CN110119169A - 一种基于最小向量机的番茄温室温度智能预警*** - Google Patents
一种基于最小向量机的番茄温室温度智能预警*** Download PDFInfo
- Publication number
- CN110119169A CN110119169A CN201910319315.5A CN201910319315A CN110119169A CN 110119169 A CN110119169 A CN 110119169A CN 201910319315 A CN201910319315 A CN 201910319315A CN 110119169 A CN110119169 A CN 110119169A
- Authority
- CN
- China
- Prior art keywords
- tomato
- temperature
- tomato greenhouse
- greenhouse
- greenhouse 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
Links
Classifications
-
- G—PHYSICS
- G05—CONTROLLING; REGULATING
- G05D—SYSTEMS FOR CONTROLLING OR REGULATING NON-ELECTRIC VARIABLES
- G05D23/00—Control of temperature
- G05D23/19—Control of temperature characterised by the use of electric means
- G05D23/20—Control of temperature characterised by the use of electric means with sensing elements having variation of electric or magnetic properties with change of temperature
Landscapes
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Engineering & Computer Science (AREA)
- Automation & Control Theory (AREA)
- Greenhouses (AREA)
Abstract
本发明公开了一种基于最小向量机的番茄温室温度智能预警***,其特征在于:所述预警***由基于CAN现场总线的番茄温室环境参数采集与智能预测平台和番茄温室温度智能预警***两部分组成;本发明不但有效解决了传统番茄温室环境由于设计不合理、设备落后、控制***不完善等原因导致密闭式番茄温室内环境仍存在许多问题,而且有效解决了现有的番茄温室环境监测***,没有根据番茄温室环境温度变化的非线性、大滞后和番茄温室面积大温度变化复杂等特点,对番茄温室环境的温度进行监测与预测,从而极大的影响番茄温室环境温度的调控问题。
Description
技术领域
本发明涉及农业温室自动化装备的技术领域,具体涉及一种基于最小向量机的番茄温室温度智能预警***。
背景技术
番茄作为一种喜温的蔬菜,白天其在生长的时候温度适宜范围大约为20-25℃左右;夜间的温度最为适宜为13-17℃左右。番茄的适合温度在夜间和白天可以有效促进光合作用,夜间适合的温度可以促进番茄在白天同化物质在生育最为旺盛部位,实现了在茎、果实以及根部充分转运。高温会使得温度呈现出促进生长,随着同化作用不断降低、营养物质不断积累,植株在生长的时候出现停滞,但是长时间保持低温会引起低温危害。育苗的时候对于温度的控制很重要,常会将昼夜温度控制在17-24℃为宜。另外此温度下花器、花芽发育比较适宜;温度在19-20℃的时候,开花温度最为适宜。温度过高直接会影响花的坐果率,适宜温度大约为25℃,此时花的坐果率将会很高。当白天温度高于35℃,或40℃高温持续4小时,夜间温度高于20℃,因果实和叶片在高温和烈日照射下,水分蒸发快,部分组织温度骤然升高,就会对茎、叶、花、果造成伤害。叶片受害,初期叶片褪绿或叶缘呈漂白状,后变黄色,轻者叶缘呈烧伤状,重者整个叶片呈漂白状,后致叶缘枯焦,黄化枯死。当出现35℃的高温时开花、结果受到抑制,40℃以上时则引起大量花果脱落,而且持续时间越长,花果脱落越严重。果实成熟时遇到30℃以上的高温,茄红素形成减慢,超过35℃茄红素则难以形成,表面出现绿、黄、红相间的杂色果,严重时导致日灼病,果实呈透明革质状,逐渐变为白色或黄褐色斑,有的出现皱纹,干缩***后凹陷,果肉褐色,不堪食用。关于温室条件栽培番茄的研究目前已有较多报道,在温度与番茄生长方面,张洁等认为番茄生长发育的最适温度上限是33-35℃,超过35℃,其生长发育会受到严重影响。赵玉萍等认为,植株在短时间适当增温8-10℃(没有超过35℃)时,促进植株生长,如果长期处在温度较高环境中,就会出现生长抑制现象,高温还会使农作物生育期缩短。武利明认为番茄在温度20-30℃范围内生长最快,在25-30℃范围内果实的增长量最大,但在30-35℃的高温胁迫下,不同品种的生长发育状况不同。刘保林等研究了光质和温度对日光温室番茄生长发育及产量品质的影响。从温度一个方面研究番茄生长,尤其是对产量的影响。对于其他环境因子条件的研究,如宋胭脂等对现代温室无土栽培的樱桃番茄和中果型番茄进行了3年3大茬的产量测定,并探索了产量与环境因子的关系。杨丽丽等结合温室环境建立了温室番茄果实生长模型。国外方面,德国的Dennis对温室番茄研究较多,对比2个不同温室条件,说明提高温度相对湿度和二氧化碳浓度对番茄产量和品质有好的作用。Adams等发现将温室温度提高到22℃时,番茄生长更快产生更多侧枝,温室从3月到5月温室温度保持在20℃左右,5月下旬温度有所上升,在25℃左右,是株高和坐花坐果增长量下降的一个原因。从番茄生长到采收中期,株高增长速度下降,落秧工作频率可以减少,坐花坐果节位增长速度下降,授粉工作量也可以相应降低。光照主要影响番茄的光合作用,在番茄生长中光照强度和光照时间非常重要。Johnson等认为单果重与相对湿度有关,而本研究中温室在3月与5月下旬后相对湿度变化较大,4月较平稳,对应每周采收的果实单果重先增加再有所降低,4-5月较高,最大平均单果重是125.2g,5月中旬后逐渐降低,可以得出结论,相对湿度是影响单果重的一个重要因素。充分利用温室设施环境的可控性,依照生产者预先设计的方案实现对产量、采收与上市时间、植株发育形态、品质、果实大小等方面控制的目的,研究还需进一步获取详细温室环境数据资料,以便更好掌握番茄生长情况做分析与预测。温室温度是影响番茄生长发育的重要因素,番茄在发芽期、苗期及开花结果期的生长时期对温度有不同的要求,本发明研究番茄的产量和质量与温室温度之间的关系,为调控番茄生长发育的过程中温度、湿度和光照等环境因子提供依据,保障番茄温室的产量和质量。
发明内容
本发明提供了一种基于ANFIS神经网络的番茄温室环境参数智能监测装置,本发明不但有效解决了传统番茄温室环境由于设计不合理、设备落后、控制***不完善等原因导致密闭式番茄温室内环境仍存在许多问题,而且有效解决了现有的番茄温室环境监测***,没有根据番茄温室环境温度变化的非线性、大滞后和番茄温室面积大温度变化复杂等特点,对番茄温室环境的温度进行监测与预测,从而极大的影响番茄温室环境温度的调控问题。
本发明通过以下技术方案实现:
一种基于ANFIS神经网络的番茄温室环境参数智能监测装置,由基于CAN现场总线的番茄温室环境参数采集与智能预测平台和番茄温室温度智能预警***两部分组成,基于CAN现场总线的番茄温室环境参数采集与智能预测平台实现对番茄温室环境因子参数进行监测、调节和监控;番茄温室温度智能预警***包括番茄温室温度预测子***、番茄温室风速预测子***和番茄温室温度校正融合模型和最小二乘支持向量机LS-SVM番茄温室温度等级分类器四部分组成,实现对番茄温室温度的精确检测、预测和预警。
本发明进一步技术改进方案是:
基于CAN现场总线的番茄温室环境参数采集与智能预测平台由检测节点、控制节点和现场监控端组成,它们通过CAN现场总线构建成番茄温室环境参数采集与智能预测平台。检测节点分别由传感器组模块、单片机和通信模块组成,传感器组模块负责检测番茄温室环境的温度、湿度、风速和光照度等番茄温室小气候环境参数,由单片机控制采样间隔并通过通信模块发送给现场监控端;控制节点实现对番茄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和RS232/CAN通信模块组成,实现对检测节点检测番茄温室环境参数进行管理和对番茄温室环境多点温度进行融合、校正和智能预警。基于CAN现场总线的番茄温室环境参数采集与智能预测平台见图1所示。
本发明进一步技术改进方案是:
番茄温室温度智能预警***包括番茄温室温度预测子***、番茄温室风速预测子***和番茄温室温度校正融合模型和最小二乘支持向量机LS-SVM番茄温室温度等级分类器四部分组成;番茄温室温度智能预警***结构见图2所示。
本发明进一步技术改进方案是:
番茄温室温度预测子***包括番茄温室环境温度LVQ神经网络分类器、番茄温室温度组合预测模型1、番茄温室温度组合预测模型2和番茄温室温度组合预测模型3组成,每个番茄温室温度组合预测模型包括GRNN神经网络温度预测模型、ARIMA自回归滑动平均温度预测模型和最小二乘支持向量机LS-SVM温度预测模型以及三个预测模型值等权重相加和得到温度融合预测值,番茄温室环境温度LVQ神经网络分类器把温室温度多个检测点值分为3种类型,每种类型的温室温度检测点值作为对应类的番茄温室温度组合预测模型的输入,每个番茄温室温度组合预测模型实现对不同类温室温度检测点值的温度预测,提高温室温度预测精确度,3个番茄温室温度组合预测模型的输出值作为番茄温室温度预测子***的输出。
本发明进一步技术改进方案是:
番茄温室风速预测子***包括番茄温室风速小波分解模型、多个DRNN神经网络风速预测模型和多个DRNN神经网络风速预测模型值等权重相加得到风速融合预测值三部分组成,番茄温室风速小波分解模型把温室风速检测值分解为低频趋势部分和多个高频波动部分,温室风速检测值经过番茄温室风速小波分解模型分解得到的低频趋势部分和多个高频波动部分分别作为多个DRNN神经网络风速预测模型的输入,多个DRNN神经网络风速预测模型的输出分别为温室风速检测值的低频趋势部分和多个高频波动部分的预测值,多个DRNN神经网络风速预测模型的输出值等权重相加得到温室风速预测值。
本发明进一步技术改进方案是:
番茄温室温度校正融合模型由6个微分算子S和DRNN神经网络组成,6个微分算子平均分成3组,每组2个微分算子相串联分别构成微分回路1和微分回路2以及微分回路3;番茄温室温度预测子***的番茄温室温度组合预测模型1的输出为微分回路1的输入和DRNN神经网络的C端的输入,微分回路1的输出为DRNN神经网络的A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DRNN神经网络的B端的输入;番茄温室温度预测子***的番茄温室温度组合预测模型2的输出为微分回路2的输入和DRNN神经网络的D端的输入,微分回路2的输出为DRNN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DRNN神经网络F端的输入;番茄温室温度预测子***的番茄温室温度组合预测模型3的输出为微分回路3的输入和DRNN神经网络的J端的输入,微分回路3的输出为DRNN神经网络K端的输入,微分回路3的2个微分算子S的连接端的输出为DRNN神经网络L端的输入;番茄温室风速预测子***的输出为DRNN神经网络I端的输入;DRNN神经网络由10个输入端节点、20个中间节点和1个输出端节点组成,微分算子在MATLAB中调用,番茄温室温度校正融合模型实现对番茄温室预测的温度值的校正,反映了番茄温室的湿度的实际值变化对番茄温室温度的影响,提高番茄温室温度预测的精确度。
本发明进一步技术改进方案是:
最小二乘支持向量机LS-SVM番茄温室温度等级分类器根据番茄温室温度校正融合模型输出番茄温室温度预测值的大小、番茄生长阶段和番茄的种类为最小二乘支持向量机LS-SVM番茄温室温度等级分类器的输入,最小二乘支持向量机LS-SVM番茄温室温度等级分类器的输出把番茄温室温度预测值的大小对不同种类番茄在不同生长阶段的影响分为温室温度太高、温室温度比较高、温室温度良好、温室温度低和温室温度太低5个番茄温室温度等级。
本发明与现有技术相比,具有以下明显优点:
一、本发明根据番茄温室温度参数样本差异的特点,构建番茄温室环境温度LVQ神经网络分类器对番茄温室温度多点预测样本参数进行分类,设计多组合预测模型分别对番茄温室温度的样本参数进行预测,在番茄温室温度预测连续预报过程当中,充分考虑番茄温室温度在时空间的特性,把成因相近的,相对均质的数据从番茄温室温度海量级的数据中抽取出来,以建立针对性更强、更能反应任意时间阶段组合预测模型模型,提高番茄温室温度预测精度。
二、本发明组合预测模型基于GRNN神经网络温度预测模型、ARIMA自回归滑动平均温度预测模型和最小二乘支持向量机LS-SVM温度预测模型三种方法建立单项预测子模型,分别作为番茄温室温度最优非线性组合模型的逼近器,建立组合预测模型,实现对单项预测子模型结果的融合,通过Matlab平台对番茄温室温度进行预测,结果表明,该种组合预测是选用多种方法对同一对象进行预测,它可以更大化地利用多种单一预测方法信息,实现预测信息之间的互补,提高了组合预测模型的鲁棒性,实现了多种方法的预测结果进行融合,相对单一的预测方法,预测结果更科学和准确。
三、本发明采用ARIMA模型预测番茄温室温度整合了番茄温室温度变化的趋势因素、周期因素和随机误差等因素的原始时间序列变量,通过差分数据转换等方法将非平稳序列转变为零均值的平稳随机序列,通过反复识别和模型诊断比较并选择理想的模型进行番茄温室温度数据拟合和预测。该方法结合了自回归和移动平均方法的长处,具有不受数据类型束缚和适用性强的特点,是一种对番茄温室温度进行短期预测效果较好的模型。
四、本发明采用GRNN神经网络温度预测模型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,适用于番茄温室温度预测。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神经网络温度预测模型泛化能力强,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,对番茄温室温度预测具有良好的应用前景。
五、本发明由于番茄温室风速具有复杂的非线性特性,不同的工况下温度变化很大,很难建立精确的数学模型,利用DRNN神经网络风速预测模型可精确地辨识番茄温室风速预测值,具有良好的非线性逼近能力,DRNN神经网络是一种反馈型网络,具有局部反馈特性,它是在BP网络的基础上,通过存储内部状态使其具备映射动态特征的功能,从而使***具有适应时变的能力。其网络结构基本类似于4层BP网络,增加了一个结构层,把隐层的输出经延时环节反馈到隐层的输入,从而实现部分反馈,达到记忆上一状态的效果。DRNN型神经网络的这种自联方式使其对历史状态的数据具有敏感性,内部反馈网络的加入增加了网络本身处理动态信息的能力,有利于动态过程建模。因此,利用DRNN网络建立精确的番茄温室风速预测模型,提高番茄温室风速预测精确度。
六、本发明通过番茄温室风速小波分解模型将番茄温室风速参数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,这与番茄温室风速的周期性变化相符合;低频成分代表原序列的变化趋势。可见番茄温室风速小波分解模型能够逐级分解出番茄温室风速的波动成分、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番茄温室风速变形序列曲线光滑。可见番茄温室风速小波分解模型能有效分析多因素共同作用下的番茄温室风速变形数据,分解得到的各分量有利于DRNN神经网络风速预测模型的建立和更好地预测。使用对各分量分别建立DRNN神经网络风速预测模型,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番茄温室风速预测精度。
七、本发明番茄温室温度校正融合模型由6个微分算子S和DRNN神经网络组成,6个微分算子平均分成3组,每组2个微分算子相串联分别构成微分回路1和微分回路2以及微分回路3,它将3种类型的番茄温室温度预测值、一次变化率与二次变化率和影响番茄温室温度的风速预测值引入番茄温室温度校正融合模型的DRNN神经网络网络训练中,形成新的输入向量,具有良好的非线性映射能力,番茄温室温度校正融合模型输入不仅包括番茄温室温度预测值和风速预测值,还包含番茄温室温度3种类型预测值的一次和二次变化率数据,番茄温室温度校正融合模型的DRNN神经网络网络的泛化能力得到提高,使其在非线性番茄温室温度校正中较传统的静态神经网络具有更好的番茄温室温度预测精度和自适应能力。
八、本发明最小二乘支持向量机LS-SVM番茄温室温度等级分类器根据番茄温室温度校正融合模型输出番茄温室温度预测值的大小、番茄生长阶段和番茄的种类为最小二乘支持向量机LS-SVM番茄温室温度等级分类器的输入,最小二乘支持向量机LS-SVM番茄温室温度等级分类器的输出把番茄温室温度预测值的大小对不同种类番茄在不同生长阶段的影响分为温室温度太高、温室温度比较高、温室温度良好、温室温度低和温室温度太低5个番茄温室温度等级。该分类器提高番茄温室温度等级分类的精确度和可靠性。
附图说明
图1为本发基于CAN现场总线的番茄温室环境参数采集与智能预测平台;
图2为本发明番茄温室温度智能预警***;
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为本发明番茄温室环境参数采集与智能预测平台平面布置图。
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
本发明专利设计了一种基于CAN现场总线的番茄温室环境温度智能监测***,实现对番茄温室环境因子参数进行检测、番茄温室环境多点温度融合和番茄温室环境温度智能预测,该***由基于CAN现场总线的番茄温室环境参数采集与智能预测平台、番茄温室环境温度多点融合模型和番茄温室环境温度智能预测模型3部分组成。基于CAN现场总线的番茄温室环境参数采集与智能预测平台包括番茄温室环境参数的检测节点1和调节番茄温室环境参数的控制节点2,通过CAN现场总线方式构建成测控网络来实现检测节点1、控制节点2和现场监控端3之间的现场通信;检测节点1将检测的番茄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
采用基于CAN现场总线的检测节点1作为番茄温室环境参数感知终端,检测节点1和控制节点2通过CAN现场总线方式实现与现场监控端3之间的信息相互交互。检测节点1包括采集番茄温室环境温度、湿度、风速和光照度参数的传感器和对应的信号调理电路、STC89C52RC微处理器;检测节点的软件主要实现现场总线通信和番茄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
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控制电路、STC89C52RC微处理器和无线通信模块接口,实现对番茄温室环境控制设备进行控制,控制节点见图4。
4、现场监控端软件
现场监控端3是一台工业控制计算机,现场监控端3主要实现对番茄温室环境参数进行采集、多点温度融合和番茄温室环境温度预测,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番茄温室温度智能预警***。番茄温室温度智能预警***包括番茄温室温度预测子***、番茄温室风速预测子***和番茄温室温度校正融合模型和最小二乘支持向量机LS-SVM番茄温室温度等级分类器四部分组成。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。茄温室温度智能预警***设计过程如下:
(1)、番茄温室温度预测子***设计
番茄温室温度预测子***包括番茄温室环境温度LVQ神经网络分类器、番茄温室温度组合预测模型1、番茄温室温度组合预测模型2和番茄温室温度组合预测模型3组成,每个番茄温室温度组合预测模型包括GRNN神经网络温度预测模型、ARIMA自回归滑动平均温度预测模型和最小二乘支持向量机LS-SVM温度预测模型以及三个预测模型值等权重相加和得到温度融合预测值,番茄温室环境温度LVQ神经网络分类器把温室温度多个检测点值分为3种类型,每种类型的温室温度检测点值作为对应类的番茄温室温度组合预测模型的输入,每个番茄温室温度组合预测模型实现对不同类温室温度检测点值的温度预测,提高温室温度预测精确度,3个番茄温室温度组合预测模型的输出值作为番茄温室温度预测子***的输出;
A、番茄温室环境温度LVQ神经网络分类器
番茄温室环境温度LVQ神经网络分类器是一种前向有监督的神经网络类型,无需将输入向量正交化、归一化,只需直接计算输入向量与竞争层之间的距离,并可以求得全局最优,是一种简单易行的模式识别方法。竞争层的每个神经元通过学习原型向量,并对输入空间进行分类。将竞争层学习得到的类称为子类,将输出层学习得到的类称为目标类。番茄温室环境温度LVQ神经网络分类器由输入层、竞争层和输出层神经元组成。输入层有n个神经元接受输入向量,与竞争层之间完全连接;竞争层有m个神经元,分别为若干组;输出层每个神经元只与竞争层中的一组神经元连接,连接权值固定为1。在LVQ网络训练过程中,输入层和竞争层之间的连接权值被逐渐调整为聚类中心,当一个输入样本被送至LVQ网络时,竞争层的神经元通过胜者为王竞争学习规则产生获胜神经元,容许其输出为1,而其他神经元输出为0,与获胜神经元所在组相连接的输出神经元其输出也为1,而其他输出神经元为0,从而给出当前输入样本的模式类。首先创建一个LVQ神经网络,其输入层为20经元,输出层设计成3个神经元,竞争层取550个神经元。然后分别用训练样本对网络进行训练和对参数样本进行仿真检验。设置训练步数为1 000,观察其分类性能。番茄温室环境温度LVQ神经网络分类器学习算法实现过程如下:
①.数初始化。竞争层各神经元权值wij(0),i=1,2,…,n;j=1,2,…,m赋予[0,1]间的随机小数。设定初始化学习速率η(0)和最大训练次数tm。
②.入样本向量X,通过欧氏距离最小标准寻找获胜神经元c。j=1,2,…,m。寻找获胜神经元c,从而实现了神经元的竞争过程。
③.根据分类结果正确与否来调整获胜神经元的权值,如果分类结果与输入样本类别一致,向输入方向调整权值:Wc(t+1)=Wc(t)+η(t)[X-Wc(t)];否则向逆输入方向调整权值:Wc(t+1)=Wc(t)-η(t)[X-Wc(t)],非获胜神经元的权值保持不变。
④.更新学习速率,η(t)=η(0)(1-t/tm)。
⑤.t=t+1,判断是否达到最大训练次数,如果没有,转入步骤②输入下一个样本,重复各步骤直到t=tm。
番茄温室环境温度LVQ神经网络分类器把番茄温室环境检测值分为三种类型,每种番茄温室环境温度分别作为对应番茄温室温度组合预测模型的输入,每种组合模型的输出为该类型番茄温室环境温度历史数据的预测值。
B、番茄温室温度组合预测模型
番茄温室温度组合预测模型包括番茄温室温度组合预测模型1、番茄温室温度组合预测模型2和番茄温室温度组合预测模型3组成,每个番茄温室温度组合预测模型包括GRNN神经网络温度预测模型、ARIMA自回归滑动平均温度预测模型和最小二乘支持向量机LS-SVM温度预测模型以及三个预测值的等权重相加得到番茄温室温度组合预测模型的值,番茄温室环境温度LVQ神经网络分类器把温室温度多个检测点值分为3种类型,每种类型的温室温度检测点值作为对应类的番茄温室温度组合预测模型的输入,每个番茄温室温度组合预测模型实现对不同类温室温度检测点值的温度预测,提高温室温度预测精确度,3个番茄温室温度组合预测模型的输出值作为番茄温室温度预测子***的输出。
①、GRNN神经网络温度预测模型设计
GRNN神经网络温度预测模型是一种局部逼近网络GRNN(GeneralizedRegressionNeural Network),GRNN神经网络温度预测模型番茄温室温度的历史数据作为GRNN神经网络温度预测模型的输入,GRNN神经网络温度预测模型来预测番茄温室温度的未来值,实现对番茄温室温度的精确预测。GRNN神经网络温度预测模型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神经网络温度预测模型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神经网络温度预测模型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。本专利的GRNN神经网络温度预测模型由输入层、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) (1)
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GRNN神经网络温度预测模型算法,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) (4)
GRNN神经网络模型建立在数理统计基础之上,能够根据番茄温室温度历史数据样本数据逼近其隐含的映射关系,网络的输出结果能够收敛于最优回归面,特别是在番茄温室温度历史数据样本数据稀少的情况下,也能获得满意的预测效果。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。GRNN神经网络模型的输入层、模式层、求和层和输出层分别为20、30、10和1个节点,输出层为预测温度值,输入层为番茄温室的20个历史数据。
②、ARIMA自回归滑动平均温度预测模型设计
ARIMA自回归滑动平均预测模型一种根据被预测番茄温室温度历史数据预测番茄温室将来温度的建模方法,它对被预测番茄温室温度的时间序列进行分析。本专利采用番茄温室温度历史参数来分析番茄温室温度的时间序列对ARIMA动态预测模型的时间序列特征的自回归阶数(p)、差分次数(d)和移动平均阶数(q)进行研究。ARIMA自回归滑动平均温度预测模型被写作为:ARIMA(p,d,q)。以p、d、q为参数的ARIMA动态预测番茄温室温度的方程可以表示如下:
Δdyt表示yt经d次差分转换之后的序列,εt是随机误差,方差为常量σ2的正态分布,φi(i=1,2,…,p)和θj(j=1,2,…,q)为ARIMA自回归滑动平均温度预测模型的待估计参数,p和q为ARIMA动态预测番茄温室温度模型的阶。ARIMA动态预测番茄温室温度本质上属于线性模型,建模与预测包含4个步骤:Ⅰ、序列平稳化处理。如果番茄温室温度历史数据序列是非平稳的,如存在一定的增长或下降趋势等,则需对番茄温室温度历史数据进行差分处理。Ⅱ、模型识别。通过自相关系数和偏自相关系数来确定ARIMA动态预测番茄温室温度模型的阶数p,d和q。Ⅲ、估计模型的参数和模型诊断。用极大似然估计得到ARIMA动态预测番茄温室温度模型中所有参数的估计值,并检验包括参数的显著性检验和残差的随机性检验,然后判断所建番茄温室温度模型是否可取,利用选取合适参数的ARIMA动态预测番茄温室温度模型进行番茄温室温度的预测;并在模型中进行检验,以判定该模型是否恰当,如果不恰当就重新估计参数。Ⅳ、利用具有合适参数模型进行番茄温室温度的预测。本专利使用软件调用SPSS统计分析软件包中时间序列分析功能的ARIMA模块实现番茄温室温度预测的整个建模过程。
③、最小二乘支持向量机LS-SVM温度预测模型设计
最小二乘支持向量机LS-SVM温度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,LS-SVM算法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LS-SVM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温度预测模型为:
模型的预测输出是番茄温室温度值,每个中间节点对应一个支持向量,x1,x2,…xn为番茄温室温度的历史数据作为输入变量,αi为网络权重。最小二乘支持向量机LS-SVM温度预测模型根据番茄温室历史温度值预测番茄温室温度值。
(2)、番茄温室风速预测子***设计
番茄温室风速预测子***包括番茄温室风速小波分解模型、多个DRNN神经网络风速预测模型和各分量预测模型值等权重相加得到融合预测值三部分组成,番茄温室风速小波分解模型把温室风速检测值分解为低频趋势部分和多个高频波动部分,温室风速检测值经过番茄温室风速小波分解模型分解得到的低频趋势部分和多个高频波动部分分别作为多个DRNN神经网络风速预测模型的输入,多个DRNN神经网络风速预测模型的输出分别为温室风速检测值的低频趋势部分和多个高频波动部分的预测值,多个DRNN神经网络风速预测模型的输出值等权重相加得到温室风速预测值;
A、番茄温室风速小波分解模型
番茄温室环境风速检测数据作为番茄温室风速小波分解模型的输入,番茄温室风速小波分解模型把番茄温室环境风速检测数据分成低频分量和多个高频分量,每组低频分量和高频分量分别作为多个DRNN神经网络风速预测模型的输入,来提高番茄温室环境风速预测精确度。本发明专利用小波分析方法对番茄温室环境风速的时间序列检测进行分解,对分解后的各层信息进行自相关和互相关分析;小波分解过程中对信号做了平滑处理,因此,分析经过小波处理后的数据要容易很多。根据各层信号分析后的特点分别建立相应的DRNN神经网络风速预测模型来预测番茄温室的风速,最后将多个DRNN神经网络风速预测模型的输出等权重相加得到番茄温室风速预测值。小波多分辨率分解过程一般采用Mallat算法,该算法的分解关系表示如下:
式(8)中h0、h1分别为低通分解滤波器和高通分解滤波器。mp、np分别是分辨率为2-p下的低频系数和高频系数。该算法重构关系如下:
式(9)中g0、g1分别为低通重构滤波器和高通重构滤波器。Ap、Dp分别是分辨率2-p下的低频分量和高频分量。Mallat算法将每一层分解后的低频信号部分再次分解成高频和低频,这样进行层层分解。原始番茄温室风速历史数据X进行p层分解后得到的结果为:
X=D1+D2+…Dp+Ap (10)
式(10)中Ap为第p层分解后的低频信号部分,Dp为第p层分解后的高频部分。多个小波分析可以将番茄温室风速历史数据序列信号分解到不同的分辨率空间中,这样处理后的效果是分解到各分辨率空间中的番茄温室风速历史数据序列比番茄温室风速历史数据序列简单并且预测番茄温室风速值更加精确。
B、多个DRNN神经网络风速预测模型
每个DRNN神经网络风速预测模型是一种具有反馈的动态回归神经网络和适应时变特性的能力,该网络能够更直接生动地反映番茄温室风速动态变化性能,可以精确预测番茄温室风速速度,每个DRNN网络3-7-1的3层网络结构,其隐层为回归层。在本发明DRNN神经网络风速预测模型中,设I=[I1(t),I2(t),…,In(t)]为网络输入向量,其中Ii(t)为番茄温室风速预测模型DRNN网络输入层第i个神经元t时刻的输入,回归层第j个神经元的输出为Xj(t),Sj(t)为第j个回归神经元输入总和,f(·)为S的函数,则O(t)为DRNN网络的输出。则DRNN神经网络风速预测模型的输出层输出为:
番茄温室风速小波分解模型番茄温室风速历史数据分解为低频趋势部分和多个高频波动部分作为每组DRNN网络预测模型的输入,每组DRNN网络预测模型实现对番茄温室风速的低频趋势部分和多个高频波动部分进行分别预测,各个DRNN神经网络风速预测模型等权重累加和为番茄温室风速的融合预测值如附图2所示。
(3)、番茄温室温度校正融合模型
番茄温室温度校正融合模型由6个微分算子S和DRNN神经网络组成,6个微分算子平均分成3组,每组2个微分算子相串联分别构成微分回路1和微分回路2以及微分回路3;番茄温室温度预测子***的番茄温室温度组合预测模型1的输出为微分回路1的输入和DRNN神经网络的C端的输入,微分回路1的输出为DRNN神经网络的A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DRNN神经网络的B端的输入;番茄温室温度预测子***的番茄温室温度组合预测模型2的输出为微分回路2的输入和DRNN神经网络的D端的输入,微分回路2的输出为ADRNN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DRNN神经网络F端的输入;番茄温室温度预测子***的番茄温室温度组合预测模型3的输出为微分回路3的输入和DRNN神经网络的J端的输入,微分回路3的输出为DRNN神经网络K端的输入,微分回路3的2个微分算子S的连接端的输出为DRNN神经网络L端的输入;番茄温室风速预测子***的输出为DRNN神经网络I端的输入;DRNN神经网络由10个输入端节点、20个中间节点和1个输出端节点组成,微分算子在MATLAB中调用,番茄温室温度校正融合模型实现对番茄温室预测的温度值的校正,反映了番茄温室的湿度的实际值变化对番茄温室温度的影响,提高番茄温室温度预测的精确度;DRNN神经网络设计过程参照DRNN神经网络风速预测模型设计方法.
(4)、最小二乘支持向量机LS-SVM番茄温室温度等级分类器
最小二乘支持向量机LS-SVM番茄温室温度等级分类器根据番茄温室温度校正融合模型输出番茄温室温度预测值的大小、番茄生长阶段和番茄的种类为最小二乘支持向量机LS-SVM番茄温室温度等级分类器的输入,最小二乘支持向量机LS-SVM番茄温室温度等级分类器的输出把番茄温室温度预测值的大小对不同种类番茄在不同生长阶段的影响分为温室温度太高、温室温度比较高、温室温度良好、温室温度低和温室温度太低5个番茄温室温度等级。把番茄的生长阶段量化为数字作为最小二乘支持向量机LS-SVM番茄温室温度等级分类器的输入,番茄的生长阶段量化为发芽期为1,育苗期为2,开花期为3,结果期为4;番茄种类量化为数字作为最小二乘支持向量机LS-SVM番茄温室温度等级分类器的输入,番茄的种类量化为红冠为1,宏帅518为2,戴安娜为3,迦姆拉为4等把番茄种类量化为数字量;最小二乘支持向量机LS-SVM黄瓜温室温度等级分类器的输出为[1,0.8)为温室温度太高,[0.8,0.6)为温室温度比较高,[0.6,0.4)为温室温度良好,[0.4,0.2)为温室温度低,[0.2,0.0]为温室温度太低,最小二乘支持向量机LS-SVM黄瓜温室温度等级分类器的设计参照最小二乘支持向量机LS-SVM温度预测模型设计方法。
5、番茄温室环境温度智能监测***的设计举例
根据番茄温室环境的状况,***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均衡布置在被检测番茄温室环境中,整个***平面布置见图6,通过该***实现对番茄温室环境参数的采集与番茄温室环境温度检测和智能化预警。
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)
1.一种基于最小向量机的番茄温室温度智能预警***,其特征在于:所述预警***由基于CAN现场总线的番茄温室环境参数采集与智能预测平台和番茄温室温度智能预警***两部分组成;番茄温室温度智能预警***包括番茄温室温度预测子***、番茄温室风速预测子***和番茄温室温度校正融合模型和最小二乘支持向量机LS-SVM番茄温室温度等级分类器四部分组成,实现对番茄温室温度的精确检测、预测和预警;
所述番茄温室温度预测子***包括番茄温室环境温度LVQ神经网络分类器、番茄温室温度组合预测模型1、番茄温室温度组合预测模型2和番茄温室温度组合预测模型3 组成,每个番茄温室温度组合预测模型包括GRNN神经网络温度预测模型、ARIMA自回归滑动平均温度预测模型和最小二乘支持向量机LS-SVM温度预测模型以及三个预测模型值等权重相加和得到温度融合预测值,番茄温室环境温度LVQ神经网络分类器把温室温度多个检测点值分为3种类型,每种类型的温室温度检测点值作为对应类的番茄温室温度组合预测模型的输入,每个番茄温室温度组合预测模型实现对不同类温室温度检测点值的温度预测,3个番茄温室温度组合预测模型的输出值作为番茄温室温度预测子***的输出;
所述番茄温室风速预测子***包括番茄温室风速小波分解模型、多个DRNN神经网络风速预测模型和多个DRNN神经网络风速预测模型值等权重相加得到风速融合预测值三部分组成,番茄温室风速小波分解模型把番茄温室风速检测值分解为低频趋势部分和多个高频波动部分,番茄温室风速检测值经过番茄温室风速小波分解模型分解得到的低频趋势部分和多个高频波动部分分别作为多个DRNN神经网络风速预测模型的输入,多个DRNN神经网络风速预测模型的输出分别为温室风速检测值的低频趋势部分和多个高频波动部分的预测值,多个DRNN神经网络风速预测模型的输出值等权重相加得到番茄温室风速预测值;
所述番茄温室温度校正融合模型由6个微分算子S和DRNN神经网络组成,6个微分算子平均分成3组,每组2个微分算子相串联分别构成微分回路1和微分回路2以及微分回路3;番茄温室温度预测子***的番茄温室温度组合预测模型1的输出为微分回路1的输入和DRNN神经网络的C端的输入,微分回路1的输出为DRNN神经网络的A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DRNN神经网络的B端的输入;番茄温室温度预测子***的番茄温室温度组合预测模型2的输出为微分回路2的输入和DRNN神经网络的D端的输入,微分回路2的输出为DRNN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DRNN神经网络F端的输入;番茄温室温度预测子***的番茄温室温度组合预测模型3的输出为微分回路3的输入和DRNN神经网络的J端的输入,微分回路3的输出为DRNN神经网络K端的输入,微分回路3的2个微分算子S的连接端的输出为DRNN神经网络L端的输入;番茄温室风速预测子***的输出为DRNN神经网络I端的输入;DRNN神经网络由10个输入端节点、20个中间节点和1个输出端节点组成,番茄温室温度校正融合模型实现对番茄温室预测的温度值的校正,反映了番茄温室的湿度的实际值变化对番茄温室温度的影响,提高番茄温室温度预测的精确度;
所述最小二乘支持向量机LS-SVM番茄温室温度等级分类器根据番茄温室温度校正融合模型输出番茄温室温度预测值的大小、番茄生长阶段和番茄的种类为最小二乘支持向量机LS-SVM番茄温室温度等级分类器的输入,最小二乘支持向量机LS-SVM番茄温室温度等级分类器的输出把番茄温室温度预测值的大小对不同种类番茄在不同生长阶段的影响分为温室温度太高、温室温度比较高、温室温度良好、温室温度低和温室温度太低5个番茄温室温度等级。
2.根据权利要求1所述的一种基于最小向量机的番茄温室温度智能预警***,其特征在于:所述基于CAN现场总线的番茄温室环境参数采集与智能预测平台由检测节点、控制节点和现场监控端组成,通过CAN现场总线构建成番茄温室环境参数采集与智能预测平台,实现对番茄温室环境因子参数进行监测、调节和监控。
3.根据权利要求2所述的一种基于最小向量机的番茄温室温度智能预警***,其特征在于:所述检测节点分别由传感器组模块、单片机和通信模块组成,传感器组模块负责检测番茄温室环境的温度、湿度、风速和光照度等番茄温室小气候环境参数,由单片机控制采样间隔并通过通信模块发送给现场监控端。
4.根据权利要求2所述的一种基于最小向量机的番茄温室温度智能预警***,其特征在于:所述控制节点实现对番茄温室环境参数的调节设备进行控制。
5.根据权利要求2所述的一种基于最小向量机的番茄温室温度智能预警***,其特征在于:所述现场监控端由一台工业控制计算机和RS232/CAN通信模块组成,实现对检测节点检测番茄温室环境参数进行管理和对番茄温室环境多点温度进行融合、校正和智能预警。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910319315.5A CN110119169B (zh) | 2019-04-19 | 2019-04-19 | 一种基于最小向量机的番茄温室温度智能预警*** |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910319315.5A CN110119169B (zh) | 2019-04-19 | 2019-04-19 | 一种基于最小向量机的番茄温室温度智能预警*** |
Publications (2)
Publication Number | Publication Date |
---|---|
CN110119169A true CN110119169A (zh) | 2019-08-13 |
CN110119169B CN110119169B (zh) | 2020-08-21 |
Family
ID=67521172
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201910319315.5A Active CN110119169B (zh) | 2019-04-19 | 2019-04-19 | 一种基于最小向量机的番茄温室温度智能预警*** |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN110119169B (zh) |
Cited By (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110531815A (zh) * | 2019-09-25 | 2019-12-03 | 中国农业科学院农业信息研究所 | 一种融合室内外环境参数的温室智能预调控装置及方法 |
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*** |
CN110705757A (zh) * | 2019-09-10 | 2020-01-17 | 淮阴工学院 | 一种基于现场总线网络的多点温度传感器智能监测*** |
CN110942183A (zh) * | 2019-11-14 | 2020-03-31 | 南京信息工程大学滨江学院 | 一种设施黄绣球菊花生育期模拟方法 |
CN111998885A (zh) * | 2020-08-25 | 2020-11-27 | 淮阴工学院 | 一种测量用的参数校准*** |
CN111998887A (zh) * | 2020-08-25 | 2020-11-27 | 淮阴工学院 | 一种用于参数测量的检测装置 |
CN116182945A (zh) * | 2023-02-22 | 2023-05-30 | 上海华维可控农业科技集团股份有限公司 | 基于无线传感器网络的可控农业温室环境监测***及方法 |
Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103941782A (zh) * | 2014-04-10 | 2014-07-23 | 东华大学 | 一种应用于温室大棚的温湿度先进控制方法 |
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 |
US20140249876A1 (en) * | 2011-09-20 | 2014-09-04 | The Trustees Of Columbia University In The City Of New York | Adaptive Stochastic Controller for Energy Efficiency and Smart Buildings |
CN107168402A (zh) * | 2017-05-12 | 2017-09-15 | 淮阴工学院 | 基于can现场总线的鸡舍环境温度智能监测*** |
CN107289998A (zh) * | 2017-05-12 | 2017-10-24 | 淮阴工学院 | 基于can总线的猪舍环境温度智能监测*** |
-
2019
- 2019-04-19 CN CN201910319315.5A patent/CN110119169B/zh active Active
Patent Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20140249876A1 (en) * | 2011-09-20 | 2014-09-04 | The Trustees Of Columbia University In The City Of New York | Adaptive Stochastic Controller for Energy Efficiency and Smart Buildings |
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 |
CN103941782A (zh) * | 2014-04-10 | 2014-07-23 | 东华大学 | 一种应用于温室大棚的温湿度先进控制方法 |
CN107168402A (zh) * | 2017-05-12 | 2017-09-15 | 淮阴工学院 | 基于can现场总线的鸡舍环境温度智能监测*** |
CN107289998A (zh) * | 2017-05-12 | 2017-10-24 | 淮阴工学院 | 基于can总线的猪舍环境温度智能监测*** |
Non-Patent Citations (1)
Title |
---|
靖永志等: "基于RBF神经网络和LS-SVM组合模型的磁浮车间隙传感器温度补偿", 《电工技术学报》 * |
Cited By (10)
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*** |
CN110705757A (zh) * | 2019-09-10 | 2020-01-17 | 淮阴工学院 | 一种基于现场总线网络的多点温度传感器智能监测*** |
CN110705757B (zh) * | 2019-09-10 | 2020-10-02 | 淮阴工学院 | 一种基于现场总线网络的多点温度传感器智能监测*** |
CN110531815A (zh) * | 2019-09-25 | 2019-12-03 | 中国农业科学院农业信息研究所 | 一种融合室内外环境参数的温室智能预调控装置及方法 |
CN110942183A (zh) * | 2019-11-14 | 2020-03-31 | 南京信息工程大学滨江学院 | 一种设施黄绣球菊花生育期模拟方法 |
CN110942183B (zh) * | 2019-11-14 | 2023-10-17 | 南京信息工程大学滨江学院 | 一种设施黄绣球菊花生育期模拟方法 |
CN111998885A (zh) * | 2020-08-25 | 2020-11-27 | 淮阴工学院 | 一种测量用的参数校准*** |
CN111998887A (zh) * | 2020-08-25 | 2020-11-27 | 淮阴工学院 | 一种用于参数测量的检测装置 |
CN116182945A (zh) * | 2023-02-22 | 2023-05-30 | 上海华维可控农业科技集团股份有限公司 | 基于无线传感器网络的可控农业温室环境监测***及方法 |
CN116182945B (zh) * | 2023-02-22 | 2023-11-07 | 上海华维可控农业科技集团股份有限公司 | 基于无线传感器网络的可控农业温室环境监测***及方法 |
Also Published As
Publication number | Publication date |
---|---|
CN110119169B (zh) | 2020-08-21 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN110084417B (zh) | 一种基于grnn神经网络的草莓温室环境参数智能监测*** | |
CN110119169A (zh) | 一种基于最小向量机的番茄温室温度智能预警*** | |
US11741555B2 (en) | Crop yield estimation method based on deep temporal and spatial feature combined learning | |
WO2022253057A1 (zh) | 一种用于日光温室果菜栽培的智能水分精准灌溉控制***及方法 | |
CN110119766B (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 | |
US20220075344A1 (en) | A method of finding a target environment suitable for growth of a plant variety | |
CN110119767B (zh) | 一种基于lvq神经网络的黄瓜温室温度智能化检测装置 | |
CN110109193B (zh) | 一种基于drnn神经网络的茄子温室温度智能化检测装置 | |
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 | |
Chang et al. | Artificial intelligence approaches to predict growth, harvest day, and quality of lettuce (Lactuca sativa L.) in a IoT-enabled greenhouse system | |
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 | |
CN107169621A (zh) | 一种水体溶解氧预测方法及装置 | |
CN110069032B (zh) | 一种基于小波神经网络的茄子温室环境智能检测*** | |
CN110147825B (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 | |
CN117036088A (zh) | 一种ai识别绿化植物生长态势的数据采集分析方法 | |
CN110083190A (zh) | 一种基于减法聚类分类器的青椒温室环境智能监测*** | |
CN107271372A (zh) | 一种苹果叶片叶绿素遥感估测方法 | |
CN108762084A (zh) | 基于模糊控制决策的水田灌溉***及方法 | |
WO2023024615A1 (zh) | 一种基于植株萎蔫程度进行精准灌溉的***及方法 | |
Xiujia et al. | Application of WNN-PSO model in drought prediction at crop growth stages: A case study of spring maize in semi-arid regions of northern China | |
Gao et al. | How can agricultural water production be promoted? A review on machine learning for irrigation | |
Dadios et al. | Automation and control for adaptive management system of urban agriculture using computational intelligence | |
Zhang et al. | Modeling and simulation of temperature control system in plant factory using energy balance | |
CN106803209A (zh) | 实时数据库和先进控制算法的作物培育模式分析优化方法 | |
Macabiog et al. | Soil moisture and rain prediction based irrigation controller for the strawberry farm of La Trinidad, Benguet |
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: 20221221 Address after: 223001 Room 208-1, Building 7, No. 83, Beijing North Road, Qingjiangpu District, Huai'an City, Jiangsu Province Patentee after: Huai'an Runlian Information 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 |