CN110084417B - 一种基于grnn神经网络的草莓温室环境参数智能监测系统 - Google Patents
一种基于grnn神经网络的草莓温室环境参数智能监测系统 Download PDFInfo
- Publication number
- CN110084417B CN110084417B CN201910319338.6A CN201910319338A CN110084417B CN 110084417 B CN110084417 B CN 110084417B CN 201910319338 A CN201910319338 A CN 201910319338A CN 110084417 B CN110084417 B CN 110084417B
- Authority
- CN
- China
- Prior art keywords
- strawberry
- greenhouse
- neural network
- prediction
- yield
- 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
- 235000016623 Fragaria vesca Nutrition 0.000 title claims abstract description 237
- 235000011363 Fragaria x ananassa Nutrition 0.000 title claims abstract description 237
- 238000013528 artificial neural network Methods 0.000 title claims abstract description 132
- 238000012544 monitoring process Methods 0.000 title claims abstract description 38
- 240000009088 Fragaria x ananassa Species 0.000 title 1
- 241000220223 Fragaria Species 0.000 claims abstract description 277
- 238000001514 detection method Methods 0.000 claims abstract description 38
- 238000000034 method Methods 0.000 claims abstract description 31
- 238000012937 correction Methods 0.000 claims abstract description 19
- 230000007613 environmental effect Effects 0.000 claims abstract description 18
- 230000004927 fusion Effects 0.000 claims description 51
- 230000000306 recurrent effect Effects 0.000 claims description 47
- 238000012843 least square support vector machine Methods 0.000 claims description 26
- 239000002689 soil Substances 0.000 claims description 26
- 238000000354 decomposition reaction Methods 0.000 claims description 16
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 claims description 14
- 238000004891 communication Methods 0.000 claims description 11
- 238000005070 sampling Methods 0.000 claims description 4
- 230000008859 change Effects 0.000 abstract description 15
- 238000004519 manufacturing process Methods 0.000 abstract description 4
- 235000021012 strawberries Nutrition 0.000 description 40
- 230000006870 function Effects 0.000 description 35
- 238000013461 design Methods 0.000 description 12
- 230000012010 growth Effects 0.000 description 12
- 238000004422 calculation algorithm Methods 0.000 description 10
- 235000013399 edible fruits Nutrition 0.000 description 10
- 230000008569 process Effects 0.000 description 9
- 238000012549 training Methods 0.000 description 8
- 230000004913 activation Effects 0.000 description 7
- 238000010586 diagram Methods 0.000 description 7
- 230000006872 improvement Effects 0.000 description 7
- 230000004069 differentiation Effects 0.000 description 6
- 230000003044 adaptive effect Effects 0.000 description 5
- 230000008901 benefit Effects 0.000 description 5
- 210000002569 neuron Anatomy 0.000 description 5
- 238000011161 development Methods 0.000 description 4
- 230000018109 developmental process Effects 0.000 description 4
- 238000005286 illumination Methods 0.000 description 4
- 241000196324 Embryophyta Species 0.000 description 3
- 230000009286 beneficial effect Effects 0.000 description 3
- 201000010099 disease Diseases 0.000 description 3
- 208000037265 diseases, disorders, signs and symptoms Diseases 0.000 description 3
- 230000000694 effects Effects 0.000 description 3
- 230000003993 interaction Effects 0.000 description 3
- 238000007726 management method Methods 0.000 description 3
- 238000013507 mapping Methods 0.000 description 3
- 238000005259 measurement Methods 0.000 description 3
- 238000005457 optimization Methods 0.000 description 3
- 238000011160 research Methods 0.000 description 3
- 238000012706 support-vector machine Methods 0.000 description 3
- 238000012546 transfer Methods 0.000 description 3
- 238000009423 ventilation Methods 0.000 description 3
- CIWBSHSKHKDKBQ-JLAZNSOCSA-N Ascorbic acid Chemical compound OC[C@H](O)[C@H]1OC(=O)C(O)=C1O CIWBSHSKHKDKBQ-JLAZNSOCSA-N 0.000 description 2
- 241000607479 Yersinia pestis Species 0.000 description 2
- 235000021028 berry Nutrition 0.000 description 2
- 238000004364 calculation method Methods 0.000 description 2
- 238000006243 chemical reaction Methods 0.000 description 2
- 230000007547 defect Effects 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 238000003062 neural network model Methods 0.000 description 2
- 238000005312 nonlinear dynamic Methods 0.000 description 2
- 238000012545 processing Methods 0.000 description 2
- 230000001737 promoting effect Effects 0.000 description 2
- 238000012216 screening Methods 0.000 description 2
- 230000017260 vegetative to reproductive phase transition of meristem Effects 0.000 description 2
- ZZZCUOFIHGPKAK-UHFFFAOYSA-N D-erythro-ascorbic acid Natural products OCC1OC(=O)C(O)=C1O ZZZCUOFIHGPKAK-UHFFFAOYSA-N 0.000 description 1
- 241001451111 Fragaria vesca subsp. americana Species 0.000 description 1
- 241001243087 Gryllotalpidae Species 0.000 description 1
- 235000008331 Pinus X rigitaeda Nutrition 0.000 description 1
- 235000011613 Pinus brutia Nutrition 0.000 description 1
- 241000018646 Pinus brutia Species 0.000 description 1
- 235000004789 Rosa xanthina Nutrition 0.000 description 1
- 241000220222 Rosaceae Species 0.000 description 1
- 241001558929 Sclerotium <basidiomycota> Species 0.000 description 1
- 229930003268 Vitamin C Natural products 0.000 description 1
- 208000027418 Wounds and injury Diseases 0.000 description 1
- 238000009825 accumulation Methods 0.000 description 1
- 230000009471 action Effects 0.000 description 1
- 230000003698 anagen phase Effects 0.000 description 1
- 238000004458 analytical method Methods 0.000 description 1
- 150000001720 carbohydrates Chemical class 0.000 description 1
- 230000003750 conditioning effect Effects 0.000 description 1
- 235000009508 confectionery Nutrition 0.000 description 1
- 238000002790 cross-validation Methods 0.000 description 1
- 238000012364 cultivation method Methods 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
- HDRXZJPWHTXQRI-BHDTVMLSSA-N diltiazem hydrochloride Chemical compound [Cl-].C1=CC(OC)=CC=C1[C@H]1[C@@H](OC(C)=O)C(=O)N(CC[NH+](C)C)C2=CC=CC=C2S1 HDRXZJPWHTXQRI-BHDTVMLSSA-N 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 239000000284 extract Substances 0.000 description 1
- 238000000605 extraction Methods 0.000 description 1
- 239000003205 fragrance Substances 0.000 description 1
- 230000009746 freeze damage Effects 0.000 description 1
- 230000008014 freezing Effects 0.000 description 1
- 238000007710 freezing Methods 0.000 description 1
- 239000005556 hormone Substances 0.000 description 1
- 229940088597 hormone Drugs 0.000 description 1
- 208000014674 injury Diseases 0.000 description 1
- 238000009434 installation Methods 0.000 description 1
- 238000009413 insulation Methods 0.000 description 1
- 238000012886 linear function Methods 0.000 description 1
- 238000012417 linear regression Methods 0.000 description 1
- 238000010801 machine learning Methods 0.000 description 1
- 230000006386 memory function Effects 0.000 description 1
- 238000002156 mixing Methods 0.000 description 1
- 235000016709 nutrition Nutrition 0.000 description 1
- 230000035764 nutrition Effects 0.000 description 1
- 230000001717 pathogenic effect Effects 0.000 description 1
- 230000029553 photosynthesis Effects 0.000 description 1
- 238000010672 photosynthesis Methods 0.000 description 1
- 230000008635 plant growth Effects 0.000 description 1
- 230000001863 plant nutrition Effects 0.000 description 1
- 238000002360 preparation method Methods 0.000 description 1
- 230000001850 reproductive effect Effects 0.000 description 1
- 230000003068 static effect Effects 0.000 description 1
- 230000001954 sterilising effect Effects 0.000 description 1
- 238000004659 sterilization and disinfection Methods 0.000 description 1
- 238000003860 storage Methods 0.000 description 1
- 230000004083 survival effect Effects 0.000 description 1
- 230000002195 synergetic effect Effects 0.000 description 1
- 238000012360 testing method Methods 0.000 description 1
- 230000009466 transformation Effects 0.000 description 1
- 230000009105 vegetative growth Effects 0.000 description 1
- 230000000007 visual effect Effects 0.000 description 1
- 235000019154 vitamin C Nutrition 0.000 description 1
- 239000011718 vitamin C Substances 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/24—Classification techniques
- G06F18/241—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches
- G06F18/2411—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches based on the proximity to a decision surface, e.g. support vector machines
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F30/00—Computer-aided design [CAD]
- G06F30/30—Circuit design
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q10/00—Administration; Management
- G06Q10/04—Forecasting or optimisation specially adapted for administrative or management purposes, e.g. linear programming or "cutting stock problem"
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q50/00—Information and communication technology [ICT] specially adapted for implementation of business processes of specific business sectors, e.g. utilities or tourism
- G06Q50/02—Agriculture; Fishing; Forestry; Mining
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Business, Economics & Management (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Economics (AREA)
- Human Resources & Organizations (AREA)
- Strategic Management (AREA)
- General Engineering & Computer Science (AREA)
- Data Mining & Analysis (AREA)
- Marketing (AREA)
- Tourism & Hospitality (AREA)
- Evolutionary Computation (AREA)
- General Business, Economics & Management (AREA)
- Life Sciences & Earth Sciences (AREA)
- Computer Hardware Design (AREA)
- Animal Husbandry (AREA)
- Bioinformatics & Computational Biology (AREA)
- Quality & Reliability (AREA)
- Marine Sciences & Fisheries (AREA)
- Mining & Mineral Resources (AREA)
- Health & Medical Sciences (AREA)
- General Health & Medical Sciences (AREA)
- Primary Health Care (AREA)
- Operations Research (AREA)
- Artificial Intelligence (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Agronomy & Crop Science (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Evolutionary Biology (AREA)
- Entrepreneurship & Innovation (AREA)
- Game Theory and Decision Science (AREA)
- Development Economics (AREA)
- Geometry (AREA)
- Feedback Control In General (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
- Greenhouses (AREA)
Abstract
本发明公开了一种基于GRNN神经网络的草莓温室环境参数智能监测系统,其特征在于:所述监测系统由基于CAN总线的草莓温室环境参数采集平台和温室草莓产量智能预测系统两部分组成,基于CAN总线的草莓温室环境参数采集平台实现对草莓温室环境因子参数进行检测、调节和监控,温室草莓产量智能预测系统包括温室草莓产量预测子系统、草莓温室温度预测子系统、草莓温室水分预测子系统和温室草莓产量环境参数校正模型;本发明有效解决了现有草莓温室环境没有根据草莓温室参数变化的非线性、大滞后和动态变化复杂等特点,对草莓温室产量进行预测,从而极大的影响草莓温室生产的有效管理。
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GRNN神经网络的草莓温室环境参数智能监测系统。
背景技术
草莓是蔷薇科草莓属多年生常绿草本浆果类植物。草莓浆果柔软多汁、色彩艳丽、酸甜可口、芳香浓郁,富含多种人体所需元素;尤其富含维生素C,营养丰富,深受人们喜爱,被誉称为“水果皇后”。据不完全统计,我国目前的设施草莓种植总面积已达到11.40万hm2,总产量200万t,是世界草莓生产和消费的第一大国。设施草莓的上市期一般在12月下旬至翌年1月上旬,12月底前的早期果产量较低,约占5%左右,而价格居全年最高,约为年后价格的2-4倍。草莓温室环境因子对草莓生长的影响如下:①、土壤水分对草莓生长影响。草莓根系浅,对水分要求高,既要防旱又要防涝,田间湿度的控制也是减轻病害的关键,根据草莓的不同物候期进行水分管理。栽后1-7d,每天早晚浇透水l次,保持土壤湿润,1周即可成活。花芽分化期保持田间持水量的60%-65%,有利于植株由营养生长向生殖生长转化;显蕾到果实膨大期,保持田间持水量的70%-80%;果实成熟期适宜控水,防烂果和落果。草莓生长最适宜的土壤含水量为16%-20%,并且在不同的生长时期对土壤含水量要求不同。通过土壤含水量传感器实时检测草莓生长土壤的含水量,并通过给排水设备进行控制,能保证草莓在不同的生长期都处在最佳状态。②、温度对温室草莓生长的影响。对土壤进行日光高温灭菌是一项安全、经济、有助于防治土传病害和地下害虫的增效措施,对防治草莓根腐病等土传性病害和蛴螬、蝼蛄等地下害虫效果明显。强烈阳光照射可使膜下水温上升至60℃以上,有效杀灭土壤中大部分病原的菌丝、菌核和孢子,为优质草莓种植提供好的土壤环境。冬草莓虽在大棚中种植,但由于大棚保温性差,在种植过程中同样受到外界气象条件影响,低温冻害持续时间长,如果日最低温度突破近30℃历史极端值,严重影响了冬草莓的开花和结果,使其产量和品质受到了严重影响,给农户带来了巨大的损失。开花期是冬草莓生长关键期,对环境温度较为敏感,低温冻害往往影响冬草莓的产量及品质。草莓的最佳生长温度是20-25℃,大棚中的空气温度传感器检测到温度过高时,控制系统会自动发出指令打开大棚的通风设备进行通风;当温度回到安全值时,通风设备会自动关闭。这样能及时控制草莓的生长环境,保证草莓处于最佳的生长状态,解放了果农,提高生产效率。③、草莓发育期需要充足的光照条件。光照充足,植株生长良好,光合作用旺盛,同化率高。碳水化合物向果实输送多,促进果实膨大,果内糖分积累多,品质好。草莓抽生匍匐茎也需在长日照和高温条件下才能形成。在短日照和低温条件下植株才能形成花芽。国内外研究者对促进草莓花芽分化技术开展了大量的研究,周春松设计基于物联网草莓生长环境远程监控系统,杨敏设计基于Zigbee的草莓栽培温室大棚系统。特别是在温度、光照对草莓花芽分化的影响方面,控制光照与温度、植株营养和激素与花芽分化的关系、提早花芽分化措施的应用等方面也进行了一系列的研究。促进草莓花芽提早分化的传统方法主要有低温、短日照等手段,需要冷库,耗能费工,大规模种苗处理比较困难。
发明内容
本发明提供了一种基于GRNN神经网络的草莓温室环境参数智能监测系统,本发明有效解决了现有草莓温室环境没有根据草莓温室参数变化的非线性、大滞后和动态变化复杂等特点,对草莓温室产量进行预测,从而极大的影响草莓温室生产的有效管理。
本发明通过以下技术方案实现:
一种基于GRNN神经网络的草莓温室环境参数智能监测系统,其特征在于:所述监测系统由基于CAN总线的草莓温室环境参数采集平台和温室草莓产量智能预测系统两部分组成,基于CAN总线的草莓温室环境参数采集平台实现对草莓温室环境因子参数进行检测、调节和监控,温室草莓产量智能预测系统包括温室草莓产量预测子系统、草莓温室温度预测子系统、草莓温室水分预测子系统和温室草莓产量环境参数校正模型。
本发明进一步技术改进方案是:
所述基于CAN总线的草莓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,它们通过CAN总线实现检测节点、控制节点和现场监控端之间的通信;检测节点分别由传感器组模块、单片机和通信接口组成,传感器组模块负责检测草莓温室环境的温度、水分、风速和光照度的草莓温室环境参数,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;控制节点实现对草莓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和RS232/CAN通信模块组成,实现对检测节点检测草莓温室环境参数进行管理和对草莓温室环境多点温度进行融合。
本发明进一步技术改进方案是:
所述温室草莓产量预测子系统为温室草莓产量经验模态(EMD)分解模型、多个最小二乘支持向量机(LS-SVM)产量预测模型和多个最小二乘支持向量机 (LS-SVM)产量预测模型值等权重相加和得到草莓产量融合预测值;温室草莓产量历史数据作为温室草莓产量经验模态(EMD)分解模型的输入,温室草莓产量经验模态(EMD)分解模型把温室草莓产量历史数据分解为低频趋势部分和多个高频波动部分,温室草莓产量历史数据的低频趋势部分和多个高频波动部分分别作为多个最小二乘支持向量机(LS-SVM)产量预测模型的输入,多个最小二乘支持向量机(LS-SVM)产量预测模型分别对温室草莓产量历史数据的低频趋势部分和多个高频波动部分各分量进行预测,多个最小二乘支持向量机 (LS-SVM)产量预测模型值等权重相加和得到温室草莓产量融合预测值。
本发明进一步技术改进方案是:
所述草莓温室温度预测子系统包括草莓温室温度减法聚类分类器、多个 HRFNN递归神经网络温度预测模型、ANFIS神经网络温度预测融合模型;草莓温室多个检测点温度值作为草莓温室温度减法聚类分类器的输入,草莓温室温度减法聚类分类器把草莓温室多个检测点温度值分为多种类型,每种类型的草莓温室温度值分别作为多个HRFNN递归神经网络温度预测模型的输入,多个 HRFNN递归神经网络温度预测模型分别对多种类型草莓温室温度值进行预测,多个HRFNN递归神经网络温度预测模型的预测值作为ANFIS神经网络温度预测融合模型的输入,ANFIS神经网络温度预测融合模型实现对多个HRFNN递归神经网络温度预测模型的预测值进行融合得到草莓温室温度预测值。
本发明进一步技术改进方案是:
所述草莓温室水分预测子系统包括草莓温室水分减法聚类分类器、多个 ANFIS神经网络水分预测模型和HRFNN递归神经网络水分预测融合模型;草莓温室多个检测点土壤水分值作为草莓温室水分减法聚类分类器的输入,草莓温室水分减法聚类分类器把草莓温室多个检测点土壤水分值分为多种类型,每种类型的草莓温室土壤水分值分别作为多个ANFIS神经网络水分预测模型的输入,多个ANFIS神经网络水分预测模型分别对多种类型草莓温室土壤水分值进行预测,多个ANFIS神经网络水分预测模型的预测值作为HRFNN递归神经网络水分预测融合模型的输入,HRFNN递归神经网络水分预测融合模型实现对多个ANFIS神经网络水分预测模型的预测值进行融合得到草莓温室土壤水分预测值。
本发明进一步技术改进方案是:
所述温室草莓产量环境参数校正模型由4个微分算子S和GRNN神经网络组成,4个微分算子S平均分成2组,每组2个微分算子S相串联分别构成微分回路1和微分回路2;温室草莓产量预测子系统的输出作为GRNN神经网络A 端的输入,草莓温室温度预测子系统的输出作为微分回路1的输入和GRNN神经网络B端的输入,微分回路1的2个微分算子S的连接端的输出为GRNN神经网络D端的输入,微分回路1的输出为GRNN递归神经网络C端的输入;草莓温室水分预测子系统的输出作为微分回路2的输入和GRNN神经网络E端的输入,微分回路2的2个微分算子S的连接端的输出为GRNN神经网络I端的输入,微分回路2的输出为GRNN神经网络F端的输入;GRNN神经网络由7 个输入端节点分别为A、B、C、D、E、F和I,13个中间节点和1个输出端节点组成,温室草莓产量环境参数校正模型实现对温室温度和土壤水分对草莓产量影响程度的校正,反映了温室温度和土壤水分的实际值变化对温室草莓产量的影响大小,提高温室草莓产量预测的精确度。
本发明与现有技术相比,具有以下明显优点:
一、本发明通过经验模态分解模型(EMD)将原始温室草莓产量历史数据序列分解为不同频段的分量,每一个分量都显示出隐含在原序列中的不同特征信息。以降低序列的非平稳性。高频部分数据关联性不强,频率比较高,代表原始序列的波动成分,具有一定的周期性和随机性,这与温室草莓产量的周期性变化相符合;低频成分代表原序列的变化趋势。可见EMD能够逐级分解出温室草莓产量的波动成分、周期成分和趋势成分,分解出的每一个分量自身包含相同的变形信息,在一定程度上减少了不同特征信息之间的相互干涉,且分解出的各分量变化曲线比原始温室草莓产量变形序列曲线光滑。可见EMD能有效分析多因素共同作用下的温室草莓产量变形数据,分解得到的各分量有利于多个最小二乘支持向量机(LS-SVM)产量预测模型更好地预测。使用对各分量分别建立ANFIS网络预测模型,为避免极限学习机输入维数选取的随意性和分量信息丢失等问题,先对各分量重构相空间,最后将各分量预测结果等权重叠加得到最终融合预测结果。实例研究表明,所提的融合预测结果具有较高的预测精度。
二、本发明根据草莓温室温度和土壤水分差异的特点,构建草莓温室温度和水分减法聚类分类器对草莓温室多个检测点温度和土壤水分样本参数进行分类,设计关于温度的多个HRFNN递归神经网络温度预测模型、ANFIS神经网络温度预测融合模型,设计关于水分的多个ANFIS神经网络水分预测模型和 HRFNN递归神经网络水分预测融合模型;它们把草莓温室多个检测点的温度和土壤水分样本参数进行分别再预测,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,以分别建立针对性更强、更能反应任意时间阶段草莓温室温度和水分的预测模型,提高预测温度和水分精度。
三、本发明采用HRFNN递归神经网络温度预测模型和HRFNN递归神经网络水分预测融合模型,HRFNN递归神经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,可以较好地完成草莓温室温度和水分的动态辨识。HRFNN递归神经网络来建立草莓温室环境温度的预测模型和水分融合模型,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草莓温室环境温度的预测模型和水分融合模型,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。
四、本发明温室草莓产量环境参数校正模型由4个微分算子S和GRNN神经网络组成,4个微分算子S平均分成2组,每组2个微分算子S相串联分别构成微分回路1和微分回路2;通过2个微分算子S相串联分别构成微分回路1 把影响草莓温室产量的温度、温度一次变化率和温度二次变化率以及通过2个微分算子S相串联分别构成微分回路2把影响草莓温室产量的水分、水分变化一次变化率和水分二次变化率引入GRNN神经网络训练中,形成新的输入向量,具有良好的非线性映射能力,GRNN神经网络模型的泛化能力得到提高,使其在非线性温室草莓产量环境参数校正模型中较传统的静态神经网络具有更好的校正精度和自适应能力,提高草莓产量预测精确度。
五、本发明温室草莓产量环境参数校正模型中采用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,适用于温室草莓产量环境参数校正。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,对温室草莓产量环境参数校正具有良好的应用前景。
附图说明
图1为本发明基于CAN总线的草莓温室环境参数采集平台图;
图2为本发明温室草莓产量智能预测系统图;
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为本发明草莓温室环境参数采集测平台平面布置图。
具体实施方式
结合附图1-图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
本发明实现对草莓温室环境因子参数进行检测和温室草莓产量智能预测,该系统由基于CAN总线的草莓温室环境参数采集平台和温室草莓产量智能预测系统2部分组成。基于CAN总线的草莓温室环境参数采集平台包括草莓温室环境参数的检测节点1和调节草莓温室环境参数的控制节点2,通过CAN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将检测的草莓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
本发明采用基于CAN总线的检测节点1作为草莓温室环境参数感知终端,检测节点1和控制节点2通过CAN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包括采集草莓温室环境温度、水分、风速和光照度参数的传感器和对应的信号调理电路、C8051F040微处理器;检测节点的软件主要实现现场总线通信和草莓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、水分、风速和光照度的调节输出量控制电路、C8051F040微处理器和CAN总线通信模块接口,实现对草莓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主要实现对草莓温室环境参数进行采集和温室草莓产量智能预测,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和温室草莓产量智能预测。温室草莓产量智能预测系统包括温室草莓产量预测子系统、草莓温室温度预测子系统、草莓温室水分预测子系统和温室草莓产量环境参数校正模型;功能见图2所示。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,温室草莓产量智能预测系统的设计如下:
(1)、温室草莓产量智能预测子系统设计
温室草莓产量预测子系统包括温室草莓产量经验模态(EMD)分解模型、多个最小二乘支持向量机(LS-SVM)产量预测模型和多个最小二乘支持向量机 (LS-SVM)产量预测模型值等权重相加和得到草莓产量融合预测值;
A、温室草莓产量经验模态(EMD)分解模型
温室草莓产量经验模态分解(EMD)是一种自适应信号筛选方法,具有计算简单、直观、基于经验和自适应的特点。它能将存在于温室草莓历史数据产量信息中不同特征的趋势逐级筛选出来,得到多个高频波动部分(IMF)和低频趋势部分。温室草莓产量经验模态分解分解出来的IMF分量包含了信息从高到低不同频率段的成分,每个频率段包含的频率分辨率都随信息本身变化,具有自适应多分辨分析特性。使用温室草莓产量经验模态分解的目的就是为了更准确地提取温室草莓产量历史数据信息。温室草莓产量经验模态分解方法针对温室草莓产量历史数据的“筛分”过程步骤如下:
①、确定温室草莓产量历史数据信息所有的局部极值点,然后用三次样条线将左右的局部极大值点连接起来形成上包络线。
②、在用三次样条线温室草莓产量历史数据信息的局部极小值点连接起来形成下包络线,上、下包络线应该包络所有的数据点。
③、上、下包络线的平均值记为m1(t),求出:
x(t)-m1(t)=h1(t) (1)
x(t)为温室草莓产量历史数据信息原始信号,如果h1(t)是一个IMF,那么h1(t) 就是x(t)的第一个IMF分量。记c1(t)=h1k(t),则c1(t)为信号x(t)的第一个满足IMF 条件的分量。
④、将c1(t)从x(t)中分离出来,得到:
r1(t)=x(t)-c1(t) (2)
将r1(t)作为原始数据重复步骤①-步骤③,得到x(t)的第2个满足IMF条件的分量c2。重复循环n次,得到信号x(t)的n个满足IMF条件的分量。这样温室草莓产量经验模态分解模型就把温室草莓产量历史数据信息分解成低频趋势部分和多个高频波动部分。
B、多个最小二乘支持向量机(LS-SVM)产量预测模型
多个最小二乘支持向量机(LS-SVM)产量预测模型具有较强的泛化能力和全局能力,克服了其他机器学习方法的泛化能力差、过拟合和容易陷入局部最优等缺点,它是一种对标准支持向量机的扩展,该模型采用平方和误差损失函数代替标准支持向量机的不敏感损失函数,同时实现了将标准SVM算法中的不等式约束转化为等约束。因此,多个最小二乘支持向量机(LS-SVM)产量预测模型将二次规划问题化简为求解线性方程组,明显降低了求解的复杂性,提高了计算速度。设温室草莓产量历史数据训练样本集D={(xi,yi)|i=1,2,…,n},xi和 yi,分别为输入和输出样本数据,n为样本数,它可以将输入样本从原空间映射到高维特征空间。引入拉格朗日方程,将带约束条件的优化问题转化为无约束条件的优化问题,可得到最小二乘支持向量机(LS-SVM)模型的线性回归方程如下:
在求解过程中,为了避免求解复杂的非线性映射函数,引入了径向基核函数(radial basis function,RBF)替代高维空间中的点积运算,可以大大减少计算量,而且RBF核函数容易实现SVM的优化过程,因为它的每个基函数的中心与支持向量一一对应,且这些支持向量和权值都可以通过算法得到。因此,多个最小二乘支持向量机(LS-SVM)产量预测模型:
最小二乘支持向量机(LS-SVM)产量预测模型的输出是温室草莓产量历史数据在低频和高频状态下的预测值,每个中间节点对应一个支持向量, x1,x2,…xn为温室草莓产量历史数据经过模式分解后的低频和高频信息,αi为网络权重。
(2)、草莓温室温度预测子系统设计
草莓温室温度预测子系统包括草莓温室温度减法聚类分类器、多个HRFNN 递归神经网络温度预测模型和ANFIS神经网络温度预测融合模型;
A、草莓温室温度减法聚类分类器
草莓温室温度减法聚类与其他聚类方法相比,不需要预先确定聚类数,仅根据草莓温室温度样本数据密度即可快速确定草莓温室温度聚类中心的位置和聚类数,而它把每一个草莓温室温度数据点作为一个潜在的聚类中心的特性,使得草莓温室温度聚类的结果与问题的维数无关。因此,草莓温室温度减法聚类算法是一种适合基于草莓温室温度数据建模的规则自动提取方法。设定m维空间中的N个草莓温室温度数据点(X1,X2,…XN),每个数据点 Xi=(xi,1,xi,1,…,xi,m)都是聚类中心的候选者,i=1,2,…,N,数据点Xi的密度函数定义为:
式中,半径ra是一个正数,ra定义了该点的一个影响邻域,半径以外的数据点对该点的密度指标贡献非常小,一般忽略不计。计算每一点Xi的密度值,选择具有最高密度指标Dc1的数据点作为第一个聚类中心Xc1;然后修正密度值,消除前面已有聚类中心的影响。按下式修正密度值:
其中,Dc1是初始聚类中心对应的最高密度值,修正半径rb的设定是为了避免第二个聚类中心点离前一个中心点太近,一般设定为rb=ηra,1.25≤η≤1.5。修正每个数据点的密度指标后,当Dck与Dc1满足下式时,该密度指标对应的聚类中心即为第K个聚类中心。不断重复这个过程,直到新的聚类中心Xck的相应的密度指标Dck与Dc1满足下式时终止聚类:
Dck/Dc1<δ (7)
式中,δ是根据实际情况提前设定的阈值。
本发明提出的在线聚类方法基本思想如下:如果一个草莓温室温度点到一个组的中心的距离小于聚类半径ra,那么该点属于此组,当获得新的数据时,组和组的中心做相应的变化。随着输入草莓温室温度空间数据的不断增加,本发明算法通过实时动态的调整草莓温室温度聚类中心与聚类个数获得更好的输入空间划分,步骤如下:
步骤1:草莓温室温度数据归一化处理,输入数据各维聚类半径ra及阈值δ等参数设定。
步骤2:由草莓温室温度数据集进行减法聚类得到c个聚类中心并存储 vi(i=1,2,…,c)及其对应的密度值D(vi)。
步骤3:当新增的在线草莓温室温度数据集中的第k个数据到来时,计算xk(k=1,2,…,M)到i个聚类中心vi的距离dki=||xk-vi||,若dki>ra,转到步骤4;若dki≤ra,转到步骤5。
步骤4:由式(6)计算xk的密度值D(xk),并且D(xk)>ε,则说明草莓温室温度数据xk不属于任何一个已有的聚类,则新创建一个聚类,输入空间的聚类个数c=c+1,返回步骤3。
步骤5:根据最小距离准则确定数据点xk属于最近的聚类子集,进一步比较新数据xk的密度值与聚类中心的密度值,如果D(xk)>D(vi),则数据xk更靠近其最近的聚类中心,xk取代原聚类中心作为该子集的新聚类中心;如果 D(xk)≤D(vi),则保持聚类结果不改变,判断新增数据组是否结束。如果结束,则转到步骤6;否则,返回步骤3。
步骤6:计算聚类中心vi与vj之间的距离,如果min||vi-vj||≤(0.5-0.7)ra,且D(vi)>D(vj),则说明聚类子集vi与vj可以合并为一个聚类,该聚类中心为vi;否则保持聚类结果不变。
草莓温室温度减法聚类实现对草莓温室温度历史数据进行分类,每一类草莓温室温度输入各自对应的HRFNN递归神经网络预测模型来预测温室温度未来值。
B、多个HRFNN递归神经网络温度预测模型
多个HRFNN递归神经网络温度预测模型的输入是多类草莓温室温度的历史数据,多个HRFNN递归神经网络温度预测模型的输出为各类草莓温室温度的预测值。HRFNN递归神经网络温度预测模型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。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。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。HRFNN递归神经网络温度预测模型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神经网络的训练误差和测试误差分别为明显减少,本专利的HRFNN递归神经网络温度预测模型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。HRFNN递归神经网络温度预测模型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递归神经网络温度预测模型适应非线性动态系统的能力,HRFNN递归神经网络温度预测模型可以准确地预测的草莓温室温度参数。
C、ANFIS神经网络温度预测融合模型
ANFIS神经网络温度预测融合模型是基于神经网络的自适应模糊推理系统ANFIS,也称为自适应神经模糊推理系统(Adaptive Neuro-Fuzzy Inference System),将神经网络和自适应模糊推理系统有机地结合起来,既能发挥二者的优点,又可弥补各自的不足。ANFIS神经网络温度预测融合模型中的模糊隶属度函数及模糊规则是通过对大量草莓温室温度的已知历史数据的学习得到的, ANFIS神经网络温度预测融合模型最大的特点就是基于数据的建模方法,而不是基于经验或是直觉任意给定的。ANFIS神经网络温度预测融合模型的输入为多类草莓温室温度的预测值,ANFIS神经网络温度预测融合模型的主要运算步骤如下:
第1层:将输入的多类草莓温室温度的预测值模糊化,每个节点对应输出可表示为:
式n为每个输入隶属函数个数,隶属函数采用高斯隶属函数。
第2层:实现规则运算,输出规则的适用度,ANFIS神经网络温度预测融合模型的规则运算采用乘法。
第3层:将各条规则的适用度归一化:
第4层:每个节点的传递函数为线性函数,表示局部的线性模型,每个自适应节点i输出为:
第5层:该层的单节点是一个固定节点,计算ANFIS神经网络模型的输出为:
ANFIS神经网络温度预测融合模型中决定隶属函数形状的条件参数和推理规则的结论参数可以通过学习过程进行训练。参数采用线性最小二乘估计算法与梯度下降结合的算法调整参数。ANFIS神经网络温度预测融合模型每一次迭代中首先输入信号沿网络正向传递直到第4层,采用最小二乘估计算法调节结论参数;信号继续沿网络正向传递直到输出层(即第5层)。ANFIS神经网络温度预测融合模型将获得的误差信号沿网络反向传播,用梯度法更新条件参数。以此方式对ANFIS神经网络温度预测融合模型中给定的条件参数进行调整,可以得到结论参数的全局最优点,这样不仅可以降低梯度法中搜索空间的维数,还可以提高ANFIS神经网络温度预测融合模型参数的收敛速度。ANFIS神经网络温度预测融合模型为多类草莓温室温度预测值,ANFIS神经网络温度预测融合模型的输出作为多类草莓温室温度预测值的融合值。
(3)、草莓温室水分预测子系统
草莓温室水分预测子系统包括草莓温室水分减法聚类分类器、多个ANFIS 神经网络水分预测模型和HRFNN递归神经网络水分预测融合模型。
A、草莓温室水分减法聚类分类器
温室多个检测点土壤水分值作为草莓温室水分减法聚类分类器的输入,草莓温室水分减法聚类分类器把草莓温室多个检测点土壤水分值分为多种类型,草莓温室水分减法聚类分类器设计的设计方法可以参照本专利的草莓温室温度减法聚类分类器设计的方法。
B、多个ANFIS神经网络水分预测模型
每种类型的草莓温室土壤水分值分别作为多个ANFIS神经网络水分预测模型的输入,多个ANFIS神经网络水分预测模型分别对多种类型草莓温室土壤水分值进行预测,多个ANFIS神经网络水分预测模型设计的设计方法可以参照本专利的ANFIS神经网络温度预测融合模型设计方法。
C、HRFNN递归神经网络水分预测融合模型
多个ANFIS神经网络水分预测模型的预测值作为HRFNN递归神经网络水分预测融合模型的输入,HRFNN递归神经网络水分预测融合模型实现对多个 ANFIS神经网络水分预测模型的预测值进行融合得到草莓温室土壤水分预测值,HRFNN递归神经网络水分预测融合模型设计可以参照本专利的多个HRFNN 递归神经网络温度预测模型设计方法。
(4)、温室草莓产量环境参数校正模型设计
温室草莓产量环境参数校正模型由4个微分算子S和GRNN神经网络组成, 4个微分算子S平均分成2组,每组2个微分算子S相串联分别构成微分回路1 和微分回路2;温室草莓产量预测子系统的输出作为GRNN神经网络A端的输入,草莓温室温度预测子系统的输出作为微分回路1的输入和GRNN神经网络B端的输入,微分回路1的2个微分算子S的连接端的输出为GRNN神经网络 D端的输入,微分回路1的输出为GRNN递归神经网络C端的输入;草莓温室水分预测子系统的输出作为微分回路2的输入和GRNN神经网络E端的输入,微分回路2的2个微分算子S的连接端的输出为GRNN神经网络I端的输入,微分回路2的输出为GRNN神经网络F端的输入;GRNN神经网络由7个输入端节点分别为A、B、C、D、E、F和I,13个中间节点和1个通过GRNN递归神经网络修正后反映温室草莓产量的输出端节点组成,微分算子在MATLAB中调用,温室草莓产量环境参数校正模型实现对温室温度和水分对草莓产量影响程度的校正,反映了温室温度和水分的实际值变化对温室草莓产量的影响大小,提高温室草莓产量预测的精确度;GRNN神经网络是一种局部逼近网络GRNN (Generalized RegressionNeural Network),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。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神经网络由输入层、模式层、求和层和输出层构成,GRNN网络输入向量X为n维向量,网络输出向量Y为k维向量X={x1,x2,…,xn}T和Y={y1,y2,…,yk}T。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pi为:
pi=exp{-[(x-xi)T(x-xi)]/2σ},(i=1,2,…,m) (17)
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:
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 神经网络算法,则网络输出向量Y的第j个元素的估计值为:
yj=sNj/sD,(j=1,2,…k) (20)
GRNN神经网络模型建立在数理统计基础之上,网络的输出结果能够收敛于最优回归面。GRNN具有较强的预测能力,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,实现对温室草莓产量环境参数校正模型。
5、草莓温室环境参数采集测平台平面布置图
根据草莓温室环境的状况,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均衡布置在被检测草莓温室环境的各个草莓种植区域中,整个系统平面布置见图6,通过该系统实现对草莓温室环境参数的采集与草莓温室温度智能化预测。
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 (5)
1.一种基于GRNN神经网络的草莓温室环境参数智能监测系统,其特征在于:所述监测系统由基于CAN总线的草莓温室环境参数采集平台和温室草莓产量智能预测系统两部分组成,基于CAN总线的草莓温室环境参数采集平台实现对草莓温室环境因子参数进行检测、调节和监控,温室草莓产量智能预测系统包括温室草莓产量预测子系统、草莓温室温度预测子系统、草莓温室水分预测子系统和温室草莓产量环境参数校正模型;
所述温室草莓产量预测子系统为温室草莓产量经验模态EMD分解模型、多个最小二乘支持向量机LS-SVM产量预测模型和多个最小二乘支持向量机LS-SVM产量预测模型值等权重相加和得到草莓产量融合预测值;温室草莓产量历史数据作为温室草莓产量经验模态EMD分解模型的输入,温室草莓产量经验模态EMD分解模型把温室草莓产量历史数据分解为低频趋势部分和多个高频波动部分,温室草莓产量历史数据的低频趋势部分和多个高频波动部分分别作为多个最小二乘支持向量机LS-SVM产量预测模型的输入,多个最小二乘支持向量机LS-SVM产量预测模型分别对温室草莓产量历史数据的低频趋势部分和多个高频波动部分各分量进行预测,多个最小二乘支持向量机LS-SVM产量预测模型值等权重相加和得到温室草莓产量融合预测值;
所述草莓温室温度预测子系统包括草莓温室温度减法聚类分类器、多个HRFNN递归神经网络温度预测模型、ANFIS神经网络温度预测融合模型;草莓温室多个检测点温度值作为草莓温室温度减法聚类分类器的输入,草莓温室温度减法聚类分类器把草莓温室多个检测点温度值分为多种类型,每种类型的草莓温室温度值分别作为多个HRFNN递归神经网络温度预测模型的输入,多个HRFNN递归神经网络温度预测模型分别对多种类型草莓温室温度值进行预测,多个HRFNN递归神经网络温度预测模型的预测值作为ANFIS神经网络温度预测融合模型的输入,ANFIS神经网络温度预测融合模型实现对多个HRFNN递归神经网络温度预测模型的预测值进行融合得到草莓温室温度预测值;
所述草莓温室水分预测子系统包括草莓温室水分减法聚类分类器、多个ANFIS神经网络水分预测模型和HRFNN递归神经网络水分预测融合模型;草莓温室多个检测点土壤水分值作为草莓温室水分减法聚类分类器的输入,草莓温室水分减法聚类分类器把草莓温室多个检测点土壤水分值分为多种类型,每种类型的草莓温室土壤水分值分别作为多个ANFIS神经网络水分预测模型的输入,多个ANFIS神经网络水分预测模型分别对多种类型草莓温室土壤水分值进行预测,多个ANFIS神经网络水分预测模型的预测值作为HRFNN递归神经网络水分预测融合模型的输入,HRFNN递归神经网络水分预测融合模型实现对多个ANFIS神经网络水分预测模型的预测值进行融合得到草莓温室土壤水分预测值;
所述温室草莓产量环境参数校正模型由4个微分算子S和GRNN神经网络组成,4个微分算子S平均分成2组,每组2个微分算子S相串联分别构成微分回路1和微分回路2;温室草莓产量预测子系统的输出作为GRNN神经网络A端的输入,草莓温室温度预测子系统的输出作为微分回路1的输入和GRNN神经网络B端的输入,微分回路1的2个微分算子S的连接端的输出为GRNN神经网络D端的输入,微分回路1的输出为GRNN递归神经网络C端的输入;草莓温室水分预测子系统的输出作为微分回路2的输入和GRNN神经网络E端的输入,微分回路2的2个微分算子S的连接端的输出为GRNN神经网络I端的输入,微分回路2的输出为GRNN神经网络F端的输入;GRNN神经网络由7个输入端节点分别为A、B、C、D、E、F和I,13个中间节点和1个输出端节点组成,温室草莓产量环境参数校正模型实现对温室温度和土壤水分对草莓产量影响程度的校正。
2.根据权利要求1所述的一种基于GRNN神经网络的草莓温室环境参数智能监测系统,其特征在于:所述基于CAN总线的草莓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,它们通过CAN总线实现检测节点、控制节点和现场监控端之间的通信。
3.根据权利要求2所述的一种基于GRNN神经网络的草莓温室环境参数智能监测系统,其特征在于:所述检测节点分别由传感器组模块、单片机和通信接口组成,传感器组模块负责检测草莓温室环境的温度、水分、风速和光照度的草莓温室环境参数,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。
4.根据权利要求2所述的一种基于GRNN神经网络的草莓温室环境参数智能监测系统,其特征在于:所述控制节点实现对草莓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GRNN神经网络的草莓温室环境参数智能监测系统,其特征在于:所述现场监控端由一台工业控制计算机和RS232/CAN通信模块组成,实现对检测节点检测草莓温室环境参数进行管理和对草莓温室环境多点温度进行融合。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910319338.6A CN110084417B (zh) | 2019-04-19 | 2019-04-19 | 一种基于grnn神经网络的草莓温室环境参数智能监测系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910319338.6A CN110084417B (zh) | 2019-04-19 | 2019-04-19 | 一种基于grnn神经网络的草莓温室环境参数智能监测系统 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN110084417A CN110084417A (zh) | 2019-08-02 |
CN110084417B true CN110084417B (zh) | 2022-03-18 |
Family
ID=67415786
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201910319338.6A Active CN110084417B (zh) | 2019-04-19 | 2019-04-19 | 一种基于grnn神经网络的草莓温室环境参数智能监测系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN110084417B (zh) |
Families Citing this family (14)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
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 |
CN110740169B (zh) * | 2019-09-25 | 2022-03-01 | 杭州电子科技大学 | 一种Matlab电力仿真模型与物联网设备数据通信系统及方法 |
CN111428908B (zh) * | 2020-02-21 | 2023-08-25 | 上海海洋大学 | 一种基于stl-nn模型的海表面温度预测算法 |
CN111461413B (zh) * | 2020-03-20 | 2024-04-19 | 淮阴工学院 | 一种公路路面使用性能检测系统 |
CN112668394B (zh) * | 2020-11-30 | 2023-10-31 | 山东大学 | 一种农业大棚生产的在线预测方法及系统 |
CN112906735B (zh) * | 2021-01-13 | 2023-01-13 | 淮阴工学院 | 一种食用菌环境大数据检测系统 |
CN112911533B (zh) * | 2021-01-13 | 2022-06-14 | 淮阴工学院 | 一种基于移动端App的温度检测系统 |
CN113065749A (zh) * | 2021-03-17 | 2021-07-02 | 淮阴工学院 | 一种建筑材料的养护室环境智能系统 |
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 |
CN113627880B (zh) * | 2021-08-09 | 2023-06-09 | 信阳农林学院 | 一种用于记录油茶树生长数据的自动化管理系统及方法 |
CN114153252B (zh) * | 2021-11-24 | 2023-03-28 | 魏育华 | 一种大棚换气方法和系统 |
CN114970745B (zh) * | 2022-06-17 | 2023-07-04 | 淮阴工学院 | 物联网智能安防与环境大数据系统 |
CN116050861B (zh) * | 2022-12-21 | 2023-07-25 | 浙江甲骨文超级码科技股份有限公司 | 一种农业物联网草莓产业服务运维系统及方法 |
CN116596141B (zh) * | 2023-05-18 | 2024-01-19 | 淮阴工学院 | 一种基于物联网与多模型耦合的板蓝根产量预测系统 |
Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN107085732A (zh) * | 2017-05-12 | 2017-08-22 | 淮阴工学院 | 基于无线传感器网络的牛舍环境氨气智能监测系统 |
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 |
-
2019
- 2019-04-19 CN CN201910319338.6A patent/CN110084417B/zh active Active
Patent Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN107085732A (zh) * | 2017-05-12 | 2017-08-22 | 淮阴工学院 | 基于无线传感器网络的牛舍环境氨气智能监测系统 |
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 |
Also Published As
Publication number | Publication date |
---|---|
CN110084417A (zh) | 2019-08-02 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
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 | |
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 | |
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 | |
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 | |
CN110119169B (zh) | 一种基于最小向量机的番茄温室温度智能预警系统 | |
CN110083190B (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 | |
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 | |
CN112906735B (zh) | 一种食用菌环境大数据检测系统 | |
CN110647979B (zh) | 一种基于物联网的温室环境多参数智能化监测系统 | |
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 | |
CN106373022B (zh) | 基于bp-ga的温室农作物种植效率条件优化方法及系统 | |
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 | |
CN107085732B (zh) | 基于无线传感器网络的牛舍环境氨气智能监测系统 | |
CN107169621A (zh) | 一种水体溶解氧预测方法及装置 | |
Priya et al. | An IoT based gradient descent approach for precision crop suggestion using MLP | |
CN113281465A (zh) | 一种畜禽舍养殖环境有害气体检测系统 | |
CN108762084A (zh) | 基于模糊控制决策的水田灌溉系统及方法 | |
CN105230447B (zh) | 番茄灌溉智能控制系统 | |
CN112911533A (zh) | 一种基于移动端App的温度检测系统 | |
Chen et al. | A water-saving irrigation decision-making model for greenhouse tomatoes based on genetic optimization TS fuzzy neural network | |
Mimboro et al. | Weather monitoring system AIoT based for oil palm plantation using recurrent neural network algorithm | |
Gao et al. | Application of Artificial Intelligence System Design Based on Genetic Algorithm In Horticultural Cultivation | |
CN112906856A (zh) | 一种基于云平台的畜禽舍环境温度检测系统 | |
TWI692736B (zh) | 智能作物生長優化系統 |
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: 20230824 Address after: 230000 B-1015, wo Yuan Garden, 81 Ganquan Road, Shushan District, Hefei, Anhui. Patentee after: HEFEI MINGLONG ELECTRONIC TECHNOLOGY Co.,Ltd. Address before: 223005 Jiangsu Huaian economic and Technological Development Zone, 1 East Road. Patentee before: HUAIYIN INSTITUTE OF TECHNOLOGY |
|
TR01 | Transfer of patent right |