CN111524023A - 温室调节方法及*** - Google Patents
温室调节方法及*** Download PDFInfo
- Publication number
- CN111524023A CN111524023A CN202010264993.9A CN202010264993A CN111524023A CN 111524023 A CN111524023 A CN 111524023A CN 202010264993 A CN202010264993 A CN 202010264993A CN 111524023 A CN111524023 A CN 111524023A
- Authority
- CN
- China
- Prior art keywords
- greenhouse
- data
- sample
- neural network
- network model
- 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.)
- Pending
Links
- 238000000034 method Methods 0.000 title claims abstract description 69
- 238000003062 neural network model Methods 0.000 claims abstract description 74
- 238000012549 training Methods 0.000 claims abstract description 32
- 238000012545 processing Methods 0.000 claims description 28
- 230000008569 process Effects 0.000 claims description 26
- 238000003860 storage Methods 0.000 claims description 15
- 238000004590 computer program Methods 0.000 claims description 12
- 238000004140 cleaning Methods 0.000 claims description 9
- 238000007781 pre-processing Methods 0.000 claims description 5
- 230000003750 conditioning effect Effects 0.000 claims 1
- 230000006870 function Effects 0.000 description 11
- 238000004891 communication Methods 0.000 description 9
- 238000004422 calculation algorithm Methods 0.000 description 8
- 238000010606 normalization Methods 0.000 description 8
- 238000013528 artificial neural network Methods 0.000 description 7
- 238000011156 evaluation Methods 0.000 description 7
- 238000004364 calculation method Methods 0.000 description 6
- 230000008859 change Effects 0.000 description 6
- 238000012360 testing method Methods 0.000 description 6
- 238000010586 diagram Methods 0.000 description 5
- 239000003337 fertilizer Substances 0.000 description 5
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 description 5
- 238000012271 agricultural production Methods 0.000 description 4
- 238000005265 energy consumption Methods 0.000 description 4
- 238000007726 management method Methods 0.000 description 3
- 230000009471 action Effects 0.000 description 2
- 238000013500 data storage Methods 0.000 description 2
- 238000007667 floating Methods 0.000 description 2
- 238000005286 illumination Methods 0.000 description 2
- 230000007246 mechanism Effects 0.000 description 2
- 230000003287 optical effect Effects 0.000 description 2
- 238000003672 processing method Methods 0.000 description 2
- 238000004458 analytical method Methods 0.000 description 1
- 238000013459 approach Methods 0.000 description 1
- 238000003491 array Methods 0.000 description 1
- 238000013144 data compression Methods 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 238000003745 diagnosis Methods 0.000 description 1
- 230000008034 disappearance Effects 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 230000007613 environmental effect Effects 0.000 description 1
- 230000002349 favourable effect Effects 0.000 description 1
- 230000004720 fertilization Effects 0.000 description 1
- 230000008676 import Effects 0.000 description 1
- 238000007689 inspection Methods 0.000 description 1
- 238000004519 manufacturing process Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000001105 regulatory effect Effects 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 238000012216 screening Methods 0.000 description 1
- 238000007789 sealing Methods 0.000 description 1
- 238000010187 selection method Methods 0.000 description 1
- 238000012163 sequencing technique Methods 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- 230000001052 transient effect Effects 0.000 description 1
- 238000005406 washing Methods 0.000 description 1
Images
Classifications
-
- 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
-
- A—HUMAN NECESSITIES
- A01—AGRICULTURE; FORESTRY; ANIMAL HUSBANDRY; HUNTING; TRAPPING; FISHING
- A01G—HORTICULTURE; CULTIVATION OF VEGETABLES, FLOWERS, RICE, FRUIT, VINES, HOPS OR SEAWEED; FORESTRY; WATERING
- A01G7/00—Botany in general
- A01G7/04—Electric or magnetic or acoustic treatment of plants for promoting growth
-
- A—HUMAN NECESSITIES
- A01—AGRICULTURE; FORESTRY; ANIMAL HUSBANDRY; HUNTING; TRAPPING; FISHING
- A01G—HORTICULTURE; CULTIVATION OF VEGETABLES, FLOWERS, RICE, FRUIT, VINES, HOPS OR SEAWEED; FORESTRY; WATERING
- A01G9/00—Cultivation in receptacles, forcing-frames or greenhouses; Edging for beds, lawn or the like
- A01G9/24—Devices or systems for heating, ventilating, regulating temperature, illuminating, or watering, in greenhouses, forcing-frames, or the like
-
- 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
-
- 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
- G06N3/08—Learning methods
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02A—TECHNOLOGIES FOR ADAPTATION TO CLIMATE CHANGE
- Y02A40/00—Adaptation technologies in agriculture, forestry, livestock or agroalimentary production
- Y02A40/10—Adaptation technologies in agriculture, forestry, livestock or agroalimentary production in agriculture
- Y02A40/25—Greenhouse technology, e.g. cooling systems therefor
Landscapes
- Engineering & Computer Science (AREA)
- Life Sciences & Earth Sciences (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Health & Medical Sciences (AREA)
- Health & Medical Sciences (AREA)
- General Physics & Mathematics (AREA)
- Molecular Biology (AREA)
- Artificial Intelligence (AREA)
- Biomedical Technology (AREA)
- Software Systems (AREA)
- Biophysics (AREA)
- Mathematical Physics (AREA)
- General Engineering & Computer Science (AREA)
- Computing Systems (AREA)
- Evolutionary Computation (AREA)
- Data Mining & Analysis (AREA)
- Business, Economics & Management (AREA)
- Computational Linguistics (AREA)
- Environmental Sciences (AREA)
- Animal Husbandry (AREA)
- Tourism & Hospitality (AREA)
- Marketing (AREA)
- Agronomy & Crop Science (AREA)
- General Business, Economics & Management (AREA)
- Economics (AREA)
- Mining & Mineral Resources (AREA)
- Marine Sciences & Fisheries (AREA)
- Strategic Management (AREA)
- Primary Health Care (AREA)
- Human Resources & Organizations (AREA)
- Biodiversity & Conservation Biology (AREA)
- Botany (AREA)
- Ecology (AREA)
- Forests & Forestry (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明实施例提供一种温室调节方法及***,所述方法包括:获取温室实时数据;所述温室实时数据包括:温室结构信息、温室内部环境信息、温室外部环境信息以及作物生长状况信息;将所述温室实时数据输入到温室神经网络模型,得到温室调节策略;所述温室神经网络模型为,预先以温室样本数据为样本,以与所述温室样本数据对应的温室样本调节策略为样本标签进行训练得到。本发明实施例的温室调节方法能够实现精准调控温室参数,降低对专家经验的需要,提高温室产量。
Description
技术领域
本发明涉及农业信息化技术领域,更具体地,涉及一种温室调节方法及***。
背景技术
随着现代农业的发展,在温室农业生产以及科研过程中,往往会产生大量的数据,智能化的农业生产模式需要对这些数据进行收集、挖掘和整理,温室环境以其封闭性而广泛应用于农业生产,比之于普通的种植方式,温室更容易进行人为干预和控制,现在需要信息化的温室调节模式,以实现农业生产精细化。
为了实现多栋温室的自动化管理,现有技术中的温室调节方法采用温室控制器进行单个温室的管理,并利用集群***对多个控制器进行控制,并加设了云端数据库进行数据的存储。
然而现有技术中的数据的使用方式比较简单,多用于信息核对以及故障诊断,并未对数据进行深入处理和挖掘,无法形成有效的价值,浪费了数据资源。
发明内容
本发明实施例提供一种克服上述问题或者至少部分地解决上述问题的温室调节方法及***。
第一方面,本发明实施例提供一种温室调节方法,包括获取温室实时数据;所述温室实时数据包括:温室结构信息、温室内部环境信息、温室外部环境信息以及作物生长状况信息;将所述温室实时数据输入到温室神经网络模型,得到温室调节策略;所述温室神经网络模型为,预先以温室样本数据为样本,以与所述温室样本数据对应的温室样本调节策略为样本标签进行训练得到。
在一些实施例中,所述温室神经网络模型的确定过程包括:对采集到的原始温室数据进行预处理得到备选温室数据;基于数据可信度,对所述备选温室数据进行评估,将其中大于预设的可信度阈值的数据存储在云服务器端;基于与所述温室神经网络模型的类型的对应关系,从所述云服务器端有选择性地下载得到所述温室样本数据。
在一些实施例中,所述对采集到的原始温室数据进行预处理得到备选温室数据,包括:对采集到的原始温室数据进行去单位处理;基于一致性检查,对所述去单位处理后的原始温室数据进行清洗处理;对经过所述清洗处理后的原始温室数据进行聚类处理;对经过所述聚类处理后的原始温室数据进行重复性检查,删除其中的重复数据,得到所述备选温室数据。
在一些实施例中,所述对采集到的原始温室数据进行去单位处理,包括:将采集到的所述原始温室数据去除格式;将去除格式后的所述原始温室数据统一为float型数据格式。
在一些实施例中,所述基于一致性检查,对所述去单位处理后的原始温室数据进行清洗处理,包括:预设数据区间阈值和数据关系阈值;基于与所述数据区间阈值以及数据关系阈值的比对,确定所述去单位处理后的原始温室数据中的缺项数据和错误数据;删除所述缺项数据,对所述错误数据进行修复。
在一些实施例中,所述对所述错误数据进行修复,包括:基于线性插值法,根据所述错误数据的前一位数据与后一位数据的均值来修复所述错误数据。
在一些实施例中,所述温室神经网络模型的确定过程还包括:设置所述温室神经网络模型的参数;以温室样本数据为样本,以与所述温室样本数据对应的温室样本调节策略为样本标签训练所述温室神经网络模型,直至所述温室神经网络模型的误差率小于预设的误差率阈值。
第二方面,本发明实施例提供一种温室调节***,包括:获取单元,用于获取温室实时数据;所述温室实时数据包括:温室结构信息、温室内部环境信息、温室外部环境信息以及作物生长状况信息;处理单元,用于将所述温室实时数据输入到温室神经网络模型,得到温室调节策略;所述温室神经网络模型为,预先以温室样本数据为样本,以与所述温室样本数据对应的温室样本调节策略为样本标签进行训练得到。
第三方面,本发明实施例提供一种电子设备,包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序,所述处理器执行所述程序时实现第一方面中任一种可能的实现方案所提供的温室调节方法的步骤。
第四方面,本发明实施例提供一种非暂态计算机可读存储介质,其上存储有计算机程序,该计算机程序被处理器执行时实现第一方面中任一种可能的实现方案所提供的温室调节方法的步骤。
本发明实施例提供的温室调节方法、温室调节***、电子设备及非暂态计算机可读存储介质,以历史采集的温室样本数据以及对应的温室样本调节策略来训练温室神经网络模型,输入温室实时数据得到温室调节策略,能够通过更加丰富的温室数据来训练模型以提高模型的精确度,实现精准调控温室参数,降低对专家经验的需要,提高温室产量。
附图说明
为了更清楚地说明本发明实施例或现有技术中的技术方案,下面将对实施例或现有技术描述中所需要使用的附图作一简单地介绍,显而易见地,下面描述中的附图是本发明的一些实施例,对于本领域普通技术人员来讲,在不付出创造性劳动的前提下,还可以根据这些附图获得其他的附图。
图1为本发明实施例的温室调节方法的流程图;
图2为本发明实施例的温室调节方法的确定温室样本数据的流程图;
图3为本发明实施例的温室调节方法的确定备选温室数据的流程图;
图4为本发明实施例的温室神经网络模型的参数设置示意图;
图5为本发明实施例的温室神经网络模型的训练过程示意图;
图6为本发明实施例的温室神经网络模型的测试曲线图;
图7为本发明实施例的温室调节***的结构示意图;
图8为本发明实施例的电子设备的结构示意图。
具体实施方式
为使本发明实施例的目的、技术方案和优点更加清楚,下面将结合本发明实施例中的附图,对本发明实施例中的技术方案进行清楚、完整地描述,显然,所描述的实施例是本发明一部分实施例,而不是全部的实施例。基于本发明中的实施例,本领域普通技术人员在没有作出创造性劳动前提下所获得的所有其他实施例,都属于本发明保护的范围。
下面结合图1-图7描述本发明实施例的温室调节方法。
如图1所示,本发明实施例的温室调节方法包括如下步骤S100和步骤S200。
步骤S100、获取温室实时数据;温室实时数据包括:温室结构信息、温室内部环境信息、温室外部环境信息以及作物生长状况信息。
可以理解的是,在温室生产中,诸如室内温度、湿度、光照强度等参数与作物的生长情况关系密切,通过温室内的各种传感器可以获取温度、湿度、光照强度等参数等温室实时数据,参照表1温室数据的内容主要分为温室基本信息、温室内部环境信息、作物生长状况以及温室外部环境信息。
表1
步骤S200、将温室实时数据输入到温室神经网络模型,得到温室调节策略。
需要说明的是,这种温室神经网络模型可以是任何一种辅助温室作物种植模型,本发明实施例只列出部分用途较广的模型及其主要功能:
(1)温室农作物生长模型:该模型基于植物每个阶段的生长状况进行模拟,可预测植物的生长状况,从而得到实现高产量的温室调节策略。
(2)温室农作物水肥模型:该模型以时间和施肥情况进行建模,可以预测水肥使用情况。若与温室水肥管理***协作使用,则可实现自动化管理水肥***的功能,从而得到实现高产量的温室调节策略。
(3)温室农作物环境变化预测模型:该模型以时间和温室环境信息为主进行建模,将复杂的温室环境信息耦合起来,可***温室室内环境变化。工作人员基于预测结果控制执行机构动作,可以减少能源消耗,从而得到实现低能耗的温室调节策略。
(4)温室气候环境变化预测模型:该模型以时间和温室外部气候环境变化为主进行建模,可预测温室室外环境变化。例如当外界气候环境适宜温度生长时,则可关闭温室内部的控制机构,将温室打开,充分利用自然条件,降低能源消耗,从而得到实现低能耗的温室调节策略。
温室神经网络模型为,预先以温室样本数据为样本,以与温室样本数据对应的温室样本调节策略为样本标签进行训练得到。
需要说明的是,温室样本数据是历史采集得到的温室数据,包括:历史温室结构信息、历史温室内部环境信息、历史温室外部环境信息以及历史作物生长状况信息。与温室样本数据对应的温室样本调节策略是指在历史采集得到的温室数据中筛选出那些能够实现高产量的数据,将这些温室数据作为温室调节的参考,形成温室样本调节策略。温室神经网络模型为可人为设定网络参数的黑箱神经网络结构,这种黑箱结构的神经网络模型适用性广、建模过程简单,只需设置神经网络的结构和参数即可,极大降低了建模过程中对专家经验的需求。
本发明实施例以历史采集的温室样本数据以及对应的温室样本调节策略来训练温室神经网络模型,输入温室实时数据得到温室调节策略,能够通过更加丰富的温室数据来训练模型以提高模型的精确度,实现精准调控温室参数,降低对专家经验的需要,提高温室产量。
如图2所示,在一些实施例中,温室神经网络模型的确定过程包括如下步骤S210-步骤S230。
步骤S210、对采集到的原始温室数据进行预处理得到备选温室数据。
可以理解的是,采集到的原始温室数据可能有缺失、错误或者重复的情况,并且格式不一定统一,需要采集到的原始温室数据进行预处理,以提高模型训练的准确度。
步骤S220、基于数据可信度,对备选温室数据进行评估,将其中大于预设的可信度阈值的数据存储在云服务器端。
需要说明的是,经过预处理的备选温室数据使用起来效果参差不齐,需要评估备选温室数据的优良程度从而进行筛选。现有技术多采用行业内认可的经验公式进行评估,本发明实施例则将经验公式与模糊规则结合起来,计算数据的可信度。
为了进行评估,需要预先设置评估公式y=F(X),其中,X为备选温室数据,y为评估值,F为评估函数。在完成评估后,对评估值y进行归一化处理,归一化函数采用sigmoid函数:
最终计算的f(y)在(0,1)内,建立如表2所示的模糊规则:
表2
f(y) | 模糊结果 |
0≤y<0.2 | 1 |
0.2≤y<0.4 | 2 |
0.4≤y<0.6 | 3 |
0.6≤y<0.8 | 4 |
0.8≤y<1 | 5 |
根据模糊结果对备选温室数据进行标记,对每一个备选温室数据的数据集中的所有数据求其模糊结果的平均值,平均值越高,则表明该备选温室数据总体可信度越高,使用者可根据自身需求,预设可信度阈值,将其备选温室数据中可信度大于可信度阈值要求的数据存储在云服务器端,云服务器端采用界面化程度高的windows操作***。本发明实施例只是对数据进行存储和简单调用,因此选用使用简单、开源的mysql数据库,使用者可根据自身需求进行修改设计。数据存储格式如表3所示,不同类型的数据存放在不同的表单中。
表3
编号 | 条目1 | 条目2 | … | 条目n | 时间 | 地点 |
1 | XX | XX | XX | X年X月X日X时X分 | XX | |
2 | XX | XX | XX | X年X月X日X时X分 | XX | |
3 | XX | XX | XX | X年X月X日X时X分 | XX | |
… | XX | XX | XX | X年X月X日X时X分 | XX | |
n-2 | XX | XX | XX | X年X月X日X时X分 | XX | |
n-1 | XX | XX | XX | X年X月X日X时X分 | XX | |
n | XX | XX | XX | X年X月X日X时X分 | XX |
根据数据的属性,如表4所示,本发明实施例将数据分为以下几类,分别存储在不同的文件下:
表4
步骤S230、基于与温室神经网络模型的类型的对应关系,从云服务器端有选择性地下载得到温室样本数据。
储存在云服务器端的数据可以被用来训练温室神经网络模型,对于同样的数据,使用者可能有不同的算法和目的。因此,本发明实施例在网页端提供相应的下载链接,使用者可根据与温室神经网络模型的类型的对应关系,选择下载相应的数据压缩包,得到温室样本数据。
本发明实施例通过对采集到的原始温室数据进行预处理得到备选温室数据,进而评估备选温室数据,将其中可信度高的温室数据上传到云服务器端,用户根据具体的模型类型需要来下载数据用于温室神经网络模型训练,能够获取更有效的训练数据,提高模型训练的准确性,便于准确高效地得到温室调节策略。
如图3所示,在一些实施例中,步骤S210:对采集到的原始温室数据进行预处理得到备选温室数据,包括如下步骤S211-步骤S214。
步骤S211、对采集到的原始温室数据进行去单位处理。
对采集到的原始温室数据进行去单位处理,包括:将采集到的原始温室数据去除格式;将去除格式后的原始温室数据统一为float型数据格式。
需要说明的是,采集到的原始温室数据通常都是带有单位的,为节省存储空间,存储前需去掉数据的格式。采集得到的数据类型一般为浮点型,基本的浮点型数据有32字节的float型以及64字节的double型两类。为节省空间,本发明实施例采用float型数据格式进行数据存储。
步骤S212、基于一致性检查,对去单位处理后的原始温室数据进行清洗处理。
基于一致性检查,对去单位处理后的原始温室数据进行清洗处理,包括:预设数据区间阈值和数据关系阈值;基于与数据区间阈值以及数据关系阈值的比对,确定去单位处理后的原始温室数据中的缺项数据和错误数据;删除缺项数据,对错误数据进行修复。
可以理解的是,数据清洗主要用于处理数据缺失以及数据错误等情况。通过一致性检查的方法,设定去单位处理后的原始温室数据的合理范围以及内在逻辑关系,也就是预设数据区间阈值和数据关系阈值,基于与数据区间阈值以及数据关系阈值的比对,确定去单位处理后的原始温室数据中的缺项数据和错误数据,对不符合要求的数据进行删除或者修复。
数据清洗过程需要先建立相应的内在逻辑,该逻辑由人工推出或者训练完成,本发明实施例采用模糊处理的方式进行数据缺失和数据错误的判断。依据模糊处理的方法,数据内在逻辑按照if语句的方式进行设定,设定程序语句如下:
if A then B,else C
if B then D,else E
…
这种模糊处理的方法可以判断去单位处理后的原始温室数据中是否有缺项或者错误,当发现错误数据或者缺项数据时,进行缺项判断,为了保证数据的准确性,如果出现缺项数据则将其删除,判断缺项数据的伪代码如下:
item_missing:
delete item;
由于实际的温室环境变化是连续的,所以传感器采集到的数据在短时间内不会出现大幅度的变动,本发明实施例通过以下伪代码判断错误数据:
item_check(item):
ifitem∈(last_item,next_item):item_check(next_item);
else:error(item);
对错误数据进行修复,包括:基于线性插值法,根据错误数据的前一位数据与后一位数据的均值来修复错误数据。
可以理解的是,对于错误数据,采用修复的方式,当数据中只有两个以下(包含两个)的错误时,使用线性插值的方法进行数据修复,据错误数据的前一位数据与后一位数据的均值来修复错误数据,具体程序语句为:
item=(last_item+next_item)/2;
基于此方法,可以将人工鉴别数据的工作量大大减少,只需要确定第一位数与最后一位数正确,剩余的数可以由程序鉴别。
步骤S213、对经过清洗处理后的原始温室数据进行聚类处理。
可以理解的是,聚类处理的目的是依据人工设定的规则,选出更有利于计算的数据,先使用归一化方法进行数据归一化,归一化方法如下式:
其中,x为经过清洗处理后的原始温室数据;xmin为经过清洗处理后的原始温室数据中的最小值;xmax为经过清洗处理后的原始温室数据中的最大值。
归一化方法适用于不同类型的数据,在归一化时只需要寻找数据集中的最大值和最小值,不需要考虑数据是否太大或太小导致计算结果无限趋近于0或者1的问题。
完成归一化后,再对数据进行分类。对于不同数据,需要采用不同的专家经验公式设置聚类公式进行分类,对每一堆数据分别标上序号。专家经验公式可以采用比较常用的公式,也可以采用神经网络进行训练,本发明实施例不局限于某种专家经验公式,本领域的技术人员可根据实际情况进行选择。
步骤S214、对经过聚类处理后的原始温室数据进行重复性检查,删除其中的重复数据,得到备选温室数据。
需要说明的是,重复性检查是为了避免重复数据影响计算速度,避免占用过多的存储空间。重复性检查涉及到对大量数据样本的比较,其时间复杂度非常高,因此将数据重复性检查放在聚类处理后。本发明实施例基于采集时间进行重复性检查,通过设定时间段,该时间段内的数据出现重复视为重复数据。
重复性检查的步骤是:先计算每一组数据内部各条目的和值,再进行排序;排序完成后求差值,通过差值判断数据是否重复。该方法的时间复杂度为O(n2),空间复杂度为O(n),求解具体过程如下:
(1)设置两个一维数组,求解在时间(t1,t2)内所包含的无格式数据的和值,该过程的伪代码如下:
(2)通过快速排序算法进行排序,该过程采用递归的形式进行计算,该过程的伪代码如下:
(3)排序完成后,计算相邻元素的差值。如果出现差值为0的情况,进行详细比对,如果该条目内部重复,则删除其中一个重复的数据。该过程的伪代码如下:
本发明实施例通过去单位处理、清洗处理、聚类处理以及重复性检查的过程对采集到的原始温室数据进行预处理,使得用于训练模型的数据更精确,训练得到的温室神经网络模型准确度更高,便于更准确高效地得到温室调节策略。
在一些实施例中,温室神经网络模型的确定过程还包括:设置温室神经网络模型的参数;以温室样本数据为样本,以与温室样本数据对应的温室样本调节策略为样本标签训练温室神经网络模型,直至温室神经网络模型的误差率小于预设的误差率阈值。
可以理解的是,为适应较为复杂的温室数据,本发明实施例选择黑箱结构的神经网络作为训练架构,参照图4,使用者可以按照如下步骤进行温室神经网络模型参数的设置:
(1)将温室样本数据存储为规定的格式,支持的格式为xls,xlxs,csv。
(2)将温室样本数据分为训练集与测试集。
(3)设置允许的平均误差率err和最高误差率err_max。
(4)设置神经网络结构。依据实际情况设定输入节点个数n,输出节点m,学习率l,隐含层数量以及各层节点个数。一般情况下,神经网络隐含层数量的选取以1~2层为宜。层数越多,计算量和训练时间也越长。且层数选择过多,可能造成梯度消失等情况,导致网络无法收敛。隐含层节点的数量可选择手动设置或自动设置,本发明实施例自动设置隐含层节点个数,隐含层节点个数为t,可由公式计t=log2N计算得到,其中,N为当前隐含层上一层的节点个数。
值得一提的是,温室神经网络模型的参数主要由网络的层数、网络各层的节点数以及网络各节点间的权值和阈值组成。按照一定的保存规则将以上参数保存在文本中,设置如下保存规则:
(1)第一行只有一个数,为神经网络层数。
(2)第二行为各层的节点个数,中间用空格隔开。
(3)后面为节点间的权值和阈值,每一行存储四个数据,分别是表示第i个节点和第j个节点间的权值和阈值。
例如,这种保存规则可以是:
3
2 2 1
1 1 0.88 0.13
1 2 0.73 0.31
……
完成参数设置后,对温室神经网络模型的训练过程如图5所示。
因为温室神经网络模型的初始权值是随机获得的,故每次的训练结果都会有差别,所以需要多次训练和测试,可以预设误差率阈值,将每次训练得到的温室神经网络模型的误差率与该误差率阈值进行对比,直至温室神经网络模型的误差率小于预设的误差率阈值,该温室神经网络模型训练完成。
与此同时,也可以同时训练得到多个温室神经网络模型,通过互相比较的方式得到最优的温室神经网络模型,例如:设置进行10次训练和测试,对比10个温室神经网络模型的测试结果,选取其中误差率最低的温室神经网络模型。
选取过程如下:
(1)训练完成后,将测试集输入每个训练好的温室神经网络模型,计算每个温室神经网络模型的平均误差率err和最高误差率err_max。
(2)进行误差率比对,分别计算这10个训练好的温室神经网络模型的误差率:
误差率=0.8*err+0.2*err_max;
比较这10个训练好的温室神经网络模型的误差率,选取误差率最小的温室神经网络模型作为最终的训练结果。
本发明实施例可以产生如图6所示的对比曲线,可以根据该曲线进行更详细的分析对比,可以分析曲线的平滑度或者走势等特征,进而选择更符合要求的温室神经网络模型。在某些情况下,温室神经网络模型可能不够精确,需要加上其他的方式辅助计算,比如可采用人工选择的方式进行温室神经网络模型的选择。
值得一提的是,本领域的技术人员在温室神经网络模型的训练过程中可通过算法接口导入自己选择的算法,该功能通过算法的路径选择函数Algorithm_path实现,函数形参为相应算法的存储路径。若需更改导入的算法,只需要更改该函数形参即可。该函数的伪代码如下:
为了保证程序的执行,对编写的算法有一定的要求,主要为:代码开头要设置相应的数据读取函数,保证数据读取正确;在处理过程中不能修改任何数据的值;处理后的数据须存放在指定的位置。
本发明实施例通过设置温室神经网络模型的参数,预设误差率阈值,使得训练得到的温室神经网络模型满足误差率要求,能够提高温室神经网络模型的准确率,便于更准确高效地得到温室调节策略。
下面对本发明实施例提供的温室调节***进行描述,下文描述的温室调节***与上文描述的温室调节方法可相互对应参照。
如图7所示,本发明实施例提供的温室调节***包括获取单元710、处理单元720。
获取单元710,用于获取温室实时数据;所述温室实时数据包括:温室结构信息、温室内部环境信息、温室外部环境信息以及作物生长状况信息。
处理单元720,用于将所述温室实时数据输入到温室神经网络模型,得到温室调节策略;所述温室神经网络模型为,预先以温室样本数据为样本,以与所述温室样本数据对应的温室样本调节策略为样本标签进行训练得到。
本发明实施例提供的温室调节***用于执行上述温室调节方法,其具体的实施方式与方法的实施方式一致,此处不再赘述。
图8示例了一种电子设备的实体结构示意图,如图8所示,该电子设备可以包括:处理器(processor)810、通信接口(Communications Interface)820、存储器(memory)830和通信总线840,其中,处理器810,通信接口820,存储器830通过通信总线840完成相互间的通信。处理器810可以调用存储器830中的逻辑指令,以执行温室调节方法,该方法包括:获取温室实时数据;所述温室实时数据包括:温室结构信息、温室内部环境信息、温室外部环境信息以及作物生长状况信息;将温室实时数据输入到温室神经网络模型,得到温室调节策略;温室神经网络模型为,预先以温室样本数据为样本,以与温室样本数据对应的温室样本调节策略为样本标签进行训练得到。
需要说明的是,本实施例中的电子设备在具体实现时可以为服务器,也可以为PC机,还可以为其他设备,只要其结构中包括如图8所示的处理器810、通信接口820、存储器830和通信总线840,其中处理器810,通信接口820,存储器830通过通信总线840完成相互间的通信,且处理器810可以调用存储器830中的逻辑指令以执行上述方法即可。本实施例不对电子设备的具体实现形式进行限定。
此外,上述的存储器830中的逻辑指令可以通过软件功能单元的形式实现并作为独立的产品销售或使用时,可以存储在一个计算机可读取存储介质中。基于这样的理解,本发明的技术方案本质上或者说对现有技术做出贡献的部分或者该技术方案的部分可以以软件产品的形式体现出来,该计算机软件产品存储在一个存储介质中,包括若干指令用以使得一台计算机设备(可以是个人计算机,服务器,或者网络设备等)执行本发明各个实施例所述方法的全部或部分步骤。而前述的存储介质包括:U盘、移动硬盘、只读存储器(ROM,Read-Only Memory)、随机存取存储器(RAM,Random Access Memory)、磁碟或者光盘等各种可以存储程序代码的介质。
进一步地,本发明实施例公开一种计算机程序产品,所述计算机程序产品包括存储在非暂态计算机可读存储介质上的计算机程序,所述计算机程序包括程序指令,当所述程序指令被计算机执行时,计算机能够执行上述各方法实施例所提供的温室调节方法,该方法包括:获取温室实时数据;所述温室实时数据包括:温室结构信息、温室内部环境信息、温室外部环境信息以及作物生长状况信息;将温室实时数据输入到温室神经网络模型,得到温室调节策略;温室神经网络模型为,预先以温室样本数据为样本,以与温室样本数据对应的温室样本调节策略为样本标签进行训练得到。
另一方面,本发明实施例还提供一种非暂态计算机可读存储介质,其上存储有计算机程序,该计算机程序被处理器执行时实现以执行上述各实施例提供的温室调节方法,该方法包括:获取温室实时数据;所述温室实时数据包括:温室结构信息、温室内部环境信息、温室外部环境信息以及作物生长状况信息;将温室实时数据输入到温室神经网络模型,得到温室调节策略;温室神经网络模型为,预先以温室样本数据为样本,以与温室样本数据对应的温室样本调节策略为样本标签进行训练得到。
以上所描述的装置实施例仅仅是示意性的,其中所述作为分离部件说明的单元可以是或者也可以不是物理上分开的,作为单元显示的部件可以是或者也可以不是物理单元,即可以位于一个地方,或者也可以分布到多个网络单元上。可以根据实际的需要选择其中的部分或者全部模块来实现本实施例方案的目的。本领域普通技术人员在不付出创造性的劳动的情况下,即可以理解并实施。
通过以上的实施方式的描述,本领域的技术人员可以清楚地了解到各实施方式可借助软件加必需的通用硬件平台的方式来实现,当然也可以通过硬件。基于这样的理解,上述技术方案本质上或者说对现有技术做出贡献的部分可以以软件产品的形式体现出来,该计算机软件产品可以存储在计算机可读存储介质中,如ROM/RAM、磁碟、光盘等,包括若干指令用以使得一台计算机设备(可以是个人计算机,服务器,或者网络设备等)执行各个实施例或者实施例的某些部分所述的方法。
最后应说明的是:以上实施例仅用以说明本发明的技术方案,而非对其限制;尽管参照前述实施例对本发明进行了详细的说明,本领域的普通技术人员应当理解:其依然可以对前述各实施例所记载的技术方案进行修改,或者对其中部分技术特征进行等同替换;而这些修改或者替换,并不使相应技术方案的本质脱离本发明各实施例技术方案的精神和范围。
Claims (10)
1.一种温室调节方法,其特征在于,包括:
获取温室实时数据;所述温室实时数据包括:温室结构信息、温室内部环境信息、温室外部环境信息以及作物生长状况信息;
将所述温室实时数据输入到温室神经网络模型,得到温室调节策略;
所述温室神经网络模型为,预先以温室样本数据为样本,以与所述温室样本数据对应的温室样本调节策略为样本标签进行训练得到。
2.根据权利要求1所述的温室调节方法,其特征在于,
所述温室神经网络模型的确定过程包括:
对采集到的原始温室数据进行预处理得到备选温室数据;
基于数据可信度,对所述备选温室数据进行评估,将其中大于预设的可信度阈值的数据存储在云服务器端;
基于与所述温室神经网络模型的类型的对应关系,从所述云服务器端有选择性地下载得到所述温室样本数据。
3.根据权利要求2所述的温室调节方法,其特征在于,所述对采集到的原始温室数据进行预处理得到备选温室数据,包括:
对采集到的原始温室数据进行去单位处理;
基于一致性检查,对所述去单位处理后的原始温室数据进行清洗处理;
对经过所述清洗处理后的原始温室数据进行聚类处理;
对经过所述聚类处理后的原始温室数据进行重复性检查,删除其中的重复数据,得到所述备选温室数据。
4.根据权利要求3所述的温室调节方法,其特征在于,
所述对采集到的原始温室数据进行去单位处理,包括:
将采集到的所述原始温室数据去除格式;
将去除格式后的所述原始温室数据统一为float型数据格式。
5.根据权利要求3所述的温室调节方法,其特征在于,
所述基于一致性检查,对所述去单位处理后的原始温室数据进行清洗处理,包括:
预设数据区间阈值和数据关系阈值;
基于与所述数据区间阈值以及数据关系阈值的比对,确定所述去单位处理后的原始温室数据中的缺项数据和错误数据;
删除所述缺项数据,对所述错误数据进行修复。
6.根据权利要求5所述的温室调节方法,其特征在于,
所述对所述错误数据进行修复,包括:
基于线性插值法,根据所述错误数据的前一位数据与后一位数据的均值来修复所述错误数据。
7.根据权利要求1-6任一项所述的温室调节方法,其特征在于,
所述温室神经网络模型的确定过程还包括:
设置所述温室神经网络模型的参数;
以温室样本数据为样本,以与所述温室样本数据对应的温室样本调节策略为样本标签训练所述温室神经网络模型,直至所述温室神经网络模型的误差率小于预设的误差率阈值。
8.一种温室调节***,其特征在于,包括
获取单元,用于获取温室实时数据;所述温室实时数据包括:温室结构信息、温室内部环境信息、温室外部环境信息以及作物生长状况信息;
处理单元,用于将所述温室实时数据输入到温室神经网络模型,得到温室调节策略;
所述温室神经网络模型为,预先以温室样本数据为样本,以与所述温室样本数据对应的温室样本调节策略为样本标签进行训练得到。
9.一种电子设备,包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序,其特征在于,所述处理器执行所述程序时实现如权利要求1至7任一项所述温室调节方法的步骤。
10.一种非暂态计算机可读存储介质,其上存储有计算机程序,其特征在于,该计算机程序被处理器执行时实现如权利要求1至7任一项所述温室调节方法的步骤。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010264993.9A CN111524023A (zh) | 2020-04-07 | 2020-04-07 | 温室调节方法及*** |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010264993.9A CN111524023A (zh) | 2020-04-07 | 2020-04-07 | 温室调节方法及*** |
Publications (1)
Publication Number | Publication Date |
---|---|
CN111524023A true CN111524023A (zh) | 2020-08-11 |
Family
ID=71902378
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202010264993.9A Pending CN111524023A (zh) | 2020-04-07 | 2020-04-07 | 温室调节方法及*** |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN111524023A (zh) |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112070241A (zh) * | 2020-09-11 | 2020-12-11 | 腾讯科技(深圳)有限公司 | 基于机器学习模型的植物生长预测方法、装置和设备 |
CN114637351A (zh) * | 2022-03-14 | 2022-06-17 | 江西省农业科学院园艺研究所 | 一种设施作物温室环境调控方法及*** |
Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN107678410A (zh) * | 2017-09-30 | 2018-02-09 | 中国农业大学 | 一种面向温室环境的智能控制方法、***与控制器 |
CN108319134A (zh) * | 2018-01-15 | 2018-07-24 | 沈阳大学 | 一种基于极限学习机网络的温室环境智能控制方法 |
CN108334139A (zh) * | 2018-03-01 | 2018-07-27 | 深圳春沐源控股有限公司 | 一种基于大数据的温室自动化控制的方法及*** |
CN108388291A (zh) * | 2018-01-17 | 2018-08-10 | 中国农业大学 | 一种温室集群环境调控方法与*** |
CN110297701A (zh) * | 2019-05-16 | 2019-10-01 | 平安科技(深圳)有限公司 | 数据处理作业调度方法、装置、计算机设备及存储介质 |
-
2020
- 2020-04-07 CN CN202010264993.9A patent/CN111524023A/zh active Pending
Patent Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN107678410A (zh) * | 2017-09-30 | 2018-02-09 | 中国农业大学 | 一种面向温室环境的智能控制方法、***与控制器 |
CN108319134A (zh) * | 2018-01-15 | 2018-07-24 | 沈阳大学 | 一种基于极限学习机网络的温室环境智能控制方法 |
CN108388291A (zh) * | 2018-01-17 | 2018-08-10 | 中国农业大学 | 一种温室集群环境调控方法与*** |
CN108334139A (zh) * | 2018-03-01 | 2018-07-27 | 深圳春沐源控股有限公司 | 一种基于大数据的温室自动化控制的方法及*** |
CN110297701A (zh) * | 2019-05-16 | 2019-10-01 | 平安科技(深圳)有限公司 | 数据处理作业调度方法、装置、计算机设备及存储介质 |
Non-Patent Citations (1)
Title |
---|
李金花: "桥梁检测中的数据处理及分析", 《低碳世界》 * |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112070241A (zh) * | 2020-09-11 | 2020-12-11 | 腾讯科技(深圳)有限公司 | 基于机器学习模型的植物生长预测方法、装置和设备 |
CN114637351A (zh) * | 2022-03-14 | 2022-06-17 | 江西省农业科学院园艺研究所 | 一种设施作物温室环境调控方法及*** |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
US11650968B2 (en) | Systems and methods for predictive early stopping in neural network training | |
CN111105332B (zh) | 一种基于人工神经网络的高速公路智能预养护方法及*** | |
CN112364975B (zh) | 基于图神经网络的终端运行状态预测方法及*** | |
CN111460728B (zh) | 一种工业设备剩余寿命预测方法、装置、存储介质及设备 | |
CN111563706A (zh) | 一种基于lstm网络的多变量物流货运量预测方法 | |
CN110571792A (zh) | 一种电网调控***运行状态的分析评估方法及*** | |
CN112418498B (zh) | 用于智能温室的温度预测方法及*** | |
CN109858714B (zh) | 基于改进神经网络的烟丝质检指标预测方法、装置及*** | |
KR20220059120A (ko) | 최적화된 하이퍼파라미터를 갖는 기계 학습 모델링 자동화 방법 및 이를 이용한 기계 학습 모델링 자동화 시스템 | |
CN111524023A (zh) | 温室调节方法及*** | |
CN109711590B (zh) | 渔业水质分析监测方法、装置和*** | |
Samuel et al. | Crop price prediction system using machine learning algorithms | |
CN116340726A (zh) | 一种能源经济大数据清洗方法、***、设备及存储介质 | |
CN116775687A (zh) | 一种基于数模共生的时间序列预测闭环框架 | |
CN115640888A (zh) | 一种递减函数嵌入式门限序列网络的产量预测方法 | |
CN111476274A (zh) | 一种大数据预测分析的方法、***、装置及存储介质 | |
CN114548494A (zh) | 一种可视化造价数据预测智能分析*** | |
CN109829115B (zh) | 搜索引擎关键词优化方法 | |
CN116341929A (zh) | 一种基于聚类和自适应梯度提升决策树的预测方法 | |
CN113743461B (zh) | 无人机集群健康度评估方法及装置 | |
CN112651168B (zh) | 基于改进神经网络算法的建设用地面积预测方法 | |
CN113823402A (zh) | 一种基于大数据和机器学习的疾病治疗效果预测方法 | |
CN118097435B (zh) | 基于超图神经网络的玉米倒伏分类方法及装置 | |
CN117808034B (zh) | 一种基于狼鸟优化算法的农作物产量预测优化方法 | |
US20240211367A1 (en) | Pipeline evaluation device, pipeline evaluation method, and program |
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 | ||
RJ01 | Rejection of invention patent application after publication |
Application publication date: 20200811 |
|
RJ01 | Rejection of invention patent application after publication |