本发明涉及农业自动化控制领域，特别涉及一种温室大棚环境的控制方法。
背景技术：
随着我国综合国力的发展，农民增收难和日益短缺的能源危机逐渐成为农村发展的最大阻碍。大力发展农业科技、实现农业现代化，是改变农村落后面貌、提高农民收入的根本途径。而智能化农业，是指在相对可以控制的条件下，实现工业化生产，从而实现集约的可持续发展。智能农业是先进的、开放的领域，技术规格配套，生产的集约化管理模式、效率高。这是一个集科研，生产，加工，销售，实现周年，全天候，反季节生产企业规模；它集成了当代生物工程技术、农业工程学、农用新材料学等部分学科，以现代智能农业设备为基础且具备高科技，高产值，高产出率和高生产率，是一个跨世纪农业新技术革命的国家项目。智能农业通过在温室环境参数实时采集温度，土壤温度、湿度和光信号的影响，湿度，露点温度，自动开启或关闭指定的装置。能够按照用户的需求，随时随地进行处理，对自动监控检测综合农业生态信息、自动控制环境参数和为智能化的管理提供有力的科学证明。温度传感器模块采集到温度信号后，经由无线收发模块对数据进行接受和发送或者通过有线总线结构对数据进行传输，能够实现对温室的温度和湿度的完整的远程监控。而我国现代技术起步较晚，而且传统手工农业的思想还没明显改变，农民相对耕地少，采用现代技术成本相对较高，所以智能农业在我国还没有大面积普及，只有少量的试点。自20世纪特别是20世纪中叶往后，由于近现代工业文明向农业文明的渗透以及现代控制技术的发展，智能农业得到了迅猛发展，特别是在美国等西方发达国家智能农业更是发展迅速，形成了一个巨大的支柱型产业。到了20世纪末期，以美国为首研究和制作的温室智能控制和管理系统能够据温室作物的需求变化，完成对光照、湿度，水，天然气和其他因素的自动控制，并能完全控制鲜花、水果、蔬菜、农产品和其他产品，， 但是，很多农业智能控制系统都是针对于某一特定的环境构建配置的，离开了特定的环境，要将系统移植到其他地域，可能要对系统做很大的改变，这样相对来说成本就会增加而且可能会延误农作物的生长。
基于以上技术问题，本发明提供了一种温室大棚环境控制方法，其实现了远程对温室大棚的温度、湿度、光照等参数的测量，并通过过执行机构来实时监测温室大棚的温度、湿度等情况，能够对农业的发展状况作出及时、正确的判断，同时，本发明能够防患未然，对监测的各个参数信息发送给监控人员，并能够根据监测的各个参数对执行机构进行自动控制，提高了农业设施的智能化。
技术实现要素：
本发明的目的是提供一种结构和使用简单、合理，精度高，性能稳定的一种设施农业环境智能控制方法。
为实现上述目的，本发明采用如下技术方案：一种设施农业环境智能控制方法，其包括以下步骤：
数据采集与预处理：分别采集温室大棚所处环境的温度、湿度、土壤养分浓度、土壤PH值和农作物的反射光谱，然后对所采集的数据进行预处理；
对采集到的数据进行自学习程序进行运算分析；所述自学习程序包括以下步骤：
(1)、建立学习网络，所述学习网络的数学模型和自学习公式为：
x(k)＝f(W1u(k+1)+W3xc(k-1))
xc(k)＝x(k+1)+α*xc(k)
y(k)＝g(W2x(k+1)+W1u(k-1))
式中，u(k)为学习程序输入节点的输入值，x(k)为学习程序运算节点的输出值，y(k)为学习程序输出节点的输出值，xc(k)为反馈控制节点的控制变量，W1、W2、W3分别为学习程序的输入节点到运算节点、运算节点到输出节点、输出节点到反馈控制节点的连接权值，g()为输出节点的传递函数，f()为运算节点的传递 函数；α为控制调节权值；k为输入数值序号；
(2)、对采集到的温室大棚环境数据进行运算，得到样本值；
(3)、初始化学习程序权值，在学习程序模型中输入样本值；
(4)、计算输入节点、运算节点、输出节点和反馈控制节点的值；
(5)、计算学习程序的函数误差并更新学习程序的权值，对学习程序进行原始训练，完成学习程序的自我的学习；
(6)、判断更新后的权值是否满足设定的精度或训练次数，并通过训练好的学习程序模型进行实际环境控制演练预测，合格后，进行实际控制。
在本发明中，所述步骤(1)中，f()为sigmoid函数，W1、W2、W3分别为n×m、m×r、n×m的矩阵。
在本发明中，所述步骤(2)中，采用动态规划加回溯的复合算法对温室大棚环境控制的初始数据进行数字滤波预处理。
在本发明中，所述温室大棚环境控制的初始数据包括温度、湿度、土壤养分浓度、土壤PH值和农作物的反射光谱等。
在本发明中，所述动态规划算法具体为：
式中：Yn为第n次采样的权值输出；Xn为第n次采样值；Xn-1为第n-1次采样值；ΔX为采样允许的最大权值偏差值；
所述回溯算法具体为：
式中，N为回溯长度，通过上两式结合得到复合算法，对样本数据进行预处理。
在本发明中，所述实际控制是指通过通信系统将控制信号输送给控制单元，借助控制单元对温室大棚的温度、湿度、土壤养分浓度、土壤PH值等进行控制。
在本发明中，在步骤(6)中，确定权值精度采用回归算法，权值精度的调整公式为：
根据上式对权值进行调整，并完成学习程序的学习，上式中，η1、η2、η3分别为权值W1、W2、W3的学习速率
本发明的有益效果在于：
本发明提供的一种温室大棚环境控制方法，其实现了远程对的温室大棚温度、湿度、光照等参数的测量，并通过过执行机构来实时监测农业现场的温度、湿度等情况，能够对农业的发展状况作出及时、正确的判断。有效的防止了农业出现的不利因素，同时，本发明能够防患未然，对监测的各个参数信息发送给监控人员，并能够根据监测的各个参数对执行机构进行自动控制，提高了农业设施的智能化。
具体实施方式
下面结合具体实施例对本发明所述的一种温室大棚环境控制方法作进一步说明。
一种设施农业环境智能控制方法，其包括以下步骤：
数据采集与预处理：分别采集温室大棚所处环境的温度、湿度、土壤养分浓度、土壤PH值和农作物的反射光谱，然后对所采集的数据进行预处理；
对采集到的数据进行自学习程序进行运算分析；所述自学习程序包括以下步骤：
(1)、建立学习网络，所述学习网络的数学模型和自学习公式为：
x(k)＝f(W1u(k+1)+W3xc(k-1))
xc(k)＝x(k+1)+α*xc(k)
y(k)＝g(W2x(k+1)+W1u(k-1))
式中，u(k)为学习程序输入节点的输入值，x(k)为学习程序运算节点的输出值，y(k)为学习程序输出节点的输出值，xc(k)为反馈控制节点的控制变量，W1、W2、W3分别为学习程序的输入节点到运算节点、运算节点到输出节点、输出节点到反馈控制节点的连接权值，g()为输出节点的传递函数，f()为运算节点的传递函数；α为控制调节权值；k为输入数值序号；
(2)、对采集到的温室大棚环境数据进行运算，得到样本值；
(3)、初始化学习程序权值，在学习程序模型中输入样本值；
(4)、计算输入节点、运算节点、输出节点和反馈控制节点的值；
(5)、计算学习程序的函数误差并更新学习程序的权值，对学习程序进行原始训练，完成学习程序的自我的学习；
(6)、判断更新后的权值是否满足设定的精度或训练次数，并通过训练好的学习程序模型进行实际环境控制演练预测，合格后，进行实际控制。
在本发明中，所述步骤(1)中，f()为sigmoid函数，W1、W2、W3分别为n×m、m×r、n×m的矩阵。
在本发明中，所述步骤(2)中，采用动态规划加回溯的复合算法对温室大棚环境控制的初始数据进行数字滤波预处理。
在本发明中，所述温室大棚环境控制的初始数据包括温度、湿度、土壤养分浓度、土壤PH值和农作物的反射光谱等。
在本发明中，所述动态规划算法具体为：
式中：Yn为第n次采样的权值输出；Xn为第n次采样值；Xn-1为第n-1次采样值；ΔX为采样允许的最大权值偏差值；
所述回溯算法具体为：
式中，N为回溯长度，通过上两式结合得到复合算法，对样本数据进行预处理。
在本发明中，所述实际控制是指通过通信系统将控制信号输送给控制单元，借助控制单元对温室大棚的温度、湿度、土壤养分浓度、土壤PH值等进行控制。
在本发明中，在步骤(6)中，确定权值精度采用回归算法，权值精度的调整公式为：
根据上式对权值进行调整，并完成学习程序的学习，上式中，η1、η2、η3分别为权值W1、W2、W3的学习速率。
所述的控制单元一般是指温度调节装置，包括升温和降温调整，用以控制大棚中的温度；喷洒或者喷灌系统，用以浇水或者喷施水，依此调整大棚内的湿度； 施肥装置，一般才欧阳液体施肥，用以调整土壤养分浓度和土壤PH值。这些控制单元或者控制装置均通过通信系统与控制系统相连，控制系统与学习程序连接，学习程序向控制系统发出控制信号，控制系统对控制信号进行分析并转发给各个控制单元或者控制装置，进而完成控制循环。
本发明提供的一种温室大棚环境控制方法，其实现了远程对的温室大棚温度、湿度、光照等参数的测量，并通过过执行机构来实时监测农业现场的温度、湿度等情况，能够对农业的发展状况作出及时、正确的判断。有效的防止了农业出现的不利因素，同时，本发明能够防患未然，对监测的各个参数信息发送给监控人员，并能够根据监测的各个参数对执行机构进行自动控制，提高了农业设施的智能化。