%0 Journal Article
%T 基于小波变换和动态神经网络的温室黄瓜蒸腾速率预测
%A 孙国祥
%A 闫婷婷
%A 汪小？
%A 陈满
%A 张瑜
%A 狄娇
%A 施印炎
%A 陈景波
%J 南京农业大学学报
%P 143-152
%D 2014
%R 10.7685/j.issn.1000-2030.2014.05.023
%X 针对作物蒸腾速率与温室环境参数间非线性耦合时延性关系，以温室环境参数空气温度、空气湿度、太阳辐射度、土壤温度、叶面温度、土壤含水量的时间序列为输入量，温室黄瓜蒸腾速率时间序列为输出量，采用小波分解重构方法，分别建立低频时间序列和高频时间序列的非线性自回归动态神经网络(NARX)子网络预测模型，以子网络的预测叠加值为蒸腾速率预测值。结果表明1层小波分解重构的低频时间序列A1和高频时间序列D1的子网络预测值与蒸腾速率分解重构目标值间相关性决定系数R2分别为0.949和0.853，平均绝对误差(MAE)分别为5.36和2.00g？h-1。2层小波分解重构的低频时间序列A2和高频时间序列D2的子网络预测值与蒸腾速率分解重构目标值间相关性决定系数R2分别为0.983和0.849，MAE分别为2.88和2.56g？h-1。1层小波分解重构的时间序列的NARX子网络预测值合成值(A1+D1)，2层小波分解重构的时间序列的NARX子网络预测值合成值(A2+D2+D1)和未小波分解重构的原时间序列的NARX预测值与蒸腾速率测量值间相关性决定系数R2分别为0.945、0.974和0.857，MAE分别为5.76、4.42和10.09g？h-1。小波分解重构的高频和低频时间序列预测合成，能够提高时间序列的预测准确性。同时采用相同网络结构的BP神经网络和NAR动态神经网络预测蒸腾速率时间序列，其预测值与测量值间决定系数R2分别为0.596和0.839，MAE分别为19.55和9.45g？h-1。NARX预测性能优于NAR和BP神经网络的预测性能，能够应用该方法预测温室黄瓜的蒸腾速率。该方法可推广至多变量非线性强耦合时延性系统中的变量预测。
%K 温室
%K 黄瓜
%K 蒸腾
%K 小波变换
%K 动态神经网络
%K 时间序列
%K 预测
%U http://nauxb.njau.edu.cn/oa/darticle.aspx?type=view&id=201405023