CN110119767B - 一种基于lvq神经网络的黄瓜温室温度智能化检测装置 - Google Patents
一种基于lvq神经网络的黄瓜温室温度智能化检测装置 Download PDFInfo
- Publication number
- CN110119767B CN110119767B CN201910320160.7A CN201910320160A CN110119767B CN 110119767 B CN110119767 B CN 110119767B CN 201910320160 A CN201910320160 A CN 201910320160A CN 110119767 B CN110119767 B CN 110119767B
- Authority
- CN
- China
- Prior art keywords
- temperature
- cucumber
- cucumber greenhouse
- 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
- 235000010799 Cucumis sativus var sativus Nutrition 0.000 title claims abstract description 285
- 238000013528 artificial neural network Methods 0.000 title claims abstract description 115
- 238000001514 detection method Methods 0.000 title claims abstract description 65
- 244000299906 Cucumis sativus var. sativus Species 0.000 title 1
- 240000008067 Cucumis sativus Species 0.000 claims abstract description 300
- 238000012544 monitoring process Methods 0.000 claims abstract description 30
- 230000008859 change Effects 0.000 claims abstract description 15
- 230000004927 fusion Effects 0.000 claims description 30
- 238000000354 decomposition reaction Methods 0.000 claims description 25
- 238000012937 correction Methods 0.000 claims description 22
- YHXISWVBGDMDLQ-UHFFFAOYSA-N moclobemide Chemical compound C1=CC(Cl)=CC=C1C(=O)NCCN1CCOCC1 YHXISWVBGDMDLQ-UHFFFAOYSA-N 0.000 claims description 19
- 238000004891 communication Methods 0.000 claims description 12
- 238000012843 least square support vector machine Methods 0.000 claims description 8
- 238000005070 sampling Methods 0.000 claims description 3
- 230000033228 biological regulation Effects 0.000 abstract description 2
- 210000002569 neuron Anatomy 0.000 description 26
- 238000000034 method Methods 0.000 description 22
- 230000006870 function Effects 0.000 description 21
- 238000012549 training Methods 0.000 description 17
- 235000009849 Cucumis sativus Nutrition 0.000 description 16
- 230000012010 growth Effects 0.000 description 15
- 239000013598 vector Substances 0.000 description 15
- 238000004422 calculation algorithm Methods 0.000 description 11
- 230000008569 process Effects 0.000 description 11
- 238000011161 development Methods 0.000 description 10
- 230000002829 reductive effect Effects 0.000 description 10
- 238000013461 design Methods 0.000 description 9
- 238000011160 research Methods 0.000 description 9
- 230000008901 benefit Effects 0.000 description 7
- 230000007613 environmental effect Effects 0.000 description 7
- 230000006872 improvement Effects 0.000 description 7
- 241000196324 Embryophyta Species 0.000 description 6
- 235000013399 edible fruits Nutrition 0.000 description 6
- 230000029553 photosynthesis Effects 0.000 description 6
- 238000010672 photosynthesis Methods 0.000 description 6
- 238000013507 mapping Methods 0.000 description 5
- 210000000056 organ Anatomy 0.000 description 5
- 238000012545 processing Methods 0.000 description 5
- 230000001850 reproductive effect Effects 0.000 description 5
- 238000006243 chemical reaction Methods 0.000 description 4
- 238000010586 diagram Methods 0.000 description 4
- 230000000694 effects Effects 0.000 description 4
- 238000004519 manufacturing process Methods 0.000 description 4
- 238000003062 neural network model Methods 0.000 description 4
- 238000005457 optimization Methods 0.000 description 4
- 238000012546 transfer Methods 0.000 description 3
- CURLTUGMZLYLDI-UHFFFAOYSA-N Carbon dioxide Chemical compound O=C=O CURLTUGMZLYLDI-UHFFFAOYSA-N 0.000 description 2
- 241000219112 Cucumis Species 0.000 description 2
- 235000015510 Cucumis melo subsp melo Nutrition 0.000 description 2
- FJJCIZWZNKZHII-UHFFFAOYSA-N [4,6-bis(cyanoamino)-1,3,5-triazin-2-yl]cyanamide Chemical compound N#CNC1=NC(NC#N)=NC(NC#N)=N1 FJJCIZWZNKZHII-UHFFFAOYSA-N 0.000 description 2
- 238000004458 analytical method Methods 0.000 description 2
- 230000009286 beneficial effect Effects 0.000 description 2
- 230000003993 interaction Effects 0.000 description 2
- 238000007726 management method Methods 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 230000035479 physiological effects, processes and functions Effects 0.000 description 2
- 230000001105 regulatory effect Effects 0.000 description 2
- 238000012706 support-vector machine Methods 0.000 description 2
- 235000013311 vegetables Nutrition 0.000 description 2
- 244000308744 Cucumis dipsaceus Species 0.000 description 1
- 238000007476 Maximum Likelihood Methods 0.000 description 1
- 241000219000 Populus Species 0.000 description 1
- 238000012300 Sequence Analysis Methods 0.000 description 1
- 229920002472 Starch Polymers 0.000 description 1
- 230000002159 abnormal effect Effects 0.000 description 1
- 238000009825 accumulation Methods 0.000 description 1
- 230000009471 action Effects 0.000 description 1
- 230000004888 barrier function Effects 0.000 description 1
- 230000015572 biosynthetic process Effects 0.000 description 1
- 238000009395 breeding Methods 0.000 description 1
- 230000001488 breeding effect Effects 0.000 description 1
- 238000004364 calculation method Methods 0.000 description 1
- 229910002092 carbon dioxide Inorganic materials 0.000 description 1
- 239000001569 carbon dioxide Substances 0.000 description 1
- 210000004027 cell Anatomy 0.000 description 1
- ATNHDLDRLWWWCB-AENOIHSZSA-M chlorophyll a Chemical group C1([C@@H](C(=O)OC)C(=O)C2=C3C)=C2N2C3=CC(C(CC)=C3C)=[N+]4C3=CC3=C(C=C)C(C)=C5N3[Mg-2]42[N+]2=C1[C@@H](CCC(=O)OC\C=C(/C)CCC[C@H](C)CCC[C@H](C)CCCC(C)C)[C@H](C)C2=C5 ATNHDLDRLWWWCB-AENOIHSZSA-M 0.000 description 1
- 230000003750 conditioning effect Effects 0.000 description 1
- 238000010219 correlation analysis Methods 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
- 230000007547 defect Effects 0.000 description 1
- 238000003745 diagnosis Methods 0.000 description 1
- 238000009826 distribution Methods 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 238000002474 experimental method Methods 0.000 description 1
- 239000003337 fertilizer Substances 0.000 description 1
- 238000005286 illumination Methods 0.000 description 1
- 238000009434 installation Methods 0.000 description 1
- 230000010354 integration Effects 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
- 238000013178 mathematical model Methods 0.000 description 1
- 238000005259 measurement Methods 0.000 description 1
- 230000000050 nutritive effect Effects 0.000 description 1
- 210000004205 output neuron Anatomy 0.000 description 1
- 230000036961 partial effect Effects 0.000 description 1
- 230000019935 photoinhibition Effects 0.000 description 1
- 230000002035 prolonged effect Effects 0.000 description 1
- 230000031877 prophase Effects 0.000 description 1
- 230000009467 reduction Effects 0.000 description 1
- 230000029058 respiratory gaseous exchange Effects 0.000 description 1
- 230000002441 reversible effect Effects 0.000 description 1
- 238000007789 sealing Methods 0.000 description 1
- 238000004088 simulation Methods 0.000 description 1
- 239000002689 soil Substances 0.000 description 1
- 241000894007 species Species 0.000 description 1
- 230000006641 stabilisation Effects 0.000 description 1
- 238000011105 stabilization Methods 0.000 description 1
- 235000019698 starch Nutrition 0.000 description 1
- 239000008107 starch Substances 0.000 description 1
- 230000003068 static effect Effects 0.000 description 1
- 238000012360 testing method Methods 0.000 description 1
- 230000009105 vegetative growth Effects 0.000 description 1
- 230000000007 visual effect Effects 0.000 description 1
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01D—MEASURING NOT SPECIALLY ADAPTED FOR A SPECIFIC VARIABLE; ARRANGEMENTS FOR MEASURING TWO OR MORE VARIABLES NOT COVERED IN A SINGLE OTHER SUBCLASS; TARIFF METERING APPARATUS; MEASURING OR TESTING NOT OTHERWISE PROVIDED FOR
- G01D21/00—Measuring or testing not otherwise provided for
- G01D21/02—Measuring two or more variables by means not covered by a single other subclass
-
- G—PHYSICS
- G05—CONTROLLING; REGULATING
- G05D—SYSTEMS FOR CONTROLLING OR REGULATING NON-ELECTRIC VARIABLES
- G05D27/00—Simultaneous control of variables covered by two or more of main groups G05D1/00 - G05D25/00
- G05D27/02—Simultaneous control of variables covered by two or more of main groups G05D1/00 - G05D25/00 characterised by the use of electric means
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
- G06F18/214—Generating training patterns; Bootstrap methods, e.g. bagging or boosting
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/24—Classification techniques
-
- 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
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/25—Fusion techniques
- G06F18/254—Fusion techniques of classification results, e.g. of results related to same input data
-
- 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
-
- G—PHYSICS
- G08—SIGNALLING
- G08B—SIGNALLING OR CALLING SYSTEMS; ORDER TELEGRAPHS; ALARM SYSTEMS
- G08B21/00—Alarms responsive to a single specified undesired or abnormal condition and not otherwise provided for
- G08B21/18—Status alarms
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04L—TRANSMISSION OF DIGITAL INFORMATION, e.g. TELEGRAPHIC COMMUNICATION
- H04L12/00—Data switching networks
- H04L12/28—Data switching networks characterised by path configuration, e.g. LAN [Local Area Networks] or WAN [Wide Area Networks]
- H04L12/40—Bus networks
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04L—TRANSMISSION OF DIGITAL INFORMATION, e.g. TELEGRAPHIC COMMUNICATION
- H04L12/00—Data switching networks
- H04L12/28—Data switching networks characterised by path configuration, e.g. LAN [Local Area Networks] or WAN [Wide Area Networks]
- H04L12/40—Bus networks
- H04L2012/40208—Bus networks characterized by the use of a particular bus standard
- H04L2012/40215—Controller Area Network CAN
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- Business, Economics & Management (AREA)
- Life Sciences & Earth Sciences (AREA)
- Bioinformatics & Computational Biology (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Evolutionary Biology (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Artificial Intelligence (AREA)
- Evolutionary Computation (AREA)
- General Engineering & Computer Science (AREA)
- Economics (AREA)
- Human Resources & Organizations (AREA)
- Strategic Management (AREA)
- General Business, Economics & Management (AREA)
- Marketing (AREA)
- Tourism & Hospitality (AREA)
- Animal Husbandry (AREA)
- Primary Health Care (AREA)
- Development Economics (AREA)
- Game Theory and Decision Science (AREA)
- Entrepreneurship & Innovation (AREA)
- Operations Research (AREA)
- Quality & Reliability (AREA)
- Automation & Control Theory (AREA)
- General Health & Medical Sciences (AREA)
- Health & Medical Sciences (AREA)
- Mining & Mineral Resources (AREA)
- Marine Sciences & Fisheries (AREA)
- Agronomy & Crop Science (AREA)
- Emergency Management (AREA)
- Signal Processing (AREA)
- Computer Networks & Wireless Communication (AREA)
- Feedback Control In General (AREA)
Abstract
本发明公开了一种基于LVQ神经网络的黄瓜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总线的黄瓜温室环境参数采集平台和黄瓜温室温度智能监测系统两部分组成；本发明有效解决了现有黄瓜温室监控系统没有根据黄瓜温室环境温度变化的非线性、大滞后和黄瓜温室面积大温度变化复杂等特点，对黄瓜温室环境的温度进行智能化监测与预测，从而极大的影响黄瓜温室环境温度的调控问题。
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LVQ神经网络的黄瓜温室温度智能化检测装置。
背景技术
黄瓜是现代温室栽培的主要蔬菜种类之一。在现代温室黄瓜生产过程中,温度是影响黄瓜生长发育和产量的主要环境因子之一。前人在温度对黄瓜生长发育、产量形成、生理生化及光合作用的影响方面做了大量的工作。黄瓜是属于温凉型蔬菜作物，其最适生长温度为25-30℃，超过35℃就会影响黄瓜的产量及品质。目前，一些学者研究了高温对黄瓜的生殖生长及产量等方面的影响。研究发现雌花对高温极其敏感，且主要集中表现在花前期6-17d。杨立飞等发现高温对黄瓜坐果率有明显影响，35℃时热敏感品种的坐果率就急剧下降，而耐热品种的坐果率则要在45℃时才会受到影响。通过研究高温对20份欧洲生态型黄瓜自交系产量及品质的相关性状影响差异，为耐热新品种培育和制定黄瓜耐热栽培技术提供依据。亚低温条件下植株营养生长受到了抑制,而生殖生长受到促进。亚低温条件下植株总干质量与适温处理差异较小,主要是因为果实干质量增加,而叶干质量明显减少所致。因此,亚低温有利于提高现代温室黄瓜产量,采用这一温度设置能够达到节能栽培的目的。冬春季温室温度是影响黄瓜生长发育最重要的因素，其适温为13-30℃，在这个温度范围内，对黄瓜实行高低不同温度管理，才能使其充分发挥增产潜力。冬春季温室温度要求10厘米地温在13℃以上，否则幼苗根系不能伸展而老化脱落，吸水吸肥能力下降，光合作用产物转运缓慢，容易造成淀粉残存在黄瓜茎、叶和根部，使幼苗变成深绿色，生长缓慢，必然延长苗龄，使之成为小老苗、僵苗，生长不正常苗，甚至出现畸形苗。定植前，提高温室温度，温室浅层土壤由于浇水等原因，温度不能稳定提高，不利于黄瓜根系生长发育。最好待温室10厘米地温达到13℃以上，选择连续晴天时定植。定植后严封温室，将温室温度提高到28-30℃，夜晚保持18-20℃；白天温度保持在22-33℃，若阴天保持在20-25℃，夜晚保持在16-18℃，快到天亮时，一定要把温度升高到18℃以上。早晨温室内二氧化碳浓度大，能促进黄瓜光合作用。
国内专家纷纷研究黄瓜温室温度对黄瓜生长的影响。孟令波等认为高温引起黄瓜产量下降的主要原因是黄瓜发生生殖障碍，化瓜严重，结瓜率下降导致的。在品质方面，高温会引起果皮硬度增加，果柄变长，VC含量减少。黄瓜在成株期受高温影响比较复杂，对根茎叶等营养器官以及花、果实等生殖器官都有影响。在成株期相对于营养器官，植株的生殖器官更容易受到高温胁迫的影响。试验研究结果表明在高温胁迫下，欧洲型黄瓜的化瓜数与畸形瓜数变化幅度明显，这可能是由于雌花花器官发育不良，形成小雌花，从而在蕾期就黄化凋萎，单性结实率下降。马德华等研究高温对黄瓜幼苗光合与呼吸作用的影响和温度逆境锻炼对高温下黄瓜幼苗生理的影响，何洁等研究低温与植物的光合作用，李晓萍等研究黄瓜幼苗的冷锻炼与低温引起的光抑制，王毅等研究黄瓜幼苗低温锻炼对叶片细胞叶绿素结构的影响，王永健等研究低温弱光对不同黄瓜品种幼苗光合作用的影响。黄瓜喜温、喜光,不适的温度影响黄瓜的正常生长发育。低温阻碍幼苗的生长,在低温条件下幼苗的壮苗指数比常温有所降低,表明低温对幼苗的生长不利,造成黄瓜生长发育不良,产量、质量下降。近年来,随着保护地生产的迅猛发展,低温逆境对黄瓜生长发育的影响越来越突出,低温已经成为黄瓜保护地栽培中主要的障碍因子之一。本专利根据温室温度对黄瓜生长的重要性，开发了黄瓜温室智能检测装置，该智能装置对应促进黄瓜生产有重要的意义。
发明内容
本发明提供了一种基于LVQ神经网络的黄瓜温室温度智能化检测装置，本发明有效解决了现有黄瓜温室监控系统没有根据黄瓜温室环境温度变化的非线性、大滞后和黄瓜温室面积大温度变化复杂等特点，对黄瓜温室环境的温度进行智能化监测与预测，从而极大的影响黄瓜温室环境温度的调控问题。
本发明通过以下技术方案实现：
一种基于LVQ神经网络的黄瓜温室温度智能化检测装置，由基于CAN总线的黄瓜温室环境参数采集平台和黄瓜温室温度智能监测系统两部分组成，基于CAN总线的黄瓜温室环境参数采集平台实现对黄瓜温室环境因子参数进行检测、预测和管理；黄瓜温室温度智能监测系统包括黄瓜温室温度预测子系统、黄瓜温室湿度预测子系统和黄瓜温室温度校正融合模型三部分组成，实现对黄瓜温室多点温度的融合、预测和校正。
本发明进一步技术改进方案是：
基于CAN总线的黄瓜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黄瓜温室环境的温度、湿度、风速和光照度等黄瓜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；控制节点实现对黄瓜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黄瓜温室环境参数进行管理和对黄瓜温室环境多点温度进行融合与智能预测。基于CAN总线的黄瓜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：
根据黄瓜温室环境温度非线性、时变性和湿度对温度影响较大等特点，通过黄瓜温室的湿度来校正温度，提高黄瓜温室的温度检测精确度和鲁棒性，黄瓜温室温度智能监测系统包括黄瓜温室温度预测子系统、黄瓜温室湿度预测子系统和黄瓜温室温度校正融合模型三部分组成；黄瓜温室温度智能监测系统见图2所示。
本发明进一步技术改进方案是：
黄瓜温室温度预测子系统包括黄瓜温室环境温度LVQ神经网络分类器、组合预测模型1、组合预测模型2和组合预测模型3组成，每个组合预测模型包括GRNN神经网络温度预测模型、ARIMA自回归滑动平均温度预测模型和最小二乘支持向量机LS-SVM温度预测模型以及三个预测模型等权重相加后得到温度融合预测值，黄瓜温室环境温度LVQ神经网络分类器把黄瓜温室温度多个检测点值分为3种类型，每种类型的黄瓜温室温度检测点值作为对应类的组合预测模型的输入，每个组合预测模型实现对不同类黄瓜温室温度检测点值的温度预测，提高黄瓜温室温度预测精确度，3个组合预测模型的输出值作为黄瓜温室温度预测子系统的输出。
本发明进一步技术改进方案是：
黄瓜温室湿度预测子系统包括黄瓜温室湿度小波分解模型、多个ANFIS神经网络湿度预测模型和多个ANFIS神经网络湿度预测模型值等权重相加得到湿度融合预测值三部分组成，黄瓜温室湿度小波分解模型把黄瓜温室湿度检测值分解为低频趋势部分和多个高频波动部分，黄瓜温室湿度检测值经过黄瓜温室湿度小波分解模型分解得到的低频趋势部分和多个高频波动部分分别作为多个ANFIS神经网络湿度预测模型的输入，多个ANFIS神经网络湿度预测模型的输出分别为黄瓜温室湿度检测值的低频趋势部分和多个高频波动部分的预测值，多个ANFIS神经网络湿度预测模型的输出值等权重相加得到黄瓜温室湿度预测值。
本发明进一步技术改进方案是：
黄瓜温室温度校正融合模型由6个微分算子S和ANFIS神经网络组成，6个微分算子平均分成3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以及微分回路3；黄瓜温室温度预测子系统的组合预测模型1的输出为微分回路1的输入和ANFIS神经网络的C端的输入，微分回路1的输出为ANFIS神经网络的A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ANFIS神经网络的B端的输入；黄瓜温室温度预测子系统的组合预测模型2的输出为微分回路2的输入和ANFIS神经网络的D端的输入，微分回路2的输出为ANFIS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ANFIS神经网络F端的输入；黄瓜温室温度预测子系统的组合预测模型3的输出为微分回路3的输入和ANFIS神经网络的J端的输入，微分回路3的输出为ANFIS神经网络K端的输入，微分回路3的2个微分算子S的连接端的输出为ANFIS神经网络L端的输入；黄瓜温室湿度预测子系统的输出为ANFIS神经网络I端的输入；ANFIS神经网络由10个输入端节点、20个中间节点和1个反映黄瓜温室温度的输出端节点组成，微分算子在MATLAB中调用，黄瓜温室温度校正融合模型实现对黄瓜温室预测的温度值的校正，反映了黄瓜温室的湿度的实际值变化对黄瓜温室温度的影响，提高黄瓜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、本发明根据黄瓜温室温度参数样本差异的特点,构建黄瓜温室环境温度LVQ神经网络分类器对黄瓜温室温度多点预测样本参数进行分类，设计多组合预测模型分别对黄瓜温室温度的样本参数进行预测，在黄瓜温室温度预测连续预报过程当中,充分考虑黄瓜温室温度在时空间的特性,把成因相近的,相对均质的数据从黄瓜温室温度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组合预测模型模型，提高黄瓜温室温度预测精度。
二、本发明组合预测模型基于GRNN神经网络温度预测模型、ARIMA自回归滑动平均温度预测模型和最小二乘支持向量机LS-SVM温度预测模型三种方法建立单项预测子模型，分别作为黄瓜温室温度最优非线性组合模型的逼近器，建立组合预测模型，实现对单项预测子模型结果的融合，通过Matlab平台对黄瓜温室温度进行预测，结果表明，该种组合预测是选用多种方法对同一对象进行预测，它可以更大化地利用多种单一预测方法信息，实现预测信息之间的互补，提高了组合预测模型的鲁棒性，实现了多种方法的预测结果进行融合，相对单一的预测方法，预测结果更科学和准确。
三、本发明采用ARIMA模型预测黄瓜温室温度整合了黄瓜温室温度变化的趋势因素、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黄瓜温室温度数据拟合和预测。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，是一种对黄瓜温室温度进行短期预测效果较好的模型。
四、本发明采用GRNN神经网络温度预测模型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，适用于黄瓜温室温度预测。GRNN在逼近能力和学习速度上较RBF网络有更强的优势，网络最后收敛于样本量积聚较多的优化回归面并且在样本数据较少时，网络还可以处理不稳定数据，预测效果也较好。GRNN神经网络温度预测模型泛化能力强，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，对黄瓜温室温度预测具有良好的应用前景。
五、本发明由于黄瓜温室湿度具有复杂的非线性特性，不同的工况下温度变化很大，很难建立精确的数学模型，利用ANFIS神经网络湿度预测模型可精确地辨识黄瓜温室湿度预测值，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网络建立精确的黄瓜温室湿度预测模型，提高黄瓜温室湿度预测精确度。
六、本发明通过黄瓜温室湿度小波分解模型将黄瓜温室湿度参数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，这与黄瓜温室湿度的周期性变化相符合；低频成分代表原序列的变化趋势。可见黄瓜温室湿度小波分解模型能够逐级分解出黄瓜温室湿度的波动成分、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黄瓜温室湿度变形序列曲线光滑。可见黄瓜温室湿度小波分解模型能有效分析多因素共同作用下的黄瓜温室湿度变形数据，分解得到的各分量有利于ANFIS神经网络湿度预测模型的建立和更好地预测。使用对各分量分别建立ANFIS神经网络湿度预测模型，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黄瓜温室湿度预测精度。
七、黄瓜温室温度校正融合模型由6个微分算子S和ANFIS神经网络组成，6个微分算子平均分成3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以及微分回路3，它将3种类型的黄瓜温室温度预测值、一次变化率与二次变化率和影响黄瓜温室温度的湿度预测值引入黄瓜温室温度校正融合模型的ANFIS神经网络网络训练中，形成新的输入向量，具有良好的非线性映射能力，黄瓜温室温度校正融合模型输入不仅包括黄瓜温室温度预测值和湿度预测值，还包含黄瓜温室温度3种类型预测值的一次和二次变化率数据，黄瓜温室温度校正融合模型的ANFIS神经网络网络的泛化能力得到提高，使其在非线性黄瓜温室温度校正中较传统的静态神经网络具有更好的黄瓜温室温度预测精度和自适应能力。
附图说明
图1为本发明基于CAN总线的黄瓜温室环境参数采集平台；
图2为本发明黄瓜温室温度智能监测系统；
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为本发明基于CAN总线的黄瓜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
本发明实现对黄瓜温室环境因子参数进行检测和黄瓜温室环境温度智能预测，该系统由基于CAN总线的黄瓜温室环境参数采集平台和黄瓜温室温度智能监测系统2部分组成。基于CAN总线的黄瓜温室环境参数采集平台包括黄瓜温室环境参数的检测节点1和调节黄瓜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将检测的黄瓜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作为黄瓜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包括采集黄瓜温室环境温度、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黄瓜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，实现对黄瓜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主要实现对黄瓜温室环境参数进行采集和黄瓜温室环境温度预测，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和黄瓜温室温度智能预测。该管理软件选择了Microsoft Visual++6.0作为开发工具，调用系统的Mscomm通信控件来设计通讯程序；黄瓜温室温度智能监测系统包括黄瓜温室温度预测子系统、黄瓜温室湿度预测子系统和黄瓜温室温度校正融合模型三部分组成，现场监控端软件功能见图5。
(1)、黄瓜温室温度预测子系统设计
黄瓜温室温度预测子系统包括黄瓜温室环境温度LVQ神经网络分类器、组合预测模型1、组合预测模型2和组合预测模型3组成，每个组合预测模型包括GRNN神经网络温度预测模型、ARIMA自回归滑动平均温度预测模型和最小二乘支持向量机LS-SVM温度预测模型以及三个预测模型等权重相加后得到温度融合预测值，黄瓜温室环境温度LVQ神经网络分类器把黄瓜温室温度多个检测点值分为3种类型，每种类型的黄瓜温室温度检测点值作为对应类的组合预测模型的输入，每个组合预测模型实现对不同类黄瓜温室温度检测点值的温度预测，提高黄瓜温室温度预测精确度，3个组合预测模型的输出值作为黄瓜温室温度预测子系统的输出；
A、黄瓜温室环境温度LVQ神经网络分类器
黄瓜温室环境温度LVQ神经网络分类器是一种前向有监督的神经网络类型，无需将输入向量正交化、归一化，只需直接计算输入向量与竞争层之间的距离，并可以求得全局最优，是一种简单易行的模式识别方法。竞争层的每个神经元通过学习原型向量,并对输入空间进行分类。将竞争层学习得到的类称为子类,将输出层学习得到的类称为目标类。黄瓜温室环境温度LVQ神经网络分类器由输入层、竞争层和输出层神经元组成。输入层有n个神经元接受输入向量，与竞争层之间完全连接；竞争层有m个神经元，分别为若干组；输出层每个神经元只与竞争层中的一组神经元连接，连接权值固定为1。在LVQ网络训练过程中，输入层和竞争层之间的连接权值被逐渐调整为聚类中心，当一个输入样本被送至LVQ网络时，竞争层的神经元通过胜者为王竞争学习规则产生获胜神经元，容许其输出为1，而其他神经元输出为0，与获胜神经元所在组相连接的输出神经元其输出也为1，而其他输出神经元为0，从而给出当前输入样本的模式类。首先创建一个LV Q神经网络,其输入层为20经元,输出层设计成3个神经元,竞争层取550个神经元。然后分别用训练样本对网络进行训练和对参数样本进行仿真检验。设置训练步数为1 000,观察其分类性能。黄瓜温室环境温度LVQ神经网络分类器学习算法实现过程如下：
①.数初始化。竞争层各神经元权值wij(0)，i＝1,2,…,n；j＝1,2,…,m赋予[0,1]间的随机小数。设定初始化学习速率η(0).和最大训练次数tm。
②.入样本向量X，通过欧氏距离最小标准寻找获胜神经元c。
j＝1,2,…,m。寻找获胜神经元c，从而实现了神经元的竞争过程。
③.根据分类结果正确与否来调整获胜神经元的权值,如果分类结果与输入样本类别一致，向输入方向调整权值：Wc(t+1)＝Wc(t)+η(t)[X-Wc(t)]；否则向逆输入方向调整权值：Wc(t+1)＝Wc(t)-η(t)[X-Wc(t)],非获胜神经元的权值保持不变。
④.更新学习速率，η(t)＝η(0)(1-t/tm)。
⑤.t＝t+1，判断是否达到最大训练次数，如果没有，转入步骤②输入下一个样本，重复各步骤直到t＝tm。
黄瓜温室环境温度LVQ神经网络分类器把黄瓜温室环境检测值分为三种类型,每种黄瓜温室环境温度分别作为对应组合预测模型的输入，每种组合模型的输出为该类型黄瓜温室环境温度历史数据的预测值。
B、组合预测模型
组合预测模型包括组合预测模型1、组合预测模型2和组合预测模型3组成，每个组合预测模型包括GRNN神经网络温度预测模型、ARIMA自回归滑动平均温度预测模型和最小二乘支持向量机LS-SVM温度预测模型以及三个预测值的等权重相加得到组合预测模型的值，黄瓜温室环境温度LVQ神经网络分类器把温室温度多个检测点值分为3种类型，每种类型的温室温度检测点值作为对应类的组合预测模型的输入，每个组合预测模型实现对不同类黄瓜温室温度检测点值的温度预测，提高黄瓜温室温度预测精确度，3个组合预测模型的输出值作为黄瓜温室温度预测子系统的输出。
①、GRNN神经网络温度预测模型
GRNN神经网络温度预测模型是一种局部逼近网络GRNN(Generalized Regression Neural Network)，黄瓜温室温度的历史数据作为GRNN神经网络温度预测模型的输入，GRNN神经网络温度预测模型来预测黄瓜温室温度的未来值，实现对黄瓜温室温度的精确预测。GRNN神经网络温度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。GRNN神经网络温度预测模型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神经网络温度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。本专利的GRNN神经网络温度预测模型由输入层、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) (1)
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神经网络温度预测模型算法，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) (4)
GRNN神经网络模型建立在数理统计基础之上，能够根据黄瓜温室温度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，特别是在黄瓜温室温度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。GRNN神经网络模型的输入层、模式层、求和层和输出层分别为20、30、10和1个节点，输出层为预测温度值，输入层为黄瓜温室的20个温度检测数据。
②、ARIMA自回归滑动平均温度预测模型
ARIMA自回归滑动平均温度预测模型一种根据被预测黄瓜温室温度历史数据预测黄瓜温室将来温度的建模方法,它对被预测黄瓜温室温度的时间序列进行分析。本专利采用黄瓜温室温度历史参数来分析黄瓜温室温度的时间序列对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自回归滑动平均温度预测模型被写作为：ARIMA(p,d,q)。以p、d、q为参数的ARIMA动态预测黄瓜温室温度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自回归滑动平均温度预测模型的待估计参数，p和q为ARIMA动态预测黄瓜温室温度模型的阶。ARIMA动态预测黄瓜温室温度本质上属于线性模型，建模与预测包含4个步骤:
Ⅰ、序列平稳化处理。如果黄瓜温室温度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,则需对黄瓜温室温度历史数据进行差分处理。
Ⅱ、模型识别。通过自相关系数和偏自相关系数来确定ARIMA动态预测黄瓜温室温度模型的阶数p，d和q。
Ⅲ、估计模型的参数和模型诊断。用极大似然估计得到ARIMA动态预测黄瓜温室温度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,然后判断所建黄瓜温室温度模型是否可取，利用选取合适参数的ARIMA动态预测黄瓜温室温度模型进行黄瓜温室温度的预测；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。
Ⅳ、利用具有合适参数模型进行黄瓜温室温度的预测。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模块实现黄瓜温室温度预测的整个建模过程。
③、最小二乘支持向量机LS-SVM温度预测模型
最小二乘支持向量机LS-SVM温度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，该算法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，LS-SVM算法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LS-SVM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，最小二乘支持向量机LS-SVM温度预测模型为：
模型的预测输出是黄瓜温室温度值，每个中间节点对应一个支持向量，x1,x2,…xn为黄瓜温室温度的历史数据作为输入变量，αi为网络权重。最小二乘支持向量机LS-SVM温度预测模型根据黄瓜温室历史温度值预测黄瓜温室温度值。
(2)、黄瓜温室湿度预测子系统设计
黄瓜温室湿度预测子系统包括黄瓜温室湿度小波分解模型、多个ANFIS神经网络湿度预测模型和多个ANFIS神经网络湿度预测模型值等权重相加得到湿度融合预测值三部分组成，黄瓜温室湿度小波分解模型把黄瓜温室湿度检测值分解为低频趋势部分和多个高频波动部分，黄瓜温室湿度检测值经过黄瓜温室湿度小波分解模型分解得到的低频趋势部分和多个高频波动部分分别作为多个ANFIS神经网络湿度预测模型的输入，多个ANFIS神经网络湿度预测模型的输出分别为黄瓜温室湿度检测值的低频趋势部分和多个高频波动部分的预测值，多个ANFIS神经网络湿度预测模型的输出值等权重相加得到黄瓜温室湿度预测值；
A、黄瓜温室湿度小波分解模型
黄瓜温室环境湿度检测数据作为黄瓜温室湿度小波分解模型的输入，黄瓜温室湿度小波分解模型把黄瓜温室环境湿度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ANFIS神经网络湿度预测模型的输入，来提高黄瓜温室环境湿度预测精确度。本发明专利用小波分析方法对黄瓜温室环境湿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ANFIS神经网络模型来预测黄瓜温室的湿度，最后将多个ANFIS神经网络湿度预测模型的输出等权重相加得到黄瓜温室湿度预测值。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(8)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(9)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。原始黄瓜温室湿度历史数据X进行p层分解后得到的结果为:
X＝D1+D2+…Dp+Ap (10)
式(10)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黄瓜温室湿度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黄瓜温室湿度历史数据序列比黄瓜温室湿度历史数据序列简单并且预测黄瓜温室湿度值更加精确。
B、多个ANFIS神经网络湿度预测模型
多个ANFIS神经网络湿度预测模型是一种基于Takagi Sugeno模型的模糊推理系统，是将模糊逻辑和神经元网络有机结合的新型模糊推理系统结构，具有以任意精度逼近任意线性和非线性函数的功能，并且收敛速度快，样本需要量少。若系统有m个黄瓜温室湿度历史数据作为输入量x1,x2,…,xm，单输出量可由n条模糊If-Then规则组成的集合来表示。多个ANFIS神经网络湿度预测模型有五层,每层算法如下:
第一层：将输入变量模糊化，输出对应模糊集的隶属度，其中每个节点的传递函数可以表示为：
其中：i＝1,2,…,m；k＝1,2,…n；j＝n×m，o1,j代表输出，隶属度函数通常使用的是钟型函数。
第二层：实现条件部分的模糊集的运算，输出对应于式(11)每条规则的适用度，通常采用乘法：
第三层：归一化各条规则的适用度：
第四层：每个节点的传递函数为线性函数，计算出每条规则的输出：
第五层：计算所有规则输出之和：
多个ANFIS神经网络湿度预测模型的输入为温室黄瓜湿度的历史数据,多个ANFIS神经网络湿度预测模型的输出为黄瓜温室湿度预测值。
(3).黄瓜温室温度校正融合模型设计
黄瓜温室温度校正融合模型由6个微分算子S和ANFIS神经网络组成，6个微分算子平均分成3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以及微分回路3；黄瓜温室温度预测子系统的组合预测模型1的输出为微分回路1的输入和ANFIS神经网络的C端的输入，微分回路1的输出为ANFIS神经网络的A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ANFIS神经网络的B端的输入；黄瓜温室温度预测子系统的组合预测模型2的输出为微分回路2的输入和ANFIS神经网络的D端的输入，微分回路2的输出为ANFIS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ANFIS神经网络F端的输入；黄瓜温室温度预测子系统的组合预测模型3的输出为微分回路3的输入和ANFIS神经网络的J端的输入，微分回路3的输出为ANFIS神经网络K端的输入，微分回路3的2个微分算子S的连接端的输出为ANFIS神经网络L端的输入；黄瓜温室湿度预测子系统的输出为ANFIS神经网络I端的输入；ANFIS神经网络由10个输入端节点、20个中间节点和1个反映黄瓜温室温度的输出端节点组成，黄瓜温室温度校正融合模型实现对黄瓜温室预测的温度值的校正，反映了黄瓜温室的湿度的实际值变化对黄瓜温室温度的影响，提高黄瓜温室温度预测的精确度；微分算子在MATLAB中调用，ANFIS神经网络的设计方法参照多个ANFIS神经网络湿度预测模型设计。
5、基于CAN总线的黄瓜温室环境参数采集平台的设计举例
根据黄瓜温室环境的状况，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均衡布置在被检测黄瓜温室环境的各个生产区域中，整个系统平面布置见图6，通过该系统实现对黄瓜温室环境参数的采集和智能化预测。
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LVQ神经网络的黄瓜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总线的黄瓜温室环境参数采集平台和黄瓜温室温度智能监测系统两部分组成；黄瓜温室温度智能监测系统包括黄瓜温室温度预测子系统、黄瓜温室湿度预测子系统和黄瓜温室温度校正融合模型三部分组成，实现对黄瓜温室多点温度的融合、预测和校正；
所述黄瓜温室温度预测子系统包括黄瓜温室环境温度LVQ神经网络分类器、组合预测模型1、组合预测模型2和组合预测模型3 组成，每个组合预测模型包括GRNN神经网络温度预测模型、ARIMA自回归滑动平均温度预测模型和最小二乘支持向量机LS-SVM温度预测模型以及三个预测模型等权重相加后得到温度融合预测值，黄瓜温室环境温度LVQ神经网络分类器把黄瓜温室温度多个检测点值分为3种类型，每种类型的黄瓜温室温度检测点值作为对应类的组合预测模型的输入，每个组合预测模型实现对不同类黄瓜温室温度检测点值的温度预测，提高黄瓜温室温度预测精确度，3个组合预测模型的输出值作为黄瓜温室温度预测子系统的输出；
所述黄瓜温室湿度预测子系统包括黄瓜温室湿度小波分解模型、多个ANFIS神经网络湿度预测模型和多个ANFIS神经网络湿度预测模型值等权重相加得到湿度融合预测值三部分组成，黄瓜温室湿度小波分解模型把黄瓜温室湿度检测值分解为低频趋势部分和多个高频波动部分，黄瓜温室湿度检测值经过黄瓜温室湿度小波分解模型分解得到的低频趋势部分和多个高频波动部分分别作为多个ANFIS神经网络湿度预测模型的输入，多个ANFIS神经网络湿度预测模型的输出分别为黄瓜温室湿度检测值的低频趋势部分和多个高频波动部分的预测值，多个ANFIS神经网络湿度预测模型值等权重相加得到湿度融合预测值；
所述黄瓜温室温度校正融合模型由6个微分算子S和ANFIS神经网络组成，6个微分算子平均分成3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以及微分回路3；黄瓜温室温度预测子系统的组合预测模型1的输出为微分回路1的输入和ANFIS神经网络的C端的输入，微分回路1的输出为ANFIS神经网络的A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ANFIS神经网络的B端的输入；黄瓜温室温度预测子系统的组合预测模型2的输出为微分回路2的输入和ANFIS神经网络的D端的输入，微分回路2的输出为ANFIS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ANFIS神经网络F端的输入；黄瓜温室温度预测子系统的组合预测模型3的输出为微分回路3的输入和ANFIS神经网络的J端的输入，微分回路3的输出为ANFIS神经网络K端的输入，微分回路3的2个微分算子S的连接端的输出为ANFIS神经网络L端的输入；黄瓜温室湿度预测子系统的输出为ANFIS神经网络I端的输入；ANFIS神经网络由10个输入端节点、20个中间节点和1个反映黄瓜温室温度的输出端节点组成，黄瓜温室温度校正融合模型实现对黄瓜温室预测的温度值的校正，反映了黄瓜温室的湿度的实际值变化对黄瓜温室温度的影响，提高黄瓜温室温度预测的精确度。
2.根据权利要求1所述的一种基于LVQ神经网络的黄瓜温室温度智能化检测装置，其特征在于：所述基于CAN总线的黄瓜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，实现对黄瓜温室环境因子参数进行检测、预测和管理。
3.根据权利要求2所述的一种基于LVQ神经网络的黄瓜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黄瓜温室环境的温度、湿度、风速和光照度参数，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LVQ神经网络的黄瓜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黄瓜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LVQ神经网络的黄瓜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黄瓜温室环境参数进行管理和对黄瓜温室环境多点温度进行融合与智能预测。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201910320160.7A CN110119767B (zh) | 2019-04-19 | 2019-04-19 | 一种基于lvq神经网络的黄瓜温室温度智能化检测装置 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201910320160.7A CN110119767B (zh) | 2019-04-19 | 2019-04-19 | 一种基于lvq神经网络的黄瓜温室温度智能化检测装置 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN110119767A CN110119767A (zh) | 2019-08-13 |
| CN110119767B true CN110119767B (zh) | 2022-05-17 |
Family
ID=67521185
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN201910320160.7A Active CN110119767B (zh) | 2019-04-19 | 2019-04-19 | 一种基于lvq神经网络的黄瓜温室温度智能化检测装置 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN110119767B (zh) |
Families Citing this family (7)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN111998885A (zh) * | 2020-08-25 | 2020-11-27 | 淮阴工学院 | 一种测量用的参数校准系统 |
| 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 |
| CN112418498B (zh) * | 2020-11-12 | 2024-06-04 | 中国农业大学 | 用于智能温室的温度预测方法及系统 |
| CN112735511B (zh) * | 2021-01-13 | 2023-11-03 | 西北农林科技大学 | 一种基于qga-svr的冷害黄瓜psii潜在活性预测方法 |
| 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 |
| CN113467529A (zh) * | 2021-05-25 | 2021-10-01 | 北京农业信息技术研究中心 | 基于多模型融合的温室臭氧精准控制方法及装置 |
| CN118277959B (zh) * | 2024-05-23 | 2024-08-23 | 安徽农业大学 | 融合共振稀疏Transformer网络的猪舍温度预测方法 |
Citations (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| 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 |
| CN108108832A (zh) * | 2017-11-20 | 2018-06-01 | 淮阴工学院 | 一种基于无线传感器网络的油罐车油气泄漏智能监测系统 |
-
2019
- 2019-04-19 CN CN201910320160.7A patent/CN110119767B/zh active Active
Patent Citations (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| 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 |
| CN108108832A (zh) * | 2017-11-20 | 2018-06-01 | 淮阴工学院 | 一种基于无线传感器网络的油罐车油气泄漏智能监测系统 |
Non-Patent Citations (2)
| Title |
|---|
| 基于KPCA和ANFIS的色彩校正;丁二锐等;《西南交通大学学报》;20070228;第42卷(第01期);全文 * |
| 基于量子粒子群方法训练ANFIS模型;张正金等;《巢湖学院学报》;20170331;第19卷(第03期);全文 * |
Also Published As
| Publication number | Publication date |
|---|---|
| CN110119767A (zh) | 2019-08-13 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| 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 | |
| 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 | |
| US11741555B2 (en) | Crop yield estimation method based on deep temporal and spatial feature combined learning | |
| CN110119169B (zh) | 一种基于最小向量机的番茄温室温度智能预警系统 | |
| 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 | |
| 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 | |
| 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 | |
| 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 | |
| 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 | |
| CN112906735B (zh) | 一种食用菌环境大数据检测系统 | |
| CN112906298B (zh) | 一种基于机器学习的蓝莓产量预测方法 | |
| 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 | |
| CN107169621A (zh) | 一种水体溶解氧预测方法及装置 | |
| CN117036088A (zh) | 一种ai识别绿化植物生长态势的数据采集分析方法 | |
| CN112364710B (zh) | 一种基于深度学习算法的植物电信号分类识别方法 | |
| CN109934400B (zh) | 基于改进神经网络的集雨调亏作物需水量预测方法 | |
| CN116484193A (zh) | 一种作物产量的预测方法、系统、设备及介质 | |
| CN112131954A (zh) | 基于卷积神经网络的中国北方冬小麦遥感估产 | |
| Mahalakshmi et al. | Agricultural Crop and Fertilizer Recommendations based on Various Parameters | |
| Soodtoetong et al. | The performance of crop yield forecasting model based on artificial intelligence | |
| CN117807501B (zh) | 一种基于大数据的农作物生长环境监控方法及系统 | |
| CN112580703B (zh) | 一种三七病害高发期发病率预测方法 | |
| Tang et al. | A Durian Yield Prediction Method Based on an Improved Multiple Regression Model | |
| Ahlawat et al. | A review on analysis and prediction methodologies of crop yield pattern | |
| Hakkoz et al. | Performance Improvement of Regional Agricultural Forecasts with PECNET and State-Space Model |
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 | ||
| 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: 20240104 Address after: 518000 yard 16, Badou Road, Yuanshan street, Longgang District, Shenzhen City, Guangdong Province Patentee after: SHENZHEN SHENDA DETECTION CO.,LTD. Address before: 230000 B-1015, wo Yuan Garden, 81 Ganquan Road, Shushan District, Hefei, Anhui. Patentee before: HEFEI MINGLONG ELECTRONIC TECHNOLOGY Co.,Ltd. |