摘要:现代温室特殊的结构及材料(透光、密封、保温等)形成了一个与外界大气候环境相对隔离的特殊的内部小气候环境。维持温室内部良好的小气候环境,有利于更好地实现温室气候制约,以而达到提升作物品质、高产和低能耗的最终目的。现代化温室的进展与调控作为一个国家的现代化的特点之一,以而对温室小气候建模策略的探讨对温室建筑、生产和进展具有十分重要的作用。由此,本论文对温室小气候环境的模型创建的探讨是一项非常有作用的工作,同时它也是973子课题的科研项目(批准号:2010CB955905-1)课题之一。目前,国内外对温室小气候环境模型的创建主要是基于两种策略:系统辨识建模和机理建模。本论文主要是在基于输入输出数据的系统辨识模型的基础上,浅析了聚类浅析算法的不足,即聚类算法在一次聚类的历程中,聚类中心的选取是静态的,不能够随着样本数据的不断引入聚类内部,而动态地转变。此外,聚类算法仅仅是通过准则函数在迭代次数内选取局部最优的聚类案例。由此,聚类算法无法依靠自身的检验准则是不能保证聚类案例是最优的。基于此,本论文通过动态地选取聚类中心以及引用人工神经网络的策略提升聚类浅析算法的性能。详细内容如下:首先,建立建模函数。本论文利用模糊制约论述,通过T-S模糊模型的推理计算,构造温室小气候环境的建模函数。该建模函数的构建在基于系统辨识的基础之上以样本数据的聚类为参数进行温室小气候环境的拟合。基于模糊制约论述,将建模函数与样本数据的划分连接起来。其次,改善聚类算法。本论文综合了基于划分的聚类浅析的两种常用策略的各自优势,并且对聚类的中心的选取进行了改善,以期通过这些综合型的改善措施,提升聚类浅析算法的性能。然后,建立人工神经网络与聚类算法的合作联系。由于人工神经网络具有自学习的能力,能够通过训练,获取样本的潜在的聚类规律。由此,人工神经网络可以在聚类浅析的基础上进行再次聚类,并且可以将聚类浅析的结果作为人工神经网络的输入,由此创造了两者之间的关联,并且能够检验聚类浅析算法的聚类结果。最后,本论文利用Matlab对改善的算法进行了仿真,选取拟合度作为衡量因子,证实算法的优越性。关键词:温室小气候论文数学建模论文聚类浅析论文人工神经网络论文模糊制约论文
致谢4-5
中文摘要5-6
ABSTRACT6-7
目录7-9
1 绪论9-15
1.1 选题背景9-10
1.2 探讨目的和作用10-13
1.3 探讨内容及论文结构13-15
1.3.1 探讨内容13
1.3.2 论文结构13-15
2 文献综述15-20
2.1 温室小气候建模的探讨近况15-17
2.1.1 机理建模15-16
2.1.2 系统辨识建模16-17
2.1.3 温室小气候建模小结17
2.2 聚类算法的探讨近况17-20
2.2.1 基本的聚类算法18
2.2.2 衍生的聚类算法18-19
2.2.3 聚类算法小结19-20
3 相关论述20-29
3.1 聚类算法论述20-23
3.2 人工神经网络算法论述23-25
3.3 模糊制约论述25-29
4 基于聚类浅析的温室小气候环境的模型构建29-41
4.1 建模准备及检测设29-31
4.1.1 建模准备29-30
4.1.2 建模检测设30-31
4.2 模型建立31-35
4.3 模型优化35-41
5 基于聚类浅析的温室小气候环境的模型检验41-47
5.1 论述检验41-42
5.2 实例检验42-47
5.2.1 实例检验的仿真实现42-44
5.2.2 实例检验的仿真结果浅析44-47
6 结论和展望47-49
6.1 结论47-48
6.2 展望48-49