CN110119766B - 一种多组合智能化模型的青椒温室温度智能化预警装置 - Google Patents

一种多组合智能化模型的青椒温室温度智能化预警装置 Download PDF

Info

Publication number
CN110119766B
CN110119766B CN201910320146.7A CN201910320146A CN110119766B CN 110119766 B CN110119766 B CN 110119766B CN 201910320146 A CN201910320146 A CN 201910320146A CN 110119766 B CN110119766 B CN 110119766B
Authority
CN
China
Prior art keywords
green pepper
pepper greenhouse
temperature
greenhouse
prediction
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
Application number
CN201910320146.7A
Other languages
English (en)
Other versions
CN110119766A (zh
Inventor
王建国
马从国
马晨雷
郑文涛
陈亚娟
杨玉东
丁晓红
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.)
Ningxiang Hot Pepper Sweet Agricultural 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 CN201910320146.7A priority Critical patent/CN110119766B/zh
Publication of CN110119766A publication Critical patent/CN110119766A/zh
Application granted granted Critical
Publication of CN110119766B publication Critical patent/CN110119766B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

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
    • 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
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/24—Classification techniques
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/24—Classification techniques
    • G06F18/241—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches
    • G06F18/2411—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches based on the proximity to a decision surface, e.g. support vector machines
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/25—Fusion techniques
    • G06F18/254—Fusion techniques of classification results, e.g. of results related to same input data
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
    • G06Q10/00—Administration; Management
    • G06Q10/04—Forecasting or optimisation specially adapted for administrative or management purposes, e.g. linear programming or "cutting stock problem"
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
    • G06Q50/00—Information and communication technology [ICT] specially adapted for implementation of business processes of specific business sectors, e.g. utilities or tourism
    • G06Q50/02—Agriculture; Fishing; Forestry; Mining
    • G—PHYSICS
    • G08—SIGNALLING
    • G08B—SIGNALLING OR CALLING SYSTEMS; ORDER TELEGRAPHS; ALARM SYSTEMS
    • G08B21/00—Alarms responsive to a single specified undesired or abnormal condition and not otherwise provided for
    • G08B21/18—Status alarms
    • H—ELECTRICITY
    • H04—ELECTRIC COMMUNICATION TECHNIQUE
    • H04L—TRANSMISSION OF DIGITAL INFORMATION, e.g. TELEGRAPHIC COMMUNICATION
    • H04L12/00—Data switching networks
    • H04L12/28—Data switching networks characterised by path configuration, e.g. LAN [Local Area Networks] or WAN [Wide Area Networks]
    • H04L12/40—Bus networks
    • H—ELECTRICITY
    • H04—ELECTRIC COMMUNICATION TECHNIQUE
    • H04L—TRANSMISSION OF DIGITAL INFORMATION, e.g. TELEGRAPHIC COMMUNICATION
    • H04L12/00—Data switching networks
    • H04L12/28—Data switching networks characterised by path configuration, e.g. LAN [Local Area Networks] or WAN [Wide Area Networks]
    • H04L12/40—Bus networks
    • H04L2012/40208—Bus networks characterized by the use of a particular bus standard
    • H04L2012/40215—Controller Area Network CAN

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Data Mining & Analysis (AREA)
  • Business, Economics & Management (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Artificial Intelligence (AREA)
  • Evolutionary Biology (AREA)
  • Evolutionary Computation (AREA)
  • General Engineering & Computer Science (AREA)
  • Economics (AREA)
  • Human Resources & Organizations (AREA)
  • Strategic Management (AREA)
  • General Business, Economics & Management (AREA)
  • Tourism & Hospitality (AREA)
  • Marketing (AREA)
  • Marine Sciences & Fisheries (AREA)
  • Entrepreneurship & Innovation (AREA)
  • Animal Husbandry (AREA)
  • Operations Research (AREA)
  • Mining & Mineral Resources (AREA)
  • Health & Medical Sciences (AREA)
  • General Health & Medical Sciences (AREA)
  • Primary Health Care (AREA)
  • Quality & Reliability (AREA)
  • Agronomy & Crop Science (AREA)
  • Game Theory and Decision Science (AREA)
  • Development Economics (AREA)
  • Automation & Control Theory (AREA)
  • Signal Processing (AREA)
  • Computer Networks & Wireless Communication (AREA)
  • Emergency Management (AREA)
  • Feedback Control In General (AREA)
  • Greenhouses (AREA)

Abstract

本发明公开了一种多组合智能化模型的青椒温室温度智能化预警装置，所述预警装置由基于CAN现场总线的青椒温室环境参数采集平台和青椒温室温度智能预警***两部分组成；本发明不但有效解决了传统青椒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青椒温室内环境仍存在许多问题，而且有效解决了现有的青椒温室环境监测***，没有根据青椒温室环境温度变化的非线性、大滞后和青椒温室面积大温度变化复杂等特点，对青椒温室环境的温度进行融合与预警，从而极大的影响青椒温室环境温度的调控问题。

Description

一种多组合智能化模型的青椒温室温度智能化预警装置
技术领域
本发明涉及农业温室自动化装备的技术领域，具体涉及一种多组合智能化模型的青椒温室温度智能化预警装置。
背景技术
青椒苗期因棚内温度、湿度影响，容易发生猝倒病、病毒病，导致育苗率下降。青椒苗期病害的发生与温度、湿度密切相关。低温、高湿易发生猝倒病；高温、低湿易发生病毒病。因此，可通过智能装置，自动调节棚内温度、湿度，降低青椒苗期病害的发生，提高种苗商品率。温度过高是大棚问题的根源，对青椒生长产生一系列负面影响：①、在高温情况下，节间变长，叶片增大，加上前期控制不当，往往形成椒秧疯长。正常生长的青椒，株高一般为50-60cm，徒长的青椒株高一般达70-80cm甚至更高，疯长的株高一般在90cm以上；②、在开花期，棚中部地表以上50cm高度，温度超过34℃有4h，超过35℃有2h，超过36℃有1h。超过34℃共有7h，在这样高的温度条件下，一是植株呼吸强度加大，光合作用减弱。二是花药败育，失去受精能力，坐果率降低。地表以上20-30cm高度，达到34℃为1h，引发花药败育的高温时间减少75％，是对椒和四门斗椒坐果率较高的主要原因，而四门斗椒以上，由于高温胁迫，坐果率大幅度降低。③、在膨果期，白天棚温达34℃以上持续时间较长，为了降温，菜农的首选措施一是增加浇水次数和加大浇水量，二是在棚膜外涂抹泥浆进行遮光。这样一方面因土壤缺氧，导致根系呼吸强度降低，影响水分及无机矿物质的吸收，另一方面由于棚膜透光率降低，影响光合作用的正常进行，光合效率降低，对果实发育造成不利影响。辣椒是喜温蔬菜，温度主要是通风降温调控，要及时做好防寒和防早霜的准备，10月15日前后就要上草苫。冬季白天温度应保持在20℃-25℃，夜间13℃-18℃，最低应控制在8℃以上。以保温为主，通风量要减小，通风时间要变短，以顶部通风为主，下午温度降到18℃时，及时盖草苫。
国内专家纷纷开展青椒温室研究，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。蔡镔等研究基于无线传感器网络的温室生态智能监控***，秦芹设计基于无线传感器网络的温室大棚监控***，程倩研究基于无线传感器的温室大棚智能监控***，他们通过建立无线传感器网络并利用温湿度及气体传感器对温室大棚内的环境参数进行测算，通过无线传感器网络实现了数据高速传输，提高了温室大棚环境监测的智能性和可靠性，降低了温室大棚的监控成本，实现了真正意义上的远程监控。张静清研究不同生态环境及青椒长势和产量的比较，结果表面设施集成技术棚较采用常规技术棚的生态环境有明显改善；青椒长势明显整齐；单株增加精品果产量和结果数达到显著与极显著水平，增产33％。经过比较后认为简易大棚青椒生产上出现的减产问题是生态环境不良所致，设施集成技术棚为解决低产与低质量问题提供了可能。
发明内容
本发明提供了一种多组合智能化模型的青椒温室温度智能化预警装置，本发明不但有效解决了传统青椒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青椒温室内环境仍存在许多问题，而且有效解决了现有的青椒温室环境监测***，没有根据青椒温室环境温度变化的非线性、大滞后和青椒温室面积大温度变化复杂等特点，对青椒温室环境的温度进行融合与预警，从而极大的影响青椒温室环境温度的调控问题。
本发明通过以下技术方案实现：
一种多组合智能化模型的青椒温室温度智能化预警装置，由基于CAN现场总线的青椒温室环境参数采集平台和青椒温室温度智能预警***两部分组成，基于CAN现场总线的青椒温室环境参数采集平台实现对青椒温室环境因子参数进行检测、调节和监控；青椒温室温度智能预警***包括青椒温室温度预测子***、青椒温室湿度预测子***、青椒温室风速预测子***、青椒温室温度校正模型和HRFNN递归神经网络青椒温室温度等级分类器，提高青椒温室环境温度检测精确度、鲁棒性和可靠性，青椒温室温度智能预警***见图2所示。
本发明进一步技术改进方案是：
基于CAN现场总线的青椒温室环境参数采集平台由检测节点、控制节点和现场监控端组成，它们通过CAN现场总线构建成青椒温室环境参数采集平台。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通信模块发送给现场监控端；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和RS232/CAN通信模块组成，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环境多点温度进行融合。基于CAN现场总线的青椒温室环境参数采集平台见图1所示。
本发明进一步技术改进方案是：
青椒温室温度预测子***包括青椒温室环境温度减法聚类分类器、多个HRFNN递归神经网络温度预测模型、HRFNN递归神经网络青椒温室温度预测融合模型；青椒温室多个温度检测点的温度值为青椒温室环境温度减法聚类分类器的输入，青椒温室环境温度减法聚类分类器把青椒温室多个温度检测点的温度值分为多个类型，青椒温室多个温度检测点的多个类型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的输出分别为青椒温室各个温度类型的温度预测值，HRFNN递归神经网络青椒温室温度预测融合模型实现对青椒温室各个温度类型的温度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：
青椒温室湿度预测子***包括青椒温室湿度经验模态(EMD)分解模型、多个最小二乘支持向量机(LS-SVM)湿度预测模型和ANFIS神经网络青椒温室湿度预测融合模型；青椒温室湿度检测数据作为青椒温室湿度经验模态(EMD)分解模型的输入，青椒温室湿度经验模态(EMD)分解模型把青椒温室湿度历史数据分解为低频趋势部分和多个高频波动部分，青椒温室湿度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)湿度预测模型的输入，多个最小二乘支持向量机(LS-SVM)湿度预测模型分别预测得到青椒温室湿度的低频趋势部分和多个高频波动部分的预测值，ANFIS神经网络青椒温室湿度预测融合模型的输入为低频趋势部分和多个高频波动部分的预测值，ANFIS神经网络青椒温室湿度预测融合模型的输出为青椒温室湿度的预测值。
本发明进一步技术改进方案是：
青椒温室风速预测子***包括青椒温室风速经验模态(EMD)分解模型、多个ANFIS神经网络风速预测模型和最小二乘支持向量机(LS-SVM)青椒温室风速预测融合模型；青椒温室风速检测数据作为青椒温室风速经验模态(EMD)分解模型的输入，青椒温室风速经验模态(EMD)分解模型把青椒温室风速检测数据分解为低频趋势部分和多个高频波动部分，青椒温室风速检测数据的低频趋势部分和多个高频波动部分分别为多个ANFIS神经网络风速预测模型的输入，多个ANFIS神经网络风速预测模型的输出分别为青椒温室风速检测数据的低频趋势部分和多个高频波动部分的预测值，最小二乘支持向量机(LS-SVM)青椒温室风速预测融合模型对青椒温室风速检测数据的低频趋势部分和多个高频波动部分的预测值进行融合得到青椒温室风速预测值。
本发明进一步技术改进方案是：
青椒温室温度校正模型由6个微分算子S和最小二乘支持向量机(LS-SVM)组成，6个微分算子S平均分成3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以及微分回路3；青椒温室温度预测子***的输出作为微分回路1的输入和最小二乘支持向量机(LS-SVM)I端的输入，微分回路1的2个微分算子S的连接端的输出为最小二乘支持向量机(LS-SVM)B端的输入，微分回路1的输出为最小二乘支持向量机(LS-SVM)A端的输入；青椒温室湿度预测子***的输出作为微分回路2的输入和最小二乘支持向量机(LS-SVM)C端的输入，微分回路2的2个微分算子S的连接端的输出为最小二乘支持向量机(LS-SVM)D端的输入，微分回路2的输出为最小二乘支持向量机(LS-SVM)E端的输入；青椒温室风速预测子***的输出作为微分回路3的输入和最小二乘支持向量机(LS-SVM)F端的输入，微分回路3的2个微分算子S的连接端的输出为最小二乘支持向量机(LS-SVM)J端的输入，微分回路3的输出为最小二乘支持向量机(LS-SVM)K端的输入；最小二乘支持向量机(LS-SVM)由9个输入端节点分别为I、A、B、C、D、E、F、J和K，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，青椒温室温度校正模型实现对青椒温室湿度和风速对青椒温室温度影响程度的校正，反映了温室湿度和风速的实际值变化对青椒温室温度的影响大小，提高青椒温室温度预测的精确度。
本发明进一步技术改进方案是：
HRFNN递归神经网络青椒温室温度等级分类器根据青椒温室温度校正模型输出青椒温室温度测值的大小、青椒种类和青椒生长阶段作为HRFNN递归神经网络青椒温室温度等级分类器的输入，HRFNN递归神经网络青椒温室温度等级分类器的输出把青椒温室温度分为青椒温室温度过高、青椒温室温度比较高、青椒温室温度良好、青椒温室温度低和青椒温室温度很低五个青椒温室温度等级。
本发明与现有技术相比，具有以下明显优点：
一、本发明根据青椒温室多个温度检测点参数样本差异的特点,构建青椒温室环境温度减法聚类分类器对青椒温室多点温度预测样本参数进行分类，设计多个HRFNN递归神经网络温度预测模型和HRFNN递归神经网络青椒温室温度预测融合模型，通过多个HRFNN递归神经网络温度预测模型分别对青椒温室不同类型的温度检测参数进行预测，通过HRFNN递归神经网络青椒温室温度预测融合模型对不同类型的青椒温室温度参数的预测值进行融合，提高青椒温室温度检测和融合精确度。
二、本发明采用HRFNN递归神经网络预测模型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、湿度和风速等参数的动态辨识。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,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。
三、本发明通过经验模态分解模型(EMD)将原始青椒温室湿度和风速检测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，这与青椒温室的湿度和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EMD能够逐级分解出青椒温室湿度和风速变化的波动成分、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青椒温室湿度和风速变形序列曲线光滑。可见EMD能有效分析多因素共同作用下的青椒温室湿度和风速变形数据，分解得到的各分量有利于多个最小二乘支持向量机(LS-SVM)湿度预测模型与ANFIS神经网络青椒温室湿度预测融合模型和多个ANFIS神经网络风速预测模型与最小二乘支持向量机(LS-SVM)青椒温室风速预测融合模型分别对青椒温室的湿度和风速进行精确预测，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预测精度。
四、本发明青椒温室温度校正模型由6个微分算子S和最小二乘支持向量机(LS-SVM)组成，6个微分算子S平均分成3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以及微分回路3；微分回路1和微分回路2以及微分回路3分别将青椒温室的温度、湿度和风速的预测值、一次和二次变化率引入最小二乘支持向量机(LS-SVM)网络校正模型训练中，形成新的输入向量，具有良好的非线性映射能力，青椒温室温度校正模型网络模型的输入不仅包括青椒温室的温度、湿度和风速的预测值输入数据，还包含它们的一次和二次变化率数据，青椒温室温度校正模型的最小二乘支持向量机(LS-SVM)网络的泛化能力得到提高，使其在非线性青椒温室温度预测校正预测中较传统的静态神经网络具有更好的预测精度和自适应能力。
五、本发明HRFNN递归神经网络青椒温室温度等级分类器根据青椒温室温度校正模型输出青椒温室温度测值的大小、青椒种类和青椒生长阶段作为HRFNN递归神经网络青椒温室温度等级分类器的输入，HRFNN递归神经网络青椒温室温度等级分类器的输出把青椒温室温度分为青椒温室温度过高、青椒温室温度比较高、青椒温室温度良好、青椒温室温度低和青椒温室温度很低五个青椒温室温度等级，根据青椒温室种植青椒种类和生长阶段以及青椒温室温度预测值大小对青椒温室温度进行分类，该分类方法提高青椒温室温度分类的科学性和可靠性。
附图说明
图1为本发明基于CAN现场总线的青椒温室环境参数采集平台；
图2为本发明青椒温室温度智能预警***；
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为本专利现场监控端软件功能图；
图6为本发明青椒温室环境参数采集台平面布置图。
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
本发明实现对青椒温室环境因子参数进行检测和青椒温室环境多点温度融合，该***由基于CAN现场总线的青椒温室环境参数采集平台和青椒温室温度智能预警***两部分组成。基于CAN现场总线的青椒温室环境参数采集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，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
采用基于CAN现场总线的检测节点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、STC89C52RC微处理器；检测节点的软件主要实现现场总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控制电路、STC89C52RC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主要实现对青椒温室环境参数进行采集和温度预警，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环境多点温度融合。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，青椒温室温度智能预警***包括青椒温室温度预测子***、青椒温室湿度预测子***、青椒温室风速预测子***、青椒温室温度校正模型和HRFNN递归神经网络青椒温室温度等级分类器；青椒温室温度智能预警***见图2所示，现场监控端软件功能见图5。青椒温室温度智能预警***算法如下：
(1)、青椒温室温度预测子***设计
青椒温室温度预测子***包括青椒温室环境温度减法聚类分类器、多个HRFNN递归神经网络温度预测模型、HRFNN递归神经网络青椒温室温度预测融合模型；
A、青椒温室环境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：
Figure GDA0003530879840000091
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:
Figure GDA0003530879840000092
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 (3)
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(2)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
Figure GDA0003530879840000111
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：
Figure GDA0003530879840000112
式中
Figure GDA0003530879840000113
和
Figure GDA0003530879840000114
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：
Figure GDA0003530879840000115
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：
Figure GDA0003530879840000121
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，aj (3)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：
Figure GDA0003530879840000122
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递归神经网络预测模型适应非线性动态***的能力，HRFNN递归神经网络预测模型可以准确地预测的青椒温室温度参数。
C、HRFNN递归神经网络青椒温室温度预测融合模型
HRFNN递归神经网络青椒温室温度预测融合模型的输入是多个各类HRFNN递归神经网络温度预测模型的输出值，HRFNN递归神经网络青椒温室温度预测融合模型的输出是对多个各类HRFNN递归神经网络温度预测模型的输出值的融合，HRFNN递归神经网络青椒温室温度预测融合模型的设计方法参照本专利的多个HRFNN递归神经网络温度预测模型设计方法。
(2)、青椒温室湿度预测子***设计
青椒温室湿度预测子***包括青椒温室湿度经验模态(EMD)分解模型、多个最小二乘支持向量机(LS-SVM)湿度预测模型和ANFIS神经网络青椒温室湿度预测融合模型；
A、青椒温室湿度经验模态(EMD)分解模型
青椒温室湿度经验模态分解(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。它能将存在于青椒温室湿度历史数据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。青椒温室湿度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。使用青椒温室湿度经验模态分解的目的就是为了更准确地提取青椒温室湿度历史数据信息。青椒温室湿度经验模态分解方法针对青椒温室湿度历史数据的“筛分”过程步骤如下：
①.确定青椒温室湿度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.在用三次样条线青椒温室湿度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) (8)
x(t)为青椒温室湿度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) (9)
将r1(t)作为原始数据重复步骤①-步骤④，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。这样青椒温室湿度经验模态分解模型就把青椒温室湿度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)湿度预测模型
多个最小二乘支持向量机(LS-SVM)湿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，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。设青椒温室湿度低频和高频分量的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)模型的线性回归方程如下：
Figure GDA0003530879840000141
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：
Figure GDA0003530879840000151
最小二乘支持向量机(LS-SVM)模型的预测输出是青椒温室湿度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为青椒温室湿度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。
C、ANFIS神经网络青椒温室湿度预测融合模型
ANFIS神经网络青椒温室湿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神经网络青椒温室湿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湿度已知的低频和高频预测值历史数据的学习得到的，ANFIS神经网络青椒温室湿度预测融合模型的输入为青椒温室湿度的低频和高频预测值，ANFIS神经网络青椒温室湿度预测融合模型的输出是对青椒温室湿度的低频和高频预测值的融合,ANFIS神经网络青椒温室湿度预测融合模型主要运算步骤如下:
第1层:将输入的青椒温室湿度的低频和高频预测值模糊化，每个节点对应输出可表示为:
Figure GDA0003530879840000152
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神经网络青椒温室湿度预测融合模型的规则运算采用乘法。
Figure GDA0003530879840000161
第3层:将各条规则的适用度归一化:
Figure GDA0003530879840000162
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:
Figure GDA0003530879840000163
第5层:该层的单节点是一个固定节点，计算ANFIS神经网络青椒温室湿度预测融合模型的输出为:
Figure GDA0003530879840000164
ANFIS神经网络青椒温室湿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神经网络青椒温室湿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神经网络青椒温室湿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神经网络青椒温室湿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神经网络青椒温室湿度预测融合模型参数的收敛速度。ANFIS神经网络青椒温室湿度预测融合模型的输出作为青椒温室湿度低频和高频分量预测值的融合值。
(3)、青椒温室风速预测子***设计
青椒温室风速预测子***包括青椒温室风速经验模态(EMD)分解模型、多个ANFIS神经网络风速预测模型和最小二乘支持向量机(LS-SVM)青椒温室风速预测融合模型；
A、青椒温室风速经验模态(EMD)分解模型
青椒温室风速经验模态(EMD)分解模型是把青椒温室风速检测数据分解为多个高频分量和低频趋势分量,青椒温室风速经验模态(EMD)分解模型设计方法参照本专利青椒温室湿度经验模态(EMD)分解模型设计方法。
B、多个ANFIS神经网络风速预测模型
多个ANFIS神经网络风速预测模型的输入为青椒温室风速检测数据的多个高频分量和低频趋势分量的时间时序值,多个ANFIS神经网络分速预测模型的输出为青椒温室风速检测数据的多个高频分量和低频趋势分量的预测值；多个ANFIS神经网络风速预测模型的设计方法参照本专利的ANFIS神经网络青椒温室湿度预测融合模型设计方法。
C、最小二乘支持向量机(LS-SVM)青椒温室风速预测融合模型
最小二乘支持向量机(LS-SVM)青椒温室风速预测融合模型的输入为青椒温室风速检测数据的多个高频分量和低频趋势分量的预测值，最小二乘支持向量机(LS-SVM)青椒温室风速预测融合模型实现对青椒温室风速检测数据的多个高频分量和低频趋势分量的预测值的融合，它的输出为青椒温室风速的预测值。最小二乘支持向量机(LS-SVM)青椒温室风速预测融合模型设计方法参照本专利的多个最小二乘支持向量机(LS-SVM)湿度预测模型设计方法。
(4)、青椒温室温度校正模型设计
青椒温室温度校正模型由6个微分算子S和最小二乘支持向量机(LS-SVM)组成，6个微分算子S平均分成3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以及微分回路3；青椒温室温度预测子***的输出作为微分回路1的输入和最小二乘支持向量机(LS-SVM)I端的输入，微分回路1的2个微分算子S的连接端的输出为最小二乘支持向量机(LS-SVM)B端的输入，微分回路1的输出为最小二乘支持向量机(LS-SVM)A端的输入；青椒温室湿度预测子***的输出作为微分回路2的输入和最小二乘支持向量机(LS-SVM)C端的输入，微分回路2的2个微分算子S的连接端的输出为最小二乘支持向量机(LS-SVM)D端的输入，微分回路2的输出为最小二乘支持向量机(LS-SVM)E端的输入；青椒温室风速预测子***的输出作为微分回路3的输入和最小二乘支持向量机(LS-SVM)F端的输入，微分回路3的2个微分算子S的连接端的输出为最小二乘支持向量机(LS-SVM)J端的输入，微分回路3的输出为最小二乘支持向量机(LS-SVM)K端的输入；最小二乘支持向量机(LS-SVM)由9个输入端节点分别为I、A、B、C、D、E、F、J和K，20个中间节点和1个输出端节点组成，青椒温室温度校正模型实现对青椒温室湿度和风速对青椒温室温度影响程度的校正，反映了温室湿度和风速的实际值变化对青椒温室温度的影响大小，提高青椒温室温度预测的精确度；最小二乘支持向量机(LS-SVM)设计方法参照本专利的多个最小二乘支持向量机(LS-SVM)湿度预测模型设计方法。
(5)、HRFNN递归神经网络青椒温室温度等级分类器
HRFNN递归神经网络青椒温室温度等级分类器根据青椒温室温度校正模型输出青椒温室温度预测值的大小、青椒种类和青椒生长阶段作为HRFNN递归神经网络青椒温室温度等级分类器的输入，HRFNN递归神经网络青椒温室温度等级分类器的输出把青椒温室温度分为青椒温室温度过高、青椒温室温度比较高、青椒温室温度良好、青椒温室温度低和青椒温室温度很低五个青椒温室温度等级。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；青椒的生长阶段分为发芽期为1，育苗期为2，开花坐果期为3，结果期为4，青椒不同种类与不同生长阶段量化为数字后和青椒温室温度预测值输入HRFNN递归神经网络青椒温室温度等级分类器，HRFNN递归神经网络青椒温室温度等级分类器的输出为[1,0.8)表示青椒温室温度过高,[0.8,0.6)表示青椒温室温度比较高,[0.6,0.4)表示青椒温室温度良好,[0.4,0.2)表示青椒温室温度低,[0.2,0.0)表示青椒温室温度很低等五个青椒温室温度等级。HRFNN递归神经网络青椒温室温度等级分类器设计参照本专利的多个HRFNN递归神经网络温度预测模型设计方法。
5、青椒温室环境温度检测***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环境温度检测。
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)

1.一种多组合智能化模型的青椒温室温度智能化预警装置，其特征在于：所述预警装置由基于CAN现场总线的青椒温室环境参数采集平台和青椒温室温度智能预警***两部分组成；青椒温室温度智能预警***包括青椒温室温度预测子***、青椒温室湿度预测子***、青椒温室风速预测子***、青椒温室温度校正模型和HRFNN递归神经网络青椒温室温度等级分类器；
所述青椒温室温度预测子***包括青椒温室环境温度减法聚类分类器、多个HRFNN递归神经网络温度预测模型、HRFNN递归神经网络青椒温室温度预测融合模型；青椒温室多个温度检测点的温度值为青椒温室环境温度减法聚类分类器的输入，青椒温室环境温度减法聚类分类器把青椒温室多个温度检测点的温度值分为多个类型，青椒温室多个温度检测点的多个类型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的输出分别为青椒温室各个温度类型的温度预测值，HRFNN递归神经网络青椒温室温度预测融合模型实现对青椒温室各个温度类型的温度预测值进行融合得到青椒温室温度预测值；
所述青椒温室湿度预测子***包括青椒温室湿度经验模态EMD分解模型、多个最小二乘支持向量机LS-SVM湿度预测模型和ANFIS神经网络青椒温室湿度预测融合模型；青椒温室湿度检测数据作为青椒温室湿度经验模态EMD分解模型的输入，青椒温室湿度经验模态EMD分解模型把青椒温室湿度历史数据分解为低频趋势部分和多个高频波动部分，青椒温室湿度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湿度预测模型的输入，多个最小二乘支持向量机LS-SVM湿度预测模型分别预测得到青椒温室湿度的低频趋势部分和多个高频波动部分的预测值，ANFIS神经网络青椒温室湿度预测融合模型的输入为低频趋势部分和多个高频波动部分的预测值，ANFIS神经网络青椒温室湿度预测融合模型的输出为青椒温室湿度的预测值；
所述青椒温室风速预测子***包括青椒温室风速经验模态EMD分解模型、多个ANFIS神经网络风速预测模型和最小二乘支持向量机LS-SVM青椒温室风速预测融合模型；青椒温室风速检测数据作为青椒温室风速经验模态EMD分解模型的输入，青椒温室风速经验模态EMD分解模型把青椒温室风速检测数据分解为低频趋势部分和多个高频波动部分，青椒温室风速检测数据的低频趋势部分和多个高频波动部分分别为多个ANFIS神经网络风速预测模型的输入，多个ANFIS神经网络风速预测模型的输出分别为青椒温室风速检测数据的低频趋势部分和多个高频波动部分的预测值，最小二乘支持向量机LS-SVM青椒温室风速预测融合模型对青椒温室风速检测数据的低频趋势部分和多个高频波动部分的预测值进行融合得到青椒温室风速预测值；
所述青椒温室温度校正模型由6个微分算子S和最小二乘支持向量机LS-SVM组成，6个微分算子S平均分成3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以及微分回路3；青椒温室温度预测子***的输出作为微分回路1的输入和最小二乘支持向量机LS-SVM的I端输入，微分回路1的2个微分算子S的连接端的输出为最小二乘支持向量机LS-SVM的B端输入，微分回路1的输出为最小二乘支持向量机LS-SVM的A端输入；青椒温室湿度预测子***的输出作为微分回路2的输入和最小二乘支持向量机LS-SVM的C端输入，微分回路2的2个微分算子S的连接端的输出为最小二乘支持向量机LS-SVM的D端输入，微分回路2的输出为最小二乘支持向量机LS-SVM的E端输入；青椒温室风速预测子***的输出作为微分回路3的输入和最小二乘支持向量机LS-SVM的F端输入，微分回路3的2个微分算子S的连接端的输出为最小二乘支持向量机LS-SVM的J端输入，微分回路3的输出为最小二乘支持向量机LS-SVM 的K端输入；最小二乘支持向量机LS-SVM由9个输入端节点分别为I、A、B、C、D、E、F、J和K，20个中间节点和1个输出端节点组成，青椒温室温度校正模型实现对青椒温室湿度和风速对青椒温室温度影响程度的校正；
所述HRFNN递归神经网络青椒温室温度等级分类器根据青椒温室温度校正模型输出青椒温室温度测值的大小、青椒种类和青椒生长阶段作为HRFNN递归神经网络青椒温室温度等级分类器的输入，HRFNN递归神经网络青椒温室温度等级分类器的输出把青椒温室温度分为青椒温室温度过高、青椒温室温度比较高、青椒温室温度良好、青椒温室温度低和青椒温室温度很低五个青椒温室温度等级；
区间数为[1,0.8)表示青椒温室温度过高；区间数为[0.8,0.6)表示青椒温室温度比较高；区间数为[0.6,0.4)表示青椒温室温度良好；区间数为[0.4,0.2)表示青椒温室温度低；区间数为[0.2,0.0)表示青椒温室温度很低。
2.根据权利要求1所述的一种多组合智能化模型的青椒温室温度智能化预警装置，其特征在于：所述基于CAN现场总线的青椒温室环境参数采集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，并通过CAN现场总线构建成青椒温室环境参数采集平台。
3.根据权利要求2所述的一种多组合智能化模型的青椒温室温度智能化预警装置，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青椒温室环境的温度、湿度、风速和光照度小气候环境参数，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所述的一种多组合智能化模型的青椒温室温度智能化预警装置，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所述的一种多组合智能化模型的青椒温室温度智能化预警装置，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青椒温室环境参数进行管理和对青椒温室环境多点温度进行融合。
CN201910320146.7A 2019-04-19 2019-04-19 一种多组合智能化模型的青椒温室温度智能化预警装置 Active CN110119766B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201910320146.7A CN110119766B (zh) 2019-04-19 2019-04-19 一种多组合智能化模型的青椒温室温度智能化预警装置

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201910320146.7A CN110119766B (zh) 2019-04-19 2019-04-19 一种多组合智能化模型的青椒温室温度智能化预警装置

Publications (2)

Publication Number Publication Date
CN110119766A CN110119766A (zh) 2019-08-13
CN110119766B true CN110119766B (zh) 2022-05-27

Family

ID=67521183

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201910320146.7A Active CN110119766B (zh) 2019-04-19 2019-04-19 一种多组合智能化模型的青椒温室温度智能化预警装置

Country Status (1)

Country Link
CN (1) CN110119766B (zh)

Families Citing this family (8)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
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
CN110817694B (zh) * 2019-10-25 2020-08-28 湖南中联重科智能技术有限公司 载荷吊重的计算方法、装置及存储介质
CN111722659A (zh) * 2020-06-12 2020-09-29 中以(酒泉)绿色生态产业园有限公司 一种自动化温室控制***
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
CN112947635B (zh) * 2021-01-15 2022-04-29 江南大学 基于卡尔曼滤波器多模型麦苗生长舱最优参数预测方法
CN113219871B (zh) * 2021-05-07 2022-04-01 淮阴工学院 一种养护室环境参数检测***
CN114153252B (zh) * 2021-11-24 2023-03-28 魏育华 一种大棚换气方法和***
CN116399400B (zh) * 2023-04-13 2023-12-15 大唐绥化热电有限公司 一种锅炉机组运行故障检测方法及***

Citations (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
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***
CN108108832A (zh) * 2017-11-20 2018-06-01 淮阴工学院 一种基于无线传感器网络的油罐车油气泄漏智能监测***

Patent Citations (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
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***
CN108108832A (zh) * 2017-11-20 2018-06-01 淮阴工学院 一种基于无线传感器网络的油罐车油气泄漏智能监测***

Non-Patent Citations (2)

* Cited by examiner, † Cited by third party
Title
变分模态分解和K-L散度在振动筛轴承故障诊断中的应用;徐元博等;《噪声与振动控制》;20170831;第37卷(第04期);全文 *
基于变分模态分解的单通道盲源分离算法;吴钟良等;《通信技术》;20180430;第51卷(第04期);全文 *

Also Published As

Publication number Publication date
CN110119766A (zh) 2019-08-13

Similar Documents

Publication Publication Date Title
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
CN110084417B (zh) 一种基于grnn神经网络的草莓温室环境参数智能监测***
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
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
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
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
CN110119169B (zh) 一种基于最小向量机的番茄温室温度智能预警***
CN112906735B (zh) 一种食用菌环境大数据检测***
CN110647979B (zh) 一种基于物联网的温室环境多参数智能化监测***
CN110705757B (zh) 一种基于现场总线网络的多点温度传感器智能监测***
CN110083190B (zh) 一种基于减法聚类分类器的青椒温室环境智能监测***
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
CN110069032B (zh) 一种基于小波神经网络的茄子温室环境智能检测***
CN107169621A (zh) 一种水体溶解氧预测方法及装置
CN110909933B (zh) 一种耦合作物模型与机器学习语言的农业干旱快速诊断和评估方法
CN106373022B (zh) 基于bp-ga的温室农作物种植效率条件优化方法及***
CN110766132B (zh) 一种基于物联网的果园产量智能预测***
Çakır et al. Yield prediction of wheat in south-east region of Turkey by using artificial neural networks
CN117036088A (zh) 一种ai识别绿化植物生长态势的数据采集分析方法
CN113281465A (zh) 一种畜禽舍养殖环境有害气体检测***
CN110119165B (zh) 一种水产养殖池塘溶解氧检测装置
CN112364710A (zh) 一种基于深度学习算法的植物电信号分类识别方法
CN112906856A (zh) 一种基于云平台的畜禽舍环境温度检测***
Jasti et al. Crop Intelligent: Weather based Crop Selection using Machine Learning
Barwicki et al. Yield forecasting using artificial intelligence

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: 20230817

Address after: 230000 B-1015, wo Yuan Garden, 81 Ganquan Road, Shushan District, Hefei, Anhui.

Patentee after: HEFEI MINGLONG ELECTRONIC 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
TR01 Transfer of patent right

Effective date of registration: 20240102

Address after: 410600 No. 189, Huaming Middle Road, huangjiachong community, Huaminglou Town, Ningxiang County, Changsha City, Hunan Province

Patentee after: Ningxiang hot pepper sweet Agricultural Technology Co.,Ltd.

Address before: 230000 B-1015, wo Yuan Garden, 81 Ganquan Road, Shushan District, Hefei, Anhui.

Patentee before: HEFEI MINGLONG ELECTRONIC TECHNOLOGY Co.,Ltd.

TR01 Transfer of patent right