CN107494320A - 基于无线传感器网络的牛舍环境温度智能监测系统 - Google Patents

基于无线传感器网络的牛舍环境温度智能监测系统 Download PDF

Info

Publication number
CN107494320A
CN107494320A CN201710334066.8A CN201710334066A CN107494320A CN 107494320 A CN107494320 A CN 107494320A CN 201710334066 A CN201710334066 A CN 201710334066A CN 107494320 A CN107494320 A CN 107494320A
Authority
CN
China
Prior art keywords
cowshed
temperature
environment
cowshed environment
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
CN201710334066.8A
Other languages
English (en)
Other versions
CN107494320B (zh
Inventor
马从国
陈帅
韩黎
孟凡辉
吕鑫波
洪佳乐
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 CN201710334066.8A priority Critical patent/CN107494320B/zh
Publication of CN107494320A publication Critical patent/CN107494320A/zh
Application granted granted Critical
Publication of CN107494320B publication Critical patent/CN107494320B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Classifications

    • AHUMAN NECESSITIES
    • A01AGRICULTURE; FORESTRY; ANIMAL HUSBANDRY; HUNTING; TRAPPING; FISHING
    • A01KANIMAL HUSBANDRY; CARE OF BIRDS, FISHES, INSECTS; FISHING; REARING OR BREEDING ANIMALS, NOT OTHERWISE PROVIDED FOR; NEW BREEDS OF ANIMALS
    • A01K29/00Other apparatus for animal husbandry
    • AHUMAN NECESSITIES
    • A01AGRICULTURE; FORESTRY; ANIMAL HUSBANDRY; HUNTING; TRAPPING; FISHING
    • A01KANIMAL HUSBANDRY; CARE OF BIRDS, FISHES, INSECTS; FISHING; REARING OR BREEDING ANIMALS, NOT OTHERWISE PROVIDED FOR; NEW BREEDS OF ANIMALS
    • A01K1/00Housing animals; Equipment therefor
    • A01K1/0047Air-conditioning, e.g. ventilation, of animal housings
    • AHUMAN NECESSITIES
    • A01AGRICULTURE; FORESTRY; ANIMAL HUSBANDRY; HUNTING; TRAPPING; FISHING
    • A01KANIMAL HUSBANDRY; CARE OF BIRDS, FISHES, INSECTS; FISHING; REARING OR BREEDING ANIMALS, NOT OTHERWISE PROVIDED FOR; NEW BREEDS OF ANIMALS
    • A01K29/00Other apparatus for animal husbandry
    • A01K29/005Monitoring or measuring activity, e.g. detecting heat or mating
    • GPHYSICS
    • G01MEASURING; TESTING
    • G01DMEASURING 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
    • G01D21/00Measuring or testing not otherwise provided for
    • G01D21/02Measuring two or more variables by means not covered by a single other subclass
    • GPHYSICS
    • G05CONTROLLING; REGULATING
    • G05BCONTROL OR REGULATING SYSTEMS IN GENERAL; FUNCTIONAL ELEMENTS OF SUCH SYSTEMS; MONITORING OR TESTING ARRANGEMENTS FOR SUCH SYSTEMS OR ELEMENTS
    • G05B19/00Programme-control systems
    • G05B19/02Programme-control systems electric
    • G05B19/04Programme control other than numerical control, i.e. in sequence controllers or logic controllers
    • G05B19/042Programme control other than numerical control, i.e. in sequence controllers or logic controllers using digital processors
    • GPHYSICS
    • G06COMPUTING; CALCULATING; COUNTING
    • G06KGRAPHICAL DATA READING; PRESENTATION OF DATA; RECORD CARRIERS; HANDLING RECORD CARRIERS
    • G06K9/00Methods or arrangements for recognising patterns
    • G06K9/62Methods or arrangements for pattern recognition using electronic means
    • G06K9/6217Design or setup of recognition systems and techniques; Extraction of features in feature space; Clustering techniques; Blind source separation
    • GPHYSICS
    • G06COMPUTING; CALCULATING; COUNTING
    • G06KGRAPHICAL DATA READING; PRESENTATION OF DATA; RECORD CARRIERS; HANDLING RECORD CARRIERS
    • G06K9/00Methods or arrangements for recognising patterns
    • G06K9/62Methods or arrangements for pattern recognition using electronic means
    • G06K9/6267Classification techniques
    • G06K9/6268Classification techniques relating to the classification paradigm, e.g. parametric or non-parametric approaches
    • G06K9/627Classification techniques relating to the classification paradigm, e.g. parametric or non-parametric approaches based on distances between the pattern to be recognised and training or reference patterns
    • 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
    • G06N3/04Architectures, e.g. interconnection topology
    • G06N3/0481Non-linear activation functions, e.g. sigmoids, thresholds
    • 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
    • G06N3/04Architectures, e.g. interconnection topology
    • G06N3/049Temporal neural nets, e.g. delay elements, oscillating neurons, pulsed inputs
    • 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
    • G06N3/086Learning methods using evolutionary programming, e.g. genetic algorithms

Abstract

本发明公开了基于无线传感器网络的牛舍环境温度智能监测系统,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采集与智能预测平台、牛舍环境多点温度融合模型和牛舍环境温度智能预测模型三部分组成;本发明有效解决了现有牛舍监控系统没有根据牛舍环境温度变化的非线性、大滞后和牛舍面积大温度变化复杂等特点,对牛舍环境的温度进行检测与预测,从而极大的影响牛舍环境温度监控的问题。

Description

基于无线传感器网络的牛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,具体涉及基于无线传感器网络 的牛舍环境温度智能监测系统。
背景技术
[0002] 牛舍环境温度在环境因素中最重要,也是导致热应激的最重要因素,随着环境温 度升高,肉牛体温升高,干物质采食量(DMI)下降,高温持续,DMI下降幅度增加。环境温度对 体温有一个滞后作用,而体温对采食量也有一个滞后作用,室内温度升高后一段时间,鼓 膜温度才开始下降,然后采食量下降。气温升高,肉牛体温与环境温差减少,体内热量散发 困难,不能及时把多余的热量散发,体温升高。肉牛的舒适温度为5-25Γ,当温度大于26°C, 肉牛便处于热应激,在热应激程度不是很严重的情况下,肉牛可以通过热量平衡机制来调 节体温使其在正常温度范围内变化。试验结果表明,在7-8月间,肉牛的体质量增长缓慢,有 的个体甚至出现负增长。其原因在于肉牛在夏季时消化功能下降,主要是由于鼓膜温度发 生变化,因此其采食量减少,且在温度高的环境中,肉牛增重受到极大限制。因此,一方面要 提高肉牛的采食量,另一方面还要保证肉牛在体质量上有所增长,这样才会避免由于温度 的原因造成肉牛光吃不长的情况发生。夏季持续的高温高湿环境对奶牛的生产性能会产生 严重影响,当环境温度超过临界温度的上限时,奶牛不仅受到高温的影响,而且还会受到高 温与其它环境因素(如湿度、养殖密度)的交互影响,从而导致其受到严峻的热环境挑战,弓丨 起热应激反应,造成奶牛业巨大的经济损失。泌乳奶牛正常体温为38.5-39.3°C,适宜的环 境温度范围是5-25Γ。如果温度超过动物温度适中区的上限,因动物本身不再有降低其体 温的能力而进入热应激状态。假定高产奶牛和低产奶牛的散热机制相同,与低产泌乳奶牛 相比,随着泌乳量、采食量和产热量的增加,温度适中区范围逐渐下移,高产奶牛更容易受 热应激的影响。泌乳奶牛能产生大量的代谢热,同时还能从辐射能中积聚额外的热量,所产 生的代谢热和积聚的热量,再加上环境温度和相对湿度升高,给奶牛带来了严重的热负担, 产生热应激,导致机体温度升高和采食量下降等不良影响,并最终降低奶牛的生产性能。当 环境温度超过25°C时,奶牛的采食量开始降低,维持需要增加。如果气温超过37.8°C时,采 食量将降低25%以上。热应激导致奶牛产奶量下降的原因,一方面是因为炎热,造成奶牛 营养物质摄入不足,无法满足生产需要,进而导致产奶量下降;另一方面是由于热应激,抑 制了甲状腺的功能,致使脑垂体前叶嗜酸性细胞分泌的生长激素减少,造成产奶量下降。高 温使牛奶质量降低,乳脂、乳蛋白、乳糖及非脂固形物含量均可因高温而下降。受高温的影 响,奶牛喜精料而厌食粗料,使瘤胃内低级脂肪酸如乙酸与丙酸的比例缩小,从而使乳脂率 降低。热应激对公牛的性欲、射精量和精子密度没有显著的影响,但可使精液质量和精子活 力显著降低。夏季高温使奶牛生理机能发生变化,免疫球蛋白减少,机体抵抗力下降,病原 菌容易生长繁殖并侵害机体,因而腐蹄病、乳房炎、胎衣不下和子宫内膜炎增加,易使奶牛 发生中暑和日射病。热应激导致奶牛产生非特异性防御应答的生理反应,从而降低产奶性 能、繁殖性能和机体免疫能力。必须改善牛舍环境的小气候调控条件从根本上解决这一问 题,借助环境改善和营养措施,才能有效预防和治疗奶牛热应激,从而提高奶牛生产的经济 效。国内外学者纷纷开展牛舍小气候环境参数测控系统的研究,关伟等研制了牛舍饲养环 境温度控制系统,李喜武等研制了牛舍环境及自动供料控制系统,曾成研制了基于嵌入式 的牛舍环境参数监控系统,宗文平等研制了基于PLC的奶牛牛舍环境参数监测系统,但是这 些系统都没有根据牛舍环境温度变化的非线性、大滞后和牛舍面积大温度变化复杂等特 点,对牛舍环境的温度进行监测与预测,从而极大的影响牛舍环境温度的监控。
发明内容
[0003] 本发明提供了一种基于无线传感器网络的牛舍环境温度检测系统,本发明有效解 决了现有牛舍监控系统没有根据牛舍环境温度变化的非线性、大滞后和牛舍面积大温度变 化复杂等特点,对牛舍环境的温度进行监测与预测,从而极大的影响牛舍环境温度监控的 问题。
[0004] 本发明通过以下技术方案实现:
[0005] 基于无线传感器网络的牛舍环境温度智能监测系统,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采集与智能预测平台、牛舍环境多点温度融合 模型和牛舍环境温度智能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采集 平台实现对牛舍环境温度检测、调节和监控,牛舍环境多点温度融合模型基于牛舍环境多 个检测点温度传感器的温度Vague值的相似度矩阵和距离矩阵求得的相似度融合权重、距 离融合权重和博弈论组合权重实现对牛舍环境多点温度融合,牛舍环境温度智能预测模型 包括自回归积分滑动平均模型(ARIMA)、NARX神经网络模型、粒子群算法(PSO)优化GRNN神 经网络模型和粒子群算法(PSO)优化NARX神经网络模型实现对牛舍环境温度智能预测。
[0006] 本发明进一步技术改进方案是:
[0007] 所述基于无线传感器网络的牛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,它们以自组织方式通过无线通信模块NRF2401构建成牛舍环境参 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MSP430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、风速和有害气体等牛舍小气 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多点温度进行融合与智能预测。 基于无线传感器网络的牛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] 所述牛舍环境多点温度融合模型通过把牛舍环境各个温度检测的温度传感器值 转化为Vague值形式,定义温度传感器的温度Vague值的相似度和距离,构建相似度矩阵和 距离矩阵,求得牛舍环境各个检测点温度传感器值的相似度融合权重和距离融合权重,基 于博弈论原理和两种融合权重求得牛舍环境各个温度传感器值融合的组合权重,牛舍环境 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牛舍环境多 个检测点温度融合模型的值,牛舍环境多点温度融合模型既考虑了不同检测点温度传感器 的温度Vague值之间的相似度,也考虑了不同检测点温度传感器的温度Vague值之间的距 离,提高了牛舍环境多点温度传感器值融合精度和可靠性。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] 所述牛舍环境温度智能预测模型针对牛舍环境温度的非线性、大滞后和变化复杂 的特点,提出了基于自回归积分滑动平均模型(ARMA)、NARX神经网络模型和粒子群算法 (PSO)优化GRNN神经网络模型三种方法建立单项预测牛舍环境温度的三个子模型,应用粒 子群算法(PSO)优化NARX神经网络模型作为最优非线性组合模型的逼近器,构建预测牛舍 环境温度的组合预测模型,一个时延段的牛舍环境多点温度融合模型的输出作为三个子模 型的输入,三个子模型预测值的输出作为组合模型的输入,组合预测模型实现对单项预测 子模型结果的融合作为牛舍环境温度的预测值,预测试验结果表明,该种组合预测是选用 三种方法对牛舍环境温度进行预测,它利用三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,通过组合模型对三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下半部分。
[0012] 本发明与现有技术相比,具有以下明显优点:
[0013] —、本发明针对牛舍环境多点温度测量过程中,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,本发明专利将牛舍环境温度传感器测量的温度值 用Vague值形式表示,有效地处理了牛舍环境温度传感器测量值的模糊性和不确定性,提高 了牛舍环境温度传感器融合值的客观性和可靠性。
[0014] 二、本发明将牛舍环境温度值转化为Vague值形式,定义两两Vague值之间的相似 度,构建相似度矩阵,根据牛舍环境每个检测点温度传感器Vague值的相似度占整个牛舍环 境温度传感器检测点的温度传感器Vague值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Ct1,提高了牛舍环境温度融合值的精确性和科学性。
[0015] 三、本发明将牛舍环境温度参数转化为Vague值形式,定义两两Vague值之间的相 对距离,构建距离矩阵,根据牛舍环境每个检测点温度传感器Vague值的相对距离占整个 牛舍环境检测点温度传感器Vague值的相对距离和的比为该检测点温度传感器值的距离融 合权重&,提高了牛舍环境温度融合值的精确性和科学性。
[0016] 四、本发明采用博弈论法对每个检测点的相似度融合权重〇1与距离融合权重队的 进行组合,构建每个检测点温度传感器温度值融合的组合权重W1,该检测点温度传感器值 融合的组合权重既考虑了该检测点温度传感器Vague值值的相对距离融合权重队,也考虑 了该检测点温度传感器Vague值的相似度融合权重Ct1,该组合权重提高牛舍环境温度融合 值的精确性、可靠性和科学性,牛舍环境温度融合值更加反映牛舍环境温度值的真实性。
[0017] 五、本发明牛舍环境多点温度融合模型通过把牛舍环境各个温度检测的温度传感 器值转化为Vague值形式,求得牛舍环境各个检测点温度传感器值的两种融合权重和组合 权重,该牛牛舍环境多点温度融合模型既考虑了不同检测点温度传感器的温度Vague值之 间的相似度,也考虑了不同检测点温度传感器的温度Vague值之间的距离,提高了牛舍环境 多点温度传感器值融合精度和可靠性。
[0018] 六、本发明采用NARX神经网络预测模型的输入包括了一段时间的输入和输出历史 反馈,这部分反馈输入可以认为包含了一段时间的牛舍环境温度状态历史信息参与牛舍环 境温度的预测,对于一个合适的反馈时间长度,预测得到了很好的效果,本专利的NARX神经 网络预测模式提供了一种有效的预测牛舍环境温度方法。
[0019] 七、本发明采用NARX神经网络预测模型是一种能够有效对非线性、非平稳时间序 列进行预测的动态神经网络模型,能够在时间序列非平稳性降低的情况下提高对该时间序 列的预测精度。与传统的预测模型方法相比,此方法具有处理非平稳时间序列效果好,计算 速度快,准确率高的优点。通过对非平稳的牛舍环境温度实验数据的实际对比,本专利验证 了NARX神经网络模型对牛舍环境温度时间序列预测的可行性。同时,实验结果也证明了 NARX神经网络模型在非平稳时间序列预测中比传统模型表现更加优异。
[0020] 八、本发明利用NARX神经网络建立牛舍环境温度预测模型,由于通过引入延时模 块及输出反馈建立模型的动态递归网络,它将输入和输出向量延时反馈引入网络训练中, 形成新的输入向量,具有良好的非线性映射能力,网络模型的输入不仅包括原始输入数据, 还包含经过训练后的输出数据,网络的泛化能力得到提高,使其在非线性牛舍环境温度时 间序列预测中较传统的静态神经网络具有更好的预测精度和自适应能力。
[0021] 九、本发明采用PSO — GRNN神经网络预测模型成功地克服了GRNN神经网络训练容 易陷入到局部极小点和收敛速度较慢等弊端。采用PSO — GRNN神经网络将大大改善传统神 经网络根据经验确定模型参数带来的不确定性,并且网络本身具有较强的自适应能力。与 核估计模型、局部线性估计模型和线性回归模型相比较,PSO—GRNN神经网络模型的预测精 度和收敛速度显著提高,同时有效地提高了神经网络的泛化能力,有效地避免了传统神经 网络模型样本拟合精度很高,但预测精度较差的不足。PSO—GRNN神经网络模型具有理想的 精度和可靠性,可以应用于牛舍环境温度预测。PSO-GRNN方法为牛舍环境温度预测又开辟 了 一条新途径。
[0022] 十、本发明采用GRNN神经网络预测模型结构简单而完备,它的模型内部结构随着 样本点的确定而确定,它对数据样本的要求较少,只要有输人、输出样本,即使数据稀少,也 可以收敛于回归表面。它具有明确的概率意义、较好的泛化能力、局部逼近能力及快速学习 特点,能逼近任愈类型的函数,而且在网络模型的建立和学习过程中,只需调节选择光滑因 子来最终确定模型。网络的建立过程也就是网络的训练过程,无需专门训练。在对动态系统 的预测效果上,GRNN神经网络具有网络建立过程简单,影响因素少,局部逼近能力强,学习 速度快,仿真性能好的特点。因此,GRNN神经网络非常适合于牛舍环境温度的预测。本专利 利用GRNN神经网络正好具有自适性、自学习和以任意精度非线性逼近等特点,因而本专利 利用GRNN神经网络来进行牛舍环境温度的预测,较好地满足预测模型的鲁棒性和容错性。
[0023] 十一、本发明采用GRNN网络较具有很强的非线性映射能力和柔性网络结构以及高 度的容错性和鲁棒性,适用于牛舍环境温度预测。GRNN在逼近能力和学习速度上较RBF网络 有更强的优势,网络最后收敛于样本量积聚较多的优化回归面并且在样本数据较少时,网 络还可以处理不稳定数据,预测效果也较好。GRNN网络模型泛化能力强,预测精度高,算法 稳定,GRNN网络模型还具有收敛速度快、调整参数少和不易陷入局部极小值等优点,预测网 络运算速度快,对牛舍环境温度预测具有良好的应用前景。
[0024] 十二、本发明采用ARMA模型基于牛舍环境温度的原始数据服从时间序列分布,利 用牛舍环境温度变化均具有一定惯性趋势的原理,整合了趋势因素、周期因素和随机误差 等因素的牛舍环境温度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牛舍环境 温度数值拟合和预测。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,是一种短期预测牛舍环境温度效果较好的模型。
[0025] 十三、本发明采用粒子群算法(PSO)优化NARX神经网络模型作为最优非线性组合 模型的逼近器,构建预测牛舍环境温度的组合预测模型,利用三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,通过组合模型对三个子模型预测 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。
附图说明
[0026] 图1为本发明基于无线传感器网络的牛舍环境参数采集与智能预测平台;
[0027] 图2为本发明牛舍环境多点温度融合模型和牛舍环境温度智能预测模型;
[0028] 图3为本发明检测节点功能图;
[0029] 图4为本发明控制节点功能图;
[0030] 图5为本发明现场监控端软件功能图;
[0031] 图6为本发明牛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
[0032] 1、系统总体功能的设计
[0033] 本发明智能监测系统实现对牛舍环境因子参数进行检测、牛舍环境多点温度融合 和牛舍环境温度智能预测,该系统由基于无线传感器网络的牛舍环境参数采集与智能预测 平台、牛舍环境温度多点融合模型和牛舍环境温度智能预测模型3部分组成。基于无线传感 器网络的牛舍环境参数采集与智能预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,它们以自组织方式构建成无线测控网络来实现检测节点1、控制节点2 和现场监控端3之间的无线通信;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。
[0034] 2、检测节点的设计
[0035] 本发明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、风速和有害气体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。
[0036] 3、控制节点
[0037] 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、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。
[0038] 4、现场监控端软件
[0039] 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、多点温度融合和牛舍环境温度预测,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、牛舍环境多点温度融合和牛舍温 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。
[0040] ⑴、牛舍环境多点温度融合模型的设计
[0041] ①、牛舍环境温度传感器值转化为温度Vague值形式
[0042] 该牛舍环境有m个温度传感器,在k为(1,2,···!〇时刻检测牛舍环境温度值,构成该 牛舍环境的温度检测矩阵如⑴式所示:
Figure CN107494320AD00081
[0043] (1)
[0044]在矩阵A中记每列最大值为ajmax = max {aij,aij,…,amj},则根据单值实数转化为 Vague值数据的公式,可以将牛舍环境有m个温度传感器,在k为(1,2,…η)时刻检测牛舍环 境的单值实数温度值转化为对应的Vague值数据,并构建牛舍环境的Vague值数据矩阵U。单 值实数转化为Vague值数据的公式如下所示:
Figure CN107494320AD00082
[0045] - - (2)
[0046] 应用公式(2),把单值实数的牛舍环境的温度矩阵A转化为Vague值数据矩阵U,该 矩阵经过标准化后得到如下矩阵:
Figure CN107494320AD00083
[0047] C3)
[0048] ②、基于Vague值相似度的牛舍环境温度传感器值的相似度融合权重Ct1的求取
[0049] A、计算牛舍环境温度传感器Vague值的相似度
[0050] 根据Vague集相似度量公式对牛舍环境Vague值数据矩阵U进行相似度量,可以得 到该牛舍环境m个温度传感器,在k为(1,2,‘"η)时刻检测牛舍环境Vague温度值的相似度矩 阵Tc3Ua和Ub的Vague值数据的相似度公式如下所示:
[0051]
Figure CN107494320AD00084
[0052] B、构建牛舍环境温度传感器值的相似度矩阵
[0053] 应用公式(4),把Vague值的牛舍环境的温度传感器值矩阵U转化为Vague值形式 相似度矩阵T,该矩阵经过标准化后得到如下矩阵:
[0054]
Figure CN107494320AD00091
(5)
[0055] C、基于Vague值相似度的牛舍环境温度传感器值的相似度融合权重
[0056] 该矩阵的第i行和表示第i个温度传感器检测温度Vague值与其它温度传感器检测 的Vague值相似度和,根据牛舍环境每个温度传感器检测的Vague值与其它温度传感器检测 的Vague值相似度占比,可以确定该传感器检测温度值在整个牛舍环境温度值的融合权重, 该权重公式如下:
Figure CN107494320AD00092
[0057] (6)
[0058] ③、基于Vague值距离的牛舍环境温度传感器值的距离融合权重&的求取
[0059] A、计算牛舍环境温度传感器Vague值的距离
[0000] 根据UA的定义,:πΑ= 1-tA-fA也称为畴賭度或犹豫度,对于实数型Vague集UA和UB, 则它们之间的距离为:
[0061]
Figure CN107494320AD00093
[0062] B、构建牛舍环境温度传感器值的距离矩阵
[0063] 应用公式(7),把Vague值的牛舍环境的温度矩阵U转化为不同温度传感器之间距 离矩阵D,该矩阵经过标准化后得到如下矩阵:
Figure CN107494320AD00094
[0064] C 8)
[0065]根据公式(8)的含义,定义每个温度传感器Vague值与其它温度传感器Vague值的 相对距离为:
Figure CN107494320AD00095
[0066] (9)
[0067] C、基于Vague值距离的牛舍环境温度传感器值的距离融合权重
[0068] 该矩阵的第i行和表示第i个温度传感器检测温度Vague值与其它温度传感器检测 的Vague值的距离和,根据牛舍环境每个温度传感器检测的Vague值与其它温度传感器检测 的Vague值距离和占比,可以确定该传感器检测温室值在整个牛舍环境温度值的融合权重, 该权重公式如下:
[0069]
Figure CN107494320AD00101
¢9)
[0070] ④、基于博弈论法牛舍环境温度传感器值融合的组合权重Wi的求取
[0071] 单独运用一种方法得到传感器数据融合权重均会导致结果存在一定的局限性,本 专利运用博弈论的方法将Vague值相似度的权重CXi和Vague值距离的权重队进行综合集成, 该方法主要是为了缩小不同方法得到的各个基本权重与最终得到的组合权重之间的偏差, 使得各个方法所确定的权重在相互竞争的关系中比较协调,进而寻求比较均衡的结果,保 证所确定的指标组合权重更加科学合理。为了使得到的组合权重更具有科学性和客观性, 可使用L种不同的方法对各指标进行赋权,这样可以构造一个基本的权重集,使用L种方法 对指标进行赋权,由此构造一个基本的权重集Ui = {uil,Ui2,…,Uin},i = l,2,…,L,我们记 这L个向量的任意线性组合为:
Figure CN107494320AD00102
[0072] ,、 110)
[0073] 为了在可能的权重向量u中找到最满意的我们将L个线性组合系数人!^进行优 化,使得u与各个Uk的离差极小化。这样便导出了下面的对策模型:
[0074]
Figure CN107494320AD00103
[0075] 根据矩阵的微分性质可知,式(11)的最优化一阶导数条件为
Figure CN107494320AD00104
可转化为线性方程组并运用Mathmatica计算,求得(A1,λ2,"Al)后归一化处理,代入(10) 式,得到组合权重:
Figure CN107494320AD00105
[0076] (12)
[0077] ⑤、根据组合权重得到牛舍环境多点温度融合模型为:
Figure CN107494320AD00106
[0078] (13)
[0079] 其中k为时间,i为检测点,aik为k时刻第i个检测点温度,Wi为第i个检测点组合权 重。
[0080] ⑵、牛舍环境温度智能预测模型
[0081] ①、自回归积分滑动平均模型(ARIM)的预测牛舍环境温度设计
[0082] 自回归积分滑动平均模型ARIMA (Auto regress ive Integrated Moving Average)模型将自回归模型(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,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O时, ARIMA模型为ARMA模型,其定义为:
[0083] xt = bixt-i+."+bPxt-P+et+aiet—i+."+aq£t—q (14)
[0084] {xt}为要预测的牛舍环境温度数据序列,{>t}〜WN^o2) 模型建立主要包 括模型的识别、参数估计和模型诊断。模型识别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。可以 用ARIMA (p,d,q)模型对时间序列进行拟合了 .ARIMA (p,d,q)建模步骤如下:
[0085] A、获得牛舍环境多个检测点温度传感器温度融合值序列。
[0086] B、判断序列的平稳性,如果序列非平稳,需要对数据进行数据预处理及差分运算 使序列能够平稳,并确定差分阶数d的值。
[0087] C、当差分后序列为平稳非白噪声序列,我们就可以选择阶数适当的ARMA (p,q)模 型对该序列建模。
[0088] D、根据识别的模型及其阶数,对模型中的未知参数进行估计。
[0089] E、对残差序列进行检验,用统计检验的方法检验此初步模型是否有效。
[0090] F、利用所得拟合模型对平稳化的时间序列预测将来的发展趋势。
[0091] ②、NARX神经网络模型的预测牛舍环境温度设计
[0092] NARX神经网络(Nonlinear Auto-Regression with External input neural network)是一种动态的前馈神经网络,NARX神经网络是一个有着外部输入的非线性自回归 网络,它有一个多步时延的动态特性,并通过反馈连接封闭网络的若干层,NARX回归神经网 络是非线性动态系统中应用最广泛的一种动态神经网络,其性能普遍优于全回归神经网 络。一个典型的NARX回归神经网络主要由输入层、隐层、输出层及输入和输出延时构成,在 应用前一般要事先确定输入和输出的延时阶数、隐层神经元个数,NARX神经网络的当时输 出不仅取决于过去的输出y(t-n),还取决于当时的输入向量X⑴以及输入向量的延迟阶数 等。NARX神经网络结构包括输入层、输出层、隐层和时延层。其中输入信号通过时延层传递 给隐层,隐层对输入的信号进行处理后传递到输出层,输出层将隐层输出信号做线性加权 获得最终的神经网络输出信号,时延层将网络反馈的信号和输入层输出的信号进行延时, 然后输送到隐层。NARX神经网络具有非线性映射能力、良好的鲁棒性和自适应性等特点,适 宜对牛舍环境温度进行预测。X (t)表示神经网络的外部输入,即牛舍环境多点温度传感器 值的融合值;m表示外部输入的延迟阶数;y(t)是神经网络的输出,即下一时段的牛舍环境 温度预测值;η是输出延迟阶数;s为隐含层神经元的个数;由此可以得到第j个隐含单元的 输出为:
Figure CN107494320AD00111
[0093] (15)
[0094] 上式中,巧i为第i个输入与第j个隐含神经元之间的连接权值,h是第j个隐含神 经元的偏置值,网络的输出y (t+Ι)的值为:
[0095] y (t+1) =f[y ⑴,y (t-Ι),…,y (t-n),x ⑴,X (t-Ι),…,X (t-m+1) ;w] (16)
[0096] ③、粒子群算法(PSO)优化GRNN神经网络模型的预测牛舍环境温度设计
[0097] 广义回归神经网络GRNN(Generalized Regression Neural Network)是一种局部 逼近网络。它是建立在数理统计的基础上,具有明确的理论依据,学习样本确定后网络结构 和连接值也随之确定,在训练过程中只需要确定平滑参数一个变量。相较于BP神经网络和 RBF神经网络,GRNN神经网络的学习全部依赖数据样本,在逼近能力和学习速度上较BRF网 络有更强的优势,具有很强的非线性映射和柔性网络结构以及高度的容错性和鲁棒性,特 别适用于函数的快速逼近和处理不稳定的数据。GRNN的人为调节参数很少,网络的学习全 部依赖数据样本,这一特性使得网络可以最大限度地减少人为主观假定对预测结果的影 响。GRNN神经网络具有小样本下强大的预测能力,还具有训练快速、鲁棒性强等特征,基本 不受输入数据多重共线性的困扰。本专利构建的GRNN网络结构如由输入层、模式层、求和 层和输出层构成,GRNN网络输入向量X为η维向量,网络输出向量Y为k维向量X= {X1, x2,…,xn}τ和Y= {yI,y2,…,yk}τ。模式层神经元数目等于训练样本的数目m,各个神经元 与训练样本一一对应,模式层神经元传递函数P1S:
[0098] pi = exp {-[ (χ-χΐ) τ (χ-χΐ) ]/2〇} , (i = 1,2, ··· ,m) (17)
[0099] 上式中的神经元输出进入求和层进行求和,求和层函数分为两类,分别为:
Figure CN107494320AD00121
[0102] 其中,yij为第i个训练样本输出向量中的第j个元素值。根据前述GRNN算法,则网 络输出向量Y的第j个元素的估计值为:
[0103] yj = SNj/sD, (j = l,2,---k) (20)
[0104] GRNN神经网络模型建立在数理统计基础之上,能够根据样本数据逼近其隐含的映 射关系,网络的输出结果能够收敛于最优回归面,特别是在样本数据稀少的情况下,也能获 得满意的预测效果。GRNN具有较强的分类能力,学习速度快,主要用于解决函数逼近问题而 且在结构方面也具有高度并行性。但GRNN神经网络进行牛舍温度预测,存在收敛速度较慢 和模型泛化能力不理想等问题。PSO没有交叉和变异操作,依靠粒子速度完成搜索,弥补了 GRNN神经网络收敛速度较慢的自身不足。此外,泛化能力是表征网络学以致用的程度,是评 定网络学习好坏的重要指标。选取合适的径向基函数的扩展速度SPREAD是非常重要的。常 数SPREAD表示隐含层高斯函数的宽度,其值的大小对径向基函数网络估算模型的准确性有 着重要的影响。本专利采用PSO优化算法对常数SPREAD进行优化,可以有效提高神经网络的 泛化能力。优化设计由粒子群算法早期阶段随机产生一组径向基函数的扩展速度SPREAD开 始,选取学习样本,对GRNN网络进行训练学习,产生一组响应面;选取预测样本,应用训练好 的一组GRNN网络进行预测,得到一组预测值;将预测值分别跟实测值进行比较,把最接近实 测值的预测值进行记忆,且把记忆的预测值相对应的径向基函数的扩展速度值用到径向基 函数的扩展速度的更新,生成一组更新后的径向基函数的扩展速度;用新生成的径向基函 数的扩展速度重新训练生成新的响应面,随着径向基函数的扩展速度的不断更新,GRNN网 络的预测精度也不断增加,最终能够寻找到全局最优值,使GRNN网络训练和预测更加容易、 方便和快捷,此时便实现了优化设计精度与效率的统一。
[0105] ④、粒子群算法(PSO)优化NARX神经网络组合模型的预测牛舍环境温度设计
[0106] A、对PSO进行初始化设置,包括设置群体规模、迭代次数、随机给出初始粒子和初 始粒子速度。
[0107] B、粒子向量对应的参数决定一个NARX神经网络组合模型预测牛舍环境温度,用该 模型对自回归积分滑动平均模型、NARX神经网络模型和粒子群算法(PSO)优化GRNN神经网 络模型的输出值进行组合预测,通过适应度函数f (X)计算每个个体的适应度值。
[01 08] C、计算的适应函数值与自身的最优值f PBest进行比较,如果〈f PBest,则用新的 适应值取代前一轮的优化解,用新的粒子取代前一轮的粒子。
[0109] D、将每个粒子的最好适应值与所有粒子的最优适应值fGBest进行比较。如果〈 fGBest,则用该粒子的最好适应值取代原有全局最好适应值,同时保存粒子的当前状态。
[0110] E、判断适应值是否满足要求,如不满足要求,再进行新一轮的计算,将粒子进行移 动,从而产生新的粒子(即新的解),返回步骤B。如果适应值满足要求,计算结束。
[0111] 5、牛舍环境温度智能监测系统的设计举例
[0112] 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温度检测和智能化预测。
[0113] 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. 基于无线传感器网络的牛舍环境温度智能监测系统,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采集与智能预测平台、牛舍环境多点温度融合模 型和牛舍环境温度智能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采集与 智能预测平台实现对牛舍环境温度监测、调节和监控,牛舍环境多点温度融合模型基于牛 舍环境多个检测点温度传感器的温度Vague值的相似度矩阵和距离矩阵求得的相似度融 合权重、距离融合权重和博弈论组合权重实现对牛舍环境多点温度融合,牛舍环境温度智 能预测模型包括自回归积分滑动平均模型(AR頂A)、NARX神经网络模型、粒子群算法(PSO) 优化GRNN神经网络模型和粒子群算法(PSO)优化NARX神经网络模型实现对牛舍环境温度智 能预测。
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温度智能监测系统,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,它们以自组织方式构建成牛舍环境参数采集与智能预测平台;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、风速和有害气体的实际值,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多点温度融合与预测牛舍环境温度。
3. 根据权利要求1或2所述的基于无线传感器网络的牛舍环境温度智能监测系统,其特 征在于:所述牛舍环境多点温度融合模型把牛舍环境多个检测点温度传感器的温度值转化 为Vague值形式,定义两两温度传感器的温度Vague值的相似度和距离,构建相似度矩阵和 距离矩阵,牛舍环境每个检测点温度传感器Vague值的相似度占整个牛舍环境检测点温度 传感器的温度传感器Vague值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, 牛舍环境每个检测点温度传感器Vague值的相对距离占整个牛舍环境检测点温度传感器 Vague值的相对距离和的比为该检测点温度传感器值的距离融合权重,基于每个检测点温 度传感器值的相似度融合权重与距离融合权重和博弈论法构建每个检测点温度传感器值 融合的组合权重,牛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 积的相加和为牛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所述的基于无线传感器网络的牛舍环境温度智能监测系统,其特 征在于:所述牛舍环境温度智能预测模型包括自回归积分滑动平均模型(AR頂A)、NARX神经 网络模型、粒子群算法(PSO)优化GRNN神经网络模型和粒子群算法(PSO)优化NARX神经网络 模型组成,针对牛舍环境温度的非线性、大滞后和变化复杂的特点,分别建立基于自回归积 分滑动平均模型(ARIMA)、NARX神经网络模型和粒子群算法(PSO)优化GRNN神经网络模型三 种单一预测子模型分别预测牛舍环境温度,一个时延段的牛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NARX神经网络模型的输入,应用粒子群算法(PSO)优化NARX神经网络模型作为牛舍环 境温度非线性组合模型的逼近器,构建预测牛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牛舍环境温度的预测值,牛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,提高了牛舍温度预测模型的鲁棒性, 预测结果更科学和准确。
CN201710334066.8A 2017-05-12 2017-05-12 基于无线传感器网络的牛舍环境温度智能监测系统 Active CN107494320B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201710334066.8A CN107494320B (zh) 2017-05-12 2017-05-12 基于无线传感器网络的牛舍环境温度智能监测系统

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201710334066.8A CN107494320B (zh) 2017-05-12 2017-05-12 基于无线传感器网络的牛舍环境温度智能监测系统

Publications (2)

Publication Number Publication Date
CN107494320A true CN107494320A (zh) 2017-12-22
CN107494320B CN107494320B (zh) 2020-05-26

Family

ID=60679461

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201710334066.8A Active CN107494320B (zh) 2017-05-12 2017-05-12 基于无线传感器网络的牛舍环境温度智能监测系统

Country Status (1)

Country Link
CN (1) CN107494320B (zh)

Cited By (9)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN108507700A (zh) * 2018-03-20 2018-09-07 中国农业大学 一种猪舍多点温度预测方法及系统
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
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
CN110647979A (zh) * 2019-09-10 2020-01-03 淮阴工学院 一种基于物联网的温室环境多参数智能化监测系统
CN110702852A (zh) * 2019-09-10 2020-01-17 淮阴工学院 一种基于物联网的多油气浓度传感器的智能监测系统
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
CN110716012A (zh) * 2019-09-10 2020-01-21 淮阴工学院 一种基于现场总线网络的油气浓度智能监测系统
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
CN113219871A (zh) * 2021-05-07 2021-08-06 淮阴工学院 一种养护室环境参数检测系统

Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN104715137A (zh) * 2015-01-26 2015-06-17 北京航空航天大学 一种考虑犹豫信息权重获取的决策方法
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

Patent Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN104715137A (zh) * 2015-01-26 2015-06-17 北京航空航天大学 一种考虑犹豫信息权重获取的决策方法
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

Cited By (15)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN108507700A (zh) * 2018-03-20 2018-09-07 中国农业大学 一种猪舍多点温度预测方法及系统
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
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
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
CN110702852B (zh) * 2019-09-10 2020-09-25 淮阴工学院 一种基于物联网的多油气浓度传感器的智能监测系统
CN110716012A (zh) * 2019-09-10 2020-01-21 淮阴工学院 一种基于现场总线网络的油气浓度智能监测系统
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
CN110716012B (zh) * 2019-09-10 2020-09-25 淮阴工学院 一种基于现场总线网络的油气浓度智能监测系统
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
CN110702852A (zh) * 2019-09-10 2020-01-17 淮阴工学院 一种基于物联网的多油气浓度传感器的智能监测系统
CN110647979A (zh) * 2019-09-10 2020-01-03 淮阴工学院 一种基于物联网的温室环境多参数智能化监测系统
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
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
CN113219871A (zh) * 2021-05-07 2021-08-06 淮阴工学院 一种养护室环境参数检测系统

Also Published As

Publication number Publication date
CN107494320B (zh) 2020-05-26

Similar Documents

Publication Publication Date Title
CN107494320A (zh) 基于无线传感器网络的牛舍环境温度智能监测系统
CN107168402B (zh) 基于can现场总线的鸡舍环境温度智能监测系统
CN107289998B (zh) 基于can总线的猪舍环境温度智能监测系统
Murphy et al. Comparison of modelling techniques for milk-production forecasting
CN107085732B (zh) 基于无线传感器网络的牛舍环境氨气智能监测系统
CN105159216B (zh) 鸡舍环境氨气浓度智能监测系统
CN104950948A (zh) 牛舍温度智能控制系统
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
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
Kashyap et al. Towards precision agriculture: IoT-enabled intelligent irrigation systems using deep learning neural network
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
CN110069032A (zh) 一种基于小波神经网络的茄子温室环境智能检测系统
Ribeiro et al. Generating action plans for poultry management using artificial neural networks
Panchal et al. Classification of healthy and mastitis Murrah buffaloes by application of neural network models using yield and milk quality parameters
CN107202607A (zh) 一种基于can总线的猪舍环境温度检测系统
CN110083190A (zh) 一种基于减法聚类分类器的青椒温室环境智能监测系统
CN110647979B (zh) 一种基于物联网的温室环境多参数智能化监测系统
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
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
Sugiono et al. Analysis the relationship of physiological, environmental, and cow milk productivity using AI
Priya et al. An IoT based gradient descent approach for precision crop suggestion using MLP
CN107168403A (zh) 一种基于can现场总线的鸡舍环境温度检测系统
Zhu et al. Prediction Model for Piggery Ammonia Concentration Based on Genetic Algorithm and Optimized BP Neural Network.
Bridges et al. Techniques for development of swine performance response surfaces

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

Effective date of registration: 20210705

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

TR01 Transfer of patent right