java递归神经网络大棚温室短序列预测+源代码(2)
2.5 目标函数 12
2.5.1对数损失函数 13
2.5.2均方误差 13
2.6 数据归一化 13
2.6.1 最值归一化方法 14
2.6.2标准分数归一化方法 14
2.6.3中值归一化方法 14
3 数据结构及实现逻辑介绍 14
3.1 数据结构 14
3.2 实现流程 17
4 模型搭建与实验设计 18
4.1 模型结构及处理流程 18
4.1.1 模型结构 18
4.1.2 数据处理流程 19
4.2 模型训练 20
4.2.1 数据处理 20
4.2测试 20
4.2.2 对数损失函数和RMSprop 20
4.2.3均方误差和Amdm 24
4.2.4 均方误差和RMSprop 26
4.2.5 均方误差和SGD 28
4.3 界面系统 30
5 结果分析与总结展望 32
5.1 文章总结 32
5.2 展望和未来的工作 32
致谢 33
参考文献： 33
基于递归神经网络大棚温室短序列预测1 绪论
1.1自动化温室研究背景及现状
近年来，自动化温室[1]应用愈来愈广泛，不仅应用于农业蔬菜的生产，也应用于花卉等对于环境要求较高的植物生产中。如何实现计算机自动调节植物生长所需的各种环境因素，也成为自动化温室实现的重点。荷兰的智能化玻璃温室[2]种植各类蔬菜，包括番茄、甜椒、黄瓜等，总面积超过1亿米2，年产值达到14亿美元，在荷兰农业总产值份额达到7.5%。荷兰智能化玻璃温室之所以能应用的如此广泛，是得益于温室的计算机环境控制系统能够自动调控作物的水肥供应及所需生长环境因素，这使得植物生长都处于可控的范围内。
环境控制系统最初主要通过人工手动控制，即通过人的认知避免植物在某些环境恶劣的情况受到严重影响。二战以后，自动调温仪等机械设备应用于温度控制，即将植物生长通过自动调温仪进行温度控制。随着自动调温仪的使用，如何得到一个植物适宜的温度数据这一问题也随之产生。之后的环境控制盒成功的解决了这一问题。随着对于环境因素调控越来越细致，环境控制盒越来越复杂。在20世纪70年代，采用计算机进行环境精确控制，使用可修改的程序去调节，而通过计算机设定的环境因素数据都是基于研究的结果。现今通过对于总能量及光照的调节，使得温室的各个系统较之以前更合理。
新的研究发现，直接对温室环境因素进行精确的调控不是使作物达到最佳产量的方案。植物的生长发育不取决于某个特定时刻的温度水平，而取决于某个时间段的平均水平。这表明将环境因素设定在最高和最低数值之间，将使作物取得更高的产量。因此获取环境因素的一段时间内的平均水平数值，对于环境控制非常重要。
1.2递归神经网络研究背景及现状
在1943年,心理学家McCullo等提出了MP模型，奠定了对神经科学理论研究基础。到了1949年, Hebb准则的提出，即神经元之间突触联系强度可变的假，提供了神经网络的学习算法基础。在这之后，随着人工神经网络的不断完善，逐渐凸显了神经网络各个特性，包括非线性映射能力、自适应、自学习、容错性和并行处理等性质。这些性质使得神经网络区别于传统的线性模型，能够更好的应用于非线性时间序列预测。神经网络从数据集中训练学习，去表达拟合数据所遵循的规律的函数，神经网络采用这种方式避免了对数据集不断的查询表述。并且对于越复杂的数据规律，神经网络的特点就越能区别于普通的线性模型，就越能体现出神经网络在拟合数据规律的优点。