基于模糊神经网络的智能温室环境控制方案

基于模糊神经网络的智能温室环境控制方案彭 辉1， 曾 碧2( 1 广西工业职业技术学院 电子与电气工程系 ， 南宁 530001; 2 广东工业大学 计算机学院 ， 广州 510006)摘 要 : 针对农业温室环境的精确建模和控制问题 ， 提出了一种基于模糊神经网络的智能控制方案 。首先 ， 在考虑室内外环境因素下 ， 构建一个有效的温室环境数学模型 ， 获得通风量 、喷雾量和加热量的微分表达式 ; 然后 ，利用一种自适应模糊神经推理系统 ( ANFIS) ， 以温度和湿度差作为输入 ， 通过神经网络自学习和模糊推理获得控制输出 ; 最后 ， 通过遗传算法优化控制器的输出比例因子 ， 提高控制响应速度和稳定性 。实验结果表明 : 该方案能够快速且稳定地追踪环境设置值 ， 具有很好的控制效果 。关键词 : 温室环境 ; 智能控制 ; 自适应 ; 模糊神经推理 ; 遗传算法中图分类号 : S6255+1; TP391 文献标识码 : A 文章编号 : 1003 188X( 2017) 06 0043 070 引言智能温室系统是一种低能耗 、高产量的现代农业技术 ， 其通过改变温室中温度 、湿度和光照等环境因素来创造适合植物生长的环境 1。温室系统是一种多变量 、非线性 、高时滞的复杂系统 ， 且内部因素存在强耦合 2， 所以需要一种有效的方法对温室环境进行建模和精确控制 。目前 ， 一些温室控制方案中采用传统的 PID 控制技术 ， 但 PID 控制器的参数恒定 ， 不能够适应非线性的实时控制要求 3。为此 ， 文献 4 将模糊理论与PID 控制相结合 ， 利用模糊规则对 PID 控制参数进行在线整定 ， 形成了模糊 PID 温室控制方案 。然而 ， 其存在论域和模糊规则不能自调整的缺陷 。模糊控制是一种基于模糊逻辑推理的非线性控制技术 ， 具有良好的鲁棒性和稳定性 5。但模糊控制技术需要专家的先验知识 ， 若缺乏则不能构建有效的 IF THEN 规则 ， 神经网络算法所具备的自学习则能力能够弥补这个缺陷 6。为此 ， 研究者将神经网络和模糊控制相结合形成模糊神经网络系统 ( Fuzzy Neural Network，FNN) 。其中 ， 最著名的为自适应模糊神经推理系统( Adaptive Network based Fuzzy Inference System， AN-FIS) 7， 其通过神经网络的不断学习 ， 修正输入输出变量的隶属度函数和模糊规则 。文献 8 将 ANFIS 控收稿日期 : 2016 06 16基金项目 : 广西教育厅项目 ( KY2015YB440) ; 广西工业职业技术学院项目 ( 桂工业院 2014 56)作者简介 : 彭 辉 ( 1974 ) ， 男 ， 湖南湘潭人 ， 副教授 /高级工程师 ， 硕士 ，( E mail) penghuigx126 com。制系统引入到了温室温度控制中 ， 一定程度上提高了控制性能 。然而 ， 其只对温度进行控制 ， 没有考虑到多因素控制时的相互耦合问题 。文献 9 利用 ANFIS控制温室的温度和湿度 ， 但其仅通过通风口进行控制 ， 没有考虑到其它控制装置 ( 如加湿器等 ) ， 具有很大的应用局限性 。另外 ， 以上方案都采用固定的输出比例因子 ， 控制响应速度较慢 。为此 ， 构建了一种多因素的温室环境数学模型 ，并提出一种基于 ANFIS 和比例因子 ( Scaling factor，SF) 调节的温室温度和湿度控制方案 ( ANFIS SF) 。本文方案的主要创新点在于 :综合考虑了多种室内外环境因素 ， 构建了一个温室环境数学模型 ， 并导出了去耦合的控制输出表达式 ; 将 ANFIS 控制系统引入到温室环境控制中 ， 以此解决时变非线性和滞后控制问题 ， 增强系统鲁棒性 ; 对现有 ANFIS 控制系统进行了改进 ， 融入了遗传算法 ( Genetic Algorithm， GA) 来优化调整输出比例因子 ， 以此提高系统的响应速度 。1 温室环境建模由于温室系统是强耦合的非线性系统 ， 目前还没有能够精确表达的模型 。本文考虑了温室内外环境因素 ， 利用一系列微分方程对温室温度和湿度进行精确建模 ， 构建加热 、喷雾和通风表达式 。温度和湿度模型的微分公式为dTin( t)dt=1Vin qheat( t) + AS( t) qfog( t) qvent( t)Vin Tin( t) Tout( t) Vin Tin( t) Tout( t) ( 1a)342017 年 6 月 农 机 化 研 究 第 6 期DOI:10.13427/j.cnki.njyi.2017.06.009dHin( t)dt=1Vinqfog( t) +1VinET qvent( t)Vin Hin( t) Hout( t) ( 1b)其中 ， Tin( t) 和 Tout( t) 分别为室内和室外温度( ) ; Hin( t) 和 Hout( t) 分别为内部和外部的湿度 ( g 水 /kg 气 ) ; 为传热系数 ( W/K) ; 为空气密度( 1 2kg/m3) ; 为汽化的潜热 ( 2257J/g) ; 为空气的比热容 ( 1006J/kg/K) ; 为太阳能加热效率 ( 无量纲 ) ， 其变化范围为 0 8( 晴天 ) 到 0( 阴天 ) ， 本文取 =0 5; S 为拦截的净太阳能 ( W/m2) ; ET 为植物的蒸散率 ( g 水 /s) ; qheat为温室加热器提供的热量 ( W) ;qfog为喷雾系统的喷水量 ( g 水 /s) ; qvent为通风量 ( m3 气 /s) ; A 为温室的占地面积 ( m2) ; Vin为温室内部体积 ( m3) 。其中 ， ET 与拦截太阳能参数最相关 ， 其关系简化为ET = S( t) Hin( t) ( 2)其中 ， 为表示阴影和叶片面积指数的综合系数( 无量纲 ) ， 是一种经验系数 ， 需要根据不同地点 、气候和植物进行设定 10， 本文将 设定为 0 124 9; 为代表热力学抗性和其他影响蒸散作用因素 ( 如气孔 、空气流动等 ) 的综合系数 ， 单位为 kg/minm2。该环境模型通过制热 、加湿和通风操作 ， 来控制室内空气的温度和湿度 。另外 ， 使用制热和通风组合可实现减湿目的 。当室外空气的湿度较高时 ， 先对空气进行加热使其干燥 ， 然后通风操作将干燥控制带入室内 ， 吸收室内的潮湿空气 ， 然后排出 。当室外空气的湿度较低时 ， 可以只使用通风操作来交换室内和室外的空气 ， 降低温室空气湿度 。通过蒸发设备 ( 例如雾化器 ) 可提高温室湿度 。其中 ， 在晴天条件下的进行加湿时 ， 需要通风来避免气腾现象 。对于制热 ， 只有当所需的室内空气温度高于室外温度时 ， 才会使用制热器 ( 即冬天 ) 。本文利用文献 11 的反馈 前馈线性化和去耦合控制方法 ， 将公式 ( 1) 改写为dTin( t)dt= VinTin( t) 1VinTin( t) qvent( t) Vinqfog( t) +1Vinqheat( t) +AVinS( t) +VinTout( t) +1Vinqvent( t) Tout( t) ( 3a)dHin( t)dt= VinHin( t) +1Vinqfog( t) +AVinS( t) 1VinHin( t) qvent( t) +1Vinqvent( t) Hout( t) ( 3b)由于存在控制和干扰变量之间的向量积 ， 公式( 3a) 和 ( 3b) 显然是耦合非线性方程 ， 不能放入仿射非线性分析系统中 。因此 ， 一种反馈和前馈同时线性化的组合方案似乎是合理的 。为了系统输入 /输出( I/O) 的线性 、非耦合且干扰隔离 ， 闭合回路系统的表达形式为dTin( t)dt= VinTin( t) + KTuT( t) ( 4a)dHin( t)dt= VinHin( t) + KHuH( t) ( 4b)其中 ， uT和 uH为新的外部控制信号 ; KT和 KH为过程增益 。通过公式 ( 3) 和公式 ( 4) ， 最终可获得通风量 qvent、喷雾量 qfog和加热量 qheat的表达式为qvent( t) = L( t)1 1Vin( qheat( t) + ( + 1) AS( t) +VinTout( t) KTuT( t) KHuH( t) ( 5a)qfog( t) = AS( t) + pqvent( t) ( Tin( t) Tout( t) + VinKHuH( t) ( 5b)qheat( t) = AS( t) + qfog( t) + qvent( t) ( Tin( t) Tout( t) Tout( t) + VinKTuT( t) ( 5c)L( t) =1Vin Tin( t) Tout( t) +Vin Hin( t) Hout( t) ( 6)2 提出的温室环境控制器温室环境中各因素间存在耦合性 ， 如通过通风操作调节温度时也会影响湿度 12， 这就导致采用常规控制方法 ( 如开关控制 、PID 控制等 ) 无法取得良好效果 。为此 ， 可将 ANFIS 控制器引入到温室环境控制中 ， 来解决上述问题 。本文根据上节提出的温室环境模型 ， 利用 ANFIS构建温室环境控制系统 ， 同时利用 GA 算法优化 AN-FIS 输出比例因子 。控制系统整体框架如图 1 所示 。21 ANFIS 控制器系统211 ANFIS 基本结构本文控制过程包含两个不同的控制回路 : 第 1 个回路通过控制通风量和加热量调节温度 ， 第 2 个通过控制喷雾量调节湿度 。由于有 3 个输出量 ， 所以本文控制器由 3 个多输入单输出 ANFIS 控制器组成 ， 根据输入的设定值和室外气候情况的变化控制输出 。为442017 年 6 月 农 机 化 研 究 第 6 期了简单起见 ， 本文以第 1 回路中的 1 个通风量单输出ANFIS 为例 ， 解释了本文控制器的工作过程 。ANFIS结构如图 2 所示 。图 1 温室环境控制系统整体框架图 2 具有 9 个规则的 ANFIS 构架ANFIS 系统中 ， 将会含有 3 3 = 9 个 IF THEN规则 。网络中的 L0 层有 2 个输入单元 ， L1 层有 6 个神经元 ， L2、L3 和 L4 层有 9 个神经元 ， L5 层有 1 个神经元 ， 如图 2 所示 。212 隶属函数及规则ANFIS 控制器中的模糊化阶段有两个输入 温度( T) 和湿度 ( H) 与设置值的偏差 ， 以及一个输出 通风量 ( v) 。模糊逻辑由控制规则组成 ， 通常使用 IF THEN 结构定义控制规则 。因此 ， 本文根据操作者行为和目标系统的响应特性来构建 IF THEN 规则 。在这种情况下 ， 将高斯隶属函数 ( MF) 作为输入MF， 如图 3 所示 。图 3 高斯隶属度函数其模糊表达式为 Ai( x) = exp( ci x)222( )i。其中 ， ci和 i分别为第 i 个模糊集 Ai的中心值和宽度 。控制器的输入被 3 个语言变量标记 : 小 ( S) 、中等( M) 、大 ( B) ， 并且输出的 MF 类型为线性 。模糊系统的 IF THEN 规则形式为IF: T is LTrand H is LHrTHEN: ur= cro+ crT+ crHH ( 7)其中 ， r = 0， 1， 2， ， 为规则个数 ; LTr和 LHr分别为输入信号 T 和 H 的语言学术语 ; ur为第 r 个规则对模糊系统总输出的贡献 ; cro、crT和 crH为结论参数 。213 ANFIS 工作步骤本文中 ， 每个 ANFIS 由 5 层组成 。1) 第 1 层 : 该层中每个节点 i 使用如下函数实现自适应功能 ， 则O1i= Ai( e) ， i = 1， ， 3 orO1i= Bi5( e) ， i = 4， ， 6( 8)其中 ， O1i为第 i 个节点的输出 ， 即模糊集 A( = Aior Bi) 的隶属度 。在本文中 ， 隶属度函数为广义贝尔函数 ， 则Ai( x = e) =11 +( x ci) /ai2bi( 9)其中 ， x 为节点 i 的输入 ; ai， bi， ci 为前提参数集 。2) 第 2 层 : 计算每条规则的激活等级 ， 则O2r= ur= Ai( e) Bi( e) ( r = 1， ， ) ( 10)3) 第 3 层 : 计算每条规则的归一化激活等级 ( 每条规则的激活强度与所有规则激活等级的比例 ) ， 则O3r= ur=urr =1ur( 11)4) 第 4 层 : 计算每条规则对总体输出的贡献 ， 则O4r= urwr( 12)5) 第 5 层 : 单个节点根据所有输入信号计算模糊系统总体输出 ， 则O5i=r =1urwr=r =1wrurr =1wr( 13)其中 ， wr为第 r 个规则的权重 。对于每个规则 ， 其权重根据输入隶属值计算 ， 则wr= Ltr( T) LHr( H) ( 14)其中 ， Ltr( ) 和 LHr( ) 为第 r 个规则中分别对应语言学术语 LTr和 LHr的隶属函数 。214 LSE 算法估计结论参数本文使用最小二乘估计 ( Least Square Estimation，LSE) 13算法来估算结论参数 。在使用 3 个模糊集合和 9 个规则时 ， 每个输入 输出训练模式可以写为542017 年 6 月 农 机 化 研 究 第 6 期V =9r =1r( cr0+ cr1T + cr1H)= 11T111H1122T122H1299H199H19 c101c111c112c202c212c212c909c919c9T19T( 15)那么 ， 所有 M 个输入 输出训练模式可写为 V =XC ， 则VVM=( 11T11H1 w9w9T9w9H9) 1( 11T11H1 w9w9T9w9H9) 2( 11T11H1 w9w9T9w9H9)Mc01cT1cH1c09cT9cH9( 16)其中 ， V 为 M 1 维 ， X 为 M ( 3) ( 9) = M 27维 ， 而 C 为 ( 2 +1) 9 1 维 。通过 LSE 算法可以求解 C ，表示为Ci+1= Ci+ i+1xi+1( VTi+1 xTi+1Ci) ( 17)i+1= iixi+1xTi+1i1 + xTi+1ixi+1( 18)其中 ， xTi为矩阵 X 的第 i 行向量 ; VTi为向量 V 的第 i 个元素 ， i = 0， 1， 2， ， M 1 ; 为协方差矩阵 。初始条件 C0= 0 且 0= I ， I 为大小为 ( 2 +1) 9 维的单位矩阵 ， 为较大的正数 。22 基于 GA 优化 ANFIS 输出比例因子ANFIS 控制器中 ， 输出比例因子 ( SF) 14为实际输出与控制器输出的比值 ， 即表示输出增益 。通常采用固定的输出比例因子 ， 然而这不能够实现控制的快速收敛 。在温室环境控制中 ， 应该根据控制误差动态调整比例因子 。当误差较大时 ， 应增大输出比例因子 ， 使系统输出快速向误差减小的方向移动 ; 当误差较小时 ， 应减小输出比例因子 ， 使系统在平衡点附近进行微调 。可见 ， 比例因子的大小会影响系统响应的上升时间 ， 进而影响对设定值的跟踪性能 。所以 ， 本文采用遗传算法 ( GA) ， 根据系统控制输出的平方误差积分 ( Integral of Square Error， ISE) 来优化 ANFIS 中的比例因子 。GA 是一种根据适应度函数 ， 通过选择 、交叉和变异操作来寻找问题最优解 ( 即染色体 ) 的智能技术 15。本文 GA 算法中 ， 染色体的适应度函数为 ISE 的倒数 ， 如式 ( 19) 所示 。其中 ， 误差 e 为期望值和真实系统输出值之间的差 。ISE =0 e( t) 2dt ( 19)将染色体根据其适应度值进行排名 ， 并根据轮盘选择法选择合适的染色体进行遗传 ， 然后进行交叉和变异操作 。本文设定最大遗传代数为 50， 染色体数量为 20， 突变率和交叉率分别设置为 0 2 和 0 25。重复遗传过程 ， 直至达到结束条件 ， 最终获得满足标准的解 。本文将温度和湿度的比例因子分别表示为 scalf T 和 scalf H。比例因子的变化范围为 0， 15， 将十进制的比例因子对应转换为 10 比特的无符号二进制码 。那么 ， 温度和湿度比例因子可表示为 20 比特二进制串 s ， 即染色体1001010101scalf T1010010010scalf H。本文 GA 优化 ANFIS 比例因子参数的步骤如下 :1) 构建初始种群 。随机生成 20 个温度和湿度控制器的比例因子参数 ( scalf T， scalf H) ， 即染色体 ，其中每个二进制位代表染色体中的基因 ; 然后 ， 进行二进制编码 ， 作为初始种群 。2) 适应度计算 。模拟 ANFIS 系统的闭合回路瞬态响应 ， 并估算每个比例因子参数下的训练误差 ， 作为该参数的适应度函数 。3) 选择操作 。通过轮盘方法选择将要遗传的参数 ， 其中适应度值越大的参数被选中的几率越高 。4) 交叉和变异操作 。根据交叉率 ， 随机产生交叉点 ， 对参数进行重组 ; 根据突变率 ， 改变所选参数中的个别二进制位 。以此产生适应度值更好的下一代 ， 提高搜索速度 。5) 终止条件 : 重复步骤 2) 4) ， 直到获得符合期望的闭环回路响应要求的参数或达到最大迭代次数 。3 实验及分析利用 MatLab 构建一个仿真温室环境进行实验 ， 温室地表面积为 1 000m2， 高 4m。温室具有遮光膜 ， 减少 60% 的太阳辐射能量 。雾化系统的最大喷水量为26g 水 /minm3。最大换气次数为 20 次 /h( 222m3/s) 。叶片阴影指数 取值为 01249， 蒸散系统 T=0 015kg/minm。热传递系数 UA =25kW/K。为了进行比较 ， 在本文构建的温室环境数学模型中 ， 使用传统 ANFIS 控制器和本文 ANFIS SF 控制器 ， 在两个不同环境设置值场景下进行实验 。第 1 个仿真实验中 ， 室外环境不变 ， 改变室内环境设定值 ， 用于证明本文方案提供相互控制和设置点阶跃变化时平稳闭合回路响应的能力 。该模拟中 ， 室642017 年 6 月 农 机 化 研 究 第 6 期外温度 为 Tout= 35， 温 度 为 Hout= 4g/kg ( H =10% ) ， 太阳辐射能为 Si= 300W/m2。设置 2 个阶跃点 : 在 t = 100min 时 ， 设置湿度从 18g/kg 提升到24g/kg( 相当于相对湿度从 60% 提升到 80% ) ， 此过程温度恒定设置为 30; 在 t = 200min 时 ， 设置温度从 30降到 28， 此过程湿度恒定设置为 24g/kg。图 4 显示了湿度和温度设置值发生阶跃变化时的控制系统响应输出 。由于该过程不存在加热处理 ，所以输出信号为雾化系统喷水量 qvent和通风系统通风量 qvent。从仿真结果可以看出 : 相比于没有比例因子优化的 ANFIS， 本文 ANFIS SF 控制器的闭合回路系统响应非常迅速 。图 5 显示了在这些控制输出信号作用下温度和湿度的响应曲线 。由图 5 可以看出 : 两种方法都能够有效地追踪设置值 ， 证明了本文所构建的温室环境数学模型具有可行性 ， 也证明了应用 AN-FIS 进行控制的正确性 。另外 ， 由于本文方案融入了比例因子自调整技术 ， 有效提高了响应速度 ， 且结果能够稳定到设置值附件 。本文方案还能够实现相互控制 ， 当湿度设置值阶跃变化时 ， 本文控制器能够稳定地控制温度不随其大幅度震荡 。图 4 温室通风系统和雾化系统的控制信号输出在第 2 个仿真实验中 ， 室外环境和室内环境设定值都发生变化 ， 在多重因素下验证本文控制方案的有效性 。当 t = 200min 时 ， 设置室内温度由 30 降到20; 当 t = 300min 时 ， 设置湿度从 18g/kg 提升到24g/kg。在 t =100min( 对于 Si) 、150min( 对于 Tout) 和200min( 对于 Hout) 时 ， 加入了室外环境变化干扰 。阶跃变化如下 : Si从 250 提升到 300W/m2， Tout从 35 降到 32， Hout从 4 提高到 8g/kg。室内和室外环境发生阶跃变化时 ， 控制系统的响应如图 6 所示 。由图 6 可以看出 : 在室内和室外环境都发生变化时 ， 本文方案依然能够迅速准确地追踪设置值 。图 5 温室内温度和湿度的控制结果图 6 场景 2 中温室内温度和湿度的控制结果为了进一步明确表示各方案的控制精度 ， 本文利用均方根误差 ( MSE) 来计算实验中控制过程输出准确性 ， 则MSE =1TTk =1Yd k Y ( )k槡2( 20)其中 ， Yd k 和 Y k 分别为期望输出和实际输出 : T 为采集的样本数 。同样采用上述两个实验场景 ， 将 ANFIS 控制器 、传统 PID 控制器 、传统模糊控制器和本文 ANFIS SF 控制器进行比较 ， 采集前 300min的温度和湿度数据作为样本 ， 计算各控制方案的MSE， 结果如表 1 所示 。由表 1 可以看出 : 传统 PID控制性能最差 ， 这是因为温室环境影响因素多且相关 ， PID 控制无法满足要求 。相比于传统控制方法 ， 采用 ANFIS 控制系统能够有效提高控制精度 ， 而本文ANFIS SF 控制器获得最高的精确度 。742017 年 6 月 农 机 化 研 究 第 6 期表 1 温度和湿度控制的 MSE 值控制器MSE温度控制 湿度控制PID 控制 4278E 01 5818E 01模糊 PID 控制 6605E 02 7556E 02ANFIS 3324E 02 2390E 02ANFIS SF 2048E 02 1305E 024 结论提出了一种基于模糊神经网络的智能控制方案 。在考虑室内外环境因素下 ， 构建温室环境数学模型 。利用 ANFIS， 根据温度和湿度差推理获得控制输出 。通过遗传算法优化控制器的输出比例因子 ， 提高响应速度 。在室内和室外环境因素发生阶跃变化场景下进行实验 ， 结果表明 : 本文方案能够快速 、精确地跟踪设定值 ， 且能够避免多个控制量间的干扰 ， 具有很强的鲁棒性 。参考文献 : 1 杨学坤 ， 蒋晓 ， 诸刚 温室环境控制技术的研究现状与发展趋势 J 中国农机化 ， 2013， 34( 4) : 16 18 2 屈毅 ， 宁铎 ， 赖展翅 ， 等 温室温度控制系统的神经网络PID 控制 J 农业工程学报 ， 2011， 27( 2) : 307 311 3 Shan X M esearch on Control System of Greenhouse Tem-perature and Humidity Based on Fuzzy PID J Applied Me-chanics Materials， 2014， 68( 7) : 3395 3398 4 岳文杰 ， 谢守勇 ， 陈翀 ， 等 基于模糊 PID 的温室温度控制器设计与仿真 J 农机化研究 ， 2014， 36( 4) : 194 197 5 Zhang D H， Wu X Q， Zhang C Y The application of fuzzycontrol in greenhouse environment control J Applied Me-chanics Materials， 2014， 54( 3) : 1432 1435 6 S evathi， N Sivakumaran Fuzzy Based TemperatureControl of Greenhouse J IFAC PapersOnLine， 2016， 49( 1) : 549 554 7 邹秋滢 ， 纪建伟 ， 李征明 基于 ANFIS 的温室小气候环境因子预测模型辨识 J 沈阳农业大学学报 ， 2014， 45( 4) : 503 507 8 Prakash O， Kumar A ANFIS modelling of a natural convec-tion greenhouse drying system for jaggery: an experimentalvalidation J International Journal of Sustainable Energy，2014， 33( 2) : 316 335 9 葛建坤 ， 汪顺生 ， 罗金耀 基于 ANFIS 的温室微气候通风调控模型 J 排灌机械工程学报 ， 2013， 31( 4) : 358 363 10 Ge J， Wang S， Luo J Ventilation control model for tempera-ture and humidity environment in greenhouse based on AN-FIS J Paiguan Jixie Gongcheng Xuebao/journal of Drain-age Irrigation Machinery Engineering， 2013， 31( 4) : 358363 11 Gao Y， Liu C， Song X， et al Feedback feed forwardlinearization and decoupling for greenhouse environmentcontrol C / / International Conference on Mechatronics andControl Jinzhou: IEEE， 2014: 179 183 12 王立舒 ， 侯涛 ， 姜淼 基于改进多目标进化算法的温室环境优化控制 J 农业工程学报 ， 2014， 30( 5) : 131 137 13 Kisi O Streamflow Forecasting and Estimation Using LeastSquare Support Vector egression and Adaptive Neuro Fuzzy Embedded Fuzzy c means Clustering J Wateresources Management， 2015， 29( 14) : 1 19 14 李炜 ， 蔡翔 基于改进量子粒子群算法的 NCS 模糊控制器参数优化 J 计算机应用研究 ， 2013， 30( 8) : 23012303 15 Lutfy O F， Noor S B M， Marhaban M H， et al A simpli-fied adaptive neuro fuzzy inference system ( ANFIS) con-troller trained by genetic algorithm to control nonlinear multi input multi output systems J Scientific esearch Essays， 2011， 6( 31) : 6475 6486Intelligent Greenhouse Environment Control Based on Fuzzy Neural NetworkPeng Hui1， Zeng Bi2( 1 Department of Electrical Engineering， Guangxi Vocational Technical Institute of Industry， Nanning 530001， Chi-na; 2 School of Computer Science and Technology， Guangdong University of Technology， Guangzhou 510006， China)Abstract: For the issue that the accurate modeling and control of agriculture greenhouse environment， a intelligent con-trol scheme based on fuzzy neural network is proposed Firstly， a mathematical model of the greenhouse environment isconstructed under considering of the indoor and outdoor environmental factor， and the differential expressions of ventila-tion， spray and heat value are obtained Then， an adaptive fuzzy neural inference system ( ANFIS) is used to obtain thecontrol output by the neural network self learning and fuzzy inference， with the temperature and humidity as the input842017 年 6 月 农 机 化 研 究 第 6 期Finally， the output scaling factor of the controller is optimized by genetic algorithm， which improves the control responsespeed and stability The experimental results show that the proposed scheme can quickly and stably track the setting valueof the environment， and has good control effectKey words: greenhouse environment; intelligent control; adaptive; fuzzy inference; genetic algorithm( 上接第 42 页 ) 6 陈纪修 ， 於崇华 ， 金路 数学分析 ( 下册 ) ( 2 版 ) M 北京 : 高等教育出版社 ， 2004 7 Tokuz， L C Hybrid machine modeling and control D Liv-erpool: Liverpool Polytechine， 1992 8 李辉 混合驱动可控压力机的基础理论研究 D 天津 :天津大学机械工程学院 ， 2003 9 周双林 ， 姚燕安 ， 郭为忠 混合输入五杆机构的奇异性分析 J 上海交通大学学报 ， 2001， 35( 12) : 1817 1820，1833Abstract ID: 1003 188X( 2017) 06 0038 EAThe Structure Design and Spatial Analysis of the New BananaPlanting Open Pit MachineLou Yuyin1， Huang Wei2， Liu Guanghao3， Wang Shasha2， Bi Wei2( 1 Lushan College of Guangxi University of Science and Technology ， Liuzhou 545005， China; 2 College of MechanicalEngineering， Guangxi University ， nanning 530004， China; 3 Liuzhou vocational Technical College， Liuzhou 545005，China)Abstract: Based on the banana cultivation practices， banana planting machine development the present situation of thelack of open pit， thie paper developed a connecting rod type controlled three degrees of freedom banana planting machineopen pit First， this paper introduces the new banana planting mechanism principle and structure characteristics of openpit machine， Secondly， according to a new type of banana planting machine open pit singularity of the jacobian matrixand the singular type structure， analysis is made Again， according to the mathematical theory of several existing condi-tions， calculation of new banana planting machine structure workspace boundary condition， it is concluded