论文部分内容阅读
摘要：温室温湿度的准确预测有助于及时调节温室小环境，温湿度预测模型是温室控制的重要基础，提高预测精度有助于提高生产水平。针对温室系统具有非线性、非平稳性等特点，提出一种基于经验模态分解（empirical mode decomposition，简称EMD）和小波神经网络（wavelet neural network，简称WNN）的温室温湿度组合预测方法。首先，利用经验模态分解方法将原始时间序列分解成一系列分量;然后对各分量分别构建小波神经网络模型进行预测;最后叠加各子序列得到预测值。结果表明，运用EMD-WNN组合的温度模型有效性为0.993 4，湿度模型有效性为0.978 1，且优于单独WNN模型和BP神经网络模型的预测结果，可有效提高短期温室温湿度预测的精度。
关键词：经验模态分解;小波神经网络;模型构建;温室;温度;湿度;预测
中图分类号： S625.5 1 文献标志码： A 文章编号：1002-1302（2019）01-0211-05
温室作物生产是农业生产发展的一个新阶段，相较于大田作物生产，其生产过程受外界气候变化的影响较小，能够满足人们在不同季节对各种农产品的需求。现代化温室可以有效地调控温度、湿度、光照、二氧化碳浓度以及土壤温湿度等环境因子，营造一个与室外大气候环境相对隔离的小气候环境，减小作物生长对自然环境的依赖性。我国温室发展迅速，但单位面积产量与西方发达国家相比，仍较为落后。温室小气候环境是影响作物生长和产量的主要条件之一，为满足作物对其生长环境的不同要求，须要分析温室小气候的变化。如何模拟温室小气候环境，提高环境因子的预测精度，进而快速地对温室环境进行调节和控制，提高温室的生产力，是我国温室发展亟待解决的问题。
由于温室是一个典型的非线性、时变的复杂系统，外界气候变化、温室内部作物的生理作用和各种调控措施都会对温室小气候环境产生影响，因此其模型很难通过机理法用简单的数学公式或传递函数来描述[1]。随着智能计算的发展，利用人工神经网络技术解决温室建模的相关问题逐渐成为研究热点。人工神经网络具有较强的学习能力以及较好的自组织、自适应能力，能够通过数据的内在联系建立模型，它可以自动从历史数据中提取相关信息，从而有效地解决传统预测方法面临的许多局限和困难，因此鉴于其在建模中的优势，人工神经网络成为短期环境因子预测的一种性能较好的方法。王定成利用支持向量机回归建模方法，根据历史数据建立了温室气候模型[2]。李倩等针对不同通风条件下南方塑料大棚内温湿度状况，建立相应的反向传播（back propagation，简称BP）神经网络预测模型，结果表明，该模型对于不同季节、不同通风条件、不同作物的大棚温湿度模拟都有较高的精度[3]。金志凤等利用气象数据，构建了基于BP神经网络的杨梅大棚内气温预测模型，该模型试验精度明显高于同时利用逐步回归法建立的模型[4]。Fourati采用Elman神经网络（elman neural network）建立温室温湿度预测模型，该模型包括6个输入节点、3个隐节点、2个输出节点，试验得到，温度误差为0.3 ℃，湿度误差为4%[5]。邹伟东等基于正交基函数的改进型极限学习机对日光温室环境因子进行辨识，建立日光温室温湿度环境因子预测模型，预测结果表明，温度模型有效性为0.943 4，湿度模型有效性为0.920 8[6]。
温室的结构从根本上决定了温室内的作物生长对室外环境气象条件的依赖性已大幅减小。目前关于室外环境气象条件对温室内环境因子影响的研究较多，但针对温室内部环境因子开展的模拟预测较少。因此，本研究拟利用温室内小气候数据，建立预测模型，对温室的温湿度环境进行模拟和分析，以期为温室环境调控提供科学依据。针对温湿度时间序列具有非线性和非平稳性的特点，本研究提出一种基于经验模态分解（empirical mode decomposition，简称EMD）和小波神经网络（wavelet neural network，簡称WNN）的温湿度短期组合预测模型，结合各方法的特点，通过优势互补提高预测精度。该方法首先利用经验模态分解将时间序列分解为一系列具有不同特征尺度的数据序列分量;然后针对每组序列的自身特点构建其小波神经网络模型，并对各分量进行预测;最后将各分量预测结果叠加得到最终预测值，并通过误差分析，验证模型的预测效果。
1 经验模态分解
经验模态分解是一种能够将非平稳信号平稳化处理的信号分析方法[7]，具有直观性和适应性，在很多领域中得到了广泛应用[8-11]。其假设任何复杂信号均由若干个频率特征不同的本征模态函数（intrinsic mode function，简称IMF）组成，且每一个IMF都是相互独立的。分解出来的各IMF分量包含了原信号在不同时间尺度上的局部特征信号。经验模态分解的目的是把复杂的信号分解成有限个本征模态函数之和。通过将时间序列与具有不同频率的本征模态分量进行匹配，将时间序列中不同尺度的分量逐级分解出来，产生一系列具有相同特征尺度的数据序列。分解后的数据序列与原始时间序列相比具有更强的规律性，因此经验模态分解更适用于处理非线性、非平稳性的时间序列。EMD分解步骤如下。
（1）求出原始时间序列x（t）中所有的极大值、极小值点，并用三次样条插值函数拟合形成其上、下包络线eup（t）、elow（t）。
3 基于EMD-WNN的组合预测方法
温室内温湿度时间序列具有较强的非线性、非平稳性，因此在使用常规学习预测方法时难以取得较好的效果。鉴于经验模态分解技术在非平稳数据处理中的突出优势，本研究提出一种基于EMD-WNN组合的预测方法。首先对原始时间序列进行EMD，使其产生一系列不同尺度的IMF分量，实现序列平稳化;然后针对各分量建立适合的小波神经网络预测模型;最后将各分量的预测值叠加得到最终预测值。 EMD-WNN预测模型的具体结构流程（图2）为（1）利用经验模态分解方法对原始时间序列进行分解，得到IMF各分量ci（t）和余量rN（t）。（2）分别对各IMF分量ci（t）和 rN（t） 建立小波神经网络预测模型，得到各分解序列的预测值。（3）将各分量预测值叠加得到最终预测结果。（4）与实际测量值对比，计算误差指标并进行误差分析。
4 试验过程
4.1 试验数据来源
试验数据来源于浙江省建德市某温室，该温室长64 m，宽32 m，边高为3 m，南北向为拱形，拱高4.8 m。试验期间温室内种植作物为草莓。温室环境因子数据由基于无线传感网络的智能温室监控系统自动采集获得。试验时间为2017年2月13日0：00至4月14日23：00，采集的数据为距地面1.5 m高度处的温室内温度和湿度，采样周期为1 h，去除异常数据后共获得1 220个样本数据，其原始时间序列如图3所示。
4.2 预测过程
首先对原始时间序列进行经验模态分解，分解结果如图4、图5所示。根据频率不同，可以将分解结果划分高频部分、低频部分、残差项等3部分。以温度时间序列为例，IMF1～IMF3为高频部分，表示温度具有不平稳性;IMF4～IMF7为低频部分，表示温度具有较平稳的周期波动性;残差项r（t）则表示在试验期间，温度呈稳定上升趋势。而对于湿度时间序列来说，IMF1～IMF4为高频部分，表示湿度变化具有不平稳性;IMF5～IMF8为低频部分，表示湿度具有周期变化性;残差项则表明在试验期间，湿度总体呈现波动变化。
然后，使用EMD-WNN预测模型对试验数据进行训练。选取2月13日至4月13日的1 196个数据作为训练集，选取4月14日的24个数据作为测试集。采用具有单隐含层的3层小波神经网络建立预测模型进行预测，网络结构为4-6-1（输入层节点数为4个，隐含层节点数为6个，输出层节点数为1个）。其中，输入层输入当前时间点前4个时间点的数据;隐含层节点由小波基函数构成，节点数为6个;输出层输出当前时间点的预测数据。
隐含层节点数是一个非常重要的参数，其直接影响神经网络模型的计算能力和对目标函数的逼近能力。如果数量太少，网络从样本中获取的信息较少，不足以概括和体现训练样本的规律;如果数量过多，又可能出现过拟合现象。关于隐含层节点数的确定，目前还没有成熟的理论进行指导，通常根据建模经验和试凑法来确定隐含层的节点数。根据网络训练过程中误差目标函数的收敛情况以及预测值与真实值的拟合情况不断对其进行调整，最终确定隐含层节点数为6。
為提高神经网络训练的效率和网络的泛化性能，在训练前对所有样本数据进行归一化处理。所有试验均在具有 3.3 GHz 中央处理器（central processing unit，简称CPU）与8 G内存的计算机上完成，仿真软件为Matlab 2016a。
5 结果与分析
本研究同时采用WNN预测模型和BP神经网络模型对原始时间序列进行预测试验。图6为基于EMD-WNN模型的预测结果，图7为3种模型的预测结果。
从图6、图7、表1可以看出：（1）3种预测模型均可以对温湿度时间序列的变化进行有效跟踪，表明利用人工神经网络进行模拟预测是行之有效的。（2）EMD-WNN模型和WNN模型的预测精度均比BP神经网络模型有所提高，说明与BP神经网络相比，小波神经网络对温湿度的预测效果更为理想，体现了小波神经网络的优越性。（3）与单独的WNN模型相比，运用EMD-WNN组合模型对温室小气候环境进行模拟预测精度有了一定的提高，尤其在波动较大的转折点较为明显;同时，运用EMD-WNN组合模型的温度均方根误差减小0.504 ℃，湿度均方根误差减小3.663 9百分点，温度模型有效性相对提高0.018 7 ℃，湿度模型有效性相对提高了0.101 7百分点。结果表明，对温湿度时间序列采用科学有效的算法降低其不稳定性是有必要的。
6 结论
本研究提出一种基于EMD-WNN的温室温湿度短期组合预测模型，从研究对象的特性出发，采用多算法融合的组合预测思路来提高预测精度。首先利用经验模态分解对时间序列进行平稳化处理，然后对其进行训练、检验，进而预测未来1 d的温湿度变化。试验结果表明，该模型网络结构简单，收敛速度快，既发挥了经验模态分解的优势，又继承了小波变换良好的时频局部化特性，能充分地分析环境因子的变化规律，并获取其变化过程中的大体趋势与细节信息，具有实际应用价值。但环境因子的影响因素众多，具有很大的随机性，导致个别时间点的预测值存在较大的相对误差，因此该模型有待于进一步完善。
参考文献：
[1]徐立鸿，苏远平，梁毓明. 面向控制的温室系统小气候环境模型要求与现状[J]. 农业工程学报，2013，29（19）：1-15.
[2]王定成. 温室环境的支持向量机回归建模[J]. 农业机械学报，2004，35（5）：106-109.
[3]李 倩，申双和，曹 雯，等. 南方塑料大棚冬春季温湿度的神经网络模拟[J]. 中国农业气象，2012，33（2）：190-196.
[4]金志凤，符国槐，黄海静，等. 基于BP神经网络的杨梅大棚内气温预测模型研究[J]. 中国农业气象，2011，32（3）：362-367.
[5]Fourati F. Multiple neural control of a greenhouse[J]. Neurocomputing，2014，139（SI）：138-144.
[6]邹伟东，张百海，姚分喜，等. 基于改进型极限学习机的日光温室温湿度预测与验证[J]. 农业工程学报，2015（24）：194-200.
[7]Huang N，Shen Z，Long S R，et al. The empirical mode decomposition and the Hilbert spectrum for nonlinear and non-stationary time series analysis[J]. Proceedings of the Royal Society A-Mathematical Physical and Engineering Sciences，1998，454（1971）：903-995.
[8]叶 林，刘 鹏. 基于经验模态分解和支持向量机的短期风电功率组合预测模型[J]. 中国电机工程学报，2011，31（31）：102-108.
[9]姚冠新，顾 晴. 基于经验模态分解和支持向量机的农产品价格短期预测[J]. 江苏农业科学，2014，42（9）：402-405.
[10]贾 嵘，李涛涛，夏 洲，等. 基于随机共振和经验模态分解的水力发电机组振动故障诊断[J]. 水利学报，2017，48（3）：334-340，350.
[11]王 贺，胡志坚，陈 珍，等. 基于集合经验模态分解和小波神经网络的短期风功率组合预测[J]. 电工技术学报，2013，28（9）：137-144.
[12]Zhang Q，Benveniste A. Wavelet networks[J]. IEEE Transactions on Neural Networks，1992，3（6）：889-898.
[13]侯泽宇，卢文喜，陈社明. 基于小波神经网络方法的降水量预测研究[J]. 节水灌溉，2013（3）：31-34.
[14]成谢锋，傅女婷，陈 胤，等. 一种心音小波神经网络识别系统[J]. 振动与冲击，2017，36（3）：1-6.
[15]靳 然，李生才. 基于小波神经网络和BP神经网络的麦蚜发生期预测对比（英文）[J]. 植物保护学报，2016，43（3）：353-361.
[16]程声烽，程小华，杨 露. 基于改进粒子群算法的小波神经网络在变压器故障诊断中的应用[J]. 电力系统保护与控制，2014（19）：37-42.陈俐均，杜尚丰，梁美惠，等. 温室温湿度解耦控制策略[J]. 江苏农业科学，2019，47（1）：216-220.
关键词：经验模态分解;小波神经网络;模型构建;温室;温度;湿度;预测
中图分类号： S625.5 1 文献标志码： A 文章编号：1002-1302（2019）01-0211-05
温室作物生产是农业生产发展的一个新阶段，相较于大田作物生产，其生产过程受外界气候变化的影响较小，能够满足人们在不同季节对各种农产品的需求。现代化温室可以有效地调控温度、湿度、光照、二氧化碳浓度以及土壤温湿度等环境因子，营造一个与室外大气候环境相对隔离的小气候环境，减小作物生长对自然环境的依赖性。我国温室发展迅速，但单位面积产量与西方发达国家相比，仍较为落后。温室小气候环境是影响作物生长和产量的主要条件之一，为满足作物对其生长环境的不同要求，须要分析温室小气候的变化。如何模拟温室小气候环境，提高环境因子的预测精度，进而快速地对温室环境进行调节和控制，提高温室的生产力，是我国温室发展亟待解决的问题。
由于温室是一个典型的非线性、时变的复杂系统，外界气候变化、温室内部作物的生理作用和各种调控措施都会对温室小气候环境产生影响，因此其模型很难通过机理法用简单的数学公式或传递函数来描述[1]。随着智能计算的发展，利用人工神经网络技术解决温室建模的相关问题逐渐成为研究热点。人工神经网络具有较强的学习能力以及较好的自组织、自适应能力，能够通过数据的内在联系建立模型，它可以自动从历史数据中提取相关信息，从而有效地解决传统预测方法面临的许多局限和困难，因此鉴于其在建模中的优势，人工神经网络成为短期环境因子预测的一种性能较好的方法。王定成利用支持向量机回归建模方法，根据历史数据建立了温室气候模型[2]。李倩等针对不同通风条件下南方塑料大棚内温湿度状况，建立相应的反向传播（back propagation，简称BP）神经网络预测模型，结果表明，该模型对于不同季节、不同通风条件、不同作物的大棚温湿度模拟都有较高的精度[3]。金志凤等利用气象数据，构建了基于BP神经网络的杨梅大棚内气温预测模型，该模型试验精度明显高于同时利用逐步回归法建立的模型[4]。Fourati采用Elman神经网络（elman neural network）建立温室温湿度预测模型，该模型包括6个输入节点、3个隐节点、2个输出节点，试验得到，温度误差为0.3 ℃，湿度误差为4%[5]。邹伟东等基于正交基函数的改进型极限学习机对日光温室环境因子进行辨识，建立日光温室温湿度环境因子预测模型，预测结果表明，温度模型有效性为0.943 4，湿度模型有效性为0.920 8[6]。
温室的结构从根本上决定了温室内的作物生长对室外环境气象条件的依赖性已大幅减小。目前关于室外环境气象条件对温室内环境因子影响的研究较多，但针对温室内部环境因子开展的模拟预测较少。因此，本研究拟利用温室内小气候数据，建立预测模型，对温室的温湿度环境进行模拟和分析，以期为温室环境调控提供科学依据。针对温湿度时间序列具有非线性和非平稳性的特点，本研究提出一种基于经验模态分解（empirical mode decomposition，简称EMD）和小波神经网络（wavelet neural network，簡称WNN）的温湿度短期组合预测模型，结合各方法的特点，通过优势互补提高预测精度。该方法首先利用经验模态分解将时间序列分解为一系列具有不同特征尺度的数据序列分量;然后针对每组序列的自身特点构建其小波神经网络模型，并对各分量进行预测;最后将各分量预测结果叠加得到最终预测值，并通过误差分析，验证模型的预测效果。
1 经验模态分解
经验模态分解是一种能够将非平稳信号平稳化处理的信号分析方法[7]，具有直观性和适应性，在很多领域中得到了广泛应用[8-11]。其假设任何复杂信号均由若干个频率特征不同的本征模态函数（intrinsic mode function，简称IMF）组成，且每一个IMF都是相互独立的。分解出来的各IMF分量包含了原信号在不同时间尺度上的局部特征信号。经验模态分解的目的是把复杂的信号分解成有限个本征模态函数之和。通过将时间序列与具有不同频率的本征模态分量进行匹配，将时间序列中不同尺度的分量逐级分解出来，产生一系列具有相同特征尺度的数据序列。分解后的数据序列与原始时间序列相比具有更强的规律性，因此经验模态分解更适用于处理非线性、非平稳性的时间序列。EMD分解步骤如下。
（1）求出原始时间序列x（t）中所有的极大值、极小值点，并用三次样条插值函数拟合形成其上、下包络线eup（t）、elow（t）。
3 基于EMD-WNN的组合预测方法
温室内温湿度时间序列具有较强的非线性、非平稳性，因此在使用常规学习预测方法时难以取得较好的效果。鉴于经验模态分解技术在非平稳数据处理中的突出优势，本研究提出一种基于EMD-WNN组合的预测方法。首先对原始时间序列进行EMD，使其产生一系列不同尺度的IMF分量，实现序列平稳化;然后针对各分量建立适合的小波神经网络预测模型;最后将各分量的预测值叠加得到最终预测值。 EMD-WNN预测模型的具体结构流程（图2）为（1）利用经验模态分解方法对原始时间序列进行分解，得到IMF各分量ci（t）和余量rN（t）。（2）分别对各IMF分量ci（t）和 rN（t） 建立小波神经网络预测模型，得到各分解序列的预测值。（3）将各分量预测值叠加得到最终预测结果。（4）与实际测量值对比，计算误差指标并进行误差分析。
4 试验过程
4.1 试验数据来源
试验数据来源于浙江省建德市某温室，该温室长64 m，宽32 m，边高为3 m，南北向为拱形，拱高4.8 m。试验期间温室内种植作物为草莓。温室环境因子数据由基于无线传感网络的智能温室监控系统自动采集获得。试验时间为2017年2月13日0：00至4月14日23：00，采集的数据为距地面1.5 m高度处的温室内温度和湿度，采样周期为1 h，去除异常数据后共获得1 220个样本数据，其原始时间序列如图3所示。
4.2 预测过程
首先对原始时间序列进行经验模态分解，分解结果如图4、图5所示。根据频率不同，可以将分解结果划分高频部分、低频部分、残差项等3部分。以温度时间序列为例，IMF1～IMF3为高频部分，表示温度具有不平稳性;IMF4～IMF7为低频部分，表示温度具有较平稳的周期波动性;残差项r（t）则表示在试验期间，温度呈稳定上升趋势。而对于湿度时间序列来说，IMF1～IMF4为高频部分，表示湿度变化具有不平稳性;IMF5～IMF8为低频部分，表示湿度具有周期变化性;残差项则表明在试验期间，湿度总体呈现波动变化。
然后，使用EMD-WNN预测模型对试验数据进行训练。选取2月13日至4月13日的1 196个数据作为训练集，选取4月14日的24个数据作为测试集。采用具有单隐含层的3层小波神经网络建立预测模型进行预测，网络结构为4-6-1（输入层节点数为4个，隐含层节点数为6个，输出层节点数为1个）。其中，输入层输入当前时间点前4个时间点的数据;隐含层节点由小波基函数构成，节点数为6个;输出层输出当前时间点的预测数据。
隐含层节点数是一个非常重要的参数，其直接影响神经网络模型的计算能力和对目标函数的逼近能力。如果数量太少，网络从样本中获取的信息较少，不足以概括和体现训练样本的规律;如果数量过多，又可能出现过拟合现象。关于隐含层节点数的确定，目前还没有成熟的理论进行指导，通常根据建模经验和试凑法来确定隐含层的节点数。根据网络训练过程中误差目标函数的收敛情况以及预测值与真实值的拟合情况不断对其进行调整，最终确定隐含层节点数为6。
為提高神经网络训练的效率和网络的泛化性能，在训练前对所有样本数据进行归一化处理。所有试验均在具有 3.3 GHz 中央处理器（central processing unit，简称CPU）与8 G内存的计算机上完成，仿真软件为Matlab 2016a。
5 结果与分析
本研究同时采用WNN预测模型和BP神经网络模型对原始时间序列进行预测试验。图6为基于EMD-WNN模型的预测结果，图7为3种模型的预测结果。
从图6、图7、表1可以看出：（1）3种预测模型均可以对温湿度时间序列的变化进行有效跟踪，表明利用人工神经网络进行模拟预测是行之有效的。（2）EMD-WNN模型和WNN模型的预测精度均比BP神经网络模型有所提高，说明与BP神经网络相比，小波神经网络对温湿度的预测效果更为理想，体现了小波神经网络的优越性。（3）与单独的WNN模型相比，运用EMD-WNN组合模型对温室小气候环境进行模拟预测精度有了一定的提高，尤其在波动较大的转折点较为明显;同时，运用EMD-WNN组合模型的温度均方根误差减小0.504 ℃，湿度均方根误差减小3.663 9百分点，温度模型有效性相对提高0.018 7 ℃，湿度模型有效性相对提高了0.101 7百分点。结果表明，对温湿度时间序列采用科学有效的算法降低其不稳定性是有必要的。
6 结论
本研究提出一种基于EMD-WNN的温室温湿度短期组合预测模型，从研究对象的特性出发，采用多算法融合的组合预测思路来提高预测精度。首先利用经验模态分解对时间序列进行平稳化处理，然后对其进行训练、检验，进而预测未来1 d的温湿度变化。试验结果表明，该模型网络结构简单，收敛速度快，既发挥了经验模态分解的优势，又继承了小波变换良好的时频局部化特性，能充分地分析环境因子的变化规律，并获取其变化过程中的大体趋势与细节信息，具有实际应用价值。但环境因子的影响因素众多，具有很大的随机性，导致个别时间点的预测值存在较大的相对误差，因此该模型有待于进一步完善。
参考文献：
[1]徐立鸿，苏远平，梁毓明. 面向控制的温室系统小气候环境模型要求与现状[J]. 农业工程学报，2013，29（19）：1-15.
[2]王定成. 温室环境的支持向量机回归建模[J]. 农业机械学报，2004，35（5）：106-109.
[3]李 倩，申双和，曹 雯，等. 南方塑料大棚冬春季温湿度的神经网络模拟[J]. 中国农业气象，2012，33（2）：190-196.
[4]金志凤，符国槐，黄海静，等. 基于BP神经网络的杨梅大棚内气温预测模型研究[J]. 中国农业气象，2011，32（3）：362-367.
[5]Fourati F. Multiple neural control of a greenhouse[J]. Neurocomputing，2014，139（SI）：138-144.
[6]邹伟东，张百海，姚分喜，等. 基于改进型极限学习机的日光温室温湿度预测与验证[J]. 农业工程学报，2015（24）：194-200.
[7]Huang N，Shen Z，Long S R，et al. The empirical mode decomposition and the Hilbert spectrum for nonlinear and non-stationary time series analysis[J]. Proceedings of the Royal Society A-Mathematical Physical and Engineering Sciences，1998，454（1971）：903-995.
[8]叶 林，刘 鹏. 基于经验模态分解和支持向量机的短期风电功率组合预测模型[J]. 中国电机工程学报，2011，31（31）：102-108.
[9]姚冠新，顾 晴. 基于经验模态分解和支持向量机的农产品价格短期预测[J]. 江苏农业科学，2014，42（9）：402-405.
[10]贾 嵘，李涛涛，夏 洲，等. 基于随机共振和经验模态分解的水力发电机组振动故障诊断[J]. 水利学报，2017，48（3）：334-340，350.
[11]王 贺，胡志坚，陈 珍，等. 基于集合经验模态分解和小波神经网络的短期风功率组合预测[J]. 电工技术学报，2013，28（9）：137-144.
[12]Zhang Q，Benveniste A. Wavelet networks[J]. IEEE Transactions on Neural Networks，1992，3（6）：889-898.
[13]侯泽宇，卢文喜，陈社明. 基于小波神经网络方法的降水量预测研究[J]. 节水灌溉，2013（3）：31-34.
[14]成谢锋，傅女婷，陈 胤，等. 一种心音小波神经网络识别系统[J]. 振动与冲击，2017，36（3）：1-6.
[15]靳 然，李生才. 基于小波神经网络和BP神经网络的麦蚜发生期预测对比（英文）[J]. 植物保护学报，2016，43（3）：353-361.
[16]程声烽，程小华，杨 露. 基于改进粒子群算法的小波神经网络在变压器故障诊断中的应用[J]. 电力系统保护与控制，2014（19）：37-42.陈俐均，杜尚丰，梁美惠，等. 温室温湿度解耦控制策略[J]. 江苏农业科学，2019，47（1）：216-220.