Python基于RNN的温室温度预测研究+源代码(2)
4.3.1. 代码 16
4.3.2. 详细信息 17
5. NumPy的介绍和设计中的应用 18
5.1. NumPy介绍及应用 18
5.1.1. NumPy简介 18
5.1.2. NumPy在该设计中的使用介绍 18
6. 数据归一化和实验结果 18
6.1. 数据归一化 18
6.1.1. 数据来源： 18
6.2. 数据的归一化处理： 19
6.2.1. 数据归一化介绍： 19
6.2.2. 常见的数据归一化方法： 19
6.3. 数据归一化应用的预测结果 19
7. 讨论与总结 32
7.1. 讨论 32
7.2. 总结 32
致谢 32
参考文献： 32
基于RNN的温室温度预测研究
引言：在我国农业快速发展的历程中，取得了一个又一个伟大成就，但同时也出现了农业区域劳动力转移、环境污染等问题。应用智能化农业设施可以减少人力物力的投入，可以在一定程度上解决这个问题。尤其是智能化农业设施中的智能温室产品的不断完善，使得智能温室设施引起了人们的重视[1]。本设计通过使用神经网络预测的方法，对来自苏州的温室数据进行研究，避免了传统建模方法费时费力的缺点 [2]，得到的结果也比较切合我国温室设施的实际情况。所以本设计通过使用机器学习的方法，使用了适合序列预测的RNN神经网络进行预测。因为传统的RNN存在容易梯度爆炸、梯度消失的问题，所以本设计选择了改进后的RNN模型，长短时记忆网络模型[3]（Long Short-Term Memory）进行实验。在实验中，发现权值的初始化、学习率和数据的处理对结果影响较大，可以作为下一步改进的研究方向。
1. 绪论
1.1. 研究背景及意义
世界上已经有很多国家都在农业上投入了大量的人力和资金，希望以此来解决各国粮食储备和供给的难题，并保证粮食安全，实现农业发展的良性循环。而目前，随着我国的快速发展，难免对环境造成了破坏和污染，可耕地面积也因为快速增加的人口而减少，而且在农业地区的劳动力也在向城市不断地转移，所以在使用科学技术来解决粮食问题的同时，必须保证农业的可持续发展。智能化农业设施能够很好的解决这些出现的问题，通过科学的研究方法，对生产过程进行控制，不仅能够减少材料、人力的投入，从而减轻或避免对环境的破坏，还能够摆脱当地恶劣环境的影响，提高粮食的产量和质量，比如荷兰的玻璃温室，其中生产的花卉和蔬菜基本上每年的出口额都大于20亿美元。然而我国目前的温室设施和国外的相比，如日本的植物工厂，能够提高作物四至五倍的生长速度，而且四季产量稳定，还存在一定的差距。于是引进国外的成熟的温室设备成为一种常见的情况，但是因为水质、气候等差异，这些引进的温室控制系统，并没有取得理想的成果，导致了文护贵、投入高、回报少的结果，而且核心技术仍然被国外掌握。所以，研究出适合我国国情的温室产品是很有必要的。温室温度预测又是温室控制科学程度的一个重要的指标，传统的建模方法大多十分复杂，费时费力，而且对于另外一种情况又需要重新建模，有诸多不便。目前，RNN已经在有关序列预测的领域取得了许多成绩，而且，训练好的模型可以直接进行运用，也可以根据不同的情况微调参数，训练出更适合所应用温室的温度预测模型。因此将RNN应用到温室温度预测是非常有意义的。