CN105588930A - 温室大棚土壤参数测量方法 - Google Patents
温室大棚土壤参数测量方法 Download PDFInfo
- Publication number
- CN105588930A CN105588930A CN201510947159.9A CN201510947159A CN105588930A CN 105588930 A CN105588930 A CN 105588930A CN 201510947159 A CN201510947159 A CN 201510947159A CN 105588930 A CN105588930 A CN 105588930A
- Authority
- CN
- China
- Prior art keywords
- carbon dioxide
- soil
- dioxide content
- water content
- content
- 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
- G01—MEASURING; TESTING
- G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
- G01N33/00—Investigating or analysing materials by specific methods not covered by groups G01N1/00 - G01N31/00
- G01N33/24—Earth materials
-
- 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
- G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
- G01N33/00—Investigating or analysing materials by specific methods not covered by groups G01N1/00 - G01N31/00
- G01N33/24—Earth materials
- G01N2033/245—Earth materials for agricultural purposes
Abstract
本发明公开了一种温室大棚土壤参数测量方法,包括以下步骤:将空气温度、湿度、二氧化碳含量、空气流量作为输入参量,将土壤温度、含水量、二氧化碳含量作为输出参量,建立神经网络;求解神经网络的最优输入参量;根据上一循环神经网络估计误差判断是否需要人工采样,如需要,通过人工采样然后离线分析,对比得出实测的土壤温度、含水量、二氧化碳含量与神经网络估计出的土壤温度、含水量、二氧化碳含量的误差,然后将这组实测土壤温度、含水量、二氧化碳含量数据,以及神经网络估计与实测的土壤温度、含水量、二氧化碳含量误差数据一起,使用附加动量学习规则,更新训练神经网络。本发明采用软测量技术,实现实时准确测量控制土壤参数。
Description
技术领域
本发明涉及一种土壤参数测量方法,尤其涉及一种温室大棚土壤参数测量方法,属于检测技术领域。
背景技术
农业生产具有季节性的特点,温室大棚可以帮助克服农业生产的季节性,提高农业生产效率。大棚内影响农作物生长的环境因素有温度、湿度、光照和空气流通情况,尤其是土壤作为农作物生长的基地,土壤的温度、湿度、酸碱度、含水量、二氧化碳含量、通气状况、氮、磷、钾、钙等养分的含量等对农作物的生长都具有直接影响。为了达到农业生产的效率化、优质化,对上述各种土壤环境参数的量化测量与控制很重要。目前的温室大棚环境控制仅能对空气环境的参数进行自动实时测量控制,但对土壤的系列参数由于技术、设备限制,对这一系列土壤物理量的测量往往采用的方法是人工间隔一定时段采样一次,再使用仪器做离线分析得出。由于土壤的上述参数涉及气、固、液三相,难以采用传感器直接进行测量,很难实时的获知土壤物理量的准确值,因而无法准确、实时自动调节上述土壤物理量,满足不了农业生产测量控制信息化、网络化的要求。
采用软测量技术,建立容易实时测量的辅助变量和难以测量的目标主导变量之间的数学模型关系,为准确测量控制土壤参数提供了一条新途径。
发明内容
本发明的目的在于提供一种温室大棚土壤参数测量方法,解决现有技术对温室大棚农作物生长的土壤环境参数难以用传感器直接进行测量,而采用人工间隔时段测量采样,再使用仪器做离线分析,造成无法实时的获知土壤物理量准确值的技术问题。本发明以软测量技术实时测量调节土壤物理量,以满足农业生产测量控制信息化、网络化的要求。
本发明的目的通过以下技术方案予以实现:
一种温室大棚土壤参数测量方法,包括以下步骤:
1)根据对温室大棚的空气和土壤数据的记录,统计出空气温度、湿度、二氧化碳含量、空气流量,对应时刻的土壤温度、含水量、二氧化碳含量的数据;将空气温度、湿度、二氧化碳含量、空气流量作为输入参量,将土壤温度、含水量、二氧化碳含量作为输出参量,建立神经网络,根据已有的历史监测数据,使用BP神经网络,附加动量学习规则,训练神经网络;
2)根据农作物生长所需的土壤的温度、含水量、二氧化碳含量的理想值,由粒子群算法,求解神经网络的最优输入参量,即空气温度、湿度、二氧化碳含量、空气流量;
3)根据上一循环神经网络估计误差判断是否需要人工采样,如需要,通过人工采样然后离线分析,对比得出实测的土壤温度、含水量、二氧化碳含量与神经网络估计出的土壤温度、含水量、二氧化碳含量的误差,然后将这组实测土壤温度、含水量、二氧化碳含量数据,以及神经网络估计与实测的土壤温度、含水量、二氧化碳含量误差数据一起,使用附加动量学习规则,更新训练神经网络;如不需要人工采样,则返回步骤2)。
本发明的目的还可以通过以下技术措施来进一步实现:
前述温室大棚土壤参数测量方法,其中粒子群算法,步骤如下:
1)初始化粒子群:确定粒子群大小NP,粒子群算法迭代次数NG,初始化粒子位置,计算每个粒子的适应度并初始化全局最优解与个体最优解;
计算粒子适应度的函数为:
其中,Oi表示神经网络输出向量的第i个元素,O′i为理论期望的输出向量的第i个元素;
2)更新粒子群:粒子群的运动方程如下:
v(t)=ω·v(t-1)+c1·(lbest-x(t))+c2·(gbest-x(t))
x(t+1)=x(t)+c3·v(t)
其中ω取为i为粒子群算法的本次迭代次数,c1,c2,c3为常数,lbest为每个粒子搜索过的个体最优解,gbest为所有粒子搜索过的全局最优解;
3)计算本次迭代的粒子适应度,更新个体最优解与全局最优解:即对每个粒子,将本次迭代产生的适应度,与当前个体最优解相比,取适应度较小的为个体最优解,与所有粒子搜索过的全局最优解相比,取适应度较小的为全局最优解;
4)判断是否达到迭代NG次,若是,则输出全局最优解,若否,则返回步骤2)。
前述温室大棚土壤参数测量方法,其中粒子群算法步骤2)的c1,c2取值为3,c3取值为0.4。
前述温室大棚土壤参数测量方法,其中附加动量学习法,更新规则如下式:
其中Δω(t)=ω(t)-ω(t-1),ET为神经网络的训练误差,η为权重,a为动量因子,取0.95。
本发明的目的还可以通过另一种技术方案予以实现:
一种温室大棚土壤参数测量方法,包括以下步骤:
1)根据对温室大棚的空气和土壤数据的记录,统计出空气温度、湿度、二氧化碳含量、空气流量,对应时刻的土壤温度、含水量、二氧化碳含量的数据;将空气温度、湿度、二氧化碳含量、空气流量作为输入参量,将土壤温度、含水量、二氧化碳含量作为输出参量,建立神经网络,根据已有的历史监测数据,使用BP神经网络,附加动量学习规则,训练神经网络;
2)根据农作物生长所需的土壤的温度、含水量、二氧化碳含量的理想值,由遗传算法,求解神经网络的最优输入参量,即空气温度、湿度、二氧化碳含量、空气流量;所述遗传算法包括以下步骤:
①采用实数编码,初始化染色体,形成初始种群;
②利用适应度函数评价各代中的每个染色体;
③进行遗传操作;
④重新计算每个个体的适应值;
⑤选择好新种群后,对新种群中的最优个体进行保留,用上代的最优个体取代本代的最差个体;
⑥判断是否达到进化代数,若没有,则返回第②步,否则结束;
⑦将新种群中的最优个体的值作为和,保持不变,采用BP算法进行学习,直到满足性能指标。
3)根据上一循环神经网络估计误差判断是否需要人工采样,如需要,通过人工采样然后离线分析,对比得出实测的土壤温度、含水量、二氧化碳含量与神经网络估计出的土壤温度、含水量、二氧化碳含量的误差,然后将这组实测土壤温度、含水量、二氧化碳含量数据,以及神经网络估计与实测的土壤温度、含水量、二氧化碳含量误差数据一起,使用附加动量学习规则,更新训练神经网络;如不需要人工采样,则返回步骤2)。
与现有技术相比,本发明的有益效果是:采用软测量技术,建立容易实时测量的辅助变量和难以测量的目标主导变量之间的数学模型关系,为实时准确测量控制土壤参数提供了较佳的解决方案。同时,将神经网络、粒子群算法、遗传算法等方法结合,实现温室大棚农作物生长土壤环境的优化控制。
附图说明
图1是本发明的神经网络结构图。
具体实施方式
下面结合附图和具体实施例对本发明作进一步说明。
在温室大棚中,土壤温度、含水量、二氧化碳含量对农作物的生长十分重要,为了提高农作物质量与产量,需要对土壤的物理参数进行测量然后进行调节,如能实现自动控制则更加方便高效并有利于植物生长。为实现这一目的,应先使用温度计、湿度计、空气流量计、二氧化碳检测仪等传感器对空气及土壤内的参数进行测量,建立一个该温室大棚空气和土壤物理量数据库,具体包括以下步骤:
1)根据对温室大棚的空气和土壤数据的记录,统计出空气温度、湿度、二氧化碳含量、空气流量,以及对应时刻的土壤温度、含水量、二氧化碳含量的数据;将空气温度、湿度、二氧化碳含量、空气流量作为输入参量,将土壤温度、含水量、二氧化碳含量作为输出参量,建立神经网络,如图1所示。根据已有的历史监测数据,使用BP神经网络,附加动量学习规则,训练神经网络;附加动量学习法更新规则如下式:
其中Δω(t)=ω(t)-ω(t-1),ET为神经网络的训练误差,η为权重,a为动量因子,取0.95。
2)根据农作物生长所需的土壤的温度、含水量、二氧化碳含量的理想值,由粒子群算法,求解神经网络的最优输入参量,即空气温度、湿度、二氧化碳含量、空气流量;其中粒子群算法,步骤如下:
(1)初始化粒子群:确定粒子群大小NP,粒子群算法迭代次数NG,初始化粒子位置,计算每个粒子的适应度并初始化全局最优解与个体最优解;
计算粒子适应度的函数为:
其中,Oi表示神经网络输出向量的第i个元素,O′i为理论期望的输出向量的第i个元素;
(2)更新粒子群:粒子群的运动方程如下:
v(t)=ω·v(t-1)+c1·(lbest-x(t))+c2·(gbest-x(t))
x(t+1)=x(t)+c3·v(t)
其中ω取为i为粒子群算法的本次迭代次数,c1,c2,c3为常数,c1,c2取值为3,c3取值为0.4;lbest为每个粒子搜索过的个体最优解,gbest为所有粒子搜索过的全局最优解;
(3)计算本次迭代的粒子适应度,更新个体最优解与全局最优解:即对每个粒子,将本次迭代产生的适应度,与当前个体最优解相比,取适应度较小的为个体最优解,与所有粒子搜索过的全局最优解相比,取适应度较小的为全局最优解;
(4)判断是否达到迭代NG次,若是,则输出全局最优解,若否,则返回步骤2)。
3)由于神经网络建立了空气温度、湿度、二氧化碳含量、空气流量,与土壤温度、含水量、二氧化碳含量之间的映射关系,神经网络经过训练以后,可以用可测的空气温度、湿度、二氧化碳含量、空气流量等参数估计出不能直接实时测量的土壤参数,实现了土壤参数的软测量。为了取得更好的测量效果,缩小神经网络估计误差,需要更新训练神经网络。
因此,依据上一循环中,人工采样所得的土壤温度、含水量、二氧化碳含量数据与神经网络估计数据的误差来判断本次是否需要再次进行人工采样测量,其判断规则为:若上次人工采样数据与神经网络数据误差较小,则延长下次人工采样与本次采样的间隔时间,若本次人工采样采样数据与神经网络数据误差较大,则缩小下次人工采样与本次采样的间隔时间;具体的采样间隔时间则需根据农业生产的要求决定。如果对神经网络不断更新训练,则估计值不断逼近于实测值,所需的离线人工采样测量分析的次数可以减少,采样间隔可以加大,减轻了人工工作负担。
具体做法为根据上一循环神经网络估计误差判断是否需要人工采样,如需要,通过人工采样然后离线分析,对比得出实测的土壤温度、含水量、二氧化碳含量与神经网络估计出的土壤温度、含水量、二氧化碳含量的误差,然后将这组实测土壤温度、含水量、二氧化碳含量数据,以及神经网络估计与实测的土壤温度、含水量、二氧化碳含量误差数据一起,使用附加动量学习规则,更新训练神经网络;如不需要人工采样,则返回步骤2)。
步骤2)求解出神经网络的最优输入参量,即根据农作物生长所需的土壤的温度、含水量、二氧化碳含量的理想值通过本发明的方法求解出与之对应的空气温度、湿度、二氧化碳含量、空气流量,然后通过加热设备、加湿设备、风机、制氧机、二氧化碳发生机等对大棚的气相参数进行控制,从而间接控制土壤相应的含量,最终达到土壤符合农作物生长所需温度、含水量、二氧化碳含量理想值的目的。
本发明的目的还可以通过另一种技术方案予以实现,即同样基于软测量控制方法,建立神经网络,但是使用遗传算法,求解神经网络的最优输入参量。
具体包括以下步骤:
1)根据对温室大棚的空气和土壤数据的记录,统计出空气温度、湿度、二氧化碳含量、空气流量,对应时刻的土壤温度、含水量、二氧化碳含量的数据;将空气温度、湿度、二氧化碳含量、空气流量作为输入参量,将土壤温度、含水量、二氧化碳含量作为输出参量,建立神经网络,根据已有的历史监测数据,使用BP神经网络,附加动量学习规则,训练神经网络;
2)根据农作物生长所需的土壤的温度、含水量、二氧化碳含量的理想值,由遗传算法,求解神经网络的最优输入参量,即空气温度、湿度、二氧化碳含量、空气流量;所述遗传算法包括以下步骤:
①采用实数编码,初始化染色体,形成初始种群;
②利用适应度函数评价各代中的每个染色体;
③进行遗传操作;
④重新计算每个个体的适应值;
⑤选择好新种群后,对新种群中的最优个体进行保留,用上代的最优个体取代本代的最差个体;
⑥判断是否达到进化代数,若没有,则返回第②步,否则结束;
⑦将新种群中的最优个体的值作为和,保持不变,采用BP算法进行学习,直到满足性能指标。
3)根据上一循环神经网络估计误差判断是否需要人工采样,如需要,通过人工采样然后离线分析,对比得出实测的土壤温度、含水量、二氧化碳含量与神经网络估计出的土壤温度、含水量、二氧化碳含量的误差,然后将这组实测土壤温度、含水量、二氧化碳含量数据,以及神经网络估计与实测的土壤温度、含水量、二氧化碳含量误差数据一起,使用附加动量学习规则,更新训练神经网络;如不需要人工采样,则返回步骤2)。
遗传算法是一种基于生物进化过程的随机搜索的全局优化方法,它通过交叉和变异大大减少了初始状态的影响,使搜索得到最优结果,而不停留在局部最小处。因此,为了发挥遗传算法和BP算法各自的长处,用BP算法调节和优化具有局部性的参数,用遗传算法优化具有全局性的参数。
无论哪种方法实现的对土壤的温度、含水量、二氧化碳含量的软测量值都可以通过有线或无线网络将大棚的实时参数传输至远程的监控服务器,以实现对大棚农业生产控制的信息化、网络化。
除上述实施例外,本发明还可以有其他实施方式,凡采用等同替换或等效变换形成的技术方案,均落在本发明要求的保护范围内。
Claims (5)
1.一种温室大棚土壤参数测量方法,其特征在于,包括以下步骤:
1)根据对温室大棚的空气和土壤数据的记录,统计出空气温度、湿度、二氧化碳含量、空气流量,对应时刻的土壤温度、含水量、二氧化碳含量的数据;将空气温度、湿度、二氧化碳含量、空气流量作为输入参量,将土壤温度、含水量、二氧化碳含量作为输出参量,建立神经网络,根据已有的历史监测数据,使用BP神经网络,附加动量学习规则,训练神经网络;
2)根据农作物生长所需的土壤的温度、含水量、二氧化碳含量的理想值,由粒子群算法,求解神经网络的最优输入参量,即空气温度、湿度、二氧化碳含量、空气流量;
3)根据上一循环神经网络估计误差判断是否需要人工采样,如需要,通过人工采样然后离线分析,对比得出实测的土壤温度、含水量、二氧化碳含量与神经网络估计出的土壤温度、含水量、二氧化碳含量的误差,然后将这组实测土壤温度、含水量、二氧化碳含量数据,以及神经网络估计与实测的土壤温度、含水量、二氧化碳含量误差数据一起,使用附加动量学习规则,更新训练神经网络;如不需要人工采样,则返回步骤2)。
2.如权利要求1所述的温室大棚土壤参数测量方法,其特征在于,所述粒子群算法,步骤如下:
1)初始化粒子群:确定粒子群大小NP,粒子群算法迭代次数NG,初始化粒子位置,计算每个粒子的适应度并初始化全局最优解与个体最优解;
计算粒子适应度的函数为:
其中,Oi表示神经网络输出向量的第i个元素,O′i为理论期望的输出向量的第i个元素;
2)更新粒子群:粒子群的运动方程如下:
v(t)=ω·v(t-1)+c1·(lbest-x(t))+c2·(gbest-x(t))
x(t+1)=x(t)+c3·v(t)
其中ω取为i为粒子群算法的本次迭代次数,c1,c2,c3为常数,lbest为每个粒子搜索过的个体最优解,gbest为所有粒子搜索过的全局最优解;
3)计算本次迭代的粒子适应度,更新个体最优解与全局最优解:即对每个粒子,将本次迭代产生的适应度,与当前个体最优解相比,取适应度较小的为个体最优解,与所有粒子搜索过的全局最优解相比,取适应度较小的为全局最优解;
4)判断是否达到迭代NG次,若是,则输出全局最优解,若否,则返回步骤2)。
3.如权利要求2所述的温室大棚土壤参数测量方法,其特征在于,所述粒子群算法步骤2)的c1,c2取值为3,c3取值为0.4。
4.如权利要求1所述的温室大棚土壤参数测量方法,其特征在于,所述附加动量学习法,更新规则如下式:
其中△ω(t)=ω(t)-ω(t-1),ET为神经网络的训练误差,η为权重,a为动量因子,取0.95。
5.一种温室大棚土壤参数测量方法,其特征在于,包括以下步骤:
1)根据对温室大棚的空气和土壤数据的记录,统计出空气温度、湿度、二氧化碳含量、空气流量,对应时刻的土壤温度、含水量、二氧化碳含量的数据;将空气温度、湿度、二氧化碳含量、空气流量作为输入参量,将土壤温度、含水量、二氧化碳含量作为输出参量,建立神经网络,根据已有的历史监测数据,使用BP神经网络,附加动量学习规则,训练神经网络;
2)根据农作物生长所需的土壤的温度、含水量、二氧化碳含量的理想值,由遗传算法,求解神经网络的最优输入参量,即空气温度、湿度、二氧化碳含量、空气流量;所述遗传算法包括以下步骤:
①采用实数编码,初始化染色体,形成初始种群;
②利用适应度函数评价各代中的每个染色体;
②进行遗传操作;
④重新计算每个个体的适应值;
⑤选择好新种群后,对新种群中的最优个体进行保留,用上代的最优个体取代本代的最差个体;
⑥判断是否达到进化代数,若没有,则返回第②步,否则结束;
⑦将新种群中的最优个体的值作为和,保持不变,采用BP算法进行学习,直到满足性能指标;
3)根据上一循环神经网络估计误差判断是否需要人工采样,如需要,通过人工采样然后离线分析,对比得出实测的土壤温度、含水量、二氧化碳含量与神经网络估计出的土壤温度、含水量、二氧化碳含量的误差,然后将这组实测土壤温度、含水量、二氧化碳含量数据,以及神经网络估计与实测的土壤温度、含水量、二氧化碳含量误差数据一起,使用附加动量学习规则,更新训练神经网络;如不需要人工采样,则返回步骤2)。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201510947159.9A CN105588930B (zh) | 2015-12-17 | 2015-12-17 | 温室大棚土壤参数测量方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201510947159.9A CN105588930B (zh) | 2015-12-17 | 2015-12-17 | 温室大棚土壤参数测量方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN105588930A true CN105588930A (zh) | 2016-05-18 |
CN105588930B CN105588930B (zh) | 2018-01-30 |
Family
ID=55928672
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201510947159.9A Active CN105588930B (zh) | 2015-12-17 | 2015-12-17 | 温室大棚土壤参数测量方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN105588930B (zh) |
Cited By (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN106444378A (zh) * | 2016-10-10 | 2017-02-22 | 重庆科技学院 | 基于物联网大数据分析的植物培育方法及系统 |
CN106718366A (zh) * | 2017-01-25 | 2017-05-31 | 张彩芬 | 一种温室大棚环境控制方法 |
CN107703191A (zh) * | 2017-08-16 | 2018-02-16 | 广西柳城县绿之缘生态农业科技有限公司 | 一种用于大棚种植空气安全监测系统 |
CN108762084A (zh) * | 2018-06-14 | 2018-11-06 | 淮安信息职业技术学院 | 基于模糊控制决策的水田灌溉系统及方法 |
CN108781926A (zh) * | 2018-06-14 | 2018-11-13 | 淮安信息职业技术学院 | 基于神经网络预测的大棚灌溉系统及方法 |
CN111346688A (zh) * | 2018-12-24 | 2020-06-30 | 航天信息股份有限公司 | 一种小麦着水控制方法及装置 |
CN113934245A (zh) * | 2021-10-18 | 2022-01-14 | 电子科技大学成都学院 | 一种应用于大棚农作物的生长bp神经网络系统及其方法 |
CN115085627A (zh) * | 2022-08-22 | 2022-09-20 | 成都微精电机股份公司 | 电机参数动态识别方法 |
Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102072922A (zh) * | 2009-11-25 | 2011-05-25 | 东北林业大学 | 基于粒子群优化神经网络模型的木材含水率检测方法 |
CN102789579A (zh) * | 2012-07-26 | 2012-11-21 | 同济大学 | 基于计算机视觉技术的温室作物水肥胁迫状态识别方法 |
CN102854296A (zh) * | 2012-08-30 | 2013-01-02 | 北京工业大学 | 一种基于集成神经网络的污水处理软测量方法 |
CN103105246A (zh) * | 2012-12-31 | 2013-05-15 | 北京京鹏环球科技股份有限公司 | 一种基于遗传算法改进的bp神经网络的温室环境预测反馈方法 |
CN103473460A (zh) * | 2013-09-16 | 2013-12-25 | 华东理工大学 | 液化石油气裂解关键产品收率预测及原料优化方法 |
CN103773900A (zh) * | 2013-12-30 | 2014-05-07 | 镇江市高等专科学校 | 基于神经网络及粒子群算法的固态发酵控制方法 |
CA2903802A1 (en) * | 2013-03-04 | 2014-09-12 | Greensleeves, LLC | Energy management systems and methods of use |
-
2015
- 2015-12-17 CN CN201510947159.9A patent/CN105588930B/zh active Active
Patent Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102072922A (zh) * | 2009-11-25 | 2011-05-25 | 东北林业大学 | 基于粒子群优化神经网络模型的木材含水率检测方法 |
CN102789579A (zh) * | 2012-07-26 | 2012-11-21 | 同济大学 | 基于计算机视觉技术的温室作物水肥胁迫状态识别方法 |
CN102854296A (zh) * | 2012-08-30 | 2013-01-02 | 北京工业大学 | 一种基于集成神经网络的污水处理软测量方法 |
CN103105246A (zh) * | 2012-12-31 | 2013-05-15 | 北京京鹏环球科技股份有限公司 | 一种基于遗传算法改进的bp神经网络的温室环境预测反馈方法 |
CA2903802A1 (en) * | 2013-03-04 | 2014-09-12 | Greensleeves, LLC | Energy management systems and methods of use |
CN103473460A (zh) * | 2013-09-16 | 2013-12-25 | 华东理工大学 | 液化石油气裂解关键产品收率预测及原料优化方法 |
CN103773900A (zh) * | 2013-12-30 | 2014-05-07 | 镇江市高等专科学校 | 基于神经网络及粒子群算法的固态发酵控制方法 |
Non-Patent Citations (7)
Title |
---|
刘载文等: "《污水处理过程优化控制系统》", 30 April 2014, 中国轻工业出版社 * |
徐洪斌等: "《地层和岩性油气藏地震勘探方法与技术》", 31 July 2012, 石油工业出版社 * |
李迎霞等: "中国温室环境智能控制算法研究进展", 《农业工程学报》 * |
范多进等: "基于粒子群和BP混合算法的土壤有毒重金属含量预测", 《工业仪表与自动化装置》 * |
覃征等: "《数字图像融合》", 31 July 2004, 西安交通大学出版社 * |
许秀英等: "基于遗传神经网络的土壤含水率预测", 《中国农业工程学会学术年会》 * |
陈粟宋: "基于IPSO-BPNN的温室环境监控系统研究", 《计算机测量与控制》 * |
Cited By (11)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN106444378A (zh) * | 2016-10-10 | 2017-02-22 | 重庆科技学院 | 基于物联网大数据分析的植物培育方法及系统 |
CN106444378B (zh) * | 2016-10-10 | 2019-07-12 | 重庆科技学院 | 基于物联网大数据分析的植物培育方法及系统 |
CN106718366A (zh) * | 2017-01-25 | 2017-05-31 | 张彩芬 | 一种温室大棚环境控制方法 |
CN107703191A (zh) * | 2017-08-16 | 2018-02-16 | 广西柳城县绿之缘生态农业科技有限公司 | 一种用于大棚种植空气安全监测系统 |
CN108762084A (zh) * | 2018-06-14 | 2018-11-06 | 淮安信息职业技术学院 | 基于模糊控制决策的水田灌溉系统及方法 |
CN108781926A (zh) * | 2018-06-14 | 2018-11-13 | 淮安信息职业技术学院 | 基于神经网络预测的大棚灌溉系统及方法 |
CN108781926B (zh) * | 2018-06-14 | 2021-10-22 | 江苏电子信息职业学院 | 基于神经网络预测的大棚灌溉系统及方法 |
CN111346688A (zh) * | 2018-12-24 | 2020-06-30 | 航天信息股份有限公司 | 一种小麦着水控制方法及装置 |
CN111346688B (zh) * | 2018-12-24 | 2021-08-24 | 航天信息股份有限公司 | 一种小麦着水控制方法及装置 |
CN113934245A (zh) * | 2021-10-18 | 2022-01-14 | 电子科技大学成都学院 | 一种应用于大棚农作物的生长bp神经网络系统及其方法 |
CN115085627A (zh) * | 2022-08-22 | 2022-09-20 | 成都微精电机股份公司 | 电机参数动态识别方法 |
Also Published As
Publication number | Publication date |
---|---|
CN105588930B (zh) | 2018-01-30 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN105588930A (zh) | 温室大棚土壤参数测量方法 | |
Dutta et al. | Model development in DNDC for the prediction of evapotranspiration and water use in temperate field cropping systems | |
McCarthy et al. | Advanced process control of irrigation: the current state and an analysis to aid future development | |
CN104834823B (zh) | 基于卫星-地基co2数据联合同化的碳源汇估测方法 | |
CN108876005A (zh) | 基于天气信息的冬小麦灌溉预报方法 | |
CN107392376A (zh) | 一种农作物气象产量预测方法及系统 | |
CN103218669A (zh) | 一种智能的活鱼养殖水质综合预测方法 | |
CN107466816A (zh) | 一种基于动态多层极限学习机的灌溉方法 | |
CN104992376A (zh) | 一种河流流域水资源规划利用方法 | |
CN111062526B (zh) | 一种冬小麦单产预测方法及系统 | |
CN111461909A (zh) | 一种农田蒸散量短期预测方法 | |
Ting et al. | Management of CO2 in a tomato greenhouse using WSN and BPNN techniques | |
CN109117984B (zh) | 稻田径流量预测及氮磷流失估测方法 | |
CN109544038A (zh) | 一种基于生命周期分析的生物质碳排放估算系统和方法 | |
CN115530054A (zh) | 灌溉控制方法、装置、电子设备及存储介质 | |
CN113554522A (zh) | 基于动态神经网络的葡萄园精准滴灌控制系统 | |
CN108399470A (zh) | 一种基于多示例遗传神经网络的室内pm2.5预测方法 | |
CN105138729B (zh) | 基于pso‑grnn风电场风电机缺损风速值填充方法 | |
CN108984995A (zh) | 一种计算数值模拟的生态园林景观设计方法 | |
CN112016192A (zh) | 盐渍化季节性冻融土壤蒸发的模拟方法 | |
CN115310757A (zh) | 一种高精度动态可变分辨率的生态碳汇评估方法及系统 | |
Cola et al. | BerryTone—a simulation model for the daily course of grape berry temperature | |
CN114365682A (zh) | 一种设施栽培土壤水分预测方法、装置及电子设备 | |
Su et al. | A greenhouse climate model for control design | |
Ahuja et al. | A synthesis of current parameterization approaches and needs for further improvements |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
C06 | Publication | ||
PB01 | Publication | ||
C10 | Entry into substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
GR01 | Patent grant | ||
GR01 | Patent grant | ||
CP02 | Change in the address of a patent holder |
Address after: 212028 No. 518, Chang Xiang Road, University Park, Zhenjiang, Jiangsu Patentee after: Zhenjiang College Address before: Zhenjiang City, Jiangsu Province, 212003 Jingkou District Road No. 61 Patentee before: Zhenjiang College |
|
CP02 | Change in the address of a patent holder |