thermal, anfis, and polynomial neural network models for predicting environmental variables in an arch greenhouse

The aim of this study was to design an adaptive neuro-fuzzy inference mechanism (anfis) and a polynomial neural-network (pnn) to improve modeling and identification of some climate variables within a greenhouse. furthermore, a stable deviation quantum-behaved particle swarm optimization (sd-qpso) algorithm was employed as a learning algorithm to train the constant parameters of anfis and pnn structures. to denoise measured data, a wavelet transform method was applied to ensure that no measured data exceeds a predefined interval. moreover, to show the modeling performance, a set of differential equations were derived as a dynamical model based on the computation of energy and mass balance in a specified greenhouse. the results of modeling and simulation were evaluated with the experimental results of an experimental arch greenhouse. the results showed that the proposed models were more accurate in predicting greenhouse climate and could be used more easily. moreover, this study showed that the pnn model with less pop-size and evaluation function was more effective than the anfis structure to predict the temperatures of inside air and inside roof cover. in this study, an on-line identification system is also proposed for real time identification of experimental data. the obtained simulation results show that performance of the proposed modeling structures and identification system are effective to predict and identify the soil surface, internal air, and roof cover temperatures of the greenhouse. this study shows that the identification algorithm can be used to predict and confirm the results of the model.

مدل‌های حرارتی، anfis و یک شبکه عصبی چند جمله ای برای پیش‌بینی متغیرهای اقلیمی یک گلخانه کمانی

هدف از این مطالعه طراحی یک مکانیسم استنتاج عصبی فازی تطبیقی ​​(anfis) و یک شبکه عصبی چند جمله‌ای (pnn) برای بهبود مدل‌سازی و شناسایی برخی متغیرهای آب و هوایی در یک گلخانه است. علاوه بر این، یک الگوریتم بهینه‌سازی 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 مدل‌سازی، مجموعه‌ای 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 مدل‌سازی و شبیه‌سازی با نتایج تجربی یک گلخانه آزمایشی کمانی ارزیابی شد. نتایج نشان داد که مدل‌های پیشنهادی در پیش‌بینی اقلیم گلخانه دقیق‌تر 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 پیش‌بینی دمای هوای داخل و سقف موثرتر بود. در این مطالعه، یک سیستم شناسایی آنلاین نیز برای شناسایی بلادرنگ داده های تجربی پیشنهاد شد. نتایج شبیه‌سازی به‌دست‌آمده نشان داد که عملکرد مدل‌ پیشنهادی و سیستم شناسایی برای پیش‌بینی 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 مدل‌ها نشان داد که دمای داخل و سقف گلخانه چگونه توانست تحت تاثیر دمای بیرون و خاک قرار بگیرد.