下包络线应该包络所有的数据点。
[0076] ③.上、下包络线的平均值记为m1(t)，求出：
[0077] x(t)‑m1(t)＝h1(t) (8)
[0078] x(t)为青椒温室湿度历史数据信息原始信号，如果h1(t)是一个IMF，那么h1(t)就是x(t)的第一个IMF分量。记c1(t)＝h1k(t)，则c1(t)为信号x(t)的第一个满足IMF条件的分量。
[0079] ④.将c1(t)从x(t)中分离出来，得到：
[0080] r1(t)＝x(t)‑c1(t) (9)
[0081] 将r1(t)作为原始数据重复步骤①‑步骤④，得到x(t)的第2个满足IMF条件的分量c2。重复循环n次，得到信号x(t)的n个满足IMF条件的分量。这样青椒温室湿度经验模态分解模型就把青椒温室湿度历史数据信息分解成低频趋势部分和多个高频波动部分。
[0082] B、多个最小二乘支持向量机(LS‑SVM)湿度预测模型
[0083] 多个最小二乘支持向量机(LS‑SVM)湿度预测模型具有较强的泛化能力和全局能力，克服了其他机器学习方法的泛化能力差、过拟合和容易陷入局部最优等缺点，它是一种对标准支持向量机的扩展，该模型采用平方和误差损失函数代替标准支持向量机的不敏感损失函数，同时实现了将标准SVM算法中的不等式约束转化为等约束。因此，最小二乘支持向量机(LS‑SVM)模型将二次规划问题化简为求解线性方程组，明显降低了求解的复杂性，提高了计算速度。设青椒温室湿度低频和高频分量的历史数据训练样本集D＝{(xi,yi)|i＝1,2,…,n}，xi和yi，分别为输入和输出样本数据，n为样本数，它可以将输入样本从原空间映射到高维特征空间。引入拉格朗日方程，将带约束条件的优化问题转化为无约束条件的优化问题，可得到最小二乘支持向量机(LS‑SVM)模型的线性回归方程如下：
[0084]
[0085] 在求解过程中，为了避免求解复杂的非线性映射函数，引入了径向基核函数(radial basis function，RBF)替代高维空间中的点积运算，可以大大减少计算量，而且RBF核函数容易实现SVM的优化过程，因为它的每个基函数的中心与支持向量一一对应，且这些支持向量和权值都可以通过算法得到。因此，最小二乘支持向量机(LS‑SVM)模型为：
[0086]
[0087] 最小二乘支持向量机(LS‑SVM)模型的预测输出是青椒温室湿度历史数据在低频和高频状态下的预测值，每个中间节点对应一个支持向量，x1,x2,…xn为青椒温室湿度历史数据经过模式分解后的低频和高频信息，αi为网络权重。
[0088] C、ANFIS神经网络青椒温室湿度预测融合模型
[0089] ANFIS神经网络青椒温室湿度预测融合模型是基于神经网络的自适应模糊推理系统ANFIS，也称为自适应神经模糊推理系统(Adaptive Neuro‑Fuzzy Inference System)，将神经网络和自适应模糊推理系统有机地结合起来，既能发挥二者的优点，又可弥补各自的不足。ANFIS神经网络青椒温室湿度预测融合模型中的模糊隶属度函数及模糊规则是通过对大量青椒温室湿度已知的低频和高频预测值历史数据的学习得到的，ANFIS神经网络青椒温室湿度预测融合模型的输入为青椒温室湿度的低频和高频预测值，ANFIS神经网络青椒温室湿度预测融合模型的输出是对青椒温室湿度的低频和高频预测值的融合,ANFIS神经网络青椒温室湿度预测融合模型主要运算步骤如下:
[0090] 第1层:将输入的青椒温室湿度的低频和高频预测值模糊化，每个节点对应输出可表示为:
[0091]
[0092] 式n为每个输入隶属函数个数，隶属函数采用高斯隶属函数。
[0093] 第2层:实现规则运算，输出规则的适用度，ANFIS神经网络青椒温室湿度预测融合模型的规则运算采用乘法。
[0094]
[0095] 第3层:将各条规则的适用度归一化:
[0096]
[0097] 第4层:每个节点的传递函数为线性函数，表示局部的线性模型，每个自适应节点i输出为:
[0098]
[0099] 第5层:该层的单节点是一个固定节点，计算ANFIS神经网络青椒温室湿度预测融合模型的输出为:
[0100]
[0101] ANFIS神经网络青椒温室湿度预测融合模型中决定隶属函数形状的条件参数和推理规则的结论参数可以通过学习过程进行训练。参数采用线性最小二乘估计算法与梯度下降结合的算法调整参数。ANFIS神经网络青椒温室湿度预测融合模型每一次迭代中首先输入信号沿网络正向传递直到第4层，采用最小二乘估计算法调节结论参数；信号继续沿网络正向传递直到输出层(即第5层)。ANFIS神经网络青椒温室湿度预测融合模型将获得的误差信号沿网络反向传播，用梯度法更新条件参数。以此方式对ANFIS神经网络青椒温室湿度预测融合模型中给定的条件参数进行调整，可以得到结论参数的全局最优点，这样不仅可以降低梯度法中搜索空间的维数，还可以提高ANFIS神经网络青椒温室湿度预测融合模型参数的收敛速度。ANFIS神经网络青椒温室湿度预测融合模型的输出作为青椒温室湿度低频和高频分量预测值的融合值。
[0102] (3)、青椒温室风速预测子系统设计
[0103] 青椒温室风速预测子系统包括青椒温室风速经验模态(EMD)分解模型、多个ANFIS神经网络风速预测模型和最小二乘支持向量机(LS‑SVM)青椒温室风速预测融合模型；
[0104] A、青椒温室风速经验模态(EMD)分解模型
[0105] 青椒温室风速经验模态(EMD)分解模型是把青椒温室风速检测数据分解为多个高频分量和低频趋势分量,青椒温室风速经验模态(EMD)分解模型设计方法参照本专利青椒温室湿度经验模态(EMD)分解模型设计方法。
[0106] B、多个ANFIS神经网络风速预测模型
[0107] 多个ANFIS神经网络风速预测模型的输入为青椒温室风速检测数据的多个高频分量和低频趋势分量的时间时序值,多个ANFIS神经网络分速预测模型的输出为青椒温室风速检测数据的多个高频分量和低频趋势分量的预测值；多个ANFIS神经网络风速预测模型的设计方法参照本专利的ANFIS神经网络青椒温室湿度预测融合模型设计方法。
[0108] C、最小二乘支持向量机(LS‑SVM)青椒温室风速预测融合模型
[0109] 最小二乘支持向量机(LS‑SVM)青椒温室风速预测融合模型的输入为青椒温室风速检测数据的多个高频分量和低频趋势分量的预测值，最小二乘支持向量机(LS‑SVM)青椒温室风速预测融合模型实现对青椒温室风速检测数据的多个高频分量和低频趋势分量的预测值的融合，它的输出为青椒温室风速的预测值。最小二乘支持向量机(LS‑SVM)青椒温室风速预测融合模型设计方法参照本专利的多个最小二乘支持向量机(LS‑SVM)湿度预测模型设计方法。
[0110] (4)、青椒温室温度校正模型设计
[0111] 青椒温室温度校正模型由6个微分算子S和最小二乘支持向量机(LS‑SVM)组成，6个微分算子S平均分成3组，每组2个微分算子S相串联分别构成微分回路1和微分回路2以及微分回路3；青椒温室温度预测子系统的输出作为微分回路1的输入和最小二乘支持向量机(LS‑SVM)I端的输入，微分回路1的2个微分算子S的连接端的输出为最小二乘支持向量机(LS‑SVM)B端的输入，微分回路1的输出为最小二乘支持向量机(LS‑SVM)A端的输入；青椒温室湿度预测子系统的输出作为微分回路2的输入和最小二乘支持向量机(LS‑SVM)C端的输入，微分回路2的2个微分算子S的连接端的输出为最小二乘支持向量机(LS‑SVM)D端的输入，微分回路2的输出为最小二乘支持向量机(LS‑SVM)E端的输入；青椒温室风速预测子系统的输出作为微分回路3的输入和最小二乘支持向量机(LS‑SVM)F端的输入，微分回路3的2个微分算子S的连接端的输出为最小二乘支持向量机(LS‑SVM)J端的输入，微分回路3的输出为最小二乘支持向量机(LS‑SVM)K端的输入；最小二乘支持向量机(LS‑SVM)由9个输入端节点分别为I、A、B、C、D、E、F、J和K，20个中间节点和1个输出端节点组成，青椒温室温度校正模型实现对青椒温室湿度和风速对青椒温室温度影响程度的校正，反映了温室湿度和风速的实际值变化对青椒温室温度的影响大小，提高青椒温室温度预测的精确度；最小二乘支持向量机(LS‑SVM)设计方法参照本专利的多个最小二乘支持向量机(LS‑SVM)湿度预测模型设计方法。
[0112] (5)、HRFNN递归神经网络青椒温室温度等级分类器
[0113] HRFNN递归神经网络青椒温室温度等级分类器根据青椒温室温度校正模型输出青椒温室温度预测值的大小、青椒种类和青椒生长阶段作为HRFNN递归神经网络青椒温室温度等级分类器的输入，HRFNN递归神经网络青椒温室温度等级分类器的输出把青椒温室温度分为青椒温室温度过高、青椒温室温度比较高、青椒温室温度良好、青椒温室温度低和青椒温室温度很低五个青椒温室温度等级。把青椒不同种类量化为不同数字作为最小二乘支持支持向量机(LS‑SVM)温室青椒产量等级分类器的输入，例如羊角椒为1，西洋大牛椒为2，螺丝椒为3，杭椒为4等；青椒的生长阶段分为发芽期为1，育苗期为2，开花坐果期为3，结果期为4，青椒不同种类与不同生长阶段量化为数字后和青椒温室温度预测值输入HRFNN递归神经网络青椒温室温度等级分类器，HRFNN递归神经网络青椒温室温度等级分类器的输出为[1,0.8)表示青椒温室温度过高,[0.8,0.6)表示青椒温室温度比较高,[0.6,0.4)表示青椒温室温度良好,[0.4,0.2)表示青椒温室温度低,[0.2,0.0)表示青椒温室温度很低等五个青椒温室温度等级。HRFNN递归神经网络青椒温室温度等级分类器设计参照本专利的多个HRFNN递归神经网络温度预测模型设计方法。
[0114] 5、青椒温室环境温度检测系统的设计举例
[0115] 根据青椒温室环境的状况，系统布置了检测节点1和控制节点2和现场监控端3的平面布置安装图，其中检测节点1均衡布置在被检测青椒温室环境中，整个系统平面布置见图6，通过该系统实现对青椒温室环境参数的采集与青椒温室环境温度检测。
[0116] 本发明方案所公开的技术手段不仅限于上述实施方式所公开的技术手段，还包括由以上技术特征任意组合所组成的技术方案。应当指出，对于本技术领域的普通技术人员来说，在不脱离本发明原理的前提下，还可以做出若干改进和润饰，这些改进和润饰也视为本发明的保护范围。
