CN110147825B - 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 - Google Patents
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 Download PDFInfo
- Publication number
- CN110147825B CN110147825B CN201910319280.5A CN201910319280A CN110147825B CN 110147825 B CN110147825 B CN 110147825B CN 201910319280 A CN201910319280 A CN 201910319280A CN 110147825 B CN110147825 B CN 110147825B
- Authority
- CN
- China
- Prior art keywords
- strawberry greenhouse
- strawberry
- temperature
- neural network
- 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
- 235000016623 Fragaria vesca Nutrition 0.000 title claims abstract description 287
- 235000011363 Fragaria x ananassa Nutrition 0.000 title claims abstract description 287
- 238000001514 detection method Methods 0.000 title claims abstract description 75
- 238000000354 decomposition reaction Methods 0.000 title claims abstract description 37
- 244000307700 Fragaria vesca Species 0.000 title description 6
- 241000220223 Fragaria Species 0.000 claims abstract description 305
- 238000012544 monitoring process Methods 0.000 claims abstract description 21
- 238000013528 artificial neural network Methods 0.000 claims description 112
- 230000004927 fusion Effects 0.000 claims description 47
- 230000000306 recurrent effect Effects 0.000 claims description 36
- 238000012843 least square support vector machine Methods 0.000 claims description 34
- 238000000034 method Methods 0.000 claims description 32
- 235000021012 strawberries Nutrition 0.000 claims description 22
- 238000012937 correction Methods 0.000 claims description 16
- 238000004891 communication Methods 0.000 claims description 6
- 238000005259 measurement Methods 0.000 claims description 4
- 238000012545 processing Methods 0.000 claims description 4
- 238000013461 design Methods 0.000 abstract description 28
- 230000008859 change Effects 0.000 abstract description 13
- 230000007613 environmental effect Effects 0.000 abstract description 11
- 230000006870 function Effects 0.000 description 32
- 235000013399 edible fruits Nutrition 0.000 description 11
- 238000004422 calculation algorithm Methods 0.000 description 10
- 230000006872 improvement Effects 0.000 description 9
- 230000012010 growth Effects 0.000 description 8
- 230000017260 vegetative to reproductive phase transition of meristem Effects 0.000 description 8
- 230000008569 process Effects 0.000 description 6
- 238000012706 support-vector machine Methods 0.000 description 6
- 230000003044 adaptive effect Effects 0.000 description 5
- 238000011161 development Methods 0.000 description 5
- 230000018109 developmental process Effects 0.000 description 5
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 description 5
- 230000004913 activation Effects 0.000 description 4
- 230000008901 benefit Effects 0.000 description 4
- 238000010586 diagram Methods 0.000 description 4
- 230000004069 differentiation Effects 0.000 description 4
- 238000007710 freezing Methods 0.000 description 4
- 238000005457 optimization Methods 0.000 description 4
- 241001451111 Fragaria vesca subsp. americana Species 0.000 description 3
- 238000006243 chemical reaction Methods 0.000 description 3
- 230000006378 damage Effects 0.000 description 3
- 230000002349 favourable effect Effects 0.000 description 3
- 230000008014 freezing Effects 0.000 description 3
- 238000012549 training Methods 0.000 description 3
- 241000196324 Embryophyta Species 0.000 description 2
- 208000027418 Wounds and injury Diseases 0.000 description 2
- 230000009286 beneficial effect Effects 0.000 description 2
- 238000004364 calculation method Methods 0.000 description 2
- 230000007547 defect Effects 0.000 description 2
- 230000000694 effects Effects 0.000 description 2
- 208000014674 injury Diseases 0.000 description 2
- 230000003993 interaction Effects 0.000 description 2
- 238000004519 manufacturing process Methods 0.000 description 2
- 238000013507 mapping Methods 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 210000002569 neuron Anatomy 0.000 description 2
- 238000005312 nonlinear dynamic Methods 0.000 description 2
- 230000010152 pollination Effects 0.000 description 2
- 230000001105 regulatory effect Effects 0.000 description 2
- 238000012216 screening Methods 0.000 description 2
- 238000012546 transfer Methods 0.000 description 2
- 230000003698 anagen phase Effects 0.000 description 1
- 238000004458 analytical method Methods 0.000 description 1
- 210000004027 cell Anatomy 0.000 description 1
- 230000003750 conditioning effect Effects 0.000 description 1
- 238000001816 cooling Methods 0.000 description 1
- 238000005336 cracking 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
- 238000012938 design process 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
- 230000005059 dormancy Effects 0.000 description 1
- 238000000605 extraction Methods 0.000 description 1
- 230000009746 freeze damage Effects 0.000 description 1
- 230000005078 fruit development Effects 0.000 description 1
- 238000005286 illumination Methods 0.000 description 1
- 230000009027 insemination Effects 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
- 230000007198 pollen germination Effects 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 239000002689 soil Substances 0.000 description 1
- 238000012360 testing method Methods 0.000 description 1
- 230000005068 transpiration Effects 0.000 description 1
- 230000000007 visual effect Effects 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)
- Signal Processing (AREA)
- Computer Networks & Wireless Communication (AREA)
- Emergency Management (AREA)
- Feedback Control In General (AREA)
- Greenhouses (AREA)
Abstract
本发明公开了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，其特征在于：所述检测装置包括基于CAN现场总线的草莓温室环境参数采集平台、草莓温室温度智能预测系统；本发明不但有效解决了传统草莓温室环境由于设计不合理、设备落后、控制系统不完善等原因导致密闭式草莓温室内环境仍存在许多问题，而且有效解决了现有的草莓温室环境监测系统，没有根据草莓温室环境温度变化的非线性、大滞后和草莓温室面积大温度变化复杂等特点，对草莓温室环境的温度进行监测与预测，从而极大的影响草莓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，具体涉及一种基于经验模态分解模型的草莓温室温度智能检测装置。
背景技术
冬草莓由传统露地栽培发展到现在的设施栽培，经过多年的发展已成为标准化、规模化种植，不仅成为城市观光农业的一部分，更重要的是成为农户创收的经济来源之一。日光温室栽培草莓，可以把采果期提前到1月份，这样会获得更大的收益。但必须掌握草莓各生长阶段的温度需要，通过各种方法进行调节，以保证温室草莓的正常生长发育乃至高产优质。草莓对温度适应性强，根系在2℃时开始活动，5℃以上芽开始萌动。根系最适宜的生长温度为15-20℃，植株最适宜的生长温度为20-25℃，花芽分化适宜温度为5-25℃，低于5℃或超过25℃均不能进行花芽分化；花期温度20-25℃有利于花粉发芽，13.8-20.6℃有利于花药开裂；果实膨大前期白天25-28℃，夜间8-10℃，后期白天22-25℃，夜间5-8℃，5℃以下草莓进入休眠，30℃以上影响正常生长。由于草莓根系较浅，植株小、叶片大、蒸腾作用强，对水分的要求较高，现蕾至开花期土壤水分应充足，以田间持水量70％为宜，果实膨大期应保持在80％左右为宜，花芽分化期应适当控水，防止徒长，60％-65％为宜。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。气温大于10℃有利于冬草莓开花授粉，5℃以下影响授粉授精，0℃以下雄蕊受到冻害。降温幅度大，低温持续时间长，种植冬草莓的大棚无论是简易棚还是标准棚，由于大棚保温性较差，造成棚内温度低，又由于低温持续时间长，棚内温度始终无法升高，冬草莓产量及品质均受到不同程度的影响。开花期的低温冻害，造成冬草莓植株体内水分冻结，植株体内失去水分输送，继而细胞组织死亡，花蕊变黑，雄蕊败育，导致不能正常开花结果。草莓对温度反应非常敏感，温度可以促进果实成熟，提高草莓果实含糖量，改善果实品质。如果在草莓发育的关键时间温度不足就会影响草莓品质；相反，夜间温度控制太高，草莓植株容易徒长，果实着色快，果个小，不利于改善果实品质。合理控制夜间温度既能满足草莓后续花芽分化、开花和进行果实发育所需积温，而且合理的温差利于获得较好的果实品质。陈一飞研制日光温室草莓立体栽培智能控制系统，将温室环境参量调控和作物生长参量调控分开调控，建立各自独立的被控对象、并构建各自控制子系统，在协调控制器的控制和作物模型输出给定约束下，对各自的变量进行调控提高草莓生产经济效益。罗琴等探讨双流冬草莓低温冻害天气特征及防冻措施，通过试验探讨温度控制与草莓品质的关系，确定草莓生育期最佳夜间温度，从而为实际生产提供依据。
发明内容
本发明提供了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，本发明不但有效解决了传统草莓温室环境由于设计不合理、设备落后、控制系统不完善等原因导致密闭式草莓温室内环境仍存在许多问题，而且有效解决了现有的草莓温室环境监测系统，没有根据草莓温室环境温度变化的非线性、大滞后和草莓温室面积大温度变化复杂等特点，对草莓温室环境的温度进行监测与预测，从而极大的影响草莓温室环境温度的调控问题。
本发明通过以下技术方案实现：
一种基于经验模态分解模型的草莓温室温度智能检测装置，该系统由基于CAN现场总线的草莓温室环境参数采集平台和草莓温室温度智能预测系统2部分组成，基于CAN现场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、调节和预测。
本发明进一步技术改进方案是：
基于CAN现场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、调节草莓温室环境参数的控制节点和现场监控端组成，通过CAN现场总线方式构建成测控网络来实现检测节点、控制节点和现场监控端之间的现场通信；检测节点将检测的草莓温室环境参数发送给现场监控端并对传感器数据进行初步处理；现场监控端把控制信息传输到检测节点和控制节点。
本发明进一步技术改进方案是：
草莓温室温度预测系统包括草莓温室温度预测子系统、草莓温室湿度预测子系统、草莓温室风速预测子系统、草莓温室温度校正模型；草莓温室温度预测系统功能结构如附图2所示；草莓温室温度预测系统实现对草莓温室温度检测、预测、补偿和修正，提高草莓温室温度检测的精确度和可靠性。
本发明进一步技术改进方案是：
草莓温室温度预测子系统包括草莓温室环境温度减法聚类分类器、多个HRFNN递归神经网络温度预测模型、HRFNN递归神经网络草莓温室温度融合模型；草莓温室多个温度检测点值为草莓温室环境温度减法聚类分类器的输入，草莓温室环境温度减法聚类分类器把草莓温室多个温度检测点值分为多个类型，多个类型的草莓温室多个温度检测点值分别作为多个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的输出为每个类型的草莓温室多个温度检测点值的预测值，HRFNN递归神经网络草莓温室温度融合模型实现对多个类型的草莓温室多个温度检测点值的预测值的融合，HRFNN递归神经网络草莓温室温度融合模型的输出为草莓温室温度的预测值。
本发明进一步技术改进方案是：
草莓温室湿度预测子系统包括草莓温室湿度经验模态(EMD)分解模型、多个ANFIS神经网络湿度预测模型和最小二乘支持向量机(LS-SVM)草莓温室湿度融合模型；草莓温室湿度多个检测点值作为草莓温室湿度经验模态(EMD)分解模型的输入，草莓温室湿度经验模态(EMD)分解模型把草莓温室湿度多个检测点值分解为低频趋势部分和多个高频波动部分，草莓温室湿度多个检测点值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分别对草莓温室湿度多个检测点值的低频趋势部分和多个高频波动部分进行预测，最小二乘支持向量机(LS-SVM)草莓温室湿度融合模型实现对草莓温室湿度多个检测点值的低频趋势部分和多个高频波动部分的预测值进行融合，最小二乘支持向量机(LS-SVM)草莓温室湿度融合模型的输出为草莓温室湿度的预测值。
本发明进一步技术改进方案是：
草莓温室风速预测子系统包括草莓温室风速经验模态(EMD)分解模型、多个最小二乘支持向量机(LS-SVM)风速预测模型和ANFIS神经网络草莓温室风速融合模型；草莓温室多个风速检测点值作为草莓温室风速经验模态(EMD)分解模型的输入，草莓温室风速经验模态(EMD)分解模型把草莓温室多个风速检测点值分解为低频趋势部分和多个高频波动部分，草莓温室风速检测点值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)风速预测模型的输入，多个最小二乘支持向量机(LS-SVM)风速预测模型分别对草莓温室风速检测点值的低频趋势部分和多个高频波动部分进行预测，ANFIS神经网络草莓温室风速融合模型实现对草莓温室风速检测点值的低频趋势部分和多个高频波动部分的预测值进行融合，ANFIS神经网络草莓温室风速融合模型的输出为草莓温室风速的预测值。
本发明进一步技术改进方案是：
草莓温室温度校正模型由6个微分算子S和ANFIS神经网络组成，6个微分算子S平均分成3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以及微分回路3；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ANFIS神经网络I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B端的输入，微分回路1的输出为ANFIS神经网络A端的输入；草莓温室风速预测子系统的输出作为微分回路2的输入和ANFIS神经网络C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D端的输入，微分回路2的输出为ANFIS神经网络E端的输入；草莓温室湿度预测子系统的输出作为微分回路3的输入和ANFIS神经网络F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J端的输入，微分回路3的输出为ANFIS神经网络K端的输入；ANFIS神经网络由9个输入端节点分别为I、A、B、C、D、E、F、J和K，20个中间节点和1个输出端节点组成，微分算子在MATLAB中调用，草莓温室温度校正模型实现草莓温室湿度和风速对草莓温室温度影响程度的校正，反映了温室湿度和风速的实际值变化对草莓温室温度的影响大小，提高草莓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、本发明根据草莓温室多个检测点温度参数样本差异的特点,构建草莓温室环境温度减法聚类分类器对草莓温室多个检测点温度参数样本进行分类，设计多个多个HRFNN递归神经网络温度预测模型对草莓温室多个检测点温度参数进行分类预测，设计HRFNN递归神经网络草莓温室温度融合模型对草莓温室多类温度预测值进行融合，得到草莓温室温度预测值，充分草莓温室多个检测点温度在时空间的特性,把成因相近的,相对均质的数据从海量级的数据中抽取出来,以建立针对性更强、更能反应任意时间阶段草莓温室多个检测点温度预测模型，提高预测精度。
二、本发明针对草莓温室温度的时变性、大滞后和非线性等难以准确在线测量，提出了一种HRFNN递归神经网络来预测和融合草莓温室温度预测值，HRFNN递归神经网络通过在网络第三层加入含有内部变量的反馈连接来实现输出信息的反馈。实验结果表明，与其他模糊神经网络相比，该网络的规模小、精度高，处理动态信息的能力明显加强，提高预测和融合草莓温室温度的精确度。
三、本发明提出的多组ANFIS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的模糊推理系统结构，采用反向传播算法和最小二乘法的混合算法调整前提参数和结论参数，并自动产生If-Then规则。多组ANFIS网络湿度预测模型作为一种很有特色的神经网络，同样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。模型运算速度快，结果可靠，取得好效果。
四、本发明通过经验模态分解模型(EMD)将草莓温室湿度和风速序列分解为低频趋势部分和多个高频波动部分，不同频段的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；低频成分代表原序列的变化趋势。可见EMD能够逐级分解出草莓温室湿度和风速的波动成分、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草莓温室湿度和风速变形序列曲线光滑。分解得到的各分量有利于湿度和风速预测模型的建立和更好地预测，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，通过湿度和风速的融合模型对各分量预测值重构相空间，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预测精度。
五、草莓温室温度校正模型由6个微分算子S和ANFIS神经网络组成，6个微分算子S平均分成3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以及微分回路3；它们将影响草莓温室温度的温度预测值、一次和二次变化率，草莓温室湿度的湿度预测值、一次和二次变化率，莓温室风速的风速预测值、一次和二次变化率，引入草莓温室温度校正模型的ANFIS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，草莓温室温度校正模型的ANFIS神经网络的输入不仅包括影响草莓温室的预测温度、湿度和风速，还包含影响草莓温室温度的温度、湿度和风速的一次和二次变化率数据，草莓温室温度校正模型的ANFIS神经网络的泛化能力得到提高，使其在非线性校正草莓温室温度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。
附图说明
图1为本发明基于CAN现场总线的草莓温室环境参数采集与智能预测平台；
图2为本发明草莓温室温度预测系统；
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为本发明草莓温室环境参数采集与智能预测平台平面布置图。
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
本发明设计了草莓温室温度智能检测装置，实现对草莓温室环境参数进行检测、调节和预测，该系统由基于CAN现场总线的草莓温室环境参数采集平台和草莓温室温度智能预测系统2部分组成，基于CAN现场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以及现场监控端3组成，通过CAN现场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
采用基于CAN现场总线的检测节点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现场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包括采集草莓温室温度、湿度、风速和光照参数的传感器和对应的信号调理电路、STC89C52RC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3路D/A转换电路实现对影响草莓温室温度的环境参数的温度、湿度和风速调节输出量控制电路、STC89C52RC微处理器，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草莓环境温度预测，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草莓环境温度预测。草莓温室温度预测系统包括草莓温室温度预测子系统、草莓温室湿度预测子系统、草莓温室风速预测子系统、草莓温室温度校正模型；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。草莓温室温度预测系统设计过程如下：
(1)、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环境温度减法聚类分类器、多个HRFNN递归神经网络温度预测模型、HRFNN递归神经网络草莓温室温度融合模型；
A、草莓温室环境温度减法聚类分类器设计
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 (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(2)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设计
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入的输出为各类草莓温室温度的预测值。HRFNN递归神经网络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
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。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、HRFNN递归神经网络草莓温室温度融合模型
HRFNN递归神经网络草莓温室温度融合模型的输入是多个各类HRFNN递归神经网络温度预测模型的输出值，HRFNN递归神经网络草莓温室温度融合模型的输出是对多个各类HRFNN递归神经网络预测模型的输出值的融合，HRFNN递归神经网络草莓温室温度融合模型的设计方法参照本专利的多个HRFNN递归神经网络预测模型设计方法。
(2)、草莓温室湿度预测子系统设计
草莓温室湿度预测子系统包括草莓温室湿度经验模态(EMD)分解模型、多个ANFIS神经网络湿度预测模型和最小二乘支持向量机(LS-SVM)草莓温室湿度融合模型；
A、草莓温室湿度经验模态(EMD)分解模型设计
草莓温室湿度经验模态分解(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。它能将存在于草莓温室湿度历史数据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。草莓温室湿度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。使用草莓温室湿度经验模态分解的目的就是为了更准确地提取草莓温室湿度历史数据信息。草莓温室湿度经验模态分解方法针对草莓温室湿度历史数据的“筛分”过程步骤如下：
①.确定草莓温室湿度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.在用三次样条线草莓温室湿度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) (8)
x(t)为草莓温室湿度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) (9)
将r1(t)作为原始数据重复步骤①-步骤④，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。这样草莓温室湿度经验模态分解模型就把草莓温室湿度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ANFIS神经网络湿度预测模型设计
ANFIS神经网络湿度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。ANFIS神经网络湿度预测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湿度已知的低频和高频预测值历史数据的学习得到的，ANFIS神经网络湿度预测模型的输入为草莓温室湿度的低频和高频预测值，ANFIS神经网络湿度预测模型的输出是对草莓温室湿度的低频和高频的预测值,ANFIS神经网络湿度预测模型主要运算步骤如下:
第1层:将输入的草莓温室湿度的低频和高频值模糊化，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神经网络湿度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神经网络湿度预测模型的输出为:
ANFIS神经网络湿度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神经网络湿度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神经网络湿度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神经网络湿度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神经网络湿度预测模型参数的收敛速度。ANFIS神经网络湿度预测模型的输出作为草莓温室湿度低频和高频分量的预测值。
C、最小二乘支持向量机(LS-SVM)草莓温室湿度融合模型
最小二乘支持向量机(LS-SVM)草莓温室湿度融合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，最小二乘支持向量机(LS-SVM)草莓温室湿度融合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。设草莓温室湿度低频和高频分量的预测值数据训练样本集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，最小二乘支持向量机(LS-SVM)模型为：
最小二乘支持向量机(LS-SVM)草莓温室湿度融合模型输出是草莓温室湿度低频分量和多个高频分量的预测值的融合值，每个中间节点对应一个支持向量，x1,x2,…xn为草莓温室湿度低频和高频分量的预测值，αi为网络权重。
(3)、草莓温室风速预测子系统设计
草莓温室风速预测子系统包括草莓温室风速经验模态(EMD)分解模型、多个最小二乘支持向量机(LS-SVM)风速预测模型和ANFIS神经网络草莓温室风速融合模型；
A、草莓温室风速经验模态(EMD)分解模型设计
草莓温室风速经验模态(EMD)分解模型是把草莓温室风速历史数据分解为多个波动高频分量和低频分量,草莓温室风速经验模态(EMD)分解模型设计方法参照本专利草莓温室湿度经验模态(EMD)分解模型设计方法。
B、多个最小二乘支持向量机(LS-SVM)风速预测模型设计
多个最小二乘支持向量机(LS-SVM)风速预测模型的输入为通过草莓温室风速经验模态(EMD)分解模型分解出的为草莓温室风速历史数据的多个高频分量和低频分量，最小二乘支持向量机(LS-SVM)风速预测模型实现对草莓温室风速历史数据的高频分量和低频分量的预测，它的输出为草莓温室风速历史数据的高频分量和低频分量的预测值。多个最小二乘支持向量机(LS-SVM)风速预测模型设计方法参照本专利的最小二乘支持向量机(LS-SVM)草莓温室湿度融合模型设计方法。
C、ANFIS神经网络草莓温室风速融合模型设计
ANFIS神经网络草莓温室风速融合模型的输入为草莓温室风速历史数据的高频分量和低频分量的预测值,ANFIS神经网络草莓温室风速融合模型的输出为草莓温室风速历史数据的多个高频分量预测值和低频分量预测值的融合值；ANFIS神经网络草莓温室风速融合模型的设计方法参照本专利的多个ANFIS神经网络湿度预测模型设计方法。
(4)、草莓温室温度校正模型设计
草莓温室温度校正模型由6个微分算子S和ANFIS神经网络组成，6个微分算子S平均分成3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以及微分回路3；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ANFIS神经网络I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B端的输入，微分回路1的输出为ANFIS神经网络A端的输入；草莓温室风速预测子系统的输出作为微分回路2的输入和ANFIS神经网络C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D端的输入，微分回路2的输出为ANFIS神经网络E端的输入；草莓温室湿度预测子系统的输出作为微分回路3的输入和ANFIS神经网络F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J端的输入，微分回路3的输出为ANFIS神经网络K端的输入；ANFIS神经网络由9个输入端节点分别为I、A、B、C、D、E、F、J和K，20个中间节点和1个输出端节点组成，草莓温室温度校正模型实现草莓温室湿度和风速对草莓温室温度影响程度的校正，反映了温室湿度和风速的实际值变化对草莓温室温度的影响大小，提高草莓温室温度预测的精确度；ANFIS神经网络设计参照本专利的多个ANFIS神经网络湿度预测模型设计方法。
5、草莓温室温度智能检测装置的设计举例
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中，整个系统平面布置见图6，通过该装置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 (4)
1.一种基于经验模态分解模型的草莓温室温度智能检测装置，其特征在于：所述检测装置包括基于CAN现场总线的草莓温室环境参数采集平台、草莓温室温度智能预测系统；所述草莓温室温度智能预测系统包括草莓温室温度预测子系统、草莓温室湿度预测子系统、草莓温室风速预测子系统、草莓温室温度校正模型；
所述草莓温室温度预测子系统包括草莓温室环境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HRFNN递归神经网络草莓温室温度融合模型；草莓温室多个温度检测点值为草莓温室环境温度减法聚类分类器的输入，草莓温室环境温度减法聚类分类器把草莓温室多个温度检测点值分为多个类型，多个类型的草莓温室多个温度检测点值分别作为多个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的输出为每个类型的草莓温室多个温度检测点值的预测值，HRFNN递归神经网络草莓温室温度融合模型实现对多个类型的草莓温室多个温度检测点值的预测值的融合，HRFNN递归神经网络草莓温室温度融合模型的输出为草莓温室温度的预测值；
所述草莓温室湿度预测子系统包括草莓温室湿度经验模态EMD分解模型、多个ANFIS神经网络湿度预测模型和最小二乘支持向量机LS-SVM草莓温室湿度融合模型；草莓温室湿度多个检测点值作为草莓温室湿度经验模态EMD分解模型的输入，草莓温室湿度经验模态EMD分解模型把草莓温室湿度多个检测点值分解为低频趋势部分和多个高频波动部分，草莓温室湿度多个检测点值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分别对草莓温室湿度多个检测点值的低频趋势部分和多个高频波动部分进行预测，最小二乘支持向量机LS-SVM草莓温室湿度融合模型实现对草莓温室湿度多个检测点值的低频趋势部分和多个高频波动部分的预测值进行融合，最小二乘支持向量机LS-SVM草莓温室湿度融合模型的输出为草莓温室湿度的预测值；
所述草莓温室风速预测子系统包括草莓温室风速经验模态EMD分解模型、多个最小二乘支持向量机LS-SVM风速预测模型和ANFIS神经网络草莓温室风速融合模型；草莓温室多个风速检测点值作为草莓温室风速经验模态EMD分解模型的输入，草莓温室风速经验模态EMD分解模型把草莓温室多个风速检测点值分解为低频趋势部分和多个高频波动部分，草莓温室风速检测点值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风速预测模型的输入，多个最小二乘支持向量机LS-SVM风速预测模型分别对草莓温室风速检测点值的低频趋势部分和多个高频波动部分进行预测，ANFIS神经网络草莓温室风速融合模型实现对草莓温室风速检测点值的低频趋势部分和多个高频波动部分的预测值进行融合，ANFIS神经网络草莓温室风速融合模型的输出为草莓温室风速的预测值；
所述草莓温室温度校正模型由6个微分算子S和ANFIS神经网络组成，6个微分算子S平均分成3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以及微分回路3；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ANFIS神经网络I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B端的输入，微分回路1的输出为ANFIS神经网络A端的输入；草莓温室风速预测子系统的输出作为微分回路2的输入和ANFIS神经网络C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D端的输入，微分回路2的输出为ANFIS神经网络E端的输入；草莓温室湿度预测子系统的输出作为微分回路3的输入和ANFIS神经网络F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J端的输入，微分回路3的输出为ANFIS神经网络K端的输入；ANFIS神经网络由9个输入端节点分别为I、A、B、C、D、E、F、J和K，20个中间节点和1个输出端节点组成，草莓温室温度校正模型实现草莓温室湿度和风速对草莓温室温度影响程度的校正。
2.根据权利要求1所述的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，其特征在于：所述基于CAN现场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、调节和预测，由草莓温室环境参数的检测节点、调节草莓温室环境参数的控制节点和现场监控端组成，通过CAN现场总线方式构建成测控网络来实现检测节点、控制节点和现场监控端之间的现场通信。
3.根据权利要求1所述的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，其特征在于：所述检测节点将检测的草莓温室环境参数发送给现场监控端并对传感器数据进行初步处理。
4.根据权利要求1所述的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，其特征在于：所述现场监控端把控制信息传输到检测节点和控制节点。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201910319280.5A CN110147825B (zh) | 2019-04-19 | 2019-04-19 | 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 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201910319280.5A CN110147825B (zh) | 2019-04-19 | 2019-04-19 | 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 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN110147825A CN110147825A (zh) | 2019-08-20 |
| CN110147825B true CN110147825B (zh) | 2022-04-26 |
Family
ID=67589683
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN201910319280.5A Active CN110147825B (zh) | 2019-04-19 | 2019-04-19 | 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 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN110147825B (zh) |
Families Citing this family (6)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN111898628B (zh) * | 2020-06-01 | 2023-10-03 | 淮阴工学院 | 一种新型t-s模糊模型辨识方法 |
| 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 |
| 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 |
| CN114609903A (zh) * | 2021-12-29 | 2022-06-10 | 国网中兴有限公司 | 一种日光温室节能优化控制方法及装置 |
| CN117951350B (zh) * | 2024-03-26 | 2024-07-02 | 西安航天动力试验技术研究所 | 一种厂房温度数据可视化方法、系统、设备及存储介质 |
| CN117992894B (zh) * | 2024-04-03 | 2024-06-11 | 山东济宁丰泽农业科技有限公司 | 基于物联网的农业大棚环境异常数据监测方法 |
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 CN201910319280.5A patent/CN110147825B/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 |
|---|
| 变分模态分解和K-L散度在振动筛轴承故障诊断中的应用;徐元博等;《噪声与振动控制》;20170831;全文 * |
| 基于变分模态分解的单通道盲源分离算法;吴钟良等;《通信技术》;20180430;第51卷(第04期);全文 * |
Also Published As
| Publication number | Publication date |
|---|---|
| CN110147825A (zh) | 2019-08-20 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| 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 | |
| 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 | |
| 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 | |
| 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 | |
| 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 | |
| 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 | |
| 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 | |
| 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 | |
| CN107169621A (zh) | 一种水体溶解氧预测方法及装置 | |
| CN113281465A (zh) | 一种畜禽舍养殖环境有害气体检测系统 | |
| CN111429718A (zh) | 一种公路交通安全智能检测系统 | |
| CN110119165B (zh) | 一种水产养殖池塘溶解氧检测装置 | |
| CN115206444A (zh) | 基于fcm-anfis模型的最佳投药量预测方法 | |
| CN112364710A (zh) | 一种基于深度学习算法的植物电信号分类识别方法 | |
| CN115016275B (zh) | 智能化饲喂与畜禽舍大数据物联网系统 | |
| Geetha et al. | A time-series based yield forecasting model using stacked lstm to predict the yield of paddy in cauvery delta zone in tamilnadu | |
| CN112906856A (zh) | 一种基于云平台的畜禽舍环境温度检测系统 | |
| AU2020103447A4 (en) | A Method for Predicting the Central Fishing Ground of Squid in the North Pacific Ocean | |
| Liu et al. | Research on Greenhouse Environment Prediction Based on GCAKF-CNN-LSTM | |
| KR20240081522A (ko) | 머신러닝 기반의 지능적 인공광원 제어 방법 및 시스템 |
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: 20221115 Address after: 223005 room s3-1509, No. 3, Meicheng East Road, higher education park, Huai'an Economic and Technological Development Zone, Jiangsu Province Patentee after: Huai'an yiboyuan Information Service Co.,Ltd. Address before: 223005 Jiangsu Huaian economic and Technological Development Zone, 1 East Road. Patentee before: HUAIYIN INSTITUTE OF TECHNOLOGY |