CN106373018A - 一种用于魔芋种植的互联网管理系统 - Google Patents

Abstract

本发明公开了一种用于魔芋种植的互联网管理系统，包括视频监控装置，数据服务器，数据处理单元和互联网，其特征在于，视频监控装置安装在魔芋附近，视频监控装置定期将视频和图片通过互联网上传至数据服务器，数据处理单元白动处理数据服务器内的视频和图片来判断魔芋的生产状况，所述的视频和图片还可通过服务器发送至专业技术人员，所述消费者可通过互联网监控魔芋的生产状况，本发明通过视频监控装置将魔芋的生长状况通过视频和图片的形式上传至数据服务器，数据处理单元通过白动分析数据服务器内视频和图片的数据给予种植者关于魔芋的状况并给出相关处理意见，消费者还可通过互联网访问数据服务器内的视频和图片检测魔芋的生长状况。

Description

一种用于魔芋种植的互联网管理系统

技术领域

本发明属于魔芋生产的精细化管理技术领域，尤其涉及一种用于魔芋种植的互联网管理系统。

背景技术

随着农业发展，现代魔芋己经从个体向规模化集中，而由于魔芋的生长周期长，在规模化生产中少量的工作人员很难管理大规模的魔芋；随着时代发展，魔芋不仅仅是收获后销售，消费者希望能了解魔芋生产的情况。

因此，现有的管理系统，不方便大规模管理魔芋生长并不能使消费者随时观察了解魔芋生长状况。

发明内容

本发明的目的在于提供一种用于魔芋种植的互联网管理系统，旨在解决魔芋大规模生长的管理困难和消费者对魔芋生长过程不能随时观察了解的问题。

本发明是这样实现的，一种用于魔芋种植的互联网管理系统，包括视频监控装置，数据服务器，数据处理单元和互联网，视频监控装置安装在魔芋附近，视频监控装置定期将视频和图片通过互联网上传至数据服务器，数据处理单元自动处理数据服务器内的视频和图片来判断魔芋的生产状况，所述的视频和图片还可通过服务器发送至专业技术人员，所述消费者可通过互联网监控魔芋的生产状况。

较佳地，所述视频监控装置采用3G方式将视频和图片上传至数据服务器。

较佳地，所述数据处理单元定期更新数据。

所述视频监控装置还设置有信号采集模块和信号发射模块；所述信号采集模块用于采集魔芋生长中的信息；

所述信号发射模块与信号采集模块连接，用于接收信号采集模块传输的信息，并将信息以视频和图片的形式通过互联网上传至数据服务器；

所述数据处理单元设置有同步正交跳频信号盲源分离模块，用于对数据服务器内的视频和图片的信号进行处理。

本发明另一目的在于提供一种用于魔芋种植的互联网管理系统的信号采集模块的信号采集方法，所述信号采集模块的信号采集方法包括：

根据接收信号的特征谱确定决策平面；

判断接收信号的通信信道是否呈现准用静态变换特性；

在所述通信信道呈现准用静态变换特性时，利用支持向量机方法在所述决策平面中选出决策边界；

在通信信道没有呈现准用静态变换特性时，利用模糊聚类方法在所述决策平面中选出决策边界；

根据所述决策边界对接收到的信号进行检测。

进一步，所述根据接收信号的特征谱确定决策平面包括：

对接收信号的离散信号向量进行线性变换得到酉变换矩阵；

根据所述酉变换矩阵中的主对角线元素和副对角线元素计算出接收信号的能量特征谱；

从所述能量特征谱中获取决策平面。

进一步，根据所述酉变换矩阵中的主对角线元素和副对角线元素计算出接收信号的能量特征谱包括：

对副对角线元素组成的矩阵进行平方并乘以主对角线元素组成的矩阵，得到接收信号的能量特征谱；

从所述能量特征谱中获取决策平面包括：

根据所述能量特征谱的能量集中度、波形对称性和局部波形函数方差从所述能量特征谱中提取至少一组特征向量；

按照模式分类的方式从提取的特征向量中获取作为决策平面的特征向量；

所述接收信号的离散信号向量通过奈奎斯特定律采样得到，并且采样长度涵盖接收信号的预定比例能量；

在从所述能量特征谱中获取决策平面之前，所述方法还包括：

对所述能量特征谱进行滑动平均处理；

进一步，提取的特征向量方法具体包括以下步骤：

获取信号，通过传感器采集数据并对信号进行放大处理；

信号进行分段处理；即从每段信号里提取出均值、方差、信号的累积值和峰值4个基本时域参数，通过相邻段信号的4个参数值的差值判断是否有疑似泄漏的情况发生的第一层决策判断：若有则往下执行步骤小波包去噪，否者，跳到执行获取信号；

小波包去噪；即利用改进小波包算法对采集的信号进行去噪；

小波包分解与重构；即利用改进小波包算法对采集的信号进行小波包分解与重构，得到单子带重构信号；

提取信号特征参数；即从重构的单子带信号里提取：时域能量、时域峰值、频域能量、频域峰值、峰态系数、方差、频谱和偏斜系数8个表示信号特征的参数；

组成特征向量，即利用主成分分析方法，从上述参数中选择3到8个能明显表示声发射信号特征的参数组成特征向量，并将这些特征向量输入到支持向量机进行决策判断，即第二层决策判断，根据支持向量机的输出判断是否有泄漏发生。

进一步，所述小波包去噪和小波包分解与重构包括：

信号延拓，对小波包分解的各层信号进行抛物线延拓；

设信号数据为x(a),x(a+1),x(a+2)，则延拓算子E的表达式为：

$\left\{\begin{array}{c}x(a-1)=3x\left(a\right)-3x(a+1)+x(a+2)\\ x(a+3)=3x(a+2)-3x(a+1)+x\left(a\right)\end{array}\right.---\left(1\right);$

消去单子带多余频率成分；

将延拓后的信号与分解低通滤波器h₀卷积，得到低频系数，然后经过HF-cut-IF算子处理，去掉多余的频率成分，再进行下采样，得到下一层的低频系数；将延拓后的信号与分解高通滤波器g₀卷积，得到高频系数，然后经过LF-cut-IF算子处理，去掉多余的频率成分，再进行下采样，得到下一层高频系数，HF-cut-IF算子如式(2)所示，LF-cut-IF算子如式(3)所示；

$\left\{\begin{array}{c}X\left(k\right)=\underset{n=0}{\overset{N_j-1}{\mathrm{\Σ}}}x\left(n\right)W^{kn},0\≤k\≤\frac{N_j}{4};\frac{3N_j}{4}\≤k\≤N_j\\ X\left(k\right)=0,\\ x\left(n\right)=\underset{k=0}{\overset{N_j-1}{\mathrm{\Σ}}}x\left(k\right)W^{-kn},\end{array}\right.---\left(2\right)$

$\left\{\begin{array}{c}X\left(k\right)=\underset{n=0}{\overset{N_j-1}{\mathrm{\Σ}}}x\left(n\right)W^{kn},\frac{N_j}{4}\≤k\≤\frac{3N_j}{4}\\ X\left(k\right)=0,\\ x\left(n\right)=\underset{k=0}{\overset{N_j-1}{\mathrm{\Σ}}}x\left(k\right)W^{-kn},\end{array}\right.---\left(3\right)$

在(2)、(3)式中，x(n)为在2^j尺度上小波包的系数，N_j表示在2^j尺度上数据的长度，k＝0，1，…，N_j-1；n＝0，1，…，N_j-1；

单子带信号重构：

将得到的高、低频系数进行上采样，然后分别与高通重建滤波器g₁和低通重建滤波器h₁卷积，将得到的信号分别用HF-cut-IF、LF-cut-IF算子处理，得到单子带重构信号。

进一步，所述对接收信号的离散信号向量进行线性变换得到酉变换矩阵中，

对接收信号s(t)进行非线性变换，按如下公式进行：

$f\[s\left(t\right)\]=\frac{s\left(t\right)*ln\left|s\left(t\right)\right|}{\left|s\left(t\right)\right|}=s\left(t\right)c\left(t\right);$

其中A表示信号的幅度，a(m)表示信号的码元符号，p(t)表示成形函数，f_c表示信号的载波频率，表示信号的相位，通过该非线性变换后得到变换矩阵：

$f\[s\left(t\right)\]=s\left(t\right)\frac{ln\left|Aa\left(m\right)\right|}{\left|Aa\left(m\right)\right|}.$

本发明另一目的在于提供一种用于魔芋种植的互联网管理系统的同步正交跳频信号盲源分离模块的信号处理方法，包括：

步骤一，利用含有M个阵元的阵列天线接收来自多个同步正交跳频传感器的跳频信号，对每一路接收信号进行采样，得到采样后的M路离散时域混合信号m＝1,2,…,M；采集阵列天线节点间不同时间片的交互次数，根据得到的数据建立时间序列，通过三次指数平滑法来预测节点间下一个时间片的交互次数，将交互次数预测值与实际值的相对误差作为节点的直接信任值；

步骤二，对M路离散时域混合信号进行重叠加窗短时傅里叶变换，得到M个混合信号的时频域矩阵p＝0,1,…,P-1,q＝0,1,…,N_fft-1，其中P表示总的窗数，N_fft表示FFT变换长度；p，q)表示时频索引，具体的时频值为这里N_fft表示FFT变换的长度，p表示加窗次数，T_s表示采样间隔，f_s表示采样频率，C为整数，表示短时傅里叶变换加窗间隔的采样点数，C＜N_fft，且K_c＝N_fft/C为整数，也就是说采用的是重叠加窗的短时傅里叶变换；

步骤三，对步骤二中得到的跳频混合信号时频域矩进行预处理；

步骤四，利用聚类算法估计每一跳的跳变时刻以及各跳对应的归一化的混合矩阵列向量、跳频频率；在p(p＝0，1，2，…P-1)时刻，对表示的频率值进行聚类，得到的聚类中心个数表示p时刻存在的载频个数，个聚类中心则表示载频的大小，分别用表示；对每一采样时刻p(p＝0，1，2，…P-1)，利用聚类算法对进行聚类，同样可得到个聚类中心，用表示；对所有求均值并取整，得到源信号个数的估计即：

$\hat{N}=round\left(\frac{1}{p}\underset{p=0}{\overset{P-1}{\Σ}}{\hat{N}}_p\right);$

找出的时刻，用p_h表示，对每一段连续取值的p_h求中值，用l＝1,2,...表示第l段相连p_h的中值，则表示第l个频率跳变时刻的估计；根据估计得到的p≠p_h以及第四步中估计得到的频率跳变时刻估计出每一跳对应的个混合矩阵列向量具体公式为：

${\hat{a}}_n\left(l\right)=\left\{\begin{array}{cc}\frac{1}{{\stackrel{\‾}{p}}_h\left(1\right)}\·\underset{p=1,p\≠p_h}{\overset{{\stackrel{\‾}{p}}_h\left(1\right)}{\mathrm{\Σ}}}{b}_{n,p}^0& l=1,\\ \frac{1}{{\stackrel{\‾}{p}}_h\left(l\right)-{\stackrel{\‾}{p}}_h\left(l-1\right)}\·\underset{p={\stackrel{\‾}{p}}_h\left(l-1\right)+1,p\≠p_h}{\overset{{\stackrel{\‾}{p}}_h\left(l\right)}{\mathrm{\Σ}}}{b}_{n,p}^0& l>1,\end{array}\right.,n=1,2,...,\hat{N};$

这里表示第l跳对应的个混合矩阵列向量估计值；估计每一跳对应的载频频率，用 表示第l跳对应的个频率估计值，计算公式如下：

${\hat{f}}_{c,n}\left(l\right)=\left\{\begin{array}{cc}\frac{1}{{\stackrel{\‾}{p}}_h\left(1\right)}\·\underset{p=1,p\≠p_h}{\overset{{\stackrel{\‾}{p}}_h\left(1\right)}{\mathrm{\Σ}}}{f}_o^n\left(p\right)& l=1,\\ \frac{1}{{\stackrel{\‾}{p}}_h\left(l\right)-{\stackrel{\‾}{p}}_h\left(l-1\right)}\·\underset{p={\stackrel{\‾}{p}}_h\left(l-1\right)+1,p\≠p_h}{\overset{{\stackrel{\‾}{p}}_h\left(l\right)}{\mathrm{\Σ}}}{f}_o^n\left(p\right)& l>1,\end{array}\right.,n=1,2,...,\hat{N};$

步骤五，根据步骤四估计得到的归一化混合矩阵列向量估计时频域跳频源信号；

步骤六，对不同跳频点之间的时频域跳频源信号进行拼接；

步骤七，根据源信号时频域估计值，恢复时域跳频源信号；对每一采样时刻p(p＝0，1，2，…)的频域数据Y_n(p,q),q＝0,1,2,…,N_fft-1做N_fft点的IFFT变换，得到p采样时刻对应的时域跳频源信号，用y_n(p,q_t)(q_t＝0,1,2,…,N_fft-1)表示；对上述所有时刻得到的时域跳频源信号y_n(p,q_t)进行合并处理，得到最终的时域跳频源信号估计，具体公式如下：

$s_n\&lsqb;kC:\left(k+1\right)C-1\&rsqb;=\left\{\begin{array}{cc}\underset{m=0}{\overset{k}{\mathrm{\&Sigma;}}}{y}_n\&lsqb;m,\left(k-m\right)C:\left(k-m+1\right)C-1\&rsqb;& k<K_c\\ \underset{m=k-K_c+1}{\overset{k}{\mathrm{\&Sigma;}}}{y}_n\&lsqb;m,\left(k-m\right)C:\left(k-m+1\right)C-1\&rsqb;& k\&GreaterEqual;K_c\end{array}\right.,k=0,1,2,...$

这里K_c＝N_fft/C，C为短时傅里叶变换加窗间隔的采样点数，N_fft为FFT变换的长度。

进一步，步骤一中，直接信任值的具体计算步骤为：

采集网络观测节点i与节点j之间的n个时间片的交互次数：选取一定时间间隔t作为一个观测时间片，以观测节点i和被测节点j在1个时间片内的交互次数作为观测指标，真实交互次数，记作y_t，依次记录n个时间片的y_n，并将其保存在节点i的通信记录表中；预测第n+1个时间片的交互次数：根据采集到的n个时间片的交互次数建立时间序列，采用三次指数平滑法预测下一个时间片n+1内节点i和j之间的交互次数，预测交互次数，记作计算公式如下：

${\hat{y}}_{n+1}=a_n+b_n+c_n$

预测系数a_n、b_n、c_n的取值可由如下公式计算得到：

$a_n=3{\hat{y}}_{n+1}^{\left(1\right)}-3{\hat{y}}_{n+1}^{\left(2\right)}+{\hat{y}}_{n+1}^{\left(3\right)}$

$b_n=\frac{\mathrm{\&alpha;}}{2{(1-\mathrm{\&alpha;})}^2}\&lsqb;(6-5\mathrm{\&alpha;}){\hat{y}}_{n+1}^{\left(1\right)}-2(5-4\mathrm{\&alpha;}){\hat{y}}_{n+1}^{\left(2\right)}+(4-3\mathrm{\&alpha;}){\hat{y}}_{n+1}^{\left(3\right)}\&rsqb;$

$c_n=\frac{{\mathrm{\&alpha;}}^2}{2{(1-\mathrm{\&alpha;})}^2}\&lsqb;{\hat{y}}_{n+1}^{\left(1\right)}-2{\hat{y}}_{n+1}^{\left(2\right)}+{\hat{y}}_{n+1}^{\left(3\right)}\&rsqb;$

其中：分别是一次、二次、三次指数平滑数，由如下公式计算得到：

${\hat{y}}_{n+1}^{\left(1\right)}=\mathrm{\&alpha;}\&times;y_n+(1-\mathrm{\&alpha;})\&times;{\hat{y}}_n^{\left(1\right)}$

${\hat{y}}_{n+1}^{\left(2\right)}=\mathrm{\&alpha;}\&times;{\hat{y}}_{n+1}^{\left(1\right)}+(1-\mathrm{\&alpha;})\&times;{\hat{y}}_n^{\left(2\right)}$

${\hat{y}}_{n+1}^{\left(3\right)}=\mathrm{\&alpha;}\&times;{\hat{y}}_{n+1}^{\left(2\right)}+(1-\mathrm{\&alpha;})\&times;{\hat{y}}_n^{\left(3\right)}$

是三次指数平滑法的初始值，其取值为

${\hat{y}}_0^{\left(1\right)}={\hat{y}}_0^{\left(2\right)}={\hat{y}}_0^{\left(3\right)}=\frac{y_1+y_2+y_3}{3}$

α是平滑系数(0＜α＜1)，体现信任的时间衰减特性，即离预测值越近的时间片的y_t权重越大，离预测值越远的时间片的y_t权重越小；如果数据波动较大，且长期趋势变化幅度较大，呈现明显迅速的上升或下降趋势时α应取较大值(0.6～0.8)，增加近期数据对预测结果的影响；当数据有波动，但长期趋势变化不大时，α可在0.1～0.4之间取值；如果数据波动平稳，α应取较小值(0.05～0.20)；

计算直接信任值：

节点j的直接信任值TD_ij为预测交互次数和真实交互次数y_n+ ¹的相对误差，

采用多路径信任推荐方式而得到的计算式计算间接信任值；收集可信节点对节点j的直接信任值：节点i向所有满足TD_ik≤φ的可信关联节点询问其对节点j的直接信任值，其中φ为推荐节点的可信度阈值，根据可信度的要求精度，φ的取值范围为0～0.4；计算间接信任值：综合计算所收集到的信任值，得到节点j的间接信任值TR_ij，其中，Set(i)为观测节点i的关联节点中与j节点有过交互且其直接信任值满足TD_ik≤φ的节点集合；

由直接信任值和间接信任值整合计算得出综合信任值；综合信任值(T_ij)的计算公式如下：T_ij＝βTD_ij+(1-β)TR_ij，其中β(0≤β≤1)表示直接信任值的权重，当β＝0时，节点i和节点j没有直接交互关系，综合信任值的计算直接来自于间接信任值，判断较客观；当β＝1时，节点i对节点j的综合信任值全部来自于直接信任值，在这种情况下，判断较为主观，实际计算根据需要确定β的取值。

本发明在不知道任何信道信息的条件下，仅根据接收到的多个跳频信号的混合信号，估计出跳频源信号，能在接收天线个数小于源信号个数的条件下，对多个跳频信号进行盲估计，仅仅利用了短时傅里叶变换，计算量小，容易实现，该方法在对跳频信号进行盲分离的同时，还能对部分参数进行估计，实用性强，具有较强的推广与应用价值。

本发明通过视频监控装置将魔芋的生长状况通过视频和图片的形式上传至数据服务器，数据处理单元通过自动分析数据服务器内视频和图片的数据给予种植者关于魔芋的状况并给出相关处理意见，消费者还可通过互联网访问数据服务器内的视频和图片检测魔芋的生长情况。

附图说明

图1是本发明实施例提供的用于魔芋种植的互联网管理系统示意图。

图中：1、视频监控装置；2、互联网；3、数据服务器；4、数据处理单元。

具体实施方式

为了使本发明的目的、技术方案及优点更加清楚明白，以下结合实施例，对本发明进行进一步详细说明。应当理解，此处所描述的具体实施例仅仅用以解释本发明，并不用于限定本发明。

下面结合附图对本发明的应用原理作进一步描述。

如图1所示：

本发明实施例提供给了一种用于魔芋种植的互联网管理系统，包括视频监控装置1，数据服务器3，数据处理单元4和互联网2，对于需要采用水塔喷水及肥料的魔芋，视频监控装置安装在水塔附近，所述视频监控装置采用无线网络摄像机，所述视频监控装置定期将视频和图片通过互联网上传至数据服务器，数据处理单元自动处理数据服务器内的视频和图片来判断魔芋的生产状况，对于数据处理单元处理不了的魔芋状况，种植者通过互联网将相关数据发送给专业技术人员，相关的种植者还可通过互联网交流相关的数据以方便更好的生产，所述消费者可通过互联网监控魔芋的生产状况；

数据处理单元通过不停的更新数据以满足魔芋的需要。

所述视频监控装置还设置有信号采集模块和信号发射模块；所述信号采集模块用于采集魔芋生长中的信息；

所述信号发射模块与信号采集模块连接，用于接收信号采集模块传输的信息，并将信息以视频和图片的形式通过互联网上传至数据服务器；

所述数据处理单元设置有同步正交跳频信号盲源分离模块，用于对数据服务器内的视频和图片的信号进行处理。

本发明实施例提供一种所述用于魔芋种植的互联网管理系统的信号采集模块的信号采集方法，所述信号采集模块的信号采集方法包括：

根据接收信号的特征谱确定决策平面；

判断接收信号的通信信道是否呈现准用静态变换特性；

在所述通信信道呈现准用静态变换特性时，利用支持向量机方法在所述决策平面中选出决策边界；

在通信信道没有呈现准用静态变换特性时，利用模糊聚类方法在所述决策平面中选出决策边界；

根据所述决策边界对接收到的信号进行检测。

进一步，所述根据接收信号的特征谱确定决策平面包括：

对接收信号的离散信号向量进行线性变换得到酉变换矩阵；

根据所述酉变换矩阵中的主对角线元素和副对角线元素计算出接收信号的能量特征谱；

从所述能量特征谱中获取决策平面。

进一步，根据所述酉变换矩阵中的主对角线元素和副对角线元素计算出接收信号的能量特征谱包括：

对副对角线元素组成的矩阵进行平方并乘以主对角线元素组成的矩阵，得到接收信号的能量特征谱；

从所述能量特征谱中获取决策平面包括：

根据所述能量特征谱的能量集中度、波形对称性和局部波形函数方差从所述能量特征谱中提取至少一组特征向量；

按照模式分类的方式从提取的特征向量中获取作为决策平面的特征向量；

所述接收信号的离散信号向量通过奈奎斯特定律采样得到，并且采样长度涵盖接收信号的预定比例能量；

在从所述能量特征谱中获取决策平面之前，所述方法还包括：

对所述能量特征谱进行滑动平均处理；

进一步，提取的特征向量方法具体包括以下步骤：

获取信号，通过传感器采集数据并对信号进行放大处理；

信号进行分段处理；即从每段信号里提取出均值、方差、信号的累积值和峰值4个基本时域参数，通过相邻段信号的4个参数值的差值判断是否有疑似泄漏的情况发生的第一层决策判断：若有则往下执行步骤小波包去噪，否者，跳到执行获取信号；

小波包去噪；即利用改进小波包算法对采集的信号进行去噪；

小波包分解与重构；即利用改进小波包算法对采集的信号进行小波包分解与重构，得到单子带重构信号；

提取信号特征参数；即从重构的单子带信号里提取：时域能量、时域峰值、频域能量、频域峰值、峰态系数、方差、频谱和偏斜系数8个表示信号特征的参数；

组成特征向量，即利用主成分分析方法，从上述参数中选择3到8个能明显表示声发射信号特征的参数组成特征向量，并将这些特征向量输入到支持向量机进行决策判断，即第二层决策判断，根据支持向量机的输出判断是否有泄漏发生。

进一步，所述小波包去噪和小波包分解与重构包括：

信号延拓，对小波包分解的各层信号进行抛物线延拓；

设信号数据为x(a),x(a+1),x(a+2)，则延拓算子E的表达式为：

$\left\{\begin{array}{c}x(a-1)=3x\left(a\right)-3x(a+1)+x(a+2)\\ x(a+3)=3x(a+2)-3x(a+1)+x\left(a\right)\end{array}\right.---\left(1\right);$

消去单子带多余频率成分；

将延拓后的信号与分解低通滤波器h₀卷积，得到低频系数，然后经过HF-cut-IF算子处理，去掉多余的频率成分，再进行下采样，得到下一层的低频系数；将延拓后的信号与分解高通滤波器g₀卷积，得到高频系数，然后经过LF-cut-IF算子处理，去掉多余的频率成分，再进行下采样，得到下一层高频系数，HF-cut-IF算子如式(2)所示，LF-cut-IF算子如式(3)所示；

$\left\{\begin{array}{c}X\left(k\right)=\underset{n=0}{\overset{N_j-1}{\mathrm{\&Sigma;}}}x\left(n\right)W^{kn},0\&le;k\&le;\frac{N_j}{4};\frac{3N_j}{4}\&le;k\&le;N_j\\ X\left(k\right)=0,\\ x\left(n\right)=\underset{k=0}{\overset{N_j-1}{\mathrm{\&Sigma;}}}x\left(k\right)W^{-kn},\end{array}\right.---\left(2\right)$

$\left\{\begin{array}{c}X\left(k\right)=\underset{n=0}{\overset{N_j-1}{\mathrm{\&Sigma;}}}x\left(n\right)W^{kn},\frac{N_j}{4}\&le;k\&le;\frac{3N_j}{4}\\ X\left(k\right)=0,\\ x\left(n\right)=\underset{k=0}{\overset{N_j-1}{\mathrm{\&Sigma;}}}x\left(k\right)W^{-kn},\end{array}\right.---\left(3\right)$

在(2)、(3)式中，x(n)为在2^j尺度上小波包的系数，N_j表示在2^j尺度上数据的长度，k＝0，1，…，N_j-1；n＝0，1，…，N_j-1；

单子带信号重构：

将得到的高、低频系数进行上采样，然后分别与高通重建滤波器g₁和低通重建滤波器h₁卷积，将得到的信号分别用HF-cut-IF、LF-cut-IF算子处理，得到单子带重构信号。

进一步，所述对接收信号的离散信号向量进行线性变换得到酉变换矩阵中，

对接收信号s(t)进行非线性变换，按如下公式进行：

$f\&lsqb;s\left(t\right)\&rsqb;=\frac{s\left(t\right)*ln\left|s\left(t\right)\right|}{\left|s\left(t\right)\right|}=s\left(t\right)c\left(t\right);$

其中A表示信号的幅度，a(m)表示信号的码元符号，p(t)表示成形函数，f_c表示信号的载波频率，表示信号的相位，通过该非线性变换后得到变换矩阵：

$f\&lsqb;s\left(t\right)\&rsqb;=s\left(t\right)\frac{ln\left|Aa\left(m\right)\right|}{\left|Aa\left(m\right)\right|}.$

本发明实施例提供一种用于魔芋种植的互联网管理系统的同步正交跳频信号盲源分离模块的信号处理方法，包括：

步骤一，利用含有M个阵元的阵列天线接收来自多个同步正交跳频传感器的跳频信号，对每一路接收信号进行采样，得到采样后的M路离散时域混合信号m＝1,2,…,M；采集阵列天线节点间不同时间片的交互次数，根据得到的数据建立时间序列，通过三次指数平滑法来预测节点间下一个时间片的交互次数，将交互次数预测值与实际值的相对误差作为节点的直接信任值；

步骤二，对M路离散时域混合信号进行重叠加窗短时傅里叶变换，得到M个混合信号的时频域矩阵p＝0,1,…,P-1,q＝0,1,…,N_fft-1，其中P表示总的窗数，N_fft表示FFT变换长度；p，q)表示时频索引，具体的时频值为这里N_fft表示FFT变换的长度，p表示加窗次数，T_s表示采样间隔，f_s表示采样频率，C为整数，表示短时傅里叶变换加窗间隔的采样点数，C＜N_fft，且K_c＝N_fft/C为整数，也就是说采用的是重叠加窗的短时傅里叶变换；

步骤三，对步骤二中得到的跳频混合信号时频域矩进行预处理；

步骤四，利用聚类算法估计每一跳的跳变时刻以及各跳对应的归一化的混合矩阵列向量、跳频频率；在p(p＝0，1，2，…P-1)时刻，对表示的频率值进行聚类，得到的聚类中心个数表示p时刻存在的载频个数，个聚类中心则表示载频的大小，分别用表示；对每一采样时刻p(p＝0，1，2，…P-1)，利用聚类算法对进行聚类，同样可得到个聚类中心，用表示；对所有求均值并取整，得到源信号个数的估计即：

$\hat{N}=round\left(\frac{1}{p}\underset{p=0}{\overset{P-1}{\&Sigma;}}{\hat{N}}_p\right);$

找出的时刻，用p_h表示，对每一段连续取值的p_h求中值，用表示第l段相连p_h的中值，则表示第l个频率跳变时刻的估计；根据估计得到的p≠p_h以及第四步中估计得到的频率跳变时刻估计出每一跳对应的个混合矩阵列向量具体公式为：

${\hat{a}}_n\left(l\right)=\left\{\begin{array}{cc}\frac{1}{{\stackrel{\&OverBar;}{p}}_h\left(1\right)}\&CenterDot;\underset{p=1,p\&NotEqual;p_h}{\overset{{\stackrel{\&OverBar;}{p}}_h\left(1\right)}{\mathrm{\&Sigma;}}}{b}_{n,p}^0& l=1,\\ \frac{1}{{\stackrel{\&OverBar;}{p}}_h\left(l\right)-{\stackrel{\&OverBar;}{p}}_h\left(l-1\right)}\&CenterDot;\underset{p={\stackrel{\&OverBar;}{p}}_h\left(l-1\right)+1,p\&NotEqual;p_h}{\overset{{\stackrel{\&OverBar;}{p}}_h\left(l\right)}{\mathrm{\&Sigma;}}}{b}_{n,p}^0& l>1,\end{array}\right.,n=1,2,...,\hat{N};$

这里表示第l跳对应的个混合矩阵列向量估计值；估计每一跳对应的载频频率，用 表示第l跳对应的个频率估计值，计算公式如下：

${\hat{f}}_{c,n}\left(l\right)=\left\{\begin{array}{cc}\frac{1}{{\stackrel{\&OverBar;}{p}}_h\left(1\right)}\&CenterDot;\underset{p=1,p\&NotEqual;p_h}{\overset{{\stackrel{\&OverBar;}{p}}_h\left(1\right)}{\mathrm{\&Sigma;}}}{f}_o^n\left(p\right)& l=1,\\ \frac{1}{{\stackrel{\&OverBar;}{p}}_h\left(l\right)-{\stackrel{\&OverBar;}{p}}_h\left(l-1\right)}\&CenterDot;\underset{p={\stackrel{\&OverBar;}{p}}_h\left(l-1\right)+1,p\&NotEqual;p_h}{\overset{{\stackrel{\&OverBar;}{p}}_h\left(l\right)}{\mathrm{\&Sigma;}}}{f}_o^n\left(p\right)& l>1,\end{array}\right.,n=1,2,...,\hat{N};$

步骤五，根据步骤四估计得到的归一化混合矩阵列向量估计时频域跳频源信号；

步骤六，对不同跳频点之间的时频域跳频源信号进行拼接；

步骤七，根据源信号时频域估计值，恢复时域跳频源信号；对每一采样时刻p(p＝0，1，2，…)的频域数据Y_n(p,q),q＝0,1,2,…,N_fft-1做N_fft点的IFFT变换，得到p采样时刻对应的时域跳频源信号，用y_n(p,q_t)(q_t＝0,1,2,…,N_fft-1)表示；对上述所有时刻得到的时域跳频源信号y_n(p,q_t)进行合并处理，得到最终的时域跳频源信号估计，具体公式如下：

$s_n\&lsqb;kC:\left(k+1\right)C-1\&rsqb;=\left\{\begin{array}{cc}\underset{m=0}{\overset{k}{\mathrm{\&Sigma;}}}{y}_n\&lsqb;m,\left(k-m\right)C:\left(k-m+1\right)C-1\&rsqb;& k<K_c\\ \underset{m=k-K_c+1}{\overset{k}{\mathrm{\&Sigma;}}}{y}_n\&lsqb;m,\left(k-m\right)C:\left(k-m+1\right)C-1\&rsqb;& k\&GreaterEqual;K_c\end{array}\right.,k=0,1,2,...$

这里K_c＝N_fft/C，C为短时傅里叶变换加窗间隔的采样点数，N_fft为FFT变换的长度。

进一步，步骤一中，直接信任值的具体计算步骤为：

采集网络观测节点i与节点j之间的n个时间片的交互次数：选取一定时间间隔t作为一个观测时间片，以观测节点i和被测节点j在1个时间片内的交互次数作为观测指标，真实交互次数，记作y_t，依次记录n个时间片的y_n，并将其保存在节点i的通信记录表中；预测第n+1个时间片的交互次数：根据采集到的n个时间片的交互次数建立时间序列，采用三次指数平滑法预测下一个时间片n+1内节点i和j之间的交互次数，预测交互次数，记作计算公式如下：

${\hat{y}}_{n+1}=a_n+b_n+c_n$

预测系数a_n、b_n、c_n的取值可由如下公式计算得到：

$a_n=3{\hat{y}}_{n+1}^{\left(1\right)}-3{\hat{y}}_{n+1}^{\left(2\right)}+{\hat{y}}_{n+1}^{\left(3\right)}$

$b_n=\frac{\mathrm{\&alpha;}}{2{(1-\mathrm{\&alpha;})}^2}\&lsqb;(6-5\mathrm{\&alpha;}){\hat{y}}_{n+1}^{\left(1\right)}-2(5-4\mathrm{\&alpha;}){\hat{y}}_{n+1}^{\left(2\right)}+(4-3\mathrm{\&alpha;}){\hat{y}}_{n+1}^{\left(3\right)}\&rsqb;$

$c_n=\frac{{\mathrm{\&alpha;}}^2}{2{(1-\mathrm{\&alpha;})}^2}\&lsqb;{\hat{y}}_{n+1}^{\left(1\right)}-2{\hat{y}}_{n+1}^{\left(2\right)}+{\hat{y}}_{n+1}^{\left(3\right)}\&rsqb;$

其中：分别是一次、二次、三次指数平滑数，由如下公式计算得到：

${\hat{y}}_{n+1}^{\left(1\right)}=\mathrm{\&alpha;}\&times;y_n+(1-\mathrm{\&alpha;})\&times;{\hat{y}}_n^{\left(1\right)}$

${\hat{y}}_{n+1}^{\left(2\right)}=\mathrm{\&alpha;}\&times;{\hat{y}}_{n+1}^{\left(1\right)}+(1-\mathrm{\&alpha;})\&times;{\hat{y}}_n^{\left(2\right)}$

${\hat{y}}_{n+1}^{\left(3\right)}=\mathrm{\&alpha;}\&times;{\hat{y}}_{n+1}^{\left(2\right)}+(1-\mathrm{\&alpha;})\&times;{\hat{y}}_n^{\left(3\right)}$

是三次指数平滑法的初始值，其取值为

${\hat{y}}_0^{\left(1\right)}={\hat{y}}_0^{\left(2\right)}={\hat{y}}_0^{\left(3\right)}=\frac{y_1+y_2+y_3}{3}$

α是平滑系数(0＜α＜1)，体现信任的时间衰减特性，即离预测值越近的时间片的y_t权重越大，离预测值越远的时间片的y_t权重越小；如果数据波动较大，且长期趋势变化幅度较大，呈现明显迅速的上升或下降趋势时α应取较大值(0.6～0.8)，增加近期数据对预测结果的影响；当数据有波动，但长期趋势变化不大时，α可在0.1～0.4之间取值；如果数据波动平稳，α应取较小值(0.05～0.20)；

计算直接信任值：

节点j的直接信任值TD_ij为预测交互次数和真实交互次数y_n+1的相对误差，

采用多路径信任推荐方式而得到的计算式计算间接信任值；收集可信节点对节点j的直接信任值：节点i向所有满足TD_ik≤φ的可信关联节点询问其对节点j的直接信任值，其中φ为推荐节点的可信度阈值，根据可信度的要求精度，φ的取值范围为0～0.4；计算间接信任值：综合计算所收集到的信任值，得到节点j的间接信任值TR_ij，其中，Set(i)为观测节点i的关联节点中与j节点有过交互且其直接信任值满足TD_ik≤φ的节点集合；

由直接信任值和间接信任值整合计算得出综合信任值；综合信任值(T_ij)的计算公式如下：T_ij＝βTD_ij+(1-β)TR_ij，其中β(0≤β≤1)表示直接信任值的权重，当β＝0时，节点i和节点j没有直接交互关系，综合信任值的计算直接来自于间接信任值，判断较客观；当β＝1时，节点i对节点j的综合信任值全部来自于直接信任值，在这种情况下，判断较为主观，实际计算根据需要确定β的取值。

本发明的视频监粹装置需要安装在魔芋较近的位置，在数据处理单元无法解决问题时，当相关技术人员需要更细致的数据时方便拍摄，当然，无线网络摄像机也不要安装的过于密集，成本较高。

数据监控装置还可安装在魔芋收获装置，如收割机，魔芋种植装置如插秧机上，在仓库上也可安装，这样消费者可全方位的观察魔芋的播种生长及收获状态，不仅满足消费者对于魔芋的要求，还可以方便销售，消费者可通过手机或者电脑观察魔芋状况。

以上所述仅为本发明的较佳实施例而已，并不用以限制本发明，凡在本发明的精神和原则之内所作的任何修改、等同替换和改进等，均应包含在本发明的保护范围之内。

Claims (10)

1.一种用于魔芋种植的互联网管理系统，包括视频监控装置、数据服务器、数据处理单元和互联网，其特征在于，所述视频监控装置安装在魔芋附近，视频监控装置用于定期将视频和图片通过互联网上传至数据服务器；

数据处理单元用于自动处理数据服务器内的视频和图片来判断魔芋的生产状况；所述的视频和图片通过服务器发送至专业技术人员；所述消费者通过互联网监控魔芋的生产状况。

2.如权利要求1所述的用于魔芋种植的互联网管理系统，其特征在于，所述视频监控装置采用3G方式将视频和图片上传至数据服务器；

所述数据处理单元还用于定期更新数据；

所述视频监控装置还设置有信号采集模块和信号发射模块；所述信号采集模块用于采集魔芋生长中的信息；

所述信号发射模块与信号采集模块连接，用于接收信号采集模块传输的信息，并将信息以视频和图片的形式通过互联网上传至数据服务器；

所述数据处理单元设置有同步正交跳频信号盲源分离模块，用于对数据服务器内的视频和图片的信号进行处理。

3.一种如权利要求1至2任意一项所述用于魔芋种植的互联网管理系统的信号采集模块的信号采集方法，其特征在于，所述信号采集模块的信号采集方法包括：

根据接收信号的特征谱确定决策平面；

判断接收信号的通信信道是否呈现准用静态变换特性；

在所述通信信道呈现准用静态变换特性时，利用支持向量机方法在所述决策平面中选出决策边界；

在通信信道没有呈现准用静态变换特性时，利用模糊聚类方法在所述决策平面中选出决策边界；

根据所述决策边界对接收到的信号进行检测。

4.如权利要求3所述的信号采集模块的信号采集方法，其特征在于，所述根据接收信号的特征谱确定决策平面包括：

对接收信号的离散信号向量进行线性变换得到酉变换矩阵；

根据所述酉变换矩阵中的主对角线元素和副对角线元素计算出接收信号的能量特征谱；

从所述能量特征谱中获取决策平面。

5.如权利要求3所述的信号采集模块的信号采集方法，其特征在于，根据所述酉变换矩阵中的主对角线元素和副对角线元素计算出接收信号的能量特征谱包括：

对副对角线元素组成的矩阵进行平方并乘以主对角线元素组成的矩阵，得到接收信号的能量特征谱；

从所述能量特征谱中获取决策平面包括：

根据所述能量特征谱的能量集中度、波形对称性和局部波形函数方差从所述能量特征谱中提取至少一组特征向量；

按照模式分类的方式从提取的特征向量中获取作为决策平面的特征向量；

所述接收信号的离散信号向量通过奈奎斯特定律采样得到，并且采样长度涵盖接收信号的预定比例能量；

在从所述能量特征谱中获取决策平面之前，所述方法还包括：

对所述能量特征谱进行滑动平均处理。

6.如权利要求5所述的信号采集模块的信号采集方法，其特征在于，提取的特征向量方法具体包括以下步骤：

获取信号，通过传感器采集数据并对信号进行放大处理；

信号进行分段处理；即从每段信号里提取出均值、方差、信号的累积值和峰值4个基本时域参数，通过相邻段信号的4个参数值的差值判断是否有疑似泄漏的情况发生的第一层决策判断：若有则往下执行步骤小波包去噪，否者，跳到执行获取信号；

小波包去噪；即利用改进小波包算法对采集的信号进行去噪；

小波包分解与重构；即利用改进小波包算法对采集的信号进行小波包分解与重构，得到单子带重构信号；

提取信号特征参数；即从重构的单子带信号里提取：时域能量、时域峰值、频域能量、频域峰值、峰态系数、方差、频谱和偏斜系数8个表示信号特征的参数；

组成特征向量，即利用主成分分析方法，从上述参数中选择3到8个能明显表示声发射信号特征的参数组成特征向量，并将这些特征向量输入到支持向量机进行决策判断，即第二层决策判断，根据支持向量机的输出判断是否有泄漏发生。

7.如权利要求6所述的信号采集模块的信号采集方法，其特征 在于，所述小波包去噪和小波包分解与重构包括：

信号延拓，对小波包分解的各层信号进行抛物线延拓；

设信号数据为x(a),x(a+1),x(a+2)，则延拓算子E的表达式为：

消去单子带多余频率成分；

将延拓后的信号与分解低通滤波器h₀卷积，得到低频系数，然后经过HF-cut-IF算子处理，去掉多余的频率成分，再进行下采样，得到下一层的低频系数；将延拓后的信号与分解高通滤波器g₀卷积，得到高频系数，然后经过LF-cut-IF算子处理，去掉多余的频率成分，再进行下采样，得到下一层高频系数，HF-cut-IF算子如式(2)所示，LF-cut-IF算子如式(3)所示；

在(2)、(3)式中，x(n)为在2^j尺度上小波包的系数，N_j表示 在2^j尺度上数据的长度，k＝0，1，…，N_j-1；n＝0，1，…，N_j-1；

单子带信号重构：

将得到的高、低频系数进行上采样，然后分别与高通重建滤波器g₁和低通重建滤波器h₁卷积，将得到的信号分别用HF-cut-IF、LF-cut-IF算子处理，得到单子带重构信号。

8.如权利要求3所述的信号采集模块的信号采集方法，其特征在于，所述对接收信号的离散信号向量进行线性变换得到酉变换矩阵中，

对接收信号s(t)进行非线性变换，按如下公式进行：

其中A表示信号的幅度，a(m)表示信号的码元符号，p(t)表示成形函数，f_c表示信号的载波频率，表示信号的相位，通过该非线性变换后得到变换矩阵：

9.一种如权利要求1至2任意一项所述用于魔芋种植的互联网管理系统的同步正交跳频信号盲源分离模块的信号处理方法，其特征在于，该同步正交跳频信号盲源分离模块的信号处理方法包括：

步骤一，利用含有M个阵元的阵列天线接收来自多个同步正交跳频传感器的跳频信号，对每一路接收信号进行采样，得到采样后的M 路离散时域混合信号m＝1,2,…,M；采集阵列天线节点间不同时间片的交互次数，根据得到的数据建立时间序列，通过三次指数平滑法来预测节点间下一个时间片的交互次数，将交互次数预测值与实际值的相对误差作为节点的直接信任值；

步骤二，对M路离散时域混合信号进行重叠加窗短时傅里叶变换，得到M个混合信号的时频域矩阵p＝0,1,…,P-1,q＝0,1,…,N_fft-1，其中P表示总的窗数，N_fft表示FFT变换长度；p，q)表示时频索引，具体的时频值为这里N_fft表示FFT变换的长度，p表示加窗次数，T_s表示采样间隔，f_s表示采样频率，C为整数，表示短时傅里叶变换加窗间隔的采样点数，C＜N_fft，且K_c＝N_fft/C为整数，也就是说采用的是重叠加窗的短时傅里叶变换；

步骤三，对步骤二中得到的跳频混合信号时频域矩 进行预处理；

步骤四，利用聚类算法估计每一跳的跳变时刻以及各跳对应的归一化的混合矩阵列向量、跳频频率；在p(p＝0，1，2，…P-1)时刻，对表示的频率值进行聚类，得到的聚类中心个数表示p时刻存在的载频个数，个聚类中心则表示载频的大小，分别用表示；对每一采样时刻p(p＝0，1，2，…P-1)，利用聚类算法对进行聚类，同样可得到个聚类中心，用 表示；对所有求均值并取整，得到源信号个数的估 计即：

找出的时刻，用p_h表示，对每一段连续取值的p_h求中值，用表示第l段相连p_h的中值，则表示第l个频率跳变时刻的估计；根据估计得到的以及第四步中估计得到的频率跳变时刻估计出每一跳对应的个混合矩阵列向量 具体公式为：

这里表示第l跳对应的个混合矩阵列向量估计值；估计每一跳对应的载频频率，用 表示第l跳对应的个频率估计值，计算公式如下：

步骤五，根据步骤四估计得到的归一化混合矩阵列向量估计时频域跳频源信号；

步骤六，对不同跳频点之间的时频域跳频源信号进行拼接；

步骤七，根据源信号时频域估计值，恢复时域跳频源信号；对每一采样时刻p(p＝0，1，2，…)的频域数据Y_n(p,q),q＝0,1,2,…,N_fft-1做N_fft点的IFFT变换，得到p采样时刻对应的时域跳频源信号，用 y_n(p,q_t)(q_t＝0,1,2,…,N_fft-1)表示；对上述所有时刻得到的时域跳频源信号y_n(p,q_t)进行合并处理，得到最终的时域跳频源信号估计，具体公式如下：

这里K_c＝N_fft/C，C为短时傅里叶变换加窗间隔的采样点数，N_fft为FFT变换的长度。

10.如权利要求9所述的同步正交跳频信号盲源分离模块的信号处理方法，其特征在于，步骤一中，直接信任值的具体计算步骤为：

采集网络观测节点i与节点j之间的n个时间片的交互次数：选取一定时间间隔t作为一个观测时间片，以观测节点i和被测节点j在1个时间片内的交互次数作为观测指标，真实交互次数，记作y_t，依次记录n个时间片的y_n，并将其保存在节点i的通信记录表中；预测第n+1个时间片的交互次数：根据采集到的n个时间片的交互次数建立时间序列，采用三次指数平滑法预测下一个时间片n+1内节点i和j之间的交互次数，预测交互次数，记作计算公式如下：

预测系数a_n、b_n、c_n的取值可由如下公式计算得到：

其中：分别是一次、二次、三次指数平滑数，由如下公式计算得到：

是三次指数平滑法的初始值，其取值为

α是平滑系数(0＜α＜1)，体现信任的时间衰减特性，即离预测值越近的时间片的y_t权重越大，离预测值越远的时间片的y_t权重越小；如果数据波动较大，且长期趋势变化幅度较大，呈现明显迅速的上升或下降趋势时α应取较大值(0.6～0.8)，增加近期数据对预测结果的影响；当数据有波动，但长期趋势变化不大时，α可在0.1～0.4之间取值；如果数据波动平稳，α应取较小值(0.05～0.20)；

计算直接信任值：

节点j的直接信任值TD_ij为预测交互次数和真实交互次数y_n+1的相对误差，

采用多路径信任推荐方式而得到的计算式计算间接信任值；收集可信节点对节点j的直接信任值：节点i向所有满足TD_ik≤φ的可信关联节点询问其对节点j的直接信任值，其中φ为推荐节点的可信度阈值，根据可信度的要求精度，φ的取值范围为0～0.4；计算间接信任值：综合计算所收集到的信任值，得到节点j的间接信任值TR_ij， 其中，Set(i)为观测节点i的关联节点中与j节点有过交互且其直接信任值满足TD_ik≤φ的节点集合；

由直接信任值和间接信任值整合计算得出综合信任值；综合信任值(T_ij)的计算公式如下：T_ij＝βTD_ij+(1-β)TR_ij，其中β(0≤β≤1)表示直接信任值的权重，当β＝0时，节点i和节点j没有直接交互关系，综合信任值的计算直接来自于间接信任值，判断较客观；当β＝1时，节点i对节点j的综合信任值全部来自于直接信任值，在这种情况下，判断较为主观，实际计算根据需要确定β的取值。