CN107168402A - 基于can现场总线的鸡舍环境温度智能监测系统 - Google Patents

基于can现场总线的鸡舍环境温度智能监测系统 Download PDF

Info

Publication number
CN107168402A
CN107168402A CN201710334055.XA CN201710334055A CN107168402A CN 107168402 A CN107168402 A CN 107168402A CN 201710334055 A CN201710334055 A CN 201710334055A CN 107168402 A CN107168402 A CN 107168402A
Authority
CN
China
Prior art keywords
environment
chicken house
temperature
chicken
value
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
Application number
CN201710334055.XA
Other languages
English (en)
Other versions
CN107168402B (zh
Inventor
王业琴
刘方超
王媛媛
芮义兵
毛旭贤
许明往
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.)
INNER MONGOLIA JINGOU AGRICULTURAL DEVELOPMENT 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 CN201710334055.XA priority Critical patent/CN107168402B/zh
Publication of CN107168402A publication Critical patent/CN107168402A/zh
Application granted granted Critical
Publication of CN107168402B publication Critical patent/CN107168402B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Classifications

    • GPHYSICS
    • G05CONTROLLING; REGULATING
    • G05DSYSTEMS FOR CONTROLLING OR REGULATING NON-ELECTRIC VARIABLES
    • G05D23/00Control of temperature
    • G05D23/19Control of temperature characterised by the use of electric means
    • G05D23/20Control of temperature characterised by the use of electric means with sensing elements having variation of electric or magnetic properties with change of temperature
    • GPHYSICS
    • G06COMPUTING; CALCULATING; COUNTING
    • G06FELECTRIC DIGITAL DATA PROCESSING
    • G06F17/00Digital computing or data processing equipment or methods, specially adapted for specific functions
    • G06F17/10Complex mathematical operations
    • G06F17/16Matrix or vector computation, e.g. matrix-matrix or matrix-vector multiplication, matrix factorization
    • GPHYSICS
    • G06COMPUTING; CALCULATING; COUNTING
    • G06FELECTRIC DIGITAL DATA PROCESSING
    • G06F17/00Digital computing or data processing equipment or methods, specially adapted for specific functions
    • G06F17/10Complex mathematical operations
    • G06F17/18Complex mathematical operations for evaluating statistical data, e.g. average values, frequency distributions, probability functions, regression analysis
    • GPHYSICS
    • G06COMPUTING; CALCULATING; COUNTING
    • G06NCOMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00Computing arrangements based on biological models
    • G06N3/02Computing arrangements based on biological models using neural network models
    • G06N3/08Learning methods
    • HELECTRICITY
    • H04ELECTRIC COMMUNICATION TECHNIQUE
    • H04LTRANSMISSION OF DIGITAL INFORMATION, e.g. TELEGRAPHIC COMMUNICATION
    • H04L67/00Network-specific arrangements or communication protocols supporting networked applications
    • H04L67/12Network-specific arrangements or communication protocols supporting networked applications adapted for proprietary or special purpose networking environments, e.g. medical networks, sensor networks, networks in a car or remote metering networks

Abstract

本发明公开了基于CAN现场总线的鸡舍环境温度智能监测系统,其特征在于:所述温度智能监测系统由基于CAN现场总线的鸡舍环境参数采集与智能预测平台、鸡舍环境多点温度融合模型和鸡舍环境温度智能预测模型三部分组成;本发明不但有效解决了传统鸡舍环境温度监控系统由于设计不合理、设备落后、控制系统不完善等原因导致密闭式鸡舍内环境仍存在许多问题,而且有效解决了现有的鸡舍环境监测系统,没有根据鸡舍环境温度变化的非线性、大滞后和鸡舍面积大温度变化复杂等特点,对鸡舍环境的温度进行监测与预测,从而极大的影响鸡舍环境温度的调控问题。

Description

基于CAN现场总线的鸡舍环境温度智能监测系统
技术领域
[0001] 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CAN现场总线的 鸡舍环境温度智能监测系统。
背景技术
[0002] 鸡舍的温度是影响肉仔鸡生长发育的一个重要环境因素,温度的控制是否得当 直接关系到肉仔鸡的生长。肉鸡饲养前期个体小,绒毛稀、体温调节能力差,对环境温度的 变化十分敏感。只有为其创造一个适宜的温度环境,才能能获得较高的成活率、增重速度 和饲料报酬。因此,在肉仔鸡的整个饲养期内都要注意对鸡舍温度的控制。对肉鸡和蛋鸡 的生产过程来说,鸡舍的温度控制最为关键。在每年夏季高热天气情况下,当温度在27°C 以上时就会使得鸡群产生不利的应激反应。热应激反应会对鸡群的新陈代谢产生影响,使 得鸡的采食量降低,影响肉和蛋的转化。严重时会直接引起各种疾病,进而导致鸡群死亡。 在影响产蛋鸡生产性能的诸多因素中,鸡舍环境温度最为突出。每年夏季高温天气,当鸡 舍温度持续超过27°C时便会不同程度地产生热应激。热应激状态影响产蛋鸡的采食量和 营养物质代谢等生理机能,进而影响产蛋鸡的健康及其生产性能,甚至导致发病或成批地 死亡。如何有效地搞好鸡舍的降温工作,为产蛋鸡群创造适宜的生活环境,尽可能地减少 或避免由于鸡舍温度过高造成的不必要损失,是夏季产蛋鸡生产取得较好经济效益的关 键。因此,搞好鸡舍的降温工作能够保证产出,提高肉和蛋的产量,使家禽养殖持续稳定地 创造经济效益。适宜温度不仅能使鸡群健康成长,而且提高经济效益,最大程度地发挥生 产性能。温度低时会导致鸡群采食量增多,从而增加生产成本,也可能导致腹泻、诱发呼吸 道疾病。不论哪一种情况,都可能严重影响鸡群的健康成长。温度过高时,会显著抑制鸡群 的食欲,尤其当温度超过40°C时,会导致鸡的死亡。高温也会引起产蛋量的下降,软壳蛋增 多,高温也会使得精液稀薄,精子数量变少且没有活力,进而影响受精率。高温也会直接影 响饲料的保质期,降低经济效益。肉仔鸡在适宜温度环境中,能获得较高的成活率增重速 度和饲料报酬。温度适宜时,雏鸡在室内散布均匀、活泼好动、羽毛光顺、紧贴体表,睡眠时 较为安静,吃食时争先恐后。温度太低时,雏鸡就会出现低温表现,雏鸡拥挤于热源附近 或某角落,羽毛蓬松,精神萎顿,发出连续不断的叫声。这样时间长了,容易引起雏鸡感冒 或被压死。必须立即加温,并驱散挤堆雏鸡。温度过高时,雏鸡远离热源,展翅爬卧,张口喘 气,争相喝水,饮水器内常常无水,绒毛却湿了。时间长了,会使雏鸡体质衰弱,生长受阻, 甚至热死。温度过高时要逐渐降温,但要注意,骤然降温会引起感冒。随着我国蛋鸡养殖行 业的快速发展及蛋鸡单栋饲养量的不断增加,我国的鸡舍类型由最初的开放式鸡舍基本 转变为密闭式鸡舍,实现了鸡舍内环境的人为控制,摆脱了鸡生产对外界气候环境的依 赖,鸡舍环境得到很大程度改善,为蛋鸡提供适宜的、相对稳定的生活生产环境。但是由 于鸡舍设计不合理、设备落后、控制系统不完善等原因导致密闭式鸡舍内环境仍存在许多 问题,而相对于春、夏、秋三季,冬季鸡舍环境问题更为突出。密闭式鸡舍在冬季存在温度 低、湿度高、氨气浓度高等问题,并且温度、湿度和气流等温热环境因素是影响动物生理机 能、生产性能和健康的关键因素。查凌雁等研究密闭式鸡舍冬季环境特征及其对产蛋率的 影响,韩玉坤研制基于CAN总线在大型鸡舍温度测控系统,王进圣等研究鸡舍环境控制系 统,王欢等研制基于无线传输的鸡舍环境远程监测系统,李丽华等设计蛋鸡个体生产性能 参数监测装置,但是这些系统都没有根据鸡舍环境温度变化的非线性、大滞后和鸡舍面 积大温度变化复杂等特点,对鸡舍环境的温度进行监测与预测,从而极大的影响鸡舍环境 温度的调控。
发明内容
[0003] 本发明提供了基于CAN现场总线的鸡舍环境温度智能监测系统,本发明不但有效 解决了传统鸡舍环境由于设计不合理、设备落后、控制系统不完善等原因导致密闭式鸡舍 内环境仍存在许多问题,而且有效解决了现有的鸡舍环境监测系统,没有根据鸡舍环境温 度变化的非线性、大滞后和鸡舍面积大温度变化复杂等特点,对鸡舍环境的温度进行监测 与预测,从而极大的影响鸡舍环境温度的调控问题。
[0004] 本发明通过以下技术方案实现:
[0005] 基于CAN现场总线的鸡舍环境温度智能监测系统,其特征在于:所述温度智能监 测系统由基于CAN现场总线的鸡舍环境参数采集与智能预测平台、鸡舍环境多点温度融合 模型和鸡舍环境温度智能预测模型三部分组成,基于CAN现场总线的鸡舍环境参数采集与 智能预测平台实现对鸡舍环境因子参数进行监测、调节和监控,鸡舍环境多点温度融合模 型基于鸡舍环境多点温度传感器的区间数值的相似度矩阵与灰色关联度矩阵求得的相似 度融合权重、灰色关联度融合权重和均方根组合权重实现对鸡舍环境多点检测点的温度 值进行精确融合,鸡舍环境温度智能预测模型包括递归模糊神经网络模型(HRFNN)、自回 归积分滑动平均模型(ARMA)和小波神经网络模型和粒子群算法(PSO)优化小波神经网 络模型组成实现对鸡舍环境温度智能预测。
[0006] 本发明进一步技术改进方案是:
[0007] 所述基于CAN现场总线的鸡舍环境参数采集与智能预测平台由检测节点、控制节 点和现场监控端组成,它们通过CAN现场总线构建成鸡舍环境参数采集与智能预测平台。 检测节点分别由传感器组模块、单片机和通信模块组成,传感器组模块负责检测鸡舍环境 的温度、湿度、风速和有害气体等鸡舍小气候环境参数,由单片机控制采样间隔并通过通 信模块发送给现场监控端;控制节点实现对鸡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和RS232/CAN通信模块组成,实现对检测节点检测鸡舍环境参数 进行管理和对鸡舍环境多点温度进行融合与智能预测。基于CAN现场总线的鸡舍环境参数 采集与智能预测平台见图1所示。
[0008] 本发明进一步技术改进方案是:
[0009] 通过把鸡舍环境各个时段检测点温度传感器值转化为区间糊数,定义区间数的 相似度和灰色关联度,构建相似度矩阵和灰色关联度矩阵,求得鸡舍环境各个检测点温度 传感器值的相似度融合权重和灰色关联度融合权重,基于信息熵原理和两种融合权重求 得鸡舍环境多点温度传感器值融合的组合权重,鸡舍环境各个检测点温度传感器值与各 自温度传感器值融合的组合权重积的相加和为鸡舍环境多个检测点温度融合模型的值, 该组合权重既考虑了不同检测点温度传感器的区间数值之间相似度,也考虑了不同检测 点温度传感器的区间数值之间的关联度,提高了鸡舍环境多点温度传感器值融合精度。具 体方法见图2上半部分。
[0010] 本发明进一步技术改进方案是:
[0011] 针对鸡舍环境温度的非线性、大滞后和变化复杂较难预测的难题,提出了基于递 归模糊神经网络模型、自回归积分滑动平均模型(ARIMA)和小波神经网络模型三种方法建 立单项预测鸡舍环境温度的子模型,应用粒子群优化算法小波神经网络组合模型作为最 优非线性组合模型的逼近器,构建预测鸡舍环境温度的组合预测模型,一个时延段的鸡舍 环境多点温度融合模型的输出作为三个单项子模型的输入,三个子模型预测值的输出作 为组合模型的输入,实现对单项预测子模型结果的融合作为鸡舍环境温度的预测值,预测 试验结果表明,该组合预测是选用多种方法对同一对象进行预测,它可以更大化地利用多 种单一预测子模型信息,实现预测信息之间的互补,提高了组合预测模型的鲁棒性,通过 组合模型对多个子模型预测结果进行融合,实现了多种预测方法的综合应用,相对单一的 预测方法,该组合预测结果更科学和准确。具体方法见图2下部分。
[0012] 本发明与现有技术相比,具有以下明显优点:
[0013] —、本发明针对温度传感网络测量鸡舍环境温度过程中,传感器精度误差、干扰 和测量温度值异常等问题存在的不确定性和随机性,本发明专利将鸡舍环境温度传感器 测量的温度值用区间数形式表示,有效地处理了鸡舍环境温度传感器测量参数的模糊性 和不确定性,提高了鸡舍环境温度传感器值融合值的客观性和可信度。
[0014] 二、本发明把鸡舍环境温度参数转化为区间数形式,定义两两区间数的相似度, 构建相似度矩阵,根据鸡舍环境每个检测点温度传感器区间数的相似度占整个鸡舍环境 温度传感器的温度传感器区间数相似度和的比为该检测点温度传感器值的相似度融合权 重&,提高了鸡舍环境温度融合值的精确性和科学性。
[0015] 三、本发明把鸡舍环境温度参数转化为区间数形式,定义鸡舍环境每个检测点温 度传感器区间数与该时刻鸡舍环境温度传感器极大和极小区间数值的灰色关联度,分别 构建每个检测点温度传感器区间值与极大值和极小值的灰色关联度矩阵,根据每个检测 点温度传感器值的两种平均关联度积的倒数占整个鸡舍环境检测点温度传感器值的两种 平均关联度积的倒数和的比为该检测点温度传感器值的灰色关联度融合权重Ct1,提高了 鸡舍环境温度融合值的精确性和科学性。
[0016] 四、本发明根据最小相对信息熵原理,组合权重^与^和队都应尽可能接近^艮据 每个检测点的两种权重^与&积的均方根占整个鸡舍环境温度传感器的两种权重积的均 方根和的比为该检测点温度传感器值融合的组合权重,该组合权重既考虑了该检测点温 度传感器值的相似度融合权重队,也考虑了该检测点温度传感器值的灰色关联度融合权 重^,该组合权重提高鸡舍环境温度融合值的精确性、可靠性和科学性,鸡舍环境温度融 合值更加反映鸡舍环境温度值的真实性。
[0017] 五、本发明针对鸡舍环境温度参数的时变性、大滞后和非线性等难以准确在线测 量,提出了一种改进型的模糊递归神经网络(HRFNN)用来预测鸡舍温度参数的变化,通过 在网络第三层加入含有内部变量的反馈连接来实现输出信息的反馈。实验结果表明,与其 他模糊神经网络相比,该网络的规模小、精度高,处理动态信息的能力明显加强。
[0018] 六、本发明采用HRFNN网络结构通过在模糊规则层引入内部变量,使静态网络具 有动态特性;网络在K时刻每条规则的激活度不仅包括由当前输入计算得出的激活度值, 而且包括前一时刻所有规则激活度值的贡献,因此提高了网络辨识的准确性,可以较好地 完成鸡舍温度的动态辨识。模糊递归神网络来建立鸡舍环境温度的预测模型,它是一种典 型的动态递归神经网络,其反馈连接由一组“结构”单元组成,用于记忆隐层过去的状态, 并且在下一时刻连同网络输入一起作为隐层单元的输入,这一性质使得部分递归网络具 有动态记忆功能,从而适合用来建立时间序列鸡舍环境温度的预测模型,仿真实验表明该 模型动态性能好,预测精度高,预测性能稳定。
[0019] 七、本发明基于粒子群优化算法的小波神经网络模型,具有结构稳定,算法简单, 全局搜索能力强,收敛速度快,泛化能力强等优点,该网络能很好地预测鸡舍环境非线性 和大滞后变化的温度。对鸡舍环境的温度进行预测90个样本进行训练,预测正确率达到 97%。表明应用小波神经网络能很好地预测鸡舍温度值,提出了一种收敛速度快,识别精 度高,成本低的模型,具有十分重要的意义。避免了BP网络在结构设计的盲目性,网络权系 数线性分布和学习目标函数的凸性,使网络的训练过程从根本上避免了局部最优化等问 题,算法概念简单,收敛速度快,有较强的函数学习能力,可以高精度逼近任意非线性函 数。
[0020] 八、本发明采用粒子群优化小波神经网络,避免了梯度下降法中要求激活函数可 微,以及对函数求导的过程计算,并且各个粒子搜索时迭代公式简单,因而计算速度又比 梯度下降法快得多。而且通过对迭代公式中参数的调整,还能很好地跳出局部极值,进行 全局寻优,简单有效地提高了网络的训练速度。基于粒子群优化算法的小波神经网络模型 的识别正确率更高,误差更小,收敛速度更快,泛化能力更强。这表明基于小波神经网络的 鸡舍环境温度预测模型预测效果较好,基于粒子群算法的小波神经网络预测鸡舍温度方 法收敛的速度和精度明显优于BP方法。实例分析表明:与单独使用小波神经网络相比,组 合预测模型的预测精度提高了 5-7倍;通过粒子群算法对小波神经网络进行参数优化,可 以提高组合预测模型的预测稳定性。基于粒子群优化算法的小波神经网络(PSO-WNN)组 合预测模型。以小波函数作为隐含层的激励函数,采用粒子群优化算法,对权值、伸缩参 数、平移参数进行调整,构建出基于粒子群优化算法的小波神经网络组合预测模型。该模 型具有算法简单、结构稳定、计算收敛速度快、全局寻优能力强、识别精度高、泛化能力强 的优点。
[0021] 九、本发明采用ARIMA模型预测鸡舍环境温度整合了鸡舍温度变化的趋势因素、 周期因素和随机误差等因素的原始时间序列变量,通过差分数据转换等方法将非平稳序 列转变为零均值的平稳随机序列,通过反复识别和模型诊断比较并选择理想的模型进行 鸡舍环境温度数据拟合和预测。该方法结合了自回归和移动平均方法的长处,具有不受数 据类型束缚和适用性强的特点,是一种对鸡舍环境温度进行短期预测效果较好的模型。
[0022] 十、本发明不同单一预测方法进行组合时,不同的组合对预测精度影响较大。当 单一方法预测误差之间存在较强的负相关关系时,则组合预测精度将明显提高;当单一方 法预测误差之间存在较强的正相关关系时,则组合预测精度将改进较小。预测结果表明, 组合预测精度均高于单一预测方法的精度,当单一模型预测误差之间存在较强的负相关 与正相关关系时,组合预测改进明显,提高组合预测精度。
[0023] 十一、本发明基于递归模糊神经网络模型、自回归积分滑动平均模型(ARIMA)和 小波神经网络模型三种方法建立单项预测子模型,提出用粒子群优化算法小波神经网络 组合模型作为最优非线性组合模型的逼近器,建立组合预测模型,实现对单项预测子模型 结果的融合,通过Matlab平台对鸡舍温度进行预测,结果表明,该种组合预测是选用多种 方法对同一对象进行预测,它可以更大化地利用多种单一预测方法信息,实现预测信息之 间的互补,提高了组合预测模型的鲁棒性,实现了多种方法的预测结果进行融合,相对单 一的预测方法,预测结果更科学和准确。
附图说明
[0024] 图1为基于CAN现场总线的鸡舍环境参数采集与智能预测平台;
[0025] 图2为鸡舍环境多点温度融合模型和鸡舍环境温度智能预测模型;
[0026] 图3为检测节点功能图;
[0027] 图4为控制节点功能图;
[0028] 图5为现场监控端软件功能图;
[0029] 图6为鸡舍环境参数采集与智能预测平台平面布置图。
具体实施方式
[0030] 1、系统总体功能的设计
[0031] 本发明专利设计了一种基于CAN现场总线的鸡舍环境温度智能监测系统,实现对 鸡舍环境因子参数进行检测、鸡舍环境多点温度融合和鸡舍环境温度智能预测,该系统由 基于CAN现场总线的鸡舍环境参数采集与智能预测平台、鸡舍环境温度多点融合模型和鸡 舍环境温度智能预测模型3部分组成。基于CAN现场总线的鸡舍环境参数采集与智能预测 平台包括鸡舍环境参数的检测节点1和调节鸡舍环境参数的控制节点2,通过CAN现场总线 方式构建成测控网络来实现检测节点1、控制节点2和现场监控端3之间的现场通信;检测 节点1将检测的鸡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。
[0032] 2、检测节点的设计
[0033] 采用基于CAN现场总线的检测节点1作为鸡舍环境参数感知终端,检测节点1和控 制节点2通过CAN现场总线方式实现与现场监控端3之间的信息相互交互。检测节点1包括 采集鸡舍环境温度、湿度、风速和有害气体参数的传感器和对应的信号调理电路、 STC89C52RC微处理器;检测节点的软件主要实现现场总线通信和鸡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。
[0034] 3、控制节点
[0035] 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、风速和有害气 体的调节输出量控制电路、STC89C52RC微处理器和无线通信模块接口,实现对鸡舍环境控 制设备进行控制,控制节点见图4。
[0036] 4、现场监控端软件
[0037] 现场监控端3是一台工业控制计算机,现场监控端3主要实现对鸡舍环境参数进 行采集、多点温度融合和鸡舍环境温度预测,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、鸡舍环境多点温度融合和 鸡舍温度智能预测。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。
[0038] ⑴、鸡舍环境多点温度融合模型
[0039] ①、鸡舍环境温度传感器值的转化为区间数
[0040] 设鸡舍有m个传感器均衡布置于鸡舍环境中实现对鸡舍温度进行检测,每个温度 传感器每一段时刻监测的温度构成一个区间数,m个传感器在K (1,2,…η)时段构成的温度 矩阵如1式所示。
Figure CN107168402AD00081
[0042] ②、基于灰色关联度的鸡舍温度传感器值的灰色关联度融合权重Ct1的求取
[0043] Α、定义鸡舍环境温度传感器值的灰色关联度
[0044] 计算每个传感器在k时段与m个传感器在每个K (1,2,···!!)时段极大温度值的关联 度,定义如下公式:
Figure CN107168402AD00082
[0046] B、构建鸡舍环境温度传感器值的灰色关联度矩阵
[0047] 通过计算每个传感器在不同时段与极大温度值的灰色关联度,可以构建如下的 关联度矩阵:
Figure CN107168402AD00083
[0049]根据矩阵B可以得到每个传感器检测温度值与极大温度值的平均关联度,如下公 式所示:
Figure CN107168402AD00084
[0051]同理,计算每个传感器在k时段与m个传感器在每个K (1,2, ···!〇时段的极小温度 值的关联度,定义如下公式:
Figure CN107168402AD00091
[0053]同理,通过计算每个传感器在不同时段与极小温度值的灰色关联度,可以构建如 下的关联度矩阵:
Figure CN107168402AD00092
[0055]根据矩阵C可以得到每个传感器检测温度值与极小温度值的平均关联度,如下公 式所示:
Figure CN107168402AD00093
[0057] C、求取鸡舍环境温度传感器值的灰色关联度融合权重
[0058] 根据每个传感器在不同时段检测温度值与极大温度值和极小温度值的灰色关联 度的大小可知,如果关联度越大,该传感器检测鸡舍温度实际值偏离真实值越大,因此可 以通过下面的公式确定,每个传感器在鸡舍温度融合中的权重,公式如下:
Figure CN107168402AD00094
[0060] ③、基于相似度的鸡舍环境温度传感器值的相似度融合权重&的求取
[0061] A、构建鸡舍环境温度传感器值的相似度矩阵
[0062] 根据任意不同两个传感器在同一时段检测鸡舍环境温度的相似度,可以构建传 感器监测鸡舍温度的相似度矩阵S,S如下所示:
Figure CN107168402AD00095
[0064] B、定义鸡舍环境温度传感器值的相似度
[0065] 在相似度矩阵_
Figure CN107168402AD00096
W表 示a和b的相似度,a为a = [aL,au]和b为b= [bL,bu],且设qj (j = l,2,3,4)为aL,au,bL,bu中的 第j大的数,sgn为符号函数。矩阵s每行的每个传感器的相似度为:
Figure CN107168402AD00101
[0067] C、求取鸡舍环境温度传感器值的相似度融合权重
[0068] 根据每个传感器监测鸡舍每个监测点的温度值的相似度占所有检测点传感器检 测值的相似度和的比可以确定每个检测点传感器检测温度值在整个鸡舍温度值融合中的 权重为:
Figure CN107168402AD00102
[0070] ④、基于最小相对信息熵原理的组合权重Wi的求取
[0071] 根据相似度理论和灰色关联度确定鸡舍温度传感器参数融合的权重€4和&,组合 权重Wi,显然Wi与Cti、&和都应尽可能接近,根据最小相对信息熵原理有:
Figure CN107168402AD00103
[0073]用拉格朗日乘子法解上述优化问题得:
Figure CN107168402AD00104
[0075]⑤根据组合权重得到鸡舍环境多点温度融合模型为:
Figure CN107168402AD00105
[0077] 其中k为时间,i为检测点,Xi为k时刻第i个检测点温度,Wi为第i个检测点组合权 重。
[0078] ⑵、鸡舍环境温度智能预测模型
[0079] ①、递归模糊神经网络模型预测鸡舍环境温度设计
[0080] 递归模糊神经网络(HRFNN)是多输入单输出的网络拓扑结构,网络由4层组成:输 入层、成员函数层、规则层和输出层。网络包含η个输入节点,其中每个输入节点对应m个条 件节点,m代表规则数,nm个规则节点,1个输出节点。图中第I层将输入引入网络;第Π层将 输入模糊化,采用的隶属函数为高斯函数;第m层对应模糊推理;第IV层对应去模糊化操 作。用ttf、βΓ分别代表第k层的第i个节点的输入和输出,贝_络内部的信号传递过程 和各层之间的输入输出关系可以描述如下。第I层:输入层,该层的各输入节点直接与输 入变量相连接,网络的输入和输出表;^为:
Figure CN107168402AD00106
[0082] 式中为网络输入层第i个节点的输入和输出,N表示迭代的次数。
[0083] 第Π层:成员函数层,该层的节点将输入变量进行模糊化,每一个节点代表一个 隶属函数,采用高斯基函数作为隶属函数。网络的输入和输出表示为:
Figure CN107168402AD00111
[0085] 式中nuj和Oij分别表示第Π层第i个语言变量的第j项高斯基函数的均值中心和 宽度值,m为对应输入节点的全部语言变量数。
[0086] 第m层:模糊推理层,即规则层,加入动态反馈,使网络具有更好的学习效率,反 馈环节引入内部变量hk,选用sigmoid函数作为反馈环节内部变量的激活函数。网络的输 入和输出表不为:
Figure CN107168402AD00112
[0088] 式中是递归部分的连接权值,该层的神经元代表了模糊逻辑规则的前件部 分,该层节点对第二层的输出量和第三层的反馈量进行Π操作,是第三层的输出量,m 表示完全连接时的规则数。反馈环节主要是计算内部变量的值和内部变量相应隶属函数 的激活强度。该激活强度与第3层的规则节点匹配度相关。反馈环节引入的内部变量,包含 两种类型的节点:承接节点,反馈节点。承接节点,使用加权求和来计算内部变量,实现去 模糊化的功能;内部变量表示的隐藏规则的模糊推理的结果。反馈节点,采用sigmoid函数 作为模糊隶属度函数,实现内部变量的模糊化。HRFNN网络的隶属度函数层使用局部隶属 度函数,与其不同的是:反馈部分在内部变量的论域上采用的是全局隶属度函数,用来简 化网络结构和实现全局历史信息的反馈。承接节点的个数等于反馈节点的个数;承接节点 的个数与规则层节点的个数相等。反馈量连接到第3层,作为模糊规则层的输入量,反馈节 点的输出包含模糊规则激活强度的历史信息。
[0089] 第IV层:去模糊化层,即输出层。该层节点对输入量进行求和操作。网络的输入和 输出表不为:
Figure CN107168402AD00113
[0091]公式中h是输出层的连接权值。递归模糊神经网络具有逼近高度非线性动态系 统的性能,加入内部变量的递归模糊神经网络的训练误差和测试误差分别为明显减少,该 网络预测效果优于带自反馈递归模糊神经网络和动态建模的模糊神经网络,这说明加入 内部变量后网络的学习能力得到了增强,并且更充分地反映污水处理系统的动态特性。仿 真结果证明了网络的有效性。本专利的模糊递归神经网络HRFNN,并采用加入交叉验证的 梯度下降算法对神经网络的权值进行训练。使用HRFNN对鸡舍温度参数进行预测。HRFNN通 过在反馈环节引入内部变量,将规则层的输出量加权求和后再反模糊化输出作为反馈量, 并将反馈量与隶属度函数层的输出量一起作为规则层的下一时刻的输入。网络输出包含 规则层激活强度和输出的历史信息,增强了HRFNN适应非线性动态系统的能力。实验表明, HRFNN可以准确地预测鸡舍温度参数。仿真结果与其他网络得到的结果进行比较,本专利 方法所建立的模型在应用于鸡舍温度预测时网络规模最小,预测误差小,表明了该方法的 有效性。
[0092] ②、自回归积分滑动平均模型(ARIM)预测鸡舍环境温度设计
[0093] ARIMA (Auto regressive Integrated Moving Average)模型是Box和Jenkins于 20世纪70年代提出的,它将自回归模型(Autoregressive,AR)和滑动平均模型(Moving Average,MA)有机地组合起来,使之成为一种综合的预测方法。作为有效的现代数据处理 方法之一,它被誉为时间序列预测方法中最复杂最高级的模型,30多年来在众多领域得到 了广泛的应用。在实际应用中,由于原始数据序列往往表现出一定的趋势或循环特征,不 满足ARMA模型对时间序列的平稳性要求,而取差分是消除数据趋势性的一种方便和有效 的方法。基于差分后的数据序列建立的模型称为ARIMA模型,记为{Xt}〜AR頂A (p,d,q),其 中P、q称为模型的阶,d表示差分的次数。显然,当d为0时,ARMA模型为ARMA模型,其定义 为:
[0094] xt = bixt-i+H.+bPxt-P+et+aiet—i+...+aq£t—q (18)
[0095] {Xt}为要预测鸡舍环境温度值数据序列,{>t}〜WN (0, 〇2)。
[0096] ARMA模型建立主要包括模型的识别、参数估计和模型诊断。模型预测主要包括 时间序列的预处理和模型参数的初步定阶;模型定阶完成之后需要通过时间序列观察值 并结合p,d,q值来对模型中的未知参数进行估计;模型的诊断主要是针对整个模型的显著 性检验和模型中参数的显著性检验。通常模型的建立是个不断优化的过程,模型优化常用 的为AIC和BIC准则,即最小信息量准则其值越小,模型越合适,BIC准则是针对AIC准则对 大样本序列的不足所做的改进。
[0097] ③、小波神经网络模型(WNN)预测鸡舍环境温度设计
[0098] 小波神经网络WNN (WaveletNeuralNetworks)是在小波理论基础上,结合人工神 经网络而提出的一种前馈型网络。它是以小波函数为神经元的激励函数,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 的输入信号可以表不为一个鸡舍环境温度输入的一维向量Xi (i = l,2,…,n),输出信号表 示为yk(k=l,2, ···,!!!),小波神经网络输出层预测值的计算公式为:
Figure CN107168402AD00121
[0100] 公式中ω ^输入层i节点和隐含层j节点间的连接权值,为小波基函数,比为 小波基函数的平移因子,aj、波基函数的伸缩因子,为隐含层j节点和输出层k节点间 的连接权值。本专利中的小波神经网络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,从而使小波神经网络预测输出不断逼近期望输出。
[0101] ④、粒子群优化算法小波神经网络组合模型预测鸡舍环境温度设计
[0102] 设Zll、Zl2和Zl3分别是多元线性回归模型、递归模糊神经网络模型、小波神经网络 模型的鸡舍温度预测的值,它们作为基于粒子群算法的小波神经网络组合预测模型的输 入,输出作为整个鸡舍环境温度的预测输出。小波神经网络用非线性小波基取代常用的非 线性Sigmoid函数,通过线性叠加所选取的非线性小波基来实现各单一预测模型的鸡舍环 境温度的非线性组合。通过采用粒子群优化小波神经网络组合预测模型。采用粒子群优化 小波神经网络,避免了梯度下降法中要求激活函数可微,以及对函数求导的过程计算,并 且各个粒子搜索时迭代公式简单,因而计算速度又比梯度下降法快得多。而且通过对迭代 公式中参数的调整,还能很好地跳出局部极值。算法需要初始化一群随机粒子,然后通过 迭代找到最优解。在每一次迭代中,粒子通过跟踪二个“极值”来更新自己。第一个就是粒 子本身所找到的最优解pbest,这个解称为个体极值;另一个是整个种群目前找到的最优 解,这个解称为全局极值gbest。用粒子群优化小波神经网络,就是首先将小波神经网络的 各种参数列为粒子的位置向量X,将均方误差能量函数式设为用于优化的目标函数,通过 粒子群优算法的基本公式进行迭代,寻求最优解。粒子群优化小波神经网络训练算法如 下:
[0103] A、初始化网络结构,确定网络隐含层神经元个数。
[0104] B、根据网络结构,确定目标搜索空间的维数D13D=(输入参数的个数+1) X隐含层 神经元的个数+平移参数的个数+伸缩参数的个数。
[0105] C、确定微粒个数m,设定相关参数。初始化微粒的位置向量和速度向量。
[0106] D、将粒子的位置向量和速度向量带入算法迭代公式进行更新,以误差能量函数 作为目标函数进行优化计算。记录下每个粒子迄今搜索到的最优位置Pbest和整个粒子群 迄今搜索到的最优位置gbest。
[0107] E、)将整个粒子群迄今搜索到最优位置gbest,映射为网络权值和阈值进行本学 习,以误差能量函数作为粒子的适应度进行化计算。
[0108] F、若误差能量函数值在实际问题允许的误范围内,则迭代完毕;反之,转回算法 继续迭代。
[0109] 5、鸡舍环境温度智能监测系统的设计举例
[0110] 根据鸡舍环境的状况,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均衡布置在被检测鸡舍环境中,整个系统平面布置见图6,通 过该系统实现对鸡舍环境参数的采集与鸡舍环境温度检测和智能化预测。
[0111] 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 (4)

1. 基于CAN现场总线的鸡舍环境温度智能监测系统,其特征在于:所述温度智能监测系 统由基于CAN现场总线的鸡舍环境参数采集与智能预测平台、鸡舍环境多点温度融合模型 和鸡舍环境温度智能预测模型三部分组成,基于CAN现场总线的鸡舍环境参数采集与智能 预测平台实现对鸡舍环境因子参数进行监测、调节和监控,鸡舍环境多点温度融合模型基 于鸡舍环境多点温度传感器的区间数值的相似度矩阵与灰色关联度矩阵求得的相似度融 合权重、灰色关联度融合权重和均方根组合权重实现对鸡舍环境多点检测点的温度值进行 精确融合,鸡舍环境温度智能预测模型包括递归模糊神经网络模型(HRFNN)、自回归积分滑 动平均模型(ARMA)和小波神经网络模型和粒子群算法(PSO)优化小波神经网络模型组成 实现对鸡舍环境温度智能预测。
2. 根据权利要求1所述的基于CAN现场总线的鸡舍环境温度智能监测系统,其特征在 于:所述基于CAN总线的鸡舍环境参数采集与智能预测平台由检测节点、控制节点和现场监 控端组成,通过CAN现场总线实现它们之间的信息通信;检测节点负责检测鸡舍环境的温 度、湿度、风速和有害气体的实际值,控制节点实现对鸡舍环境参数的调节设备进行控制; 现场监控端实现对鸡舍环境参数进行管理和对鸡舍环境多点温度融合与预测鸡舍环境温 度。
3. 根据权利要求1或2所述的基于CAN现场总线的鸡舍环境温度智能监测系统,其特征 在于:所述鸡舍环境多点温度融合模型把鸡舍环境多个检测点温度传感器的温度值转化为 区间数值,定义温度传感器的区间数值的相似度和灰色关联度,构建相似度矩阵和灰色关 联度矩阵,鸡舍环境每个检测点温度传感器区间数的相似度占整个鸡舍环境温度传感器的 温度传感器区间数相似度和的比为该检测点温度传感器值的相似度融合权重,每个检测点 温度传感器区间值与鸡舍环境温度传感器极大区间数值和极小区间数值的平均关联度积 的倒数占整个鸡舍环境检测点温度传感器区间值与鸡舍环境温度传感器极大区间数值和 极小区间数值的平均关联度积的倒数和的比为该检测点温度传感器值的灰色关联度融合 权重,每个检测点温度传感器值融合的相似度融合权重和灰色关联度融合权重积的均方根 占整个鸡舍环境温度传感器值的相似度融合权重和灰色关联度融合权重积的均方根和的 比为该检测点温度传感器值融合的组合权重,鸡舍环境各个检测点温度传感器值与各自温 度传感器值融合的组合权重积的相加和为鸡舍环境多个检测点温度融合模型的值。
4. 根据权利要求1或2所述的基于CAN现场总线的鸡舍环境温度智能监测系统,其特征 在于:所述鸡舍环境温度智能预测模型包括递归模糊神经网络模型(HRFNN)、自回归积分滑 动平均模型(AR頂A)和小波神经网络模型和粒子群算法(PSO)优化小波神经网络模型组成, 针对鸡舍环境温度的非线性、大滞后和变化复杂的特点,分别建立基于递归模糊神经网络 模型、自回归积分滑动平均模型(ARMA)和小波神经网络模型三种单一预测子模型分别预 测鸡舍环境温度,一个时延段的鸡舍环境多点温度融合模型的输出值作为三种单一预测子 模型的输入,三种单一预测子模型的输出作为粒子群算法(PSO)优化小波神经网络模型的 输入,应用粒子群算法(PSO)优化小波神经网络模型为鸡舍环境温度非线性组合模型的逼 近器,构建预测鸡舍环境温度的组合预测模型,实现对三种单一预测子模型结果的融合作 为鸡舍环境温度的预测值,鸡舍环境温度智能预测模型利用三种单一预测子模型的信息, 实现预测信息之间的互补,提高了鸡舍温度预测模型的鲁棒性,预测结果更科学和准确。
CN201710334055.XA 2017-05-12 2017-05-12 基于can现场总线的鸡舍环境温度智能监测系统 Active CN107168402B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201710334055.XA CN107168402B (zh) 2017-05-12 2017-05-12 基于can现场总线的鸡舍环境温度智能监测系统

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201710334055.XA CN107168402B (zh) 2017-05-12 2017-05-12 基于can现场总线的鸡舍环境温度智能监测系统

Publications (2)

Publication Number Publication Date
CN107168402A true CN107168402A (zh) 2017-09-15
CN107168402B CN107168402B (zh) 2018-11-13

Family

ID=59815576

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201710334055.XA Active CN107168402B (zh) 2017-05-12 2017-05-12 基于can现场总线的鸡舍环境温度智能监测系统

Country Status (1)

Country Link
CN (1) CN107168402B (zh)

Cited By (16)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN107817685A (zh) * 2017-12-05 2018-03-20 上海中信信息发展股份有限公司 智能温度监控方法、装置、系统及终端
CN108091135A (zh) * 2017-12-12 2018-05-29 重庆师范大学 基于优化小波神经网络的停车泊位多步预测方法
CN108871427A (zh) * 2018-05-08 2018-11-23 南京工业职业技术学院 一种水源地水质检测方法
CN110069032A (zh) * 2019-04-19 2019-07-30 淮阴工学院 一种基于小波神经网络的茄子温室环境智能检测系统
CN110084417A (zh) * 2019-04-19 2019-08-02 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
CN110119767A (zh) * 2019-04-19 2019-08-13 淮阴工学院 一种基于lvq神经网络的黄瓜温室温度智能化检测装置
CN110119169A (zh) * 2019-04-19 2019-08-13 淮阴工学院 一种基于最小向量机的番茄温室温度智能预警系统
CN110119766A (zh) * 2019-04-19 2019-08-13 淮阴工学院 一种多组合智能化模型的青椒温室温度智能化预警装置
CN110147825A (zh) * 2019-04-19 2019-08-20 淮阴工学院 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
CN110163254A (zh) * 2019-04-19 2019-08-23 淮阴工学院 一种基于递归神经网络的黄瓜温室产量智能化预测装置
CN110705757A (zh) * 2019-09-10 2020-01-17 淮阴工学院 一种基于现场总线网络的多点温度传感器智能监测系统
CN110955286A (zh) * 2019-10-18 2020-04-03 北京海益同展信息科技有限公司 一种禽蛋监测方法及装置
CN110955940A (zh) * 2019-11-18 2020-04-03 中国农业大学 一种基于ahp的机械装置设计选型方法
CN112162575A (zh) * 2020-09-13 2021-01-01 江苏深农智能科技有限公司 基于数据模型的智能棚舍环境控制方法及系统
CN112183906A (zh) * 2020-12-02 2021-01-05 北京蒙帕信创科技有限公司 一种基于多模型组合模型的机房环境预测方法及系统
CN113031555A (zh) * 2021-03-17 2021-06-25 淮阴工学院 一种畜禽舍环境有害气体智能净化系统

Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN103309370A (zh) * 2013-06-01 2013-09-18 中南林业科技大学 一种基于bp神经网络的孵房湿度控制方法
CN103345660A (zh) * 2013-06-28 2013-10-09 广东工业大学 一种基于猫群算法优化支持向量机参数的冷负荷预测方法
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
CN104155925A (zh) * 2014-05-20 2014-11-19 马从国 一种基于无线传感器网络鸡舍小气候环境智能控制系统
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

Patent Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN103309370A (zh) * 2013-06-01 2013-09-18 中南林业科技大学 一种基于bp神经网络的孵房湿度控制方法
CN103345660A (zh) * 2013-06-28 2013-10-09 广东工业大学 一种基于猫群算法优化支持向量机参数的冷负荷预测方法
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
CN104155925A (zh) * 2014-05-20 2014-11-19 马从国 一种基于无线传感器网络鸡舍小气候环境智能控制系统
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

Cited By (29)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN107817685B (zh) * 2017-12-05 2020-12-11 上海信联信息发展股份有限公司 智能温度监控方法、装置、系统及终端
CN107817685A (zh) * 2017-12-05 2018-03-20 上海中信信息发展股份有限公司 智能温度监控方法、装置、系统及终端
CN108091135B (zh) * 2017-12-12 2021-01-19 重庆师范大学 基于优化小波神经网络的停车泊位多步预测方法
CN108091135A (zh) * 2017-12-12 2018-05-29 重庆师范大学 基于优化小波神经网络的停车泊位多步预测方法
CN108871427A (zh) * 2018-05-08 2018-11-23 南京工业职业技术学院 一种水源地水质检测方法
CN108871427B (zh) * 2018-05-08 2021-01-05 南京工业职业技术学院 一种水源地水质检测方法
CN110119169A (zh) * 2019-04-19 2019-08-13 淮阴工学院 一种基于最小向量机的番茄温室温度智能预警系统
CN110119766A (zh) * 2019-04-19 2019-08-13 淮阴工学院 一种多组合智能化模型的青椒温室温度智能化预警装置
CN110147825A (zh) * 2019-04-19 2019-08-20 淮阴工学院 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
CN110119767A (zh) * 2019-04-19 2019-08-13 淮阴工学院 一种基于lvq神经网络的黄瓜温室温度智能化检测装置
CN110119767B (zh) * 2019-04-19 2022-05-17 淮阴工学院 一种基于lvq神经网络的黄瓜温室温度智能化检测装置
CN110147825B (zh) * 2019-04-19 2022-04-26 淮阴工学院 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
CN110163254B (zh) * 2019-04-19 2022-04-26 淮阴工学院 一种基于递归神经网络的黄瓜温室产量智能化预测装置
CN110119169B (zh) * 2019-04-19 2020-08-21 淮阴工学院 一种基于最小向量机的番茄温室温度智能预警系统
CN110084417A (zh) * 2019-04-19 2019-08-02 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
CN110069032A (zh) * 2019-04-19 2019-07-30 淮阴工学院 一种基于小波神经网络的茄子温室环境智能检测系统
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
CN110069032B (zh) * 2019-04-19 2021-04-23 淮阴工学院 一种基于小波神经网络的茄子温室环境智能检测系统
CN110163254A (zh) * 2019-04-19 2019-08-23 淮阴工学院 一种基于递归神经网络的黄瓜温室产量智能化预测装置
CN110119766B (zh) * 2019-04-19 2022-05-27 淮阴工学院 一种多组合智能化模型的青椒温室温度智能化预警装置
CN110705757A (zh) * 2019-09-10 2020-01-17 淮阴工学院 一种基于现场总线网络的多点温度传感器智能监测系统
CN110705757B (zh) * 2019-09-10 2020-10-02 淮阴工学院 一种基于现场总线网络的多点温度传感器智能监测系统
CN110955286A (zh) * 2019-10-18 2020-04-03 北京海益同展信息科技有限公司 一种禽蛋监测方法及装置
CN110955940B (zh) * 2019-11-18 2022-04-15 中国农业大学 一种基于ahp的机械装置设计选型方法
CN110955940A (zh) * 2019-11-18 2020-04-03 中国农业大学 一种基于ahp的机械装置设计选型方法
CN112162575A (zh) * 2020-09-13 2021-01-01 江苏深农智能科技有限公司 基于数据模型的智能棚舍环境控制方法及系统
CN112183906B (zh) * 2020-12-02 2021-03-19 北京蒙帕信创科技有限公司 一种基于多模型组合模型的机房环境预测方法及系统
CN112183906A (zh) * 2020-12-02 2021-01-05 北京蒙帕信创科技有限公司 一种基于多模型组合模型的机房环境预测方法及系统
CN113031555A (zh) * 2021-03-17 2021-06-25 淮阴工学院 一种畜禽舍环境有害气体智能净化系统

Also Published As

Publication number Publication date
CN107168402B (zh) 2018-11-13

Similar Documents

Publication Publication Date Title
CN107168402B (zh) 基于can现场总线的鸡舍环境温度智能监测系统
CN107289998B (zh) 基于can总线的猪舍环境温度智能监测系统
Taki et al. Heat transfer and MLP neural network models to predict inside environment variables and energy lost in a semi-solar greenhouse
Murphy et al. Comparison of modelling techniques for milk-production forecasting
CN107494320B (zh) 基于无线传感器网络的牛舍环境温度智能监测系统
CN107085732B (zh) 基于无线传感器网络的牛舍环境氨气智能监测系统
CN103309370B (zh) 一种基于bp神经网络的孵房湿度控制方法
CN110119086A (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
CN110084367A (zh) 一种基于lstm深度学习模型的土壤墒情预测方法
Kashyap et al. Towards precision agriculture: IoT-enabled intelligent irrigation systems using deep learning neural network
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
CN106951611A (zh) 一种基于使用者行为的严寒地区建筑节能设计优化方法
CN110084417A (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
CN110119766A (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
CN109002604A (zh) 一种基于贝叶斯最大熵的土壤含水量预测方法
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
CN110119169A (zh) 一种基于最小向量机的番茄温室温度智能预警系统
CN103472866B (zh) 智能模糊系统的农药废液焚烧炉炉温最佳化系统及方法
CN110647979B (zh) 一种基于物联网的温室环境多参数智能化监测系统
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
Taki et al. Application of Neural Networks and multiple regression models in greenhouse climate estimation
Aitkenhead et al. A novel method for training neural networks for time-series prediction in environmental systems
Jiang et al. Hybrid PSO and GA for neural network evolutionary in monthly rainfall forecasting
CN107168403B (zh) 一种基于can现场总线的鸡舍环境温度检测系统
CN110147825A (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

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
CB02 Change of applicant information

Address after: 223100 A12-2, high tech Industrial Park, three East seven street, Hongze District, Huaian, Jiangsu (Hongze technology transfer center Hongze sub center)

Applicant after: Huaijin Polytechnical College

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

Applicant before: Huaijin Polytechnical College

CB02 Change of applicant information
GR01 Patent grant
GR01 Patent grant
TR01 Transfer of patent right

Effective date of registration: 20210902

Address after: 024000 Xinhui Town Industrial Park, Aohan banner, Chifeng City, Inner Mongolia Autonomous Region

Patentee after: INNER MONGOLIA JINGOU AGRICULTURAL DEVELOPMENT Co.,Ltd.

Address before: 223100 A12-2, high tech Industrial Park, three East seven street, Hongze District, Huaian, Jiangsu (Hongze technology transfer center Hongze sub center)

Patentee before: HUAIYIN INSTITUTE OF TECHNOLOGY

TR01 Transfer of patent right