CN110545305B - 用于自适应参数采样的方法和系统 - Google Patents

用于自适应参数采样的方法和系统 Download PDF

Info

Publication number
CN110545305B
CN110545305B CN201811608954.5A CN201811608954A CN110545305B CN 110545305 B CN110545305 B CN 110545305B CN 201811608954 A CN201811608954 A CN 201811608954A CN 110545305 B CN110545305 B CN 110545305B
Authority
CN
China
Prior art keywords
sampled
parameters
wma
sampling rate
data point
Prior art date
Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
Active
Application number
CN201811608954.5A
Other languages
English (en)
Other versions
CN110545305A (zh
Inventor
普拉钦·拉利特·简
萨纳特·萨兰吉
普拉克鲁蒂·维诺钱德拉·巴特
斯里尼瓦苏·帕普拉
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Tata Consultancy Services Ltd
Original Assignee
Tata Consultancy Services Ltd
Priority date (The priority date is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the date listed.)
Filing date
Publication date
Application filed by Tata Consultancy Services Ltd filed Critical Tata Consultancy Services Ltd
Publication of CN110545305A publication Critical patent/CN110545305A/zh
Application granted granted Critical
Publication of CN110545305B publication Critical patent/CN110545305B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F30/00—Computer-aided design [CAD]
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/004—Artificial life, i.e. computing arrangements simulating life
    • G06N3/006—Artificial life, i.e. computing arrangements simulating life based on simulated virtual individual or collective life forms, e.g. social simulations or particle swarm optimisation [PSO]
    • 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—Systems or methods specially adapted for specific business sectors, e.g. utilities or tourism
    • G06Q50/02—Agriculture; Fishing; Mining
    • H—ELECTRICITY
    • H04—ELECTRIC COMMUNICATION TECHNIQUE
    • H04W—WIRELESS COMMUNICATION NETWORKS
    • H04W4/00—Services specially adapted for wireless communication networks; Facilities therefor
    • H04W4/30—Services specially adapted for particular environments, situations or purposes
    • H04W4/38—Services specially adapted for particular environments, situations or purposes for collecting sensor information
    • H—ELECTRICITY
    • H04—ELECTRIC COMMUNICATION TECHNIQUE
    • H04W—WIRELESS COMMUNICATION NETWORKS
    • H04W84/00—Network topologies
    • H04W84/18—Self-organising networks, e.g. ad-hoc networks or sensor networks
    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
    • G01N33/00—Investigating or analysing materials by specific methods not covered by groups G01N1/00 - G01N31/00
    • G01N33/24—Earth materials
    • G01N2033/245—Earth materials for agricultural purposes
    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
    • G01N33/00—Investigating or analysing materials by specific methods not covered by groups G01N1/00 - G01N31/00
    • G01N33/0098—Plants or trees
    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
    • G01N33/00—Investigating or analysing materials by specific methods not covered by groups G01N1/00 - G01N31/00
    • G01N33/24—Earth materials
    • G01N33/246—Earth materials for water content
    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01W—METEOROLOGY
    • G01W1/00—Meteorology
    • G01W1/02—Instruments for indicating weather conditions by measuring two or more variables, e.g. humidity, pressure, temperature, cloud cover or wind speed
    • G01W1/04—Instruments for indicating weather conditions by measuring two or more variables, e.g. humidity, pressure, temperature, cloud cover or wind speed giving only separate indications of the variables measured
    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01W—METEOROLOGY
    • G01W1/00—Meteorology
    • G01W1/14—Rainfall or precipitation gauges
    • H—ELECTRICITY
    • H04—ELECTRIC COMMUNICATION TECHNIQUE
    • H04L—TRANSMISSION OF DIGITAL INFORMATION, e.g. TELEGRAPHIC COMMUNICATION
    • H04L67/00—Network arrangements or protocols for supporting network services or applications
    • H04L67/01—Protocols
    • H04L67/12—Protocols specially adapted for proprietary or special-purpose networking environments, e.g. medical networks, sensor networks, networks in vehicles or remote metering networks
    • Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
    • Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
    • Y02A—TECHNOLOGIES FOR ADAPTATION TO CLIMATE CHANGE
    • Y02A40/00—Adaptation technologies in agriculture, forestry, livestock or agroalimentary production
    • Y02A40/10—Adaptation technologies in agriculture, forestry, livestock or agroalimentary production in agriculture
    • Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
    • Y04—INFORMATION OR COMMUNICATION TECHNOLOGIES HAVING AN IMPACT ON OTHER TECHNOLOGY AREAS
    • Y04S—SYSTEMS INTEGRATING TECHNOLOGIES RELATED TO POWER NETWORK OPERATION, COMMUNICATION OR INFORMATION TECHNOLOGIES FOR IMPROVING THE ELECTRICAL POWER GENERATION, TRANSMISSION, DISTRIBUTION, MANAGEMENT OR USAGE, i.e. SMART GRIDS
    • Y04S40/00—Systems for electrical power generation, transmission, distribution or end-user application management characterised by the use of communication or information technologies, or communication or information technology specific aspects supporting them
    • Y04S40/18—Network protocols supporting networked applications, e.g. including control of end-device applications over a network

Abstract

本发明涉及用于自适应参数采样的方法和系统。本公开涉及精确农业，其依赖于监视农场的微气候条件以进行准确的疾病预测以更好地保护作物并提高生产效率。考虑到通过基于物联网的传感器在现场产生的大量数据，传统系统在管理能量和传输带宽方面面临挑战。本公开通过最佳地配置参数采样率从而最大化节省能量而从现场提供节省能量的自适应参数采样。这有助于减少不必要的云流量，同时延长网络生命周期。

Description

用于自适应参数采样的方法和系统
优先权要求
本申请要求于2018年5月28日提交的印度专利申请No.201821019941的优先权。上述申请的全部内容通过引用结合于此。
技术领域
本文的公开内容一般涉及精确农业，并且更具体地，涉及用于参数的自适应采样而导致节省能量的物联网(IoT)部署的方法和系统。
背景技术
可以看出，由于不利的环境条件引起的各种疾病，农民每年都会失去他们的大量作物。准确预测疾病需要持续监视这些条件，特别是对作物的微气候环境。传感器在预测中发挥着关键作用。随着传感器的普及，现在农业领域中的无线传感器网络(WSN)部署更加庞大。这增加了从传感器节点到网关的数据量。随着数据以固定的时间间隔流入，大量数据会被卸载到云系统以用于进一步分析，其增加了服务器上的流量和负载。用于农业的户外物联网部署的电力受到限制。为了获得可扩展的解决方案，这可以包括依赖太阳能作为传感器节点的电源。此外，以高于所需频率来收集和传输数据会消耗宝贵的电力，同时增加存储和网络的资源消耗。
发明内容
本公开的实施例呈现技术改进作为本发明人在传统系统中认识到的一个或多个上述技术问题的解决方案。
在一个方面，提供了一种处理器实现的方法，包括：经由多个传感器节点以当前采样率采样预定义的农艺和农业气象参数集合，其管理在至少一个农业区域中所考虑的一种或多种作物中的一种或多种疾病的发作，所采样的参数与对应于所考虑的一种或多种作物的作物标识符相关联；通过预训练的疾病预测模型，基于与一种或多种疾病相关联的启发式阈值，将所采样的参数标记为所述一种或多种疾病有利或不利中的一个，所述预训练的疾病预测模型取决于包括所采样的参数和其数据点的特征向量的数量而是线性分类器或非线性分类器；通过分析器分析在第一时间段内所采样的参数的标记的变化，以识别标记的有效变化，所述第一时间段取决于所采样的参数、相关联的作物或所考虑的相关联的疾病中的至少一个。分析步骤包括：计算在所述第一时间段内采样的数据点的加权移动平均值(WMA)，其中新数据点与较早数据点相比被给定更高的权重；计算用于计算所述WMA的数据点的标准偏差(std)；如果数据点位于超出WMA±k*std，则数据点是异常值，并且不会有助于标记的有效变化，其中k是预定义的乘数，用于取决于所采样的参数配置范围WMA±std；和如果数据点位于WMA±k*std内，则所述数据点有助于标记的有效变化。之后基于所识别的标记的有效变化，通过采样率控制器适应所述当前采样率，其中适应所述当前采样率的步骤包括：如果所采样的参数的标记没有有效变化，则保持所述当前采样率；检查在第二时间段内有助于标记的有效变化的每个数据点的标记的置信水平，其中所述第二时间段基于用于恢复与采样的参数相关联的数据点的变化趋势所花费的最小时间；和如果标记的有效变化导致不利标记，则降低所述当前采样率；或者如果标记的有效变化导致有利标记，则增加所述当前采样率。在实施例中，通过再训练模块从所述至少一个农业区域获得反馈，所述反馈包括所述作物标识符以及所述一种或多种疾病的预测严重性级别的确认或校正；和基于所获得的反馈更新所述预训练的疾病预测模型。
在另一方面，提供了一种系统，包括：一个或多个数据存储设备，其可操作地耦合到一个或多个硬件处理器并且被配置为存储用于由所述一个或多个硬件处理器执行的指令以：经由多个传感器节点，以当前采样率采样预定义的农艺和农业气象参数集合，其管理在至少一个农业区域中所考虑的一种或多种作物中的一种或多种疾病的发作，所采样的参数与对应于所考虑的一种或多种作物的作物标识符相关联；通过执行其中包括的预训练的疾病预测模型，基于与一种或多种疾病相关联的启发式阈值，将所采样的参数标记为对所述一种或多种疾病有利或不利中的一个，所述预训练的疾病预测模型取决于包括所采样的参数和其数据点的特征向量的数量而是线性分类器或非线性分类器；通过执行其中包括的分析器分析在第一时间段内所采样的参数的标记的变化，以识别标记的有效变化，所述第一时间段取决于所采样的参数、相关联的作物或所考虑的相关联的疾病中的至少一个，其中，所采样的参数的标记变化通过以下进行分析：计算在所述第一时间段内采样的数据点的加权移动平均值(WMA)，其中新数据点与较早数据点相比被给定更高的权重；计算用于计算所述WMA的数据点的标准偏差(std)；如果数据点位于超出WMA±k*std，则数据点是异常值，并且不会有助于标记的有效变化，其中k是预定义的乘数，用于取决于所采样的参数配置范围WMA±std；和如果在第二时间段内数据点位于WMA±k*std内，则所述数据点有助于标记的有效变化；其中第二时间段是基于恢复与采样的参数相关联的数据点的变化趋势所花费的最小时间；通过执行其中包括的采样率控制器基于在第一时间段内所采样的参数的标记的识别出的有效变化来适应当前采样率，其中当前采样率通过以下被适应：如果所采样的参数的标记没有有效变化，则保持所述当前采样率；检查在第二时间段内有助于标记的有效变化的每个数据点的标记的置信水平；并且如果标记的有效变化导致不利标记，则降低所述当前采样率；或者如果标记的有效变化导致有利标记，则增加所述当前采样率；通过执行其中包括的再训练模块从所述至少一个农业区域获得反馈，所述反馈包括所述作物标识符以及所述一种或多种疾病的预测严重性级别的确认或校正；和基于所获得的反馈更新所述预训练的疾病预测模型。
在又一方面，提供了一种计算机程序产品，包括使计算机可读程序在其中实现的非暂时性计算机可读介质，其中所述计算机可读程序在计算设备上执行时使得所述计算设备：经由多个传感器节点，以当前采样率采样预定义的农艺和农业气象参数集合，其管理在至少一个农业区域中所考虑的一种或多种作物中的一种或多种疾病的发作，所采样的参数与对应于所考虑的一种或多种作物的作物标识符相关联；通过执行其中包括的预训练的疾病预测模型，基于与一种或多种疾病相关联的启发式阈值，将所采样的参数标记为对所述一种或多种疾病有利或不利中的一个，所述预训练的疾病预测模型取决于包括所采样的参数和其数据点的特征向量的数量而是线性分类器或非线性分类器；通过执行其中包括的分析器分析在第一时间段内所采样的参数的标记的变化，以识别标记的有效变化，所述第一时间段取决于所采样的参数、相关联的作物或所考虑的相关联的疾病中的至少一个，其中，所采样的参数的标记变化通过以下进行分析：计算在所述第一时间段内采样的数据点的加权移动平均值(WMA)，其中新数据点与较早数据点相比被给定更高的权重；计算用于计算所述WMA的数据点的标准偏差(std)；如果数据点位于超出WMA±k*std，则数据点是异常值，并且不会有助于标记的有效变化，其中k是预定义的乘数，用于取决于所采样的参数来配置范围WMA±std；和如果在第二时间段内数据点位于WMA±k*std内，则所述数据点有助于标记的有效变化，其中第二时间段是基于恢复与采样的参数相关联的数据点的变化趋势所花费的最小时间；通过执行其中包括的采样率控制器基于在第一时间段内所采样的参数的标记的识别出的有效变化来适应当前采样率，其中当前采样率通过以下被适应：如果所采样的参数的标记没有有效变化，则保持所述当前采样率；检查在第二时间段内有助于标记的有效变化的每个数据点的标记的置信水平；并且如果标记的有效变化导致不利标记，则降低所述当前采样率；或者如果标记的有效变化导致有利标记，则增加所述当前采样率；通过执行其中包括的再训练模块从所述至少一个农业区域获得反馈，所述反馈包括所述作物标识符以及所述一种或多种疾病的预测严重性级别的确认或校正；和基于所获得的反馈更新所述预训练的疾病预测模型。
在本公开的实施例中，预定义的农艺参数集合包括作物特定信息、地形和植被信息；预定义的农业气象参数集合包括温度、湿度、压力、风速、降雨量和太阳辐射。
在本公开的实施例中，所述预训练的疾病预测模型是决策树的集成(ensemble)。
在本公开的实施例中，所述一个或多个硬件处理器还被配置为执行所述预训练的疾病预测模型，以基于随时间的所采样的参数，预测所述一种或多种疾病的严重性级别，如果所采样的参数被标记为不利，则所述严重性级别是正常，如果所采样的参数取决于所述有利标记持续的时间被标记为有利，则所述严重性级别是异常或极端。
在本公开的实施例中，所述一个或多个硬件处理器还被配置为执行所述采样率控制器以与当所采样的参数被标记为有利时所预测的严重性级别是异常相比，当所预测的严重性级别是极端时，更大地增加所述当前采样率。
在本公开的实施例中，由于疾病报告错误和不正确的传感器值中的至少一个，所述预训练的疾病预测模型使用不正确标记形式的噪声进行预训练。
应当理解，前面的一般性描述和下面的详细描述都只是示例性和说明性的，并不是对要求保护的本发明的限制。
附图说明
包含在本公开中并构成本公开的一部分的附图示出了示例性实施例，并且与说明书一起用于解释所公开的原理。
图1示出了根据本公开的实施例的用于自适应参数采样的系统的示例性框图。
图2示出了根据本公开的实施例的用于自适应参数采样的系统的示例性实施方式的架构。
图3A至图3B示出了根据本公开的实施例的用于自适应参数采样的计算机实现的方法的示例性流程图。
图4示出了根据本公开的实施例的在执行自适应参数采样的系统与传统的非自适应系统之间在发送的消息方面的能量比较。
具体实施方式
参考附图描述示例性实施例。在附图中，附图标记的一个或多个最左边的数字标识附图标记首次出现的图。在任何方便的地方，在整个附图中使用相同的附图标记来表示相同或相似的部分。虽然本文描述了所公开原理的示例和特征，但是在不脱离所公开实施例的精神和范围的情况下，修改、改编和其他实施方式是可能的。旨在将以下详细描述视为仅是示例性的，其真实范围和精神由所附权利要求指示。
农业是国家的主要增长支柱之一。每年农民都会因害虫和疾病而失去大量作物。通过仔细检查诸如土壤湿度、温度、相对湿度、降雨量和叶湿度参数，可以检测和避免由不利环境条件引起的疾病。例如，由于晚疫病导致的全球马铃薯产量损失估计为价值120亿欧元。为了解决这种情况，全世界在开发预测此类疾病然后有助于预防或及时采取补救措施的模型方面做了大量工作。农业物联网(IoT)使用无线传感器网络(WSN)作为精准农业的关键构建模块。随着传感器变得无处不在，网络上连接了大量部署，这增加了传输的数据量。
在由Jain A和Chang EY提出的方法中，在题为“Adaptive sampling for sensornetworks”的论文中，采用卡尔曼滤波器(KF)来估计传感器值，其中传感器可以使用KF估计误差来自动地在给定范围内自适应地调整其采样率，使得如果误差高于预定义的误差容限，则采样率增加。在另一个能量感知洪水预警系统中，使用耦合到KF的水力模型，基于预测的洪水情况适应采样率。在该系统中，当水超过阈值(洪水情况)的概率小于5％时，从传感器节点传输数据的要求降低，从而降低了各个节点的活动并使数据量最小化以帮助延长网络寿命。在农业的情况下，在像疾病或虫害侵袭的事件发作时采样率较低可能会延迟减少产量损失所需的行动。因此，需要在网关处进行一些干预，其可以根据需要监视作物并采取必要行动以减轻关键种植阶段处的风险。
本公开提供用于在诸如网关、路由器或任何其他网络硬件(其通过基于特定疾病状况智能地采样参数来调节流量，以便提高现场部署的网络的能量效率)的边缘设备处进行自适应参数采样的方法和系统。整体效果是通过仅记录绝对必要的信息来增强网络的生命周期并减少所考虑的农场和云系统处的电源和计算资源的负担。
在本公开的上下文中，表达“农场”和“农业区域”可以互换使用。在下文中在说明书中使用的表达“网关”通常是指用作边缘设备并且调节WSN中的传感器节点与云系统之间的流量的任何网络硬件。除了调节流量之外，部署在网关上的本公开的系统提供了导致自适应采样或参数的智能，从而导致精确农业的节省能量、节省资源、及时响应。
现在参考附图，并更具体地参考图1至图4，其中类似的附图标记在整个附图中始终表示相应的特征，示出了优选实施例并且在以下示例性系统和方法的上下文中描述了这些实施例。
图1示出了根据本公开的实施例的用于自适应参数采样的系统100的示例性框图。在实施例中，系统100包括一个或多个处理器104、一个或多个通信接口设备或一个或多个输入/输出(I/O)接口106以及可操作地耦合到一个或多个处理器104的一个或多个数据存储设备或存储器102。作为硬件处理器的一个或多个处理器104可以实现为一个或多个微处理器、微计算机、微控制器、数字信号处理器、中央处理单元、状态机、图形控制器、逻辑电路和/或基于操作指令来操纵信号的任何设备。除了其他能力之外，一个或多个处理器被配置为获取并执行存储在存储器中的计算机可读指令。在本公开的上下文中，表达“处理器”和“硬件处理器”可以互换使用。在实施例中，系统100可以在各种计算系统中实现，例如膝上型计算机、笔记本、手持设备、工作站、大型计算机、服务器、网络云等。
一个或多个I/O接口106可以包括各种软件和硬件接口，例如，web接口、图形用户接口等，并且可以促进各种网络N/W和协议类型内的多个通信，包括有线网络，例如LAN、电缆等，以及无线网络，例如WLAN、蜂窝或卫星。在实施例中，一个或多个I/O接口可以包括一个或多个端口，用于将多个设备彼此连接或连接到另一个服务器。
存储器102可以包括本领域中已知的任何计算机可读介质，包括诸如易失性存储器，例如静态随机存取存储器(SRAM)和动态随机存取存储器(DRAM)，和/或非易失性存储器，例如只读存储器(ROM)、可擦除可编程ROM、闪存、硬盘、光盘和磁带。在实施例中，系统100的一个或多个模块(未示出)可以存储在存储器102中。
图2示出了根据本公开的实施例的用于自适应参数采样的系统100的示例性实施方式的架构。示例性WSN示出了示例性信息流，其可以部署在具有所考虑的一种或多种作物的农业区域中。示例性实施方式可以具有三个子系统，即其中部署传感器节点的Sys-1、包括固定或移动网关的Sys-2、以及包括云系统的Sys-3。在实施例中，Sys-1设置在不同位置处的一个或多个农业区域中，用于感测环境和作物参数，像温度、相对湿度、叶片湿度等。传感器值通过有线或无线通信被传送到Sys-2。基于从Sys-2接收的输入改变当前采样率。在实施例中，如果静止，则Sys-2可以连接到外部反馈控制台，或者反馈控制台可以已经可用作移动应用的一部分以用于接收来自农场的反馈。如果静止，则Sys-2也可以独立地与移动应用通信，并使用移动设备作为控制台以进行反馈。在实施例中，Sys-3还可以设置有用于反馈的web控制台。
在实施例中，Sys-2的网关位于传感器节点和云系统之间，并且被配置为具有通信、处理和存储设施。它管理与传感器节点的下游通信以及与移动应用/控制台和云系统的上游通信。
图3A至图3B示出了根据本公开的实施例的用于自适应参数采样的计算机实现的方法的示例性流程图。在实施例中，系统100包括可操作地耦合到一个或多个处理器104的一个或多个数据存储设备或存储器102，并且被配置为存储配置为由一个或多个处理器104执行方法200的步骤的指令。现在将参考图1的系统100的组件和图2的示例性架构详细解释方法200的步骤。尽管可以按顺序描述处理步骤、方法步骤、技术等，但是这样的处理、方法和技术可以被配置为以交替顺序工作。换句话说，可以描述的任何顺序或步骤顺序不一定表示要求以该顺序执行步骤。这里描述的处理的步骤可以以任何实际的顺序执行。此外，可以同时执行一些步骤。
因此，在本公开的实施例中，一个或多个处理器104被配置为在步骤202处，经由多个传感器节点，以当前采样率采样预定义的农艺和农业气象参数集合，其管理在至少一个农业区域中所考虑的一种或多种作物中的一种或多种疾病的发作。传感器节点(S_1至S_N)可以部署为图2的Sys-1的一部分。根据本公开，预定义的农艺参数集合可以包括作物特定信息、地形和植被信息。而且，预定义的农业气象参数集合可以包括温度、湿度、压力、风速、降雨量和太阳辐射。在实施例中，采样参数可以与对应于所考虑的一种或多种作物的作物标识符(Crop-Id)相关联。
根据本公开的实施例，一个或多个处理器104被配置为在步骤204处，将所采样的参数标记为对一种或多种疾病有利或不利之一。在实施例中，执行步骤204的一个或多个处理器104可以以图2的Sys-2中的预训练的疾病预测模型的形式实现。根据本公开的实施例，预训练的疾病预测模型具有基于与采样参数相关联的启发式阈值的两级分类输出{有利，不利}。传统系统仅依赖于启发式阈值。本领域技术人员可以理解，有利于害虫或疾病状况的参数的阈值可能不是静态的并且由于随着时间的推移已经发展的各种害虫和疾病的抗性变种、全球变暖引起的变化和因地而异的农业气候区域不同而发生变化。这些动态通过基于启发式阈值的本公开的预训练的疾病预测模型来解决，然后经由反馈机制的连续学习和更新使得分类相关且准确。在预先训练的疾病预测模型中更新了跨季节、跨作物品种和不同农业气候区域的学习，使其适应同时跨多个作物和多个农场的实施。此外，还减少了用于标记参数的域专家的依赖性。
根据本公开，预训练的疾病预测模型是作物和农场自适应性，从而最大化网络寿命，同时从农民的角度保持给定的服务水平协议。表1示出了基于主要依赖于两个参数-温度和湿度的研究的与其一些疾病相关联的作物和启发式阈值的示例性列表。
表1：作物疾病的启发式阈值
Figure GDA0003458639620000101
通过马铃薯晚疫病的致病疫霉模型，相对湿度超过80％有利于孢子形成。如果发生这种情况，如果空气温度介于10℃和30℃之间并且正在下雨，则会开始计算感染严重性等级。因此，当温度被采样并且其值介于10℃和30℃之间时，它可能有助于将采样参数温度分类为有利于疾病马铃薯晚疫病。相对湿度水平超过90％，温度范围在10℃至35℃之间导致番茄白粉病。类似地，与作物相关的每种疾病或害虫在其开始增殖时具有与其相关的特定温度和相对湿度范围，并且可以有助于将采样参数分类为有利。表1仅描述了2个参数。在现实世界的情景中，可能存在需要密切监视的有利于疾病或害虫的多个参数。在不同农业区域中对多种作物品种的随时间变化的启发式阈值的这种监视是本公开中解决的技术挑战。
根据本公开的实施例，可以首先利用关于有利于疾病和害虫生长的条件的先前假设来训练预训练的疾病预测模型。预训练的疾病预测模型可以是线性分类器或非线性分类器，其取决于包括采样参数(例如，温度、相对湿度等)和相关数据点(采样参数的数量)的特征向量的数量。对于具有少量特征以及有限数据点的训练数据集，可以选择诸如支持向量机(SVM)的线性分类器。类似地，当特征的数量和数据点的数量高时，可以选择决策树的集成。当特征的数量较少且数据点的数量高时，可以选择基于人工神经网络(ANN)的分类器。如本领域技术人员可以理解的，这些是对数量(高、极少、有限、较少)的非特定限制的一般指导，并且用户可以根据期望的分类准确度采用任何分类器。在预训练的疾病预测模型是决策树的集成的情况下，数据点可以通过每个决策树，该每个决策树被训练以将数据点分类为属于有利或不利的类别，以便疾病专业处理。类别智能的投票被汇总，并且接收最大投票的类别被选为最终类别。如果采用类似SVM的线性分类器，则可以考虑距离分离平面的距离。同样，如果采用ANN，则可以考虑概率值用于决定最终类别。
由于与疾病相关的关键时期需要以相对频繁的间隔在地面上进行测量以实现农民的近实时或及时行动，根据本公开，网关被提供有智能以响应与单个作物或由其服务的一组作物的这些参数相关的阈值。产生的效果是在需要时增加采样频率，并减少非必要参数的冗余采样。与均匀采样策略相比，这种类型的可变采样率不仅有助于降低能量消耗，还有助于减少到云系统(图2的Sys-3)的数据流量。可以注意到，从传感器节点(Sys-1)到网关(Sys-2)以及从网关(Sys-2)到云系统(Sys-3)的流量减少了两倍。
根据本公开的实施例，一个或多个处理器104被配置为在步骤206处分析在第一时间段内所采样的参数的标记的变化，以识别标记的有效变化。在实施例中，执行步骤206的一个或多个处理器104可以以图2的Sys-2中的分析器的形式实现。识别标记中的有效变化包括跟踪有利和不利条件之间的突然变化，从而确保减少可能触发根据本公开的当前采样率的变化需求的误报警。需要在第一时间段内跟踪采样参数的真实变化。与环境条件相关的采样参数可能在相关阈值附近波动，并且需要考虑以识别它是否是有效变化。在实施例中，第一时间段取决于采样参数、相关作物或所考虑的相关疾病中的至少一个。
根据本公开的实施例，分析步骤包括首先计算在第一时间段内采样的数据点的加权移动平均值(WMA)，其中，与较早数据点相比，新数据点被赋予更高的权重。WMA可以表示如下。
WMA＝p0*dn+p1*dn-1+……pn*d0，其中p0+p1+……pn＝1,且其中p是权重，以及d是数据点，n是在第一时间段中考虑的数据点的数量。
一旦计算出WMA，还计算用于计算WMA的数据点的标准偏差(std)。如果数据点位于超出WMA±k*std，则数据点是异常值，并且不会有助于标记的有效变化，其中k是预定义的乘数，用于取决于所采样的参数来配置范围WMA±std。如果数据点位于WMA±k*std内，则数据点有助于标记的有效变化。
根据本公开，一个或多个处理器104被配置为在步骤208处基于所识别的标记的有效变化来适应当前采样率。在实施例中，执行步骤208的一个或多个处理器104可以以采样率控制器的形式实现。在实施例中，采样率控制器被配置为如果所采样的参数的标记没有有效变化，则保持当前采样率。如果采样参数的标记发生变化，则检查在第二时间段内有助于标记的有效变化的每个数据点的标记的置信水平，其中第二时间段基于用于恢复与采样的参数相关联的数据点的变化趋势所花费的最小时间。如果标记的有效变化导致不利标记，则降低当前采样率；以及如果标记的有效变化导致有利标记，则增加当前采样率。
一些参数本质上可以是周期性的或季节性的。但是诸如叶子湿度等一些参数不是周期性的。它只是足够快地降低，使得从潮湿状态变为干燥状态的时间段可以被认为是第二时间段，因为除了所有其他参数以外，该参数可能花费最小时间来恢复变化趋势。许多农艺参数与温度有关。因此在实施例中，参数温度可以被认为是用于决定第二时间段的参考。基于第二时间段确定数据点的数量导致在存在疾病状况时更多的样本数量，从而对非疾病状况施加更严格的采样率逆转条件；更严格，因为更多的样本数量在WMA中起作用并且经常检查决策制定。
根据本公开的实施例，一个或多个处理器104还被配置为在步骤214处预测一种或多种疾病的严重性级别。在实施例中，预训练的疾病预测模型可以被配置为基于随时间的采样参数执行步骤214。在实施例中，如果所采样的参数被标记为不利，则严重性级别是“正常”；如果所采样的参数取决于有利标记持续的时间被标记为有利，则严重性级别是“异常”或“极端”。因此，如果有利条件持续很长时间，则严重性级别是“极端”，并且在实施例中，一个或多个处理器104可以被配置为在步骤216处增加采样率，使得当与预测的严重性级别是异常相比预测的严重性级别是极端时增加更多。同样，本领域技术人员可以理解，可以基于采样参数、所监视的作物和疾病来量化表达“长时间”。
在示例性实施例中，如果标记是不利并且标记没有有效变化，则严重性级别是“正常”并且采样周期被设置为声称15分钟。如果标记变为有利并且变化被识别为有效变化，则严重性级别为“异常”，并且采样周期可以减少为声称5分钟。再次，如果有利的标记保持恒定半天，则严重性级别为“极端”，并且采样周期可以进一步减少至声称3分钟。将自适应的采样率从Sys-2发送到Sys-1，其中实现传感器节点。
根据本公开的实施例，一个或多个处理器104可以被配置为在步骤210处从至少一个农业区域获得反馈，其中反馈包括作物标识符和一种或多种疾病的预测严重性级别的确认或校正。在实施例中，执行步骤210的一个或多个处理器104可以以再训练模块的形式实现。在步骤212处反馈与训练数据集合并并且用作整体以更新预训练的疾病预测模型。步骤210提高了预测的准确性，这有助于农民采取及时行动并避免作物病毒的增殖。与此同时，Sys-2的整体能效也被提高。
根据本公开的实施例，用于对经预训练的疾病预测模型进行预训练的数据可以覆盖宽范围的所有可能的环境条件组合。可以使用涵盖平均值的高斯分布和世界各地的环境条件的变化的总和来创建数据。该数据被标记为针对不同作物的疾病和非疾病引起的病症。通常，由于疾病报告错误和不正确的传感器值中的至少一个，数据可能具有不正确标记形式的噪声。该噪声特性也可以引入训练数据中，以使分类模型对噪声输入数据更加鲁棒。以不正确的传感器值的形式添加噪声时的假设是由于传感器故障，一些但不是所有的特征值(环境参数)都可能是错误的。此外，疾病报告错误类型的噪声可以以数据中一定百分比的不正确标记的形式添加。根据实施例，可以利用用噪声建模的数据来训练预训练的疾病预测模型，并且以不同的误差百分比进行测试，以使系统100容忍异常值并且能够以可预测的方式对噪声作出反应。
图4示出了根据本公开的实施例的在执行自适应参数采样的系统100与传统的非自适应系统之间在发送的消息方面的能量比较，其中非自适应系统每3分钟发送消息，同时分别针对异常和正常状态，为自适应设置的采样周期为3分和15分钟。可以注意到，对于使用随机森林、SVM和ANN实现的自适应系统，与与被视为稳步增长的非自适应系统中的发送消息的数量相关联的能量消耗相比，与发送的消息的数量相关联的能量消耗非常少。
随着IoT和需要彼此广播和连接的其他设备的激增，数据过滤和处理呈指数增长。根据本公开，提供了系统和方法，以通过分析边缘处的数据并缩小被推送到云系统的数据量来使诸如网关的边缘设备有效和智能化。此外，由于发展中地区的电力供应有限，配备这种智能的网关使自身和现场网络节省能量并延长其使用寿命。本公开的系统和方法调节并适应农业传感要求以优化所考虑的农场处的资源利用。再次，与其中反馈机制用于基于预测的传感器数据值与可能是资源密集的实际值(电池、处理能力和存储器)之间的误差来决定采样率的现有技术相比，根据本公开，采样率基于数据点的上下文重要性，如上文方法200中所解释的。
书面说明书描述了本文的主题，以使得本领域任何技术人员能够制造和使用这些实施例。主题实施例的范围由权利要求限定，并且可以包括本领域技术人员想到的其他修改。如果这些其他修改具有与权利要求的字面语言没有不同的相似要素，或者如果它们包括与权利要求的字面语言无实质差别的等效要素，则这些其他修改旨在落入权利要求的范围内。
应当理解，保护范围扩展到这样的程序，并且除了其中具有消息的计算机可读装置之外；当程序在服务器或移动设备或任何合适的可编程设备上运行时，这种计算机可读存储装置包含用于实现该方法的一个或多个步骤的程序代码装置。硬件设备可以是任何类型的可以编程的设备，包括例如任何类型的计算机，如服务器或个人计算机等，或其任何组合。该设备还可以包括可以是例如专用集成电路(ASIC)、现场可编程门阵列(FPGA)或硬件和软件装置的组合(例如，ASIC和FPGA)的硬件装置的装置或至少一个微处理器和具有位于其中的软件模块的至少一个存储器。因此，该装置可以包括硬件装置和软件装置。这里描述的方法实施例可以用硬件和软件实现。该设备还可以包括软件装置。或者，实施例可以例如使用多个CPU在不同的硬件设备上实现。
本文的实施例可以包括硬件和软件元件。以软件实现的实施例包括但不限于固件、驻留软件、微代码等。由本文描述的各种模块执行的功能可以在其他模块或其他模块的组合中实现。出于本说明书的目的，计算机可用或计算机可读介质可以是可以包括、存储、通信、传播或传送程序以供指令执行系统、装置或设备使用或与其结合使用的任何装置。
所述的步骤被阐述以解释所示的示例性实施例，并且应该预期正在进行的技术开发将改变执行特定功能的方式。这些示例在本文中呈现用于说明而非限制的目的。此外，为了便于描述，这里任意地定义了功能构建块的边界。可以定义替代边界，只要适当地执行指定的功能及其关系。基于本文包含的教导，相关领域的技术人员将清楚替代方案(包括本文描述的那些的等同物、扩展、变化、偏差等)。这些替代方案落入所公开实施例的范围和精神内。此外，词语“包含”、“具有”、“含有”和“包括”以及其他类似形式在意义上是等同的，并且是开放式的，因为这些词中的任何一个之后的一个或多个项目不是意味着是这些一个或多个项目的详尽清单，或仅限于所列一个或多个项目。还必须注意，如本文和所附权利要求中所使用的，单数形式“一”、“一个”和“该”包括复数指代，除非上下文另有明确说明。
此外，一个或多个计算机可读存储介质可用于实现与本公开一致的实施例。计算机可读存储介质指的是可以存储处理器可读的信息或数据的任何类型的物理存储器。因此，计算机可读存储介质可以存储用于由一个或多个处理器执行的指令，包括用于使一个或多个处理器执行与本文描述的实施例一致的步骤或阶段的指令。术语“计算机可读介质”应该被理解为包括有形物品并且不包括载波和瞬态信号，即，是非暂时的。示例包括随机存取存储器(RAM)、只读存储器(ROM)、易失性存储器、非易失性存储器、硬盘驱动器、CD ROM、DVD、闪存驱动器、磁盘和任何其他已知的物理存储介质。
本公开和示例旨在被认为仅是示例性的，所公开的实施例的真实范围和精神由所附权利要求指示。

Claims (12)

1.一种处理器实现的方法(200)，包括：
经由多个传感器节点以当前采样率对预定义的农艺参数集合和农业气象参数集合进行采样，所述预定义的农艺参数集合和农业气象参数集合管理在至少一个农业区域中所考虑的一种或多种作物中的一种或多种疾病的发作，所采样的参数与对应于所考虑的一种或多种作物的作物标识符相关联(202)；
通过预训练的疾病预测模型，基于与一种或多种疾病相关联的启发式阈值，将所采样的参数标记为对所述一种或多种疾病的有利或不利中的一个，所述预训练的疾病预测模型取决于包括所采样的参数和其数据点的特征向量的数量而是线性分类器或非线性分类器(204)；
通过分析器分析在第一时间段内所采样的参数的标记的变化，以识别标记的有效变化(206)，所述第一时间段是取决于所采样的参数、相关联的作物或所考虑的相关联的疾病中的至少一个，所述分析步骤包括：
计算在所述第一时间段内采样的数据点的加权移动平均值(WMA)，其中新数据点与较早数据点相比被给定更高的权重，并且其中WMA＝p0*dn+p1*dn-1+……pn*d0，其中p0+p1+……pn＝1，且其中p是权重，d是数据点，以及n是在第一时间段中考虑的数据点的数量；
计算用于计算所述WMA的数据点的标准偏差(std)；
如果数据点位于超出WMA±k*std，则数据点是异常值，并且不会有助于标记的有效变化，其中k是预定义的乘数，用于取决于所采样的参数来配置范围WMA±std；和
如果数据点位于WMA±k*std内，则所述数据点有助于标记的有效变化；
基于所识别的标记的有效变化，通过采样率控制器适应所述当前采样率(208)，其中适应所述当前采样率的步骤包括：
如果所采样的参数的标记没有有效变化，则保持所述当前采样率；
检查在第二时间段内有助于标记的有效变化的每个数据点的标记的置信水平，其中所述第二时间段基于用于恢复与采样的参数相关联的数据点的变化趋势所花费的最小时间；和
如果标记的有效变化导致不利标记，则降低所述当前采样率；或者
如果标记的有效变化导致有利标记，则增加所述当前采样率；
通过再训练模块从所述至少一个农业区域获得反馈，所述反馈包括所述作物标识符以及所述一种或多种疾病的预测严重性级别的确认或校正(210)；和
基于所获得的反馈更新所述预训练的疾病预测模型(212)。
2.根据权利要求1所述的处理器实现的方法，其中，所述预定义的农艺参数集合包括作物特定信息、地形和植被信息；并且所述预定义的农业气象参数集合包括温度、湿度、压力、风速、降雨量和太阳辐射。
3.根据权利要求1所述的处理器实现的方法，其中，所述预训练的疾病预测模型是决策树的集成。
4.根据权利要求1所述的处理器实现的方法，还包括通过所述预训练的疾病预测模型，基于随时间的所采样的参数，预测所述一种或多种疾病的严重性级别，如果所采样的参数被标记为不利，则所述严重性级别是正常，如果所采样的参数取决于所述有利标记持续的时间而被标记为有利，则所述严重性级别是异常或极端(214)。
5.根据权利要求4所述的处理器实现的方法，还包括与当所采样的参数被标记为有利时所预测的严重性级别是异常相比，当所预测的严重性级别是极端时，更大地增加所述当前采样率(216)。
6.根据权利要求1所述的处理器实现的方法，其中，由于疾病报告错误和不正确的传感器值中的至少一个，所述预训练的疾病预测模型使用不正确标记形式的噪声进行预训练。
7.一种系统(100)，包括：
一个或多个数据存储设备(102)，其可操作地耦合到一个或多个硬件处理器(104)并且被配置为存储用于由所述一个或多个硬件处理器执行的指令以：
经由多个传感器节点以当前采样率对预定义的农艺参数集合和农业气象参数集合进行采样，所述预定义的农艺参数集合和农业气象参数集合管理在至少一个农业区域中所考虑的一种或多种作物中的一种或多种疾病的发作，所采样的参数与对应于所考虑的一种或多种作物的作物标识符相关联；
通过执行其中包括的预训练的疾病预测模型，基于与一种或多种疾病相关联的启发式阈值，将所采样的参数标记为对所述一种或多种疾病的有利或不利中的一个，所述预训练的疾病预测模型取决于包括所采样的参数和其数据点的特征向量的数量而是线性分类器或非线性分类器；
通过执行其中包括的分析器来分析在第一时间段内所采样的参数的标记的变化，以识别标记的有效变化，所述第一时间段取决于所采样的参数、相关联的作物或所考虑的相关联的疾病中的至少一个，其中，所采样的参数的标记的变化通过以下进行分析：
计算在所述第一时间段内采样的数据点的加权移动平均值(WMA)，其中新数据点与较早数据点相比被给定更高的权重，并且其中WMA＝p0*dn+p1*dp-1+……pn*d0，其中p0+p1+……pn＝1，且其中p是权重，d是数据点，以及n是在第一时间段中考虑的数据点的量；
计算用于计算所述WMA的数据点的标准偏差(std)；
如果数据点位于超出WMA±k*std，则数据点是异常值，并且不会有助于标记的有效变化，其中k是预定义的乘数，用于取决于所采样的参数来配置范围WMA±std；和
如果数据点位于WMA±k*std内，则所述数据点有助于标记的有效变化；
基于所识别的标记的有效变化，通过执行其中包括的采样率控制器来适应所述当前采样率，其中通过以下来适应所述当前采样率：
如果所采样的参数的标记没有有效变化，则保持所述当前采样率；
检查在第二时间段内有助于标记的有效变化的每个数据点的标记的置信水平，其中所述第二时间段基于用于恢复与采样的参数相关联的数据点的变化趋势所花费的最小时间；和
如果标记的有效变化导致不利标记，则降低所述当前采样率；或者
如果标记的有效变化导致有利标记，则增加所述当前采样率；
通过执行其中包括的再训练模块从所述至少一个农业区域获得反馈，所述反馈包括所述作物标识符以及所述一种或多种疾病的预测严重性级别的确认或校正；和
基于所获得的反馈更新所述预训练的疾病预测模型。
8.根据权利要求7所述的系统，其中，所述预定义的农艺参数集合包括作物特定信息、地形和植被信息；并且所述预定义的农业气象参数集合包括温度、湿度、压力、风速、降雨量和太阳辐射。
9.根据权利要求7所述的系统，所述预训练的疾病预测模型是决策树的集成。
10.根据权利要求7所述的系统，其中，所述一个或多个硬件处理器还被配置为执行所述预训练的疾病预测模型，以基于随时间的所采样的参数，预测所述一种或多种疾病的严重性级别，如果所采样的参数被标记为不利，则所述严重性级别是正常，如果所采样的参数取决于所述有利标记持续的时间而被标记为有利，则所述严重性级别是异常或极端。
11.根据权利要求10所述的系统，其中，所述一个或多个硬件处理器还被配置为执行所述采样率控制器以与当所采样的参数被标记为有利时所预测的严重性级别是异常相比，当所预测的严重性级别是极端时，更大地增加所述当前采样率。
12.根据权利要求7所述的系统，其中，由于疾病报告错误和不正确的传感器值中的至少一个，所述预训练的疾病预测模型使用不正确标记形式的噪声进行预训练。
CN201811608954.5A 2018-05-28 2018-12-27 用于自适应参数采样的方法和系统 Active CN110545305B (zh)

Applications Claiming Priority (2)

Application Number Priority Date Filing Date Title
IN201821019941 2018-05-28
IN201821019941 2018-05-28

Publications (2)

Publication Number Publication Date
CN110545305A CN110545305A (zh) 2019-12-06
CN110545305B true CN110545305B (zh) 2022-03-18

Family

ID=67686585

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201811608954.5A Active CN110545305B (zh) 2018-05-28 2018-12-27 用于自适应参数采样的方法和系统

Country Status (5)

Country Link
US (1) US11055447B2 (zh)
JP (1) JP6814787B2 (zh)
CN (1) CN110545305B (zh)
BR (1) BR102018077168A2 (zh)
ZA (1) ZA201900009B (zh)

Families Citing this family (12)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN111314875A (zh) * 2020-02-28 2020-06-19 西安交通大学 一种物联网信号重建中能量感知采样集的选择方法
IT202000009733A1 (it) * 2020-05-04 2021-11-04 Evja S R L Sistema elettronico per agricoltori e agronomi comprendente una pluralità di apparati
IT202000009739A1 (it) * 2020-05-04 2021-11-04 Evja S R L Sistema elettronico per agricoltori e agronomi comprendente un server
US20230146781A1 (en) * 2020-05-29 2023-05-11 Ntt Docomo, Inc. Control apparatus
CN114086947B (zh) * 2020-08-24 2024-03-19 中国石油化工股份有限公司 油气充注方向的判断方法、装置、电子设备及存储介质
CN113037619A (zh) * 2021-01-13 2021-06-25 国网上海市电力公司 一种网关调整数据采集策略的方法、装置及电子设备
JP2022181411A (ja) * 2021-05-26 2022-12-08 株式会社東芝 通信システム、通信方法、通信装置およびプログラム
CN113627880B (zh) * 2021-08-09 2023-06-09 信阳农林学院 一种用于记录油茶树生长数据的自动化管理系统及方法
US11811721B2 (en) * 2021-09-27 2023-11-07 Juniper Networks, Inc. Edge device for source identification using source identifier
DE102022111049A1 (de) * 2022-05-04 2023-11-09 Endress+Hauser SE+Co. KG Mess-System und Verfahren zur Hochwasser-Warnung
US11962432B2 (en) 2022-07-24 2024-04-16 Kinnected Ai Inc. Internet of things appliance providing extended-capability messaging
CN115685949A (zh) * 2022-12-29 2023-02-03 深圳市信润富联数字科技有限公司 调整离散机加工生产过程中数据采样频率的方法及装置

Citations (8)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN101147160A (zh) * 2005-04-01 2008-03-19 英国电讯有限公司 自适应分类器以及建立其分类参数的方法
CN104915585A (zh) * 2015-06-30 2015-09-16 西安交通大学 基于传感器特征分区建模的触屏设备用户身份监控方法
CN105654107A (zh) * 2015-09-21 2016-06-08 长春迪瑞医疗科技股份有限公司 一种基于svm的有形成分分类方法
CN106133756A (zh) * 2014-03-27 2016-11-16 赫尔实验室有限公司 用于过滤、分割并且识别无约束环境中的对象的系统
CN107169478A (zh) * 2017-06-26 2017-09-15 北京工商大学 一种自适应在线滤波方法
CN107180155A (zh) * 2017-04-17 2017-09-19 中国科学院计算技术研究所 一种基于异构集成模型的疾病预测方法及系统
CN107609666A (zh) * 2016-07-12 2018-01-19 塔塔咨询服务公司 使用历史农药使用信息进行害虫预测的系统和方法
US9942262B1 (en) * 2014-03-19 2018-04-10 University Of Virginia Patent Foundation Cyber-physical system defense

Family Cites Families (15)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP3933599B2 (ja) * 2003-04-07 2007-06-20 東邦瓦斯株式会社 Ｇｈｐ故障予知診断方法およびその装置
US8180471B2 (en) * 2009-05-27 2012-05-15 Globalfoundries Inc. Tuning a process controller based on a dynamic sampling rate
JP2012085906A (ja) * 2010-10-21 2012-05-10 Sharp Corp 生体監視装置、生体監視方法、生体監視システム、制御プログラム、および、該制御プログラムを記録した記録媒体
US20120130201A1 (en) * 2010-11-24 2012-05-24 Fujitsu Limited Diagnosis and Monitoring of Dyspnea
US9009001B2 (en) * 2011-05-26 2015-04-14 Honeywell International Inc. Monitoring for invalid data from field instruments
US9367079B2 (en) * 2013-03-15 2016-06-14 West Virginia University Compressed sampling and memory
US9863784B2 (en) * 2014-02-23 2018-01-09 PNI Sensor Corporation Orientation estimation utilizing a plurality of adaptive filters
WO2016010601A2 (en) * 2014-04-23 2016-01-21 The Florida State University Research Foundation, Inc. Adaptive nonlinear model predictive control using a neural network and input sampling
US10349584B2 (en) * 2014-11-24 2019-07-16 Prospera Technologies, Ltd. System and method for plant monitoring
US20170161560A1 (en) * 2014-11-24 2017-06-08 Prospera Technologies, Ltd. System and method for harvest yield prediction
KR102167719B1 (ko) * 2014-12-08 2020-10-19 삼성전자주식회사 언어 모델 학습 방법 및 장치, 음성 인식 방법 및 장치
US9792557B2 (en) 2015-01-14 2017-10-17 Accenture Global Services Limited Precision agriculture system
JP6339951B2 (ja) * 2015-03-04 2018-06-06 株式会社日立製作所 データ収集システム、データ収集方法、サーバ及びゲートウェイ
US20170127622A1 (en) 2015-11-10 2017-05-11 Xu Hong Smart control/iot system for agriculture environment control
JP6753936B2 (ja) * 2016-09-07 2020-09-09 ボッシュ株式会社 情報処理装置および情報処理システム

Patent Citations (8)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN101147160A (zh) * 2005-04-01 2008-03-19 英国电讯有限公司 自适应分类器以及建立其分类参数的方法
US9942262B1 (en) * 2014-03-19 2018-04-10 University Of Virginia Patent Foundation Cyber-physical system defense
CN106133756A (zh) * 2014-03-27 2016-11-16 赫尔实验室有限公司 用于过滤、分割并且识别无约束环境中的对象的系统
CN104915585A (zh) * 2015-06-30 2015-09-16 西安交通大学 基于传感器特征分区建模的触屏设备用户身份监控方法
CN105654107A (zh) * 2015-09-21 2016-06-08 长春迪瑞医疗科技股份有限公司 一种基于svm的有形成分分类方法
CN107609666A (zh) * 2016-07-12 2018-01-19 塔塔咨询服务公司 使用历史农药使用信息进行害虫预测的系统和方法
CN107180155A (zh) * 2017-04-17 2017-09-19 中国科学院计算技术研究所 一种基于异构集成模型的疾病预测方法及系统
CN107169478A (zh) * 2017-06-26 2017-09-15 北京工商大学 一种自适应在线滤波方法

Non-Patent Citations (2)

* Cited by examiner, † Cited by third party
Title
Adaptive Sampling for Energy Conservation in Wireless Sensor Networks for Snow Monitoring Applications;Cesare Alippi等;《2007 IEEE Internatonal Conference on Mobile Adhoc and Sensor Systems》;20070114;全文 *
基于时间序列的自适应采样机制策略研究;杨明霞，王万良等;《计算机科学 网络与通信》;20160513;第42卷(第07期);全文 *

Also Published As

Publication number Publication date
JP6814787B2 (ja) 2021-01-20
ZA201900009B (en) 2019-08-28
US11055447B2 (en) 2021-07-06
JP2019207674A (ja) 2019-12-05
US20190362027A1 (en) 2019-11-28
BR102018077168A2 (pt) 2019-12-10
CN110545305A (zh) 2019-12-06

Similar Documents

Publication Publication Date Title
CN110545305B (zh) 用于自适应参数采样的方法和系统
Rajeswari et al. A smart agricultural model by integrating IoT, mobile and cloud-based big data analytics
US11397837B2 (en) Systems and methods for pest forecasting using historical pesticide usage information
Rajasekaran et al. Challenges and applications of wireless sensor networks in smart farming—a survey
Putjaika et al. A control system in an intelligent farming by using arduino technology
Torres et al. Multilevel data fusion for the internet of things in smart agriculture
Dahane et al. An IoT based smart farming system using machine learning
US10448582B2 (en) Method and system for agriculture field clustering and ecological forecasting
Vijayakumar et al. RETRACTED ARTICLE: Artificial intelligence-based agriculture automated monitoring systems using WSN
Anguraj et al. Hybrid neural network classification for irrigation control in WSN based precision agriculture
Kamruzzaman et al. Promoting greenness with IoT-based plant growth system
Dahane et al. An IoT low-cost smart farming for enhancing irrigation efficiency of smallholders farmers
Mukherjee et al. An intelligent edge enabled 6G‐flying ad‐hoc network ecosystem for precision agriculture
Syed et al. Low-cost IoT+ ML design for smart farming with multiple applications
Jain et al. Development of an energy-efficient adaptive IoT gateway model for precision agriculture
Bhola et al. A status quo of machine learning algorithms in smart agricultural systems employing IoT‐based WSN: Trends, challenges and futuristic competences
Singh et al. Role of internet of things and machine learning in precision agriculture: A short review
Muppidi et al. Dragonfly political optimizer algorithm-based rider deep long short-term memory for soil moisture and heat level prediction in iot
Mohd et al. Comparative study of rainfall prediction modeling techniques (A case study on Srinagar, J&K, India)
Akilan et al. Automated weather forecasting and field monitoring using GRU-CNN model along with IoT to support precision agriculture
Geetha Lekshmy et al. Adaptive IoT system for precision agriculture
Shams et al. Information and communication technology for small-scale farmers: Challenges and opportunities
Chavan et al. Advance plant health monitoring and forecasting system using edge-fog-cloud computing and lstm networks
Mehla et al. Use of Machine Learning and IoT in Agriculture
Varshney et al. Expert system on smart irrigation using internet of things

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