CN106444378B - 基于物联网大数据分析的植物培育方法及*** - Google Patents
基于物联网大数据分析的植物培育方法及*** Download PDFInfo
- Publication number
- CN106444378B CN106444378B CN201610883950.2A CN201610883950A CN106444378B CN 106444378 B CN106444378 B CN 106444378B CN 201610883950 A CN201610883950 A CN 201610883950A CN 106444378 B CN106444378 B CN 106444378B
- Authority
- CN
- China
- Prior art keywords
- plant
- individual
- population
- layer
- dominant
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Active
Links
- 238000000034 method Methods 0.000 title claims abstract description 33
- 238000007405 data analysis Methods 0.000 title claims abstract description 20
- 239000002689 soil Substances 0.000 claims abstract description 32
- 230000036541 health Effects 0.000 claims abstract description 21
- 238000013528 artificial neural network Methods 0.000 claims abstract description 19
- 239000003337 fertilizer Substances 0.000 claims abstract description 19
- 230000002262 irrigation Effects 0.000 claims abstract description 19
- 238000003973 irrigation Methods 0.000 claims abstract description 19
- 239000011159 matrix material Substances 0.000 claims abstract description 16
- 238000005286 illumination Methods 0.000 claims abstract description 13
- 230000002068 genetic effect Effects 0.000 claims description 18
- 230000008569 process Effects 0.000 claims description 11
- 230000006870 function Effects 0.000 claims description 8
- 230000012010 growth Effects 0.000 claims description 8
- 210000002569 neuron Anatomy 0.000 claims description 6
- 238000012549 training Methods 0.000 claims description 4
- 230000035772 mutation Effects 0.000 claims description 3
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 claims description 3
- 238000004364 calculation method Methods 0.000 claims description 2
- 210000000349 chromosome Anatomy 0.000 claims description 2
- 230000007613 environmental effect Effects 0.000 claims 1
- 230000004720 fertilization Effects 0.000 description 3
- 230000005540 biological transmission Effects 0.000 description 2
- 238000013461 design Methods 0.000 description 2
- 230000009471 action Effects 0.000 description 1
- 238000004458 analytical method Methods 0.000 description 1
- 230000008901 benefit Effects 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- -1 dose Substances 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 230000007774 longterm Effects 0.000 description 1
- 238000005259 measurement Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 238000003062 neural network model Methods 0.000 description 1
- 238000005457 optimization Methods 0.000 description 1
- 230000008635 plant growth Effects 0.000 description 1
Classifications
-
- G—PHYSICS
- G05—CONTROLLING; REGULATING
- G05B—CONTROL OR REGULATING SYSTEMS IN GENERAL; FUNCTIONAL ELEMENTS OF SUCH SYSTEMS; MONITORING OR TESTING ARRANGEMENTS FOR SUCH SYSTEMS OR ELEMENTS
- G05B13/00—Adaptive control systems, i.e. systems automatically adjusting themselves to have a performance which is optimum according to some preassigned criterion
- G05B13/02—Adaptive control systems, i.e. systems automatically adjusting themselves to have a performance which is optimum according to some preassigned criterion electric
- G05B13/04—Adaptive control systems, i.e. systems automatically adjusting themselves to have a performance which is optimum according to some preassigned criterion electric involving the use of models or simulators
- G05B13/042—Adaptive control systems, i.e. systems automatically adjusting themselves to have a performance which is optimum according to some preassigned criterion electric involving the use of models or simulators in which a parameter or coefficient is automatically adjusted to optimise the performance
Landscapes
- Engineering & Computer Science (AREA)
- Health & Medical Sciences (AREA)
- Artificial Intelligence (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Evolutionary Computation (AREA)
- Medical Informatics (AREA)
- Software Systems (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Automation & Control Theory (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明提供了一种基于物联网大数据分析的植物培育方法及***，其中的方法包括：采集植物的种类、土壤湿度、土壤pH值、光照强度、环境温度、环境湿度、图像、浇水量、施肥量、施肥类型并构成影响因素矩阵X，并上传至服务器；其中，浇水量、施肥量和施肥类型构成决策变量；在服务器内利用Elman神经网络建立植物各影响因素矩阵X与植物健康指数之间的复杂非线性关系，获得植物培育模型；利用NSGA‑Ⅱ算法对植物培育模型进行优化，获得决策变量的一组最优解；将决策变量的该组最优解作为植物的推荐决策X*通过服务器下发至用户的终端设备进行显示；用户根据终端设备显示的推荐决策培育植物。利用本发明能够确定最优的植物培育方案，为植物营造了更好的生活环境。
Description
技术领域
本发明涉及植物智能培育领域，具体涉及一种基于物联网大数据分析的植物培育方法及***。
背景技术
随着国民经济的快速发展，盆栽植物作为一种增加居住舒适度的方式进入了千家万户。但由于大多数植物主人缺乏种植植物经验，使植物长期生长在亚健康的环境。另一方面，由于室内空间有限，植物主人会根据自身情况要求植物有不同的茂密程度，避免空间浪费。
目前，亟需解决的问题是建立一套全面的植物培育模型，并将植物健康指标反馈给用户，让用户能及时对植物培育方案做出调整。影响植物健康程度的各个因素之间往往体现出高度的复杂性和非线性，采用常规预测、分析方法存在一定难度。
发明内容
本发明通过提供一种基于物联网大数据分析的植物培育方法及***，以解决现有技术中植物培育过程中因无法为植物提供适宜的生长环境，而导致植物生长情况偏离预期指标的问题。
为解决上述问题，本发明采用以下技术方案予以实现：
一方面，本发明提供的基于物联网大数据分析的植物培育方法，包括：
步骤S1：采集植物的种类、土壤湿度、土壤pH值、光照强度、环境温度、环境湿度、图像、浇水量、施肥量、施肥类型并构成影响因素矩阵X，并上传至服务器；其中，浇水量、施肥量和施肥类型构成决策变量；
步骤S2：在服务器内利用Elman神经网络建立植物各影响因素矩阵X与植物健康指数之间的复杂非线性关系，获得植物培育模型；
步骤S3：利用NSGA-Ⅱ算法对植物培育模型进行优化，获得决策变量的一组最优解；
步骤S4：将决策变量的该组最优解作为植物的推荐决策X*通过服务器下发至用户的终端设备进行显示；
步骤S5：用户根据终端设备显示的推荐决策培育植物。
另一方面，本发明提供的基于物联网大数据分析的植物培育***，包括：
数据采集单元，用于采集植物的种类、生长时期、土壤湿度、土壤pH值、光照强度、环境温度、环境湿度、图像、浇水量、施肥量、施肥类型并构成影响因素矩阵X，并上传至服务器；其中，浇水量、施肥量和所述施肥类型构成决策变量；
植物培育模型建立单元，用于在服务器内利用Elman神经网络建立植物各影响因素矩阵X与植物健康指数之间的复杂非线性关系，获得植物培育模型；
决策变量最优解获取单元，用于利用NSGA-Ⅱ算法对植物培育模型进行优化，获得决策变量的一组最优解，并将决策变量的该组最优解作为植物的推荐决策X*；
推荐决策下发单元，用于通过服务器将植物的推荐决策X*下发至用户的终端设备进行显示。
与现有技术相比，本发明提供的基于物联网大数据分析的植物培育方法及***的优点是：利用Elman神经网络建立植物培育模型，再利用NSGA-Ⅱ算法优化植物培育模型，确定了植物的浇水量、施肥量、施肥种类的最优值，并即时反馈给用户，让用户随时随地都能了解植物当前状况，实现智能培育。
附图说明
图1为根据本发明实施例的基于物联网大数据分析的植物培育方法的流程示意图；
图2为根据本发明实施例的健康指数预测结果图；
图3为根据本发明实施例的健康指数预测误差图；
图4为根据本发明实施例的用户界面示意图。
具体实施方式
图1示出了根据本发明实施例的基于物联网大数据分析的植物培育方法的流程。
如图1所示，本发明的基于物联网大数据分析的植物培育方法，包括：
步骤S1：采集植物的种类、生长时期、土壤湿度、土壤pH值、光照强度、环境温度、环境湿度、图像、浇水量、施肥量、施肥类型并构成影响因素矩阵X，并上传至服务器；其中，浇水量、施肥量和施肥类型构成决策变量。
通过统计得到对植物的健康指数y1影响最大的变量为：植物种类x1、生长时期x2、土壤湿度x3、土壤pH值x4、光照强度x5、环境温度x6、环境湿度x7、图像x8、浇水量x9、施肥量x10、施肥类型x11，共11个变量；其中，土壤湿度x3、土壤pH值x4、光照强度x5、环境温度x6、环境湿度x7、图像x8由对应的传感器测量数据，植物种类、生长时期为固有属性，由用户输入，浇水量、施肥量、施肥类型为决策变量。
植物的环境温度x6通过温度传感器采集获得；植物的土壤湿度x3与环境湿度x7通过湿度传感器采集获得；植物的光照强度x5通过光照度传感器采集获得；植物的土壤pH值x4通过土壤pH计采集获得；利用采样电路分别与温度传感器、湿度传感器、光照度传感器、土壤pH计进行连接，并将温度传感器、湿度传感器、光照度传感器、土壤pH计分别采集到的环境温度、环境湿度、土壤湿度、光照强度、土壤PH值转换成数字信号。
植物在当前时刻的特征图像通过摄像头采集获得，摄像头将图像信息转换成数字信号。
在本发明中，服务器优选为云服务器。
步骤S2：在服务器内利用Elman神经网络建立植物各影响因素矩阵X与植物健康指数之间的复杂非线性关系，获得植物培育模型。
设置Xk＝[xk1,xk2,L,xkM](k＝1,2,L,S)为输入矢量，N为训练样本个数，
为第g次迭代时输入层M与隐层I之间的权值矢量，WJP(g)为第g次迭代时隐层J与输出层P之间的权值矢量，WJC(g)为第g次迭代时隐层J与承接层C之间的权值矢量Yk(g)＝[yk1(g),yk2(g),L,ykP(g)](k＝1,2,L,S)为第g次迭代时网络的实际输出，dk＝[dk1,dk2,L,dkP](k＝1,2,L,S)为期望输出，迭代次数g为500。
在服务器内利用Elman神经网络建立植物各影响因素矩阵X与植物健康指数之间的复杂非线性关系，获得植物培育模型，包括：
步骤S21：初始化，设迭代次数g初值为0，分别赋给WMI(0)、WJP(0)、WJC(0)一个(0,1)区间的随机值；
步骤S22：随机输入样本Xk；
步骤S23：对输入样本Xk，前向计算Elman神经网络每层神经元的实际输出Yk(g)；
步骤S24：根据期望输出dk和实际输出Yk(g)，计算误差E(g)；
步骤S25：判断误差E(g)是否小于预设的误差值，如果大于或等于，进入步骤S26，如果小于，则进入步骤S29；
步骤S26：判断迭代次数g+1是否大于最大迭代次数，如果大于，进入步骤S29，否则，进入步骤S27；
步骤S27：对输入样本Xk反向计算Elman神经网络每层神经元的局部梯度δ；
步骤S28：计算权值修正量ΔW，并修正权值；令g＝g+1，跳转至步骤S23；
其中，ΔWij＝η·δij，η为学习效率；Wij(g+1)＝Wij(g)+ΔWij(g)；
步骤S29：判断是否完成所有样本的训练；如果是，完成建模；如果否，跳转至步骤S22。
在Elman神经网络设计中，隐层节点数的多少是决定Elman神经网络模型好坏的关键，也是Elman神经网络设计中的难点，这里采用试凑法来确定隐层的节点数。
式中，p为隐层神经元节点数，n为输入层神经元数，m为输出层神经元数，k为1-10之间的常数。Elman神经网络的设置参数如下表2所示。
表2Elman神经网络设置参数
| 目标函数 | 健康指数 |
| 迭代次数 | 500 |
| 隐含层传递函数 | Tansig |
| 输出层传递函数 | Purelin |
| 隐含层节点数 | 15 |
通过上述过程，可得到Elman神经网络预测效果如图2和3所示。智能植物培育的基础是模型的建立，模型精度直接影响输出结果。通过对图2和3分析可知，健康指数预最大测误差为-3.5％，模型预测精度高，满足建模要求。
步骤S3：利用NSGA-Ⅱ算法(Non-dominated Sorting Genetic Algorithm-Ⅱ，带精英策略的非支配排序的遗传算法)对植物培育模型进行优化，获得决策变量的一组最优解。
获得决策变量的一组最优解，也就是获得植物的浇水量、施肥量、施肥类型的一组最优值。
利用NSGA-Ⅱ算法对所述植物培育模型进行优化的步骤包括：
步骤S31：初始化***参数；其中，所述***参数包括种群规模N、最大遗传代数G、交叉概率P和变异概率Q。
步骤S32：将第t代产生的新种群Qt与其父代种群Pt合并组成种群Rt，种群Rt的大小为2N；若是第一代种群，则将第一代种群作为种群Rt。
步骤S33：对种群Rt进行非支配排序，获得一系列的非支配集Zi，并计算非支配集Zi中每个个体的拥挤度，产生新的父代种群Pt+1。
步骤S33的具体过程如下：
步骤S331：利用适应度函数判断种群Rt中的所有个体之间的相互支配关系；其中，D(i).n表示支配第i个个体的个体数量，D(i).p表示被第i个个体支配的个体集合；若个体i支配j，则将个体j放入D(i).p集合，D(j).n的值加1；依次操作，获得种群Rt中的所有个体D(i).n与D(i).p的信息。
步骤S332：将种群Rt中所有D(i).n值为0的个体，即该类个体不被其他个体支配，放入非支配层的第一层，将D(i).n值为1的个体放入非支配层的第二层，依次操作，直到将所述种群Rt中所有个体放入不同非支配层为止；同一层数内的个体共享相同的虚拟适应度值，级数越小，虚拟适应度值越低，该层内个体越优，将非支配层的层数按从小到大的顺序进行排序。
步骤S333：由于每一层内所有个体共享同一虚拟适应度值，当需要在同一层内选择更优个体时，计算其拥挤度。
每个点的拥挤度id初始值置为0；针对每个目标，对所述种群Rt进行非支配排序，令所述种群Rt边界的两个个体的拥挤度为无穷，对所述种群Rt中其他的个体进行拥挤度的计算：
其中，id表示i点的拥挤度，表示i+1点的第j个目标函数值，表示i-1点的第j个目标函数值。
步骤S334：经过快速非支配排序和拥挤度计算之后，种群Rt中的每个个体i都拥有两个属性：非支配排序决定的非支配序irank和拥挤度id。依据这两个属性，可以定义拥挤度比较算子：个体i与个体j进行比较，如果个体i所处的非支配层优于个体j所处的非支配层，即irank＜jrank，或者，个体i与个体j有相同的等级，且个体i比个体j的拥挤距离长，即irank＝jrank且id＞jd，则个体i获胜。
步骤S335：由于子代种群的个体和父代种群Pt+1的个体都包含在种群Rt中，则经过非支配排序以后的非支配集Z1中包含的个体是Rt中最好的，所以先将非支配集Z1放入父代种群Pt+1；如果父代种群Pt+1的个体数量未超出种群规模N，则将下一级的非支配集Z2放入父代种群Pt+1，直到将非支配集Z3放入父代种群Pt+1时，父代种群Pt+1的个体数量超出种群规模N，对非支配集Z3中的个体使用拥挤度比较算子进行比较，取前{num(Z3)-(num(Pt+1)-N)}个个体，使父代种群Pt+1的个体数量达到种群规模N。
步骤S34：对父代种群Pt+1进行交叉、变异基本遗传操作获得子代种群Qt+1。
对父代种群Pt+1进行交叉遗传操作的过程为：
将父代种群Pt+1内的所有个体随机搭配成对，对每一对个体，生成一个随机数，若某一对个体的随机数小于交叉概率P，则交换该对个体之间的部分染色体。
对父代种群Pt+1进行变异基本遗传操作的过程为：
对父代种群Pt+1中的每一个个体，生成一个随机数，若某个个体的随机数小于变异概率Q，则改变该个体的某一个或某一些基因座上的基因值为其他基因值。
步骤S35：遗传代数加1，判断遗传代数是否达到最大遗传代数G，如果是，输出当前全局最优解；如果否，跳转至步骤S32进行重复计算，直到遗传代数达到最大遗传代数G为止。
步骤S4：将决策变量的该组最优解作为植物的推荐决策X*通过服务器下发至用户的终端设备进行显示。
各类传感器每2小时采集一次数据上传至服务器，服务器接数据并通过植物培育模型给出植物当前推荐的浇水量、施肥量和施肥种类。
步骤S5：用户根据终端设备显示的推荐决策培育植物。
用户可以在终端设备上打开智能植物培育界面(如图4所示)，界面显示该植物的简要信息，植物的简要信息包括植物的图像和当前健康指数，用户可在界面设置植物的理想健康指数、理想，由服务器下发推荐浇水量、施肥量、施肥类型，用户可通过手机远程操作完成自动浇水、施肥。
植物的当前健康指数由基于NSGA-Ⅱ算法对植物培育模型进行优化得到，植物的当前健康指数与决策变量的一组最优解相对应。
本发明提供的基于物联网大数据分析的植物培育方法，首先，利用传感器、摄像头等硬件采集植物指标参数、植物图像、浇水量、施肥量、施肥类型，然后，将采集到的数据上传至服务器进行存储，在服务器内利用Elman神经网络建立影响因素矩阵X与植物健康指数之间的复杂非线性关系，获得植物培育模型，利用NSGA-Ⅱ算法对植物培育模型进行优化，得到各决策变量的一组最优值，并将这组最优解作为推荐决策下发至用户的PC或APP终端，最后，用户可根据推荐决策决定植物的浇水量、施肥量、施肥种类，实现远程自动培育。该方法能够确定最优的植物培育方案，为植物营造了更好的生活环境。
与上述方法相对应，本发明还提供一种基于物联网大数据分析的植物培育***。
本发明提供的基于物联网大数据分析的植物培育***，包括：
数据采集单元，用于采集植物的种类、生长时期、土壤湿度、土壤pH值、光照强度、环境温度、环境湿度、图像、浇水量、施肥量、施肥类型并构成影响因素矩阵X，并上传至服务器；其中，浇水量、施肥量和施肥类型构成决策变量。数据采集单元采集数据的过程参考上述步骤S1。
植物培育模型建立单元，用于在服务器内利用Elman神经网络建立植物各影响因素矩阵X与植物健康指数之间的复杂非线性关系，获得植物培育模型。植物培育模型建立单元建立植物培育模型的具体过程参考上述步骤S2。
决策变量最优解获取单元，用于利用NSGA-Ⅱ算法对植物培育模型进行优化，获得决策变量的一组最优解，并将决策变量的该组最优解作为植物的推荐决策X*。决策变量最优解获取单元获取决策变量最优解的具体过程参考上述步骤S3。
推荐决策下发单元，用于通过服务器将植物的推荐决策X*下发至用户的终端设备进行显示。
用户根据终端设备显示的推荐决策对植物进行培育。
应当指出的是，上述说明并非是对本发明的限制，本发明也并不仅限于上述举例，本技术领域的普通技术人员在本发明的实质范围内所做出的变化、改性、添加或替换，也应属于本发明的保护范围。
Claims (6)
1.一种基于物联网大数据分析的植物培育方法，其特征在于，包括如下步骤：
步骤S1：采集植物的种类、生长时期、土壤湿度、土壤pH值、光照强度、环境温度、环境湿度、图像、浇水量、施肥量、施肥类型并构成影响因素矩阵X，并上传至服务器；其中，所述浇水量、所述施肥量和所述施肥类型构成决策变量；
步骤S2：在所述服务器内利用Elman神经网络建立植物各影响因素矩阵X与植物健康指数之间的复杂非线性关系，获得植物培育模型；其中，所述植物培育模型中Xk为输入矢量，Xk＝[xk1,xk2,L,xkM]，k＝1,2,L,S，S为训练样本的个数，WMI(g)为第g次迭代时输入层M与隐层I之间的权值矢量，WJP(g)为第g次迭代时隐层J与输出层P之间的权值矢量，WJC(g)为第g次迭代时隐层J与承接层C之间的权值矢量，Yk(g)为第g次迭代时的实际输出，Yk(g)＝[yk1(g),yk2(g),L,ykP(g)]，k＝1,2,L,S，dk为期望输出，dk＝[dk1,dk2,L,dkP]，k＝1,2,L,S；以及，
建立所述植物培育模型的步骤包括：
步骤S21：初始化，设迭代次数g初值为0，分别赋给WMI(0)、WJP(0)、WJC(0)一个(0,1)区间的随机值；
步骤S22：随机输入样本Xk；
步骤S23：对输入样本Xk，前向计算所述Elman神经网络每层神经元的实际输出Yk(g)；
步骤S24：根据期望输出dk和实际输出Yk(g)，计算误差E(g)；
步骤S25：判断误差E(g)是否小于预设的误差值，如果大于或等于，进入步骤S26，如果小于，则进入步骤S29；
步骤S26：判断迭代次数g+1是否大于最大迭代次数，如果大于，进入步骤S29，否则，进入步骤S27；
步骤S27：对输入样本Xk反向计算所述Elman神经网络每层神经元的局部梯度δ；
步骤S28：计算权值修正量ΔW，并修正权值；令g＝g+1，跳转至步骤S23；
其中，ΔWij＝η·δij，η为学习效率；Wij(g+1)＝Wij(g)+ΔWij(g)；
步骤S29：判断是否完成所有样本的训练；如果是，完成建模；如果否，跳转至步骤S22；
步骤S3：利用NSGA-Ⅱ算法对所述植物培育模型进行优化，获得所述决策变量的一组最优解；其中，利用NSGA-Ⅱ算法对所述植物培育模型进行优化的步骤，包括：
步骤S31：初始化***参数；其中，所述***参数包括种群规模N、最大遗传代数G、交叉概率P和变异概率Q；
步骤S32：将第t代产生的新种群Qt与其父代种群Pt合并组成种群Rt，种群Rt的大小为2N；若是第一代种群，则将第一代种群作为所述种群Rt；
步骤S33：对所述种群Rt进行非支配排序，获得一系列的非支配集Zi，并计算所述非支配集Zi中每个个体的拥挤度，产生新的父代种群Pt+1；
步骤S34：对所述父代种群Pt+1进行交叉、变异基本遗传操作获得子代种群Qt+1；
步骤S35：遗传代数加1，判断遗传代数是否达到所述最大遗传代数G，如果是，输出当前全局最优解；如果否，跳转至步骤S32进行重复计算，直到遗传代数达到所述最大遗传代数G为止；
步骤S4：将所述决策变量的该组最优解作为所述植物的推荐决策X*通过所述服务器下发至用户的终端设备进行显示；
步骤S5：所述用户根据所述终端设备显示的推荐决策培育所述植物。
2.根据权利要求1所述的基于物联网大数据分析的植物培育方法，其特征在于，步骤S33包括：
步骤S331：利用适应度函数判断所述种群Rt中的所有个体之间的相互支配关系；其中，D(i).n表示支配第i个个体的个体数量，D(i).p表示被第i个个体支配的个体集合；若个体i支配j，则将个体j放入D(i).p集合，D(j).n的值加1；依次操作，获得所有个体D(i).n与D(i).p的信息；
步骤S332：将所述种群Rt中所有D(i).n值为0的个体，放入非支配层的第一层，将所述种群Rt中所有D(i).n值为1的个体放入非支配层的第二层，直到将所述种群Rt中所有个体放入不同非支配层为止，将非支配层的层数按从小到大的顺序进行排序；
步骤S333：针对每个目标，对所述种群Rt进行非支配排序，令所述种群Rt边界的两个个体的拥挤度为无穷，对所述种群Rt中其他的个体进行拥挤度的计算：
其中，id表示i点的拥挤度，表示i+1点的第j个目标函数值，表示i-1点的第j个目标函数值；
步骤S334：将非支配排序决定的非支配序irank和拥挤度id作为所述种群Rt中的每个个体i的两个属性，定义拥挤度比较算子：个体i与个体j进行比较，如果个体i所处的非支配层优于个体j所处的非支配层，即irank＜jrank，或者个体i与个体j有相同的等级，且个体i比个体j的拥挤距离长，即irank＝jrank且id＞jd，则个体i获胜；
步骤S335：将非支配集Z1放入所述父代种群Pt+1；如果所述父代种群Pt+1的个体数量未超出所述种群规模N，则将下一级的非支配集Z2放入所述父代种群Pt+1，直到将非支配集Z3放入所述父代种群Pt+1时，所述父代种群Pt+1的个体数量超出所述种群规模N，对所述非支配集Z3中的个体使用所述拥挤度比较算子进行比较，取前{num(Z3)-(num(Pt+1)-N)}个个体，使所述父代种群Pt+1的个体数量达到所述种群规模N。
3.根据权利要求1所述的基于物联网大数据分析的植物培育方法，其特征在于，对所述父代种群Pt+1进行交叉遗传操作的过程为：
将所述父代种群Pt+1内的所有个体随机搭配成对，对每一对个体，生成一个随机数，若某一对个体的随机数小于所述交叉概率P，则交换该对个体之间的部分染色体。
4.根据权利要求1所述的基于物联网大数据分析的植物培育方法，其特征在于，对所述父代种群Pt+1进行变异基本遗传操作的过程为：
对所述父代种群Pt+1中的每一个个体，生成一个随机数，若某个个体的随机数小于所述变异概率Q，则改变该个体的某一个或某一些基因座上的基因值为其他基因值。
5.根据权利要求1-4中任一项所述的基于物联网大数据分析的植物培育方法，其特征在于，
利用温度传感器采集所述植物的环境温度；
利用湿度传感器采集所述植物的环境湿度与土壤湿度；
利用光照度传感器采集所述植物的光照强度；
利用土壤PH计采集上述植物的土壤PH值；
利用摄像头采集所述植物在当前时刻的特征，并将图像信息转换成数字信号；以及，
利用采样电路分别与所述温度传感器、所述湿度传感器、所述光照度传感器、所述土壤PH计进行连接，并将所述温度传感器、所述湿度传感器、所述光照度传感器、所述土壤PH计分别采集到的环境温度、环境湿度、土壤湿度、光照强度、土壤PH值转换成数字信号。
6.根据权利要求1-5中任一项所述的基于物联网大数据分析的植物培育方法的***，其特征在于，
数据采集单元，用于采集植物的种类、生长时期、土壤湿度、土壤pH值、光照强度、环境温度、环境湿度、图像、浇水量、施肥量、施肥类型并构成影响因素矩阵X，并上传至服务器；其中，所述浇水量、所述施肥量和所述施肥类型构成决策变量；
植物培育模型建立单元，用于在所述服务器内利用Elman神经网络建立植物各影响因素矩阵X与植物健康指数之间的复杂非线性关系，获得植物培育模型；
决策变量最优解获取单元，用于利用NSGA-Ⅱ算法对所述植物培育模型进行优化，获得所述决策变量的一组最优解，并将所述决策变量的该组最优解作为所述植物的推荐决策X*；
推荐决策下发单元，用于通过所述服务器将所述植物的推荐决策X*下发至用户的终端设备进行显示。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201610883950.2A CN106444378B (zh) | 2016-10-10 | 2016-10-10 | 基于物联网大数据分析的植物培育方法及*** |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201610883950.2A CN106444378B (zh) | 2016-10-10 | 2016-10-10 | 基于物联网大数据分析的植物培育方法及*** |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN106444378A CN106444378A (zh) | 2017-02-22 |
| CN106444378B true CN106444378B (zh) | 2019-07-12 |
Family
ID=58173021
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN201610883950.2A Active CN106444378B (zh) | 2016-10-10 | 2016-10-10 | 基于物联网大数据分析的植物培育方法及*** |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN106444378B (zh) |
Families Citing this family (16)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| TWI624799B (zh) * | 2017-03-13 | 2018-05-21 | 中華大學 | 以物聯網進行菇類智能栽培的管理系統 |
| CN107360775B (zh) * | 2017-07-11 | 2018-09-28 | 中工武大设计研究有限公司 | 一种水肥一体化设备的施肥精度控制方法及其控制*** |
| CN107766938A (zh) * | 2017-09-25 | 2018-03-06 | 南京律智诚专利技术开发有限公司 | 一种基于bp神经网络的植物种植方法 |
| CN108074236B (zh) * | 2017-12-27 | 2020-05-19 | Oppo广东移动通信有限公司 | 植物浇灌提醒方法、装置、设备及存储介质 |
| CN108694444A (zh) * | 2018-05-15 | 2018-10-23 | 重庆科技学院 | 一种基于智能数据采集与云服务技术的植物培育方法 |
| CN108633697A (zh) * | 2018-05-15 | 2018-10-12 | 重庆科技学院 | 一种基于植物日常数据分析与云技术的智能植物养培方法 |
| CN109147902A (zh) * | 2018-07-19 | 2019-01-04 | 重庆科技学院 | 一种基于物联网大数据分析的用户睡眠按摩方法及*** |
| CN109874477B (zh) * | 2019-01-17 | 2021-01-26 | 北京农业智能装备技术研究中心 | 一种农业园区施肥机托管方法及*** |
| CN113627216B (zh) * | 2020-05-07 | 2024-02-27 | 杭州睿琪软件有限公司 | 植物状态评估方法、***及计算机可读存储介质 |
| CN112099557A (zh) * | 2020-09-24 | 2020-12-18 | 苏州七采蜂数据应用有限公司 | 一种基于互联网的家居植物栽植方法及*** |
| CN112488869B (zh) * | 2020-12-03 | 2023-10-20 | 湖北添安农业科技有限公司 | 一种适用于农业生产多因素管理决策*** |
| CN112868435B (zh) * | 2021-01-14 | 2022-07-05 | 同济大学 | 一种基于nsga-ii的蓝莓温室光温协调优化方法 |
| CN113467238B (zh) * | 2021-06-28 | 2023-03-21 | 燕山大学 | 一种智慧旱雪场的浇水控制方法 |
| CN113570240B (zh) * | 2021-07-27 | 2024-02-27 | 蒋俊伟 | 一种基于农作物全生命周期管理的智慧农场平台 |
| CN116644575B (zh) * | 2023-05-25 | 2024-03-26 | 淮阴工学院 | 一种湿地盐碱度智能设计调节设备 |
| CN117829414A (zh) * | 2023-12-14 | 2024-04-05 | 巴中秦岭药业有限公司 | 一种枳壳种苗培育管理方法、***及电子设备 |
Citations (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN103646299A (zh) * | 2013-12-19 | 2014-03-19 | 浙江省公众信息产业有限公司 | 基于神经元网络的农作物预测方法与装置 |
| CN105334824A (zh) * | 2015-11-06 | 2016-02-17 | 重庆科技学院 | 基于nsga-ⅱ算法的铝电解生产优化方法 |
| CN105389452A (zh) * | 2015-12-31 | 2016-03-09 | 西北农林科技大学 | 基于神经网络的黄瓜全程光合速率预测模型及建立方法 |
| CN105588930A (zh) * | 2015-12-17 | 2016-05-18 | 镇江市高等专科学校 | 温室大棚土壤参数测量方法 |
| CN105956715A (zh) * | 2016-05-20 | 2016-09-21 | 北京邮电大学 | 一种土壤墒情预测方法及装置 |
-
2016
- 2016-10-10 CN CN201610883950.2A patent/CN106444378B/zh active Active
Patent Citations (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN103646299A (zh) * | 2013-12-19 | 2014-03-19 | 浙江省公众信息产业有限公司 | 基于神经元网络的农作物预测方法与装置 |
| CN105334824A (zh) * | 2015-11-06 | 2016-02-17 | 重庆科技学院 | 基于nsga-ⅱ算法的铝电解生产优化方法 |
| CN105588930A (zh) * | 2015-12-17 | 2016-05-18 | 镇江市高等专科学校 | 温室大棚土壤参数测量方法 |
| CN105389452A (zh) * | 2015-12-31 | 2016-03-09 | 西北农林科技大学 | 基于神经网络的黄瓜全程光合速率预测模型及建立方法 |
| CN105956715A (zh) * | 2016-05-20 | 2016-09-21 | 北京邮电大学 | 一种土壤墒情预测方法及装置 |
Non-Patent Citations (1)
| Title |
|---|
| 非支配排序遗传算法的研究与应用;高媛;《中国优秀硕士学位论文全文数据库》;20061231;正文第3.4节 |
Also Published As
| Publication number | Publication date |
|---|---|
| CN106444378A (zh) | 2017-02-22 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN106444378B (zh) | 基于物联网大数据分析的植物培育方法及*** | |
| CN106650212A (zh) | 基于数据分析的植物智能培育方法及*** | |
| CN108694444A (zh) | 一种基于智能数据采集与云服务技术的植物培育方法 | |
| CN108633697A (zh) | 一种基于植物日常数据分析与云技术的智能植物养培方法 | |
| CN103823371B (zh) | 基于神经网络模型的农业精准施肥***及施肥方法 | |
| Visconti et al. | IoT-oriented software platform applied to sensors-based farming facility with smartphone farmer app | |
| CN106447117B (zh) | 基于宠物日常数据分析的宠物喂养方法及*** | |
| CN106472332A (zh) | 基于动态智能算法的宠物喂养方法及*** | |
| CN106407711A (zh) | 基于云数据的宠物喂养推荐方法及*** | |
| CN107909149A (zh) | 一种基于遗传bp神经网络的日光温室温度预测方法 | |
| CN107329511A (zh) | 基于适宜根温区间的水培蔬菜光环境高效调控方法与*** | |
| CN109858180B (zh) | 一种区域作物耗水空间格局优化设计方法 | |
| CN115880433A (zh) | 一种基于数字孪生的农作物培育优化方法 | |
| CN106614273A (zh) | 基于物联网大数据分析的宠物喂养方法及*** | |
| CN117036088A (zh) | 一种ai识别绿化植物生长态势的数据采集分析方法 | |
| CN110069032A (zh) | 一种基于小波神经网络的茄子温室环境智能检测*** | |
| CN115661547B (zh) | 一种基于知识图谱的植物灌溉养护方法及*** | |
| Bazrafshan et al. | Evaluation and uncertainty assessment of wheat yield prediction by multilayer perceptron model with bayesian and copula bayesian approaches | |
| CN105913326B (zh) | 约束性知识与精英个体策略遗传算法融合的作物生育期模型品种参数优化方法 | |
| CN117039852A (zh) | 风光水互补电站的功率预测方法、装置、设备及存储介质 | |
| CN115952421A (zh) | 耦合生态过程模型与机器学习算法的高精度时空模拟方法 | |
| CN114723142A (zh) | 一种基于非支配排序遗传算法和flus模型的多目标土地利用模拟***与方法 | |
| Li et al. | Prediction of grain yield in Henan Province based on grey BP neural network model | |
| Kumar et al. | IoT Enabled Crop Detection System using Soil Analysis | |
| Guo et al. | Calibrating AquaCrop model using genetic algorithm with multi‐objective functions applying different weight factors |
Legal Events
| Date | Code | Title | Description |
|---|---|---|---|
| C06 | Publication | ||
| PB01 | Publication | ||
| C10 | Entry into substantive examination | ||
| SE01 | Entry into force of request for substantive examination | ||
| GR01 | Patent grant | ||
| GR01 | Patent grant | ||
| TR01 | Transfer of patent right |
Effective date of registration: 20210113 Address after: Room 5-2, No.1-5, Tieshan Road, Biquan street, Bishan District, Chongqing 402760 Patentee after: Chongqing juce Intelligent Technology Research Institute Co.,Ltd. Address before: No. 20, East Road, University City, Chongqing, Shapingba District, Chongqing Patentee before: Chongqing University of Science & Technology |
|
| TR01 | Transfer of patent right | ||
| TR01 | Transfer of patent right |
Effective date of registration: 20211217 Address after: 401320 22-2, unit 2, building 1, No. 18, Xinnong street, Banan District, Chongqing Patentee after: Chongqing Guangbo Technology Co.,Ltd. Address before: Room 5-2, No.1-5, Tieshan Road, Biquan street, Bishan District, Chongqing 402760 Patentee before: Chongqing juce Intelligent Technology Research Institute Co.,Ltd. |
|
| TR01 | Transfer of patent right | ||
| TR01 | Transfer of patent right |
Effective date of registration: 20231019 Address after: No. B221, 2nd Floor, Building 39, Chongqing University of Science and Technology, No. 20 Daxue Cheng East Road, Huxi Street, High tech Zone, Shapingba District, Chongqing, 400000 Patentee after: Chongqing youshuo Technology Co.,Ltd. Address before: 401320 22-2, unit 2, building 1, No. 18, Xinnong street, Banan District, Chongqing Patentee before: Chongqing Guangbo Technology Co.,Ltd. |
|
| TR01 | Transfer of patent right |