[发明专利]一种温室环境自适应控制方法

权利要求书

1.一种温室环境自适应控制方法，其特征在于：按照如下步骤进行

步骤1，根据温室系统输入和系统输出对应的关系，建立动态等价线性预测模型，确定该模型中状态向量的形式，建立的动态等价线性预测模型为y_k+1＝f₀[x_k]+f₁[x_k]u_k，其中，f₀[x_k]、f₁[x_k]为k时刻动态等价线性预测模型的待估参数，状态向量x_k为一个在(k-m+1),…,(k-1)时刻下的所有控制输入和在(k-n+1),…,k时刻下的所有系统输出信号组成的向量，即x_k＝[y_k-n+1,...,y_k,u_k-m+1,...,u_k-1]，y_k+1表示系统在k+1时刻的系统输出，u_k表示系统在k时刻的控制输入，y_k-n+1,...,y_k表示系统在(k-n+1),…,k时刻的系统输出，u_k-m+1,...,u_k-1表示系统在(k-m+1),…,(k-1)时刻的系统输入，m、n分别为系统输入和输出的阶数，m、n和k全为正整数，温室系统输入和系统输出包括温室加热系统输入和系统温度输出、温室通风系统输入和系统温度输出、温室增湿系统输入和系统湿度输出、温室除湿系统输入和系统湿度输出、温室补光系统输入和系统光照强度输出、温室二氧化碳发生器输入和系统二氧化碳浓度输出中的任意一种；

步骤2，通过OS-ELM神经网络的学习对建立的动态等价线性预测模型的参数进行估计，k时刻待估参数f₀[x_k]和f₁[x_k]所构建的OS-ELM神经网络函数为和动态等价线性预测模型等价为简写为y_k+1＝Φ_kθ^*，其中G(a_i,b_i,x_k)为OS-ELM神经网络的隐层神经元的激活函数，其参数a_i表示OS-ELM神经网络隐层第i个神经元到输入层的权值向量，b_i表示隐层第i个神经元的偏置量，分别表示对f₀[x_k]和f₁[x_k]所构建的OS-ELM神经网络所对应的隐层到输出层权值向量，构建的每个OS-ELM神经网络隐层节点数为L，对应L个权值，即L为正整数，构成的行向量转置即为θ^*，Φ_k＝[G(a₁,b₁,x_k)...G(a_L,b_L,x_k)G(a_L+1,b_L+1,x_k)u_k...G(a_2L,b_2L,x_k)u_k]，第k次学习获得的输出权值向量为w_0k和w_1k时，动态等价线性预测输出值为：参数自适应估计表达式为：Ρ₀为矩阵的逆，I为单位矩阵，e_k表示在k大于等于2时刻温室的实际输出y_k和预测输出的差值，即i为正整数，Φ_k-1表示函数值G(a₁,b₁,x_k-1),…,G(a_L,b_L,x_k-1),G(a_L+1,b_L+1,x_k-1)u_k-1,…,G(a_2L,b_2L,x_k-1)u_k-1构成的行向量，Φ_k表示函数值G(a₁,b₁,x_k),…,G(a_L,b_L,x_k),G(a_L+1,b_L+1,x_k)u_k,…,G(a_2L,b_2L,x_k)u_k构成的行向量，是Φ_k-1的转置，Ρ_k-1为矩阵的逆，即Ρ_k-2为矩阵的逆，即

步骤3，根据设计控制器的误差准则函数，结合所获得的动态等价线性预测模型参数估计值，最小化误差准则函数获得控制器输出。