CN109062290A - 一种基于大数据的智能农业环境监控***及监控方法 - Google Patents

Abstract

本发明属于农业技术领域，公开了一种基于大数据的智能农业环境监控***及监控方法，控制***设置有大棚，大棚的上表面铺设有防晒帘，防晒帘与卷帘器相连接；大棚的左侧固定有排风扇；大棚的外侧四周立有支撑柱，支撑柱上通过螺栓安装有太阳能电池板；大棚的右侧分别搁置有控制柜、集水箱和药物调剂箱；大棚的支撑架上通过螺栓分别固定有土壤温湿度传感器、大棚温湿度传感器、以及大棚气体检测器；大棚的内壁通过螺栓固定有光照强度感应器；本发明同时公开一种控制方法。本发明可实时动态监控并调整农业环境至适应农作物生长的环境，提高了农作物的经济效益。

Description

一种基于大数据的智能农业环境监控***及监控方法

技术领域

本发明属于农业技术领域，尤其涉及一种基于大数据的智能农业环境监控***及监控方法。

背景技术

目前，业内常用的现有技术是这样的：

目前，智能农业无线监控***是一种结合了计算机自控技术、智能传感技术等高科技手段的资源节约型高效设施农业技术，它主要是根据环境的温度、湿度、二氧化碳含量、光合有效辐射以及土壤状况等因素，来控制温室内的各项指标，以创造出适合作物生长的最佳环境。很显然如何能够准确、稳定、方便的得到这些环境信息就成为整套***的关键。随着近几年短距离无线通信的发展，新兴的无线传感网技术为智能农业***中的传感环节提供了有力的技术保障。

使用现在新兴的无线传输技术和高精度的传感器，根据农业生产劳作的特点，本着定位、定时、定量的原则实施一整套现代化农事操作技术与管理的***，其基本涵义是根据作物生长的土壤性状，调节对作物的投入，即一方面查清田块内部的土壤性状与生产力空间变异，另一方面确定农作物的生产目标，进行定位的“***诊断、优化配方、技术组装、科学管理”，调动土壤生产力，以最少的或最节省的投入达到同等收入或更高的收入，并改善环境，高效地利用各类农业资源，取得经济效益和环境效益。

现有的农业管理大多仍采用人工监管的方式，存在的主要问题如下：

1、采用人工测量、记录的方式，不能够24小时实时、动态监控；

2、人工监管不稳定、误差大、容易受干扰；

3、采用人工监控，时效性差，易容易造成极大的经济损失。

4、现有技术的数据对比分析，智能化程度低，检测的数据准确性差。目前基于依存温湿度或其他与农业环境相关数据参数的相似度方法未充分考虑依存关系内部各元素的角色重要程度，而仅仅将依存关系作为整体进行标注的问题。造成与设定值对比中，容易造成控制偏差大，对于农业环境相关数据参数敏感的作物生长造成一定影响。

发明内容

针对现有技术存在的问题，本发明提供了一种基于大数据的智能农业环境监控***及监控方法。

本发明是这样实现的，一种基于大数据的智能农业环境监控方法，包括：

通过大数据分析器对土壤温湿度传感器、大棚温湿度传感器、大棚气体检测器、光照强度感应器检测的数据与预存的土壤温湿度、大棚温湿度、大棚氧气气体浓度、光照强度设定值参数进行对比分析，将分析后的控制指令传输给卷帘器、排风扇、供水水泵、供暖装置、药物调剂箱进行相应的开启或者关闭；

土壤温湿度传感器在土壤温湿度数据检测中，

大数据分析器对土壤温湿度传感器检测的数据与预存的土壤温湿度设定值参数进行对比分析中，基于依存关系对，将多个连续检测的土壤温湿度的依存关系对集合进行匹配，选取使关系对相似度之和最大的对应关系，在对应关系的基础上，求出各关系对相似度之和的平均值，与设定的土壤温湿度设定值参数进行对比分析；依存关系对的结构相容度的获取方法包括：依存关系对<R₁，R₂>，分别对比R₁(C₁，A₁，D₁，CP₁，AP₁)和R₂(C₂，A₂，D₂，CP₂，AP₂)中的五个特征量，相容取1，不相容取0；然后，按权重顺序从高位到低位排列这五个0或1，得到一个二进制数(bbbbb)₂，该值的取值范围为0-31，其中0对应R₁和R₂完全不相等的情况，31对应R₁和R₂完全相等的情况；在该二进制数的基础上，定义R₁和R₂的结构相容度如下：

假设在两个五元组R₁(C₁，A₁，D₁，CP₁，AP₁)和R₂(C₂，A₂，D₂，CP₂，AP₂)中，C₁与C₂相容，A₁与A₂不相容，D₁与D₂相容，CP₁与CP₂相容，AP₁与AP₂不相容，则依照各特征权重顺序排列得出二进制数为(10110)₂，则R₁和R₂的结构相容度为：

依存关系对的相似度计算方法包括：依存关系对<R₁，R₂>中的元素存在土壤温湿度数据相容，通过计算<R₁，R₂>相对应的核心土壤温湿度数据和调节支配土壤温湿度数据的土壤温湿度数据相似度，度量依存关系对的土壤温湿度数据相似度，采用基于知网的计算方法计算土壤温湿度数据相似度，并赋予不同的权值α和β，得到R₁和R₂的土壤温湿度数据相似度如下：

S_s(R₁，R₂)＝αS_w(C₁，C₂)+βS_w(A₁，A₂)；

式中，S_w(C₁，C₂)表示<R₁，R₂>中对应核心土壤温湿度数据的相似度，S_w(A₁，A₂)表示对应支配土壤温湿度数据相似度，α＞β且α+β＝1；

基于和式S_s(R₁，R₂)＝αS_w(C₁，C₂)+βS_w(A₁，A₂)，得到依存关系对的相似度计算方法：R₁|R₂＝Sim(R₁，R₂)＝S_c(R₁，R₂)gS_s(R₁，R₂)；

大数据分析器对土壤温湿度传感器检测的数据与预存的土壤温湿度设定值参数进行对比分析中，利用粒子群算法进行对比分析，粒子群算法中，优化阶段采用粒子群算法优化特征加权KNN算法的特征权值，具体包括：采用随机方法初始化粒子群，每个粒子的位置和速度的维度为n，每个粒子的位置对应数据集中一条记录的特征权值向量w＝(w1，w2，…，wn)：其中有计算适应值，进而求出局部最优解和全局最优解：在计算适应值时，将粒子的位置即特征权值应用到特征加权KNN算法中，将原训练样本集中前70％当做新的训练样本，后30％当做新的预测样本集，对此预测样本集进行分类，算出分类的准确度，准确度越高越符合适应值；预测样本集每条记录的原始土壤温湿度数据标签为li＝(li1，li2，…，lin)，分类过后的预测土壤温湿度数据为lj＝(lj1，lj2，…，ljn)，li与lj与重合个数为sum，那么准确率Accruay＝sum/n；

分类阶段：将优化阶段得出的特征权值应用到特征加权KNN算法中给测试样本X进行分类，最终输出测试集中所有样本的土壤温湿度数据，完成分类。

进一步，依存关系对集合相似度计算方法包括：

存在依存关系对集合A＝(a₁，a₂…a_n)和依存关系对集合B＝(b₁，b₂…b_m)，不失一般性，A中依存关系对的数目小于等于B，即n≤m；对于每一个a_i∈A，1≤i≤n，找到若干个b_j∈B，1≤j≤m与之对应，不同的a_i对应不同b_j，则集合A与集合B的对应关系总数如下：

集合A与B存在确定的对应关系在Ω_k中，对于给定的a_i都有一个b_j与之匹配，记作b_j＝Ω_k(a_i)；则定义Q_k的相似度为：

两个依存关系对集合A与B的相似度取Ω_k中的最大值，即：

式中，

进一步，所述粒子群算法包括：

初始化微粒群，其中包括初始化整个粒子群的位置xi＝(x_i1，x_i2，…x_id)T和速度vi＝(v_i1，v_i2，…，v_id)^T及局部最优和整体最优，其中id表示第i代中第d个粒子；

进一步，所述粒子群算法进一步包括：

计算每个粒子在当前位置处的适应度值fitness_id＝f(x_id)。然后根据适应度值的大小，初始化局部最优解pbest_i＝fitness_i和整体最优解gbest＝min(fintess₁，fitness₂，…，fitness_N)，i＝1，2，…，N；

进一步，所述粒子群算法进一步包括：

在每次迭代过程中，每个粒子根据以下准则来更新自己的位置和速度：

v_id(t+1)＝wv_id(t)+c₁r₁(p_ld-x_id(t))+c₂r₂(p_gd-x_id(t))

x_id(t+1)＝x_id(t)+v_id(t+1)

其中v_id为粒子的速度，x_id为粒子的位置，w为惯性权重，c1和c2为加速度系数，r₁和r₂是随机数，P_ld为全局最优解而P_gd为局部最优解；

更新局部最优解pbest_i和整体最优解gbest；

如果整体最优解gbest达到设定的阈值或者已经达到最大迭代次数，算法终止；

特征加权KNN算法具体包括：

输入m个训练样本，并设定k值大小；

先随机选择训练集中的A[1]～A[k]样本作为待预测样本X的k个初始最邻近节点；

计算待预测样本X与每个初始k个最邻近节点的加权欧几里得距离wd(X，A[i])，i＝1，2，.....，k)，计算距离公式为：

其中n表示样本A[i]属性个数，即A[i]＝(A[i]1，A[i]2，A[i]3，…A[i]n)；

将求得到的距离wd(X，A[i])按升序排序，求得距离wd(X，A[i])的最远距离maxD＝max{d(X，A[i])|i＝1，2，.....，k}；

依次计算训练集中剩下记录与待测样本X的距离，并与所述步骤SB4中求得的最远距离maxD相比，若比最远距离maxD小，将最远距离maxD更新为该记录与待测样本X的距离值，再按升序对距离wd(X，A[i])排序；

计算出现在距离wd(X，A[i])序列中的每条记录的标签的出现次数，并按照出现次数的高低排序；

将排序得到的前L个土壤温湿度数据作为样本X的土壤温湿度数据。

本发明的另一目的在于提供一种实现所述基于大数据的智能农业环境监控方法的计算机程序。

本发明的另一目的在于提供一种实现所述基于大数据的智能农业环境监控方法的信息数据处理终端。

本发明的另一目的在于提供一种计算机可读存储介质，包括指令，当其在计算机上运行时，使得计算机执行所述的基于大数据的智能农业环境监控方法。

本发明的另一目的在于提供一种实现述基于大数据的智能农业环境监控方法的基于大数据的智能农业环境监控***，所述基于大数据的智能农业环境监控***设置有：大棚；

大棚的上表面铺设有防晒帘，防晒帘通过卷轴与安装在大棚左侧上表面的卷帘器连接；

所述大棚的左侧通过螺栓固定有排风扇；

所述大棚的外侧四周立有支撑柱，支撑柱上通过螺栓安装有太阳能电池板；

所述大棚的右侧分别搁置有控制柜、集水箱和药物调剂箱；

所述控制柜电连接至太阳能电池板；

所述集水箱通过供水水泵与大棚的支撑架上套接的通水管相连接；

所述大棚的支撑架上沿着支撑架铺设有喷药管，喷药管上紧固有多个旋转喷头；

所述大棚的支撑架上通过螺栓分别固定有土壤温湿度传感器、大棚温湿度传感器、以及大棚气体检测器；

所述大棚的内壁通过螺栓固定有光照强度感应器。

进一步，所述通水管的顶部设置有通过螺栓固定在支撑架上的供暖装置；

所述通水管的下方设有过个雾化喷头；

所述控制柜内设置有大数据分析器，通过信号线分别与土壤温湿度传感器、大棚温湿度传感器、大棚气体检测器、光照强度感应器、卷帘器、排风扇、供水水泵、供暖装置、药物调剂箱相连接；

所述控制柜通过无线通信装置连接有打印设备，打印设备的底部悬挂有收集箱；

所述药物调剂箱的内部通过隔板分为若干分区；所述药物调剂箱的侧壁上嵌装有多根药管，连通至药物调剂箱的底部；所述药管的底端卡接有封堵塞片，电连接至药物调剂箱底部的定时器；所述药物调剂箱的内部通过螺栓安装有搅拌器；

所述药管的正表面刻有刻度线，且粘贴有标识签。

本发明具有的优点和积极效果是：

本发明对大棚内的网络节点大量实时地采集温度、湿度、光照、气体浓度等环境信息，精准地获取土壤水分、压实程度、电导率、pH值、氮素等土壤信息，这些信息在数据汇聚节点汇集，为精确调控提供了可靠依据；大数据分析服务器对汇集的数据进行分析，帮助生产者有针对地投放农业生产资料，智能地控制温度、光照、换气、喷洒药物等动作，可实现自动化控制光照时间和强度，以及自动灌溉；本发明能够24小时不间断、实时对农业环境进行监控，误差较小，抗干扰能力强，能够有效的减少经济效益的损失，且能够更好地实现耕地资源的合理高效利用和农业的现代化精准管理，推进我国耕地资源的高效管理和利用，有助于农田管理水平和农业生产效能的提高。

本发明大数据分析器对土壤温湿度传感器检测的数据与预存的土壤温湿度设定值参数进行对比分析中，基于依存关系对，将多个连续检测的土壤温湿度的依存关系对集合进行匹配，选取使关系对相似度之和最大的对应关系，在对应关系的基础上，求出各关系对相似度之和的平均值，与设定的土壤温湿度设定值参数进行对比分析；依存关系对的结构相容度的获取方法包括：依存关系对<R₁，R₂>，分别对比R₁(C₁，A₁，D₁，CP₁，AP₁)和R₂(C₂，A₂，D₂，CP₂，AP₂)中的五个特征量，相容取1，不相容取0；然后，按权重顺序从高位到低位排列这五个0或1，得到一个二进制数(bbbbb)₂，该值的取值范围为0-31，其中0对应R₁和R₂完全不相等的情况，31对应R₁和R₂完全相等的情况；在该二进制数的基础上，定义R₁和R₂的结构相容度如下：

解决了目前基于依存温湿度或其他与农业环境相关数据参数的相似度方法未充分考虑依存关系内部各元素的角色重要程度的问题，解决了与设定值对比中，控制偏差小，对于农业环境相关数据参数敏感的作物生长提供了有力条件，本发明的调控方法，也可应用于对土壤肥料中的益生菌生存环境进行调控；本发明控制柜控制大棚温湿度度传感器(JASUN-TH03/04)、大棚气体检测器(AGP800-NO2)、光照强度感应器(QLS60)的调控方法与控制土壤温湿度传感器的方法相同，保证了各项参数的智能控制。

本发明大数据分析器对土壤温湿度传感器检测的数据与预存的土壤温湿度设定值参数进行对比分析中，利用粒子群算法进行对比分析，粒子群算法中，优化阶段采用粒子群算法优化特征加权KNN算法的特征权值，具体包括：采用随机方法初始化粒子群，每个粒子的位置和速度的维度为n，每个粒子的位置对应数据集中一条记录的特征权值向量w＝(w1，w2，…，wn)：其中有计算适应值，进而求出局部最优解和全局最优解，可获得准确的对比分析数据，准确度相比于现有技术提高近8个百分点。

附图说明

图1是本发明实施例提供的基于大数据的智能农业环境监控***结构示意图；

图2是本发明实施例提供的基于大数据的智能农业环境监控***的太阳能电池板的结构示意图；

图3是本发明实施例提供的基于大数据的智能农业环境监控***的药物调剂箱的结构示意图；

图中：1、地面；2、支撑架；3、支撑柱；4、通水管；5、控制柜；6、供水水泵；7、集水箱；8、雾化喷头；9、供暖装置；10、太阳能电池板；11、土壤温湿度传感器；12、大棚温湿度传感器；13、大棚气体检测器；14、光照强度感应器；15、卷帘器；16、排风扇；17、防晒帘；18、喷药管；19、旋转喷头；20、药物调剂箱；20-1、隔板；20-2、药管；20-3、封堵塞片；20-4、搅拌器；20-5、定时器。

具体实施方式

为能进一步了解本发明的发明内容、特点及功效，兹例举以下实施例，并配合附图详细说明如下。

现有技术中，采用人工测量、记录的方式，不能够24小时实时、动态监控；人工监管不稳定、误差大、容易受干扰；采用人工监控，时效性差，易容易造成极大的经济损失。

下面结合附图对本发明的结构作详细的描述。

如图1-图3所示，本发明实施例提供的基于大数据的智能农业环境监控***设置有大棚1，大棚1的上表面铺设有防晒帘17，防晒帘17通过卷轴与安装在大棚左侧上表面的卷帘器15连接；

所述大棚1的左侧通过螺栓固定有排风扇16；

所述大棚1的外侧四周立有支撑柱3，支撑柱3上通过螺栓安装有太阳能电池板10；

所述大棚1的右侧分别搁置有控制柜5、集水箱7和药物调剂箱20；

所述控制柜5电连接至太阳能电池板2；

所述集水箱7通过供水水泵6与大棚1的支撑架2上套接的通水管4相连接；

所述大棚1的支撑架2上沿着支撑架2铺设有喷药管18，喷药管18上紧固有多个旋转喷头19；

所述大棚1的支撑架2上通过螺栓分别固定有土壤温度湿传感器(ESM101-01T)11、大棚温湿度度传感器(JASUN-TH03/04)12和大棚气体检测器(AGP800-NO2)13；

所述大棚1的内壁通过螺栓固定有光照强度感应器(QLS60)14。

作为本发明的优选实施例，所述通水管4的顶部设置有通过螺栓固定在支撑架2上的供暖装置9。

作为本发明的优选实施例，所述通水管4的下方设有过个雾化喷头8。

作为本发明的优选实施例，所述控制柜5内设置有大数据分析器，通过信号线分别与土壤温度湿传感器(ESM101-01T)11、大棚温湿度度传感器(JASUN-TH03/04)12、大棚气体检测器(AGP800-NO2)13、光照强度感应器(QLS60)14、卷帘器15、排风扇16、供水水泵17、供暖装置9、药物调剂箱20相连接。

作为本发明的优选实施例，所述控制柜5通过无线通信装置连接有打印设备，打印设备的底部悬挂有收集箱。

作为本发明的优选实施例，所述药物调剂箱20的内部通过隔板20-1分为若干分区；所述药物调剂箱20侧壁上嵌装有多根药管20-2，连通至药物调剂箱20的底部；所述药管20-2的底端卡接有封堵塞片20-3，电连接至药物调剂箱20底部的定时器20-5；所述药物调剂箱20的内部通过螺栓安装有搅拌器20-4。

作为本发明的优选实施例，所述药管20-2的正表面刻有刻度线，且粘贴有标识签。

本发明的工作原理为：大棚1的控制柜5通过大数据分析器对土壤温度湿传感器(ESM101-01T)11、大棚温湿度度传感器(JASUN-TH03/04)12、大棚气体检测器(AGP800-NO2)13、光照强度感应器(QLS60)14进行分析总结，并控制卷帘器15、排风扇16、供水水泵17、供暖装置9、药物调剂箱20的开启或者关闭，进而自动调整大棚1内部的农作物的生长环境；控制柜5分析的数据可通过打印设备进行打印留档；太阳能电池板10可将太阳能转化为电能，为控制柜5进行供电，有效的利用了可再生资源。

下面结合具体分析对本发明作进一步描述。

本发明实施例提供的基于大数据的智能农业环境监控方法，包括：

通过大数据分析器对土壤温湿度传感器、大棚温湿度传感器、大棚气体检测器、光照强度感应器检测的数据与预存的土壤温湿度、大棚温湿度、大棚氧气气体浓度、光照强度设定值参数进行对比分析，将分析后的控制指令传输给卷帘器、排风扇、供水水泵、供暖装置、药物调剂箱进行相应的开启或者关闭；

土壤温湿度传感器在土壤温湿度数据检测中，

大数据分析器对土壤温湿度传感器检测的数据与预存的土壤温湿度设定值参数进行对比分析中，基于依存关系对，将多个连续检测的土壤温湿度的依存关系对集合进行匹配，选取使关系对相似度之和最大的对应关系，在对应关系的基础上，求出各关系对相似度之和的平均值，与设定的土壤温湿度设定值参数进行对比分析；依存关系对的结构相容度的获取方法包括：依存关系对<R₁，R₂>，分别对比R₁(C₁，A₁，D₁，CP₁，AP₁)和R₂(C₂，A₂，D₂，CP₂，AP₂)中的五个特征量，相容取1，不相容取0；然后，按权重顺序从高位到低位排列这五个0或1，得到一个二进制数(bbbbb)₂，该值的取值范围为0-31，其中0对应R₁和R₂完全不相等的情况，31对应R₁和R₂完全相等的情况；在该二进制数的基础上，定义R₁和R₂的结构相容度如下：

假设在两个五元组R₁(C₁，A₁，D₁，CP₁，AP₁)和R₂(C₂，A₂，D₂，CP₂，AP₂)中，C₁与C₂相容，A₁与A₂不相容，D₁与D₂相容，CP₁与CP₂相容，AP₁与AP₂不相容，则依照各特征权重顺序排列得出二进制数为(10110)₂，则R₁和R₂的结构相容度为：

依存关系对的相似度计算方法包括：依存关系对<R₁，R₂>中的元素存在土壤温湿度数据相容，通过计算<R₁，R₂>相对应的核心土壤温湿度数据和调节支配土壤温湿度数据的土壤温湿度数据相似度，度量依存关系对的土壤温湿度数据相似度，采用基于知网的计算方法计算土壤温湿度数据相似度，并赋予不同的权值α和β，得到R₁和R₂的土壤温湿度数据相似度如下：

S_s(R₁，R₂)＝αS_w(C₁，C₂)+βS_w(A₁，A₂)；

式中，S_w(C₁，C₂)表示<R₁，R₂>中对应核心土壤温湿度数据的相似度，S_w(A₁，A₂)表示对应支配土壤温湿度数据相似度，α＞β且α+β＝1；

基于和式S_s(R₁，R₂)＝αS_w(C₁，C₂)+βS_w(A₁，A₂)，得到依存关系对的相似度计算方法：R₁|R₂＝Sim(R₁，R₂)＝S_c(R₁，R₂)gS_s(R₁，R₂)；

大数据分析器对土壤温湿度传感器检测的数据与预存的土壤温湿度设定值参数进行对比分析中，利用粒子群算法进行对比分析，粒子群算法中，优化阶段采用粒子群算法优化特征加权KNN算法的特征权值，具体包括：采用随机方法初始化粒子群，每个粒子的位置和速度的维度为n，每个粒子的位置对应数据集中一条记录的特征权值向量w＝(w1，w2，…，wn)：其中有计算适应值，进而求出局部最优解和全局最优解：在计算适应值时，将粒子的位置即特征权值应用到特征加权KNN算法中，将原训练样本集中前70％当做新的训练样本，后30％当做新的预测样本集，对此预测样本集进行分类，算出分类的准确度，准确度越高越符合适应值；预测样本集每条记录的原始土壤温湿度数据标签为li＝(li1，li2，…，lin)，分类过后的预测土壤温湿度数据为lj＝(lj1，lj2，…，ljn)，li与lj与重合个数为sum，那么准确率Accruay＝sum/n；

分类阶段：将优化阶段得出的特征权值应用到特征加权KNN算法中给测试样本X进行分类，最终输出测试集中所有样本的土壤温湿度数据，完成分类。

依存关系对集合相似度计算方法包括：

存在依存关系对集合A＝(a₁，a₂…a_n)和依存关系对集合B＝(b₁，b₂…b_m)，不失一般性，A中依存关系对的数目小于等于B，即n≤m；对于每一个a_i∈A，1≤i≤n，找到若干个b_j∈B，1≤j≤m与之对应，不同的a_i对应不同b_j，则集合A与集合B的对应关系总数如下：

集合A与B存在确定的对应关系在Ω_k中，对于给定的a_i都有一个b_j与之匹配，记作b_j＝Ω_k(a_i)；则定义Ω_k的相似度为：

两个依存关系对集合A与B的相似度取Ω_k中的最大值，即：

式中，

所述粒子群算法包括：

初始化微粒群，其中包括初始化整个粒子群的位置xi＝(x_i1，x_i2，…x_id)T和速度vi＝(v_i1，v_i2，…，v_id)^T及局部最优和整体最优，其中id表示第i代中第d个粒子；

所述粒子群算法进一步包括：

计算每个粒子在当前位置处的适应度值fitness_id＝f(x_id)。然后根据适应度值的大小，初始化局部最优解pbest_i＝fitness_i和整体最优解gbest＝min(fintess₁，fitness₂，…，fitness_N)，i＝1，2，…，N；

所述粒子群算法进一步包括：

在每次迭代过程中，每个粒子根据以下准则来更新自己的位置和速度：

v_id(t+1)＝wv_id(t)+c₁r₁(p_ld-x_id(t))+c₂r₂(p_gd-x_id(t))

x_id(t+1)＝x_id(t)+v_id(t+1)

其中v_id为粒子的速度，x_id为粒子的位置，w为惯性权重，c1和c2为加速度系数，r₁和r₂是随机数，P_ld为全局最优解而P_gd为局部最优解；

更新局部最优解pbest_i和整体最优解gbest；

如果整体最优解gbest达到设定的阈值或者已经达到最大迭代次数，算法终止；

特征加权KNN算法具体包括：

输入m个训练样本，并设定k值大小；

先随机选择训练集中的A[1]～A[k]样本作为待预测样本X的k个初始最邻近节点；

计算待预测样本X与每个初始k个最邻近节点的加权欧几里得距离wd(X，A[i])，i＝1，2，.....，k)，计算距离公式为：

其中n表示样本A[i]属性个数，即A[i]＝(A[i]1，A[i]2，A[i]3，…A[i]n)；

将求得到的距离wd(X，A[i])按升序排序，求得距离wd(X，A[i])的最远距离maxD＝max{d(X，A[i])|i＝1，2，.....，k}；

依次计算训练集中剩下记录与待测样本X的距离，并与所述步骤SB4中求得的最远距离maxD相比，若比最远距离maxD小，将最远距离maxD更新为该记录与待测样本X的距离值，再按升序对距离wd(X，A[i])排序；

计算出现在距离wd(X，A[i])序列中的每条记录的标签的出现次数，并按照出现次数的高低排序；

将排序得到的前L个土壤温湿度数据作为样本X的土壤温湿度数据。

在上述实施例中，可以全部或部分地通过软件、硬件、固件或者其任意组合来实现。当使用全部或部分地以计算机程序产品的形式实现，所述计算机程序产品包括一个或多个计算机指令。在计算机上加载或执行所述计算机程序指令时，全部或部分地产生按照本发明实施例所述的流程或功能。所述计算机可以是通用计算机、专用计算机、计算机网络、或者其他可编程装置。所述计算机指令可以存储在计算机可读存储介质中，或者从一个计算机可读存储介质向另一个计算机可读存储介质传输，例如，所述计算机指令可以从一个网站站点、计算机、服务器或数据中心通过有线(例如同轴电缆、光纤、数字用户线(DSL)或无线(例如红外、无线、微波等)方式向另一个网站站点、计算机、服务器或数据中心进行传输)。所述计算机可读取存储介质可以是计算机能够存取的任何可用介质或者是包含一个或多个可用介质集成的服务器、数据中心等数据存储设备。所述可用介质可以是磁性介质，(例如，软盘、硬盘、磁带)、光介质(例如，DVD)、或者半导体介质(例如固态硬盘SolidState Disk(SSD))等。

以上所述仅是对本发明的较佳实施例而已，并非对本发明作任何形式上的限制，凡是依据本发明的技术实质对以上实施例所做的任何简单修改，等同变化与修饰，均属于本发明技术方案的范围内。

Claims (10)

1.一种基于大数据的智能农业环境监控***及监控方法，其特征在于，所述基于大数据的智能农业环境监控方法包括：

通过大数据分析器对土壤温湿度传感器、大棚温湿度传感器、大棚气体检测器、光照强度感应器检测的数据与预存的土壤温湿度、大棚温湿度、大棚氧气气体浓度、光照强度设定值参数进行对比分析，将分析后的控制指令传输给卷帘器、排风扇、供水水泵、供暖装置、药物调剂箱进行相应的开启或者关闭；

土壤温湿度传感器在土壤温湿度数据检测中，

大数据分析器对土壤温湿度传感器检测的数据与预存的土壤温湿度设定值参数进行对比分析中，基于依存关系对，将多个连续检测的土壤温湿度的依存关系对集合进行匹配，选取使关系对相似度之和最大的对应关系，在对应关系的基础上，求出各关系对相似度之和的平均值，与设定的土壤温湿度设定值参数进行对比分析；依存关系对的结构相容度的获取方法包括：依存关系对<R₁，R₂>，分别对比R₁(C₁，A₁，D₁，CP₁，AP₁)和R₂(C₂，A₂，D₂，CP₂，AP₂)中的五个特征量，相容取1，不相容取0；然后，按权重顺序从高位到低位排列这五个0或1，得到一个二进制数(bbbbb)₂，该值的取值范围为0-31，其中0对应R₁和R₂完全不相等的情况，31对应R₁和R₂完全相等的情况；在该二进制数的基础上，定义R₁和R₂的结构相容度如下：

假设在两个五元组R₁(C₁，A₁，D₁，CP₁，AP₁)和R₂(C₂，A₂，D₂，CP₂，AP₂)中，C₁与C₂相容，A₁与A₂不相容，D₁与D₂相容，CP₁与CP₂相容，AP₁与AP₂不相容，则依照各特征权重顺序排列得出二进制数为(10110)₂，则R₁和R₂的结构相容度为：

依存关系对的相似度计算方法包括：依存关系对<R₁，R₂>中的元素存在土壤温湿度数据相容，通过计算<R₁，R₂>相对应的核心土壤温湿度数据和调节支配土壤温湿度数据的土壤温湿度数据相似度，度量依存关系对的土壤温湿度数据相似度，采用基于知网的计算方法计算土壤温湿度数据相似度，并赋予不同的权值α和β，得到R₁和R₂的土壤温湿度数据相似度如下：

S_s(R₁，R₂)＝αS_w(C₁，C₂)+βS_w(A₁，A₂)；

式中，S_w(C₁，C₂)表示<R₁，R₂>中对应核心土壤温湿度数据的相似度，S_w(A₁，A₂)表示对应支配土壤温湿度数据相似度，α＞β且α+β＝1；

基于和式S_s(R₁，R₂)＝αS_w(C₁，C₂)+βS_w(A₁，A₂)，得到依存关系对的相似度计算方法：R₁|R₂＝Sim(R₁，R₂)＝S_c(R₁，R₂)gS_s(R₁，R₂)；

大数据分析器对土壤温湿度传感器检测的数据与预存的土壤温湿度设定值参数进行对比分析中，利用粒子群算法进行对比分析，粒子群算法中，优化阶段采用粒子群算法优化特征加权KNN算法的特征权值，具体包括：采用随机方法初始化粒子群，每个粒子的位置和速度的维度为n，每个粒子的位置对应数据集中一条记录的特征权值向量w＝(w1，w2，…，wn)：其中有计算适应值，进而求出局部最优解和全局最优解：在计算适应值时，将粒子的位置即特征权值应用到特征加权KNN算法中，将原训练样本集中前70％当做新的训练样本，后30％当做新的预测样本集，对此预测样本集进行分类，算出分类的准确度，准确度越高越符合适应值；预测样本集每条记录的原始土壤温湿度数据标签为li＝(li1，li2，…，lin)，分类过后的预测土壤温湿度数据为lj＝(lj1，lj2，…，ljn)，li与lj与重合个数为sum，那么准确率Accruay＝sum/n；

分类阶段：将优化阶段得出的特征权值应用到特征加权KNN算法中给测试样本X进行分类，最终输出测试集中所有样本的土壤温湿度数据，完成分类。

2.如权利要求1所述基于大数据的智能农业环境监控方法，其特征在于，

依存关系对集合相似度计算方法包括：

存在依存关系对集合A＝(a₁，a₂…a_n)和依存关系对集合B＝(b₁，b₂…b_m)，不失一般性，A中依存关系对的数目小于等于B，即n≤m；对于每一个a_i∈A，1≤i≤n，找到若干个b_j∈B，1≤j≤m与之对应，不同的a_i对应不同b_j，则集合A与集合B 的对应关系总数如下：

集合A与B存在确定的对应关系在Ω_k中，对于给定的a_i都有一个b_j与之匹配，记作b_j＝Ω_k(a_i)；则定义Ω_k的相似度为：

两个依存关系对集合A与B的相似度取Ω_k中的最大值，即：

式中，

3.如权利要求1所述基于大数据的智能农业环境监控方法，其特征在于，

所述粒子群算法包括：

初始化微粒群，其中包括初始化整个粒子群的位置xi＝(x_i1，x_i2，…x_id)T和速度vi＝(v_i1，v_i2，…，v_id)^T及局部最优和整体最优，其中id表示第i代中第d个粒子。

4.如权利要求1所述基于大数据的智能农业环境监控方法，其特征在于，

所述粒子群算法进一步包括：

计算每个粒子在当前位置处的适应度值fitness_id＝f(x_id)。然后根据适应度值的大小，初始化局部最优解pbest_i＝fitness_i和整体最优解gbest＝min(fintess₁，fitness₂，…，fitness_N)，i＝1，2，…，N。

5.如权利要求1所述基于大数据的智能农业环境监控方法，其特征在于，

所述粒子群算法进一步包括：

在每次迭代过程中，每个粒子根据以下准则来更新自己的位置和速度：

v_id(t+1)＝wv_id(t)+c₁r₁(p_ld-x_id(t))+c₂r₂(p_gd-x_id(t))

x_id(t+1)＝x_id(t)+v_id(t+1)

其中v_id为粒子的速度，x_id为粒子的位置，w为惯性权重，c1和c2为加速度系数，r₁和r₂是随机数，P_ld为全局最优解而P_gd为局部最优解；

更新局部最优解pbest_i和整体最优解gbest；

如果整体最优解gbest达到设定的阈值或者已经达到最大迭代次数，算法终止；

特征加权KNN算法具体包括：

输入m个训练样本，并设定k值大小；

先随机选择训练集中的A[1]～A[k]样本作为待预测样本X的k个初始最邻近节点；

计算待预测样本X与每个初始k个最邻近节点的加权欧几里得距离wd(X，A[i])，i＝1，2，.....，k)，计算距离公式为：

其中n表示样本A[i]属性个数，即A[i]＝(A[i]1，A[i]2，A[i]3，…A[i]n)；

将求得到的距离wd(X，A[i])按升序排序，求得距离wd(X，A[i])的最远距离maxD＝max{d(X，A[i])|i＝1，2，.....，k}；

依次计算训练集中剩下记录与待测样本X的距离，并与所述步骤SB4中求得的最远距离maxD相比，若比最远距离maxD小，将最远距离maxD更新为该记录与待测样本X的距离值，再按升序对距离wd(X，A[i])排序；

计算出现在距离wd(X，A[i])序列中的每条记录的标签的出现次数，并按照出现次数的高低排序；

将排序得到的前L个土壤温湿度数据作为样本X的土壤温湿度数据。

6.一种实现权利要求1～5任意一项所述基于大数据的智能农业环境监控方法的计算机程序。

7.一种实现权利要求1～5任意一项所述基于大数据的智能农业环境监控方法的信息数据处理终端。

8.一种计算机可读存储介质，包括指令，当其在计算机上运行时，使得计算机执行如权利要求1-5任意一项所述的基于大数据的智能农业环境监控方法。

9.一种实现权利要求1所述基于大数据的智能农业环境监控方法的基于大数据的智能农业环境监控***，其特征在于，所述基于大数据的智能农业环境监控***设置有：大棚；

大棚的上表面铺设有防晒帘，防晒帘通过卷轴与安装在大棚左侧上表面的卷帘器连接；

所述大棚的左侧通过螺栓固定有排风扇；

所述大棚的外侧四周立有支撑柱，支撑柱上通过螺栓安装有太阳能电池板；

所述大棚的右侧分别搁置有控制柜、集水箱和药物调剂箱；

所述控制柜电连接至太阳能电池板；

所述集水箱通过供水水泵与大棚的支撑架上套接的通水管相连接；

所述大棚的支撑架上沿着支撑架铺设有喷药管，喷药管上紧固有多个旋转喷头；

所述大棚的支撑架上通过螺栓分别固定有土壤温湿度传感器、大棚温湿度传感器、以及大棚气体检测器；

所述大棚的内壁通过螺栓固定有光照强度感应器。

10.如权利要求9所述的基于大数据的智能农业环境监控***，其特征在于，所述通水管的顶部设置有通过螺栓固定在支撑架上的供暖装置；

所述通水管的下方设有过个雾化喷头；

所述控制柜内设置有大数据分析器，通过信号线分别与土壤温湿度传感器、大棚温湿度传感器、大棚气体检测器、光照强度感应器、卷帘器、排风扇、供水水泵、供暖装置、药物调剂箱相连接；

所述控制柜通过无线通信装置连接有打印设备，打印设备的底部悬挂有收集箱；

所述药物调剂箱的内部通过隔板分为若干分区；所述药物调剂箱的侧壁上嵌装有多根药管，连通至药物调剂箱的底部；所述药管的底端卡接有封堵塞片，电连接至药物调剂箱底部的定时器；所述药物调剂箱的内部通过螺栓安装有搅拌器；

所述药管的正表面刻有刻度线，且粘贴有标识签。