1. 研究目的与意义、国内外研究现状（文献综述）
本课题的意义、国内外研究概况、应用前景等（列出主要参考文献）1. 本课题意义温室是一种为植物提供生长所需的条件的设施，由于温室设施不受时间和空间的限制，可以为植物提供最适宜其生长的环境条件，所以即使在不适应植物生长的季节，也能为植物提供生育期和增加产量。
我国作为一个农业大国，通过设施农业来提高农业经济效益，具有重大的意义。
温室的高效生产得益于适当的调控设施，比如遮阳网，通风设备，室内空调等。
2. 研究的基本内容和问题
1. 研究的目标根据现在常用的rnns模型，如bidirectional rnns、deep（bidirectional）rnns、echo state networks、grus、lstm network、cw-rnns中选取合适的模型，然后进行训练，使用sgd(stochastic gradient descent，随机梯度下降算法)进行优化，训练算法从bptt（back propagation through time）、rtrl（real-time recurrent learning）、ekf（extended kalman filter）等算法中挑选合适的进行训练，挑选合适的激活函数。
使用温室数据进行训练和监测，最终得到的模型希望能够较贴合实际情况，适应于不同条件的温室温度预测，并且误差控制在可接受的范围。
2. 研究的内容通过python和numpy对rnns进行实现，包括上文提到的一些常见的模型，这里不再赘述。
3. 研究的方法与方案
1. 研究方法首先阅读机器学习方面的书籍，如周志华教授编写的《机器学习》，以及simon haykin编写的neural network and learning machines，掌握机器学习的思想、经典的算法、概念等，熟悉术语，之后通过阅读wildml技术网站，了解deep learning的相关知识，之后通过deeplearning网站的theano技术文档，结合pybrain网站的技术文档，搭建环境。
环境搭建完成之后就实现rnns的模型，选择算法进行训练、测试、记录结果，进行比较。
主要对lstm和cw-rnns模型进行学习，对常用的back propagation through time(bptt)、real-time recurrent learning(rtrl)、extended kalman filter(ekf)等学习算法进行学习，以及掌握解决梯度消失问题(vanishing gradient problem)的方法。
4. 研究创新点
本项目使用机器学习技术，采用RNN的算法，训练出能够预测温室温度的模型，来代替已有的仅靠人的经验、或者过去复杂的方法，更加可靠、经济。
而且训练出的模型不仅仅能够对当前情况进行准确的预测，在其他不同的情况，也可以进行预测，具有普适性和实用性。
5. 研究计划与进展
1) 2016年12月-2017年1月4号：学习掌握机器学习基础知识，尤其要深入了解rnns相关模型，通过开题答辩。
2) 2017年1月4日-2017年3月1日：掌握常用训练算法，搭建python和numpy环境，实现rnns模型。
3) 2017年3月-2017年3月下旬：训练模型，记录过程，分析结果。
