CN107085732B - 基于无线传感器网络的牛舍环境氨气智能监测系统 - Google Patents

基于无线传感器网络的牛舍环境氨气智能监测系统 Download PDF

Info

Publication number
CN107085732B
CN107085732B CN201710334069.1A CN201710334069A CN107085732B CN 107085732 B CN107085732 B CN 107085732B CN 201710334069 A CN201710334069 A CN 201710334069A CN 107085732 B CN107085732 B CN 107085732B
Authority
CN
China
Prior art keywords
ammonia
cowshed
neural network
fuzzy
cowshed environment
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
CN201710334069.1A
Other languages
English (en)
Other versions
CN107085732A (zh
Inventor
马从国
陈亚娟
史迁
赵娜
郭齐成
谢东方
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.)
EYIMU TECHNOLOGY (BEIJING) 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 CN201710334069.1A priority Critical patent/CN107085732B/zh
Publication of CN107085732A publication Critical patent/CN107085732A/zh
Application granted granted Critical
Publication of CN107085732B publication Critical patent/CN107085732B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • 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
    • 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
    • G05B—CONTROL OR REGULATING SYSTEMS IN GENERAL; FUNCTIONAL ELEMENTS OF SUCH SYSTEMS; MONITORING OR TESTING ARRANGEMENTS FOR SUCH SYSTEMS OR ELEMENTS
    • G05B19/00—Programme-control systems
    • G05B19/02—Programme-control systems electric
    • G05B19/04—Programme control other than numerical control, i.e. in sequence controllers or logic controllers
    • G05B19/042—Programme control other than numerical control, i.e. in sequence controllers or logic controllers using digital processors
    • 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
    • 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
    • G06N3/048—Activation functions
    • 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
    • G06N3/049—Temporal neural networks, e.g. delay elements, oscillating neurons or pulsed inputs
    • 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
    • G06N3/086—Learning methods using evolutionary algorithms, e.g. genetic algorithms or genetic programming

Landscapes

  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • Data Mining & Analysis (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Artificial Intelligence (AREA)
  • General Engineering & Computer Science (AREA)
  • Evolutionary Computation (AREA)
  • Health & Medical Sciences (AREA)
  • Computing Systems (AREA)
  • Biomedical Technology (AREA)
  • General Health & Medical Sciences (AREA)
  • Computational Linguistics (AREA)
  • Biophysics (AREA)
  • Mathematical Physics (AREA)
  • Software Systems (AREA)
  • Molecular Biology (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Evolutionary Biology (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Automation & Control Theory (AREA)
  • Physiology (AREA)
  • Investigating Or Analyzing Materials By The Use Of Fluid Adsorption Or Reactions (AREA)

Abstract

本发明公开了基于无线传感器网络的牛舍环境氨气智能监测系统，其特征在于：所述智能监测系统由基于无线传感器网络的牛舍环境参数智能检测平台、牛舍环境氨气智能检测模型和NARX神经网络氨气组合预测模型三部分组成；本发明有效解决了现有技术仅依靠设备监测牛舍内氨气浓度，只获取舍内氨气浓度，而无有效测量模型对牛舍内有害气体进行预警问题。

Description

基于无线传感器网络的牛舍环境氨气智能监测系统
技术领域
本发明涉及农业牲畜养殖自动化装备的技术领域，具体涉及基于无线传感器网络的牛舍环境氨气智能监测系统。
背景技术
牛舍环境氨气是无色、有刺激性气味有害气体，易液化成无色液体，可灼伤皮肤、眼睛、呼吸器官粘膜。牛舍环境中氨的来源主要是含氮有机物，通常是由粪尿、饲料和垫草等分解产生的。另外饲喂过量非蛋白氨，牛嗳气,排出的氨量也会增加。牛舍空气中的氨气主要来自其肠胃消化、粪尿、饲料残渣和垫草等有机物腐败，细菌分解牛体废物产生，是一种具有强烈刺激性臭味的无色气体。在垫料潮湿、酸碱度适宜和温度高、粪便多的情况下，氨气产生更快。牛舍中氨气的含量取决于温度、含水量、饲养密度、通风情况、地面结构、饲养管理水平和粪污清除等。由于氨是高度溶于水的，所以在高湿空气中氨的浓度相对较高。奶牛舍空气中的有害气体含量直接影响舍内的环境质量，随着夏季气温的增高，舍内NH3的释放量也会随之增加。由于有窗密闭舍的外围护结构封闭性较高，夏季舍内温度相对也较高，如果通风口面积包括门窗和位置不合适，产生的有害气体很容易滞留舍内，造成舍内缺氧以及空气污浊，被测牛舍夏季所有通风设施全部打开，舍内NH3含量仍然较高，虽然所测的NH3含量并未超过国家现行标准，但舍内明显的刺鼻气味无疑对奶牛的健康造成潜在的威胁，而早中晚三个时间段舍内NH3含量已经接近甚至超过了国家现行标准，尤其是早晚，外界自然风力减弱，且夜里排放的粪便又在不断积累，再加上舍内通风不良，导致舍内NH3气体大量聚集。正常情况下，在风压和热压的作用下，舍内多余的NH3很有可能通过顶部排气口排到舍外，夏季炎热时间较短，奶牛舍的结构偏重于保温设计，忽略了通风设计，这也是目前寒冷地区部分密闭式牛舍出现的设计弊端。氨气具有强刺激性，极易溶解在牛的眼结膜和呼吸道黏膜上，引起结膜炎、支气管炎等一系列炎症。舍内高浓度的氨对牛的影响更为严重，易使接触部位发生碱性化学灼伤，亦使中枢神经麻痹、心肌和心脏受到不同程度的损伤。研究报道，长期在这种氨气环境下生长的牛，体重增加缓慢，饲料转化率低，有眼结膜和上呼吸道感染等病理变化。
在规模化养殖中，氨气浓度高低对牛健康生长影响较大，及时测量和控制牛舍内氨气浓度对牛生长健康有重要作用。牛舍氨气浓度受牛舍内多种环境因素影响，建立准确氨气浓度测量模型尤为必要。研究者在不同条件下对牛舍氨气浓度变化开展大量工作。Todd等和李保明等报道了奶牛场中NH3释放有一定的季节性，舍内温度的高低对NH3的排放产生显著影响，当舍内温度高于22℃时可促使NH3的排放，夏季奶牛舍内的有害气体含量明显高于秋季。邹丽娜等开发基于单片机的畜禽舍环境监控系统监测禽畜舍的温度、湿度、氨气等环境要素，并将显示信息通过无线模块HC-11传输到DMT64480T056；王廷江等开发基于ZigBee技术的规模化奶牛场舍内环境监控系统，该系统选用对应传感器实现对监测点温湿度、光照度、CO2浓度、H2S浓度和NH3浓度的精确采集,并通过由CC2530芯片和CC2591射频前端组建的ZigBee网络完成数据的远距离传输和汇聚,数据经过与阈值比较后控制环境调节设备。然而，在上述研究中并未对氨气浓度建立有效测量模型，多数研究仅依靠设备监测牛舍内氨气浓度，只获取舍内氨气浓度，无有效测量模型对牛舍内有害气体预警。由于牛舍内氨气浓度受到牛舍内温度、湿度、通风和光照情况等多种环境因素影响，传统数学方法难以建立准确测量模型。
发明内容
本发明提供了基于无线传感器网络的牛舍环境氨气智能监测系统，本发明有效解决了现有技术仅依靠设备监测牛舍内氨气浓度，只获取舍内氨气浓度，而无有效测量模型对牛舍内有害气体进行预警问题。
本发明通过以下技术方案实现：
基于无线传感器网络的牛舍环境氨气智能监测系统，其特征在于：所述智能监测系统由基于无线传感器网络的牛舍环境参数智能检测平台、牛舍环境氨气智能检测模型和NARX神经网络氨气组合预测模型三部分组成，基于无线传感器网络的牛舍环境参数智能检测平台实现对牛舍环境因子参数进行检测、调节和监控，牛舍环境氨气智能检测模型包括基于遗传算法(GA)和模糊C均值(FCM)的聚类分类器、多个模糊小波神经网络氨气模型、基于欧氏距离的氨气浓度值融合模型实现对牛舍环境氨气进行智能软测量,NARX神经网络氨气组合预测模型实现对牛舍环境氨气进行智能预测。
本发明进一步技术改进方案是：
所述基于无线传感器网络的牛舍环境参数智能检测平台由检测节点、控制节点和现场监控端组成，它们以自组织方式通过无线通信模块NRF2401构建成牛舍环境参数智能检测平台。检测节点分别由传感器组模块、单片机和无线通信模块NRF2401组成，传感器组模块负责检测牛舍环境的温度、湿度、风速和光照度等牛舍小气候环境参数，由单片机控制采样间隔并通过无线通信模块NRF2401发送给现场监控端；控制节点实现对牛舍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组成，实现对检测节点检测牛舍环境参数进行管理和对牛舍环境的氨气浓度进行智能检测。基于无线传感器网络的牛舍环境参数智能检测平台见图1所示。
本发明进一步技术改进方案是：
所述牛舍环境氨气智能检测模型包括基于遗传算法(GA)和模糊C均值(FCM)的聚类分类器、多个模糊小波神经网络氨气模型、基于欧氏距离的氨气浓度值融合模型和NARX神经网络氨气组合测量模型组成；提出了一种基于遗传算法(GA)和模糊C均值(FCM)的聚类算法分类器对影响牛舍环境氨气浓度实测参数样本进行分类，利用GA的全局搜索性能求得初始聚类中心，在此基础上利用FCM算法把影响牛舍环境氨气浓度实测参数样本进行准确分类,该方法避免了人为划定分类界限的主观性,消除了FCM聚类算法的局部最优的弱点,解决了采用普通遗传算法聚类时搜索速度和聚类精度的相互矛盾；设计模糊小波神经网络氨气模型包括模糊神经网络和多个小波神经网络组成，它实现对影响牛舍环境氨气浓度实测参数的多类参数样本进行分别测量牛舍环境多点氨气浓度，提高测量的精确度；构建基于欧氏距离的氨气浓度值融合模型，该模型以欧氏距离表示牛舍环境不同样本参数的模糊小波神经网络氨气模型输出之间的差异性构建牛舍不同类样本之间氨气浓度测量值之间的差异度，通过差异度建立牛舍环境不同样本的牛舍环境氨气测量浓度值之间的支持度，通过支持度构建不同类样本的模糊小波神经网络输出值之间的支持度矩阵，根据不同参数样本的模糊小波神经网络输出值支持度占所有参数样本的模糊小波神经网络输出值支持度和的比作为该类模糊小波神经网络输出值在牛舍氨气浓度测量值融合值中的融合权重，各类参数样本的模糊小波神经网络氨气模型输出与它的融合权重积的相加和作为牛舍环境氨气浓度融合值；牛舍环境氨气智能检测模型如图2所示。
本发明进一步技术改进方案是：
所述NARX神经网络氨气组合预测模型预测时延段的牛舍环境的氨气浓度值，一个时延段的基于欧氏距离的氨气浓度值融合模型的输出值作为NARX神经网络氨气组合预测模型的输入，NARX神经网络氨气组合预测模型的输出为下一时间段的牛舍环境氨气浓度值；该牛舍环境氨气智能组合预测模型提高预测牛舍环境氨气浓度的鲁棒性、稳定性和跟踪快速性,达到精确预测牛舍环境氨气浓度的目的。NARX神经网络氨气组合预测模型如图2所示。
本发明与现有技术相比，具有以下明显优点：
一、本发明根据影响牛舍环境氨气浓度实测参数样本差异的特点,构建基于遗传算法(GA)的模糊C均值的聚类(FCM)分类器对牛舍环境多点实测样本参数进行分类，设计模糊小波神经网络氨气检测模型对影响牛舍环境氨气浓度实测参数的各类样本参数进行分别测量，通过基于欧氏距离的氨气浓度值融合模型对多个模糊小波神经网络氨气模型的输出值进行融合。在牛舍氨气浓度连续测量过程当中,充分考虑牛舍氨气在时空间的特性,把成因相近的,相对均质的数据从海量级的数据中抽取出来,以建立针对性更强、更能反应任意时间阶段牛舍氨气特性的氨气浓度测量模型，提高测量精度。
二、应用本发明提出的牛舍环境氨气智能检测模型能够根据影响牛舍环境氨气浓度的实测参数样本分类自动选择与之相匹配的局部模糊小波神经网络氨气模型,从而避免了不同时段牛舍环境参数突变对牛舍环境氨气浓度产生变化而导致的测量模式单一化,测量结果表现出较优的性能,可以较大地提高氨气浓度测量的精度。
三、本发明将模糊C-均值聚类(FCM)、模糊小波神经网络氨气模型、基于欧氏距离的氨气浓度值融合模型技术相结合,应用于牛舍环境氨气浓度测量中。首先采用FCM方法对影响牛舍环境氨气浓度实测参数样本进行分类,然后利用模糊小波神经网络分别建立牛舍环境氨气浓度的局部测量模型,通过基于欧氏距离的氨气浓度值融合模型对多个局部模型的输出进行融合，结果表明通过上述方法构建的测量模型具有较好的训练速度和较高的测量精度。
四、本发明专利针对影响牛舍环境氨气浓度实测参数样本与牛舍环境氨气浓度值高低程度之间的关系存在很大的模糊性，鉴于模糊神经网络具有良好的学习性及其很强的模式识别能力以及小波对含噪信号有很好的去噪能力，将模糊小波神经网络用于对牛舍局部环境氨气浓度进行测量，从而实现对牛舍环境氨气浓度实时在线监测，通过模糊小波神经网络对牛舍环境氨气浓度测量结果与实际的相比较，可看出此方法的有效性好和可行性高。
五、本发明模糊小波神经网络收敛快、鲁棒性好、快速跟踪和稳定性。由于利用了影响牛舍环境氨气浓度实测参数样本的暂态信息，所以测量结果受牛舍环境氨气浓度实测参数样本影响较小。利用神经网络自学习的特点，可以根据牛舍环境氨气浓度实测参数样本的实际情况，产生不同的样本进行训练，以适应牛舍环境不同实测参数的要求，实现快速精确测量牛舍环境氨气浓度值。
六、本发明基于欧氏距离的氨气浓度值融合模型融合了牛舍环境参数C类样本牛舍氨气值，根据它们的相似度一致性对它们別采用模糊小波神经网络氨气模型进行测量，防止不同类样本信息采用同一模糊小波神经网络氨气模型产生的牛舍氨气测量值的误差，然后采用基于欧氏距离的氨气浓度值融合模型对不同样本点参数情况下氨气测量值的融合，提高测量精度。
七、本发明NARX神经网络氨气组合预测模型具有反馈与记忆功能，其输出与此刻输入、已往的输入和已经往输出相关，实现对牛舍氨气的输出值的时间段预测，提高牛舍环境氨气预测精度。NARX神经网络氨气组合预测模型沿着牛舍氨气值在时间轴方向的拓展，该模型采用神经网络的时间序列实现及函数模拟功能的牛舍氨气值前后关联性建模思想，牛舍氨气输出值在反馈作用中被作为输入而通过闭循环训练提高NARX神经网络氨气组合预测模型的计算精确度。NARX神经网络氨气组合预测模型加入了一个时延段的基于欧氏距离的氨气预测值融合模型输出值作为输入量的时间序列和输出量的反馈时延连接，使得网络不仅具有动态特性，还能够借鉴历史数据信息，克服了BP神经网络预测的不连续性和静态性，极大地提高了NARX神经网络氨气组合预测模型的预测精度。
附图说明
图1为基于无线传感器网络的牛舍环境参数智能检测平台；
图2为牛舍环境氨气智能检测与预测模型；
图3为检测节点功能图；
图4为控制节点功能图；
图5为现场监控端软件功能图；
图6为牛舍环境参数智能检测平台平面布置图。
具体实施方式
1、系统总体功能的设计
本发明基于无线传感器网络的牛舍环境氨气智能监测系统，实现对牛舍环境因子参数进行检测和对牛舍环境氨气进行智能检测，该系统由基于无线传感器网络的牛舍环境参数智能检测平台和牛舍环境氨气智能检测模型组成。基于无线传感器网络的牛舍环境参数智能检测平台包括牛舍环境参数的检测节点1和调节牛舍环境参数的控制节点2，它们分别采用NRF2401结合MSP430系列微处理器实现检测节点1、控制节点2和现场监控端3之间的无线通信；检测节点1和控制节点2安装在被监测牛舍环境区域内以自组织的形式构成网络，最终和现场监控端3进行信息交互。检测节点1将检测的牛舍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。整个系统结构见图1所示。
2、检测节点的设计
采用大量基于无线传感器网络的检测节点1作为牛舍环境参数感知终端，检测节点1和控制节点2通过自组织无线网络实现现场监控端3之间的信息相互交互。检测节点1包括采集牛舍环境温度、湿度、风速和氨气参数的传感器和对应的信号调理电路、MSP430微处理器和NRF2401无线传输模块；检测节点的软件主要实现无线通信和牛舍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、风速和氨气的调节输出量、继电器控制电路、MSP430微处理器和无线通信模块接口，实现对牛舍环境控制设备进行控制，控制节点见图4。
4、现场监控端的软件设计
现场监控端3是一台工业控制计算机，现场监控端3主要实现对牛舍环境参数进行采集与氨气进行测量，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牛舍环境氨气智能检测模型，它包括基于遗传算法(GA)的模糊C均值聚类(FCM)分类器、模糊小波神经网络氨气模型和基于欧氏距离的氨气浓度值融合模型等设计与实现。该管理软件选择了Microsoft Visual++6.0作为开发工具，调用系统的Mscomm通信控件来设计通讯程序，现场监控端软件功能见图5。
⑴、基于遗传算法(GA)的模糊C均值的聚类(FCM)分类器
①、FCM聚类算法
设有限集X＝{x1,x2,… xn}是n个样本组成的集合,它们分别是影响牛舍环境氨气浓度的温度、湿度、风速和光照度，C为预定的类别,mi(i＝1,2,…c)是每一个聚类的中心,μj(xi)是第i个样本关于第j类的隶属度,聚类准则函数由隶属函数定义为:
Figure BDA0001293295100000081
式中:||xi-mj||是xixi到mj之间的欧氏距离；b是模糊加权幂指数,是可以控制聚类结果模糊程度的参数；M是X的模糊C划分矩阵,V是X的聚类中心集合,FCM聚类算法的结果就是要获得使准则函数达到最小的M和V。在模糊C均值聚类方法中,要求样本对各个聚类的隶属度之和为1,即:
Figure BDA0001293295100000082
在式(2)的条件下求式(1)的极小值,令J(M,V)J(M,V)对mj和μj(xi)偏导数为0,可得极小值的必要条件为:
Figure BDA0001293295100000083
Figure BDA0001293295100000084
FCM算法可以按照以下迭代步骤完成:
A、设定聚类数目c和参数b,算法终止阈值ε,迭代次数t＝1,允许最大迭代数为tmax；
B、初始化各个聚类中心mi；
C、用当前聚类中心根据式(4)计算隶属函数；
D、用当前隶属函数按式(3)更新各类聚类中心；
E、选取合适的矩阵范数,如果||V(t+1)-V(t)||≤ε或者t≥tmax,停止运算；否则,t＝t+1,返回步骤C。
当算法收敛时,得到各类的聚类中心和各个样本对于各类的隶属度,完成模糊聚类划分。最后将模糊聚类结果进行去模糊化,将模糊聚类转变为确定性分类,实现最终的聚类分割。
②、GA算法的FCM算法
遗传算法(GA)寻求问题的最优解是通过对多个个体的迭代搜索来完成的。该算法首先初始化群体，随机生成一定规模的染色体集合X；之后计算各个体的适应值；依据选种算子Ts进行复制操作；依据交叉算子Tc进行交叉操作；依据变异算子Tm进行变异操作；再判断是否满足终止条件，满足则输出最优解，反之则重复上述初始化之后的操作。
⑵、模糊小波神经网络氨气模型设计
本专利应用模糊神经网络进行模糊推理，并结合小波的多分辨分析的特点,将小波函数作为神经网络神经元的激励函数,构建一种新型的模糊小波网络(Fuzzy WaveletNetwork,FWNN)作为测量模型。这种基于FWNN的智能测量控制器,理论上具备很好的智能性、鲁棒性、稳定性和指标跟踪快速性,可以达到牛舍氨气精确测量目的。小波模糊神经网络包含两部分:模糊神经网络(FNN)和小波神经网络(WNN)。模糊神经网络包含4个基本层:第一层是输入层,每个输入向量对应一个神经元；第二层的每个神经元代表一个语言变量值；第三层的每个神经元代表一条模糊规则；第四层是归一化层。同时,模糊神经网络的输入作为小波神经网络的输入,每一条模糊规则对应一个小波网络。小波基函数是由小波函数经过平移得到的小波基组,因此,不同尺度函数产生的小波神经网络能够捕捉不同时域和频域的特征,不同的模糊推理选择相应的小波网络。小波具有多分辨分析的特点,若用小波函数作为神经网络神经元的激励函数,则由于每个神经元的伸缩和平移都可以调节,选用低尺度参数可以学习光滑函数,提高尺度能以较高精度学习局部奇异函数,比相同神经元数和参数的ANN精度高。本文所构建的模糊小波网络由输入、模糊化、推理、小波网络层和解模糊层5个基本层实现。各层神经网络节点数目分别是n,n×M,M,M和1。一旦决定了输入n和规则M的数目,就决定了FWN模型的结构,等效结构如图2所示。其中模糊小波神经网络的输入为X＝[x1,x2,… xn]，Ti是第i个规则对应的小波数量；wik是权值系数；
Figure BDA0001293295100000101
是小波函数，
Figure BDA0001293295100000102
是规则i对应的局部模型小波网络线性组合的输出；它的值是：
Figure BDA0001293295100000103
第一层为输入层：该层的各个节点直接与输入向量的各分量xj连接,将输入值X＝[x1,x2,… xn]传递到下一层；第二层计算每一个输入变量对应的隶属函数值；第三层计算每条规则的适用度；第四层是小波网络层输出，主要用于输出补偿；第五层为控制信号输出层，也称反模糊化层，在这一层进行解模糊计算,模糊小波神经网络输出公式如下:
Figure BDA0001293295100000104
取n＝2,M＝7,故各层的网络节点数分别为2,14,7,7,1,构建FWN小波函数选择正交Daubechies小波。
⑶、基于欧氏距离的氨气浓度值融合模型设计
该牛舍氨气测量参数样本有n个，通过基于遗传算法的模糊c-均值聚类分类器分为C个类别，则每个参数样本类别的模糊小波神经网络氨气模型输出为y1,y2,… yc。以欧氏距离表示牛舍每个参数样本类别的模糊小波神经网络氨气模型输出之间的差异性，从而构建牛舍环境不同类样本之间氨气浓度测量值之间的差异度度，根据于欧氏距离定义牛舍环境不同类样本之间测量的氨气浓度值之间的差异度的具体数学定义如下：
Figure BDA0001293295100000105
牛舍环境不同类样本之间氨气浓度测量值之间的差异度δij反映了不同类样本之间测量氨气浓度测量值结果之间的差异程度。显然差异程度越小，支持度呈指数级别增大，则两者之间的相互支持度越高，从而可以达到弱化差异度较大的结果在测量牛舍环境氨气中的作用。因此建立牛舍环境不同样本测量牛舍环境氨气浓度值之间的支持度公式如下：
Figure BDA0001293295100000113
设牛舍环境有C类测量牛舍环境氨气浓度的模糊小波神经网络输出，则根据每类模糊小波神经网络输出值之间的支持度，构建各类模糊小波神经网络输出值的支持度矩阵：
Figure BDA0001293295100000111
根据各类模糊小波神经网络输出值之间的支持度矩阵，可以计算每类模糊小波神经网络输出值的支持度占所有C类模糊小波神经网络输出值支持度和的比作为该类模糊小波神经网络输出值在牛舍环境氨气浓度测量值融合中的权重，公式如下：
Figure BDA0001293295100000112
则牛舍环境氨气浓度测量值输出为：
u(t)＝β1y1+β2y2+…βcyc (11)
⑷、NARX神经网络氨气组合预测模型设计
NARX(nonlinear autoregressive models with exogenous inputs，非线性自回归模型)是由静态神经元和网络输出反馈构成的动态网络，具备良好的动态特性和较高的抗干扰能力，使得NARX模型能够用来逼近任意的非线性动态系统。NARX神经网络结构可分为4层：输入层、时延层、隐层和输出层，本专利分别为1、13、5和1个节点。输入层接受信号输入，不做任何计算处理；时延层节点是多步延时算子，用于输入信号和输出反馈信号的时间延迟；隐层节点对时延后信号做非线性处理后传递到输出层，经线性加权获得最终网络输出。NARX神经网络氨气组合预测模型采用串-并联型结构,使用标准BP算法训练,其动态行为由下式描述:
y(t+1)＝F(y(t),…,y(t-L),u(t),…,u(t-R)) (12)
式中该模型的输入由两部分组成:u(t),u(t-1),…,u(t-R)表示来自前R时刻基于欧氏距离的氨气预测值融合模型输出的延迟值,即y(t),y(t-1),…,y(t-L)为前L时刻NARX神经网络氨气组合预测模型输出。在此基础上组合预测y(t+1)时刻牛舍环境氨气浓度值。其中F是自变量的一个函数,辨识过程中用一个反馈网络来逼近函数F。该网络实现对前R时延时刻基于欧氏距离的氨气预测值融合模型输出值u(t)和前时延L时刻NARX神经网络氨气组合预测模型输出y(t)进行组合预测y(t+1)牛舍环境氨气值。本发明专利NARX神经网络氨气组合预测模型的R取5和L取6，NARX神经网络氨气组合预测模型具有反馈与记忆功能，其输出与此刻输入、已往的输入和已经往输出相关，实现对牛舍环境氨气的输出值的时间段预测，提高牛舍环境氨气预测精度。NARX神经网络氨气组合预测模型沿着牛舍环境氨气值在时间轴方向的拓展，该模型采用神经网络的时间序列实现函数模拟功能的牛舍环境氨气值前后关联性建模思想，牛舍环境氨气输出值在反馈作用中被作为输入而通过闭循环训练提高NARX神经网络氨气组合预测模型的计算精确度。NARX神经网络氨气组合预测模型加入了基于欧氏距离的氨气预测值融合模型输出值作为输入量的时间序列和输出量的反馈时延连接，使得网络不仅具有动态特性，还能够借鉴历史数据信息，克服了BP神经网络预测的不连续性和静态性，极大地提高了NARX神经网络氨气组合预测模型的预测精度。NARX神经网络在BP神经网络结构的基础上加入了输入量和输出量的时间序列，使得神经网络具有动态特性和保留更多的历史状态信息，准确地预测了牛舍环境氨气值。在利用NARX神经网络预测时，使用单步向前预测，并且根据基于欧氏距离的氨气预测值融合模型输出值实时更新预测数据，使得NARX神经网络氨气组合预测模型在长期预测时始终保持较高的预测精度。
5、牛舍环境氨气智能检测系统的设计举例
根据牛舍环境的状况，系统布置了检测节点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均衡布置在被检测牛舍环境中，整个系统平面布置见图6，通过该系统实现对牛舍环境参数的采集与牛舍环境氨气的智能化测量。
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 (2)

1.基于无线传感器网络的牛舍环境氨气智能监测系统，其特征在于：所述智能监测系统由基于无线传感器网络的牛舍环境参数智能检测平台、牛舍环境氨气智能检测模型和NARX神经网络氨气组合预测模型三部分组成，基于无线传感器网络的牛舍环境参数智能检测平台实现对牛舍环境因子参数进行检测、调节和监控，牛舍环境氨气智能检测模型包括基于遗传算法(GA)和模糊C均值(FCM)的聚类分类器、多个模糊小波神经网络氨气模型、基于欧氏距离的氨气浓度值融合模型实现对牛舍环境氨气进行智能软测量, NARX神经网络氨气组合预测模型实现对牛舍环境氨气进行智能预测；
所述牛舍环境氨气智能检测模型包括基于遗传算法(GA)和模糊C均值(FCM)的聚类分类器、多个模糊小波神经网络氨气模型、基于欧氏距离的氨气浓度值融合模型组成；基于遗传算法和模糊C均值的聚类分类器对多个影响牛舍环境氨气浓度实测参数样本进行分类，各类影响牛舍环境氨气浓度实测参数样本分别输入各类模糊小波神经网络氨气模型来测量牛舍环境多点的氨气浓度；基于欧氏距离的氨气浓度值融合模型定义各类影响牛舍环境氨气实测参数样本的模糊小波神经网络输出值之间的支持度，构建各类影响牛舍环境氨气实测参数样本的模糊小波神经网络输出值之间的支持度矩阵，根据每类影响牛舍环境氨气实测参数样本的模糊小波神经网络输出值的支持度占牛舍环境各类影响牛舍环境氨气实测参数样本的模糊小波神经网络输出值的支持度和的比作为该类影响牛舍环境氨气实测参数样本的模糊小波神经网络输出值在牛舍环境氨气浓度值的融合权重，每类影响牛舍环境氨气实测参数样本的模糊小波神经网络氨气模型输出与它的融合权重积的相加和作为牛舍环境氨气浓度测量的融合值；
所述NARX神经网络氨气组合预测模型预测牛舍环境的氨气浓度值，一个时延段的基于欧氏距离的氨气浓度值融合模型的输出值作为NARX神经网络氨气组合预测模型的输入，NARX神经网络氨气组合预测模型的输出预测下一时间段牛舍环境氨气浓度值；NARX神经网络氨气组合预测模型提高预测牛舍环境氨气浓度的鲁棒性、稳定性和跟踪快速性,达到精确预测牛舍环境氨气浓度的目的；
所述基于遗传算法和模糊C均值的聚类分类器利用遗传算法的全局搜索性能求得初始聚类中心和利用模糊C均值的聚类算法把影响牛舍环境氨气浓度实测参数样本进行准确分类，避免了人为划定分类界限的主观性，消除了模糊C均值的聚类算法的局部最优的弱点，解决了采用普通遗传算法聚类时搜索速度和聚类精度的相互矛盾；每个模糊小波神经网络氨气模型包括模糊神经网络和多个小波神经网络组成，它实现对影响牛舍环境氨气浓度实测参数的多类参数样本进行分别测量牛舍环境多点氨气浓度，提高测量的精确度；模糊神经网络的输入作为小波神经网络的输入，每一条模糊规则对应一个小波网络，小波基函数是由小波函数经过平移得到的小波基组，不同尺度函数产生的小波神经网络能够捕捉不同时域和频域的特征，不同的模糊推理选择相应的小波网络；应用模糊神经网络进行模糊推理，并结合小波的多分辨分析的特点，将小波函数作为神经网络神经元的激励函数，构建一种新型的模糊小波网络作为牛舍氨气测量模型；针对影响牛舍环境氨气浓度实测参数样本与牛舍环境氨气浓度值高低程度之间的关系存在很大的模糊性，鉴于模糊神经网络具有良好的学习性及其很强的模式识别能力和小波对含噪信号有很好的去噪能力，将模糊小波神经网络用于对牛舍局部环境氨气浓度进行测量，实现对牛舍环境氨气浓度实时在线监测；
所述NARX神经网络氨气组合预测模型沿着牛舍环境氨气值在时间轴方向的拓展，该模型采用神经网络的时间序列实现函数模拟功能的牛舍环境氨气值前后关联性建模思想，牛舍环境氨气输出值在反馈作用中被作为输入而通过闭循环训练提高NARX神经网络氨气组合预测模型的计算精确度；在利用NARX神经网络预测时，使用单步向前预测，并且根据基于欧氏距离的氨气预测值融合模型输出值实时更新预测数据，使得NARX神经网络氨气组合预测模型在长期预测时始终保持较高的预测精度。
2.根据权利要求1所述的基于无线传感器网络的牛舍环境氨气智能监测系统，其特征在于：所述基于无线传感器网络的牛舍环境参数智能检测平台由检测节点、控制节点和现场监控端组成，它们以自组织方式构建成牛舍环境参数智能检测平台；检测节点由传感器组模块、单片机和无线通信模块NRF2401组成，负责检测牛舍环境的温度、湿度、风速和光照度的实际值，控制节点实现对牛舍环境参数的调节设备进行控制；现场监控端实现对牛舍环境参数进行管理和对牛舍环境的氨气浓度进行智能检测。
CN201710334069.1A 2017-05-12 2017-05-12 基于无线传感器网络的牛舍环境氨气智能监测系统 Active CN107085732B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201710334069.1A CN107085732B (zh) 2017-05-12 2017-05-12 基于无线传感器网络的牛舍环境氨气智能监测系统

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201710334069.1A CN107085732B (zh) 2017-05-12 2017-05-12 基于无线传感器网络的牛舍环境氨气智能监测系统

Publications (2)

Publication Number Publication Date
CN107085732A CN107085732A (zh) 2017-08-22
CN107085732B true CN107085732B (zh) 2020-07-24

Family

ID=59613156

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201710334069.1A Active CN107085732B (zh) 2017-05-12 2017-05-12 基于无线传感器网络的牛舍环境氨气智能监测系统

Country Status (1)

Country Link
CN (1) CN107085732B (zh)

Families Citing this family (12)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN107453921A (zh) * 2017-09-08 2017-12-08 四川省电科互联网加产业技术研究院有限公司 基于非线性神经网络的智慧城市系统人工智能评价方法
CN107977025A (zh) * 2017-11-07 2018-05-01 中国农业大学 一种用于工厂化水产养殖溶解氧的调控系统及方法
CN108091111B (zh) * 2017-11-20 2018-11-13 淮阴工学院 一种油罐车油气泄漏智能预警系统
CN110084417B (zh) * 2019-04-19 2022-03-18 淮阴工学院 一种基于grnn神经网络的草莓温室环境参数智能监测系统
CN110119165B (zh) * 2019-04-19 2021-12-17 淮阴工学院 一种水产养殖池塘溶解氧检测装置
CN110321955B (zh) * 2019-07-03 2021-03-19 北京市城市管理研究院（北京市环境卫生监测中心） 一种恶臭气体监测方法
CN111080976B (zh) * 2019-12-24 2021-09-10 北京优航机电技术有限公司 一种温度变化场景下实时监测天然气泄漏的方法及装置
CN112013203B (zh) * 2020-07-18 2021-09-24 淮阴工学院 一种基于drnn神经网络管网检测系统
CN112130596A (zh) * 2020-09-25 2020-12-25 创新奇智(青岛)科技有限公司 养殖场环境调节方法、装置、电子设备及可读存储介质
CN113031555B (zh) * 2021-03-17 2022-03-22 淮阴工学院 一种畜禽舍环境有害气体智能净化系统
CN113177358B (zh) * 2021-04-30 2022-06-03 燕山大学 一种基于模糊细粒度特征提取的水泥质量软测量方法
CN115719040B (zh) * 2022-11-22 2023-05-26 淮阴工学院 一种青霉素发酵过程关键变量软测量方法及系统

Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JPH11101793A (ja) * 1997-09-26 1999-04-13 Fujitsu Ltd ガスセンサ及びそれを用いたガス分析方法
CN103631285A (zh) * 2013-11-28 2014-03-12 马从国 一种基于can总线的鸡舍环境温度控制系统
CN104950948A (zh) * 2015-05-21 2015-09-30 淮阴工学院 牛舍温度智能控制系统
CN105159216A (zh) * 2015-08-31 2015-12-16 淮阴工学院 鸡舍环境氨气浓度智能监测系统
CN106529818A (zh) * 2016-11-16 2017-03-22 河南工程学院 基于模糊小波神经网络的水质评价预测方法

Patent Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JPH11101793A (ja) * 1997-09-26 1999-04-13 Fujitsu Ltd ガスセンサ及びそれを用いたガス分析方法
CN103631285A (zh) * 2013-11-28 2014-03-12 马从国 一种基于can总线的鸡舍环境温度控制系统
CN104950948A (zh) * 2015-05-21 2015-09-30 淮阴工学院 牛舍温度智能控制系统
CN105159216A (zh) * 2015-08-31 2015-12-16 淮阴工学院 鸡舍环境氨气浓度智能监测系统
CN106529818A (zh) * 2016-11-16 2017-03-22 河南工程学院 基于模糊小波神经网络的水质评价预测方法

Non-Patent Citations (6)

* Cited by examiner, † Cited by third party
Title
一种处理冲突证据的合成方法;王肖霞 等;《弹箭与制导学报》;20071215;第27卷(第5期);第255-257页，第3节 *
基于 FCM和遗传算法的图像模糊聚类分析;娄银霞 等;《计算机工程与应用》;20101211;第46卷(第35期);第173-176,195页，第3.2节 *
基于FCM的小波神经网络模型在径流预测中的应用;钟炜 等;《系统工程学报》;20090228;第24卷(第1期);第68-73页，摘要 *
基于GA和模糊小波神经网络的磁轴承控制方法;彭辉 等;《微特电机》;20170427;第45卷(第4期);第77-81,92页，摘要 *
基于NARX神经网络的日光温室湿度预测模型研究;王红君 等;《广东农业科学》;20141025;第41卷(第20期);第170-172,177页，摘要，第2.1节 *
基于数据融合算法的岩爆组合预测方法;陈鹏宇 等;《现代隧道技术》;20160215;第53卷(第1期);第38-44页，摘要，第2节 *

Also Published As

Publication number Publication date
CN107085732A (zh) 2017-08-22

Similar Documents

Publication Publication Date Title
CN107085732B (zh) 基于无线传感器网络的牛舍环境氨气智能监测系统
CN107290481B (zh) 一种基于无线传感器网络的牛舍环境氨气智能检测系统
CN107168402B (zh) 基于can现场总线的鸡舍环境温度智能监测系统
CN110084417B (zh) 一种基于grnn神经网络的草莓温室环境参数智能监测系统
CN112906735B (zh) 一种食用菌环境大数据检测系统
CN105159216B (zh) 鸡舍环境氨气浓度智能监测系统
CN107494320B (zh) 基于无线传感器网络的牛舍环境温度智能监测系统
CN110647979B (zh) 一种基于物联网的温室环境多参数智能化监测系统
CN110766132B (zh) 一种基于物联网的果园产量智能预测系统
CN110109193A (zh) 一种基于drnn神经网络的茄子温室温度智能化检测装置
CN108090515B (zh) 一种基于数据融合的环境等级评估方法
CN116957838A (zh) 一种基于知识图表示学习的农作物生长环境监测方法
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
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
CN113281465A (zh) 一种畜禽舍养殖环境有害气体检测系统
CN110163254A (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
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
Agarwal et al. A fuzzy based decision support system for irrigation process in precision Agriculture
CN113255739A (zh) 一种鱼饲料检测与配方系统
Araneta et al. Controlled Environment for Spinach Cultured Plant with Health Analysis using Machine Learning
CN115545962A (zh) 一种基于多传感器系统的作物生长周期管控方法及系统
CN115907204A (zh) 麻雀搜索算法优化bp神经网络的林木蒸腾耗水预测方法
CN114611804A (zh) 基于tso-grnn组合模型的玉米产量预测方法
CN114489200A (zh) 一种温室大棚环境控制系统
CN112906856A (zh) 一种基于云平台的畜禽舍环境温度检测系统

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
TR01 Transfer of patent right

Effective date of registration: 20210707

Address after: 100016 room 1403, 14th floor, Xinhua science and technology building, 8 tuofangying Road, Jiangtai Township, Chaoyang District, Beijing

Patentee after: EYIMU TECHNOLOGY (BEIJING) Co.,Ltd.

Address before: 223005 Huaian 1 Jiangsu economic and Technological Development Zone

Patentee before: HUAIYIN INSTITUTE OF TECHNOLOGY