基于改进深度信念网络的农业温室温度预测方法

针对浅层神经网络面对温室复杂多变环境因子表征能力低、学习时间长的问题,提出一种基于改进深度信念网络并结合经验模态分解与门控循环单元的温室预测方法。首先,通过经验模态分解将温度环境因子进行信号分解,之后将分解出来的固有模态函数与残差信号进行不同程度的预测;然后,引入神经胶质改进深度信念网络,并将分解信号结合光照和二氧化碳进行多属性的特征提取;最后,将门控循环单元预测的信号分量相加获得最终的预测结果。仿真实验结果表明,与经验模态分解-深度信念网络(EMD-DBN)和深度信念网络-神经胶质链(DBN-g)相比,所提方法的预测误差分别降低了6.25%和5.36%,验证了其在强噪声、强耦合的温室时序环境下预测的有效性和可行性。