CN110083190A - 一种基于减法聚类分类器的青椒温室环境智能监测*** - Google Patents

一种基于减法聚类分类器的青椒温室环境智能监测*** Download PDF

Info

Publication number
CN110083190A
CN110083190A CN201910320161.1A CN201910320161A CN110083190A CN 110083190 A CN110083190 A CN 110083190A CN 201910320161 A CN201910320161 A CN 201910320161A CN 110083190 A CN110083190 A CN 110083190A
Authority
CN
China
Prior art keywords
green pepper
greenhouse
neural network
yield
temperature
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.)
Granted
Application number
CN201910320161.1A
Other languages
English (en)
Other versions
CN110083190B (zh
Inventor
马从国
姜仲秋
汪超
梁欢
丁晓红
马海波
周恒瑞
王建国
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
WEIHAI GEMHO DIGITAL MINE TECHNOLOGY CO.,LTD.
Original Assignee
Huaiyin Institute of Technology
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Huaiyin Institute of Technology filed Critical Huaiyin Institute of Technology
Priority to CN201910320161.1A priority Critical patent/CN110083190B/zh
Publication of CN110083190A publication Critical patent/CN110083190A/zh
Application granted granted Critical
Publication of CN110083190B publication Critical patent/CN110083190B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Classifications

    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01D—MEASURING NOT SPECIALLY ADAPTED FOR A SPECIFIC VARIABLE; ARRANGEMENTS FOR MEASURING TWO OR MORE VARIABLES NOT COVERED IN A SINGLE OTHER SUBCLASS; TARIFF METERING APPARATUS; MEASURING OR TESTING NOT OTHERWISE PROVIDED FOR
    • G01D21/00—Measuring or testing not otherwise provided for
    • G01D21/02—Measuring two or more variables by means not covered by a single other subclass
    • 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
    • G05B13/0265—Adaptive control systems, i.e. systems automatically adjusting themselves to have a performance which is optimum according to some preassigned criterion electric the criterion being a learning criterion
    • G05B13/0285—Adaptive control systems, i.e. systems automatically adjusting themselves to have a performance which is optimum according to some preassigned criterion electric the criterion being a learning criterion using neural networks and fuzzy logic
    • 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
    • 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
    • G05B13/048—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 using a predictor
    • 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
    • G05B19/00—Programme-control systems
    • G05B19/02—Programme-control systems electric
    • G05B19/04—Programme control other than numerical control, i.e. in sequence controllers or logic controllers
    • G05B19/042—Programme control other than numerical control, i.e. in sequence controllers or logic controllers using digital processors
    • G—PHYSICS
    • G05—CONTROLLING; REGULATING
    • G05D—SYSTEMS FOR CONTROLLING OR REGULATING NON-ELECTRIC VARIABLES
    • G05D27/00—Simultaneous control of variables covered by two or more of main groups G05D1/00 - G05D25/00
    • G05D27/02—Simultaneous control of variables covered by two or more of main groups G05D1/00 - G05D25/00 characterised by the use of electric means
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
    • G06F18/214—Generating training patterns; Bootstrap methods, e.g. bagging or boosting
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/04—Architecture, e.g. interconnection topology
    • G06N3/045—Combinations of networks
    • 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
    • G05B2219/00—Program-control systems
    • G05B2219/20—Pc systems
    • G05B2219/25—Pc structure of the system
    • G05B2219/25252—Microprocessor
    • 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
    • G05B2219/00—Program-control systems
    • G05B2219/20—Pc systems
    • G05B2219/26—Pc applications
    • G05B2219/2614—HVAC, heating, ventillation, climate control

Landscapes

  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Artificial Intelligence (AREA)
  • Evolutionary Computation (AREA)
  • Automation & Control Theory (AREA)
  • Software Systems (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Theoretical Computer Science (AREA)
  • Health & Medical Sciences (AREA)
  • Medical Informatics (AREA)
  • Data Mining & Analysis (AREA)
  • Mathematical Physics (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • General Engineering & Computer Science (AREA)
  • Computing Systems (AREA)
  • Molecular Biology (AREA)
  • General Health & Medical Sciences (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Computational Linguistics (AREA)
  • Evolutionary Biology (AREA)
  • Biophysics (AREA)
  • Biomedical Technology (AREA)
  • Fuzzy Systems (AREA)
  • Greenhouses (AREA)
  • Management, Administration, Business Operations System, And Electronic Commerce (AREA)

Abstract

本发明公开了一种基于减法聚类分类器的青椒温室环境智能监测***，其特征在于：所述智能监测***由基于无线传感器网络的青椒温室环境参数检测平台和青椒温室产量智能预警***两部分组成；本发明提供了一种基于减法聚类分类器的青椒温室环境智能监测***，本发明有效解决了现有技术仅依靠设备监测青椒温室环境参数，只能获取青椒温室环境参数，而无法根据青椒温室环境温度和光照对青椒温室产量进行预警问题。

Description

一种基于减法聚类分类器的青椒温室环境智能监测***
技术领域
本发明涉及农业温室自动化装备的技术领域，具体涉及一种基于减法聚类分类器的青椒温室环境智能监测***。
背景技术
青椒果肉厚而脆嫩，营养丰富，我国南方、北方都可以栽培，在蔬菜生产中占有很重要的地位，其产量在茄科蔬菜中仅次于番茄，是群众一年四季所喜欢的蔬菜之一。青椒生产季节性强，使得市场供应的淡旺季矛盾较为突出，生产旺季腐烂损耗严重，淡季供应数量不足，难以满足人们的需要。青椒又叫甜椒、菜椒，是茄科青椒属一年生草本植物，原产于中南美洲热带地区。温室秋冬茬青椒栽培，可以满足元旦及春节前的淡季蔬菜市场供应，一般亩产量120-1800kg，亩产值可达1.2万元。日光温室青椒中自然变色的红椒，果肉厚、质地嫩、口感好、易配色，品质独特，零售价比同类青椒高30％以上。国内专家纷纷研究青椒生长与光照度的关系，常彩涛等研究弱光下青椒外部形态及生理指标变化，陈银华等研究光照强度对辣椒光合特性与生长发育的影响，杨玉萍研究日光温室不同遮阳处理对青椒颜色和产量的影响，在试验利用日光温室智能化***，测定了不同遮阳处理的光照强度和光照时间，并与青椒的变色时间、数量、产量和售价进行了相关分析，研究结果表明青椒变色与光照强度、光照时间密切相关，在果实发育进入转色期，以黑色遮阳网25％外遮阳处理综合性状最好，经济效益比对照高27.13％，变红率达68.09％。青椒温室智能化控制是一种高新农业技术，具有节能、省工和环境友好等优点，可在不额外添加化学投入品的情况下，提高温室青椒变红的产量，显著提高经济收益。通过设置不同的光照处理，通过调节温室青椒变红最适光照强度和光照时间，以期通过日光温室智能化控制遮阳、补光***，温室青椒变红的时间、数量、产量、售价显著不同，提高温室青椒变红的产量，满足市场需求。青椒温室遮阳处理能显著提高日光温室青椒的变色率，但产量均有不同程度的降低，对单果重也有一定的影响，遮阳愈严实的结果数量、产量愈低，但单果重有所增加。青椒产量的预测是农业生产与蔬菜管控的重要组成部分，对农业主管部门制定调控政策、提供辅助决策具有重要意义。对地域性人均蔬菜占有量及青椒单产量的有效预测可为政府制定和实施农业经济政策、农业经济资源的优化配置、农业结构的合理调整等提供科学的参考依据，有利于农业经济的健康发展。
发明内容
本发明提供了一种基于减法聚类分类器的青椒温室环境智能监测***，，本发明有效解决了现有技术仅依靠设备监测青椒温室环境参数，只能获取青椒温室环境参数，而无法根据青椒温室环境温度和光照对青椒温室产量进行预警问题。
本发明通过以下技术方案实现：
一种青椒温室环境智能监测***，由基于无线传感器网络的青椒温室环境参数检测平台和青椒温室产量智能预警***两部分组成，基于无线传感器网络的青椒温室环境参数检测平台实现对青椒温室环境因子参数进行检测、调节和监控；青椒温室产量智能预警***包括温室青椒产量预测子***、青椒温室温度预测子***、青椒温室光照预测子***、温室青椒产量环境参数校正模型和最小二乘支持向量机(LS-SVM)温室青椒产量等级分类器，根据青椒温室的历史产量和青椒温室的温度和光照对青椒温室产量的影响实现对青椒温室的产量进行预警。
本发明进一步技术改进方案是：
基于无线传感器网络的青椒温室环境参数检测平台由检测节点、控制节点和现场监控端组成，它们以自组织方式通过无线通信模块NRF2401构建成青椒温室环境参数智能检测平台。检测节点分别由传感器组模块、单片机和无线通信模块NRF2401组成，传感器组模块负责检测青椒温室环境的温度、湿度、风速和光照度等青椒温室小气候环境参数，由单片机控制采样间隔并通过无线通信模块NRF2401发送给现场监控端；控制节点实现对青椒温室环境参数的调节设备进行控制；现场监控端由一台工业控制计算机组成，实现对检测节点检测青椒温室环境参数进行管理和对青椒温室产量进行智能化预警，基于无线传感器网络的青椒温室环境参数检测平台见图1所示。
本发明进一步技术改进方案是：
青椒温室产量智能预警***包括温室青椒产量预测子***、青椒温室温度预测子***、青椒温室光照预测子***、温室青椒产量环境参数校正模型和最小二乘支持向量机(LS-SVM)温室青椒产量等级分类器；青椒温室产量智能预警***结构见图2所示。
本发明进一步技术改进方案是：
温室青椒产量预测子***包括温室青椒产量经验模态(EMD)分解模型、多个最小二乘支持向量机(LS-SVM)产量预测模型和多个最小二乘支持向量机(LS-SVM)产量预测模型值等权重相加和得到青椒产量预测值；温室青椒产量历史数据作为温室青椒产量经验模态(EMD)分解模型的输入，温室青椒产量经验模态(EMD)分解模型把温室青椒产量历史数据分解为低频趋势部分和多个高频波动部分，温室青椒产量历史数据的低频趋势部分和多个高频波动部分分别作为多个最小二乘支持向量机(LS-SVM)产量预测模型的输入，多个最小二乘支持向量机(LS-SVM)产量预测模型分别对温室青椒产量历史数据的低频趋势部分和多个高频波动部分各分量进行预测，多个最小二乘支持向量机(LS-SVM)产量预测模型值等权重相加得到温室青椒产量预测值。
本发明进一步技术改进方案是：
青椒温室温度预测子***包括青椒温室温度减法聚类分类器、多个HRFNN递归神经网络温度预测模型、ANFIS神经网络温度预测融合模型；青椒温室多个检测点温度值作为青椒温室温度减法聚类分类器的输入，青椒温室温度减法聚类分类器把青椒温室多个检测点温度值分为多种类型，每种类型的青椒温室温度值分别作为多个HRFNN递归神经网络温度预测模型的输入，多个HRFNN递归神经网络温度预测模型分别对多种类型青椒温室温度值进行预测，多个HRFNN递归神经网络温度预测模型的预测值作为ANFIS神经网络温度预测融合模型的输入，ANFIS神经网络温度预测融合模型实现对多个HRFNN递归神经网络温度预测模型的预测值进行融合得到青椒温室温度预测值。
本发明进一步技术改进方案是：
青椒温室光照预测子***包括青椒温室光照度减法聚类分类器、多个ANFIS神经网络光照度预测模型和HRFNN递归神经网络光照度预测融合模型；青椒温室多个检测点光照度值作为青椒温室光照度减法聚类分类器的输入，青椒温室光照度减法聚类分类器把青椒温室多个检测点光照度值分为多种类型，每种类型的青椒温室光照度值分别作为多个ANFIS神经网络光照度预测模型的输入，多个ANFIS神经网络光照度预测模型分别对多种类型青椒温室光照度值进行预测，多个ANFIS神经网络光照度预测模型的预测值作为HRFNN递归神经网络光照度预测融合模型的输入，HRFNN递归神经网络光照度预测融合模型实现对多个ANFIS神经网络光照度预测模型的预测值进行融合得到青椒温室光照预测值。
本发明进一步技术改进方案是：
温室青椒产量环境参数校正模型由4个微分算子S和GRNN神经网络组成，4个微分算子S平均分成2组，每组2个微分算子S相串联分别构成微分回路1和微分回路2；温室青椒产量预测子***的输出作为GRNN神经网络A端的输入，青椒温室温度预测子***的输出作为微分回路1的输入和GRNN神经网络B端的输入，微分回路1的2个微分算子S的连接端的输出为GRNN神经网络D端的输入，微分回路1的输出为GRNN神经网络C端的输入；青椒温室光照预测子***的输出作为微分回路2的输入和GRNN神经网络E端的输入，微分回路2的2个微分算子S的连接端的输出为GRNN神经网络I端的输入，微分回路2的输出为GRNN神经网络F端的输入；GRNN神经网络由7个输入端节点分别为A、B、C、D、E、F和I，13个中间节点和1个输出端节点组成，温室青椒产量环境参数校正模型实现对温室温度和光照度对青椒产量影响程度的校正，反映了温室温度和光照度的实际值变化对温室青椒产量的影响大小，提高温室青椒产量预测的精确度。
本发明进一步技术改进方案是：
最小二乘支持支持向量机(LS-SVM)温室青椒产量等级分类器根据温室青椒产量环境参数校正模型输出温室青椒产量预测值的大小、青椒种类和青椒温室面积作为最小二乘支持向量机(LS-SVM)温室青椒产量等级分类器的输入，最小二乘支持支持向量机(LS-SVM)温室青椒产量等级分类器的输出把温室青椒产量分为温室青椒高产、温室青椒比较高产、温室青椒中产、温室青椒低产和温室青椒很低产五个温室青椒产量等级。
本发明与现有技术相比，具有以下明显优点：
一、本发明通过经验模态分解模型(EMD)将原始温室青椒产量历史数据序列分解为不同频段的分量，每一个分量都显示出隐含在原序列中的不同特征信息。以降低序列的非平稳性。高频部分数据关联性不强，频率比较高，代表原始序列的波动成分，具有一定的周期性和随机性，这与温室青椒产量的周期性变化相符合；低频成分代表原序列的变化趋势。可见EMD能够逐级分解出温室青椒产量的波动成分、周期成分和趋势成分，分解出的每一个分量自身包含相同的变形信息，在一定程度上减少了不同特征信息之间的相互干涉，且分解出的各分量变化曲线比原始温室青椒产量变形序列曲线光滑。可见EMD能有效分析多因素共同作用下的温室青椒产量变形数据，分解得到的各分量有利于多个最小二乘支持向量机(LS-SVM)产量预测模型更好地预测。使用对各分量分别建立ANFIS网络预测模型，为避免极限学习机输入维数选取的随意性和分量信息丢失等问题，先对各分量重构相空间，最后将各分量预测结果等权重叠加得到最终融合预测结果。实例研究表明，所提的融合预测结果具有较高的预测精度。
二、本发明根据青椒温室温度和光照度差异的特点,构建青椒温室温度和光照减法聚类分类器对青椒温室多个检测点温度和光照度样本参数进行分类，设计关于温度的多个HRFNN递归神经网络温度预测模型、ANFIS神经网络温度预测融合模型，设计关于光照的多个ANFIS神经网络光照度预测模型和HRFNN递归神经网络光照度预测融合模型；它们把青椒温室多个检测点的温度和光照度样本参数进行分别再预测，把成因相近的,相对均质的数据从海量级的数据中抽取出来,以分别建立针对性更强、更能反应任意时间阶段青椒温室温度和光照度的预测模型，提高预测温度和光照度精度。
三、本发明采用HRFNN递归神经网络温度预测模型和HRFNN递归神经网络光照度预测融合模型，HRFNN递归神经网络结构通过在模糊规则层引入内部变量，使静态网络具有动态特性；网络在K时刻每条规则的激活度不仅包括由当前输入计算得出的激活度值，而且包括前一时刻所有规则激活度值的贡献，因此提高了网络辨识的准确性，可以较好地完成青椒温室温度和光照的动态辨识。HRFNN递归神经网络来建立青椒温室环境温度的预测模型和光照度融合模型，它是一种典型的动态递归神经网络,其反馈连接由一组“结构”单元组成,用于记忆隐层过去的状态,并且在下一时刻连同网络输入一起作为隐层单元的输入,这一性质使得部分递归网络具有动态记忆功能,从而适合用来建立时间序列青椒温室环境温度的预测模型和光照度融合模型，仿真实验表明该模型动态性能好，预测精度高，预测性能稳定。
四、本发明温室青椒产量环境参数校正模型由4个微分算子S和GRNN神经网络组成，4个微分算子S平均分成2组，每组2个微分算子S相串联分别构成微分回路1和微分回路2；通过2个微分算子S相串联分别构成微分回路1把影响青椒温室产量的温度、温度一次变化率和温度二次变化率以及通过2个微分算子S相串联分别构成微分回路2把影响青椒温室产量的光照度、光照度变化一次变化率和光照度二次变化率引入GRNN神经网络训练中，形成新的输入向量，具有良好的非线性映射能力，GRNN神经网络模型的泛化能力得到提高，使其在非线性温室青椒产量环境参数校正模型中较传统的静态神经网络具有更好的校正精度和自适应能力。
五、本发明温室青椒产量环境参数校正模型中采用GRNN网络较具有很强的非线性映射能力和柔性网络结构以及高度的容错性和鲁棒性，适用于温室青椒产量环境参数校正。GRNN在逼近能力和学习速度上较RBF网络有更强的优势，网络最后收敛于样本量积聚较多的优化回归面并且在样本数据较少时，网络还可以处理不稳定数据，预测效果也较好。GRNN网络模型泛化能力强，预测精度高，算法稳定，GRNN网络模型还具有收敛速度快、调整参数少和不易陷入局部极小值等优点，预测网络运算速度快，对温室青椒产量环境参数校正具有良好的应用前景。
六、本发明最小二乘支持支持向量机(LS-SVM)温室青椒产量等级分类器根据温室青椒产量环境参数校正模型输出温室青椒产量预测值的大小、青椒种类和青椒温室面积作为最小二乘支持向量机(LS-SVM)温室青椒产量等级分类器的输入，最小二乘支持支持向量机(LS-SVM)温室青椒产量等级分类器的输出把温室青椒产量分为温室青椒高产、温室青椒比较高产、温室青椒中产、温室青椒低产和温室青椒很低产五个温室青椒产量等级，提高温室青椒产量预警的科学性与可靠性。
附图说明
图1为本发明基于无线传感器网络的青椒温室环境参数检测平台；
图2为本发明青椒温室产量智能预警***；
图3为本发明检测节点功能图；
图4为本发明控制节点功能图；
图5为本发明现场监控端软件功能图；
图6为本发明青椒温室环境参数智能检测平台平面布置图。
具体实施方式
结合附图1-6，对本发明技术方案作进一步描述：
1、***总体功能的设计
本发明温室环境智能监测***，实现对青椒温室环境因子参数进行检测和根据环境因子对青椒温室产量的影响对青椒温室产量进行预警，该***由基于无线传感器网络的青椒温室环境参数检测平台和青椒温室产量智能预警***组成。基于无线传感器网络的青椒温室环境参数检测平台包括青椒温室环境参数的检测节点1和调节青椒温室环境参数的控制节点2，它们分别采用NRF2401结合MSP430系列微处理器实现检测节点1、控制节点2和现场监控端3之间的无线通信；检测节点1和控制节点2安装在被监测青椒温室环境区域内以自组织的形式构成网络，最终和现场监控端3进行信息交互。检测节点1将检测的青椒温室环境参数发送给现场监控端3并对传感器数据进行初步处理；现场监控端3把控制信息传输到检测节点1和控制节点2。整个***结构见图1所示。
2、检测节点的设计
采用大量基于无线传感器网络的检测节点1作为青椒温室环境参数感知终端，检测节点1和控制节点2通过自组织无线网络实现现场监控端3之间的信息相互交互。检测节点1包括采集青椒温室环境温度、湿度、风速和光照度参数的传感器和对应的信号调理电路、MSP430微处理器和NRF2401无线传输模块；检测节点的软件主要实现无线通信和青椒温室环境参数的采集与预处理。软件采用C语言程序设计，兼容程度高，大大提高了软件设计开发的工作效率，增强了程序代码的可靠性、可读性和可移植性。检测节点结构见图3。
3、控制节点的设计
控制节点2在输出通路设计了4路D/A转换电路实现对温度、湿度、风速和光照度的调节输出量、继电器控制电路、MSP430微处理器和无线通信模块接口，实现对青椒温室环境控制设备进行控制，控制节点见图4。
4、现场监控端的软件设计
现场监控端3是一台工业控制计算机，现场监控端3主要实现对青椒温室环境参数进行采集与对青椒温室产量进行预警，实现与检测节点1与控制节点2的信息交互，现场监控端3主要功能为通信参数设置、数据分析与数据管理和青椒温室产量智能预警***，青椒温室产量智能预警***包括温室青椒产量预测子***、青椒温室温度预测子***、青椒温室光照预测子***、温室青椒产量环境参数校正模型和最小二乘支持向量机(LS-SVM)温室青椒产量等级分类器；该管理软件选择了Microsoft Visual++6.0作为开发工具，调用***的Mscomm通信控件来设计通讯程序，现场监控端软件功能见图5。
(1)、温室青椒产量预测子***设计
温室青椒产量预测子***包括温室青椒产量经验模态(EMD)分解模型、多个最小二乘支持向量机(LS-SVM)产量预测模型和多个最小二乘支持向量机(LS-SVM)产量预测模型值等权重相加和得到青椒产量预测值；
A、温室青椒产量经验模态(EMD)分解模型
温室青椒产量经验模态分解(EMD)是一种自适应信号筛选方法，具有计算简单、直观、基于经验和自适应的特点。它能将存在于温室青椒历史数据产量信息中不同特征的趋势逐级筛选出来，得到多个高频波动部分(IMF)和低频趋势部分。温室青椒产量经验模态分解分解出来的IMF分量包含了信息从高到低不同频率段的成分，每个频率段包含的频率分辨率都随信息本身变化，具有自适应多分辨分析特性。使用温室青椒产量经验模态分解的目的就是为了更准确地提取温室青椒产量历史数据信息。温室青椒产量经验模态分解方法针对温室青椒产量历史数据的“筛分”过程步骤如下：
①、确定温室青椒产量历史数据信息所有的局部极值点，然后用三次样条线将左右的局部极大值点连接起来形成上包络线。
②、在用三次样条线温室青椒产量历史数据信息的局部极小值点连接起来形成下包络线，上、下包络线应该包络所有的数据点。
③、上、下包络线的平均值记为m1(t)，求出：
x(t)-m1(t)＝h1(t) (1)
x(t)为温室青椒产量历史数据信息原始信号，如果h1(t)是一个IMF，那么h1(t)就是x(t)的第一个IMF分量。记c1(t)＝h1k(t)，则c1(t)为信号x(t)的第一个满足IMF条件的分量。
④、将c1(t)从x(t)中分离出来，得到：
r1(t)＝x(t)-c1(t) (2)
将r1(t)作为原始数据重复步骤(1)-步骤(3)，得到x(t)的第2个满足IMF条件的分量c2。重复循环n次，得到信号x(t)的n个满足IMF条件的分量。这样温室青椒产量经验模态分解模型就把温室青椒产量历史数据信息分解成低频趋势部分和多个高频波动部分。
B、多个最小二乘支持向量机(LS-SVM)产量预测模型
多个最小二乘支持向量机(LS-SVM)产量预测模型具有较强的泛化能力和全局能力，克服了其他机器学***方和误差损失函数代替标准支持向量机的不敏感损失函数，同时实现了将标准SVM算法中的不等式约束转化为等约束。因此，最小二乘支持向量机(LS-SVM)模型将二次规划问题化简为求解线性方程组，明显降低了求解的复杂性，提高了计算速度。设温室青椒产量历史数据训练样本集D＝{(xi,yi)|i＝1,2,…,n}，xi和yi，分别为输入和输出样本数据，n为样本数，它可以将输入样本从原空间映射到高维特征空间。引入拉格朗日方程，将带约束条件的优化问题转化为无约束条件的优化问题，可得到最小二乘支持向量机(LS-SVM)产量预测模型的线性回归方程如下：
在求解过程中，为了避免求解复杂的非线性映射函数，引入了径向基核函数(radial basis function，RBF)替代高维空间中的点积运算，可以大大减少计算量，而且RBF核函数容易实现SVM的优化过程，因为它的每个基函数的中心与支持向量一一对应，且这些支持向量和权值都可以通过算法得到。因此，最小二乘支持向量机(LS-SVM)模型为：
最小二乘支持向量机(LS-SVM)产量预测模型的输出是温室青椒产量历史数据在低频和高频状态下的预测值，每个中间节点对应一个支持向量，x1,x2,…xn为温室青椒产量历史数据经过模式分解后的低频和高频信息，αi为网络权重。
(2)、青椒温室温度预测子***设计
青椒温室温度预测子***包括青椒温室温度减法聚类分类器、多个HRFNN递归神经网络温度预测模型、ANFIS神经网络温度预测融合模型。
A、青椒温室温度减法聚类分类器
青椒温室温度减法聚类与其他聚类方法相比，不需要预先确定聚类数，仅根据青椒温室温度样本数据密度即可快速确定青椒温室温度聚类中心的位置和聚类数，而它把每一个青椒温室温度数据点作为一个潜在的聚类中心的特性，使得青椒温室温度聚类的结果与问题的维数无关。因此，青椒温室温度减法聚类算法是一种适合基于青椒温室温度数据建模的规则自动提取方法。设定m维空间中的N个青椒温室温度数据点(X1,X2,…XN)，每个数据点Xi＝(xi,1,xi,1,…,xi,m)都是聚类中心的候选者，i＝1,2,…,N，数据点Xi的密度函数定义为：
式中，半径ra是一个正数，ra定义了该点的一个影响邻域，半径以外的数据点对该点的密度指标贡献非常小，一般忽略不计。计算每一点Xi的密度值，选择具有最高密度指标Dc1的数据点作为第一个聚类中心Xc1；然后修正密度值，消除前面已有聚类中心的影响。按下式修正密度值:
其中，Dc1是初始聚类中心对应的最高密度值，修正半径rb的设定是为了避免第二个聚类中心点离前一个中心点太近，一般设定为rb＝ηra,1.25≤η≤1.5。修正每个数据点的密度指标后，当Dck与Dc1满足下式时，该密度指标对应的聚类中心即为第K个聚类中心。不断重复这个过程，直到新的聚类中心Xck的相应的密度指标Dck与Dc1满足下式时终止聚类:
Dck/Dc1＜δ (7)
式中，δ是根据实际情况提前设定的阈值。
本发明提出的在线聚类方法基本思想如下:如果一个青椒温室温度点到一个组的中心的距离小于聚类半径ra，那么该点属于此组，当获得新的数据时，组和组的中心做相应的变化。随着输入青椒温室温度空间数据的不断增加，本发明算法通过实时动态的调整青椒温室温度聚类中心与聚类个数获得更好的输入空间划分，步骤如下：
步骤1：青椒温室温度数据归一化处理，输入数据各维聚类半径ra及阈值δ等参数设定。
步骤2：由青椒温室温度数据集进行减法聚类得到c个聚类中心并存储vi(i＝1,2,…,c)及其对应的密度值D(vi)。
步骤3：当新增的在线青椒温室温度数据集中的第k个数据到来时，计算xk(k＝1,2,…,M)到i个聚类中心vi的距离dki＝||xk-vi||，若dki＞ra，转到步骤4；若dki≤ra，转到步骤5。
步骤4：由式(6)计算xk的密度值D(xk)，并且D(xk)＞ε，则说明青椒温室温度数据xk不属于任何一个已有的聚类，则新创建一个聚类，输入空间的聚类个数c＝c+1，返回步骤3。
步骤5：根据最小距离准则确定数据点xk属于最近的聚类子集，进一步比较新数据xk的密度值与聚类中心的密度值，如果D(xk)＞D(vi)，则数据xk更靠近其最近的聚类中心，xk取代原聚类中心作为该子集的新聚类中心；如果D(xk)≤D(vi)，则保持聚类结果不改变，判断新增数据组是否结束。如果结束，则转到步骤6；否则，返回步骤3。
步骤6：计算聚类中心vi与vj之间的距离，如果min||vi-vj||≤(0.5-0.7)ra，且D(vi)＞D(vj)，则说明聚类子集vi与vj可以合并为一个聚类，该聚类中心为vi；否则保持聚类结果不变。
青椒温室温度减法聚类实现对青椒温室温度历史数据进行分类，每一类青椒温室温度输入各自对应的HRFNN递归神经网络预测模型来预测温室温度未来值。
B、多个HRFNN递归神经网络温度预测模型
多个HRFNN递归神经网络温度预测模型的输入是多类青椒温室温度的历史数据，多个HRFNN递归神经网络温度预测模型的输入的输出为各类青椒温室温度的预测值。HRFNN递归神经网络预测模型是多输入单输出的网络拓扑结构，网络由4层组成：输入层、成员函数层、规则层和输出层。网络包含n个输入节点，其中每个输入节点对应m个条件节点，m代表规则数，nm个规则节点，1个输出节点。第Ⅰ层将输入引入网络；第Ⅱ层将输入模糊化，采用的隶属函数为高斯函数；第Ⅲ层对应模糊推理；第Ⅳ层对应去模糊化操作。用分别代表第k层的第i个节点的输入和输出，则网络内部的信号传递过程和各层之间的输入输出关系可以描述如下。第Ⅰ层：输入层，该层的各输入节点直接与输入变量相连接，网络的输入和输出表示为：
式中和为网络输入层第i个节点的输入和输出，N表示迭代的次数。第Ⅱ层：成员函数层，该层的节点将输入变量进行模糊化，每一个节点代表一个隶属函数，采用高斯基函数作为隶属函数，网络的输入和输出表示为：
式中mij和σij分别表示第Ⅱ层第i个语言变量的第j项高斯基函数的均值中心和宽度值，m为对应输入节点的全部语言变量数。第Ⅲ层：模糊推理层，即规则层，加入动态反馈，使网络具有更好的学习效率，反馈环节引入内部变量hk，选用sigmoid函数作为反馈环节内部变量的激活函数。网络的输入和输出表示为：
式中ωjk是递归部分的连接权值，该层的神经元代表了模糊逻辑规则的前件部分，该层节点对第二层的输出量和第三层的反馈量进行Π操作，是第三层的输出量，m表示完全连接时的规则数。反馈环节主要是计算内部变量的值和内部变量相应隶属函数的激活强度。该激活强度与第3层的规则节点匹配度相关。反馈环节引入的内部变量，包含两种类型的节点：承接节点，反馈节点。承接节点，使用加权求和来计算内部变量，实现去模糊化的功能；内部变量表示的隐藏规则的模糊推理的结果。反馈节点，采用sigmoid函数作为模糊隶属度函数，实现内部变量的模糊化。第Ⅳ层：去模糊化层，即输出层。该层节点对输入量进行求和操作。网络的输入和输出表示为：
公式中λj是输出层的连接权值。HRFNN递归神经网络预测模型具有逼近高度非线性动态***的性能，加入内部变量的递归神经网络的训练误差和测试误差分别为明显减少，本专利的HRFNN递归神经网络温度预测模型采用加入交叉验证的梯度下降算法对神经网络的权值进行训练。HRFNN递归神经网络温度预测模型通过在反馈环节引入内部变量，将规则层的输出量加权求和后再反模糊化输出作为反馈量，并将反馈量与隶属度函数层的输出量一起作为规则层的下一时刻的输入。网络输出包含规则层激活强度和输出的历史信息，增强了HRFNN递归神经网络温度预测模型适应非线性动态***的能力，HRFNN递归神经网络温度预测模型可以准确地预测的青椒温室温度参数。
C、ANFIS神经网络温度预测融合模型
ANFIS神经网络温度预测融合模型是基于神经网络的自适应模糊推理***ANFIS，也称为自适应神经模糊推理***(Adaptive Neuro-Fuzzy Inference System)，将神经网络和自适应模糊推理***有机地结合起来，既能发挥二者的优点，又可弥补各自的不足。ANFIS神经网络温度预测融合模型中的模糊隶属度函数及模糊规则是通过对大量青椒温室温度的已知历史数据的学习得到的，ANFIS神经网络温度预测融合模型最大的特点就是基于数据的建模方法，而不是基于经验或是直觉任意给定的。ANFIS神经网络温度预测融合模型的输入为多类型青椒温室温度的预测值，ANFIS神经网络温度预测融合模型的主要运算步骤如下:
第1层:将输入的多类青椒温室温度的预测值模糊化，每个节点对应输出可表示为:
式n为每个输入隶属函数个数，隶属函数采用高斯隶属函数。
第2层:实现规则运算，输出规则的适用度，ANFIS神经网络温度预测融合模型的规则运算采用乘法。
第3层:将各条规则的适用度归一化:
第4层:每个节点的传递函数为线性函数，表示局部的线性模型，每个自适应节点i输出为:
第5层:该层的单节点是一个固定节点，计算ANFIS神经网络模型的输出为:
ANFIS神经网络温度预测融合模型中决定隶属函数形状的条件参数和推理规则的结论参数可以通过学习过程进行训练。参数采用线性最小二乘估计算法与梯度下降结合的算法调整参数。ANFIS神经网络温度预测融合模型每一次迭代中首先输入信号沿网络正向传递直到第4层，采用最小二乘估计算法调节结论参数；信号继续沿网络正向传递直到输出层(即第5层)。ANFIS神经网络温度预测融合模型将获得的误差信号沿网络反向传播，用梯度法更新条件参数。以此方式对ANFIS神经网络温度预测融合模型中给定的条件参数进行调整，可以得到结论参数的全局最优点，这样不仅可以降低梯度法中搜索空间的维数，还可以提高ANFIS神经网络温度预测融合模型参数的收敛速度。ANFIS神经网络温度预测融合模型为多类青椒温室温度预测值，ANFIS神经网络温度预测融合模型的输出作为多类青椒温室温度预测值的融合值。
(3)、青椒温室光照预测子***设计
青椒温室光照预测子***包括青椒温室光照度减法聚类分类器、多个ANFIS神经网络光照度预测模型和HRFNN递归神经网络光照度预测融合模型。
A、青椒温室光照度减法聚类分类器
青椒温室多个检测点光照度值作为青椒温室光照度减法聚类分类器的输入，青椒温室光照度减法聚类分类器把青椒温室多个检测点光照度值分为多种类型，青椒温室光照度减法聚类分类器设计的设计方法可以参照本专利的青椒温室温度减法聚类分类器设计的方法。
B、多个ANFIS神经网络光照度预测模型
每种类型的青椒温室光照度值分别作为多个ANFIS神经网络光照度预测模型的输入，多个ANFIS神经网络光照度预测模型分别对多种类型青椒温室光照度值进行预测，多个ANFIS神经网络光照度预测模型设计的设计方法可以参照本专利的ANFIS神经网络温度预测融合模型设计方法。
C、HRFNN递归神经网络光照度预测融合模型
多个ANFIS神经网络光照度预测模型的预测值作为HRFNN递归神经网络光照度预测融合模型的输入，HRFNN递归神经网络光照度预测融合模型实现对多个ANFIS神经网络光照度预测模型的预测值进行融合得到青椒温室光照预测值，HRFNN递归神经网络光照度预测融合模型设计可以参照本专利的多个HRFNN递归神经网络温度预测模型设计方法。
(4)、温室青椒产量环境参数校正模型设计
温室青椒产量环境参数校正模型由4个微分算子S和GRNN神经网络组成，4个微分算子S平均分成2组，每组2个微分算子S相串联分别构成微分回路1和微分回路2；温室青椒产量预测子***的输出作为GRNN神经网络A端的输入，青椒温室温度预测子***的输出作为微分回路1的输入和GRNN神经网络B端的输入，微分回路1的2个微分算子S的连接端的输出为GRNN神经网络D端的输入，微分回路1的输出为GRNN神经网络C端的输入；青椒温室光照预测子***的输出作为微分回路2的输入和GRNN神经网络E端的输入，微分回路2的2个微分算子S的连接端的输出为GRNN神经网络I端的输入，微分回路2的输出为GRNN神经网络F端的输入；GRNN神经网络由7个输入端节点分别为A、B、C、D、E、F和I，13个中间节点和1个输出端节点组成，微分算子在MATLAB中调用，温室青椒产量环境参数校正模型实现对温室温度和光照对青椒产量影响程度的校正，反映了温室温度和光照的实际值变化对温室青椒产量的影响大小，提高温室青椒产量预测的精确度；GRNN神经网络是一种局部逼近网络GRNN(GeneralizedRegression Neural Network)，是建立在数理统计的基础上，具有明确的理论依据，学***滑参数一个变量。GRNN神经网络的学习全部依赖数据样本，在逼近能力和学习速度上较BRF网络有更强的优势，具有很强的非线性映射和柔性网络结构以及高度的容错性和鲁棒性，特别适用于函数的快速逼近和处理不稳定的数据。GRNN的人为调节参数很少，网络的学习全部依赖数据样本，这一特性使得网络可以最大限度地减少人为主观假定对预测结果的影响。GRNN神经网络具有小样本下强大的预测能力，还具有训练快速、鲁棒性强等特征，基本不受输入数据多重共线性的困扰。本专利构建的GRNN神经网络由输入层、模式层、求和层和输出层构成，GRNN网络输入向量X为n维向量，网络输出向量Y为k维向量X＝{x1,x2,…,xn}T和Y＝{y1,y2,…,yk}T。模式层神经元数目等于训练样本的数目m，各个神经元与训练样本一一对应，模式层神经元传递函数pi为：
pi＝exp{-[(x-xi)T(x-xi)]/2σ},(i＝1,2,…,m) (17)
上式中的神经元输出进入求和层进行求和，求和层函数分为两类，分别为:
其中，yij为第i个训练样本输出向量中的第j个元素值。根据前述多个GRNN神经网络预测模型算法，则网络输出向量Y的第j个元素的估计值为:
yj＝sNj/sD,(j＝1,2,…k) (20)
GRNN神经网络模型建立在数理统计基础之上，网络的输出结果能够收敛于最优回归面。GRNN具有较强的预测能力，学习速度快，主要用于解决函数逼近问题而且在结构方面也具有高度并行性,实现对温室青椒产量环境参数校正模型。
(5)最小二乘支持支持向量机(LS-SVM)温室青椒产量等级分类器
最小二乘支持支持向量机(LS-SVM)温室青椒产量等级分类器根据温室青椒产量环境参数校正模型输出温室青椒产量预测值的大小、青椒种类和青椒温室面积作为最小二乘支持向量机(LS-SVM)温室青椒产量等级分类器的输入，最小二乘支持支持向量机(LS-SVM)温室青椒产量等级分类器的输出把温室青椒产量分为温室青椒高产、温室青椒比较高产、温室青椒中产、温室青椒低产和温室青椒很低产五个温室青椒产量等级。把青椒不同种类量化为不同数字作为最小二乘支持支持向量机(LS-SVM)温室青椒产量等级分类器的输入，例如羊角椒为1，西洋大牛椒为2，螺丝椒为3，杭椒为4等。最小二乘支持支持向量机(LS-SVM)温室青椒产量等级分类器的输出为0到1之间值，输出大于0.8和小于等于1为温室青椒高产、大于0.6和小于等于0.8为温室青椒比较高产、大于0.4和小于等于0.6为温室青椒中产、大于0.2和小于等于0.4为温室青椒低产，小于等于0.2和大于等于0为温室青椒很低产，最小二乘支持支持向量机(LS-SVM)温室青椒产量等级分类器的设计方法可以参照本专利的多个最小二乘支持向量机(LS-SVM)产量预测模型设计方法。
5、青椒温室环境参数智能检测平台的设计举例
根据青椒温室环境的状况，***布置了检测节点1和控制节点2和现场监控端3的平面布置安装图，其中检测节点1均衡布置在被检测青椒温室环境中，整个***平面布置见图6，通过该***实现对青椒温室环境参数的采集与青椒温室产量智能化预警。
本发明方案所公开的技术手段不仅限于上述实施方式所公开的技术手段，还包括由以上技术特征任意组合所组成的技术方案。应当指出，对于本技术领域的普通技术人员来说，在不脱离本发明原理的前提下，还可以做出若干改进和润饰，这些改进和润饰也视为本发明的保护范围。

Claims (5)

1.一种基于减法聚类分类器的青椒温室环境智能监测***，其特征在于：所述智能监测***由基于无线传感器网络的青椒温室环境参数检测平台和青椒温室产量智能预警***两部分组成；青椒温室产量智能预警***包括温室青椒产量预测子***、青椒温室温度预测子***、青椒温室光照预测子***、温室青椒产量环境参数校正模型和最小二乘支持向量机温室青椒产量等级分类器，根据青椒温室的历史产量和青椒温室的温度和光照对青椒温室产量的影响实现对青椒温室的产量进行预警；
所述温室青椒产量预测子***包括温室青椒产量经验模态（EMD）分解模型、多个最小二乘支持向量机（LS-SVM）产量预测模型和多个最小二乘支持向量机（LS-SVM）产量预测模型值等权重相加和得到青椒产量预测值；温室青椒产量历史数据作为温室青椒产量经验模态（EMD）分解模型的输入，温室青椒产量经验模态（EMD）分解模型把温室青椒产量历史数据分解为低频趋势部分和多个高频波动部分，温室青椒产量历史数据的低频趋势部分和多个高频波动部分分别作为多个最小二乘支持向量机（LS-SVM）产量预测模型的输入，多个最小二乘支持向量机（LS-SVM）产量预测模型分别对温室青椒产量历史数据的低频趋势部分和多个高频波动部分各分量进行预测，多个最小二乘支持向量机（LS-SVM）产量预测模型值等权重相加和得到温室青椒产量预测值；
所述青椒温室温度预测子***包括青椒温室温度减法聚类分类器、多个HRFNN递归神经网络温度预测模型、ANFIS神经网络温度预测融合模型；青椒温室多个检测点温度值作为青椒温室温度减法聚类分类器的输入，青椒温室温度减法聚类分类器把青椒温室多个检测点温度值分为多种类型，每种类型的青椒温室温度值分别作为多个HRFNN递归神经网络温度预测模型的输入，多个HRFNN递归神经网络温度预测模型分别对多种类型青椒温室温度值进行预测，多个HRFNN递归神经网络温度预测模型的预测值作为ANFIS神经网络温度预测融合模型的输入，ANFIS神经网络温度预测融合模型实现对多个HRFNN递归神经网络温度预测模型的预测值进行融合得到青椒温室温度预测值；
所述青椒温室光照预测子***包括青椒温室光照度减法聚类分类器、多个ANFIS神经网络光照度预测模型和HRFNN递归神经网络光照度预测融合模型；青椒温室多个检测点光照度值作为青椒温室光照度减法聚类分类器的输入，青椒温室光照度减法聚类分类器把青椒温室多个检测点光照度值分为多种类型，每种类型的青椒温室光照度值分别作为多个ANFIS神经网络光照度预测模型的输入，多个ANFIS神经网络光照度预测模型分别对多种类型青椒温室光照度值进行预测，多个ANFIS神经网络光照度预测模型的预测值作为HRFNN递归神经网络光照度预测融合模型的输入，HRFNN递归神经网络光照度预测融合模型实现对多个ANFIS神经网络光照度预测模型的预测值进行融合得到青椒温室光照预测值；
所述温室青椒产量环境参数校正模型由4个微分算子S和GRNN神经网络组成，4个微分算子S平均分成2组，每组2个微分算子S相串联分别构成微分回路1和微分回路2；温室青椒产量预测子***的输出作为GRNN神经网络A端的输入，青椒温室温度预测子***的输出作为微分回路1的输入和GRNN神经网络B端的输入，微分回路1的2个微分算子S的连接端的输出为GRNN神经网络D端的输入，微分回路1的输出为GRNN神经网络C端的输入；青椒温室光照预测子***的输出作为微分回路2的输入和GRNN神经网络E端的输入，微分回路2的2个微分算子S的连接端的输出为GRNN神经网络I端的输入，微分回路2的输出为GRNN神经网络F端的输入；GRNN神经网络由7个输入端节点分别为A、B、C、D、E、F和I，13个中间节点和1个输出端节点组成，温室青椒产量环境参数校正模型实现对温室温度和光照度对青椒产量影响程度的校正，反映了温室温度和光照度的实际值变化对温室青椒产量的影响大小，提高温室青椒产量预测的精确度；
所述最小二乘支持支持向量机（LS-SVM）温室青椒产量等级分类器根据温室青椒产量环境参数校正模型输出温室青椒产量预测值的大小、青椒种类和青椒温室面积作为最小二乘支持向量机（LS-SVM）温室青椒产量等级分类器的输入，最小二乘支持支持向量机（LS-SVM）温室青椒产量等级分类器的输出把温室青椒产量分为温室青椒高产、温室青椒比较高产、温室青椒中产、温室青椒低产和温室青椒很低产五个温室青椒产量等级。
2.根据权利要求1所述的一种基于减法聚类分类器的青椒温室环境智能监测***，其特征在于：所述基于无线传感器网络的青椒温室环境参数检测平台实现对青椒温室环境因子参数进行检测、调节和监控，由检测节点、控制节点和现场监控端组成，它们以自组织方式通过无线通信模块NRF2401构建成青椒温室环境参数智能检测平台。
3.根据权利要求2所述的一种基于减法聚类分类器的青椒温室环境智能监测***，其特征在于：所述检测节点分别由传感器组模块、单片机和无线通信模块NRF2401组成，传感器组模块负责检测青椒温室环境的温度、湿度、风速和光照度等青椒温室小气候环境参数，由单片机控制采样间隔并通过无线通信模块NRF2401发送给现场监控端。
4.根据权利要求2所述的一种基于减法聚类分类器的青椒温室环境智能监测***，其特征在于：所述控制节点实现对青椒温室环境参数的调节设备进行控制。
5.根据权利要求2所述的一种基于减法聚类分类器的青椒温室环境智能监测***，其特征在于：所述现场监控端由一台工业控制计算机组成，实现对检测节点检测青椒温室环境参数进行管理和对青椒温室产量进行智能化预警。
CN201910320161.1A 2019-04-19 2019-04-19 一种基于减法聚类分类器的青椒温室环境智能监测*** Active CN110083190B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201910320161.1A CN110083190B (zh) 2019-04-19 2019-04-19 一种基于减法聚类分类器的青椒温室环境智能监测***

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201910320161.1A CN110083190B (zh) 2019-04-19 2019-04-19 一种基于减法聚类分类器的青椒温室环境智能监测***

Publications (2)

Publication Number Publication Date
CN110083190A true CN110083190A (zh) 2019-08-02
CN110083190B CN110083190B (zh) 2020-08-25

Family

ID=67415873

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201910320161.1A Active CN110083190B (zh) 2019-04-19 2019-04-19 一种基于减法聚类分类器的青椒温室环境智能监测***

Country Status (1)

Country Link
CN (1) CN110083190B (zh)

Cited By (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN110580021A (zh) * 2019-09-10 2019-12-17 淮阴工学院 一种基于现场总线的粮仓环境安全智能监测***
CN110929753A (zh) * 2019-10-18 2020-03-27 江苏大学 一种基于彩色图像的青椒识别方法
CN111010390A (zh) * 2019-12-12 2020-04-14 重庆工商大学 一种基于多协议异构物联网的自适应呼叫方法与***
CN111523646A (zh) * 2020-04-23 2020-08-11 国家开放大学 基于物联网的远程教育学习中心智慧感知网络及管理方法
CN113219871A (zh) * 2021-05-07 2021-08-06 淮阴工学院 一种养护室环境参数检测***
CN117992894A (zh) * 2024-04-03 2024-05-07 山东济宁丰泽农业科技有限公司 基于物联网的农业大棚环境异常数据监测方法

Citations (15)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN101480143A (zh) * 2009-01-21 2009-07-15 华中科技大学 一种预测灌区作物单产量的方法
CN101719231A (zh) * 2008-10-09 2010-06-02 西南石油大学 动态微分模拟预测方法及应用该方法的数据处理掌上设备
CN101795090A (zh) * 2009-01-19 2010-08-04 原子能委员会 预测光伏器件的电力产量的方法
CN103984980A (zh) * 2014-01-28 2014-08-13 中国农业大学 一种温室内温度极值的预测方法
CN205247189U (zh) * 2015-12-22 2016-05-18 天津宏宝派农业科技发展有限公司 一种基于物联网的智慧农业种植***
CN106225846A (zh) * 2016-08-29 2016-12-14 孟玲 大棚监测***
CN106408433A (zh) * 2016-11-22 2017-02-15 河南工业大学 一种基于差分处理的粮食产量预测方法和装置
CN107016453A (zh) * 2016-12-08 2017-08-04 中国农业大学 一种水产养殖溶解氧预测方法及装置
WO2017136489A1 (en) * 2016-02-03 2017-08-10 Caspo, Llc Smart cooking system that produces and uses hydrogen fuel
CN108091111A (zh) * 2017-11-20 2018-05-29 淮阴工学院 一种油罐车油气泄漏智能预警***
CN108138555A (zh) * 2015-02-23 2018-06-08 奈克森能量无限责任公司 预测储层性质的方法、***及设备
WO2018117890A1 (en) * 2016-12-21 2018-06-28 Schlumberger Technology Corporation A method and a cognitive system for predicting a hydraulic fracture performance
CN108537371A (zh) * 2018-03-27 2018-09-14 深圳春沐源控股有限公司 一种生产预测方法及装置
CN108934613A (zh) * 2018-09-25 2018-12-07 王金玉 一种太阳能光伏蔬菜种植大棚自动喷灌***
CN109583301A (zh) * 2018-10-29 2019-04-05 广东奥博信息产业股份有限公司 一种农作物生长过程最优外部种植条件预测方法及装置

Patent Citations (15)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN101719231A (zh) * 2008-10-09 2010-06-02 西南石油大学 动态微分模拟预测方法及应用该方法的数据处理掌上设备
CN101795090A (zh) * 2009-01-19 2010-08-04 原子能委员会 预测光伏器件的电力产量的方法
CN101480143A (zh) * 2009-01-21 2009-07-15 华中科技大学 一种预测灌区作物单产量的方法
CN103984980A (zh) * 2014-01-28 2014-08-13 中国农业大学 一种温室内温度极值的预测方法
CN108138555A (zh) * 2015-02-23 2018-06-08 奈克森能量无限责任公司 预测储层性质的方法、***及设备
CN205247189U (zh) * 2015-12-22 2016-05-18 天津宏宝派农业科技发展有限公司 一种基于物联网的智慧农业种植***
WO2017136489A1 (en) * 2016-02-03 2017-08-10 Caspo, Llc Smart cooking system that produces and uses hydrogen fuel
CN106225846A (zh) * 2016-08-29 2016-12-14 孟玲 大棚监测***
CN106408433A (zh) * 2016-11-22 2017-02-15 河南工业大学 一种基于差分处理的粮食产量预测方法和装置
CN107016453A (zh) * 2016-12-08 2017-08-04 中国农业大学 一种水产养殖溶解氧预测方法及装置
WO2018117890A1 (en) * 2016-12-21 2018-06-28 Schlumberger Technology Corporation A method and a cognitive system for predicting a hydraulic fracture performance
CN108091111A (zh) * 2017-11-20 2018-05-29 淮阴工学院 一种油罐车油气泄漏智能预警***
CN108537371A (zh) * 2018-03-27 2018-09-14 深圳春沐源控股有限公司 一种生产预测方法及装置
CN108934613A (zh) * 2018-09-25 2018-12-07 王金玉 一种太阳能光伏蔬菜种植大棚自动喷灌***
CN109583301A (zh) * 2018-10-29 2019-04-05 广东奥博信息产业股份有限公司 一种农作物生长过程最优外部种植条件预测方法及装置

Cited By (9)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN110580021A (zh) * 2019-09-10 2019-12-17 淮阴工学院 一种基于现场总线的粮仓环境安全智能监测***
CN110929753A (zh) * 2019-10-18 2020-03-27 江苏大学 一种基于彩色图像的青椒识别方法
CN110929753B (zh) * 2019-10-18 2024-03-19 江苏大学 一种基于彩色图像的青椒识别方法
CN111010390A (zh) * 2019-12-12 2020-04-14 重庆工商大学 一种基于多协议异构物联网的自适应呼叫方法与***
CN111523646A (zh) * 2020-04-23 2020-08-11 国家开放大学 基于物联网的远程教育学习中心智慧感知网络及管理方法
CN111523646B (zh) * 2020-04-23 2023-06-23 国家开放大学 基于物联网的远程教育学习中心智慧感知网络及管理方法
CN113219871A (zh) * 2021-05-07 2021-08-06 淮阴工学院 一种养护室环境参数检测***
CN117992894A (zh) * 2024-04-03 2024-05-07 山东济宁丰泽农业科技有限公司 基于物联网的农业大棚环境异常数据监测方法
CN117992894B (zh) * 2024-04-03 2024-06-11 山东济宁丰泽农业科技有限公司 基于物联网的农业大棚环境异常数据监测方法

Also Published As

Publication number Publication date
CN110083190B (zh) 2020-08-25

Similar Documents

Publication Publication Date Title
CN110083190A (zh) 一种基于减法聚类分类器的青椒温室环境智能监测***
CN110084417A (zh) 一种基于grnn神经网络的草莓温室环境参数智能监测***
CN110119766A (zh) 一种多组合智能化模型的青椒温室温度智能化预警装置
CN112906735B (zh) 一种食用菌环境大数据检测***
CN110163254B (zh) 一种基于递归神经网络的黄瓜温室产量智能化预测装置
Li et al. Optimized neural network combined model based on the induced ordered weighted averaging operator for vegetable price forecasting
CN110119086B (zh) 一种基于anfis神经网络的番茄温室环境参数智能监测装置
CN109063911A (zh) 一种基于门控循环单元网络的负荷聚合体分组预测方法
CN110414788A (zh) 一种基于相似日和改进lstm的电能质量预测方法
Ramamurti et al. Structurally adaptive modular networks for nonstationary environments
Muthusinghe et al. Towards smart farming: accurate prediction of paddy harvest and rice demand
CN110119169A (zh) 一种基于最小向量机的番茄温室温度智能预警***
CN110119767A (zh) 一种基于lvq神经网络的黄瓜温室温度智能化检测装置
CN110147825A (zh) 一种基于经验模态分解模型的草莓温室温度智能检测装置
CN110069032A (zh) 一种基于小波神经网络的茄子温室环境智能检测***
CN111426344B (zh) 一种建筑物能耗智能检测***
Tian et al. An adaptive ensemble predictive strategy for multiple scale electrical energy usages forecasting
CN115016276A (zh) 智能水分调节与环境参数物联网大数据***
Handoyo et al. The developing of fuzzy system for multiple time series forecasting with generated rule bases and optimized consequence part
Li et al. Prediction of grain yield in Henan Province based on grey BP neural network model
Júnior et al. An approach for evolving neuro-fuzzy forecasting of time series based on parallel recursive singular spectrum analysis
Sang et al. Ensembles of gradient boosting recurrent neural network for time series data prediction
CN112215410B (zh) 基于改进深度学习的电力负荷预测方法
Wang et al. Mutual information-weighted principle components identified from the depth features of stacked autoencoders and original variables for oil dry point soft sensor
CN112911533A (zh) 一种基于移动端App的温度检测***

Legal Events

Date Code Title Description
PB01 Publication
PB01 Publication
SE01 Entry into force of request for 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: 20211117

Address after: 264200 No. 10-7, Futian Road, torch high tech Industrial Development Zone, Weihai City, Shandong Province

Patentee after: WEIHAI GEMHO DIGITAL MINE TECHNOLOGY CO.,LTD.

Address before: 223005 Jiangsu Huaian economic and Technological Development Zone, 1 East Road.

Patentee before: HUAIYIN INSTITUTE OF TECHNOLOGY

TR01 Transfer of patent right