1.一种遗传算法优化的小波神经网络温室温度预测建模方法，其特征在于，包括：获取当前时刻多个温室温度相关变量；

根据多个小波神经网络WNN初始权值参数产生遗传算法的最初遗传种群；

根据小波神经网络WNN预测结果和实际输出结果构建遗传算法的适应度函数，用于评价遗传种群个体；

利用遗传算法逐代筛选出最优的初始权值参数；

利用最优的初始权值参数构建基于小波神经网络WNN的温室温度预测模型；

在基于小波神经网络WNN的温室温度预测模型中输入当前时刻多个温室温度相关变量，输出未来某一时刻温室温度预测值。

2.如权利要求1所述的一种遗传算法优化的小波神经网络温室温度预测建模方法，其特征在于，所述当前时刻多个温室温度相关变量，包括：温室外部温度、温室外部湿度、温室外部风速、温室内部温度、温室内部CO2浓度和温室内部光照强度。

3.如权利要求1所述的一种遗传算法优化的小波神经网络温室温度预测建模方法，其特征在于，所述遗传算法配置初始化种群50个，交换概率0.8，变异概率0.6，共进行50次种群进化。

4.如权利要求1所述的一种遗传算法优化的小波神经网络温室温度预测建模方法，其特征在于，所述遗传算法的适应度函数，其计算公式包括：其中yi为小波神经网络WNN样本i的实际的输出结果， 为样本i的预测输出结果，n为进行测试的样本总数。

5.如权利要求1所述的一种遗传算法优化的小波神经网络温室温度预测建模方法，其特征在于，还包括对基于小波神经网络WNN的温室温度预测模型的训练，其包括：多次的前向传递和反向传递过程，通过网络训练输出与实际输出的误差计算，多次迭代修正小波神经网络连接权值和小波基函数参数。

6.如权利要求5所述的一种遗传算法优化的小波神经网络温室温度预测建模方法，其特征在于，所述基于小波神经网络WNN的温室温度预测模型的前向传递，包括：输入层设置包括8个输入节点；

隐含层包括10个节点，激活函数为Morlet小波基函数，其前向传递方程包括：输出层包括一个输出节点，激活函数为Purelin，其前向传递方程包括：其中，

h(j)为隐藏层的第j节隐藏层节点输出；xi代表神经网络的第i个输入；hj(x)是其中采取的Molet小波基函数；ωij为输入节点i与隐藏节点的权值；aj为伸缩变量；bj为平移变量。

y(k)为输出层的第k节点输出；ωjk为连接的隐藏节点j与输出节点k的权值。

7.如权利要求5所述的一种遗传算法优化的小波神经网络温室温度预测建模方法，其特征在于，所述多次的前向传递和反向传递过程，通过网络训练输出与实际输出的误差计算，多次迭代修正小波神经网络连接权值和小波基函数参数，具体包括：采用梯度下降法对基于小波神经网络WNN的温室温度预测模型进行反向传递，对输入误差和输出误差e取偏微分或全微分，计算出每个权重值p的梯度，逐步更新各个节点的权值参数，其中，误差e和权值更新的方程包括：i＝1，2，3...M；j＝1，2，3...L；k＝1，2，3...N；

其中，yn(k)为样本k的实际输出，y(k)为样本k的预测输出，p代各类权值参数(如ωij，ωjk，aj，bj)，Δp代各个权值参数计算的梯度误差。t表示第t次的反向传递过程。

8.如权利要求1所述的一种遗传算法优化的小波神经网络温室温度预测建模方法，其特征在于，还包括：2

采取均方误差MSE，平均绝对误差MAE，拟合系数R评价函数方法比较温室温度预测模型性能。