基于WSN的极端学习方法的温室小气候预测模型

温室中微气候的监测和控制已成为农业气象学领域的研究热点之一,无线传感器网络(WSN)的自适应,适应性强和成本效益高的特点使无线传感器网络(WSN)的应用近来引起了越来越多的关注。 当前的微气候监测和控制系统通过操纵捕获的环境因素和传统的神经网络算法来实现其预测。 然而,当部署WSN网络时,这些系统面临快速预测(例如每小时甚至每分钟)的挑战。 本文提出了一种基于极限学习机(ELM)算法和KELM(基于内核的ELM)的新颖预测方法,用于预测南京市实际温室环境中的温度和湿度。 通过WSN节点将室内温度和湿度作为数据样本进行测量。 根据结果​​,我们的方法(0.0222s)与反向传播(BP)(0.7469s),Elman(11.3307s)和支持向量机(SVM)(19.2232s)模型相比,在训练速度上已显示出显着提高,准确性我们模型的比率高于那些模型。 将来,将对基于ELM和KELM的神经网络模型的更快学习速度进行研究。