(19)中华 人民共和国 国家知识产权局 (12)发明 专利申请 (10)申请公布号 (43)申请公布日 (21)申请 号 202111331871.8 (22)申请日 2021.11.11 (71)申请人 华南农业大 学 地址 510642 广东省广州市天河区五山路 483号 (72)发明人 吴伟斌　马宝淇　胡智标　唐婷　 郑泽锋　李杰　韩重阳　林国富　 曾治亨　高昌伦　黄家曦　 (74)专利代理 机构 广州市华学知识产权代理有 限公司 4 4245 代理人 李斌 (51)Int.Cl. G06F 30/25(2020.01) G06F 30/27(2020.01) G06N 3/00(2006.01)G06N 3/08(2006.01) G06F 119/08(2020.01) (54)发明名称 一种粒子群BP神经网络PID 控制的温室温湿 度方法 (57)摘要 本发明公开了一种粒子群BP神经网络PID 控 制的温室温湿度方法， 包括以下步骤： S1、 根据 PID调节的一般原则， 对PID各控制参数进行一定 梯度的调节， 记录获取温度和湿度控制结束后的 期望值、 最终值、 偏差以及对应的PID控制参数； S2、 对期望值、 最终值、 偏差以及PID控制参数进 行预处理， 预处理后得到控制模型的训练数据； S3、 确定并求解粒子群算法的适应度函数， 利用 粒子群算法优化神经网络的权值和阈值； S4、 利 用粒子群算法优化结果得到的权值和 阈值搭建 神经网络控制模型， 并采用步骤S2中的训练数据 训练模型； S5、 用粒子群算法优化BP神经网络PID 控制对温室的温湿度进行控制。 本发 明方法能适 应日光温室复杂工况， 能对日光温室的温、 湿度 进行精确的控制。 权利要求书2页 说明书4页 附图3页 CN 114036813 A 2022.02.11 CN 114036813 A 1.一种粒子群BP神经网络PID控制的温室温湿度方法， 其特 征在于， 包括以下步骤： S1、 根据PID调节的一般原则， 对PID各控制参数进行一定梯度的调节， 记录获取温度和 湿度控制结束后的期望值、 最终值、 偏差以及对应的PID控制参数； S2、 对获取的期望值、 最终值、 偏差以及PID控制参数进行预处理， 预处理后得到控制模 型的训练数据； S3、 确定并求解粒子群算法的适应度函数， 利用粒子群算法优化神经网络的权值和阈 值； S4、 利用粒子群算法优化结果得到的权值和阈值搭建神经网络控制模型， 并采用步骤 S2中的训练数据训练模型； S5、 用粒子群算法优化BP神经网络PID控制对温室的温湿度进行控制。 2.根据权利要求1所述的粒子群BP神经网络PID控制的温室温湿度方法， 其特征在于， 步骤S1中根据PID调节的一般原则， 对PID各控制参数进行一定梯度的调节， 记录获取温度 和湿度控制结束后的期望值、 最终值、 偏差和对应的PID控制参数； 根据一定的梯度间隔设置PID控制参数， 待控制进入稳定后， 记录稳定状态下的温度、 湿度以及对应控制的PID参数值。 3.根据权利要求1所述的粒子群BP神经网络PID控制的温室温湿度方法， 其特征在于， 步骤S2中预处 理具体为： 将步骤S1获取的期望值、 最终值、 偏差数据以及PID控制参数进行归一化处理， 把数据 通过归一 化公式处 理为区间(0， 1)内的数值。 4.根据权利要求1所述的粒子群BP神经网络PID控制的温室温湿度方法， 其特征在于， 步骤S3具体包括： S31、 选取 粒子群优化的适应度函数， 具体为MAS函数： 其中， φit为i层t个神经 元目标输出， ωit为i层t个神经 元实际输出； S32、 求解粒子群算法适应度函数， 利用粒子群算法优化神经网络的权值和阈值， 具体 为： 粒子群中整个求解空间的维数为BP神经网络中全部权值和阈值的和， 初始化粒子群优 化算法各项参数， 确定学习因子和粒子群规模参数； 对适应度函数进行迭代求解， 根据适应度函数计算出适应度函数的解： 将神经网络的 输出结果与期望值相减后取绝对值， 再对误差绝对值 求和后得到； 寻找个体极值和群体极值， 群体极值是在整个粒子群中进行比较， 将全局极值与当前 计算所得最优的个体极值对比， 并将适应度更小的极值作为新的群体极值， 个体极值是每 个粒子对自身 进行比较， 将适应度值更小的作为 新的个体极值； 不断更新粒子群速度参数和位移参数； 当迭代次数达到最大次数或适应度函数误差满足要求时停止迭代， PSO算法的最终最 优解作为BP神经网络的初始权值和阈值。 5.根据权利要求1所述的粒子群BP神经网络PID控制的温室温湿度方法， 其特征在于，权　利　要　求　书 1/2 页 2 CN 114036813 A 2步骤S4具体为： 建立神经网络控制模型， 设置 输入层、 输出层和隐含层的神经 元节点数； 输入层节点个数分别对应着温度的期望值、 最终值以及偏差值和湿度的期望值、 最终 值以及偏差值； 输出层节点个数分别对应温度控制的PID值和湿度控制的PID值； 采用步骤S1中获取的训练数据对神经网络控制模型进行训练。 6.根据权利要求1所述的粒子群BP神经网络PID控制的温室温湿度方法， 其特征在于， 步骤S5具体为， 神经网络控制模型训练结束后， 将温湿度的当前值和目标值输入神经网络 模型， 神经网络控制模型输出当前状态下最优的温湿度PID控制参数。权　利　要　求　书 2/2 页 3 CN 114036813 A 3