...
  • 主题
高级搜索  >
历史搜索 清空历史
首页> 外文期刊>IFAC PapersOnLine >Recurrent Neural Network Model for Prediction of Microclimate in Solar Greenhouse
【24h】

Recurrent Neural Network Model for Prediction of Microclimate in Solar Greenhouse

机译：递归神经网络模型在日光温室微气候预测中的应用

获取原文
           
页面导航
  • 摘要
  • 著录项
  • 相似文献
  • 相关主题

摘要

A recurrent neural network(RNN) based dynamic back propagation(BP) algorithm model with historical internal inputs are developed to predict the temperature and humidity of a solar greenhouse in the north of China. Climate data including air and substrate temperature, air humidity, illumination andC02concentration recorded over eight days were used to build and validate models for climatic prediction. In order to compare the accuracy of predictions, different performance measures, such as average relative error (ARE), mean absolute error (AME) and root mean square error (RSME), were calculated, for using BP and untrained RNN neural networks using the same processing. For the RNN model, a context layer as the last hidden layer output, is input with the next input to the next hidden layer, which is equivalent to the state feedback. The results demonstrate that the RNN-BP model provides reasonably good predictions with the RSME for temperature 0.751 and 0.781 for humidity, including both of the R2is both above 0.9, which outperforms the compared models tested in this paper.
机译：建立了具有历史内部输入的基于递归神经网络（RNN）的动态反向传播（BP）算法模型，以预测中国北方日光温室的温度和湿度。在八天内记录的气候数据包括空气和底物温度，空气湿度，照度和CO 2浓度被用于建立和验证气候预测模型。为了比较预测的准确性，计算了不同的性能指标，例如平均相对误差（ARE），平均绝对误差（AME）和均方根误差（RSME），用于使用BP和未经训练的RNN神经网络，使用相同的处理。对于RNN模型，将作为最后一个隐藏层输出的上下文层输入，而将下一个输入输入到下一个隐藏层，这等效于状态反馈。结果表明，RNN-BP模型可以为RSME提供关于温度0.751和湿度0.781的合理良好的预测，包括两个R2都在0.9以上，这优于本文中测试的比较模型。

著录项

相似文献

  • 外文文献
  • 中文文献
  • 专利
获取原文

客服邮箱：kefu@zhangqiaokeyan.com

京公网安备：11010802029741号 ICP备案号：京ICP备15016152号-6 六维联合信息科技 (北京) 有限公司©版权所有

  • 客服微信

  • 服务号