温室环境的生产过程具有许多特点,例如,时变性、非线性和不确定性。很难建立精确的数学模型,常规的控制方法(如PID、最优控制)的控制效果都不太理想,因此本文采用智能控制方法对温室环境进行控制。 本文设计了模糊神经网络控制器,它综合了模糊逻辑和神经网络各自的优点来提高整个系统的学习能力和控制性能。模糊神经网络控制器不仅能处理模糊信息、完成推理功能,而且具有一些神经网络的特点,例如非线性、自学习能力、分布式存储及并行处理能力。模糊神经网络是一种并行分布式网络,它的每个节点表示模糊系统的参数,每个节点的输出通过权值连接到下一层的节点。通过输入样本数据对模糊神经网络进行训练,然后采用反向传播算法对隶属函数参数和模糊逻辑规则的权值进行优化。这种并行处理网络实现了隶属函数自适应性能和模糊规则的自组织性能。通过实验分析表明,模糊神经网络中的学习率和平滑因子的选取会影响控制算法的收敛性和收敛速度;最后,本文选取了最理想的学习率和平滑因子。 此外,本文利用人工神经网络对温室环境温度进行建模。通过输入样本数据对神经网络模型进行训练。实验结果表明,模型中的输入和输出时延不同,模型的精度也不相同。最后,本文确定了最精确的模型。 利用模糊神经网络控制方法对温室环境系统进行了仿真试验。仿真结果表明,与PID控制和模糊控制相比较,模糊神经网络控制方法具有较好的鲁棒性和较强的跟踪性能。总之,采用模糊神经网络方法对温室环境进行控制是完全可行的。