基于极限学习方法的基于WSN的温室微气候预测模型

监测和控制小气候温室成为该领域的研究热点之一农业气象学,无线传感器在哪里的应用网络(WSN)最近因其自适应,弹性和成本效益的特征。 目前的小气候监测和控制系统实现了通过操纵捕获的环境因素进行预测和传统的神经网络算法; 但是,这些系统遭受快速预测的挑战(例如每小时和甚至每分钟)部署WSN网络时。 在本文中, 极限学习机的新型预测方法提出了(ELM)算法来预测温度和南京实际温室环境中的湿度中国。 室内温度和湿度作为数据进行测量通过WSN节点进行采样。 根据结果​​,我们的方法(0.0222s)在训练上显示出明显的进步高于反向传播(BP)(0.7469s),埃尔曼(11.3307s) 和支持向量机(SVM)(19.2232s)模型,以及我们模型的准确率高于那些模型。 在里面未来,基于ELM的更快学习速度的研究将进行神经网络模型。