1、現(xiàn)代溫室特殊的結構及材料(透光、密封、保溫等)形成了一個與外界大氣候環(huán)境相對隔離的特殊的內(nèi)部小氣候環(huán)境。維持溫室內(nèi)部良好的小氣候環(huán)境，有利于更好地實現(xiàn)溫室氣候控制，從而達到提高作物品質、高產(chǎn)和低能耗的最終目的?，F(xiàn)代化溫室的發(fā)展與調(diào)控作為一個國家的現(xiàn)代化的特征之一，從而對溫室小氣候建模方法的研究對溫室建筑、生產(chǎn)和發(fā)展具有十分重要的意義。因此，本文對溫室小氣候環(huán)境的模型創(chuàng)建的研究是一項非常有意義的工作，同時它也是973子課題的科研項目(批準

2、號：2010CB955905-1)課題之一。
　　目前，國內(nèi)外對溫室小氣候環(huán)境模型的創(chuàng)建主要是基于兩種方法：系統(tǒng)辨識建模和機理建模。本文主要是在基于輸入輸出數(shù)據(jù)的系統(tǒng)辨識模型的基礎上，分析了聚類分析算法的不足，即聚類算法在一次聚類的過程中，聚類中心的選取是靜態(tài)的，不能夠隨著樣本數(shù)據(jù)的不斷引入聚類內(nèi)部，而動態(tài)地改變。此外，聚類算法僅僅是通過準則函數(shù)在迭代次數(shù)內(nèi)選取局部最優(yōu)的聚類方案。因此，聚類算法無法依靠自身的檢驗準則是不能保證聚類

3、方案是最優(yōu)的。基于此，本文通過動態(tài)地選取聚類中心以及引用人工神經(jīng)網(wǎng)絡的方法提高聚類分析算法的性能。詳細內(nèi)容如下：
　　首先，建立建模函數(shù)。本文利用模糊控制理論，通過T-S模糊模型的推理計算，構造溫室小氣候環(huán)境的建模函數(shù)。該建模函數(shù)的構建在基于系統(tǒng)辨識的基礎之上，以樣本數(shù)據(jù)的聚類為參數(shù)進行溫室小氣候環(huán)境的擬合。基于模糊控制理論，將建模函數(shù)與樣本數(shù)據(jù)的劃分連接起來。
　　其次，改進聚類算法。本文綜合了基于劃分的聚類分析的兩種常用

4、方法的各自優(yōu)勢，并且對聚類的中心的選取進行了改進，以期通過這些綜合型的改進措施，提高聚類分析算法的性能。
　　然后，建立人工神經(jīng)網(wǎng)絡與聚類算法的合作關系。由于人工神經(jīng)網(wǎng)絡具有自學習的能力，能夠通過訓練，獲取樣本的潛在的聚類規(guī)律。因此，人工神經(jīng)網(wǎng)絡可以在聚類分析的基礎上進行再次聚類，并且可以將聚類分析的結果作為人工神經(jīng)網(wǎng)絡的輸入，因此創(chuàng)造了兩者之間的關聯(lián)，并且能夠檢驗聚類分析算法的聚類結果。
　　最后，本文利用Matlab對改