CN110119086B - 一种基于anfis神经网络的番茄温室环境参数智能监测装置 - Google Patents
一种基于anfis神经网络的番茄温室环境参数智能监测装置 Download PDFInfo
- Publication number
- CN110119086B CN110119086B CN201910320157.5A CN201910320157A CN110119086B CN 110119086 B CN110119086 B CN 110119086B CN 201910320157 A CN201910320157 A CN 201910320157A CN 110119086 B CN110119086 B CN 110119086B
- Authority
- CN
- China
- Prior art keywords
- tomato
- yield
- neural network
- tomato greenhouse
- greenhouse
- 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
- 235000007688 Lycopersicon esculentum Nutrition 0.000 title claims abstract description 312
- 238000013528 artificial neural network Methods 0.000 title claims abstract description 149
- 230000007613 environmental effect Effects 0.000 title claims abstract description 31
- 238000012806 monitoring device Methods 0.000 title claims abstract description 13
- 240000003768 Solanum lycopersicum Species 0.000 title claims description 305
- 239000002689 soil Substances 0.000 claims abstract description 62
- 238000001514 detection method Methods 0.000 claims abstract description 45
- 238000012544 monitoring process Methods 0.000 claims abstract description 22
- 230000000306 recurrent effect Effects 0.000 claims description 53
- 238000012937 correction Methods 0.000 claims description 23
- 230000004927 fusion Effects 0.000 claims description 23
- 238000000354 decomposition reaction Methods 0.000 claims description 22
- 230000008859 change Effects 0.000 claims description 11
- 238000004891 communication Methods 0.000 claims description 11
- 238000005070 sampling Methods 0.000 claims description 3
- 241000227653 Lycopersicon Species 0.000 abstract 7
- 230000006870 function Effects 0.000 description 37
- 238000000034 method Methods 0.000 description 27
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 description 23
- 238000004422 calculation algorithm Methods 0.000 description 13
- 238000012549 training Methods 0.000 description 13
- 230000008569 process Effects 0.000 description 12
- 238000013461 design Methods 0.000 description 11
- 230000004913 activation Effects 0.000 description 8
- 230000000694 effects Effects 0.000 description 8
- 230000006872 improvement Effects 0.000 description 8
- 238000004519 manufacturing process Methods 0.000 description 8
- 230000008901 benefit Effects 0.000 description 7
- 235000013399 edible fruits Nutrition 0.000 description 6
- 230000012010 growth Effects 0.000 description 6
- 238000003973 irrigation Methods 0.000 description 6
- 230000002262 irrigation Effects 0.000 description 6
- 238000012545 processing Methods 0.000 description 6
- 241000196324 Embryophyta Species 0.000 description 5
- 230000003044 adaptive effect Effects 0.000 description 5
- 238000011161 development Methods 0.000 description 5
- 230000018109 developmental process Effects 0.000 description 5
- 238000010586 diagram Methods 0.000 description 5
- 210000002569 neuron Anatomy 0.000 description 5
- 238000011160 research Methods 0.000 description 5
- 238000012706 support-vector machine Methods 0.000 description 4
- 235000013311 vegetables Nutrition 0.000 description 4
- 238000004458 analytical method Methods 0.000 description 3
- 230000033228 biological regulation Effects 0.000 description 3
- 239000003337 fertilizer Substances 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
- 238000004088 simulation Methods 0.000 description 3
- 230000003068 static effect Effects 0.000 description 3
- 238000012546 transfer Methods 0.000 description 3
- 241000860705 Alternaria tomato Species 0.000 description 2
- 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
- UPYKUZBSLRQECL-UKMVMLAPSA-N Lycopene Natural products CC(=C/C=C/C=C(C)/C=C/C=C(C)/C=C/C1C(=C)CCCC1(C)C)C=CC=C(/C)C=CC2C(=C)CCCC2(C)C UPYKUZBSLRQECL-UKMVMLAPSA-N 0.000 description 2
- 238000002474 experimental method Methods 0.000 description 2
- 230000004720 fertilization Effects 0.000 description 2
- 230000036541 health Effects 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 238000005312 nonlinear dynamic Methods 0.000 description 2
- 239000002994 raw material Substances 0.000 description 2
- 238000011282 treatment Methods 0.000 description 2
- NAWXUBYGYWOOIX-SFHVURJKSA-N (2s)-2-[[4-[2-(2,4-diaminoquinazolin-6-yl)ethyl]benzoyl]amino]-4-methylidenepentanedioic acid Chemical compound C1=CC2=NC(N)=NC(N)=C2C=C1CCC1=CC=C(C(=O)N[C@@H](CC(=C)C(O)=O)C(O)=O)C=C1 NAWXUBYGYWOOIX-SFHVURJKSA-N 0.000 description 1
- ZZZCUOFIHGPKAK-UHFFFAOYSA-N D-erythro-ascorbic acid Natural products OCC1OC(=O)C(O)=C1O ZZZCUOFIHGPKAK-UHFFFAOYSA-N 0.000 description 1
- JEVVKJMRZMXFBT-XWDZUXABSA-N Lycophyll Natural products OC/C(=C/CC/C(=C\C=C\C(=C/C=C/C(=C\C=C\C=C(/C=C/C=C(\C=C\C=C(/CC/C=C(/CO)\C)\C)/C)\C)/C)\C)/C)/C JEVVKJMRZMXFBT-XWDZUXABSA-N 0.000 description 1
- 241000208292 Solanaceae Species 0.000 description 1
- 229930003268 Vitamin C Natural products 0.000 description 1
- 239000002253 acid Substances 0.000 description 1
- 230000009471 action Effects 0.000 description 1
- 238000013459 approach Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000005540 biological transmission Effects 0.000 description 1
- 150000001746 carotenes Chemical class 0.000 description 1
- 235000005473 carotenes Nutrition 0.000 description 1
- 238000006243 chemical reaction Methods 0.000 description 1
- 230000003750 conditioning effect Effects 0.000 description 1
- 230000001276 controlling effect Effects 0.000 description 1
- 238000010219 correlation analysis Methods 0.000 description 1
- 238000002790 cross-validation Methods 0.000 description 1
- 238000007405 data analysis Methods 0.000 description 1
- 238000013523 data management Methods 0.000 description 1
- 230000007547 defect Effects 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
- 201000010099 disease Diseases 0.000 description 1
- 208000037265 diseases, disorders, signs and symptoms Diseases 0.000 description 1
- 230000009982 effect on human Effects 0.000 description 1
- 238000000605 extraction Methods 0.000 description 1
- 238000010413 gardening Methods 0.000 description 1
- 239000003630 growth substance Substances 0.000 description 1
- 238000003306 harvesting Methods 0.000 description 1
- 230000035876 healing Effects 0.000 description 1
- 238000009434 installation Methods 0.000 description 1
- 238000012886 linear function Methods 0.000 description 1
- 235000012661 lycopene Nutrition 0.000 description 1
- OAIJSZIZWZSQBC-GYZMGTAESA-N lycopene Chemical compound CC(C)=CCC\C(C)=C\C=C\C(\C)=C\C=C\C(\C)=C\C=C\C=C(/C)\C=C\C=C(/C)\C=C\C=C(/C)CCC=C(C)C OAIJSZIZWZSQBC-GYZMGTAESA-N 0.000 description 1
- 229960004999 lycopene Drugs 0.000 description 1
- 239000001751 lycopene Substances 0.000 description 1
- 238000013178 mathematical model Methods 0.000 description 1
- 238000005259 measurement Methods 0.000 description 1
- 238000003062 neural network model Methods 0.000 description 1
- 238000010606 normalization Methods 0.000 description 1
- 238000005457 optimization Methods 0.000 description 1
- 150000007524 organic acids Chemical class 0.000 description 1
- 230000000737 periodic effect Effects 0.000 description 1
- 230000000243 photosynthetic effect Effects 0.000 description 1
- 238000013439 planning Methods 0.000 description 1
- 230000008121 plant development Effects 0.000 description 1
- 230000008092 positive effect Effects 0.000 description 1
- 230000001737 promoting effect Effects 0.000 description 1
- 230000009467 reduction Effects 0.000 description 1
- 230000001105 regulatory effect Effects 0.000 description 1
- 230000001850 reproductive effect Effects 0.000 description 1
- 239000010865 sewage Substances 0.000 description 1
- 239000007787 solid Substances 0.000 description 1
- 238000007619 statistical method Methods 0.000 description 1
- 238000003860 storage Methods 0.000 description 1
- 239000000126 substance Substances 0.000 description 1
- 238000012360 testing method Methods 0.000 description 1
- ZCIHMQAPACOQHT-ZGMPDRQDSA-N trans-isorenieratene Natural products CC(=C/C=C/C=C(C)/C=C/C=C(C)/C=C/c1c(C)ccc(C)c1C)C=CC=C(/C)C=Cc2c(C)ccc(C)c2C ZCIHMQAPACOQHT-ZGMPDRQDSA-N 0.000 description 1
- 230000009105 vegetative growth Effects 0.000 description 1
- 230000017260 vegetative to reproductive phase transition of meristem Effects 0.000 description 1
- 238000012795 verification Methods 0.000 description 1
- 230000000007 visual effect Effects 0.000 description 1
- 229930003231 vitamin Natural products 0.000 description 1
- 239000011782 vitamin Substances 0.000 description 1
- 235000013343 vitamin Nutrition 0.000 description 1
- 229940088594 vitamin Drugs 0.000 description 1
- NCYCYZXNIZJOKI-UHFFFAOYSA-N vitamin A aldehyde Natural products O=CC=C(C)C=CC=C(C)C=CC1=C(C)CCCC1(C)C NCYCYZXNIZJOKI-UHFFFAOYSA-N 0.000 description 1
- 235000019154 vitamin C Nutrition 0.000 description 1
- 239000011718 vitamin C Substances 0.000 description 1
- 150000003722 vitamin derivatives Chemical class 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
- G05B13/00—Adaptive control systems, i.e. systems automatically adjusting themselves to have a performance which is optimum according to some preassigned criterion
- G05B13/02—Adaptive control systems, i.e. systems automatically adjusting themselves to have a performance which is optimum according to some preassigned criterion electric
- G05B13/04—Adaptive control systems, i.e. systems automatically adjusting themselves to have a performance which is optimum according to some preassigned criterion electric involving the use of models or simulators
- G05B13/042—Adaptive control systems, i.e. systems automatically adjusting themselves to have a performance which is optimum according to some preassigned criterion electric involving the use of models or simulators in which a parameter or coefficient is automatically adjusted to optimise the performance
Landscapes
- Engineering & Computer Science (AREA)
- Health & Medical Sciences (AREA)
- Artificial Intelligence (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Evolutionary Computation (AREA)
- Medical Informatics (AREA)
- Software Systems (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (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ANFIS神经网络的番茄温室环境参数智能监测装置，其特征在于所述监测装置由基于无线传感器网络的番茄温室环境参数智能检测平台和番茄温室产量智能预警系统组成；本发明构建番茄温室环境参数监测与调节平台，有效解决了现有技术无法根据番茄温室土壤水分对番茄温室产量的影响预测与预警番茄温室产量的问题。
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ANFIS神经网络的番茄温室环境参数智能监测装置。
背景技术
番茄是一种重要的世界性蔬菜作物，在蔬菜生产和供应中占有重要的地位，是国内设施农业主栽品种之一。温室番茄长季节栽培大多在现代化温室和节能日光温室中进行，以实现番茄优质、高效生产。温室番茄生产的基本目标是充分利用设施环境的可控性，依照生产者预先设计的方案实现对产量、采收与上市时间、植物发育形态、品质、果实大小等方面的目标控制。温室番茄生产已经逐步成为国内温室的主导产业。近年来，设施园艺生产发展迅速，但在发展过程中面临的问题也日益突出，如设施环境可控程度低，缺少针对不同番茄品种的专业设施等。因此，监测温室的室内小气候环境特点，探寻温室内环境参数与番茄经济性状之间的关系具有重要的实践指导意义。选取不同类型温室结构的温室记录室内温湿度变化，调查番茄主要病害和产量情况，然后对温室记录控制系统采集的数据，进行多元统计分析，确定环境参数的变化趋势，为优化温室的结构、调控温室内环境参数、有效促进番茄作物的生长发育提供理论依据。番茄因其栽培简单、管理容易、销路广和经济效益高等优势，农民的种植积极性高，成为温室内栽培的主要番茄作物。不同温室温度对番茄产量有较大影响。
番茄原产南美洲，喜温不耐热的茄科类作物，其生长发育有一定的适应性，由于番茄富含番茄红素、胡萝卜素、维生素C及多种其他维生素物质，对人体健康有一定的保健作用，因此为大众所接受，近年来番茄面积与产量不断在扩大，成为全球栽培最多的蔬菜品种之一，因此如何提高番茄产量与品质有着重要的意义。不同品种的番茄成熟期、单株产量都存在着一定的差异，企业为了更好地规划生产，合理地利用资源，降低单位成本，需掌握温室不同时期不同品种番茄的产量。目前国内关于番茄产量预测的研究报道较少。不同温室灌水量不同对番茄产量有较大影响。随着灌水量的减少,植株株高、茎粗、叶片数和单果质量呈下降趋势；植株单株结果数、番茄果实干物质、可溶性固形物、Vc、有机酸含量和糖酸比均随灌水量降低呈增加趋势,番茄果实品质提高。李建明等对番茄不同生育期的灌溉制度的研究结果表明,在番茄开花坐果期,土壤水分上限为土壤相对含水量的85％时,茎粗增长量、根系活力、净光合速率较大和产量最高,水分利用效率较高。高方胜等研究结果表明,水分对番茄营养生长存在正效应,特别是对株高、茎粗更为明显,叶片数次之。而对生殖生长的效应不明显,处理间花蕾和花的数量差异不大。番茄温室产量预测可以利用建立在历年产量静态数据基础上的预测模型进行研究，预测番茄产量可以为温室施肥、温室环境参数和灌水量等调控提供参考依据。王晓丽等基于改进SVM的水肥与番茄产量品质关系预测模型研究,以不同的灌水及施肥水平作为输入，以番茄的产量为输出，建立了水肥—产量关系的支持向量机(SVM)预测模型，PSO-SVM模型的预测精度较高；该模型能同时预测水肥水平对产量及品质双指标的影响，通过实例验证表明模型预测的产量值与实测结果基本一致，预测效果较理想，可为设施栽培番茄的水肥精细化管理提供支持。袁莉等研究基于灰色系统理论的加工番茄产量预测模型，运用灰色系统理论研究了加工番茄产量变化趋势，建立了加工番茄产量预测的GM(1，1)灰模型，并以2001-2009年新疆加工番茄产量为例，进行了实例分析；该模型有较高的预测精度和较强的泛化能力，对近期加工番茄产量的预测是可靠的，为新疆地区番茄产业的宏观调控、番茄加工及储藏等方面提供了参考。本专利番茄产量的预测结果直接影响到企业生产的安排和原料的供给计划，提出一种新的针对番茄产量在线预测算法，该番茄产量预测算法能够预测番茄生长过程中对番茄施肥及环境参数对番茄产量的影响程度，同时对于果蔬产业原料产量预测提供了一种依据，为企业的生产安排和统筹规划提供参考依据。
发明内容
本发明提供了一种基于ANFIS神经网络的番茄温室环境参数智能监测装置，本发明构建番茄温室环境参数监测与调节平台，有效解决了现有技术无法根据番茄温室土壤水分对番茄温室产量的影响预测与预警番茄温室产量的问题。
本发明通过以下技术方案实现：
一种基于ANFIS神经网络的番茄温室环境参数智能监测装置，由基于无线传感器网络的番茄温室环境参数智能检测平台和番茄温室产量智能预警系统组成，基于无线传感器网络的番茄温室环境参数智能检测平台实现对番茄温室环境参数进行检测、调节和监控，番茄温室产量智能预警系统包括番茄温室产量预测子系统、番茄温室土壤水分预测子系统、番茄温室产量水分校正模型和ANFIS神经网络番茄温室产量等级分类器，实现对番茄温室产量的智能化预测与预警，提高番茄温室产量预测的精确度和鲁棒性。
本发明进一步技术改进方案是：
基于无线传感器网络的番茄温室环境参数智能检测平台由检测节点、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构建成番茄温室环境参数智能检测平台。检测节点分别由传感器组模块、单片机和无线通信模块NRF2401组成，传感器组模块负责检测番茄温室环境的温度、湿度、风速和光照度等番茄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；控制节点实现对番茄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番茄温室环境参数进行管理和对番茄温室环境的土壤水分浓度进行智能检测。基于无线传感器网络的番茄温室环境参数智能检测平台见图1所示。
本发明进一步技术改进方案是：
番茄温室产量智能预警系统包括番茄温室产量预测子系统、番茄温室土壤水分预测子系统、番茄温室产量水分校正模型和ANFIS神经网络番茄温室产量等级分类器；番茄温室产量智能预警系统结构见图2所示。
本发明进一步技术改进方案是：
番茄温室产量预测子系统包括番茄温室产量减法聚类分类器、多个ANFIS神经网络产量预测模型；利用番茄温室产量减法聚类分类器对番茄温室产量的历史数据进行分类，每类数据输入对应的ANFIS神经网络产量预测模型，对应的ANFIS神经网络产量预测模型的输出作为番茄温室产量预测子系统预测番茄温室产量的预测值。
本发明进一步技术改进方案是：
番茄温室土壤水分预测子系统包括番茄温室水分小波分解模型、多个GRNN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；番茄温室水分小波分解模型把番茄温室土壤水分检测数据分解为低频趋势部分和多个高频波动部分，低频趋势部分和多个高频波动部分分别作为多个GRNN神经网络水分预测模型的输入，多个GRNN神经网络水分预测模型的输出作为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的输出值作为番茄温室土壤水分预测子系统预测番茄温室土壤水分的预测值。
本发明进一步技术改进方案是：
番茄温室产量水分校正模型由2个微分算子S、2个积分单元D和HRFNN递归神经网络组成，2个微分算子S相串联构成微分回路1，2个积分单元D相串联构成积分回路2；番茄温室产量预测子系统的输出作为HRFNN递归神经网络的A端的输入，番茄温室土壤水分预测子系统的输出作为微分回路1的输入、HRFNN递归神经网络的B端的输入和积分回路2的输入，微分回路1的2个微分算子S的连接端的输出为HRFNN递归神经网络的I端输入，微分回路1的输出为HRFNN递归神经网络的C端输入；积分回路2的输出为HRFNN递归神经网络的E端输入，积分回路2的2个积分单元D的连接端的输出为HRFNN递归神经网络的F端输入；HRFNN递归神经网络由6个输入端节点分别为A、B、C、I、E和F，15个中间节点和1个输出端节点组成，微分算子在MATLAB中调用，番茄温室产量水分校正模型实现对温室温度对番茄产量影响程度的校正，反映了温室温度的实际值变化对番茄温室产量的影响大小，提高番茄温室产量预测的精确度。
本发明进一步技术改进方案是：
ANFIS神经网络番茄温室产量等级分类器根据番茄温室产量水分校正模型输出番茄温室产量预测值的大小、番茄种类和番茄温室面积作为ANFIS神经网络番茄温室产量等级分类器的输入，ANFIS神经网络番茄温室产量等级分类器的输出把番茄温室产量分为番茄温室高产、番茄温室比较高产、番茄温室中产和番茄温室低产四个番茄温室产量等级。
本发明与现有技术相比，具有以下明显优点：
一、本发明根据温室番茄产量预测参数样本差异的特点,构建温室番茄产量减法聚类分类器对温室番茄产量多点历史样本参数进行分类，每类数据输入对应的ANFIS神经网络预测模型，对应的ANFIS神经网络预测模型的输出作为温室番茄产量预测子系统预测温室番茄产量的预测值，在番茄温室产量预测连续预报过程当中,充分考虑番茄温室产量在时空间的特性,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番茄温室产量预测模型，提高预测精度。
二、本发明由于番茄温室产量具有复杂的非线性特性，不同的工况下番茄温室产量变化很大，很难建立精确的数学模型，利用ANFIS神经网络产量预测模型具有良好的非线性逼近能力，ANFIS既具有模糊推理系统的推理功能，又具有神经网络的训练学习功能。将两者的优势结合，克服了单纯神经网络黑匣子特性，具有一定的透明度。通过大量实验验证了ANFIS比一般BP神经网络训练快，训练次数也大大减少，克服了局部最优的问题。因此，利用ANFIS神经网络产量预测模型建立精确的番茄温室产量预测模型，提高预测番茄温室产量的精确度和可靠性。
三、本发明通过番茄温室温度小波分解模型将番茄温室土壤水分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，这与番茄温室土壤水分的周期性变化相符合；低频成分代表原序列的变化趋势。可见小波分解模型能够逐级分解出番茄温室土壤水分的波动成分、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番茄温室土壤水分变形序列曲线光滑。可见小波分解模型能有效分析多因素共同作用下的番茄温室土壤水分变形数据，分解得到的各分量有利于多个GRNN神经网络土壤水分预测模型分别对不同频率土壤水分信息建立预测模型，来实现对番茄温室土壤水分更好地预测。使用对各分量分别建立多个GRNN神经网络水分预测模型，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，最后将各分量输入HRFNN递归神经网络水分预测融合模型得到最终番茄温室水分融合预测结果。实例研究表明，所提的融合预测结果具有较高的预测精度。
四、本发明采用HRFNN递归神经网络水分预测融合模型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，可以较好地完成番茄温室水分预测值的动态辨识。HRFNN递归神经网络水分预测融合模型来建立番茄温室水分预测值的融合，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温室番茄温室水分融合模型，仿真实验表明该模型动态性能好，融合番茄温室水分精度高，预测性能稳定。
五、本发明采用GRNN神经网络土壤水分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温室土壤水分的预测。本专利用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神经网络来进行番茄温室土壤水分的预测，较好地满足预测模型的鲁棒性和容错性。
六、温室番茄产量水分校正模型由2个微分算子S、2个积分单元D和HRFNN递归神经网络组成，2个微分算子S相串联构成微分回路1，2个积分单元D相串联构成积分回路2，通过2个微分算子S相串联构成微分回路1把影响番茄产量的水分一次变化率和二次变化率以及通过2个积分单元D相串联构成积分回路2把影响番茄产量的水分的前一时刻温度值和前二时刻水分值引入温室番茄产量水分校正模型的HRFNN递归神经网络训练中，形成新的输入向量，具有良好的非线性映射能力，网络模型的输入不仅包括影响番茄产量的当前水分、水分一次变化率、二次变化率和前一次时刻水分实际值和前二次时刻水分实际值的番茄温室土壤水分数据，网络的泛化能力得到提高，这部分输入可以认为包含了一段时间的番茄温室土壤水分状态历史信息参与番茄温室产量校正,对于一个合适的时延时间长度,产量校正得到了很好的效果,使其在非线性番茄温室番茄产量水分校正模型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。
七、ANFIS神经网络番茄温室产量等级分类器根据番茄温室产量水分校正模型输出番茄温室产量预测值的大小、番茄种类和番茄温室面积作为ANFIS神经网络番茄温室产量等级分类器的输入，ANFIS神经网络番茄温室产量等级分类器的输出把番茄温室产量分为番茄温室高产、番茄温室比较高产、番茄温室中产和番茄温室低产四个番茄温室产量等级，该分类器提高番茄温室产量等级分类的准确性和可靠性。。
附图说明
图1为本发明基于无线传感器网络的番茄温室环境参数智能检测平台；
图2为本发明番茄温室产量智能预警系统；
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为本发明番茄温室环境参数智能检测平台平面布置图。
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
本发明基于ANFIS神经网络的番茄温室环境参数智能监测装置，实现对番茄温室环境参数进行检测和对番茄温室产量进行智能预测，该系统由基于无线传感器网络的番茄温室环境参数智能检测平台和番茄温室产量智能预警系统组成。基于无线传感器网络的番茄温室环境参数智能检测平台包括番茄温室环境参数的检测节点1和调节番茄温室环境参数的控制节点2，它们分别采用NRF2401结合MSP430系列微处理器实现检测节点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和控制节点2安装在被监测番茄温室环境区域内以自组织的形式构成网络，最终和现场监控端3进行信息交互。检测节点1将检测的番茄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作为番茄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包括采集番茄温室水分、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番茄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、控制节点的设计
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、继电器控制电路、MSP430微处理器和无线通信模块接口，实现对番茄温室环境控制设备进行控制，控制节点见图4。
4、现场监控端的软件设计
现场监控端3是一台工业控制计算机，现场监控端3主要实现对番茄温室环境参数进行采集与土壤水分进行测量，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番茄温室产量智能预警系统，它包括番茄温室产量预测子系统、番茄温室土壤水分预测子系统、番茄温室产量水分校正模型和ANFIS神经网络番茄温室产量等级分类器等设计与实现。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。番茄温室产量智能预警系统设计如下：
(1)、番茄温室产量预测子系统设计
番茄温室产量预测子系统包括番茄温室产量减法聚类分类器、多个ANFIS神经网络产量预测模型；利用番茄温室产量减法聚类分类器对番茄温室产量的历史数据进行分类，每类数据输入对应的ANFIS神经网络产量预测模型，对应的ANFIS神经网络产量预测模型的输出作为番茄温室产量预测子系统预测番茄温室产量的预测值；
A、番茄温室产量减法聚类分类器
温室番茄产量减法聚类分类器与其他聚类方法相比，不需要预先确定聚类数，仅根据温室番茄产量的历史样本数据密度即可快速确定聚类中心的位置和聚类数；而它把每一个温室番茄产量的历史数据点作为一个潜在的聚类中心的特性，使得聚类的结果与问题的维数无关。因此，温室番茄产量减法聚类算法是一种适合基于数据建模的规则自动提取方法。设定N个数据点(X1,X2,…XN)，每一个温室番茄产量历史数据点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。本发明专利温室番茄产量减法聚类基本思想如下:如果一个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；当获得新的温室番茄产量数据时，组和组的中心做相应的变化。随着输入温室番茄产量空间数据的不断增加，本发明算法通过实时动态的调整聚类中心与聚类个数获得更好的温室番茄产量输入空间划分，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：由历史训练温室番茄产量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ANFIS神经网络产量预测模型
多个ANFIS神经网络产量预测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。多个ANFIS神经网络产量预测模型中的模糊隶属度函数及模糊规则是通过对大量番茄温室产量的已知历史数据的学习得到的，ANFIS神经网络产量预测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神经网络产量预测模型的各类番茄温室产量的历史数据，ANFIS神经网络产量预测模型的主要运算步骤如下:
第1层:将输入的番茄温室产量历史数据模糊化，每个节点对应输出可表示为:
式n为每个网络输入隶属函数个数，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神经网络产量预测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神经网络产量预测模型的输出为:
ANFIS神经网络产量预测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神经网络产量预测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神经网络产量预测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神经网络产量预测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神经网络产量预测模型参数的收敛速度。多个ANFIS神经网络产量预测模型的输入和各种类型为番茄温室产量历史数据，每个ANFIS神经网络产量预测模型的输出作为每种类型番茄温室产量的预测值。
(2)、番茄温室土壤水分预测子系统设计
番茄温室土壤水分预测子系统包括番茄温室水分小波分解模型、多个GRNN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；番茄温室水分小波分解模型把番茄温室土壤水分检测数据分解为低频趋势部分和多个高频波动部分，低频趋势部分和多个高频波动部分分别作为多个GRNN神经网络水分预测模型的输入，多个GRNN神经网络水分预测模型的预测值输出为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的输出为番茄温室土壤水分预测值。
A、番茄温室水分小波分解模型
番茄温室土壤水分检测数据作为小波分解模型的输入，小波分解模型把番茄温室土壤水分检测数据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多个GRNN神经网络水分预测模型的输入，来提高番茄温室土壤水分预测精确度。本发明专利用小波分析方法对番茄温室土壤水分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多个GRNN神经网络水分预测模型来预测番茄温室的土壤水分，最后将各层预测结果作为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的输出为番茄温室土壤水分预测子系统预测番茄温室土壤水分的预测值。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(9)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(10)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。原始番茄温室土壤水分历史数据X进行p层分解后得到的结果为:
X＝D1+D2+…Dp+Ap (11)
式(11)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番茄温室土壤水分历史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番茄温室土壤水分历史数据序列比番茄温室土壤水分历史数据序列简单并且预测番茄温室土壤水分值更加精确。
B、多个GRNN神经网络水分预测模型
多个GRNN神经网络水分预测模型是一种局部逼近网络GRNN(GeneralizedRegression Neural Network)，多个GRNN神经网络水分预测模型输入番茄温室温室水分的低频分量和多个波动的高频分量，各个GRNN神经网络水分预测模型来预测番茄温室土壤水分的低频分量和多个波动的高频分量的未来值，实现对番茄温室土壤水分的精确预测。多个GRNN神经网络水分预测模型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。多个GRNN神经网络水分预测模型的学习全部依赖番茄温室土壤水分数据样本，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。多个GRNN神经网络水分预测模型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。本专利构建的多个GRNN神经网络水分预测模型由输入层、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) (12)
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。根据前述多个GRNN神经网络水分预测模型算法，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) (15)
多个GRNN神经网络水分预测模型建立在数理统计基础之上，能够根据番茄温室土壤水分的低频趋势分量和多个高频波动分量历史数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，特别是在番茄温室土壤水分历史数据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。
C、HRFNN递归神经网络水分预测融合模型
多个GRNN神经网络水分预测模型的输出作为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的输出值作为番茄温室土壤水分预测子系统预测番茄温室土壤水分的预测值。HRFNN递归神经网络水分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。图中第Ⅰ层将输入引入网络；第Ⅱ层将输入模糊化，采用的隶属函数为高斯函数；第Ⅲ层对应模糊推理；第Ⅳ层对应去模糊化操作。用
分别代表第k层的第i个节点的输入和输出，则网络内部的信号传递过程和各层之间的输入输出关系可以描述如下。第Ⅰ层：输入层，该层的各输入节点直接与输入变量相连接，网络的输入和输出表示为：
式中
和
为网络输入层第i个节点的输入和输出，N表示迭代的次数。
第Ⅱ层：成员函数层，该层的节点将输入变量进行模糊化，每一个节点代表一个隶属函数，采用高斯基函数作为隶属函数。网络的输入和输出表示为：
式中mij和σij分别表示第Ⅱ层第i个语言变量的第j项高斯基函数的均值中心和宽度值，m为对应输入节点的全部语言变量数。
第Ⅲ层：模糊推理层，即规则层，加入动态反馈，使网络具有更好的学习效率，反馈环节引入内部变量hk，选用sigmoid函数作为反馈环节内部变量的激活函数。网络的输入和输出表示为：
式中ωjk是递归部分的连接权值，该层的神经元代表了模糊逻辑规则的前件部分，该层节点对第二层的输出量和第三层的反馈量进行Π操作，
是第三层的输出量，m表示完全连接时的规则数。反馈环节主要是计算内部变量的值和内部变量相应隶属函数的激活强度。该激活强度与第3层的规则节点匹配度相关。反馈环节引入的内部变量，包含两种类型的节点：承接节点，反馈节点。承接节点，使用加权求和来计算内部变量，实现去模糊化的功能；内部变量表示的隐藏规则的模糊推理的结果。反馈节点，采用sigmoid函数作为模糊隶属度函数，实现内部变量的模糊化。HRFNN网络的隶属度函数层使用局部隶属度函数，与其不同的是：反馈部分在内部变量的论域上采用的是全局隶属度函数，用来简化网络结构和实现全局历史信息的反馈。承接节点的个数等于反馈节点的个数；承接节点的个数与规则层节点的个数相等。反馈量连接到第3层，作为模糊规则层的输入量，反馈节点的输出包含模糊规则激活强度的历史信息。
第Ⅳ层：去模糊化层，即输出层。该层节点对输入量进行求和操作。网络的输入和输出表示为：
公式中λj是输出层的连接权值。HRFNN递归神经网络水分预测融合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模糊神经网络的训练误差和测试误差分别为明显减少，该网络预测效果优于带自反馈递归模糊神经网络和动态建模的模糊神经网络，这说明加入内部变量后网络的学习能力得到了增强，并且更充分地反映污水处理系统的动态特性。仿真结果证明了网络的有效性。本专利的HRFNN递归神经网络水分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。使用HRFNN递归神经网络对土壤水分参数进行预测。HRFNN通过在反馈环节引入内部变量，将规则层的输出量加权求和后再反模糊化输出作为反馈量，并将反馈量与隶属度函数层的输出量一起作为规则层的下一时刻的输入。网络输出包含规则层激活强度和输出的历史信息，增强了HRFNN适应非线性动态系统的能力。实验表明，HRFNN可以准确地预测土壤水分参数。仿真结果与其他网络得到的结果进行比较，本专利方法所建立的模型在应用于土壤水分预测值融合时网络规模最小，预测误差小，表明了该方法的有效性。
(3)、番茄温室产量水分校正模型设计
番茄温室产量水分校正模型由2个微分算子S、2个积分单元D和HRFNN递归神经网络组成，2个微分算子S相串联构成微分回路1，2个积分单元D相串联构成积分回路2；番茄温室产量预测子系统的输出作为HRFNN递归神经网络的A端的输入，番茄温室土壤水分预测子系统的输出作为微分回路1的输入、HRFNN递归神经网络的B端的输入和积分回路2的输入，微分回路1的2个微分算子S的连接端的输出为HRFNN递归神经网络的I端输入，微分回路1的输出为HRFNN递归神经网络的C端输入；积分回路2的输出为HRFNN递归神经网络的E端输入，积分回路2的2个积分单元D的连接端的输出为HRFNN递归神经网络的F端输入；HRFNN递归神经网络由6个输入端节点分别为A、B、C、I、E和F，15个中间节点和1个输出端节点组成，番茄温室产量水分校正模型实现对温室土壤水分对番茄产量影响程度的校正，反映了温室土壤水分的实际值变化对番茄温室产量的影响大小，提高番茄温室产量预测的精确度；HRFNN递归神经网络参照HRFNN递归神经网络温度预测融合模型设计方法。
(4)、ANFIS神经网络番茄温室产量等级分类器设计
ANFIS神经网络番茄温室产量等级分类器根据番茄温室产量水分校正模型输出番茄温室产量预测值的大小、番茄种类和番茄温室面积作为ANFIS神经网络番茄温室产量等级分类器的输入，ANFIS神经网络番茄温室产量等级分类器的输出把番茄温室产量分为番茄温室高产、番茄温室比较高产、番茄温室中产和番茄温室低产四个番茄温室产量等级。番茄种类可以量化为数字，例如红冠为1，宏帅518为2，戴安娜为3，迦姆拉为4等把番茄种类量化为数字量，番茄温室面积单位为亩输入ANFIS神经网络番茄温室产量等级分类器。ANFIS神经网络温室番茄产量等级分类器的输出大于0.8和小于等于1为温室番茄高产、大于0.6和小于等于0.8为温室番茄比较高产、大于0.4和小于等于0.6为温室番茄中产和大于0.0和小于等于0.4为温室番茄低产。ANFIS神经网络温室番茄产量等级分类器参照多个ANFIS神经网络模型设计方法,其中3个输入、10个中间节点和1个输出节点。
5、番茄温室环境参数智能检测平台的设计举例
根据番茄温室环境的状况，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均衡布置在被检测番茄温室环境中，整个系统平面布置见图6，通过该系统实现对番茄温室环境参数的采集与番茄温室产量进行智能化预测与预警。
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ANFIS神经网络的番茄温室环境参数智能监测装置，其特征在于：所述监测装置由基于无线传感器网络的番茄温室环境参数智能检测平台和番茄温室产量智能预警系统组成；番茄温室产量智能预警系统包括番茄温室产量预测子系统、番茄温室土壤水分预测子系统、番茄温室产量水分校正模型和ANFIS神经网络番茄温室产量等级分类器，实现对番茄温室产量的智能化预测与预警；
所述番茄温室产量预测子系统包括番茄温室产量减法聚类分类器、多个ANFIS神经网络产量预测模型；利用番茄温室产量减法聚类分类器对番茄温室产量的历史数据进行分类，每类数据输入对应的ANFIS神经网络产量预测模型，对应的ANFIS神经网络产量预测模型的输出作为番茄温室产量预测子系统预测番茄温室产量的预测值；
所述番茄温室土壤水分预测子系统包括番茄温室水分小波分解模型、多个GRNN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；番茄温室水分小波分解模型把番茄温室土壤水分检测数据分解为低频趋势部分和多个高频波动部分，低频趋势部分和多个高频波动部分分别作为多个GRNN神经网络水分预测模型的输入，多个GRNN神经网络水分预测模型的输出作为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的输出值作为番茄温室土壤水分预测子系统预测番茄温室土壤水分的预测值；
所述番茄温室产量水分校正模型由2个微分算子S、2个积分单元D和HRFNN递归神经网络组成， 2个微分算子S相串联构成微分回路1，2个积分单元D相串联构成积分回路2；番茄温室产量预测子系统的输出作为HRFNN递归神经网络的A端的输入，番茄温室土壤水分预测子系统的输出作为微分回路1的输入、HRFNN递归神经网络的B端的输入和积分回路2的输入，微分回路1的2个微分算子S的连接端的输出为HRFNN递归神经网络的I端输入，微分回路1的输出为HRFNN递归神经网络的C端输入；积分回路2的输出为HRFNN递归神经网络的E端输入，积分回路2的2个积分单元D的连接端的输出为HRFNN递归神经网络的F端输入；HRFNN递归神经网络由6个输入端节点分别为A、B、C、I、E和F，15个中间节点和1个输出端节点组成，番茄温室产量水分校正模型实现对温室温度对番茄产量影响程度的校正，反映了温室温度的实际值变化对番茄温室产量的影响大小；
所述ANFIS神经网络番茄温室产量等级分类器根据番茄温室产量水分校正模型输出番茄温室产量预测值的大小、番茄种类和番茄温室面积作为ANFIS神经网络番茄温室产量等级分类器的输入，ANFIS神经网络番茄温室产量等级分类器的输出把番茄温室产量分为番茄温室高产、番茄温室比较高产、番茄温室中产和番茄温室低产四个番茄温室产量等级。
2.根据权利要求1所述的一种基于ANFIS神经网络的番茄温室环境参数智能监测装置，其特征在于：所述基于无线传感器网络的番茄温室环境参数智能检测平台由检测节点、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构建成番茄温室环境参数智能检测平台，实现对番茄温室环境参数进行检测、调节和监控。
3.根据权利要求2所述的一种基于ANFIS神经网络的番茄温室环境参数智能监测装置，其特征在于：所述检测节点分别由传感器组模块、单片机和无线通信模块NRF2401组成，传感器组模块负责检测番茄温室环境的温度、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ANFIS神经网络的番茄温室环境参数智能监测装置，其特征在于：所述控制节点实现对番茄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ANFIS神经网络的番茄温室环境参数智能监测装置，其特征在于：所述现场监控端由一台工业控制计算机组成，实现对检测节点检测番茄温室环境参数进行管理和对番茄温室环境的土壤水分浓度进行智能检测。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201910320157.5A CN110119086B (zh) | 2019-04-19 | 2019-04-19 | 一种基于anfis神经网络的番茄温室环境参数智能监测装置 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201910320157.5A CN110119086B (zh) | 2019-04-19 | 2019-04-19 | 一种基于anfis神经网络的番茄温室环境参数智能监测装置 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN110119086A CN110119086A (zh) | 2019-08-13 |
| CN110119086B true CN110119086B (zh) | 2022-03-18 |
Family
ID=67521188
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN201910320157.5A Active CN110119086B (zh) | 2019-04-19 | 2019-04-19 | 一种基于anfis神经网络的番茄温室环境参数智能监测装置 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN110119086B (zh) |
Families Citing this family (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN110570616B (zh) * | 2019-09-10 | 2020-09-25 | 淮阴工学院 | 一种基于物联网的多点火灾预警系统 |
| CN111474851B (zh) * | 2020-04-15 | 2022-09-30 | 深圳禄华科技有限公司 | 一种ptc加热智能调节控制的方法及装置 |
| CN111998887A (zh) * | 2020-08-25 | 2020-11-27 | 淮阴工学院 | 一种用于参数测量的检测装置 |
| CN112903929A (zh) * | 2021-01-13 | 2021-06-04 | 淮阴工学院 | 一种食品质量检测系统 |
| 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 |
Family Cites Families (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN103048266B (zh) * | 2012-12-11 | 2015-06-10 | 江苏大学 | 一种设施番茄氮磷钾胁迫自动识别方法和装置 |
| US20170161560A1 (en) * | 2014-11-24 | 2017-06-08 | Prospera Technologies, Ltd. | System and method for harvest yield prediction |
| CN105230447B (zh) * | 2015-09-06 | 2017-10-03 | 淮阴工学院 | 番茄灌溉智能控制系统 |
| US11263707B2 (en) * | 2017-08-08 | 2022-03-01 | Indigo Ag, Inc. | Machine learning in agricultural planting, growing, and harvesting contexts |
-
2019
- 2019-04-19 CN CN201910320157.5A patent/CN110119086B/zh active Active
Also Published As
| Publication number | Publication date |
|---|---|
| CN110119086A (zh) | 2019-08-13 |
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 | |
| 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 | |
| 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 | |
| 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 | |
| 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 | |
| CN112906735B (zh) | 一种食用菌环境大数据检测系统 | |
| 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 | |
| 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 | |
| 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 | |
| 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 | |
| CN107169621A (zh) | 一种水体溶解氧预测方法及装置 | |
| 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 | |
| CN110766132B (zh) | 一种基于物联网的果园产量智能预测系统 | |
| CN109214579B (zh) | 基于bp神经网络的盐碱地稳定性预测方法及系统 | |
| 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 | |
| CN110119165B (zh) | 一种水产养殖池塘溶解氧检测装置 | |
| Chen et al. | A water-saving irrigation decision-making model for greenhouse tomatoes based on genetic optimization TS fuzzy neural network | |
| CN112906856A (zh) | 一种基于云平台的畜禽舍环境温度检测系统 | |
| Adeyemo | Soft Computing techniques for weather and Climate change studies | |
| Jiao et al. | [Retracted] Prediction Model of Rice Seedling Growth and Rhizosphere Fertility Based on the Improved Elman Neural Network | |
| Mao et al. | A variable weight combination prediction model for climate in a greenhouse based on BiGRU-Attention and LightGBM |
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: 20230817 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 | ||
| TR01 | Transfer of patent right |
Effective date of registration: 20240528 Address after: Building 5, Block A, No. 118, Dongnongsheng Street North (Business Community), Jinhai Road, Shengcheng Street, Shouguang City, Weifang City, Shandong Province, 262700 Patentee after: Shouguang Nongfa Agricultural Equipment Co.,Ltd. Country or region after: China Address before: 230000 B-1015, wo Yuan Garden, 81 Ganquan Road, Shushan District, Hefei, Anhui. Patentee before: HEFEI MINGLONG ELECTRONIC TECHNOLOGY Co.,Ltd. Country or region before: China |
|
| TR01 | Transfer of patent right |