CN110109193B - 一种基于drnn神经网络的茄子温室温度智能化检测装置 - Google Patents

一种基于drnn神经网络的茄子温室温度智能化检测装置 Download PDF

Info

Publication number
CN110109193B
CN110109193B CN201910319316.XA CN201910319316A CN110109193B CN 110109193 B CN110109193 B CN 110109193B CN 201910319316 A CN201910319316 A CN 201910319316A CN 110109193 B CN110109193 B CN 110109193B
Authority
CN
China
Prior art keywords
temperature
eggplant greenhouse
neural network
eggplant
humidity
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
Application number
CN201910319316.XA
Other languages
English (en)
Other versions
CN110109193A (zh
Inventor
马从国
姜仲秋
芦宇凡
史文云
杨玉东
陈亚娟
丁晓红
王建国
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.)
Huaiyin Institute of Technology
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 CN201910319316.XA priority Critical patent/CN110109193B/zh
Publication of CN110109193A publication Critical patent/CN110109193A/zh
Application granted granted Critical
Publication of CN110109193B publication Critical patent/CN110109193B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Classifications

    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01W—METEOROLOGY
    • G01W1/00—Meteorology
    • G01W1/02—Instruments for indicating weather conditions by measuring two or more variables, e.g. humidity, pressure, temperature, cloud cover or wind speed
    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01W—METEOROLOGY
    • G01W1/00—Meteorology
    • G01W1/10—Devices for predicting weather conditions
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING; COUNTING
    • G06K—GRAPHICAL DATA READING; PRESENTATION OF DATA; RECORD CARRIERS; HANDLING RECORD CARRIERS
    • G06K9/00—Methods or arrangements for recognising patterns
    • G06K9/62—Methods or arrangements for pattern recognition using electronic means
    • G06K9/6217—Design or setup of recognition systems and techniques; Extraction of features in feature space; Clustering techniques; Blind source separation
    • G06K9/6218—Clustering techniques
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING; COUNTING
    • G06K—GRAPHICAL DATA READING; PRESENTATION OF DATA; RECORD CARRIERS; HANDLING RECORD CARRIERS
    • G06K9/00—Methods or arrangements for recognising patterns
    • G06K9/62—Methods or arrangements for pattern recognition using electronic means
    • G06K9/6267—Classification techniques
    • G06K9/6268—Classification techniques relating to the classification paradigm, e.g. parametric or non-parametric approaches
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING; COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Computing arrangements based on biological models using neural network models
    • G06N3/04—Architectures, e.g. interconnection topology
    • G06N3/0445—Feedback networks, e.g. hopfield nets, associative networks
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING; COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Computing arrangements based on biological models using neural network models
    • G06N3/08—Learning methods

Abstract

本发明公开了一种基于DRNN神经网络的茄子温室温度智能化检测装置，其特征在于：所述检测装置由基于CAN总线的茄子温室环境参数采集平台和茄子温室温度智能检测系统两部分组成；本发明有效解决了现有茄子温室监控系统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特点，对茄子温室环境的温度进行检测，从而极大的影响茄子温室环境温度的调控。

Description

一种基于DRNN神经网络的茄子温室温度智能化检测装置
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DRNN神经网络的茄子温室温度智能化检测装置。
背景技术
茄子是我国各地普遍栽培的蔬菜种类，茄子性喜温暖气候，常会遭到低温的伤害而影响到产量及品质。随着栽培方式的改变和人民生活水平的提高，对耐低温型保护地栽培专用茄子品种的需求亦愈来愈高。茄子原产于印度，属喜温植物，低于15℃植株生长迟缓，低于5℃茎叶会受到伤害。随着我国保护地茄子栽培面积扩大，在早春育苗期间常常会遇到低温天气，对茄子发芽危害严重。低温对茄子生长发育的影响的研究已有报道，多集中在低温下的形态学性状和茄子的耐低温机理等方面。温度为种子萌发提供能量，使酶的活性升高，也影响到种子吸水和呼吸作用。茄子种子在低温下的发芽能力反映了其低温耐受性强度。在21℃时所有茄子种子发芽率几乎均为100％，15℃时几乎所有茄子种子均没有发芽，说明此温度太低，对茄子伤害较重。当温度为18℃时，各种茄子种子才表现出显著差异。查丁石等研究证明茄子在17.5℃是可以鉴定耐低温性强弱，因此说明18℃能鉴定茄子耐低温性。
张映研究了茄子单性结实基因在低温下的表达效应,低温条件下不同授粉方式和花粉活力对茄子单性结实性和果实发育的影响，研究结果表明单性结实基因在日平均最低温度为12.8℃的条件下能完全表达,其单性结实率为100％,坐果率为76.9％-100％,果实发育正常。供试茄子单性结实品系的单性结实性由显性核基因控制。自然授粉、人工辅助授粉和去柱头处理不影响单性结实品系的坐果率和果实的发育速度。单性结实品系和非单性结实品系在低温下的花粉萌发率均较低,为1.88％-7.29％。低温下花粉活力与单性结实的形成无显著关系,单性结实并非由于低温下花粉活力下降所致。茄子是喜温作物,在温室及春季露地早熟栽培条件下,开花结果期常由于低温引起授粉受精不良,落花、落果,效益降低。单性结实能克服低温引起的落花落果障碍,坐果能力增强,产量显著提高,同时还可改进果实质量、降低栽培成本,因此,茄子单性结实的研究日益受到国内外学者的重视。茄子单性结实特性的研究对培育耐低温、适宜保护地和露地早春栽培的茄子单性结实新品系具有十分重要的意义。茄子单性结实基因在低温下的表达效应,低温条件下不同授粉方式、花粉活力对茄子单性结实形成和果实发育的影响。
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。短暂或持续的高温均可引起茄子发生一系列的形态结构及生理生化变化，从而影响其生长发育，甚至造成大幅度减产，从而导致巨大的经济损失。国内学者纷纷研究温度与茄子生长之间的关系，井立军等研究不同温度条件下茄子发芽率与其低温耐性关系初探，高志奎等研究茄子不同品种耐低温特性室内鉴定初报，闫世江等研究茄子幼苗耐低温性生理机制，田时炳等研究低温下茄子单性结实观察试验初报，刘富中等研究温度和蕾期去雄及去柱头处理对茄子单性结实性的影响。他们调查低温下茄子的发芽率，寻求简单、准确的耐低温性鉴定方法，提高鉴定的效率，以期为茄子耐低温育种提供依据；以耐低温结实品系和不耐低温结实品系茄子为试验材料，分析不同耐低温性茄子在果实生长发育过程中，其子房和果实内主要营养成分含量水平及变化趋势，探索茄子的耐低温性机理，以期为茄子的耐低温性育种提供参考。由于茄子是喜高温作物,冬春设施栽培经常遭遇低温胁迫,使其生长发育受阻,产量和品质降低。光合作用是植物最基本的生命活动,是植物合成有机物质和获得能量的根本源泉,同时光合器官又是植物的冷敏感部位,低温直接影响光合机构的性能和活性。王秀清等构建了基于ZigBee无线传输协议无线传感网络数据采集系统，实现了对温室温度、湿度、光照度、二氧化碳浓度及反映作物病害状况的声发射信号的采集，并将数据传送至上位机监控中心进行实时监测。
发明内容
本发明提供了一种基于DRNN神经网络的茄子温室温度智能化检测装置，本发明有效解决了现有茄子温室监控系统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特点，对茄子温室环境的温度进行检测，从而极大的影响茄子温室环境温度的调控。
本发明通过以下技术方案实现：
一种基于DRNN神经网络的茄子温室温度智能化检测装置，基于CAN总线的茄子温室环境参数采集平台和茄子温室温度智能检测系统两部分组成，基于CAN总线的茄子温室环境参数采集平台实现对茄子温室环境因子参数进行检测、调节和监控，茄子温室温度智能检测系统包括茄子温室温度预测子系统、茄子温室湿度预测子系统、茄子温室温度校正模型，实现对茄子温室环境温度进行预测和校正，提高茄子温室温度的精确度和鲁棒性。
本发明进一步技术改进方案是：
基于CAN总线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茄子温室环境的温度、湿度、风速和光照度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通信模块发送给现场监控端；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和RS232/CAN通信模块组成，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温室环境多点温度进行融合与预测。基于CAN总线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：
茄子温室温度智能检测系统包括茄子温室温度预测子系统、茄子温室湿度预测子系统、茄子温室温度校正模型。茄子温室温度智能检测系统见图2所示。
本发明进一步技术改进方案是：
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、多个小波分解模型、多组DRNN神经网络模型和递归神经网络茄子温室温度预测融合模型；茄子温室多个检测点温度值作为茄子温室温度减法聚类分类器的输入，茄子温室温度减法聚类分类器对茄子温室多个检测点温度值进行分类，每种类型的茄子温室检测点温度值作为各个小波分解模型的输入，每个小波分解模型的多个输出作为每组DRNN神经网络模型的输入，每组各个DRNN神经网络模型输出值的等权重相加和得到温度融合预测值，每组DRNN神经网络模型的温度融合预测值作为递归神经网络温度预测融合模型的输入，递归神经网络温度预测融合模型的输出值为茄子温室温度预测子系统的温度预测输出值。
本发明进一步技术改进方案是：
茄子温室湿度预测子系统包括茄子温室湿度减法聚类分类器、多个Elman神经网络湿度预测模型和递归神经网络湿度预测融合模型三部分组成；茄子温室多个检测点湿度值作为茄子温室湿度减法聚类分类器的输入，茄子温室湿度减法聚类分类器对茄子温室多个检测点湿度值进行分类，每种类型的茄子温室湿度检测点湿度值作为各个Elman神经网络湿度预测模型的输入，每个Elman神经网络湿度预测模型的湿度预测值作为递归神经网络湿度预测融合模型的输入，递归神经网络湿度预测融合模型的输出值为茄子温室湿度预测子系统的湿度预测输出值。
本发明进一步技术改进方案是：
茄子温室温度校正模型由4个微分算子和DRNN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；茄子温室温度预测子系统的输出为微分回路1的输入和DRNN神经网络的a端的输入，微分回路1的输出为DRNN神经网络的b端输入，微分回路1的2个微分算子的连接端的输出为DRNN神经网络的C端输入；茄子温室湿度预测子模型的输出为微分回路2的输入和DRNN神经网络的F端输入，微分回路2的输出为DRNN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DRNN神经网络的D端输入；DRNN神经网络由6个输入端节点分别为a、b、C、D、E和F，13个中间节点和1个输出端节点组成，茄子温室温度校正模型实现对茄子温室湿度对温度影响变化的校正，反映了茄子温室湿度的实际值变化对茄子温室温度的影响大小，提高茄子温室温度预测的精确度。
本发明与现有技术相比，具有以下明显优点：
一、茄子温室温度和湿度减法聚类与其他聚类方法相比，不需要预先确定聚类数，仅根据茄子温室温度和湿度样本数据密度即可快速确定茄子温室温度和湿度聚类中心的位置和聚类数，把每一个茄子温室温度和湿度数据点作为一个潜在的聚类中心的特性，则克服了山峰聚类法计算量随着问题的维数按指数增长的不足，使得茄子温室温度和湿度聚类的结果与问题的维数无关。提高茄子温室温度和湿度分类的灵活性，根据茄子温室温度和湿度的分类结果分别输入茄子温室温度的小波分解模型和湿度预测模型，提高茄子温室温度和湿度预测的精确性和可靠性。
二、每个DRNN网络预测模型是一种具有反馈的动态回归神经网络和适应时变特性的能力，该网络能够更直接生动地反映茄子温室温度动态变化性能，可以更加精确预测茄子温室温度含量，每个DRNN网络3-7-1的3层网络结构，其隐层为回归层。
三、多个小波分析可以将茄子温室温度数据序列信号分解到不同的分辨率空间中，这样处理后的效果是分解到各分辨率空间中的茄子温室温度数据序列进行分别预测比茄子温室温度原始数据序列简单并且预测茄子温室温度含量更加精确。
四、本专利的递归神经网络HRFNN茄子温室温度和湿度预测融合模型，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，HRFNN可以准确地融合预测的茄子温室温度和湿度参数。
五、本发明所采用的Elman网络茄子温室湿度预测模型，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,从而提高茄子温室湿度预测精度。
六、茄子温室温度校正模型设计，茄子温室温度校正模型由4个微分算子和DRNN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；通过两组微分算子分别把茄子温室温度和湿度变化的一次变化率和二次变化率作为DRNN神经网络的输入不仅包括茄子温室的温度和湿度原始输入数据，还包括它们变化的一次变化率和二次变化率，DRNN神经网络的泛化能力得到提高，茄子温室温度校正模型茄子温室温度的湿度的实际值变化以及它们的一次变化率和二次变化率对茄子温室温度的影响大小实现对茄子温室湿度对温度影响变化的校正，提高茄子温室温度预测的精确度。
附图说明
图1为本发明基于CAN总线的茄子温室环境参数采集平台；
图2为本发明茄子温室温度智能检测系统；
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测平台平面布置图。
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和茄子温室环境温度融合与预测，该系统由基于CAN总线的茄子温室环境参数采集平台和茄子温室温度智能检测系统2部分组成。基于CAN总线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，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
本发明采用基于CAN总线的检测节点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包括采集茄子温室环境温度、湿度、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、茄子温室环境多点温度融合与预测。茄子温室温度智能检测系统包括茄子温室温度预测子系统、茄子温室温度预测子系统、茄子温室温度校正模型。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，茄子温室温度智能检测系统的设计如下：
(1)、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、多个小波分解模型、多组DRNN神经网络模型和递归神经网络茄子温室温度预测融合模型；茄子温室多个检测点温度值作为茄子温室温度减法聚类分类器的输入，茄子温室温度减法聚类分类器对茄子温室多个检测点温度值进行分类，每种类型的茄子温室检测点温度值作为各个小波分解模型的输入，每个小波分解模型的多个输出作为每组DRNN神经网络模型的输入，每组各个DRNN神经网络模型输出值的等权重相加和得到温度融合预测值，每组DRNN神经网络模型的温度融合预测值作为递归神经网络温度预测融合模型的输入，递归神经网络温度预测融合模型的输出值为茄子温室温度预测子系统的温度预测输出值。
A、茄子温室温度减法聚类分类器
茄子温室温度减法聚类与其他聚类方法相比，不需要预先确定聚类数，仅根据茄子温室温度样本数据密度即可快速确定茄子温室温度聚类中心的位置和聚类数，把每一个茄子温室温度数据点作为一个潜在的聚类中心的特性，则克服了山峰聚类法计算量随着问题的维数按指数增长的不足，使得茄子温室温度聚类的结果与问题的维数无关。因此，茄子温室温度减法聚类算法是一种适合基于茄子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个茄子温室温度数据点(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 (3)
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:如果一个茄子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。随着输入茄子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茄子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：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：由茄子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当新增的在线茄子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(2)计算xk的密度值D(xk)，并且D(xk)＞ε，则说明茄子温室温度数据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。
B、多个小波分解模型
茄子温室温度减法聚类根据茄子温室温度的特点分成多个种类，每种茄子温室温度作为对应的小波分解模型的输入，每个对应的小波分解模型把对应种类的茄子温室温度分成低频分量和多个高频分量，每组低频分量和高频分量分别作为每组DRNN神经网络模型的输入，来提高茄子温室温度预测精确度。本发明专利用小波分析方法对茄子温室温度的时间序列检测进行分解，对分解后的各层信息进行自相关和互相关分析；小波分解过程中对信号做了平滑处理，因此，分析经过小波处理后的数据要容易很多。根据各层信号分析后的特点分别建立相应的DRNN神经网络预测模型来预测茄子温室温度含量，最后将各层预测结果进行等权重相加重构，得出各类茄子温室温度基于茄子温室温度原始数据的茄子温室温度预测值。多个小波多分辨率分解过程一般采用Mallat算法，该算法的分解关系表示如下:
式(4)中h0、h1分别为低通分解滤波器和高通分解滤波器。mp、np分别是分辨率为2-p下的低频系数和高频系数。该算法重构关系如下:
式(5)中g0、g1分别为低通重构滤波器和高通重构滤波器。Ap、Dp分别是分辨率2-p下的低频分量和高频分量。Mallat算法将每一层分解后的低频信号部分再次分解成高频和低频，这样进行层层分解。原始信号X进行p层分解后得到的结果为:
X＝D1+D2+…Dp+Ap (6)
式(6)中Ap为第p层分解后的低频信号部分，Dp为第p层分解后的高频部分。多个小波分析可以将茄子温室温度数据序列信号分解到不同的分辨率空间中，这样处理后的效果是分解到各分辨率空间中的茄子温室温度数据序列比茄子温室温度原始数据序列简单并且预测茄子温室温度含量更加精确。
C、多组DRNN神经网络模型
每个DRNN网络预测模型是一种具有反馈的动态回归神经网络和适应时变特性的能力，该网络能够更直接生动地反映茄子温室温度动态变化性能，可以更加精确预测茄子温室温度含量，每个DRNN网络3-7-1的3层网络结构，其隐层为回归层。在本发明DRNN神经网络模型中，设I＝[I1 (t),I2 (t),…,In (t)]为网络输入向量，其中Ii (t)为茄子温室温度预测模型DRNN网络输入层第i个神经元t时刻的输入，回归层第j个神经元的输出为Xj (t)，Sj (t)为第j个回归神经元输入总和，f(·)为S的函数，则O(t)为DRNN网络的输出。则DRNN网络预测模型的输出层输出为：
各个小波分解模型把每类茄子温室温度分解为低频趋势部分和多个高频波动部分作为每组DRNN网络预测模型的输入，每组DRNN神经网络模型实现对每类茄子温室温度的预测，每组各个DRNN神经网络模型输出等权重累加和为每组DRNN神经网络模型的融合预测值。
D、递归神经网络茄子温室温度预测融合模型
递归神经网络(HRFNN)茄子温室温度预测融合模型的输入是多组DRNN神经网络模型的输出，递归神经网络(HRFNN)茄子温室温度预测融合模型的输出为多组DRNN神经网络模型输出的融合值。递归神经网络(HRFNN)茄子温室温度预测融合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。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，本专利的递归神经网络HRFNN茄子温室温度预测融合模型，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。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，HRFNN可以准确地融合预测的茄子温室温度参数。
(2)、茄子温室湿度预测子系统设计
茄子温室湿度预测子系统包括茄子温室湿度减法聚类分类器、多个Elman神经网络湿度预测模型和递归神经网络湿度预测融合模型三部分组成；茄子温室多个检测点湿度值作为茄子温室湿度减法聚类分类器的输入，茄子温室湿度减法聚类分类器对茄子温室多个检测点湿度值进行分类，每种类型的茄子温室湿度检测点湿度值作为各个Elman神经网络湿度预测模型的输入，每个Elman神经网络湿度预测模型的湿度预测值作为递归神经网络湿度预测融合模型的输入，递归神经网络湿度预测融合模型的输出值为茄子温室湿度预测子系统的湿度预测输出值。
A、茄子温室湿度减法聚类分类器
茄子温室湿度减法聚类分类器实现对茄子温室多个检测点的湿度进行分类，茄子温室湿度减法聚类分类器的输入为茄子温室多个湿度检测点值，输出为对多个湿度检测点值进行分类。茄子温室湿度减法聚类分类器的设计方法可以参照本专利的茄子温室温度减法聚类分类器设计方法。
B、多个Elman神经网络湿度预测模型
多个Elman神经网络温度预测模型输入茄子温室多类湿度原始参数值来预测每种类型茄子温室湿度原始参数的未来值，每个Elman神经网络温度预测模型可以看作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。除了隐层外,还有一个特别的关联层；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,相当于状态反馈。隐层的传递函数一般为Sigmoid函数,输出层为线性函数,关联层也为线性函数。为了有效地解决茄子温室湿度预测中的逼近精度问题,增强关联层的作用,设计一种改进的Elman网络湿度预测模型。设Elman神经网络湿度预测模型的输入层、输出层、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Elman神经网络温度预测模型隐含层、关联层和输出层的表达式分别为:
cp (k)＝xp (k-1) (13)
本专利每个Elman神经网络湿度预测模型的输入层、输出层、隐层的个数分别为5,1和11，该模型的输入为茄子温室湿度的历史参数，输出为茄子温室每种类型湿度参数的预测值，实现对茄子温室湿度的分类预测，提高预测精确度。
C、递归神经网络湿度预测融合模型(HRFNN)
递归神经网络(HRFNN)湿度预测融合模型输入为多个Elman神经网络茄子温室湿度预测模型的输出，递归神经网络湿度预测融合模型输出为多个Elman神经网络茄子湿度预测模型输出的融合值，递归神经网络湿度预测融合模型的设计方法参照本专利的递归神经网络茄子温室温度预测融合模型设计方法。
(3)、茄子温室温度校正模型设计
茄子温室温度校正模型由4个微分算子和DRNN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；茄子温室温度预测子系统的输出为微分回路1的输入和DRNN神经网络的a端的输入，微分回路1的输出为DRNN神经网络的b端输入，微分回路1的2个微分算子的连接端的输出为DRNN神经网络的C端输入；茄子温室湿度预测子模型的输出为微分回路2的输入和DRNN神经网络的F端输入，微分回路2的输出为DRNN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DRNN神经网络的D端输入；DRNN神经网络由6个输入端节点分别为a、b、C、D、E和F，13个中间节点和1个反映茄子温室温度校正后大小的输出端节点组成，微分算子在MATLAB中调用，茄子温室温度校正模型实现对茄子温室湿度对温度影响变化的校正，反映了茄子温室湿度的实际值变化对茄子温室温度的影响大小，提高茄子温室温度预测的精确度。DRNN神经网络的设计可以参照本专利的多组DRNN神经网络模型设计方法。
5、茄子温室环境参数采集测平台的设计举例
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茄子温室环境温度检测。
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DRNN神经网络的茄子温室温度智能化检测装置，其特征在于：所述检测装置由基于CAN总线的茄子温室环境参数采集平台和茄子温室温度智能检测系统两部分组成；茄子温室温度智能检测系统包括茄子温室温度预测子系统、茄子温室湿度预测子系统、茄子温室温度校正模型，实现对茄子温室环境温度进行预测和校正；
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、多个小波分解模型、多组DRNN神经网络模型和递归神经网络茄子温室温度预测融合模型；茄子温室多个检测点温度值作为茄子温室温度减法聚类分类器的输入，茄子温室温度减法聚类分类器对茄子温室多个检测点温度值进行分类，每种类型的茄子温室检测点温度值作为各个小波分解模型的输入，每个小波分解模型的多个输出作为每组DRNN神经网络模型的输入，每组各个DRNN神经网络模型输出值的等权重相加和得到温度融合预测值，每组DRNN神经网络模型的温度融合预测值作为递归神经网络温度预测融合模型的输入，递归神经网络温度预测融合模型的输出值为茄子温室温度预测子系统的温度预测输出值；
所述茄子温室湿度预测子系统包括茄子温室湿度减法聚类分类器、多个Elman神经网络湿度预测模型和递归神经网络湿度预测融合模型三部分组成；茄子温室多个检测点湿度值作为茄子温室湿度减法聚类分类器的输入，茄子温室湿度减法聚类分类器对茄子温室多个检测点湿度值进行分类，每种类型的茄子温室湿度检测点湿度值作为各个Elman神经网络湿度预测模型的输入，每个Elman神经网络湿度预测模型的湿度预测值作为递归神经网络湿度预测融合模型的输入，递归神经网络湿度预测融合模型的输出值为茄子温室湿度预测子系统的湿度预测输出值；
所述茄子温室温度校正模型由4个微分算子和DRNN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；茄子温室温度预测子系统的输出为微分回路1的输入和DRNN神经网络的a端的输入，微分回路1的输出为DRNN神经网络的b端输入，微分回路1的2个微分算子的连接端的输出为DRNN神经网络的C端输入；茄子温室湿度预测子模型的输出为微分回路2的输入和DRNN神经网络的F端输入，微分回路2的输出为DRNN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DRNN神经网络的D端输入；DRNN神经网络由6个输入端节点分别为a、b、C、D、E和F，13个中间节点和1个输出端节点组成，茄子温室温度校正模型实现对茄子温室湿度对温度影响变化的校正，反映了茄子温室湿度的实际值变化对茄子温室温度的影响大小。
2.根据权利要求1所述的一种基于DRNN神经网络的茄子温室温度智能化检测装置，其特征在于：所述基于CAN总线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，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，实现对茄子温室环境因子参数进行检测、调节和监控。
3.根据权利要求2所述的一种基于DRNN神经网络的茄子温室温度智能化检测装置，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茄子温室环境的温度、湿度、风速和光照度，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DRNN神经网络的茄子温室温度智能化检测装置，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DRNN神经网络的茄子温室温度智能化检测装置，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茄子温室环境参数进行管理和对茄子温室环境多点温度进行融合与预测。
CN201910319316.XA 2019-04-19 2019-04-19 一种基于drnn神经网络的茄子温室温度智能化检测装置 Active CN110109193B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201910319316.XA CN110109193B (zh) 2019-04-19 2019-04-19 一种基于drnn神经网络的茄子温室温度智能化检测装置

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201910319316.XA CN110109193B (zh) 2019-04-19 2019-04-19 一种基于drnn神经网络的茄子温室温度智能化检测装置

Publications (2)

Publication Number Publication Date
CN110109193A CN110109193A (zh) 2019-08-09
CN110109193B true CN110109193B (zh) 2021-01-01

Family

ID=67485991

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201910319316.XA Active CN110109193B (zh) 2019-04-19 2019-04-19 一种基于drnn神经网络的茄子温室温度智能化检测装置

Country Status (1)

Country Link
CN (1) CN110109193B (zh)

Families Citing this family (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN110119165B (zh) * 2019-04-19 2021-12-17 淮阴工学院 一种水产养殖池塘溶解氧检测装置
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
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
CN110766132B (zh) * 2019-09-10 2020-09-25 淮阴工学院 一种基于物联网的果园产量智能预测系统
CN110647979B (zh) * 2019-09-10 2020-09-25 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
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

Citations (7)

* Cited by examiner, † Cited by third party
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
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
CN204423100U (zh) * 2014-09-19 2015-06-24 杭州宏成节能科技有限公司 一种金针菇选拔菌株生长环境控制系统
CN107155932A (zh) * 2017-05-12 2017-09-15 淮阴工学院 一种基于无线传感器网络的牛舍环境温度检测系统
US10026163B2 (en) * 2015-02-25 2018-07-17 Cale Fallgatter Hydrometeor identification methods and systems
CN108537122A (zh) * 2018-03-07 2018-09-14 中国科学院西安光学精密机械研究所 包含气象参数的图像融合采集系统及图像存储方法
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

Family Cites Families (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US10204286B2 (en) * 2016-02-29 2019-02-12 Emersys, Inc. Self-organizing discrete recurrent network digital image codec

Patent Citations (7)

* Cited by examiner, † Cited by third party
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
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
CN204423100U (zh) * 2014-09-19 2015-06-24 杭州宏成节能科技有限公司 一种金针菇选拔菌株生长环境控制系统
US10026163B2 (en) * 2015-02-25 2018-07-17 Cale Fallgatter Hydrometeor identification methods and systems
CN107155932A (zh) * 2017-05-12 2017-09-15 淮阴工学院 一种基于无线传感器网络的牛舍环境温度检测系统
CN108537122A (zh) * 2018-03-07 2018-09-14 中国科学院西安光学精密机械研究所 包含气象参数的图像融合采集系统及图像存储方法
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

Non-Patent Citations (1)

* Cited by examiner, † Cited by third party
Title
基于GPRS的可移动式池塘水质无线监测节点的设计;马从国;《福建农业科技》;20141231(第11期);第72-75页 *

Also Published As

Publication number Publication date
CN110109193A (zh) 2019-08-09

Similar Documents

Publication Publication Date Title
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
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
CN107085732B (zh) 基于无线传感器网络的牛舍环境氨气智能监测系统
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
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
CN110119169B (zh) 一种基于最小向量机的番茄温室温度智能预警系统
CN107169621A (zh) 一种水体溶解氧预测方法及装置
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
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
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
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
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
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
CN110647979B (zh) 一种基于物联网的温室环境多参数智能化监测系统
Kadir et al. Wheat yield prediction: Artificial neural network based approach
Chang et al. Artificial intelligence approaches to predict growth, harvest day, and quality of lettuce (Lactuca sativa L.) in a IoT-enabled greenhouse system
CN110045771B (zh) 一种鱼塘水质智能监测系统
Ali et al. Wireless sensor network and deep learning for prediction greenhouse environments
CN109738435A (zh) 一种荞麦生长监测诊断及产量预测方法
CN110119165B (zh) 一种水产养殖池塘溶解氧检测装置
CN110766132B (zh) 一种基于物联网的果园产量智能预测系统
Shang et al. Research on intelligent pest prediction of based on improved artificial neural network
Liu et al. Plant electrical signal prediction based on LSTM Neural Network

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: 20190809

Assignee: SUZHOU YOUPAKE PACKAGING MATERIALS Co.,Ltd.

Assignor: HUAIYIN INSTITUTE OF TECHNOLOGY

Contract record no.: X2021980013449

Denomination of invention: An intelligent temperature detection device for eggplant greenhouse based on DRNN neural network

Granted publication date: 20210101

License type: Common License

Record date: 20211130