温室温度控制中的自适应神经模糊推理系统分析与设计

可在www.sciencedirect.com上在线ScienceDirect电气系统与信息技术学报4（2017）34自适应神经模糊推理系统在温室温度控制中的分析与设计多阿湾哈纳·阿蒂亚马达尼电子研究所，光伏电池部，吉萨，埃及接收日期：2015年3月10日;接收日期：2016年7月3日;接受日期：2016年10月27日2016年12月5日摘要温室是一个复杂的非线性系统，为植物提供适宜的生长环境条件。介绍了一种以地热为热源的温室控制系统的设计。温室气候控制问题是为作物创造一个有利的环境，以达到高产、优质和低成本的预定结果四个控制器技术：PI控制，模糊逻辑控制，人工神经网络控制和自适应神经模糊控制被用来调节温室室内温度在所需的值。利用MATLAB/SIMULINK对不同类型的控制器技术进行了仿真。最后对不同的控制策略进行了比较研究© 2016 电 子 研 究 所 （ ERI ） 。 Elsevier B. V. 制 作 和 托 管 这 是 CC BY-NC-ND 许 可 证 下 的 开 放 获 取 文 章（http://creativecommons.org/licenses/by-nc-nd/4.0/）。关键词：人工智能;控制;人工神经网络;模糊逻辑控制;自适应神经模糊1. 介绍温室是一种封闭的结构，其为植物提供最佳控制的环境以调节植物生长条件，从而降低生产成本并增加作物收入（Coelho等人，2005年）。通过增加采暖、通风和CO2供应系统，可以改善温室环境，为温室提供最佳的环境条件。 许多温室使用常规控制，但是这种控制策略可能不适合于保证期望的性能（Ghoumari等人， 2002年）。人工智能的最新技术已在人类知识的几乎所有领域得到应用。然而，非常强调的是精确的科学领域;也许这些技术成功的主要表现是在工程领域。模糊和神经网络是人工智能技术的两种类型神经网络和模糊逻辑这两种技术经常被结合起来使用，称为自适应神经模糊推理系统（ANFIS），用于解决工程问题，*通讯作者。电子邮件地址：hanaa tolba@yahoo.com（H.T. El-madany）。电子研究所（ERI）负责同行评审http://dx.doi.org/10.1016/j.jesit.2016.10.0142314-7172/© 2016电子研究所（ERI）。Elsevier B. V.制作和托管这是CC BY-NC-ND许可证下的开放获取文章（http://creativecommons.org/licenses/by-nc-nd/4.0/）。D.M. Atia，H.T.El-madany/电气系统和信息技术杂志4（2017）3435Fig. 1.温室地热供暖系统布置图。图二.温室气体损益表。经典技术不提供非正式和精确的解决方案（Alhanafy等人，2010; Ruano，2005; Khoshnevisan等人， 2014年）。在过去的十年中，一些研究人员解决了温室气体的气候条件的控制设计。Ferreira等人（2002年）、Cunha（2003年）和Bennis等人（2003年）对GH建模和识别进行了研究。GH气候是由Arvantis等人使用智能 控 制 器 开发的 。 （2000 ） ， Lafont and Balmat （ 2002 ） ， Sigrimis et al. （ 2002 ） ， Pasgianos et al.（2003），Bennis et al. （2005），Koutb et al. （2004），Bennis et al. （2003），以及Fourati和Chtourou（2004）。已经提出了许多策略和控制技术（Márquez-Vera等人，2016;Revathi和S iv akumaran，2016;Coelho等人， 2005）、模型预测控制（Coelho等人， 2005年;Pi nBogo'n等人）， 线性二次自适应控制（Arvantis等人，2000）、神经网络控制（Ferreira等人，2002），模糊控制（Lafont和Balmat，2004）。本文研究了温室室内温度的建模与控制问题。介绍了各种控制技术（PI控制、模糊逻辑控制（FLC）、人工神经网络控制（ANNC）和ANFIS）。此外，MATLAB/SIMULINK是用来验证所提出的类型的控制器技术。最后对控制器的性能进行了2. 温室布局加热温室可以使用不同的系统和能源来实现，例如化石燃料和地热能。利用化石燃料的供暖系统可能具有低的初始成本，但它们的运行成本很高，并且对环境造成污染。另一方面，地热能加热系统的初始成本可能很高，但运行成本很低，而且没有污染，这使得这些系统对农民极具吸引力（Radojevic等人， 2014年）。本文研究的是裸管供热系统。管道最好位于温室的低处。系统的控制可以通过闸阀手动进行，也可以使用自动控制。位于苏伊士湾的Ras Sedr-2井被用作地热源 图 1介绍了利用地热能的温室供暖系统的布局。36D.M. Atia，H.T.El-madany/电气系统和信息技术杂志4（2017）343. 温室动态模拟温室小气候的动态行为是涉及能量传递和质量平衡的物理过程的组合（Pawlowski等人，2009年）。估算温室气候所涉及的物理过程，可以用图1来表示。 二、 热平衡可以表示为（Emeish，1999; Xu等人，（2006年）：Qtotal =Q增益−Q损耗（1）其中Qtotal是总能量平衡（W）; Qgain是进入温室的能量的量（W）; Qloss是离开温室的能量的量（W）。3.1. 通过温室的能量损失离开温室的能量的量可以根据以下等式来估计（Emeish，1999;Xu等人， 2006年）：Q损失=Qk+Qs+Qr+Qv+Qinf+Qcond（2）其中Qk是由于传导热损失（W）引起的热损失;Qs是土壤热损失（W）;Qv是由于通风引起的热传递（W）;Qinf是由于渗透引起的热传递（W）;Qr是由于长波辐射引起的热传递，Qcond是由于冷凝引起的热损失（W）。3.1.1. 传导损耗传导损失包括通过温室覆盖物从内部空气到外部空气的所有热传递、通过覆盖材料的传导热传递和辐射热传递。 可以通过使用以下等式来计算它（Emeish，1999;Xu等人， 2006年）：Qk=Ac h（Ti−To）（3）h= 2。八加一。2ws（4）式中，T0为室外温度（K），Ti为室内空气温度（K），h为导热系数（W/m2），Ac为温室覆盖面积（m2），ws为风速（m/s）。3.1.2. 长波辐射损耗根据非线性Stefan-Boltzmann关系，从温室内部到外部的热长波辐射交换可以表示为（Xu et al.， 2006年）：Qr=Ac σ ε（Ti4−To4）（5）其中Qr是辐射损失，ε是覆盖物和天空之间的组合发射率，σ是Stefan-Boltzmann常数。3.1.3. 通风损失通风损失的热量与空气交换速率和内部与外部空气温度的差异成比例，损失可以通过以下公式确定（Emeish，1999;Mesmoudi等人， 2010年版）：Qv=GρCp（Ti−To）（6）G=wrv kv Av（7）D.M. Atia，H.T.El-madany/电气系统和信息技术杂志4（2017）3437式中，ρ为空气密度（kg/m3），Cp为空气比热（J/kg K），G为通风气流（m3/s），w为风速（m/s）;rv为通风机开度百分比，kv为通风量除以风速变化曲线的斜率，Av为通风机面积（m2）。38D.M. Atia，H.T.El-madany/电气系统和信息技术杂志4（2017）34三分之一=×PPC=3.1.4. 土壤热损失从温室环境到土壤的热损失可以通过以下方式测量（Emeish，1999）：Q s= 1。86As（Ts−Tic）4/ 3（8）式中，Qs为土壤热损失（W）;Us为土壤传热系数（W/m2<$ C）;As为土壤表面积（m2）;Tic为温室内部温度（<$C）;Ts为土壤温度（<$C）。土壤温度是在给定初始条件下土壤温度随时间的积分;它可以计算如下（Emeish，1999年）：Ts=10dTs（9）dTsQs=AsDsCps（十）其中Ds是土壤深度（m）;CPs是土壤的比热容（3000 J/kg K）。3.1.5. 凝结热损失冷凝是指空气温度低于露点时，水从汽相转变为液相此时，空气不再携带所有的水蒸气颗粒，水蒸气开始凝结。为了计算冷凝引起的热损失，使用以下公式（Emeish，1999;Hanan，1998）：Qcond=Ac isv C（11）其中，Qcond是冷凝热损失（W）;C是覆盖物上的水冷凝速率（kg/sm2）;isv是饱和蒸汽的焓（2453.48 kJ/kg）。C1. 6410 −3Ac（TAF-Tr）（X ain -Xc）（12）我不是Ta=1−eain（1−ε）遮不住Tr=1−eain（1−ε）（十三）（十四）Tc=TiTi−To3（十五）XρaεreacP−eac（十六）eac=RHc esc（17）Xain艾因Mwt=VginfP Xain=Xain+εrρa（十八）（十九）一−D.M. Atia，H.T.El-madany/电气系统和信息技术杂志4（2017）3439式中，X ain为环境绝对湿度（kg/m3），X c为覆盖物处的绝对湿度（kg/m3），eain为温室内空气的蒸汽压（Pa），Tr为覆盖物内表面温度（K）下的实际温度，P为大气压力（101.3 kPa），ε r为水和空气的分子量比（0.622），ρ a为干燥空气的密度（1.292 kg/m3），RH c为Mwt为通过结构的蒸汽交换总量（kg），Vginf为单位覆盖面积的空气交换率体积（m3/m2h）。40D.M. Atia，H.T.El-madany/电气系统和信息技术杂志4（2017）343.1.6. 渗滤热损失渗透表示由于空气通过裂缝交换而导致的能量损失。渗透率可根据单位覆盖面积（屋顶和墙壁）的水蒸气变化量水蒸气的体积与风速和温室内外的温差成正比由于渗透引起的热传递可以估计为（Emeish，1999）：Qinf= 0。5V N（Ti−To）（20）其中Qinf是渗透热损失（W）;Ti是温室内部温度（K）;To是外部温度（K）;V是温室体积（m3），N是每小时换气次数（h−1）。3.2. 得热源温室模型的得热量来源包括来自太阳的太阳得热量和加热系统得热量。 详细描述了各组成部分及其对温室总得热量的贡献（Emeish，1999）。3.2.1. 太阳辐射得热太 阳辐 射 是温 室 栽培 中 最具 决定 性 的因 素 。进 入 温室 的 能量 根 据以 下 关系 式 计算 （ Emeish ，1999;Hanan，1998）：Qs=Ag γτI（21）其中Qs是进入温室的有用太阳能（W），I是落在水平面上的总外部太阳能（W/m2），Ag是温室地板面积（m2），τ是温室覆盖物对太阳辐射的透光率，γ是进入温室的太阳辐射比例的常数，有助于提高内部温度（在0.3-0.7的范围内）（Emeish，1999），3.2.2. 加热系统增益所选的加热系统由铺设在温室地板上的裸管组成。从这些管道到温室环境的热传递根据以下公式计算（Emeish，1999）：Qhs=m Cp（Twi-Two）（22）式中，Qhs为供热系统的得热量（W），m为供热水流速（kg/s）;Twi为供热水入口温度（℃）;Two为供热水出口温度（℃）;Cp为水的比热容（J/kgK）。Two=（Twi-Tic）e-kL/mcp+T在（23）其中k是管道对流传热系数（W/m K）;L是环路管道长度（m）。4. 人工智能人工智能是计算机科学的一个分支，能够分析大规模数据。ANN、ANFIS技术和FLC是AI技术的类型（Wang等人， 2009年）。 ANN可用于解决抗噪性很重要的复杂问题（Gupta等人， 2003年）。人工神经网络的训练方法有两种：有监督训练和无监督训练。监督训练需要训练集，其中为几个训练案例提供网络的输入和期望的输出，而无监督训练只需要网络的输入，并且ANN应该对数据进行正确分类（Dadios，2012）。FL通常用于控制系统。为了克服系统的不确定性和参数变化，模糊逻辑控制器用于基于人类知识对控制目标进行建模，理解系统响应，因此不需要系统动态的明显数学模型模糊控制器是一个系统，它处理数值数据，并通过数据库（模糊化）将其转换为符号形式实现了决策逻辑（规则库），因此可以提供必须转换为数值数据（解模糊化）的符号答案（Lafont和Balmat，2002）。 ANFIS是一种基于Takagi-Sugeno模糊的神经网络D.M. Atia，H.T.El-madany/电气系统和信息技术杂志4（2017）3441我−布我--我我我ΣΣ图三. ANFIS控制器结构。推理系统由于它结合了神经网络和模糊逻辑原理，它有可能在一个框架中捕获两者的好处。它的推理系统对应于一组模糊IF-THEN规则，具有学习能力，估计非线性函数。因此，ANFIS被认为是一种通用的估计器（Coelho等人， 2005年）。 ANFIS控制是一种混合控制方法，由梯度法和最小二乘法两部分组成，梯度法用于计算输入隶属函数参数，最小二乘法用于计算输出函数参数。ANFIS的结构如图3所示（Mote和Lokhande，2012）。该ANFIS结构的各个层描述如下（Mote和Lokhande，2012）：第1：该层中的每个节点i都是自适应的，具有节点功能O1=μAi（x）（24）μAi（x）= 1+100。1xciai（二十五）2012年1月其中，x是节点i的输入，Ai是与该节点函数相关联的语言变量，μAi是Ai的隶属函数，ai，bi，ci是前提参数集。第2：该层中的每个节点是计算规则的触发强度wi的固定节点每个节点的输出是所有输入信号的乘积，由下式给出（Mote和Lokhande，2012）：O2=wi=μAi（x）×μBi（y），i=1， 2（26）第3：这一层中的每个节点都是固定节点。每个第i个节点计算第i条规则的触发强度与所有规则的触发强度之和的比率第i个节点的输出是由下式给出的归一化击发强度（Mote和Lokhande，2012）：O3=wiwi=w1+w2， i= 1，2（27）第4：该层中的每个节点都是自适应节点，其节点函数由下式给出（Mote和Lokhande，2012）：O4=wi fi=wi（pi x+qi y+ri），i=1， 2（28）其中wi是第3层的输出，（pi，qi，ri）是结果参数集。第5层：该层仅由一个固定节点组成，该节点将总输出计算为所有输入信号的总和，即（Mote和Lokhande，2012）。O5=总输出=w<$ifi=我wifi我wi我（二十九）Σ42D.M. Atia，H.T.El-madany/电气系统和信息技术杂志4（2017）34∫见图4。提出了基于MATLAB/SIMULINK的PI控制器。图五.模糊逻辑控制器的MATLAB/SIMULINK模型。5. 控制系统设计控制的有效性取决于描述温室动态变量的数学模型的准确性（Iga，2008）。人工智能可用于控制温室气候，以提高栽培生长并最大限度地降低生产成本。5.1. 采用PID控制器的PID控制器以其简单、性能优良等特点在许多工业过程中得到了广泛的应用误差信号被发送到PID控制器以获得系统响应。传统的连续PID控制器表达式表示为（NtogramatzandFerrante，2011）：u（t）=Kp不e（t）+KI e（t）dt+KD0德特（三十）建议的PI控制器是建立在MATLAB/SIMULINK中，如图所示。 四、最优控制参数的获得使用尝试和错误的方法。比例增益（KP）和积分增益（KI）分别等于500和0.0001。D.M. Atia，H.T.El-madany/电气系统和信息技术杂志4（2017）3443表1模糊逻辑控制器规则库。eceNLNMNS泽PS下午PLNLNLNLNLNLNMNS泽NMNLNLNLNMNS泽PSNSNLNLNMNS泽PS下午泽NLNMNS泽PS下午PLPSNMNS泽PS下午PLPL下午NS泽PS下午PLPLPLPL泽PS下午PLPLPLPL见图6。输入（e和ce）和输出的隶属函数。5.2. 模糊逻辑控制器所提出的温室FLC的MATLAB/SIMULINK模型如图5所示。FLC的输入变量是误差（e）和误差变化（ce），其通过输入缩放因子归一化模糊控制器的设计涉及到知识库的选择、决策逻辑和解模糊机制。拟议的FLC的规则基础如表1所示。 输入和输出变量被划分为七个模糊子集。它们由七个隶属函数（三角形）表示，即NL（负大），NS（负小），ZE（零），PS（正小）和PL（正大），如图所示。 六、 合成操作是生成受控输出的方法。 每个规则的输出隶属该系统的解模糊采用重心法，方法简单、快速。5.3. 基于神经网络控制器的神经网络的结构影响控制单元的学习方法和效率，同时逼近误差取决于隐层神经元的个数和网络的输入。人工神经网络由三层组成。输入层有6个神经元（误差、空气温度、风速、太阳辐射、空气湿度和地板温度），隐藏层有15个节点输出层包含一个神经元，用于控制光管加热系统的流量。LOGSIGMOID传递函数用于隐藏层，PUBLIN用于输出层。学习算法采用反向传播技术。44D.M. Atia，H.T.El-madany/电气系统和信息技术杂志4（2017）34见图7。神经网络的均方误差。见图8。MATLAB/SIMULINK的神经网络控制。D.M. Atia，H.T.El-madany/电气系统和信息技术杂志4（2017）3445表2配置ANFIS控制器。见图9。提出了ANFIS控制器的结构。配置类型Sugeno数量的输入2产出数目1数量的规则9和方法Prod或方法普罗博尔意蕴Prod聚集总和解模糊弗塔弗见图10。 ANFIS IF-THEN规则。图图7示出了神经网络的最佳验证性能，其可以在epoch 1000处获得。因此，网络运行良好。神经网络的MATLAB/SIMULINK如图所示。8.第八条。5.4. 采用ANFIS控制器的选择适当的隶属函数和规则库影响ANFIS控制器的精度。在ANFIS控制器中，神经网络算法用于选择一个合适的规则库，这是使用反向传播算法完成ANFIS控制器的拟议结构如图9所示。ANFIS控制器的配置如表2所示。 所用的模糊推理技术是Sugeno方法。使用混合训练算法，其中梯度下降算法和最小二乘算法的组合用于有效搜索最优参数。ANFIS的主要优点是收敛速度快得多，因为它减少了神经网络中使用的反向传播方法的搜索空间维数建议的ANFIS If-Then规则是46D.M. Atia，H.T.El-madany/电气系统和信息技术杂志4（2017）34见图11。ANFIS控制器的表面查看器。见图12。MATLAB/SIMULINK建立的供暖系统模糊控制器模型。图十三.采用神经网络控制器的供暖系统的MATLAB/SIMULINK模型。D.M. Atia，H.T.El-madany/电气系统和信息技术杂志4（2017）3447见图14。利用MATLAB/SIMULINK建立供暖系统模型，采用ANFIS控制器.表3Ras Sedr的气象数据。时间（小时）空气温度（C）辐射（w/m2）风速（m/s）湿度（%）11105.084921104.85031104.85041104.9525905.35461025.65671039.485.858810195.66.248913470.056.3401015535.936.8311117637.227.2331217680.527.5341317.5675.567.6361418606.137.7341518482.157.8321617.5317.77.6331717151.787.536181617.267.33819150742201406.642211306.01142221205.643231205.443241204.9543示于图 10个。使用了8个If-Then规则和3个高斯钟型隶属函数。所得到的ANFIS控制器的表面观察器如图所示。 十一岁6. 仿真结果为了预测温室的性能，利用MATLAB/SIMULINK对温室加热系统进行建模和仿真。三个建议的控制器进行了模拟，如图1和图2所示。12比14 模拟模型进行了测试系统在各种气候条件下的性能温室子系统的数学建模48D.M. Atia，H.T.El-madany/电气系统和信息技术杂志4（2017）34图15.基于MATLAB/SIMULINK表4控制器技术的MAE控制器类型MaeRMSEPi0.58511.595安3.39279.8941FLC0.07160.5998ANFIS0.00740.1977MATLAB/SIMULINK在图中给出。十五岁气象数据（气温、风速和相对湿度）来自新能源和可再生能源管理局（2005年），如表3所示。对流、传导至温室土壤、冷凝、通风、渗透和长波辐射造成的热量损失见图。 十六岁 很明显，渗透损失代表了最小的热损失分量D.M. Atia，H.T.El-madany/电气系统和信息技术杂志4（2017）3449图16.一天中温室能量损失的变化。图17.温室室内温度变化。随后传导至温室土壤热量。而冷凝损失在温室热损失中所占的比例最大。四种控制器技术，PI，神经网络，模糊，ANFIS被用来调整温室的期望温度。 温室室内温度的响应如图所示。 17种控制技术。很明显，所提出的ANFIS控制器下的响应是非常平滑的，比PI，神经网络和模糊控制器给出的更接近设定点表4示出了所提出的控制器的RMSE和MAEANFIS控制器的RMSE和MAE都比其它控制器小得多仿真结果表明，ANFIS控制器的系统响应是非常令人满意的，比其他快速。7. 结论由于温室中涉及的物理动力学，使用传统的控制技术，气候控制器的合成成为一项复杂的提出了一种将传统技术和人工智能技术应用于温室气候控制的方法。PI控制、模糊逻辑控制（FLC）、人工神经网络（ANN）和自适应神经模糊控制（ANFIS）是解决温室非线性问题的有效工具50D.M. Atia，H.T.El-madany/电气系统和信息技术杂志4（2017）34建模本研究的人工神经网络和ANFIS控制的训练数据是从MATLAB/SIMULINK中的几个仿真中随机仿真结果表明，ANFIS控制器能够有效地控制温室室内温度，且响应速度快引用Alhanafy，T.，Zaghlool，F.，El Din Moustafa，A.，2010年。大气污染预测的神经模糊建模方案。 J. Am. Sci. 6（12），605-6012。电力和能源部新能源和可再生能源管理局，2005年。《1991-2005年埃及测量和建模世界地图集》，埃及开罗。Arvantis，K.G.，Paraskevopoulos，P.N.，Vernados，A.A.，2000. 温室的多速率自适应温度控制。Comput. 电子学。农业。26（3），303-320。Bennis，N.，Duplaix，J.，Enea，G.，Halua，M.，Youlal，H.，2003年。 温室气候模拟与温室病虫害控制。Comput. 电子学。农业。 61（2），96-107。Bennis，N.，Duplaix，J.，Enea，G.，Haloua，M.，Youlal，H.，2005年 先进的温室气候控制。在：第33届国际研讨会的会议记录“实际T要求农业工程”，21- 25日2月，克罗地亚，pp. 265-277。Coelho，J.，de Escala Oliveira，P.，Cunha，J.，2005年基于粒子群优化算法的温室空气温度预测控制。Comput. Electron.Agric.49，330-344.Cunha，Boaventura J.，2003年。 温室气候模式：综述。见：EFITA会议记录，7月5日至9日，德布勒森，匈牙利，pp.823-829.Dadios，E.，2012年。 模糊逻辑融合技术及其应用 InTech Publisher.Emeish，M.，1999. 约旦温室的地热供暖系统，地热供暖方案报告2，冰岛，41 os.is/gogn/unu-gtp-report/UNU-GTP-1999-02.pdf。Ferreira，P.M.，Faria，E.A.，Ruano，A.E.，2002. 神经网络模型在温室气温预测中的应用。神经计算43（1），51-75。Fourati，F.，Chtourou，M.，2004年一种具有前馈和递归神经网络的温室控制。你好 模型 Pract. 理论15（8），1016-1028.Ghoumari，M.，Tantau，H.，Megas，D.，Serrano，J.，2002年。温室的实时非线性约束模型预测控制。In：Proceedingsof15thIFACWworldCongress，Barcelona，Spain.古普塔，M.，金，L.，Homma，N.，2003年。 静态和动态神经网络：从基础到先进理论。 北京：清华大学出版社. Hanan，J.，1998.温室：保护地园艺的先进技术。CRC出版社。Iga，J.，2008年墨西哥东北部温室气候模拟。在：第17届世界大会的会议记录，韩国，pp.9558-9563.Khoshnevisan，B.，Rafiee，S.，Mousazadeh，H.，2014年。 多层自适应神经模糊推理系统在温室草莓产量估测中的应用。测量47，903-910。Koutb，M.，El-Rabaie，N.，阿瓦德，H.，内务部的哈米德2004. 使用智能控制系统对工厂进行本质控制。在：农业人工智能程序（AIA'04），IF A C，开罗，pp. 101比106Lafont，F.，Balmat，J.F.，2002年。温室的优化模糊控制。 模糊集系统128，47-59.Lafont，F.，Balmat，J.F.，2004年 模糊逻辑对多维系统的识别与控制。 Int. J. Comput. 认知。2，21-47. Marquez-Vera，MarcoA.，Ramos-Fernández，JulioC.，Cerecero-Natale，LuisF.，Lafont，Frédéric，Balmat，Jean-FrancBogois，Esparza-Villanuev a，Jor ge一、2016年。 用模糊模型实现MISO温室温度控制。Comput. 电子学。农业。124，168-174.Mesmoudi，K.，Soudani，A.，Bournet，P.，2010. 炎热和干旱气候条件下番茄温室内空气温度的测定。应用科学在维龙。管理员。5，117-129。Mote，T.，Lokhande，S.，2012年。 温度控制系统采用ANFIS。 Int. J. 软计算 Eng. 2，156-161.Ntogramatzegli湖，Ferrante，A.，2011. 控制反馈设计中PID控制器的精确整定。控制理论与应用。IETControlTheoryAppl.5，565-578.Pasgianos，G.D.，Arvanitis，K.G.，Polycarpou，P.，Sigrimis，N.，2003年。温室环境控制的非线性反馈技术。Comput.Electron.Agric.3，153-177.帕洛夫斯基，A.，Guzman，J.，Rodríguez，F.，贝伦格尔，M.，Sánchez，J.，Dormido，S.，2009年 基于无线传感器网络和事件控制的温室气候监测与控制仿真。传感器9，232-252。Radoj e v ic'，N.， Kostadin o v ic'，D.， Vlaj ko v ic'，H.， Veg，E.，2014年。温室小气候控制。 FMETrans. 42，167-171.Revathi，S.，Sivakumaran，N.，2016年。温室温度的模糊控制。 IFAC-PapersOnLine 49（1），549-554.Ruano，A.，2005. 使用计算智能技术的智能控制系统（IEE控制系列）。工程技术学会出版社。Sigrimis，N.，Arvanitis，K.G.，Pasgianos，G.D.，Ferentinos，K.P.，2002年。温室的计算机集成管理与智能控制。在维龙。ControlBiol.40，39-53.王伟，Chau，K.，郑，C. Qiu，L.，中国农业科学院，2009. 几种人工智能方法预测月流量时间序列的性能比较。J.液压374，294-306。徐，F.，陈杰，张，L.，Zhan，H.，2006. 基于实数编码遗传算法的温室温度自校正模糊控制。第九届控制、自动化、机器人和视觉国际会议论文集，IEEE，新加坡，pp。1比6