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 PDFInfo
- 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
- model
- chicken
- 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
- 241000287828 Gallus gallus Species 0.000 title claims abstract description 183
- 238000012544 monitoring process Methods 0.000 title claims abstract description 21
- 230000004927 fusion Effects 0.000 claims abstract description 47
- 230000008859 change Effects 0.000 claims abstract description 12
- 238000013528 artificial neural network Methods 0.000 claims description 35
- 238000012360 testing method Methods 0.000 claims description 34
- 238000001514 detection method Methods 0.000 claims description 30
- 239000002245 particle Substances 0.000 claims description 29
- 238000004422 calculation algorithm Methods 0.000 claims description 26
- 239000011159 matrix material Substances 0.000 claims description 20
- 238000003062 neural network model Methods 0.000 claims description 20
- 238000005457 optimization Methods 0.000 claims description 18
- 230000000306 recurrent effect Effects 0.000 claims description 14
- 230000010354 integration Effects 0.000 claims description 7
- 230000000505 pernicious effect Effects 0.000 claims description 3
- YHXISWVBGDMDLQ-UHFFFAOYSA-N moclobemide Chemical compound C1=CC(Cl)=CC=C1C(=O)NCCN1CCOCC1 YHXISWVBGDMDLQ-UHFFFAOYSA-N 0.000 claims 3
- 238000012935 Averaging Methods 0.000 claims 2
- 244000144977 poultry Species 0.000 abstract description 6
- 230000033228 biological regulation Effects 0.000 abstract description 5
- 230000006870 function Effects 0.000 description 38
- 238000000034 method Methods 0.000 description 34
- 238000013461 design Methods 0.000 description 12
- 238000004519 manufacturing process Methods 0.000 description 10
- 230000004913 activation Effects 0.000 description 8
- 230000008901 benefit Effects 0.000 description 6
- 230000006872 improvement Effects 0.000 description 6
- 230000008569 process Effects 0.000 description 6
- 238000004891 communication Methods 0.000 description 5
- 238000013459 approach Methods 0.000 description 4
- 238000010586 diagram Methods 0.000 description 4
- 230000000694 effects Effects 0.000 description 4
- 238000011478 gradient descent method Methods 0.000 description 4
- 230000012010 growth Effects 0.000 description 4
- 238000005259 measurement Methods 0.000 description 4
- 210000002569 neuron Anatomy 0.000 description 4
- 238000012549 training Methods 0.000 description 4
- 241001465754 Metazoa Species 0.000 description 3
- 238000004458 analytical method Methods 0.000 description 3
- 238000003745 diagnosis Methods 0.000 description 3
- 230000008642 heat stress Effects 0.000 description 3
- QGZKDVFQNNGYKY-UHFFFAOYSA-N Ammonia Chemical compound N QGZKDVFQNNGYKY-UHFFFAOYSA-N 0.000 description 2
- 241001123248 Arma Species 0.000 description 2
- 235000019789 appetite Nutrition 0.000 description 2
- 230000036528 appetite Effects 0.000 description 2
- 238000006243 chemical reaction Methods 0.000 description 2
- 238000001816 cooling Methods 0.000 description 2
- 230000034994 death Effects 0.000 description 2
- 238000009795 derivation Methods 0.000 description 2
- 238000011161 development Methods 0.000 description 2
- 201000010099 disease Diseases 0.000 description 2
- 208000037265 diseases, disorders, signs and symptoms Diseases 0.000 description 2
- 230000007613 environmental effect Effects 0.000 description 2
- 230000005284 excitation Effects 0.000 description 2
- 238000002474 experimental method Methods 0.000 description 2
- 210000003746 feather Anatomy 0.000 description 2
- 235000021050 feed intake Nutrition 0.000 description 2
- 230000036541 health Effects 0.000 description 2
- 238000007689 inspection Methods 0.000 description 2
- 235000013372 meat Nutrition 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 238000012545 processing Methods 0.000 description 2
- 238000011160 research Methods 0.000 description 2
- 230000004083 survival effect Effects 0.000 description 2
- 238000013519 translation Methods 0.000 description 2
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 description 2
- 241000208340 Araliaceae Species 0.000 description 1
- 201000004569 Blindness Diseases 0.000 description 1
- 206010012735 Diarrhoea Diseases 0.000 description 1
- 206010053759 Growth retardation Diseases 0.000 description 1
- 206010020741 Hyperpyrexia Diseases 0.000 description 1
- 235000005035 Panax pseudoginseng ssp. pseudoginseng Nutrition 0.000 description 1
- 235000003140 Panax quinquefolius Nutrition 0.000 description 1
- 230000002159 abnormal effect Effects 0.000 description 1
- 229910021529 ammonia Inorganic materials 0.000 description 1
- 230000006399 behavior Effects 0.000 description 1
- 230000015572 biosynthetic process Effects 0.000 description 1
- 238000009395 breeding Methods 0.000 description 1
- 230000001488 breeding effect Effects 0.000 description 1
- 238000004364 calculation method Methods 0.000 description 1
- 230000003750 conditioning effect Effects 0.000 description 1
- 238000012937 correction Methods 0.000 description 1
- 238000002790 cross-validation Methods 0.000 description 1
- 238000007405 data analysis Methods 0.000 description 1
- 238000013523 data management Methods 0.000 description 1
- 230000007423 decrease Effects 0.000 description 1
- 230000007812 deficiency Effects 0.000 description 1
- 238000009826 distribution Methods 0.000 description 1
- 238000005183 dynamical system Methods 0.000 description 1
- 230000008030 elimination Effects 0.000 description 1
- 238000003379 elimination reaction Methods 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 230000004720 fertilization Effects 0.000 description 1
- 235000013305 food Nutrition 0.000 description 1
- 230000008571 general function Effects 0.000 description 1
- 235000008434 ginseng Nutrition 0.000 description 1
- 231100000001 growth retardation Toxicity 0.000 description 1
- 238000010438 heat treatment Methods 0.000 description 1
- 238000009434 installation Methods 0.000 description 1
- 238000012417 linear regression Methods 0.000 description 1
- 239000000155 melt Substances 0.000 description 1
- 230000006386 memory function Effects 0.000 description 1
- 230000004060 metabolic process Effects 0.000 description 1
- 238000002620 method output Methods 0.000 description 1
- 238000005065 mining Methods 0.000 description 1
- 238000002715 modification method Methods 0.000 description 1
- 210000004218 nerve net Anatomy 0.000 description 1
- 230000007935 neutral effect Effects 0.000 description 1
- 238000005312 nonlinear dynamic Methods 0.000 description 1
- 235000021062 nutrient metabolism Nutrition 0.000 description 1
- 230000008447 perception Effects 0.000 description 1
- 230000000737 periodic effect Effects 0.000 description 1
- 230000035790 physiological processes and functions Effects 0.000 description 1
- 230000006461 physiological response Effects 0.000 description 1
- 238000009374 poultry farming Methods 0.000 description 1
- 230000009467 reduction Effects 0.000 description 1
- 230000001373 regressive effect Effects 0.000 description 1
- 230000029058 respiratory gaseous exchange Effects 0.000 description 1
- 238000005096 rolling process Methods 0.000 description 1
- 238000005070 sampling Methods 0.000 description 1
- 210000000582 semen Anatomy 0.000 description 1
- 239000010865 sewage Substances 0.000 description 1
- 230000019491 signal transduction Effects 0.000 description 1
- 238000004088 simulation Methods 0.000 description 1
- 235000015096 spirit Nutrition 0.000 description 1
- 230000007480 spreading Effects 0.000 description 1
- 238000003892 spreading Methods 0.000 description 1
- 230000003068 static effect Effects 0.000 description 1
- 230000035882 stress Effects 0.000 description 1
- 238000003786 synthesis reaction Methods 0.000 description 1
- 230000028016 temperature homeostasis Effects 0.000 description 1
- 238000000714 time series forecasting Methods 0.000 description 1
- 238000012546 transfer Methods 0.000 description 1
- 230000000007 visual effect Effects 0.000 description 1
Classifications
-
- G—PHYSICS
- G05—CONTROLLING; REGULATING
- G05D—SYSTEMS FOR CONTROLLING OR REGULATING NON-ELECTRIC VARIABLES
- G05D23/00—Control of temperature
- G05D23/19—Control of temperature characterised by the use of electric means
- G05D23/20—Control of temperature characterised by the use of electric means with sensing elements having variation of electric or magnetic properties with change of temperature
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F17/00—Digital computing or data processing equipment or methods, specially adapted for specific functions
- G06F17/10—Complex mathematical operations
- G06F17/16—Matrix or vector computation, e.g. matrix-matrix or matrix-vector multiplication, matrix factorization
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F17/00—Digital computing or data processing equipment or methods, specially adapted for specific functions
- G06F17/10—Complex mathematical operations
- G06F17/18—Complex mathematical operations for evaluating statistical data, e.g. average values, frequency distributions, probability functions, regression analysis
-
- 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
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04L—TRANSMISSION OF DIGITAL INFORMATION, e.g. TELEGRAPHIC COMMUNICATION
- H04L67/00—Network arrangements or protocols for supporting network services or applications
- H04L67/01—Protocols
- H04L67/12—Protocols specially adapted for proprietary or special-purpose networking environments, e.g. medical networks, sensor networks, networks in vehicles 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
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CAN现场 总线的鸡舍环境温度智能监测系统。
背景技术
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℃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℃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℃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
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。
本发明通过以下技术方案实现：
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(ARIMA)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。
本发明进一步技术改进方案是：
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。
本发明进一步技术改进方案是：
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。
本发明进一步技术改进方案是：
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。
本发明与现有技术相比，具有以下明显优点：
一、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。
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βi，提高了鸡舍环境温度融合值的精确性和科学性。
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αi，提高了鸡舍环境温度融合值的精确性和科 学性。
四、本发明根据最小相对信息熵原理，组合权重wi与αi和βi都应尽可能 接近，根据每个检测点的两种权重αi与βi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βi，也考虑了该检 测点温度传感器值的灰色关联度融合权重αi，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。
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。
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。
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。
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。
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。
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。
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
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；
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；
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
1、系统总体功能的设计
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。
2、检测节点的设计
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。
3、控制节点
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。
4、现场监控端软件
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。
⑴、鸡舍环境多点温度融合模型
①、鸡舍环境温度传感器值的转化为区间数
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，… n)时段构成的温度矩阵如1式所示。
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αi的求取
A、定义鸡舍环境温度传感器值的灰色关联度
计算每个传感器在k时段与m个传感器在每个K(1，2，…n)时段极大温 度值的关联度，定义如下公式：
B、构建鸡舍环境温度传感器值的灰色关联度矩阵
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：
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：
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，…n)时段 的极小温度值的关联度，定义如下公式：
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：
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：
C、求取鸡舍环境温度传感器值的灰色关联度融合权重
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：
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βi的求取
A、构建鸡舍环境温度传感器值的相似度矩阵
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：
B、定义鸡舍环境温度传感器值的相似度
在相似度矩阵中sab表示a和b的相似度，a为a＝[aL,aU]和b为b＝[bL,bU]，且设qj(j＝1,2,3,4)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：
C、求取鸡舍环境温度传感器值的相似度融合权重
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：
④、基于最小相对信息熵原理的组合权重wi的求取
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αi和 βi，组合权重wi，显然wi与αi、βi和都应尽可能接近，根据最小相对信息熵 原理有：
用拉格朗日乘子法解上述优化问题得：
⑤根据组合权重得到鸡舍环境多点温度融合模型为：
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。
⑵、鸡舍环境温度智能预测模型
①、递归模糊神经网络模型预测鸡舍环境温度设计
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n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Ⅱ层将输入模糊化，采用的隶属函数为 高斯函数；第Ⅲ层对应模糊推理；第Ⅳ层对应去模糊化操作。用分别 代表第k层的第i个节点的输入和输出，则网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示为：
式中和为网络输入层第i个节点的输入和输出，N表示迭代的次数。
第Ⅱ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：
式中mij和σij分别表示第Ⅱ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。
第Ⅲ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示为：
式中ωjk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。
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 的输入和输出表示为：
公式中λj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。
②、自回归积分滑动平均模型(ARIMA)预测鸡舍环境温度设计
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 (MovingAverage,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}～ARIMA(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,ARIMA模型为ARMA模型, 其定义为:
xt＝b1xt-1+…+bpxt-p+εt+a1εt-1+…+aqεt-q (18)
{xt}为要预测鸡舍环境温度值数据序列,{εt}～WN(0，σ2)。
ARIMA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。
③、小波神经网络模型(WNN)预测鸡舍环境温度设计
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示为一个鸡舍环境温度输入的一维向 量xi(i＝1,2,…,n)，输出信号表示为yk(k＝1,2,…,m)，小波神经网络输出层预测值 的计算公式为：
公式中ωij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， 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。
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
设zi1、zi2和zi3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:
A、初始化网络结构,确定网络隐含层神经元个数。
B、根据网络结构,确定目标搜索空间的维数D。D＝(输入参数的个数+1)× 隐含层神经元的个数+平移参数的个数+伸缩参数的个数。
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。
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。
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。
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。
5、鸡舍环境温度智能监测系统的设计举例
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。
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（ARIMA）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（ARIMA）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（ARIMA）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。
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 (21)
| 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 |
| CN108896193A (zh) * | 2018-07-12 | 2018-11-27 | 黑龙江科技大学 | 一种变电站高压开关柜的温度监测预警系统及方法 |
| CN108982396A (zh) * | 2018-05-30 | 2018-12-11 | 南京信息工程大学 | 一种红外co2气体传感器及其标定系统和温湿度补偿方法 |
| 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 |
| 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 |
| 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 |
| 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 |
| CN112348238A (zh) * | 2020-10-27 | 2021-02-09 | 浙江师范大学 | 一种基于主成分分析的鸡蛋产量预测pso-svm回归模型 |
| 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 |
| CN115220501A (zh) * | 2022-07-13 | 2022-10-21 | 青岛科创信达科技有限公司 | 融合SSA-Elman网络模型和鸽群启发算法的环境控制方法 |
| CN115907366A (zh) * | 2022-11-15 | 2023-04-04 | 淮阴工学院 | 一种基于火烈鸟算法的农产品生长环境最优调控方法及设备 |
Citations (5)
| 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 |
-
2017
- 2017-05-12 CN CN201710334055.XA patent/CN107168402B/zh active Active
Patent Citations (5)
| 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 (36)
| 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 |
| 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 |
| 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 |
| 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 |
| CN108982396A (zh) * | 2018-05-30 | 2018-12-11 | 南京信息工程大学 | 一种红外co2气体传感器及其标定系统和温湿度补偿方法 |
| CN108896193A (zh) * | 2018-07-12 | 2018-11-27 | 黑龙江科技大学 | 一种变电站高压开关柜的温度监测预警系统及方法 |
| 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 |
| 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 |
| 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 |
| 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 |
| 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 |
| 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 |
| 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 |
| 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 |
| 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 |
| 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 |
| 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 |
| 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 |
| 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 |
| 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 |
| CN110955286B (zh) * | 2019-10-18 | 2022-09-06 | 京东科技信息技术有限公司 | 一种禽蛋监测方法及装置 |
| 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 |
| CN112348238A (zh) * | 2020-10-27 | 2021-02-09 | 浙江师范大学 | 一种基于主成分分析的鸡蛋产量预测pso-svm回归模型 |
| 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 |
| CN115220501A (zh) * | 2022-07-13 | 2022-10-21 | 青岛科创信达科技有限公司 | 融合SSA-Elman网络模型和鸽群启发算法的环境控制方法 |
| CN115907366A (zh) * | 2022-11-15 | 2023-04-04 | 淮阴工学院 | 一种基于火烈鸟算法的农产品生长环境最优调控方法及设备 |
| CN115907366B (zh) * | 2022-11-15 | 2023-09-22 | 淮阴工学院 | 一种基于火烈鸟算法的农产品生长环境最优调控方法及设备 |
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 | |
| Kashyap et al. | Towards precision agriculture: IoT-enabled intelligent irrigation systems using deep learning neural network | |
| Taki et al. | Heat transfer and MLP neural network models to predict inside environment variables and energy lost in a semi-solar greenhouse | |
| 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 | |
| Murphy et al. | Comparison of modelling techniques for milk-production forecasting | |
| CN110647979B (zh) | 一种基于物联网的温室环境多参数智能化监测系统 | |
| CN107494320B (zh) | 基于无线传感器网络的牛舍环境温度智能监测系统 | |
| CN107085732B (zh) | 基于无线传感器网络的牛舍环境氨气智能监测系统 | |
| 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 | |
| CN103309370B (zh) | 一种基于bp神经网络的孵房湿度控制方法 | |
| 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 | |
| CN110766132B (zh) | 一种基于物联网的果园产量智能预测系统 | |
| CN109002604A (zh) | 一种基于贝叶斯最大熵的土壤含水量预测方法 | |
| 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 | |
| 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 | |
| CN110119169A (zh) | 一种基于最小向量机的番茄温室温度智能预警系统 | |
| 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 | |
| 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 | |
| Yu et al. | A hybrid intelligent soft computing method for ammonia nitrogen prediction in aquaculture | |
| CN114418183B (zh) | 畜禽健康体征大数据物联网检测系统 | |
| CN103472866A (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 | |
| CN107168403B (zh) | 一种基于can现场总线的鸡舍环境温度检测系统 | |
| Dai et al. | Research on WNN greenhouse temperature prediction method based on GA. | |
| 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: HUAIYIN INSTITUTE OF TECHNOLOGY Address before: 223005 Huaian 1 Jiangsu economic and Technological Development Zone Applicant before: HUAIYIN INSTITUTE OF TECHNOLOGY |
|
| 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 | ||
| TR01 | Transfer of patent right |
Effective date of registration: 20231016 Address after: 024000 Inner Mongolia Jinmu Lvyuan Poultry Industry Co., Ltd., Baqi Village, Xiawa Town, Aohan Banner, Chifeng City, Inner Mongolia Autonomous Region Patentee after: Inner Mongolia Jinmu Luyuan Poultry Co.,Ltd. Address before: 024000 Xinhui Town Industrial Park, Aohan banner, Chifeng City, Inner Mongolia Autonomous Region Patentee before: INNER MONGOLIA JINGOU AGRICULTURAL DEVELOPMENT Co.,Ltd. |
|
| TR01 | Transfer of patent right |