CN110069032B - 一种基于小波神经网络的茄子温室环境智能检测系统 - Google Patents
一种基于小波神经网络的茄子温室环境智能检测系统 Download PDFInfo
- Publication number
- CN110069032B CN110069032B CN201910319326.3A CN201910319326A CN110069032B CN 110069032 B CN110069032 B CN 110069032B CN 201910319326 A CN201910319326 A CN 201910319326A CN 110069032 B CN110069032 B CN 110069032B
- Authority
- CN
- China
- Prior art keywords
- eggplant greenhouse
- yield
- eggplant
- neural network
- prediction
- 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
Links
- 244000061458 Solanum melongena Species 0.000 title claims abstract description 369
- 235000002597 Solanum melongena Nutrition 0.000 title claims abstract description 369
- 238000013528 artificial neural network Methods 0.000 title claims abstract description 128
- 238000001514 detection method Methods 0.000 title claims abstract description 34
- 230000008859 change Effects 0.000 claims abstract description 18
- 230000004927 fusion Effects 0.000 claims description 35
- 238000012937 correction Methods 0.000 claims description 24
- 238000012544 monitoring process Methods 0.000 claims description 19
- 238000004891 communication Methods 0.000 claims description 11
- 239000002689 soil Substances 0.000 claims description 11
- 238000009529 body temperature measurement Methods 0.000 claims description 9
- 230000007613 environmental effect Effects 0.000 claims description 3
- 238000005070 sampling Methods 0.000 claims description 3
- YHXISWVBGDMDLQ-UHFFFAOYSA-N moclobemide Chemical compound C1=CC(Cl)=CC=C1C(=O)NCCN1CCOCC1 YHXISWVBGDMDLQ-UHFFFAOYSA-N 0.000 claims 2
- 238000000034 method Methods 0.000 abstract description 21
- 238000004519 manufacturing process Methods 0.000 abstract description 9
- 235000013399 edible fruits Nutrition 0.000 description 13
- 230000006870 function Effects 0.000 description 13
- 238000011161 development Methods 0.000 description 8
- 230000018109 developmental process Effects 0.000 description 8
- 238000007726 management method Methods 0.000 description 8
- 238000013461 design Methods 0.000 description 7
- 230000006872 improvement Effects 0.000 description 7
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 description 7
- 238000003973 irrigation Methods 0.000 description 6
- 230000002262 irrigation Effects 0.000 description 6
- 230000001965 increasing effect Effects 0.000 description 5
- 230000008569 process Effects 0.000 description 5
- 238000004422 calculation algorithm Methods 0.000 description 4
- 238000004364 calculation method Methods 0.000 description 4
- 238000010586 diagram Methods 0.000 description 4
- 230000002159 abnormal effect Effects 0.000 description 3
- 230000008901 benefit Effects 0.000 description 3
- 238000006243 chemical reaction Methods 0.000 description 3
- 230000000694 effects Effects 0.000 description 3
- 210000002569 neuron Anatomy 0.000 description 3
- 238000012545 processing Methods 0.000 description 3
- 230000009467 reduction Effects 0.000 description 3
- 230000002349 favourable effect Effects 0.000 description 2
- 230000003993 interaction Effects 0.000 description 2
- 230000001788 irregular Effects 0.000 description 2
- 238000012886 linear function Methods 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 230000035945 sensitivity Effects 0.000 description 2
- 238000003860 storage Methods 0.000 description 2
- 238000012360 testing method Methods 0.000 description 2
- 238000012549 training Methods 0.000 description 2
- 238000012546 transfer Methods 0.000 description 2
- 230000017260 vegetative to reproductive phase transition of meristem Effects 0.000 description 2
- 241000196324 Embryophyta Species 0.000 description 1
- 238000007476 Maximum Likelihood Methods 0.000 description 1
- 238000012300 Sequence Analysis Methods 0.000 description 1
- 240000002915 Solanum macrocarpon Species 0.000 description 1
- 240000002072 Solanum torvum Species 0.000 description 1
- 235000013358 Solanum torvum Nutrition 0.000 description 1
- 208000027418 Wounds and injury Diseases 0.000 description 1
- MMDJDBSEMBIJBB-UHFFFAOYSA-N [O-][N+]([O-])=O.[O-][N+]([O-])=O.[O-][N+]([O-])=O.[NH6+3] Chemical compound [O-][N+]([O-])=O.[O-][N+]([O-])=O.[O-][N+]([O-])=O.[NH6+3] MMDJDBSEMBIJBB-UHFFFAOYSA-N 0.000 description 1
- 238000010521 absorption reaction Methods 0.000 description 1
- 238000009825 accumulation Methods 0.000 description 1
- 238000012271 agricultural production Methods 0.000 description 1
- 150000001413 amino acids Chemical class 0.000 description 1
- 238000013473 artificial intelligence Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000005540 biological transmission Effects 0.000 description 1
- 230000015572 biosynthetic process Effects 0.000 description 1
- 230000003750 conditioning effect Effects 0.000 description 1
- 230000008602 contraction Effects 0.000 description 1
- 239000007799 cork Substances 0.000 description 1
- 230000001186 cumulative effect Effects 0.000 description 1
- 230000006378 damage Effects 0.000 description 1
- 238000007405 data analysis Methods 0.000 description 1
- 238000013523 data management Methods 0.000 description 1
- 230000003247 decreasing effect Effects 0.000 description 1
- 230000006735 deficit Effects 0.000 description 1
- 238000012217 deletion Methods 0.000 description 1
- 230000037430 deletion Effects 0.000 description 1
- 238000009826 distribution Methods 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 230000005284 excitation Effects 0.000 description 1
- 230000004720 fertilization Effects 0.000 description 1
- 239000003337 fertilizer Substances 0.000 description 1
- 239000000835 fiber Substances 0.000 description 1
- 230000014509 gene expression Effects 0.000 description 1
- 208000014674 injury Diseases 0.000 description 1
- 238000009434 installation Methods 0.000 description 1
- 239000002932 luster Substances 0.000 description 1
- 238000013507 mapping Methods 0.000 description 1
- 238000005259 measurement Methods 0.000 description 1
- 235000015097 nutrients Nutrition 0.000 description 1
- 238000005457 optimization Methods 0.000 description 1
- 210000000056 organ Anatomy 0.000 description 1
- 230000007198 pollen germination Effects 0.000 description 1
- 230000010152 pollination Effects 0.000 description 1
- 238000001583 randomness test Methods 0.000 description 1
- 230000001105 regulatory effect Effects 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 230000008054 signal transmission Effects 0.000 description 1
- 230000006641 stabilisation Effects 0.000 description 1
- 238000011105 stabilization Methods 0.000 description 1
- 230000003068 static effect Effects 0.000 description 1
- 208000024891 symptom Diseases 0.000 description 1
- 235000015193 tomato juice Nutrition 0.000 description 1
- 238000013519 translation Methods 0.000 description 1
- 238000009827 uniform distribution Methods 0.000 description 1
- 235000013311 vegetables Nutrition 0.000 description 1
- 230000000007 visual effect Effects 0.000 description 1
- 230000037303 wrinkles Effects 0.000 description 1
Images
Classifications
-
- 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
- G05B19/0423—Input/output
-
- 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
- G05B2219/00—Program-control systems
- G05B2219/20—Pc systems
- G05B2219/24—Pc safety
- G05B2219/24215—Scada supervisory control and data acquisition
Landscapes
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Engineering & Computer Science (AREA)
- Automation & Control Theory (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明公开了一种基于小波神经网络的茄子温室环境智能检测系统，其特征在于：所述检测系统由基于无线传感器网络的茄子温室环境参数采集平台和茄子温室产量智能化预警系统两部分组成；本发明有效解决了现有茄子温室产量没有根据茄子温室环境温度变化的非线性、大滞后和茄子温室面积大温度变化复杂等对茄子温室产量影响，没有对茄子温室产量进行预测和对茄子温室环境温度精确检测与调节，从而极大的影响茄子温室环境产量预测和生产管理问题。
Description
技术领域
本发明涉及农业温室自动化装备的技术领域，具体涉及一种基于小波神经网络的茄子温室环境智能检测系统。
背景技术
茄子是我国南北方主要的蔬菜种类之一，在生产中占有重要的地位，在我国各地栽培普遍。目前，我国的茄子生产已经实现了周年供应，基本上形成了高效节能型日光温室、塑料棚、地膜、遮阳网四元覆盖型周年系列化保护栽培体系。茄子属于直根系茄子，根系发达，吸肥吸水能力强。茄子柔嫩多汁，果型较大且需水量较多，因此，水分管理成为茄子生产上最关键的技术之一。影响茄子生长的几个因素如下：①、土壤水分长期处于亏缺状态影响了根系在土壤中的均匀分布，不灌沟土壤中的养分得不到吸收和利用，对茄子生长不利。土壤含水率过高或过低会降低果实中的粗纤维质量分数和硝态氮质量分数，较高的土壤水分下限有利于果实中氨基酸的形成，而还原性VC质量分数随着土壤水分下限的降低而降低。灌水下限为80％田间持水率时对茄子的生长最为有利，该处理下冠层发育、根系生长、果实产量及品质均处于较高水平。②、茄子为喜温作物，最适宜的生长发育温度为22-30℃，一旦温度超过35℃，其各个生长阶段就会表现出相应的高温伤害症状：如苗期表现为植株生长异常、生长势较弱或生长受抑，叶片边缘表现不规则缺失或皱褶；开花坐果期表现为花粉发育异常，花粉萌发率低、活力下降、花粉管伸长缓慢，花器发育不良，中柱花和短柱花比例增加，授粉受精不正常，花期缩短，落花落果增加，畸形果增多，果实生长异常或停止生长成为僵果，果皮失去光泽，果实木栓化程度加重等，严重时可导致产量和品质降低，甚至果实完全丧失商品价值。总之影响茄子产量与质量的因素还很多，开展对农田茄子亩产智能化预测是合理搞好茄子生产管理的前提，可以对影响茄子产量的各种人为因素进行合理调节。仝国栋等研究日光温室滴灌条件下，营养生长和生殖生长期不同水分下限对茄子根系生长、冠层发育、果实产量及品质的影响，提出滴灌条件下适合茄子栽培的灌水下限，旨在为建立日光温室滴灌条件下茄子的灌溉制度提供理论依据。徐军用等研究3种灌水方式对茄子生长、产量及品质的影响，李桓研究各生育期不同灌水下限对茄子生长、产量及水分利用效率的影响，陈修斌等研究不同土壤含水量对日光温室茄子生长及生理特性影响。茄子产量的预测是农业生产的一项重要技术管理工作，对优化提高茄子生产作业及统筹管理具有指导作用，在农作物产量预测中，应用传统数理统计方法对农作物产量的预测预报的研究已较为成熟，但是农作物产量预测存在预测难度大、精度差和准确度低等问题，在实际应用中难以符合需求，应用神经网络等人工智能进行茄子产量预测还没有报道。
发明内容
本发明提供了一种基于小波神经网络的茄子温室环境智能检测系统，本发明有效解决了现有茄子温室产量没有根据茄子温室环境温度变化的非线性、大滞后和茄子温室面积大温度变化复杂等对茄子温室产量影响，没有对茄子温室产量进行预测和对茄子温室环境温度精确检测与调节，从而极大的影响茄子温室环境产量预测和生产管理问题。
本发明通过以下技术方案实现：
一种基于小波神经网络的茄子温室环境智能检测系统，由基于无线传感器网络的茄子温室环境参数采集平台和茄子温室产量智能化预警系统两部分组成，基于无线传感器网络的茄子温室环境参数采集平台实现对茄子温室环境参数检测、调节和监控，茄子温室产量智能化预警系统包括茄子温室产量组合预测子系统、茄子温室温度预测子系统、茄子温室产量校正模型和基于小波神经网络的茄子温室产量等级分类器四部分组成，实现对茄子温室产量预测，提高茄子温室生产管理效率和效益。
本发明进一步技术改进方案是：
基于无线传感器网络的茄子温室环境参数采集平台由检测节点、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构建成茄子温室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茄子温室环境的温度、湿度、风速和土壤水分等茄子温室小气候环境参数，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；控制节点实现对茄子温室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茄子温室环境参数进行管理和对茄子茄子温室产量进行预警。基于无线传感器网络的茄子温室环境参数采集平台见图1所示。
本发明进一步技术改进方案是：
茄子温室产量智能化预警系统包括茄子温室产量组合预测子系统、茄子温室温度预测子系统、茄子温室产量校正模型和基于小波神经网络的茄子温室产量等级分类器四部分组成。茄子温室产量智能化预警系统结构见图2。
本发明进一步技术改进方案是：
茄子温室产量组合预测子系统包括自回归积分滑动平均模型(ARIMA)、GM(1,1)灰色预测模型、Elman神经网络预测模型和Elman神经网络茄子温室产量融合模型组成，针对历年茄子温室产量的非线性与变化复杂的特点，分别建立自回归积分滑动平均模型(ARIMA)、GM(1,1)灰色预测模型和Elman神经网络预测模型三种单一预测子模型分别预测茄子温室产量值，一个时延段的历年茄子温室产量数据分别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Elman神经网络茄子温室产量融合模型的输入，Elman神经网络茄子温室产量融合模型为茄子温室产量非线性组合预测模型的逼近器，实现对三种单一预测子模型结果的融合作为茄子温室产量的预测值，茄子产量组合预测子系统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，提高了茄子温室产量组合预测子系统的鲁棒性，预测结果更科学和准确。
茄子温室温度预测子系统包括茄子温室温度减法聚类分类器、多个小波神经网络预测模型和小波神经网络茄子温室温度预测值融合模型，利用茄子温室温度减法聚类分类器对茄子温室多点温度测量值进行分类，每类茄子温室多点温度测量值输入对应的小波神经网络预测模型，多个小波神经网络预测模型的输出作为小波神经网络茄子温室温度预测值融合模型的输入，温度预测子系统根据茄子温室多点温度测量值预测茄子温室温度未来值。
本发明进一步技术改进方案是：
茄子温室产量校正模型由4个微分算子和Elman神经网络组成，4个微分算子平均分成2组，每组2个微分算子相串联分别构成微分回路1和微分回路2，茄子温室产量组合预测子系统的输出为Elman神经网络的a端的输入；茄子温室温度预测子系统的输出为微分回路1的输入和Elman神经网络的D端的输入，微分回路1的输出为Elman神经网络的b输入端，微分回路1的2个微分算子的连接端的输出为Elman神经网络的C输入；茄子温室产量校正模型的输出为微分回路2的输入，微分回路2的输出为Elman神经网络的E输入，微分回路2的2个微分算子的连接端的输出为Elman神经网络的F输入；Elman神经网络由16个输入端节点、10个中间节点和1个输出端节点组成，茄子温室产量校正模型实现对茄子温室产量预测的校正，反映了茄子温室温度值对茄子温室产量的影响，提高茄子温室产量预测的精确度。
本发明进一步技术改进方案是：
基于小波神经网络的茄子温室产量等级分类器根据茄子温室产量校正模型输出值的大小、茄子温室面积和茄子的种类作为基于小波神经网络的茄子温室产量等级分类器的输入，基于小波神经网络的茄子温室产量等级分类器的输出把茄子温室产量分为茄子温室高产、茄子温室比较高产、茄子温室中产和茄子温室低产四个茄子温室产量等级。
本发明与现有技术相比，具有以下明显优点：
一、本发明采用多个GM(1,1)灰色预测模型预测茄子温室产量的时间跨度长。用GM(1,1)灰色预测模型模型可以根据茄子温室产量的历史参数值预测未来时刻茄子温室产量，用上述方法预测出的茄子温室产量后，把它们再加分别加入茄子温室产量的原始数列中，相应地去掉数列开头的一个数据建模，再进行预测茄子温室产量。依此类推，预测出茄子温室产量。这种方法称为等维灰数递补模型，它可实现较长时间的预测。种植户可以更加准确地掌握茄子温室产量的变化趋势，为搞好茄子温室生产管理做好准备。
二、本发明采用ARIMA模型预测茄子温室产量整合了茄子温室产量变化的趋势因素、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茄子温室产量数据拟合和预测。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，是一种对茄子温室产量进行短期预测效果较好的模型。
三、本发明所采用的ELman网络预测茄子温室产量，该模型的Elman神经网络一般分为4层:输入层、中间层(隐含层)、承接层和输出层,其输入层、隐含层和输出层的连接类似于前馈网络,输入层的单元仅起信号传输作用,输出层单元起线性加权作用。隐含层单元的传递函数可采用线性或非线性函数,承接层又称为上下文层或状态层,它用来记忆隐含层单元前一时刻的输出值,可以认为是一个一次延时算子。Elman型神经网络的特点是隐含层的输出通过承接层的延迟与存储,自联到隐含层的输入,这种自联方式使其对历史状态的数据具有敏感性,内部反馈网络的加入增加了网络本身处理动态信息的能力,从而达到了动态建模的目的。Elman型回归神经元网络的特点是隐层的输出通过结构单元的延迟、存储,自联到隐层的输入,这种自联方式使其对历史状态的数据具有敏感性,内部反馈网络的加入增加了网络本身处理动态信息的能力,有利于动态过程的建模；该模型利用关联层动态神经元的反馈连接,将未来预测网络和过去预测网络的信息进行融合,使网络对时间序列特征信息的记忆得到加强,从而提高茄子温室产量预测精度。
四、本发明根据茄子温室多个监测点温度参数样本差异的特点,构建茄子温室温度减法聚类分类器对茄子温室多个监测点温度样本参数进行分类，设计多个小波神经网络预测模型对茄子温室多个温度的样本参数进行分类再分别预测，在茄子温室温度预测连续预报过程当中,充分考虑茄子温室温度在时空间的特性,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茄子温室温度多个分类的多个小波神经网络预测模型预测模型，提高预测精度。
五、茄子温室产量校正模型由4个微分算子和Elman神经网络组成，由于通过2个微分算子串联引入茄子温室温度的一次和二次变化率，茄子温室产量通过2个微分算子串联引入茄子温室产量反馈的一次和二次变化率及输出反馈建立的动态茄子温室产量校正模型，它将影响茄子产量的温度、温度一次与二次变化率、茄子产量、茄子产量的一次与二次变化率引入网络训练中，形成新的输入向量，具有良好的非线性映射能力，网络模型的茄子温室产量与温度输入，还包括它们的一次与二次变化率，网络的泛化能力得到提高，使其在非线性茄子温室产量的时间序列预测中根据茄子温度以及变化率、茄子温室产量以及变化率对茄子温室产量的影响对茄子温室产量预测进行校正，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。
六、本发明提高茄子温室产量等级分类的科学性与可靠性，根据茄子温室产量校正模型输出值的大小、茄子温室面积和茄子的种类作为基于小波神经网络的茄子温室产量等级分类器的输入，基于小波神经网络的茄子温室产量等级分类器的输出把茄子温室产量分为茄子温室高产、茄子温室比较高产、茄子温室中产和茄子温室低产四个茄子温室产量等级，实现对茄子温室产量等级动态的分类，提高茄子温室产量等级预警的科学性与可靠性。
附图说明
图1为本发明基于无线传感器网络的茄汁温室环境参数采集平台；
图2为本发明茄子温室产量智能化预警系统；
图3为本发明检测节点功能图；
图4为本发明控制节点功能图；
图5为本发明现场监控端软件功能图；
图6为本发明茄子温室环境参数采集平台平面布置图。
具体实施方式
结合附图1-6，对本发明技术方案作进一步描述：
1、系统总体功能的设计
本发明实现对茄子温室环境因子参数进行检测与调节和茄子温室产量进行预警，该系统由基于无线传感器网络的茄子温室环境参数采集平台和茄子温室产量智能化预警系统两部分组成。基于无线传感器网络的茄子温室环境参数采集平台包括茄子温室环境参数的检测节点1和调节茄子温室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将检测的茄子温室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作为茄子温室环境参数感知终端，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包括采集茄子温室环境温度、湿度、风速和土壤水分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茄子温室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、风速和土壤水分的调节输出量控制电路、MSP430微处理器和无线通信模块接口，实现对茄子温室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主要实现对茄子温室环境参数进行采集、多点温度融合和茄子温室环境温度预测，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、茄子温室产量智能化预警系统。茄子温室产量智能化预警系统包括茄子温室产量组合预测子系统、茄子温室温度预测子系统、茄子温室产量校正模型和基于小波神经网络的茄子温室产量等级分类器四部分组成。茄子温室产量智能化预警系统结构见图2。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。茄子温室产量智能化预警系统的设计如下：
(1)、茄子温室产量组合预测子系统设计
茄子温室产量组合预测子系统包括自回归积分滑动平均模型(ARIMA)、GM(1,1)灰色预测模型、Elman神经网络预测模型和Elman神经网络茄子温室产量融合模型组成，针对历年茄子温室产量的非线性与变化复杂的特点，分别建立自回归积分滑动平均模型(ARIMA)、GM(1,1)灰色预测模型和Elman神经网络预测模型三种单一预测子模型分别预测茄子温室产量值，一个时延段的历年茄子温室产量数据分别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Elman神经网络茄子温室产量融合模型的输入，Elman神经网络茄子温室产量融合模型为茄子温室产量非线性组合预测模型的逼近器，实现对三种单一预测子模型结果的融合作为茄子温室产量的预测值，茄子产量组合预测子系统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，提高了茄子温室产量组合预测子系统的鲁棒性，预测结果更科学和准确。
A、自回归积分滑动平均模型(ARIMA)
ARIMA模型一种根据被预测茄子温室产量历史数据预测茄子温室将来产量的建模方法,它对被预测茄子温室产量的时间序列进行分析。本专利采用茄子温室产量历史参数来分析茄子温室产量的时间序列对ARIMA动态预测模型的时间序列特征的自回归阶数(p)、差分次数(d)和移动平均阶数(q)进行研究。ARIMA动态预测模型被写作为：ARIMA(p,d,q)。以p、d、q为参数的ARIMA动态预测茄子温室产量的方程可以表示如下:
Δdyt表示yt经d次差分转换之后的序列，εt是随机误差，方差为常量σ2的正态分布，φi(i＝1,2,…,p)和θj(j＝1,2,…,q)为ARIMA动态预测模型的待估计参数，p和q为ARIMA动态预测茄子温室产量模型的阶。ARIMA动态预测茄子温室产量本质上属于线性模型，建模与预测包含4个步骤:①、序列平稳化处理。如果茄子温室产量历史数据序列是非平稳的,如存在一定的增长或下降趋势等,则需对茄子温室产量历史数据进行差分处理。②、模型识别。通过自相关系数和偏自相关系数来确定ARIMA动态预测茄子温室产量模型的阶数p，d和q。③、估计模型的参数和模型诊断。用极大似然估计得到ARIMA动态预测茄子温室产量模型中所有参数的估计值,并检验包括参数的显著性检验和残差的随机性检验,然后判断所建茄子温室产量模型是否可取，利用选取合适参数的ARIMA动态预测茄子温室产量模型进行茄子温室产量的预测；并在模型中进行检验,以判定该模型是否恰当,如果不恰当就重新估计参数。④、利用具有合适参数模型进行茄子温室产量的预测。本专利使用软件调用SPSS统计分析软件包中时间序列分析功能的ARIMA模块实现茄子温室产量预测的整个建模过程。
B、GM(1,1)灰色预测模型
GM(1,1)灰色预测模型是将无规律的茄子温室产量的历史数据进行累加，得到规律性比较强的生成数据序列后预测茄子温室产量的建模过程，由生成预测茄子温室产量GM(1,1)灰色预测模型得到的数据再进行累减得到原始数据的预测值。假设要预测茄子温室产量的历史数据数列为：
x(0)＝(x(0)(1),x(0)(2),…x(0)(n)) (2)
一阶累加后生成新的序列为：x(1)＝(x(1)(1),x(1)(2),…x(1)(n)) (3)
其中：
则x(1)序列具有指数增长的规律，即满足一阶线性微分方程：
公式中a成为发展灰数，它反映x(1)和x(0)的发展趋势；u为内生控制灰数，反映了数据之间的变化关系。解上式的微分方程得到x(1)的茄子温室产量预测值为：
通过下面公式的累减还原，得到原始序列x(0)的茄子温室产量灰色预测模型为：
通过构建GM(1,1)灰色预测茄子温室产量模型，可以实现对本专利茄子温室产量的预测，构建对应茄子温室产量的GM(1,1)灰色预测模型。
C、Elman神经网络预测模型
Elman神经网络预测模型可以预测茄子温室产量，该模型是一个具有局部记忆单元和局部反馈连接的前向神经网络，关联层从隐层接收反馈信号,每一个隐层节点都有一个与之对应的关联层节点连接。关联层将上一时刻的隐层状态连同当前时刻的网络输入一起作为隐层的输入作为状态反馈。隐层的传递函数一般为Sigmoid函数,关联层和输出层为线性函数。设Elman神经网络预测模型的输入层、输出层和隐层的个数分别为m,n和r；w1，w2，w3和w4分别表示结构层单元到隐层、输入层到隐层、隐层到输出层、结构层到输出层的连接权矩阵,则网络的隐含层、关联层和输出层的输出值表达式分别为:
cp(k)＝xp (k-1) (8)
Elman神经网络预测模型的输入数据为茄子温室产量的历史数据，输出为茄子温室产量的将来值，Elman神经网络预测模型的输入层、输出层和隐层的个数分别为10,1和21，Elman神经网络预测模型的输入层和输出层分别为茄子温室产量的历史数据和茄子温室产量的预测值，Elman神经网络预测模型实现对茄子温室产量的非线性预测。
D、Elman神经网络茄子温室产量融合模型
Elman神经网络茄子温室产量融合模型实现对茄子温室产量的自回归积分滑动平均模型(ARIMA)、GM(1,1)灰色预测模型和Elman神经网络预测模型的融合，这三个子模型有线性预测、灰色预测和非线性预测茄子温室产量作为Elman神经网络茄子温室产量融合模型的输入，Elman神经网络茄子温室产量融合模型的输出作为这三个子模型的融合值，通过Elman神经网络茄子温室产量融合模型对三种预测方法的融合，提高预测茄子温室产量的准确度。Elman神经网络茄子温室产量融合模型的输入层、输出层和隐层的个数分别为3,1和7，Elman神经网络茄子温室产量融合模型实现对茄子温室产量预测自回归积分滑动平均模型(ARIMA)、GM(1,1)灰色预测模型和Elman神经网络预测模型三个子模型信息的融合。
(2)、茄子温室温度预测子系统设计
茄子温室温度预测子系统包括茄子温室温度减法聚类分类器、多个小波神经网络预测模型和小波神经网络茄子温室温度预测值融合模型，利用茄子温室温度减法聚类分类器对茄子温室多点温度测量值进行分类，每类茄子温室多点温度测量值输入对应的小波神经网络预测模型，多个小波神经网络预测模型的输出作为小波神经网络茄子温室温度预测值融合模型的输入，温度预测子系统根据茄子温室多点温度测量值预测茄子温室温度未来值。
A、茄子温室温度减法聚类分类器
茄子温室温度减法聚类是一种用来估计一组茄子温室温度检测数据中的聚类个数以及聚类中心位置的快速实用的单次算法。减法聚类方法将检测的每个茄子温室温度数据点都作为可能的聚类中心，然后根据各个茄子温室温度数据点周围的数据点密度来计算该点作为聚类中心的可能性。被选为聚类中心的茄子温室温度数据点周围具有最高的数据点密度，同时该茄子温室温度数据点附近的数据点就被排除作为聚类中心的可能性。在选出第一个聚类中心后，从剩余的可能作为聚类中心的茄子温室温度数据点中，继续用类似方法选择下一个中心，直至所有剩余茄子温室温度数据点作为聚类中心的可能性低于设定的设定阈值。假设所有茄子温室温度数据点位于一个单位超立方体内，即各维的坐标都在0-1之间，通常指定茄子温室温度数据向量的每一维坐标上聚类中心的影响范围在0.2-0.5。定义茄子温室温度数据点xi的密度为:
半径ra定义了该茄子温室温度数据点的密度范围，范围外的茄子温室温度数据点对密度影响很微小。计算茄子温室温度每个数据点密度后，选取茄子温室温度密度高的数据点为第一个聚类中心，计此数据点xi和DXi为其密度，则其他茄子温室温度数据点密度修正为:
常数rb定义了一个密度显著减小的范围，通常大于rb。然后重复以上步骤，直至所有剩余的茄子温室温度数据点作为聚类中心的可能性低于某一个阈值。当输入茄子温室温度个数比较多时，采用茄子温室温度减法聚类算法划分输入空间，实现对被监测茄子温室温度数据的分类，茄子温室温度分类划分更合理、茄子温室温度减法聚类算法简单、训练时间短。
B、多个小波神经网络预测模型
多个小波神经网络预测模型实现对经过温度减法聚类分类器划归不同类茄子温室温度分别进行预测来提高茄子温室温度预测精度,茄子温室温度小波神经网络预测模型基于小波神经网络WNN(Wavelet Neural Networks)理论基础构建的茄子温室温度预测模型,小波神经网络以小波函数为神经元的激励函数并结合人工神经网络提出的一种前馈型网络。小波神经网络预测模型中小波的伸缩、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。设小波神经网络预测模型的输入信号可以表示为一个茄子温室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)，茄子温室温度小波神经网络预测模型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预测模型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模型输出不断逼近期望输出。
C、小波神经网络茄子温室温度预测值融合模型
小波神经网络茄子温室温度预测融合模型的输入为茄子温室温度的多个小波神经网络预测模型的输出,小波神经网络茄子温室温度预测融合模型的输出为茄子温室温度的多个小波神经网络预测模型的融合值,融合值的计算方法可以参照公式(12)。
(3)、茄子温室产量校正模型设计
茄子温室产量校正模型由4个微分算子和Elman神经网络组成，4个微分算子平均分成2组，每组2个微分算子相串联分别构成微分回路1和微分回路2，茄子温室产量组合预测子系统的输出为Elman神经网络的a端的输入；茄子温室温度预测子系统的输出为微分回路1的输入和Elman神经网络的D端的输入，微分回路1的输出为Elman神经网络的b输入端，微分回路1的2个微分算子的连接端的输出为Elman神经网络的C端输入；茄子温室产量校正模型的输出为微分回路2的输入，微分回路2的输出为Elman神经网络的E端输入，微分回路2的2个微分算子的连接端的输出为Elman神经网络的F端输入；Elman神经网络由16个输入端节点、10个中间节点和1个输出端节点组成，微分算子在MATLAB中调用，茄子温室产量校正模型实现对茄子温室产量预测的校正，反映了茄子温室温度值对茄子温室产量的影响，提高茄子温室产量预测的精确度。微分算子可以通过调用Matlab中微分算子直接实现，Elman神经网络中的计算公式可以参照本专利的公式(7)、(8)和(9)。
(4)、基于小波神经网络的茄子温室产量等级分类器
基于小波神经网络的茄子温室产量等级分类器根据茄子温室产量校正模型输出值的大小、茄子温室面积和茄子的种类作为基于小波神经网络的茄子温室产量等级分类器的输入，基于小波神经网络的茄子温室产量等级分类器的输出把茄子温室产量分为茄子温室高产、茄子温室比较高产、茄子温室中产和茄子温室低产四个茄子温室产量等级。茄子种类量化方法为日本蛋茄为1，白茄子为2，麻薯茄为3，美国茄为4等根据茄子不同种类可以量化为不同数字输入小波神经网络代替茄子不同种类；基于小波神经网络的茄子温室产量等级分类器的小波神经网络计算可以参照本专利公式(12)，基于小波神经网络的茄子温室产量等级分类器中的小波神经网络的输入层、输出层和隐层的个数分别为3,1和7，茄子温室高产、茄子温室比较高产、茄子温室中产和茄子温室低产对应基于小波神经网络的茄子温室产量等级分类器的输出大小分别为[1-0.8),[0.8-0.60)，[0.6-0.40)，[0.4-0.0]。
5、茄子温室环境参数采集平台的设计举例
根据茄子温室环境的状况，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均衡布置在被检测茄子温室环境中，整个系统平面布置见图6，通过该系统实现对茄子温室环境参数的采集与调节和对茄子温室产量进行预警。
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 (5)
1.一种基于小波神经网络的茄子温室环境智能检测系统，其特征在于：所述检测系统由基于无线传感器网络的茄子温室环境参数采集平台和茄子温室产量智能化预警系统两部分组成；茄子温室产量智能化预警系统包括茄子温室产量组合预测子系统、茄子温室温度预测子系统、茄子温室产量校正模型和基于小波神经网络的茄子温室产量等级分类器四部分组成，实现对茄子温室产量预测；
所述茄子温室产量组合预测子系统包括自回归积分滑动平均模型（ARIMA）、GM（1,1）灰色预测模型、Elman神经网络预测模型和Elman神经网络茄子温室产量融合模型，针对历年茄子温室产量的非线性与变化复杂的特点，分别建立自回归积分滑动平均模型（ARIMA）、GM（1,1）灰色预测模型和Elman神经网络预测模型三种单一预测子模型分别预测茄子温室产量值，一个时延段的历年茄子温室产量数据分别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Elman神经网络茄子温室产量融合模型的输入，Elman神经网络茄子温室产量融合模型为茄子温室产量非线性组合预测模型的逼近器，实现对三种单一预测子模型结果的融合作为茄子温室产量的预测值，茄子产量组合预测子系统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；
所述茄子温室温度预测子系统包括茄子温室温度减法聚类分类器、多个小波神经网络预测模型和小波神经网络茄子温室温度预测值融合模型，利用茄子温室温度减法聚类分类器对茄子温室多点温度测量值进行分类，每类茄子温室多点温度测量值输入对应的小波神经网络预测模型，多个小波神经网络预测模型的输出作为小波神经网络茄子温室温度预测值融合模型的输入，温度预测子系统根据茄子温室多点温度测量值预测茄子温室温度未来值；
所述茄子温室产量校正模型由4个微分算子和Elman神经网络组成，4个微分算子平均分成2组，每组2个微分算子相串联分别构成微分回路1和微分回路2，茄子温室产量组合预测子系统的输出为Elman神经网络的a端的输入；茄子温室温度预测子系统的输出为微分回路1的输入和Elman神经网络的D端的输入，微分回路1的输出为Elman神经网络的b输入端，微分回路1的2个微分算子的连接端的输出为Elman神经网络的C输入；茄子温室产量校正模型的输出为微分回路2的输入，微分回路2的输出为Elman神经网络的E输入，微分回路2的2个微分算子的连接端的输出为Elman神经网络的F输入；Elman神经网络由16个输入端节点、10个中间节点和1个输出端节点组成，茄子温室产量校正模型实现对茄子温室产量预测的校正，反映了茄子温室温度值对茄子温室产量的影响；
所述基于小波神经网络的茄子温室产量等级分类器根据茄子温室产量校正模型输出值的大小、茄子温室面积和茄子的种类作为基于小波神经网络的茄子温室产量等级分类器的输入，基于小波神经网络的茄子温室产量等级分类器的输出把茄子温室产量分为茄子温室高产、茄子温室比较高产、茄子温室中产和茄子温室低产四个茄子温室产量等级。
2.根据权利要求1所述的一种基于小波神经网络的茄子温室环境智能检测系统，其特征在于：所述基于无线传感器网络的茄子温室环境参数采集平台由检测节点、控制节点和现场监控端组成，以自组织方式通过无线通信模块NRF2401构建成茄子温室环境参数采集与智能预测平台，实现对茄子温室环境参数检测、调节和监控。
3.根据权利要求2所述的一种基于小波神经网络的茄子温室环境智能检测系统，其特征在于：所述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茄子温室环境的温度、湿度、风速和土壤水分参数，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。
4.根据权利要求2所述的一种基于小波神经网络的茄子温室环境智能检测系统，其特征在于：所述控制节点实现对茄子温室环境参数的调节设备进行控制。
5.根据权利要求2所述的一种基于小波神经网络的茄子温室环境智能检测系统，其特征在于：所述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茄子温室环境参数进行管理和对茄子茄子温室产量进行预警。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201910319326.3A CN110069032B (zh) | 2019-04-19 | 2019-04-19 | 一种基于小波神经网络的茄子温室环境智能检测系统 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201910319326.3A CN110069032B (zh) | 2019-04-19 | 2019-04-19 | 一种基于小波神经网络的茄子温室环境智能检测系统 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN110069032A CN110069032A (zh) | 2019-07-30 |
| CN110069032B true CN110069032B (zh) | 2021-04-23 |
Family
ID=67368232
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN201910319326.3A Active CN110069032B (zh) | 2019-04-19 | 2019-04-19 | 一种基于小波神经网络的茄子温室环境智能检测系统 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN110069032B (zh) |
Families Citing this family (6)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN110531807B (zh) * | 2019-08-08 | 2020-11-27 | 同济大学 | 一种温室环境多因子协调多目标控制方法 |
| CN110580021B (zh) * | 2019-09-10 | 2020-09-25 | 淮阴工学院 | 一种基于现场总线的粮仓环境安全智能监测系统 |
| CN111982041B (zh) * | 2020-08-25 | 2021-09-24 | 淮阴工学院 | 一种测量用的位移检测系统 |
| CN112665656B (zh) * | 2021-01-13 | 2022-07-29 | 淮阴工学院 | 一种农产品生长环境大数据检测系统 |
| CN112857445B (zh) * | 2021-01-13 | 2022-08-02 | 淮阴工学院 | 一种食品安全检测系统 |
| CN113219871B (zh) * | 2021-05-07 | 2022-04-01 | 淮阴工学院 | 一种养护室环境参数检测系统 |
Citations (11)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN103105246A (zh) * | 2012-12-31 | 2013-05-15 | 北京京鹏环球科技股份有限公司 | 一种基于遗传算法改进的bp神经网络的温室环境预测反馈方法 |
| CN203276052U (zh) * | 2013-06-09 | 2013-11-06 | 西北师范大学 | 一种基于径向基神经网络的农业温度控制系统 |
| CN106373022A (zh) * | 2016-09-13 | 2017-02-01 | 重庆科技学院 | 基于bp‑ga的温室农作物种植效率条件优化方法及系统 |
| CN107168402A (zh) * | 2017-05-12 | 2017-09-15 | 淮阴工学院 | 基于can现场总线的鸡舍环境温度智能监测系统 |
| CN107289998A (zh) * | 2017-05-12 | 2017-10-24 | 淮阴工学院 | 基于can总线的猪舍环境温度智能监测系统 |
| CN107318534A (zh) * | 2017-07-06 | 2017-11-07 | 西北农林科技大学 | 一种具有温度预测功能的日光温室卷帘机智能控温方法和系统 |
| CN107494320A (zh) * | 2017-05-12 | 2017-12-22 | 淮阴工学院 | 基于无线传感器网络的牛舍环境温度智能监测系统 |
| CN107909149A (zh) * | 2017-10-26 | 2018-04-13 | 西北农林科技大学 | 一种基于遗传bp神经网络的日光温室温度预测方法 |
| CN108781926A (zh) * | 2018-06-14 | 2018-11-13 | 淮安信息职业技术学院 | 基于神经网络预测的大棚灌溉系统及方法 |
| KR20190014628A (ko) * | 2017-08-03 | 2019-02-13 | 동국대학교 산학협력단 | 빅데이터에 기반한 온도 관리 추정 방법 및 시스템 |
| CN109523094A (zh) * | 2018-12-21 | 2019-03-26 | 哈尔滨工程大学 | 一种基于小波神经网络的船舶含盐污水处理控制预测系统及预测方法 |
-
2019
- 2019-04-19 CN CN201910319326.3A patent/CN110069032B/zh active Active
Patent Citations (11)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN103105246A (zh) * | 2012-12-31 | 2013-05-15 | 北京京鹏环球科技股份有限公司 | 一种基于遗传算法改进的bp神经网络的温室环境预测反馈方法 |
| CN203276052U (zh) * | 2013-06-09 | 2013-11-06 | 西北师范大学 | 一种基于径向基神经网络的农业温度控制系统 |
| CN106373022A (zh) * | 2016-09-13 | 2017-02-01 | 重庆科技学院 | 基于bp‑ga的温室农作物种植效率条件优化方法及系统 |
| CN107168402A (zh) * | 2017-05-12 | 2017-09-15 | 淮阴工学院 | 基于can现场总线的鸡舍环境温度智能监测系统 |
| CN107289998A (zh) * | 2017-05-12 | 2017-10-24 | 淮阴工学院 | 基于can总线的猪舍环境温度智能监测系统 |
| CN107494320A (zh) * | 2017-05-12 | 2017-12-22 | 淮阴工学院 | 基于无线传感器网络的牛舍环境温度智能监测系统 |
| CN107318534A (zh) * | 2017-07-06 | 2017-11-07 | 西北农林科技大学 | 一种具有温度预测功能的日光温室卷帘机智能控温方法和系统 |
| KR20190014628A (ko) * | 2017-08-03 | 2019-02-13 | 동국대학교 산학협력단 | 빅데이터에 기반한 온도 관리 추정 방법 및 시스템 |
| CN107909149A (zh) * | 2017-10-26 | 2018-04-13 | 西北农林科技大学 | 一种基于遗传bp神经网络的日光温室温度预测方法 |
| CN108781926A (zh) * | 2018-06-14 | 2018-11-13 | 淮安信息职业技术学院 | 基于神经网络预测的大棚灌溉系统及方法 |
| CN109523094A (zh) * | 2018-12-21 | 2019-03-26 | 哈尔滨工程大学 | 一种基于小波神经网络的船舶含盐污水处理控制预测系统及预测方法 |
Non-Patent Citations (2)
| Title |
|---|
| 基于改进PSO优化RBF神经网络的温室温度预测研究;王媛媛;《计算机与数字工程》;20160731(第7期);第1210-1215页 * |
| 温室环境神经网络预测控制;陈亮，杜尚丰;《中国农业工程学会2005年学术年会论文集》;20051231;第79-82页 * |
Also Published As
| Publication number | Publication date |
|---|---|
| CN110069032A (zh) | 2019-07-30 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN110069032B (zh) | 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) | 一种基于grnn神经网络的草莓温室环境参数智能监测系统 | |
| CN110109193B (zh) | 一种基于drnn神经网络的茄子温室温度智能化检测装置 | |
| CN110119767B (zh) | 一种基于lvq神经网络的黄瓜温室温度智能化检测装置 | |
| CN110119766B (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 | |
| CN110647979B (zh) | 一种基于物联网的温室环境多参数智能化监测系统 | |
| CN110119169B (zh) | 一种基于最小向量机的番茄温室温度智能预警系统 | |
| CN110705757B (zh) | 一种基于现场总线网络的多点温度传感器智能监测系统 | |
| 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 | |
| CN110163254B (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 | |
| CN111898922B (zh) | 一种多尺度农作物产量评估方法及系统 | |
| Li et al. | Prediction of plant transpiration from environmental parameters and relative leaf area index using the random forest regression algorithm | |
| 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 | |
| CN112906298A (zh) | 一种基于机器学习的蓝莓产量预测方法 | |
| CN114818888B (zh) | 基于多通道卡尔曼滤波的土壤成分数据融合方法和系统 | |
| CN117391482B (zh) | 一种基于大数据监测的大棚温度智能预警方法及系统 | |
| CN112364710B (zh) | 一种基于深度学习算法的植物电信号分类识别方法 | |
| CN114092776A (zh) | 应用于智慧农业的多传感器数据融合方法 | |
| Chen et al. | Construction of a photosynthetic rate prediction model for greenhouse strawberries with distributed regulation of light environment | |
| CN109934400B (zh) | 基于改进神经网络的集雨调亏作物需水量预测方法 | |
| CN116595333B (zh) | 土壤-气候智慧型的水稻目标产量与氮肥用量确定方法 | |
| CN116225114B (zh) | 一种基于大数据的作物生长可控农业温室智能环控系统及方法 | |
| Chen et al. | A water-saving irrigation decision-making model for greenhouse tomatoes based on genetic optimization TS fuzzy neural network | |
| Jasti et al. | Crop Intelligent: Weather based Crop Selection using Machine Learning | |
| Cai et al. | Intelligent control system and pests mathematical prediction model based on machine learning |
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 | ||
| EE01 | Entry into force of recordation of patent licensing contract | ||
| EE01 | Entry into force of recordation of patent licensing contract |
Application publication date: 20190730 Assignee: SUZHOU YOUPAKE PACKAGING MATERIALS Co.,Ltd. Assignor: HUAIYIN INSTITUTE OF TECHNOLOGY Contract record no.: X2021980013449 Denomination of invention: An intelligent detection system for eggplant greenhouse environment based on Wavelet Neural Network Granted publication date: 20210423 License type: Common License Record date: 20211130 |
|
| EC01 | Cancellation of recordation of patent licensing contract | ||
| EC01 | Cancellation of recordation of patent licensing contract |
Assignee: SUZHOU YOUPAKE PACKAGING MATERIALS Co.,Ltd. Assignor: HUAIYIN INSTITUTE OF TECHNOLOGY Contract record no.: X2021980013449 Date of cancellation: 20220804 |
|
| TR01 | Transfer of patent right | ||
| TR01 | Transfer of patent right |
Effective date of registration: 20240423 Address after: 510000 A203, wisdom building, e-Park Creative Park, Guangzhou Yuzhu wisdom Valley, 32 kengtian street, Maogang village, Huangpu District, Guangzhou City, Guangdong Province Patentee after: Guangzhou Yonghao Technology Co.,Ltd. Country or region after: China Address before: 223005 Jiangsu Huaian economic and Technological Development Zone, 1 East Road. Patentee before: HUAIYIN INSTITUTE OF TECHNOLOGY Country or region before: China |