مدل های حرارتی، ANFIS و یک شبکه عصبی چند جمله ای برای پیش بینی متغیرهای اقلیمی یک گلخانه کمانی

هدف از این مطالعه طراحی یک مکانیسم استنتاج عصبی فازی تطبیقی ​​(ANFIS) و یک شبکه عصبی چند جمله ای (PNN) برای بهبود مدل سازی و شناسایی برخی متغیرهای آب و هوایی در یک گلخانه است. علاوه بر این، یک الگوریتم بهینه سازی ازدحام ذرات با رفتار کوانتومی پایدار (SD-QPSO) به عنوان یک الگوریتم یادگیری برای آموزش پارامترهای ثابت ساختارهای ANFIS و PNN استفاده شد. برای حذف نویز داده های اندازه گیری شده، از روش تبدیل موجک استفاده می شود تا اطمینان حاصل شود که هیچ داده اندازه گیری شده از یک بازه از پیش تعریف شده فراتر نمی رود. علاوه بر این، برای نشان دادن عملکرد مدل سازی، مجموعه ای از معادلات دیفرانسیل به عنوان یک مدل دینامیکی بر اساس رابطه انرژی و تعادل جرم در یک گلخانه مشخص به دست آمدند. برای اهداف شبیه سازی، دمای سطح خاک، هوای داخلی و پوشش سقف گلخانه برای مدل ANFIS، PNNو دینامیکی در نظر گرفته شد. نتایج مدل سازی و شبیه سازی با نتایج تجربی یک گلخانه آزمایشی کمانی ارزیابی شد. نتایج نشان داد که مدل های پیشنهادی در پیش بینی اقلیم گلخانه دقیق تر بوده و به راحتی قابل استفاده هستند. علاوه بر این، این مطالعه نشان داد که مدل PNN با اندازه جمعیت کمتر از ساختار ANFIS برای پیش بینی دمای هوای داخل و سقف موثرتر بود. در این مطالعه، یک سیستم شناسایی آنلاین نیز برای شناسایی بلادرنگ داده های تجربی پیشنهاد شد. نتایج شبیه سازی به دست آمده نشان داد که عملکرد مدل پیشنهادی و سیستم شناسایی برای پیش بینی و شناسایی دمای سطح خاک، هوای داخلی و پوشش سقف گلخانه موثر بود. این مطالعه نشان داد که الگوریتم شناسایی می تواند برای پیش بینی و تایید نتایج مدل استفاده شود. در نهایت، نتایج تحلیل حساسیت روی مدل ها نشان داد که دمای داخل و سقف گلخانه چگونه توانست تحت تاثیر دمای بیرون و خاک قرار بگیرد.