CN112906856A - 一种基于云平台的畜禽舍环境温度检测*** - Google Patents

一种基于云平台的畜禽舍环境温度检测*** Download PDF

Info

Publication number
CN112906856A
CN112906856A CN202110041246.3A CN202110041246A CN112906856A CN 112906856 A CN112906856 A CN 112906856A CN 202110041246 A CN202110041246 A CN 202110041246A CN 112906856 A CN112906856 A CN 112906856A
Authority
CN
China
Prior art keywords
neural network
livestock
temperature
poultry house
output
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
Application number
CN202110041246.3A
Other languages
English (en)
Inventor
马从国
周大森
叶文芊
周恒瑞
柏小颖
葛红
马海波
丁晓红
张利兵
李亚洲
金德飞
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.)
Huaiyin Institute of Technology
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 CN202110041246.3A priority Critical patent/CN112906856A/zh
Publication of CN112906856A publication Critical patent/CN112906856A/zh
Pending legal-status Critical Current

Links

Images

Classifications

    • 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
    • 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
    • G01—MEASURING; TESTING
    • G01K—MEASURING TEMPERATURE; MEASURING QUANTITY OF HEAT; THERMALLY-SENSITIVE ELEMENTS NOT OTHERWISE PROVIDED FOR
    • G01K13/00—Thermometers specially adapted for specific purposes
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F13/00—Interconnection of, or transfer of information or other signals between, memories, input/output devices or central processing units
    • G06F13/38—Information transfer, e.g. on bus
    • G06F13/42—Bus transfer protocol, e.g. handshake; Synchronisation
    • G06F13/4282—Bus transfer protocol, e.g. handshake; Synchronisation on a serial bus, e.g. I2C bus, SPI bus
    • G06F13/4286—Bus transfer protocol, e.g. handshake; Synchronisation on a serial bus, e.g. I2C bus, SPI bus using a handshaking protocol, e.g. RS232C link
    • 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
    • G06F18/2413—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches based on distances to training or reference patterns
    • G06F18/24133—Distances to prototypes
    • G06F18/24137—Distances to cluster centroïds
    • G06F18/2414—Smoothing the distance, e.g. radial basis function networks [RBFN]
    • 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
    • G06N3/06—Physical realisation, i.e. hardware implementation of neural networks, neurons or parts of neurons
    • G06N3/063—Physical realisation, i.e. hardware implementation of neural networks, neurons or parts of neurons using electronic means
    • G—PHYSICS
    • G16—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR SPECIFIC APPLICATION FIELDS
    • G16Y—INFORMATION AND COMMUNICATION TECHNOLOGY SPECIALLY ADAPTED FOR THE INTERNET OF THINGS [IoT]
    • G16Y20/00—Information sensed or collected by the things
    • G16Y20/10—Information sensed or collected by the things relating to the environment, e.g. temperature; relating to location
    • G—PHYSICS
    • G16—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR SPECIFIC APPLICATION FIELDS
    • G16Y—INFORMATION AND COMMUNICATION TECHNOLOGY SPECIALLY ADAPTED FOR THE INTERNET OF THINGS [IoT]
    • G16Y40/00—IoT characterised by the purpose of the information processing
    • G16Y40/10—Detection; Monitoring
    • G—PHYSICS
    • G16—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR SPECIFIC APPLICATION FIELDS
    • G16Y—INFORMATION AND COMMUNICATION TECHNOLOGY SPECIALLY ADAPTED FOR THE INTERNET OF THINGS [IoT]
    • G16Y40/00—IoT characterised by the purpose of the information processing
    • G16Y40/30—Control
    • G16Y40/35—Management of things, i.e. controlling in accordance with a policy or in order to achieve specified objectives

Landscapes

  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • Computing Systems (AREA)
  • Health & Medical Sciences (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • General Engineering & Computer Science (AREA)
  • Data Mining & Analysis (AREA)
  • Biophysics (AREA)
  • General Health & Medical Sciences (AREA)
  • Evolutionary Computation (AREA)
  • Biomedical Technology (AREA)
  • Artificial Intelligence (AREA)
  • Computational Linguistics (AREA)
  • Mathematical Physics (AREA)
  • Software Systems (AREA)
  • Molecular Biology (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Evolutionary Biology (AREA)
  • Environmental & Geological Engineering (AREA)
  • Toxicology (AREA)
  • Neurology (AREA)
  • Business, Economics & Management (AREA)
  • General Business, Economics & Management (AREA)
  • Housing For Livestock And Birds (AREA)

Abstract

本发明公开了一种基于云平台的畜禽舍环境温度检测***由畜禽舍环境参数采集与控制平台和畜禽舍环境温度大数据处理子***组成，实现对畜禽舍养殖环境参数采集、处理和预测功能；本发明有效解决了现有畜禽养殖环境温度检测***没有根据养殖环境温度变化的非线性、大滞后和动态变化复杂等特点，无法对畜禽养殖环境温度进行精确检测和预测，从而极大的影响畜禽养殖环境温度的有效管理，以及没有对温度参数进行管理从而极大的影响畜禽舍养殖效益的问题。

Description

一种基于云平台的畜禽舍环境温度检测***
技术领域
本发明涉及畜禽舍环境温度检测自动化装备的技术领域，具体涉及一种基于云平台的畜禽舍环境温度检测***。
背景技术
温湿度是影响畜禽生长的一个重要环境因素，当环境中的温湿度过高，环境中的细菌会肆意生长，导致禽畜机体的抵抗力降低；当环境温湿度过低，空气中水蒸气将不能有效吸附粉尘和细菌，禽畜易得呼吸道等疾病，严重时可能会造成死亡。
光照对禽畜的生产性能有着重要的作用，在适宜的光照强度下，光照不仅对禽畜的生长促进作用，还对禽畜的繁殖和育肥有积极影响。检测终端通过光照强度传感器获取日光辐照数据，利用它的高分辨率可以探测养殖环境中较大范围的光强度变化。我国禽畜养殖业从业者大多数以家庭散户，或以中小型企业为主要单位。与发达国家相比，在养殖生产中面临着信息化程度较低、技术投入成本较少、人工投入成本较大等一些矛盾。而随着农业信息化时代的到来，利用现代信息化技术与传统养殖业相结合，能有效提高禽畜养殖的智能化程度。发明一种基于云平台的畜禽舍环境温度检测***实现畜禽舍环境参数检测和对温度进行预测，提高畜禽养殖的经济效益和效率。
发明内容
本发明提供了一种基于云平台的畜禽舍环境温度检测***，本发明有效解决了现有畜禽养殖环境温度检测***没有根据养殖环境温度变化的非线性、大滞后和动态变化复杂等特点，无法对畜禽养殖环境温度进行精确检测和预测，从而极大的影响畜禽养殖环境温度的有效管理，以及没有对温度参数进行管理从而极大的影响畜禽舍养殖效益的问题。
本发明通过以下技术方案实现：
一种基于云平台的畜禽舍环境温度检测***由畜禽舍环境参数采集与控制平台和畜禽舍环境温度大数据处理子***组成，畜禽舍环境参数检测***平台由检测节点、控制节点、网关节点、现场监控端、移动端APP和云平台组成，检测节点和控制节点负责检测与控制畜禽舍环境参数，畜禽舍环境参数经网关节点上传至云平台，养殖管理人员可从移动端APP实时查看云平台的畜禽养殖环境数据，实现了对畜禽舍养殖环境参数的远程监测和智能化调控功能；畜禽舍环境参数采集与控制平台的结构图见图1所示。
本发明进一步技术改进方案是：
畜禽舍环境温度大数据处理子***包括温度检测单元和温度等级分类器，多个温度传感器的输出分别是温度检测单元的对应的多个按拍延迟线TDL(Tapped Delay Line)的输入，温度检测单元在畜禽不同生长阶段输出的保育期温度梯形模糊数、生长期温度梯形模糊数和育肥期温度梯形模糊数作为温度分类器的对应的3个按拍延迟线TDL(TappedDelay Line)的输入，温度分类器输出的梯形模糊数代表畜禽舍温度适宜度等级，畜禽舍环境温度大数据处理子***见图2。
本发明进一步技术改进方案是：
温度检测单元由多个按拍延迟线TDL(Tapped Delay Line)、多个NARX神经网络温度模型、DRNN神经网络模型、FLNN神经网络模型、ANFIS神经网络模型、3个积分回路和GMDH神经网络模型组成，2个积分算子S相串联构成一个积分回路，每个积分回路的2个积分算子连接端的输出作为GMDH神经网络模型的1个对应输入，每个积分回路的输出作为GMDH神经网络模型的1个对应输入；多个温度传感器输出分别作为多个对应的按拍延迟线TDL的输入，每个按拍延迟线TDL输出的一段时间的温度传感器值分别作为对应的NARX神经网络温度模型的输入，多个NARX神经网络温度模型的输出分别作为DRNN神经网络模型、FLNN神经网络模型、ANFIS神经网络模型的输入，DRNN神经网络模型、FLNN神经网络模型和ANFIS神经网络模型的输出分别作为对应的每个积分回路的输入和GMDH神经网络模型的1个对应输入，GMDH神经网络模型的输出为代表一段时间畜禽舍环境多个温度传感器值大小的梯形模糊数，梯形模糊数为[a，b，c，d]，[a，b，c，d]构成在一段时间内温度检测单元输出为多个温度传感器值的梯形模糊数值，a、b、c和d分别代表畜禽舍环境温度的最小值、极小值、极大值和最大值，温度检测单元把一段多个时间温度传感器值转换为温度梯形模糊数值。
本发明进一步技术改进方案是：
温度等级分类器由3个按拍延迟线TDL(Tapped Delay Line)、3个动态递归小波神经网络、3个自联想神经网络和RBF神经网络分类器组成，温度检测单元在畜禽不同生长阶段输出的保育期温度梯形模糊数、生长期温度梯形模糊数和育肥期温度梯形模糊数分别作为温度分类器的对应的第1个、第2个和第3个按拍延迟线TDL(Tapped Delay Line)的输入，3个按拍延迟线TDL输出的一段时间畜禽舍温度梯形模糊分别作为对应的第1个、第2个和第3个自联想神经网络的输入，3个自联想神经网络的输出分别作为对应的第1个、第2个和第3个动态递归小波神经网络的输入，第1个动态递归小波神经网络输出分别作为第2个动态递归小波神经网络输入和RBF神经网络分类器的对应输入，第2个动态递归小波神经网络输出分别作为第3个动态递归小波神经网络输入和RBF神经网络分类器的对应输入，第3个动态递归小波神经网络作为RBF神经网络分类器的对应输入，代表不同畜禽种类的数字1-5作为RBF神经网络分类器的1个对应输入，其中数字1代表生猪，数字2代表鸡，数字3代表肉牛，数字4代表羊，数字5代表鸽子，RBF神经网络分类器输出的梯形模糊数代表温度适宜度等级；。
本发明进一步技术改进方案是：
根据畜禽舍温度对畜禽生长适宜度的工程实践，RBF神经网络分类器把畜禽舍环境温度对畜禽生长过程的影响程度分为5种适宜度等级，5种适宜度等级分别为一般适宜、比较适宜、很适宜、不适宜和很不适宜分别对应5个不同的梯形模糊数，构建5种梯形模糊数与5种适宜度等级的对应关系表，计算RBF神经网络分类器输出的梯形模糊数与代表5种适宜度等级的5个梯形数的相似度，其中相似度最大的梯形模糊数对应的适宜度等级确定为该畜禽舍环境温度适宜度等级。
本发明与现有技术相比，具有以下明显优点：
一、本发明FLNN函数连接神经网络模型由输入层和输出层构成，没有隐含层，因此相较于传统神经网络，FLNN函数连接神经网络模型的网络计算量更小，训练速度更快。可以避免更新隐层权值，只需调整输出层权值，因而具有较快的收敛速度及较少的在线计算量，同时扩展畜禽养殖环境的温度参数输入变量，可提高FLNN函数连接神经网络模型的网络分辨能力，提高本发明检测畜禽舍环境温度的准确性。
二、本发明GMDH神经网络模型具有如下两个基本思想:以分析黑箱的方法处理***畜禽舍环境温度的输入输出关系，用网络间元素的互联关系描述网络的功能.GMDH神经网络模型的构建过程主要是一个不断产生活动神经元，由外部准则对神经元进行筛选，筛选得到的神经元强强结合再产生下一层神经元，直至具有最佳复杂性的模型被选出的这样一个过程。①能得到明确函数解析式表达的模型结果，自组织GMDH神经网络模型综合了神经网络和统计建模的思想，能够给出函数式表达的结果，甚至是其它建模方法难以达到的多变量高次回归方程；②建模过程自组织控制和不需任何初始假设，GMDH神经网络模型则允许上百的输入变量，再以大量的变量逐层产生大量待选模型，算法根据数据驱动找寻对被解释变量有实质影响的输入项，自组织生成最优网络结构，尽量减少建模者主观因素的影响；③最优复杂性及高精度预测，GMDH经网络模型的最优复杂特性保证了其能从近似的、不确定的，甚至是相互矛盾的知识环境中做出决策，也因其同时避免了模型结构的过拟合和不足拟合，GMDH经网络模型更加接近畜禽舍环境温度变化***的真实情况，从而畜禽舍环境温度具有更高的预测可靠性。
三、本发明利用NARX神经网络畜禽舍环境温度预测模型，由于NARX神经网络通过引入延时模块及输出反馈建立模型的动态递归网络，它将输入和输出向量延时反馈引入网络训练中，形成新的输入向量，具有良好的非线性映射能力，NARX神经网络的输入不仅包括原始畜禽舍环境温度输入数据，还包含经过训练后的温度输出数据，网络的泛化能力得到提高，使其在畜禽舍环境温度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。
四、本发明畜禽舍环境的温度存在非线性、大滞后和动态变化复杂等特点，在测量畜禽舍环境温度传感器很容易受到干扰，所以畜禽舍环境温度测量中常常包含较大的噪声。另一方面，畜禽舍环境的测量温度多于其独立变量的数量，即在这些测量温度中存在冗余信息。自联想神经网络通过对畜禽舍环境温度信息的压缩及解压缩过程，能够利用冗余信息抑制其测量噪声。在畜禽舍环境大数据处理过程中，应用自联想神经网络对测量温度进行预处理，可以大大提高畜禽舍环境温度的准确率。
五、本发明畜禽舍环境温度适宜度等级分类的科学性和可靠性，本专利的RBF神经网络分类器给畜禽舍环境温度适宜度等级分类，畜禽舍环境温度适宜度等级根据畜禽舍环境温度适宜畜禽生长等级的梯形模糊数的大小，根据畜禽舍环境温度控制的工程实践经验，通过RBF神经网络分类器将畜禽舍的保育期、生长期和育肥期的温度对畜禽生长影响的大小的动态量化为适宜度等级，通过梯形模糊数将畜禽舍环境温度分为五种情况，把畜禽舍环境温度的5种适宜度分别为一般适宜、比较适宜、很适宜、不适宜和很不适宜对应5个不同的梯形模糊数，计算RBF神经网络分类器输出的梯形模糊数与代表5种适宜度等级的5个梯形模糊数的相似度，其中相似度的梯形模糊数对应的适宜度等级确定为该畜禽舍环境温度适宜度等级，实现对畜禽舍环境温度适宜度等级分类的动态性能和科学分类。
六、本发明由于通过3个积分回路联引入畜禽舍温度参数预测值的一次和二次变化量，在非线性参数的时间序列预测中应用GMDH神经网络模型根据被检测参数的预测值以及变化量的影响把被检测参数转换为梯形模糊数具有更好的预测精度和自适应能力，提高GMDH神经网络模型的泛化能力。
附图说明
图1为本发明的畜禽舍环境参数采集与控制平台；
图2为本发明的畜禽舍环境温度大数据处理子***；
图3为本发明的温度等级分类器；
图4为本发明的检测节点；
图5为本发明的控制节点；
图6为本发明的网关节点；
图7为本发明的现场监控端软件。
具体实施方式
结合附图1-7，对本发明技术方案作进一步描述：
一、***总体功能的设计
本发明由畜禽舍环境参数采集与控制平台和畜禽舍环境温度大数据处理子***组成，畜禽舍环境参数采集与控制平台包括畜禽舍环境参数的检测节点、控制节点、网关节点、现场监控端、云平台和移动端App组成，检测节点、控制节点和网关节点之间通过构建CAN通信网络来实现检测节点、控制节点和网关节点之间的通信；检测节点将检测的畜禽舍环境参数通过网关节点的RS232接口发送给现场监控端，现场监控端对传感器数据进行理和对温度进行预测；网关节点通过NB-IoT模块与云平台之间和云平台通过5G网络与移动端App之间实现畜禽舍环境参数的双向传输，网关节点与现场监控端之间通过RS232接口实现畜禽舍环境参数的双向传输。移动App端为管理人员提供实时畜禽舍环境数据，警告管理，历史数据的查询，满足畜禽舍环境数据信息的便捷可视化，所有来自检测节点的传感器采集的数据都已上传至云平台的数据库中，管理人员通过移动端APP可通过远程查看当前的畜禽舍环境参数。云平台实现用户管理、畜禽舍环境数据管理、实时监测和报警等功能组成。云平台主要负责处理、存储、分析和显示接收到畜禽舍环境信息。云平台与用户的交互主要是通过网页端和移动设备端，网页端功能的齐全与移动端便捷化操作最大化地实现了云平台与用户高效的交互，用户管理为管理者提供注册账号、登陆账号、更改账号信息的管理操作；数据管理为用户提供了历史数据查询、数据分类管理的操作；实时监测功能将参数处理成可视化数据，可通过直方图或折线图易分析的方式呈现数据的变化。畜禽舍环境参数采集与控制平台的结构见图1所示。
二、检测节点设计
检测节点由传感器、调理电路和STM32单片机和CAN总线接口组成，主要用于采集畜禽环境中温度传感器、湿度传感器、光照强度传感器、风速传感器来收集检测各畜禽舍环境参数，该环境数据信息将通过检测节点的CAN总线接口和网关节点的CAN总线接口实现检测节点与网关节点之间信息的实时交互。
三、控制节点设计
控制节点由CAN总线接口、STM32单片机、温度控制设备、湿度控制设备、光照度控制设备和风速控制设备，通过调节供热、供湿和通风的设备的运行来调控畜禽舍养殖环境各因素数据的稳定。控制节点的微处理器收到来自云平台管理人员所发出的环境参数的设定值后，将通过继电器控制温度控制设备、湿度控制设备、风速控制设备和光照度控制设备的工作，完成对畜禽舍环境的调控。控制节点与网关节点之间通过CAN总线接口为双向数据通信，为达到畜禽舍环境所始终处在一个较为适宜的环境，设备运行状态、运行效率应该处于一个动态的调整。
四、网关节点设计
网关节点由CAN总线接口、NB-IoT模块、STM32单片机和RS232接口组成，通过CAN总线接口和RS232接口实现检测节点和控制节点与现场控监控端之间的数据的双向传输，通过CAN总线接口、NB-IoT模块、RS232接口实现云平台实现移动端APP、检测节点、控制节点和现场监控端之间的双向传输。
五、现场监控端软件设计
现场监控端是一台工业控制计算机，现场监控端主要实现对畜禽舍参数进行采集和畜禽舍环境温度预测，实现与网关节点之间信息交互，现场监控端主要功能为通信参数设置、数据分析与数据管理和畜禽舍环境温度大数据处理子***。畜禽舍环境温度大数据处理子***包括温度检测单元和温度等级分类器。畜禽舍环境温度大数据处理子***结构见图2。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7。畜禽舍环境温度大数据处理子***包括温度检测单元和温度等级分类器，多个温度传感器的输出分别是温度检测单元的对应的多个按拍延迟线TDL(Tapped Delay Line)的输入，温度检测单元在畜禽不同生长阶段输出的保育期温度梯形模糊数、生长期温度梯形模糊数和育肥期温度梯形模糊数作为温度分类器的对应的3个按拍延迟线TDL(Tapped Delay Line)的输入，温度分类器输出的梯形模糊数代表畜禽舍温度适宜度等级，温度检测单元和温度等级分类器的特征如下：
1、温度检测单元设计
温度检测单元由多个按拍延迟线TDL(Tapped Delay Line)、多个NARX神经网络温度模型、DRNN神经网络模型、FLNN神经网络模型、ANFIS神经网络模型、3个积分回路和GMDH神经网络模型组成，2个积分算子S相串联构成一个积分回路，每个积分回路的2个积分算子连接端的输出作为GMDH神经网络模型的1个对应输入，每个积分回路的输出作为GMDH神经网络模型的1个对应输入；多个温度传感器输出分别作为多个对应的按拍延迟线TDL的输入，每个按拍延迟线TDL输出的一段时间的温度传感器值分别作为对应的NARX神经网络温度模型的输入，多个NARX神经网络温度模型的输出作为DRNN神经网络模型、FLNN神经网络模型和ANFIS神经网络模型的输入，DRNN神经网络模型、FLNN神经网络模型和ANFIS神经网络模型的输出分别作为对应的每个积分回路的输入和GMDH神经网络模型的1个对应输入，GMDH神经网络模型的输出为代表一段时间畜禽舍环境多个温度传感器值大小的梯形模糊数，梯形模糊数为[a，b，c，d]，[a，b，c，d]构成在一段时间内温度检测单元输出为多个温度传感器值的梯形模糊数值，a、b、c和d分别代表畜禽舍环境温度的最小值、极小值、极大值和最大值，温度检测单元把一段多个时间温度传感器值转换为温度梯形模糊数值；
A、NARX神经网络温度模型设计
多个NARX神经网络温度模型的输出作为DRNN神经网络模型、FLNN函数连接型神经网模型、ANFIS神经网络模型的输入，DRNN神经网络模型、FLNN函数连接型神经网模型和ANFIS神经网络模型的输出分别作为对应的每个积分回路的输入和GMDH神经网络模型的1个对应输入。NARX神经网络温度模型(Nonlinear Auto-Regression with External inputneural network)是一种动态的前馈神经网络，NARX神经网络温度模型是一个有着外部输入的非线性自回归网络，它有一个多步时延的动态特性，并通过反馈连接封闭网络的若干层，NARX神经网络温度模型的回归神经网络是非线性动态***中应用最广泛的一种动态神经网络，其性能普遍优于全回归神经网络。一个典型的NARX神经网络温度模型主要由输入层、隐层、输出层及输入和输出延时构成，在应用前一般要事先确定输入和输出的延时阶数、隐层神经元个数，NARX神经网络温度模型的当时输出不仅取决于过去的输出y(t-n)，还取决于当时的输入温度向量X(t)以及输入温度向量的延迟阶数等，其中输入温度信号通过时延层传递给隐层，隐层对输入的温度信号进行处理后传递到输出层，输出层将隐层输出信号做线性加权获得最终的神经网络输出信号，时延层将网络反馈的信号和输入层输出的信号进行延时，然后输送到隐层。NARX神经网络温度模型具有非线性映射能力、良好的鲁棒性和自适应性等特点，适宜对畜禽养殖环境温度进行预测。x(t)表示神经网络温度模型的外部输入，即畜禽养殖环境环境温度传感器值；m表示外部输入的延迟阶数；y(t)是神经网络的输出，即下一时段的畜禽养殖环境环境温度预测值；n是输出延迟阶数；s为隐含层神经元的个数；可以得到第j个隐含单元的输出为：
Figure BDA0002895444100000091
上式中，wji为第i个输入与第j个隐含神经元之间的连接权值，bj是第j个隐含神经元的偏置值，网络的输出y(t+1)的值为：
y(t+1)＝f[y(t),y(t-1),…,y(t-n),x(t),x(t-1),…,x(t-m+1)；W] (2)
B、DRNN神经网络设计
多个NARX神经网络温度模型的输出作为DRNN神经网络模型、FLNN函数连接型神经网模型、ANFIS神经网络模型的输入，DRNN神经网络模型、FLNN函数连接型神经网模型和ANFIS神经网络模型的输出分别作为对应的每个积分回路的输入和GMDH神经网络模型的1个对应输入。DRNN神经网络模型模型的输出作为对应的积分回路的输入和GMDH神经网络模型的1个对应输入，DRNN神经网络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畜禽养殖环境的检测参数的动态变化性能，DRNN神经网络模型模型可以更加精确畜禽养殖环境温度，DRNN神经网络模型的网络结构为n-2n+1-1的3层网络结构，其隐层为动态回归层。设I＝[I1(t),I2(t),…,In(t)]为DRNN神经网络模型输入向量，其中Ii(t)为多DRNN神经网络模型模型输入层第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神经网络模型的输出。则DRNN神经网络模型的输出层输出为：
Figure BDA0002895444100000101
C、FLNN函数连接型神经网模型设计
多个NARX神经网络温度模型的输出分别作为DRNN神经网络模型、FLNN神经网络模型、ANFIS神经网络模型的输入，DRNN神经网络模型、FLNN神经网络模型和ANFIS神经网络模型的输出分别作为对应的每个积分回路的输入和GMDH神经网络模型的1个对应输入。参数测量传感器输出作为对应的按拍延迟线TDL的输入，每个按拍延迟线TDL输出的一段时间的参数测量传感器值分别作为对应的FLNN函数连接型神经网模型的输入，多个FLNN函数连接型神经网模型的输出分别作为多个DRNN神经网络模型模型的输入。FLNN函数型连接神经网络是一个函数型神经网络模型，该模型中的函数型连接的作用是将畜禽养殖环境的检测参数的输入模式的每个分量乘以整个模式向量，其结果是产生一个原始模式向量的张积。FLNN函数连接型神经网络通过对畜禽养殖环境的检测参数输入模式预先进行非线性扩展，在FLNN函数型连接神经网络中引入“高阶”项，通过对畜禽养殖环境的检测参数输入模式的非线性扩展，将畜禽养殖环境的检测参数输入模式映射到一个更大的模式空间，增强了畜禽养殖环境的检测参数输入信号的模式表达，大大简化了FLNN函数连接型神经网模型的网络结构。虽然FLNN函数连接型神经网模型输入的畜禽养殖环境的检测参数信息并没有增多，但FLNN函数连接型神经网模型模式的增强带来了FLNN函数连接型神经网模型的网络结构的简化和学习速度的提高，用单层网络就可以实现“监督”学习，相对于多层前向神经网络具有很大的优势。FLNN函数连接型神经网模型用单层网络实现监督学习，这个求解过程可由下述自适应监督学习算法完成。FLNN函数型连接神经网络模型的学习算法可由下式表示：
Figure BDA0002895444100000111
权值调整：
Figure BDA0002895444100000112
其中：Fi(k)、
Figure BDA0002895444100000113
ei(k)和wn(k)分别为第i个输入模式的期望输出、估计输出、误差和函数型网络在第k步的第n个连接权；α为学习因子，影响稳定性和收敛速度。FLNN函数连接神经网络模型采用函数扩展的方式，对原始畜禽养殖环境的检测参数输入进行扩展，使原始畜禽养殖环境的检测参数输入转化到另外一个空间，将增强后的模式作为FLNN函数连接神经网络模型的网络输入层的输入，通过这种方法来更好地处理非线性问题；FLNN函数连接神经网络模型由输入层和输出层构成，没有隐含层，因此相较于传统神经网络，FLNN函数连接神经网络模型的网络计算量更小，训练速度更快。可以避免更新隐层权值，只需调整输出层权值，因而具有较快的收敛速度及较少的在线计算量，同时扩展畜禽养殖环境的检测参数输入变量，可提高FLNN函数连接神经网络模型的网络分辨能力。
D、ANFIS神经网络模型设计
多个NARX神经网络温度模型的输出分别作为DRNN神经网络模型、FLNN神经网络模型、ANFIS神经网络模型的输入，DRNN神经网络模型、FLNN神经网络模型和ANFIS神经网络模型的输出分别作为对应的每个积分回路的输入和GMDH神经网络模型的1个对应输入。ANFIS神经网络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神经网络中的模糊隶属度函数及模糊规则是通过对大量畜禽舍环境温度的已知历史数据的学习得到的，ANFIS神经网络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神经网络模型的输入为NARX神经网络输出值，ANFIS神经网络模型的输出为的畜禽舍环境温度再一次预测值，主要运算步骤如下:
第1层:将输入的NARX神经网络输出值的畜禽舍数值模糊化，每个节点对应输出可表示为:
Figure BDA0002895444100000121
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神经网络模型的规则运算采用乘法。
Figure BDA0002895444100000122
第3层:将各条规则的适用度归一化:
Figure BDA0002895444100000123
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 BDA0002895444100000124
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:
Figure BDA0002895444100000131
ANFIS神经网络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。ANFIS神经网络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。以此方式对数ANFIS神经网络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神经网络模型参数的收敛速度。ANFIS神经网络模型输出为多个NARX神经网络输出值的融合值。
E、GMDH神经网络模型设计
DRNN神经网络模型、FLNN神经网络模型和ANFIS神经网络模型的输出分别作为对应的每个积分回路的输入和GMDH神经网络模型的1个对应输入，GMDH神经网络模型的输出为代表一段时间畜禽舍环境多个温度传感器值大小的梯形模糊数，梯形模糊数为[a，b，c，d]，[a，b，c，d]构成在一段时间内温度检测单元输出为多个温度传感器值的梯形模糊数值，a、b、c和d分别代表畜禽舍环境温度的最小值、极小值、极大值和最大值，温度检测单元把一段多个时间温度传感器值转换为温度梯形模糊数值。GMDH神经网络模型(GMDH)是一种自组织数据挖掘的算法，若该GMDH神经网络模型有m个输入变量x1,x2,…,xm和输出为Y。GMDH的目的就是要建立起输入与输出关系的系数待定和形式已知的函数关系f，可以通过应用用volterra级数展开的多项式去逼近f：
Figure BDA0002895444100000141
GMDH神经网络模型主要用于处理小样本数据，通过自动寻找样本中各变量之间的相关性构建畜禽舍环境参数预测模型。首先根据参考函数的初始模型产生第一代中间候选模型，然后从第一代中间候选模型中筛选出若干项加上计算法则生成第二代中间候选模型，重复此过程直得出最优畜禽舍环境参数预测模型为止，因此GMDH神经网络模型能够根据自变量自适应的建立一个对因变量有解释能力的高阶多项式模型。设Rj为第j层最大神经元数量，xkl为第l个输入样本的第k维，yjkl为网络第j层中第k个神经元对第l个输入样本额预测值，
Figure BDA0002895444100000142
为网络第j层中第k个神经元的阀值均方根，Y为网络的预测值。GMDH神经网络模型采用自适应多层迭代的方法构建网络结构，通过最小偏差准则选择网络最优模型，并构建出基于Kolmogorov－Gabor多项式的输入和输出之间非线性映射。数据预处理将数据集划分为训练集和测试集；对输入量配对，并辨识得出局部多项式模型，从而生成竞争模型集，计算选择准则值作为下一层输入，直至选出最优复杂度模型为止。GMDH神经网络模型的学习进化过程如下：①设定网络各层最大神经元数量Rj和网络的初始变量个数d0，选择网络最小偏差准则。②根据输入数据维数构建只包含第1层神经元的初始网络。③依次计算每个神经元的阀值均方根
Figure BDA0002895444100000143
对于网络第j层，从大到小排序
Figure BDA0002895444100000144
取前Rj个
Figure BDA0002895444100000145
做为被选中神经元加以保留，其余做为未被选中的神经元。对于被选中的神经元，找出最小
Figure BDA0002895444100000146
并与上一层最小
Figure BDA0002895444100000147
进行比较，如果
Figure BDA0002895444100000148
小于
Figure BDA0002895444100000149
则执行步骤④，否则执行步骤⑤。④根据当前被选中的神经元产生下一层神经元。⑤网络构建完毕。
2、温度等级分类器设计
温度等级分类器由3个按拍延迟线TDL(Tapped Delay Line)、3个动态递归小波神经网络、3个自联想神经网络和RBF神经网络分类器组成，温度检测单元在畜禽不同生长阶段输出的保育期温度梯形模糊数、生长期温度梯形模糊数和育肥期温度梯形模糊数分别作为温度分类器的对应的第1个、第2个和第3个按拍延迟线TDL(Tapped Delay Line)的输入，3个按拍延迟线TDL输出的一段时间畜禽舍温度梯形模糊分别作为对应的第1个、第2个和第3个自联想神经网络的输入，3个自联想神经网络的输出分别作为对应的第1个、第2个和第3个动态递归小波神经网络的输入，第1个动态递归小波神经网络输出分别作为第2个动态递归小波神经网络输入和RBF神经网络分类器的对应输入，第2个动态递归小波神经网络输出分别作为第3个动态递归小波神经网络输入和RBF神经网络分类器的对应输入，第3个动态递归小波神经网络作为RBF神经网络分类器的对应输入，代表不同畜禽种类的数字1-5作为RBF神经网络分类器的1个对应输入，其中数字1代表生猪，数字2代表鸡，数字3代表肉牛，数字4代表羊，数字5代表鸽子，RBF神经网络分类器输出的梯形模糊数代表温度适宜度等级。温度等级分类器的设计过程如下：
A、自联想神经网络设计
温度检测单元在畜禽不同生长阶段输出的保育期温度梯形模糊数、生长期温度梯形模糊数和育肥期温度梯形模糊数分别作为温度分类器的对应的第1个、第2个和第3个按拍延迟线TDL(Tapped Delay Line)的输入，3个按拍延迟线TDL输出的一段时间畜禽舍温度梯形模糊分别作为对应的第1个、第2个和第3个自联想神经网络的输入，3个自联想神经网络输出的温度梯形模糊数分别作为对应的第1个、第2个和第3个动态递归小波神经网络的输入。自联想神经网络(Auto-associative neural network，AANN)，一种特殊结构的前馈神经网络，自联想神经网络结构包括一个输入层，一定数量的隐含层和一个输出层。首先通过输入层、映射层以及瓶颈层实现了畜禽舍环境温度梯形模糊数输入数据信息的压缩，从网络输入的高维参数空间中提取了反映畜禽舍环境温度梯形模糊数***结构的最具代表性的低维子空间，同时有效地滤去了畜禽舍环境温度梯形模糊数输入数据中的噪声和测量误差，再通过瓶颈层、解映射层和输出层实现畜禽舍环境温度梯形模糊数数据的解压缩，将前面压缩的信息还原到各个参数值，从而实现各畜禽舍环境温度梯形模糊数输入数据的重构。为了达到信息压缩的目的，自联想神经网络络瓶颈层节点数目明显小于输入层，又为了防止形成输入输出层之间的简单单一映射，除了输出层激励函数采用线形函数外，其它各层均采用非线形的激励函数。从本质来讲，自联想神经网络的隐含层第一层叫作映射层，映射层的节点传递函数可能是S型函数也可能是其他类似的非线性函数；隐含层第二层叫做瓶颈层，瓶颈层的维数是网络中最小的，它的传递函数可能是线性的或者是非线性，瓶颈层避免了那种很容易实现的一对一的输出和输入相等的映射关系，它使网络对畜禽舍环境温度梯形模糊数信号进行编码和压缩得到输入温度传感器数据的相关模型，并在瓶颈层后进行解码和解压缩以产生畜禽舍环境温度梯形模糊数输入信号的估计值；隐含层第三层或最后一层叫做解映射层，解映射层的节点传递函数是通常是非线性的S型函数，自联想神经网用误差反向传播算法来训练。
B、动态递归小波神经网络预测模型设计
3个自联想神经网络的输出分别作为对应的第1个、第2个和第3个动态递归小波神经网络的输入，第1个动态递归小波神经网络输出分别作为第2个动态递归小波神经网络输入和RBF神经网络分类器的对应输入，第2个动态递归小波神经网络输出分别作为第3个动态递归小波神经网络输入和RBF神经网络分类器的对应输入，第3个动态递归小波神经网络作为RBF神经网络分类器的对应输入，小波神经网络WNN(Wavelet Neural Networks)理论基础以小波函数为神经元的激励函数并结合人工神经网络提出的一种前馈型网络，小波神经网络中小波的伸缩、平移因子以及连接权重在对误差能量函数的优化过程中被自适应调整。设小波神经网络的输入信号可以表示为输入的一维向量xi(i＝1,2,…,n)，输出信号表示为yk(k＝1,2,…,m)，小波神经网络预测模型输出层预测值的计算公式为：
Figure BDA0002895444100000171
公式中ωij输入层i节点和隐含层j节点间的连接权值，
Figure BDA0002895444100000172
为小波基函数，bj为小波基函数的平移因子，aj小波基函数的伸缩因子，ωjk为隐含层j节点和输出层k节点间的连接权值。本专利的动态递归小波神经网络预测模型与普通静态小波神经网络的区别在于动态递归小波神经网络预测模型具有两个起存储网络“内部状态”的作用关联层节点，在两个关联层节点上增加了具有固定增益的自反馈环，增强时间序列特征信息的记忆性能，从而增强对畜禽舍养殖产量演化轨迹的跟踪精度以确保更好的预测精度；第一关联层节点用来存储隐含层节点在前一时刻相点的状态，下一时刻再传递给隐含层节点；第二关联层节点是用来存储输出层节点在前一时刻相点的状态，下一时刻再传递给隐含层节点；隐含层和输出层的神经元的反馈信息都会影响动态递归小波神经网络预测模型预测的动态处理能力，两个关联层都属于动态递归小波神经网络预测模型内部的状态反馈，形成动态递归小波神经网络预测模型的递归性所特有的动态记忆性能，提高动态递归小波神经网络预测模型预测畜禽舍环境温度的准确性和动态性能；在动态递归小波神经网络预测模型预测模型的第一关联层节点与输出层节点之间增加了一组连接权值增强动态递归小波神经网络预测模型预测畜禽舍环境温度的动态逼近能力和提高畜禽舍环境温度的预测精度。本专利中的动态递归小波神经网络畜禽舍环境温度预测模型的权值和阈值的修正算法采用梯度修正法来更新网络权值和小波基函数参数，从而使动态递归小波神经网络预测畜禽舍环境温度预测模型输出不断逼近期望输出。
C、RBF神经网络分类器设计
3个自联想神经网络的输出分别作为对应的第1个、第2个和第3个动态递归小波神经网络的输入，第1个动态递归小波神经网络输出分别作为第2个动态递归小波神经网络输入和RBF神经网络分类器的对应输入，第2个动态递归小波神经网络输出分别作为第3个动态递归小波神经网络输入和RBF神经网络分类器的对应输入，第3个动态递归小波神经网络作为RBF神经网络分类器的对应输入，代表不同畜禽种类的数字1-5作为RBF神经网络分类器的1个对应输入，其中数字1代表生猪，数字2代表鸡，数字3代表肉牛，数字4代表羊，数字5代表鸽子，RBF神经网络分类器输出的梯形模糊数代表温度适宜度等级；RBF神经网络分类器的径向基向量为H＝[h1,h2,…,hp]T，hp为基函数，径向基神经网络中常用的径向基函数是高斯函数，其表达式为：
Figure BDA0002895444100000181
式中X为2个按拍延迟线TDL的输出的时间序列输出，C为隐含层神经元高斯基函数中心点坐标向量，δj为隐含层第j个神经元高斯基函数的宽度；网络的输出连接权值向量为wij，RBF神经网络分类器输出表达式为：
Figure BDA0002895444100000182
RBF神经网络分类器输出的梯形模糊数表示畜禽舍环境温度适宜度等级值；根据畜禽舍温度对畜禽生长适宜度的工程实践，RBF神经网络分类器把畜禽舍环境温度对畜禽生长过程的影响程度分为5种适宜度等级，5种适宜度等级分别为一般适宜、比较适宜、很适宜、不适宜和很不适宜分别对应5个不同的梯形模糊数，构建5种梯形模糊数与5种适宜度等级的对应关系表，计算RBF神经网络分类器输出的梯形模糊数与代表5种适宜度等级的5个梯形数的相似度，其中相似度最大的梯形模糊数对应的适宜度等级确定为该畜禽舍环境温度适宜度等级，畜禽舍温度对畜禽生长适宜度与梯形模糊数的对应关系如下，见表1。
表1畜禽舍环境温度适宜度等级与梯形模糊数对应关系表
序号 适宜度等级 梯形模糊数
1 一般适宜 (0.0，0.05，0.15，0.3)
2 比较适宜 (0.1，0.15，0.3，0.4)
3 很适宜 (0.3，0.35，0.45，0.7)
4 不适宜 (0.6，0.75，0.8，0.9)
5 很不适宜 (0.8，0.85，0.9，1.0)
五、一种基于云平台的畜禽舍环境温度检测***的设计举例
根据畜禽舍大数据检测***的实际状况，***布置了畜禽舍参数采集平台的检测节点、网关节点和现场监控端的平面布置安装图，其中检测节点的传感器根据检测的需要均衡布置在畜禽舍的各个方位，通过该***实现对畜禽舍参数进行采集。
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 (6)

1.一种基于云平台的畜禽舍环境温度检测***，其特征在于：所述检测***由畜禽舍环境参数采集与控制平台和畜禽舍环境温度大数据处理子***组成，实现对畜禽舍养殖环境参数采集、处理和预测功能；
所述畜禽舍环境温度大数据处理子***包括温度检测单元和温度等级分类器，多个温度传感器的输出分别是温度检测单元的对应的多个按拍延迟线TDL的输入，温度检测单元在畜禽不同生长阶段输出的保育期温度梯形模糊数、生长期温度梯形模糊数和育肥期温度梯形模糊数作为温度分类器的对应的按拍延迟线TDL的输入，温度分类器输出的梯形模糊数代表畜禽舍温度适宜度等级。
2.根据权利要求1所述的一种基于云平台的畜禽舍环境温度检测***，其特征在于：所述温度检测单元包括按拍延迟线TDL、NARX神经网络温度模型、DRNN神经网络模型、FLNN神经网络模型、ANFIS神经网络模型、积分回路和GMDH神经网络模型组成，2个积分算子S相串联构成一个积分回路，每个积分回路的2个积分算子连接端的输出作为GMDH神经网络模型的对应输入，每个积分回路的输出作为GMDH神经网络模型的对应输入；温度传感器输出分别作为多个对应的按拍延迟线TDL的输入，每个按拍延迟线TDL输出的一段时间的温度传感器值分别作为对应的NARX神经网络温度模型的输入，NARX神经网络温度模型的输出分别作为DRNN神经网络模型、FLNN神经网络模型、ANFIS神经网络模型的输入，DRNN神经网络模型、FLNN神经网络模型和ANFIS神经网络模型的输出分别作为对应的每个积分回路的输入和GMDH神经网络模型的对应输入，GMDH神经网络模型的输出为代表一段时间畜禽舍环境多个温度传感器值大小的梯形模糊数和作为温度检测单元输出，温度检测单元把一段多个时间温度传感器值转换为温度梯形模糊数值。
3.根据权利要求1或2所述的一种基于云平台的畜禽舍环境温度检测***，其特征在于：所述温度等级分类器包括按拍延迟线TDL、动态递归小波神经网络、自联想神经网络和RBF神经网络分类器，温度检测单元在畜禽不同生长阶段输出的保育期温度梯形模糊数、生长期温度梯形模糊数和育肥期温度梯形模糊数分别作为温度分类器的对应的按拍延迟线TDL的输入，按拍延迟线TDL输出的一段时间畜禽舍温度梯形模糊分别作为对应的自联想神经网络的输入，自联想神经网络的输出分别作为对应的动态递归小波神经网络的输入。
4.根据权利要求3所述的一种基于云平台的畜禽舍环境温度检测***，其特征在于：所述第1个动态递归小波神经网络输出分别作为第2个动态递归小波神经网络输入和RBF神经网络分类器的对应输入，第2个动态递归小波神经网络输出分别作为第3个动态递归小波神经网络输入和RBF神经网络分类器的对应输入，第3个动态递归小波神经网络作为RBF神经网络分类器的对应输入，代表不同畜禽种类的数字作为RBF神经网络分类器的对应输入，RBF神经网络分类器输出的梯形模糊数代表温度适宜度等级。
5.根据权利要求4所述的一种基于云平台的畜禽舍环境温度检测***，其特征在于：所述RBF神经网络分类器把畜禽舍环境温度对畜禽生长过程的影响程度分为5种适宜度等级，5种适宜度等级分别为一般适宜、比较适宜、很适宜、不适宜和很不适宜分别对应5个不同的梯形模糊数，构建5种梯形模糊数与5种适宜度等级的对应关系表，计算RBF神经网络分类器输出的梯形模糊数与代表5种适宜度等级的5个梯形数的相似度，其中相似度最大的梯形模糊数对应的适宜度等级确定为该畜禽舍环境温度适宜度等级。
6.根据权利要求1或2所述的一种基于云平台的畜禽舍环境温度检测***，其特征在于：所述畜禽舍环境参数采集与控制平台包括畜禽舍环境参数的检测节点、控制节点、网关节点、现场监控端、云平台和移动端App组成，检测节点、控制节点和网关节点之间通过构建CAN通信网络来实现检测节点、控制节点和网关节点之间的通信；检测节点将检测的畜禽舍环境参数通过网关节点的通信接口发送给现场监控端，现场监控端对传感器数据进行理和对温度进行预测；网关节点通过通信模块与云平台之间和云平台通过无线网络与移动端App之间实现畜禽舍环境参数的双向传输，网关节点与现场监控端之间通过通信接口实现畜禽舍环境参数的双向传输；移动端 App 为管理人员提供实时畜禽舍环境数据和历史数据的查询，管理人员通过移动端APP可通过远程查看当前的畜禽舍环境参数；云平台主要负责处理、存储、分析和显示接收到畜禽舍环境参数。
CN202110041246.3A 2021-01-13 2021-01-13 一种基于云平台的畜禽舍环境温度检测*** Pending CN112906856A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202110041246.3A CN112906856A (zh) 2021-01-13 2021-01-13 一种基于云平台的畜禽舍环境温度检测***

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202110041246.3A CN112906856A (zh) 2021-01-13 2021-01-13 一种基于云平台的畜禽舍环境温度检测***

Publications (1)

Publication Number Publication Date
CN112906856A true CN112906856A (zh) 2021-06-04

Family

ID=76112708

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202110041246.3A Pending CN112906856A (zh) 2021-01-13 2021-01-13 一种基于云平台的畜禽舍环境温度检测***

Country Status (1)

Country Link
CN (1) CN112906856A (zh)

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN115016275A (zh) * 2022-06-17 2022-09-06 淮阴工学院 智能化饲喂与畜禽舍大数据物联网***

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN115016275A (zh) * 2022-06-17 2022-09-06 淮阴工学院 智能化饲喂与畜禽舍大数据物联网***
CN115016275B (zh) * 2022-06-17 2023-06-06 淮阴工学院 智能化饲喂与畜禽舍大数据物联网***

Similar Documents

Publication Publication Date Title
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***
CN110084417B (zh) 一种基于grnn神经网络的草莓温室环境参数智能监测***
CN110705757B (zh) 一种基于现场总线网络的多点温度传感器智能监测***
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
CN110766132B (zh) 一种基于物联网的果园产量智能预测***
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
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
CN115016276B (zh) 智能水分调节与环境参数物联网大数据***
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
CN113031555B (zh) 一种畜禽舍环境有害气体智能净化***
CN111476278B (zh) 一种气体浓度智能化检测***
CN113281465A (zh) 一种畜禽舍养殖环境有害气体检测***
CN116029435B (zh) 一种生猪设施养殖环境舒适度预警***
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
CN110083190A (zh) 一种基于减法聚类分类器的青椒温室环境智能监测***
CN113126676A (zh) 一种畜禽舍养殖环境参数智能控制***
CN112862256A (zh) 一种畜禽舍环境大数据检测***
CN112903929A (zh) 一种食品质量检测***
CN113065749A (zh) 一种建筑材料的养护室环境智能***
CN115128978A (zh) 物联网环境大数据检测与智能监控***
CN114418183B (zh) 畜禽健康体征大数据物联网检测***
CN114417242B (zh) 畜禽活动信息的大数据检测***
CN110119165B (zh) 一种水产养殖池塘溶解氧检测装置
CN117114913A (zh) 一种基于大数据的智能化农业数据采集***

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