CN110163254B - 一种基于递归神经网络的黄瓜温室产量智能化预测装置 - Google Patents
一种基于递归神经网络的黄瓜温室产量智能化预测装置 Download PDFInfo
- Publication number
- CN110163254B CN110163254B CN201910319312.1A CN201910319312A CN110163254B CN 110163254 B CN110163254 B CN 110163254B CN 201910319312 A CN201910319312 A CN 201910319312A CN 110163254 B CN110163254 B CN 110163254B
- Authority
- CN
- China
- Prior art keywords
- greenhouse
- cucumber
- neural network
- yield
- 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
- 240000008067 Cucumis sativus Species 0.000 title claims abstract description 256
- 235000010799 Cucumis sativus var sativus Nutrition 0.000 title claims abstract description 243
- 238000013528 artificial neural network Methods 0.000 title claims abstract description 116
- 230000000306 recurrent effect Effects 0.000 title claims abstract description 58
- 238000001514 detection method Methods 0.000 claims abstract description 37
- 239000002689 soil Substances 0.000 claims abstract description 15
- 230000007613 environmental effect Effects 0.000 claims abstract description 6
- 238000011897 real-time detection Methods 0.000 claims abstract 2
- 230000004927 fusion Effects 0.000 claims description 23
- 238000000354 decomposition reaction Methods 0.000 claims description 22
- 238000012937 correction Methods 0.000 claims description 18
- 238000012544 monitoring process Methods 0.000 claims description 18
- 235000009849 Cucumis sativus Nutrition 0.000 claims description 11
- 230000008859 change Effects 0.000 claims description 11
- 238000004891 communication Methods 0.000 claims description 6
- 238000004519 manufacturing process Methods 0.000 abstract description 8
- 230000008901 benefit Effects 0.000 abstract description 6
- 230000006870 function Effects 0.000 description 37
- 238000000034 method Methods 0.000 description 24
- 230000012010 growth Effects 0.000 description 14
- 238000012549 training Methods 0.000 description 13
- 238000003062 neural network model Methods 0.000 description 11
- 230000008569 process Effects 0.000 description 11
- 239000003337 fertilizer Substances 0.000 description 10
- 230000004913 activation Effects 0.000 description 8
- 238000013461 design Methods 0.000 description 7
- 230000006872 improvement Effects 0.000 description 7
- 238000007726 management method Methods 0.000 description 7
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 description 7
- 238000011161 development Methods 0.000 description 6
- 230000018109 developmental process Effects 0.000 description 6
- 241000196324 Embryophyta Species 0.000 description 5
- 230000003044 adaptive effect Effects 0.000 description 5
- 235000013399 edible fruits Nutrition 0.000 description 5
- 230000000694 effects Effects 0.000 description 5
- 210000002569 neuron Anatomy 0.000 description 5
- 210000000056 organ Anatomy 0.000 description 5
- 238000012545 processing Methods 0.000 description 5
- 238000010586 diagram Methods 0.000 description 4
- 238000003973 irrigation Methods 0.000 description 4
- 230000002262 irrigation Effects 0.000 description 4
- 238000004088 simulation Methods 0.000 description 4
- 241000219112 Cucumis Species 0.000 description 3
- 235000015510 Cucumis melo subsp melo Nutrition 0.000 description 3
- 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 3
- 230000004069 differentiation Effects 0.000 description 3
- 210000003608 fece Anatomy 0.000 description 3
- 239000010871 livestock manure Substances 0.000 description 3
- 238000013507 mapping Methods 0.000 description 3
- 230000001850 reproductive effect Effects 0.000 description 3
- 238000011160 research Methods 0.000 description 3
- 239000000126 substance Substances 0.000 description 3
- 238000012546 transfer Methods 0.000 description 3
- 230000005068 transpiration Effects 0.000 description 3
- CIWBSHSKHKDKBQ-JLAZNSOCSA-N Ascorbic acid Chemical compound OC[C@H](O)[C@H]1OC(=O)C(O)=C1O CIWBSHSKHKDKBQ-JLAZNSOCSA-N 0.000 description 2
- 229910002651 NO3 Inorganic materials 0.000 description 2
- NHNBFGGVMKEFGY-UHFFFAOYSA-N Nitrate Chemical compound [O-][N+]([O-])=O NHNBFGGVMKEFGY-UHFFFAOYSA-N 0.000 description 2
- 238000004458 analytical method Methods 0.000 description 2
- 230000009286 beneficial effect Effects 0.000 description 2
- 230000033228 biological regulation Effects 0.000 description 2
- 238000009826 distribution Methods 0.000 description 2
- 238000002474 experimental method Methods 0.000 description 2
- 238000005286 illumination Methods 0.000 description 2
- 230000003993 interaction Effects 0.000 description 2
- 235000013372 meat Nutrition 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
- 239000003895 organic fertilizer Substances 0.000 description 2
- 230000009467 reduction Effects 0.000 description 2
- 230000003068 static effect Effects 0.000 description 2
- 235000013311 vegetables Nutrition 0.000 description 2
- ZZZCUOFIHGPKAK-UHFFFAOYSA-N D-erythro-ascorbic acid Natural products OCC1OC(=O)C(O)=C1O ZZZCUOFIHGPKAK-UHFFFAOYSA-N 0.000 description 1
- 241000287828 Gallus gallus Species 0.000 description 1
- 235000007688 Lycopersicon esculentum Nutrition 0.000 description 1
- 241001494479 Pecora Species 0.000 description 1
- 240000003768 Solanum lycopersicum Species 0.000 description 1
- 229930003268 Vitamin C Natural products 0.000 description 1
- 230000009471 action Effects 0.000 description 1
- 238000012271 agricultural production Methods 0.000 description 1
- 230000005540 biological transmission Effects 0.000 description 1
- 230000015572 biosynthetic process Effects 0.000 description 1
- 239000003795 chemical substances by application Substances 0.000 description 1
- 229930002875 chlorophyll Natural products 0.000 description 1
- 235000019804 chlorophyll Nutrition 0.000 description 1
- ATNHDLDRLWWWCB-AENOIHSZSA-M chlorophyll a Chemical compound 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
- 230000002595 cold damage Effects 0.000 description 1
- 230000003750 conditioning 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
- 230000034994 death Effects 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
- 238000006911 enzymatic reaction Methods 0.000 description 1
- 238000000605 extraction Methods 0.000 description 1
- 230000008014 freezing Effects 0.000 description 1
- 238000007710 freezing Methods 0.000 description 1
- 230000035876 healing Effects 0.000 description 1
- 239000003621 irrigation water Substances 0.000 description 1
- 238000012886 linear function Methods 0.000 description 1
- 238000013178 mathematical model Methods 0.000 description 1
- 238000005259 measurement Methods 0.000 description 1
- 230000000813 microbial effect Effects 0.000 description 1
- 230000001537 neural effect Effects 0.000 description 1
- 235000015097 nutrients Nutrition 0.000 description 1
- 235000016709 nutrition Nutrition 0.000 description 1
- 230000035764 nutrition Effects 0.000 description 1
- 230000000050 nutritive effect Effects 0.000 description 1
- 238000005457 optimization Methods 0.000 description 1
- 230000000737 periodic effect Effects 0.000 description 1
- 239000010865 sewage Substances 0.000 description 1
- 238000012360 testing method Methods 0.000 description 1
- 230000017260 vegetative to reproductive phase transition of meristem Effects 0.000 description 1
- 230000000007 visual effect Effects 0.000 description 1
- 235000019154 vitamin C Nutrition 0.000 description 1
- 239000011718 vitamin C Substances 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- 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)
- Computer Vision & Pattern Recognition (AREA)
- Evolutionary Biology (AREA)
- Bioinformatics & Computational Biology (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Evolutionary Computation (AREA)
- General Engineering & Computer Science (AREA)
- Artificial Intelligence (AREA)
- Human Resources & Organizations (AREA)
- Strategic Management (AREA)
- Economics (AREA)
- Marketing (AREA)
- Tourism & Hospitality (AREA)
- General Business, Economics & Management (AREA)
- Agronomy & Crop Science (AREA)
- Mining & Mineral Resources (AREA)
- Health & Medical Sciences (AREA)
- General Health & Medical Sciences (AREA)
- Primary Health Care (AREA)
- Computer Networks & Wireless Communication (AREA)
- Signal Processing (AREA)
- Automation & Control Theory (AREA)
- Marine Sciences & Fisheries (AREA)
- Animal Husbandry (AREA)
- Quality & Reliability (AREA)
- Operations Research (AREA)
- Entrepreneurship & Innovation (AREA)
- Game Theory and Decision Science (AREA)
- Development Economics (AREA)
- Emergency Management (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明公开了一种基于递归神经网络的黄瓜温室产量智能化预测装置，其特征在于：所述预测装置实现实时检测黄瓜温室的环境参数、土壤参数和黄瓜温室产量信息，该装置包括基于无线传感器网络的黄瓜温室参数检测平台和温室黄瓜产量智能预测系统；本发明目的是提供一种基于递归神经网络的黄瓜温室产量智能化预测装置，该智能预警系统实时检测黄瓜温室的环境参数、土壤参数和黄瓜温室产量信息，从而为可以搞好黄瓜温室的生产管理和提高经济效益。
Description
技术领域
本发明涉及农业温室自动化装备的技术领域，具体涉及一种基于递归神经网络的黄瓜温室产量智能化预测装置。
背景技术
黄瓜是我国主要栽培蔬菜品种之一,它是喜温植物。黄瓜生产最大的障碍就是低温冷害,尤其是寒冷年份,白天15℃左右、夜间4-8℃之间的临界低温在日光温室栽培中经常出现,成为影响黄瓜产量的重要逆境胁迫因子。然而,由于我国温室的棚架结构一般比较简单,在冬春严寒季节,低温仍然是影响保护地黄瓜生长、产量和品质的主要限制因子。影响黄瓜产量的几个常见因素：①、不同有机肥配施对温室白皮黄瓜产量和品质的影响。白皮黄瓜营养丰富，果皮乳白色或白黄色，果实表面瘤刺稀疏，瓜条直，腔小肉厚、可食率高，肉质清香脆嫩，品质好，深受人们喜爱。目前甘肃陇东地区温室白皮黄瓜生产发展迅速，栽培面积大。温室蔬菜生育周期长，大量施用化肥虽成为一种重要增产手段，但过量施用化肥不仅增加了生产成本，而且有时甚至导致肥料利用率低，加剧了损失养分对环境的污染，降低品质，最终造成产品硝酸盐含量过高。白皮黄瓜温室栽培，在不施用化肥条件下，底肥和追肥都配合施用生物菌剂处理后的不同有机肥，可显著提高白皮黄瓜产量和品质，以猪粪60％+羊粪20％+鸡粪20％为最好，与单一施一种有机肥相比，明显提高了白皮黄瓜产量和品质；不同有机肥配合施用对白皮黄瓜生长和产量的影响主要表现在单株结瓜数增加上，对单果质量影响不大，并明显提高了白皮黄瓜维生素C含量、降低了硝酸盐含量。建议在温室白皮黄瓜生产中推广应用。②、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。黄瓜最适温度为20-23℃；生长适宜温度为18-29℃，低于12℃生长缓慢，低于5℃停止生长，0-2℃为冻死温度，35℃以上生长发育不良，超过40℃就会引起落花化瓜；且生长期间要求一定温差，以白天25-30℃、夜间13-15℃较为理想。低温特别是夜低温对黄瓜花芽分化影响较大,花芽形成速度与生长温度呈正相关,温度越低,花芽分化的速度越慢,植株生长发育越缓慢；同时发现抗寒型黄瓜花芽比冷敏型黄瓜花芽抗寒性强,植株生长健壮。因此苗期的科学管理十分重要,在黄瓜出苗后就应加强田间温度管理,促进花芽分化,以便获得大量高质量的花芽,从而提高果实产量与品质。③、温室黄瓜灌溉。孙丽萍等研究灌水量对日光温室黄瓜灌溉水分配的影响，研究温室黄瓜在不同生长时期、不同天气情况和一天中不同时间段的需水量，通过研究温室小气候和黄瓜作物蒸腾速率、黄瓜当前生长期的需水量，分析黄瓜作物蒸腾速率的变化量与温度之间的相关关系，模拟出温室密闭条件下黄瓜的蒸腾量，根据农田的水分平衡方程计算黄瓜的需水量。通过仿真得到温室黄瓜在初花、初瓜和盛瓜期一天中的需水量走势图，确立决策支持，以指导灌溉。
国内专家纷纷开展研究不同影响因素对黄瓜产量的影响。张占军等研究不同有机肥配施对温室白皮黄瓜产量和品质的影响，郑国保等研究不同灌溉量对日光温室黄瓜需水规律和水分利用的影响，曾韶西等研究低温光照下与黄瓜子叶叶绿素降低有关的酶促反应，舒宝通等研究黄瓜果实增长与气象条件的关系，陈青君等研究温光条件对冬茬黄瓜生长发育及产量形成的影响，王树忠等节能型日光温室冬季黄瓜高产栽培的几项技术措施，本专利对温室黄瓜产量进行智能化预测，黄瓜产量的预测是农业生产与黄瓜管控的重要组成部分，对黄瓜主管部门制定调控政策、提供辅助决策具有重要意义。对地域性人均黄瓜占有量及黄瓜单产量的有效预测可为政府制定和实施农业经济政策、农业经济资源的优化配置、农业结构的合理调整等提供科学的参考依据，有利于农业经济的健康发展和对影响黄瓜产量的温度、肥料和灌溉等影响黄瓜产量的因素进行调节和管理。
发明内容
本发明目的是提供一种基于递归神经网络的黄瓜温室产量智能化预测装置，该智能预警系统实时检测黄瓜温室的环境参数、土壤参数和黄瓜温室产量信息，从而为可以搞好黄瓜温室的生产管理和提高经济效益。
本发明通过以下技术方案实现：
一种基于递归神经网络的黄瓜温室产量智能化预测装置，实现实时检测黄瓜温室的环境参数、土壤参数和黄瓜温室产量信息，该系统包括基于无线传感器网络的黄瓜温室参数检测平台和温室黄瓜产量智能预测系统。
本发明进一步技术改进方案是：
基于无线传感器网络的黄瓜温室参数检测平台由多个检测节点和现场监控端组成，它们以自组织方式构建成黄瓜温室参数实时采集平台；检测节点由传感器组模块、单片机以及无线通信模块NRF2401组成，负责检测黄瓜温室的土壤水分、土壤温度、环境温度和环境光照度的实际值，现场监控端实现对黄瓜温室参数进行管理和对温室黄瓜产量进行智能预测。
本发明进一步技术改进方案是：
温室黄瓜产量智能预测系统包括温室黄瓜产量预测子系统、黄瓜温室环境温度预测子系统和温室黄瓜产量温度校正模型。温室黄瓜产量智能预测系统结构见图2所示。
本发明进一步技术改进方案是：
温室黄瓜产量预测子系统包括温室黄瓜产量减法聚类分类器、多个GRNN神经网络产量预测模型；利用温室黄瓜产量减法聚类分类器对温室黄瓜产量的历史数据进行分类，每类数据输入对应的GRNN神经网络预测模型，对应的GRNN神经网络预测模型的输出作为温室黄瓜产量预测子系统预测温室黄瓜产量的预测值。
本发明进一步技术改进方案是：
黄瓜温室环境温度预测子系统包括黄瓜温室温度小波分解模型、多个ANFIS神经网络温度预测模型和HRFNN递归神经网络温度预测融合模型；黄瓜温室温度小波分解模型把黄瓜温室环境温度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ANFIS神经网络温度预测模型的输入，多个ANFIS神经网络温度预测模型的输出作为HRFNN递归神经网络温度预测融合模型的输入，HRFNN递归神经网络温度预测融合模型的输出值作为黄瓜温室环境温度预测子系统预测黄瓜温室环境温度的预测值。
本发明进一步技术改进方案是：
温室黄瓜产量温度校正模型由2个微分算子S、2个时滞单元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个时滞单元D相串联构成时滞回路2；温室黄瓜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，黄瓜温室环境温度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端的输入和时滞回路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；时滞回路2的输出为HRFNN递归神经网络的E端输入，时滞回路2的2个时滞单元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个反映温室黄瓜产量的输出端节点组成，微分算子在MATLAB中调用，温室黄瓜产量温度校正模型实现对温室温度对黄瓜产量影响程度的校正，反映了温室温度的实际值变化对温室黄瓜产量的影响大小，提高温室黄瓜产量预测的精确度。
本发明与现有技术相比，具有以下明显优点：
一、本发明根据温室黄瓜产量预测参数样本差异的特点,构建温室黄瓜产量减法聚类分类器对温室黄瓜产量多点历史样本参数进行分类，每类数据输入对应的GRNN神经网络预测模型，对应的GRNN神经网络预测模型的输出作为温室黄瓜产量预测子系统预测温室黄瓜产量的预测值，在黄瓜温室产量预测连续预报过程当中,充分考虑黄瓜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黄瓜温室产量预测模型，提高预测精度。
二、本发明采用GRNN神经网络黄瓜产量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黄瓜产量的预测。本专利利用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神经网络来进行黄瓜产量的预测，较好地满足预测模型的鲁棒性和容错性。
三、本发明通过黄瓜温室温度小波分解模型将黄瓜温室温度输出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，这与黄瓜温室温度的周期性变化相符合；低频成分代表原序列的变化趋势。可见小波分解模型能够逐级分解出黄瓜温室温度的波动成分、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温度变形序列曲线光滑。可见小波分解模型能有效分析多因素共同作用下的黄瓜温室温度变形数据，分解得到的各分量有利于多个ANFIS神经网络温度预测模型分别对不同频率温度信息建立预测模型，来实现对黄瓜温室温度更好地预测。使用对各分量分别建立多个ANFIS神经网络温度预测模型，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，最后将各分量输入HRFNN递归神经网络温度预测融合模型得到最终黄瓜温室温度融合预测结果。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递归神经网络温度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，可以较好地完成黄瓜温室温度预测值的动态辨识。HRFNN递归神经网络温度预测融合模型来建立黄瓜温室温度预测值的融合，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黄瓜温室温度融合模型，仿真实验表明该模型动态性能好，融合黄瓜温室温度精度高，预测性能稳定。
五、本发明由于番茄温室温度具有复杂的非线性特性，不同的工况下黄瓜温室温度变化很大，很难建立精确的数学模型，利用ANFIS神经网络温度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神经网络温度预测模型建立精确的黄瓜温室温度预测模型，提高预测黄瓜温室温度的精确度和可靠性。
六、本发明温室黄瓜产量温度校正模型由2个微分算子S、2个时滞单元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个时滞单元D相串联构成时滞回路2，通过2个微分算子S相串联构成微分回路1把影响黄瓜产量的温度一次变化率和二次变化率以及通过2个时滞单元D相串联构成时滞回路2把影响黄瓜产量的温度的前一时刻温度值和前二时刻温度值引入温室黄瓜产量温度校正模型的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黄瓜产量的当前温度、温度一次变化率、二次变化率和前一次时刻温室实际值和前二次时刻温度实际值的黄瓜温室温度数据，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黄瓜温室温度状态历史信息参与黄瓜温室产量校正,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,使其在非线性黄瓜温室黄瓜产量温度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。
附图说明
图1为本发明基于无线传感器网络的黄瓜温室参数检测平台，其中1-检测节点，2-现场监控端；
图2为本发明温室黄瓜产量智能预测系统；
图3为本发明检测节点功能图；
图4为本发明现场监控端软件功能图；
图5为本发明基于无线传感器网络的黄瓜温室参数检测平台平面布置图。
具体实施方式
结合附图1-5，对本发明技术方案作进一步描述：
一、系统总体功能的设计
本发明设计了一种黄瓜温室产量智能化预测装置，实现对黄瓜温室的土壤水分、土壤温度、环境温度和环境光照度参数进行检测和预测黄瓜温室的产量，该系统由包括基于无线传感器网络的黄瓜温室参数检测平台和温室黄瓜产量智能预测系统两部分部分组成。基于无线传感器网络的黄瓜温室参数检测平台包括检测节点1和现场监控端2，它们以自组织方式构建成无线测控网络来实现检测节点1和现场监控端2之间的无线通信；检测节点1将检测的黄瓜温室参数发送给现场监控端2并对传感器数据进行初步处理；现场监控端2显示黄瓜温室的检测参数并且根据黄瓜温室的历史产量和黄瓜温室的温度变化对产量的影响来实时预测黄瓜温室的产量。整个系统结构如附图1所示。
二、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作为黄瓜温室环境和土壤参数感知终端，检测节点1和现场监控端2通过自组织组成无线传感器网络的信息相互交互系统。检测节点1包括采集黄瓜温室的土壤水分、土壤温度、环境温度和环境光照度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黄瓜温室环境和土壤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。检测节点结构如附图3所示。
三、现场监控端软件的设计
现场监控端2是一台工业控制计算机，现场监控端2主要实现对黄瓜温室参数进行采集和温室黄瓜产量智能预测系统，实现与检测节点1的信息交互，现场监控端2主要功能为通信参数设置、数据分析与数据管理和温室黄瓜产量智能预测系统。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如附图4所示。温室黄瓜产量智能预测系统如附图2所示，温室黄瓜产量智能预测系统包括温室黄瓜产量预测子系统、黄瓜温室环境温度预测子系统和温室黄瓜产量温度校正模型。温室黄瓜产量智能预测系统设计如下步骤：
(1)、温室黄瓜产量预测子系统包括温室黄瓜产量减法聚类分类器、多个GRNN神经网络产量预测模型；利用温室黄瓜产量减法聚类分类器对温室黄瓜产量的历史数据进行分类，每类数据输入对应的GRNN神经网络预测模型，对应的GRNN神经网络预测模型的输出作为温室黄瓜产量预测子系统预测温室黄瓜产量的预测值；
A、温室黄瓜产量减法聚类分类器
温室黄瓜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，仅根据温室黄瓜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；而它把每一个温室黄瓜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，温室黄瓜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)，每一个温室黄瓜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。本发明专利温室黄瓜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；当获得新的温室黄瓜产量数据时，组和组的中心做相应的变化。随着输入温室黄瓜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黄瓜产量输入空间划分，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：由历史训练温室黄瓜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GRNN神经网络产量预测模型
多个GRNN神经网络产量预测模型是一种局部逼近网络GRNN(GeneralizedRegression Neural Network)，多个GRNN神经网络产量预测模型是多类温室黄瓜产量的历史数据，每类温室黄瓜产量的历史数据作为各个GRNN神经网络预测模型的输入，各个GRNN神经网络预测模型来预测每类温室黄瓜产量历史数据的未来值，实现对温室黄瓜产量的精确预测。多个GRNN神经网络产量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神经网络产量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。多个GRNN神经网络产量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神经网络产量预测模型由输入层、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) (4)
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神经网络产量预测模型算法，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) (7)
多个GRNN神经网络产量预测模型建立在数理统计基础之上，能够根据温室黄瓜产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，特别是在温室黄瓜产量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。
(2)、黄瓜温室环境温度预测子系统包括黄瓜温室温度小波分解模型、多个ANFIS神经网络温度预测模型和HRFNN递归神经网络温度预测融合模型；黄瓜温室温度小波分解模型把黄瓜温室环境温度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ANFIS神经网络温度预测模型的输入，多个ANFIS神经网络温度预测模型的输出作为HRFNN递归神经网络温度预测融合模型的输入，HRFNN递归神经网络温度预测融合模型的输出值作为黄瓜温室环境温度预测子系统预测黄瓜温室环境温度的预测值；A、黄瓜温室温度小波分解模型黄瓜温室环境温度检测数据作为小波分解模型的输入，小波分解模型把黄瓜温室环境温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神经网络温度预测模型的输入，来提高黄瓜温室环境温度预测精确度。本发明专利用小波分析方法对黄瓜温室环境温度的时间序列检测进行分解，对分解后的各层信息进行自相关和互相关分析；小波分解过程中对信号做了平滑处理，因此，分析经过小波处理后的数据要容易很多。根据各层信号分析后的特点分别建立相应的ANFIS神经网络模型来预测黄瓜温室的温度，最后将各层预测结果作为HRFNN递归神经网络温度预测融合模型的输入，HRFNN递归神经网络温度预测融合模型的输出为黄瓜温室环境温度预测子系统预测黄瓜温室环境温度的预测值。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(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。原始黄瓜温室温度历史数据X进行p层分解后得到的结果为:
X＝D1+D2+…Dp+Ap (10)
式(6)中Ap为第p层分解后的低频信号部分，Dp为第p层分解后的高频部分。多个小波分析可以将黄瓜温室温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温度历史数据序列比黄瓜温室温度历史数据序列简单并且预测黄瓜温室温度值更加精确。
B、多个ANFIS神经网络温度预测模型
多个ANFIS神经网络温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。多个ANFIS神经网络温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黄瓜温室温度的已知历史数据的学习得到的，ANFIS神经网络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神经网络模型的输入分别为每个多个高频波动部分(IMF)和低频趋势部分的极大值、平均值和极小值，ANFIS网络预测温度预测模型的主要运算步骤如下:
第1层:将输入的黄瓜温室温度历史数据模糊化，每个节点对应输出可表示为:
本发明专利为3个节点，分别是每个多个高频波动部分(IMF)和低频趋势部分的极大值、平均值和极小值。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神经网络模型的规则运算采用乘法。
第3层:将各条规则的适用度归一化:
第4层:每个节点的传递函数为线性函数，表示局部的线性模型，每个自适应节点i输出为:
第5层:该层的单节点是一个固定节点，计算ANFIS神经网络模型的输出为:
ANFIS神经网络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网络预测温度预测模型参数的收敛速度。ANFIS神经网络模型为黄瓜温室温度历史数据的低频部分和多个高频波动部分，ANFIS神经网络模型输出作为HRFNN递归经网络温度预测融合模型的输入，HRFNN递归经网络温度预测融合模型的输出为黄瓜温室温度预测值。
C、HRFNN递归神经网络温度预测融合模型
HRFNN递归神经网络温度预测融合模型是多输入单输出的网络拓扑结构，网络由4层组成：输入层、成员函数层、规则层和输出层。网络包含n个输入节点，其中每个输入节点对应m个条件节点，m代表规则数，nm个规则节点，1个输出节点。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。递归模糊神经网络具有逼近高度非线性动态系统的性能，加入内部变量的递归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。本专利的模糊递归神经网络HRFNN，并采用加入交叉验证的梯度下降算法对神经网络的权值进行训练。使用HRFNN对黄瓜温室温度参数进行预测。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递归神经网络温度预测融合模型可以准确地预测黄瓜温室温度参数。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黄瓜温室温度预测时网络规模最小，预测误差小，表明了该方法的有效性。
(3)、温室黄瓜产量温度校正模型由2个微分算子S、2个时滞单元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个时滞单元D相串联构成时滞回路2；温室黄瓜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，黄瓜温室环境温度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端的输入和时滞回路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；时滞回路2的输出为HRFNN递归神经网络的E端输入，时滞回路2的2个时滞单元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个反映温室黄瓜产量的输出端节点组成，微分算子在MATLAB中调用，温室黄瓜产量温度校正模型实现对温室温度对黄瓜产量影响程度的校正，反映了温室温度的实际值变化对温室黄瓜产量的影响大小，提高温室黄瓜产量预测的精确度；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。
四、黄瓜温室参数检测平台平面布置图的设计举例
根据黄瓜温室参数的状况，该系统在黄瓜温室不同生产区域均衡布置了检测节点1和在控制控制室安放现场监控端2的平面布置图，其中检测节点1均衡布置在被黄瓜温室的不同生产区域，整个系统平面布置见图5，通过该系统实现对温室黄瓜环境和土壤参数的采集与黄瓜温室产量预警和管理。
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)
1.一种基于递归神经网络的黄瓜温室产量智能化预测装置，其特征在于：所述预测装置实现实时检测黄瓜温室的环境参数、土壤参数和黄瓜温室产量信息，该装置包括基于无线传感器网络的黄瓜温室参数检测平台和温室黄瓜产量智能预测系统；温室黄瓜产量智能预测系统包括温室黄瓜产量预测子系统、黄瓜温室环境温度预测子系统和温室黄瓜产量温度校正模型；
所述温室黄瓜产量预测子系统包括温室黄瓜产量减法聚类分类器、多个GRNN神经网络产量预测模型；利用温室黄瓜产量减法聚类分类器对温室黄瓜产量的历史数据进行分类，每类数据输入对应的GRNN神经网络预测模型，对应的GRNN神经网络预测模型的输出作为温室黄瓜产量预测子系统预测温室黄瓜产量的预测值；
所述黄瓜温室环境温度预测子系统包括黄瓜温室温度小波分解模型、多个ANFIS神经网络温度预测模型和HRFNN递归神经网络温度预测融合模型；黄瓜温室温度小波分解模型把黄瓜温室环境温度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ANFIS神经网络温度预测模型的输入，多个ANFIS神经网络温度预测模型的输出作为HRFNN递归神经网络温度预测融合模型的输入，HRFNN递归神经网络温度预测融合模型的输出值作为黄瓜温室环境温度预测子系统预测黄瓜温室环境温度的预测值；
所述温室黄瓜产量温度校正模型由2个微分算子S、2个时滞单元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个时滞单元D相串联构成时滞回路2；温室黄瓜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，黄瓜温室环境温度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端的输入和时滞回路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；时滞回路2的输出为HRFNN递归神经网络的E端输入，时滞回路2的2个时滞单元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个反映温室黄瓜产量的输出端节点组成，温室黄瓜产量温度校正模型实现对温室温度对黄瓜产量影响程度的校正，反映了温室温度的实际值变化对温室黄瓜产量的影响大小。
2.根据权利要求1所述的一种基于递归神经网络的黄瓜温室产量智能化预测装置，其特征在于：所述基于无线传感器网络的黄瓜温室参数检测平台由多个检测节点和现场监控端组成，它们以自组织方式构建成黄瓜温室参数实时采集平台。
3.根据权利要求2所述的一种基于递归神经网络的黄瓜温室产量智能化预测装置，其特征在于：所述检测节点由传感器组模块、单片机以及无线通信模块NRF2401组成，负责检测黄瓜温室的土壤水分、土壤温度、环境温度和环境光照度的实际值。
4.根据权利要求2所述的一种基于递归神经网络的黄瓜温室产量智能化预测装置，其特征在于：所述现场监控端实现对黄瓜温室参数进行管理和对温室黄瓜产量进行智能预测。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201910319312.1A CN110163254B (zh) | 2019-04-19 | 2019-04-19 | 一种基于递归神经网络的黄瓜温室产量智能化预测装置 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201910319312.1A CN110163254B (zh) | 2019-04-19 | 2019-04-19 | 一种基于递归神经网络的黄瓜温室产量智能化预测装置 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN110163254A CN110163254A (zh) | 2019-08-23 |
| CN110163254B true CN110163254B (zh) | 2022-04-26 |
Family
ID=67639711
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN201910319312.1A Active CN110163254B (zh) | 2019-04-19 | 2019-04-19 | 一种基于递归神经网络的黄瓜温室产量智能化预测装置 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN110163254B (zh) |
Families Citing this family (7)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN111753469B (zh) * | 2020-06-29 | 2023-05-30 | 苏州科技大学 | 台风风暴潮情景模拟方法及装置 |
| 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 |
| 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 |
| CN113661866B (zh) * | 2021-08-20 | 2023-02-07 | 上海寻梦信息技术有限公司 | 农产品种植方法、装置、系统、设备及存储介质 |
| CN114997535A (zh) * | 2022-08-01 | 2022-09-02 | 联通(四川)产业互联网有限公司 | 一种智慧农业全过程生产大数据智能分析方法及系统平台 |
| CN116596141B (zh) * | 2023-05-18 | 2024-01-19 | 淮阴工学院 | 一种基于物联网与多模型耦合的板蓝根产量预测系统 |
Citations (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 CN201910319312.1A patent/CN110163254B/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 * |
| 张正金等;基于量子粒子群方法训练ANFIS模型;《巢湖学院学报》;20170331;第19卷(第03期);全文 * |
Also Published As
| Publication number | Publication date |
|---|---|
| CN110163254A (zh) | 2019-08-23 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| 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 | |
| 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 | |
| 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 | |
| CN110647979B (zh) | 一种基于物联网的温室环境多参数智能化监测系统 | |
| CN110147825B (zh) | 一种基于经验模态分解模型的草莓温室温度智能检测装置 | |
| 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 | |
| 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 | |
| Jiang et al. | Research and application of an innovative combined model based on a modified optimization algorithm for wind speed forecasting | |
| 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 | |
| Khashei-Siuki et al. | Predicting dryland wheat yield from meteorological data using expert system, Khorasan Province, Iran | |
| CN113281465A (zh) | 一种畜禽舍养殖环境有害气体检测系统 | |
| CN113128666A (zh) | 基于Mo-S-LSTMs模型的时间序列多步预测方法 | |
| Sattari et al. | Estimation of daily soil temperature via data mining techniques in semi-arid climate conditions | |
| CN113255739A (zh) | 一种鱼饲料检测与配方系统 | |
| Mao et al. | A variable weight combination prediction model for climate in a greenhouse based on BiGRU-Attention and LightGBM | |
| Chen et al. | A water-saving irrigation decision-making model for greenhouse tomatoes based on genetic optimization TS fuzzy neural network | |
| Skobelev et al. | Further advances in models and methods for digital twins of plants | |
| Mimboro et al. | Weather monitoring system AIoT based for oil palm plantation using recurrent neural network algorithm | |
| CN112906856A (zh) | 一种基于云平台的畜禽舍环境温度检测系统 | |
| Prabavathi et al. | An Optimized Gaussian Extreme Learning Machine (GELM) for Predicting the Crop Yield using Soil Factors |
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: 20230809 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: 20240529 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 |