CN110647979B - 一种基于物联网的温室环境多参数智能化监测系统 - Google Patents
一种基于物联网的温室环境多参数智能化监测系统 Download PDFInfo
- Publication number
- CN110647979B CN110647979B CN201910854029.9A CN201910854029A CN110647979B CN 110647979 B CN110647979 B CN 110647979B CN 201910854029 A CN201910854029 A CN 201910854029A CN 110647979 B CN110647979 B CN 110647979B
- Authority
- CN
- China
- Prior art keywords
- environment
- triangular fuzzy
- neural network
- microclimate
- factor
- 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
- 238000012544 monitoring process Methods 0.000 title claims abstract description 36
- 241000219109 Citrullus Species 0.000 claims abstract description 215
- 235000012828 Citrullus lanatus var citroides Nutrition 0.000 claims abstract description 215
- 238000001514 detection method Methods 0.000 claims abstract description 158
- 230000007613 environmental effect Effects 0.000 claims abstract description 97
- 238000011156 evaluation Methods 0.000 claims abstract description 29
- 230000008859 change Effects 0.000 claims abstract description 13
- 238000013528 artificial neural network Methods 0.000 claims description 139
- 238000003062 neural network model Methods 0.000 claims description 72
- 230000004927 fusion Effects 0.000 claims description 47
- 238000000034 method Methods 0.000 claims description 39
- 230000008569 process Effects 0.000 claims description 14
- 238000004891 communication Methods 0.000 claims description 9
- 238000006243 chemical reaction Methods 0.000 claims description 8
- 238000004364 calculation method Methods 0.000 claims description 6
- 230000006855 networking Effects 0.000 claims 1
- 230000006870 function Effects 0.000 description 24
- 238000013461 design Methods 0.000 description 13
- 210000002569 neuron Anatomy 0.000 description 12
- 238000012549 training Methods 0.000 description 9
- 230000006872 improvement Effects 0.000 description 8
- 238000013507 mapping Methods 0.000 description 7
- 238000011161 development Methods 0.000 description 6
- 230000018109 developmental process Effects 0.000 description 6
- 235000013399 edible fruits Nutrition 0.000 description 5
- 230000004060 metabolic process Effects 0.000 description 5
- 238000012545 processing Methods 0.000 description 5
- 230000000694 effects Effects 0.000 description 4
- 241000196324 Embryophyta Species 0.000 description 3
- 238000010586 diagram Methods 0.000 description 3
- 238000004422 calculation algorithm Methods 0.000 description 2
- 230000001934 delay Effects 0.000 description 2
- 201000010099 disease Diseases 0.000 description 2
- 208000037265 diseases, disorders, signs and symptoms Diseases 0.000 description 2
- 230000035784 germination Effects 0.000 description 2
- 238000005286 illumination Methods 0.000 description 2
- 230000003993 interaction Effects 0.000 description 2
- 238000004519 manufacturing process Methods 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 230000029553 photosynthesis Effects 0.000 description 2
- 238000010672 photosynthesis Methods 0.000 description 2
- 230000000243 photosynthetic effect Effects 0.000 description 2
- 238000005070 sampling Methods 0.000 description 2
- 241000238631 Hexapoda Species 0.000 description 1
- 241000913821 Macolor niger Species 0.000 description 1
- 241000233805 Phoenix Species 0.000 description 1
- 241000607479 Yersinia pestis Species 0.000 description 1
- 230000002159 abnormal effect Effects 0.000 description 1
- 238000009825 accumulation Methods 0.000 description 1
- 238000007605 air drying Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000003750 conditioning effect Effects 0.000 description 1
- 230000001186 cumulative effect Effects 0.000 description 1
- 238000007405 data analysis Methods 0.000 description 1
- 238000013523 data management Methods 0.000 description 1
- 238000009826 distribution Methods 0.000 description 1
- 230000035876 healing Effects 0.000 description 1
- 238000009434 installation Methods 0.000 description 1
- 230000010354 integration Effects 0.000 description 1
- 230000001788 irregular Effects 0.000 description 1
- 238000007726 management method Methods 0.000 description 1
- 238000013178 mathematical model Methods 0.000 description 1
- 230000002503 metabolic effect Effects 0.000 description 1
- 238000006386 neutralization reaction Methods 0.000 description 1
- 238000005312 nonlinear dynamic Methods 0.000 description 1
- 238000002360 preparation method Methods 0.000 description 1
- 230000009467 reduction Effects 0.000 description 1
- 239000010979 ruby Substances 0.000 description 1
- 229910001750 ruby Inorganic materials 0.000 description 1
- 230000035945 sensitivity Effects 0.000 description 1
- 238000004088 simulation Methods 0.000 description 1
- 230000003068 static effect Effects 0.000 description 1
- 230000001502 supplementing effect Effects 0.000 description 1
- 238000012546 transfer Methods 0.000 description 1
- 230000000007 visual effect Effects 0.000 description 1
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/043—Architecture, e.g. interconnection topology based on fuzzy logic, fuzzy membership or fuzzy inference, e.g. adaptive neuro-fuzzy inference systems [ANFIS]
-
- 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
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/08—Learning methods
-
- 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
- G06Q10/00—Administration; Management
- G06Q10/06—Resources, workflows, human or project management; Enterprise or organisation planning; Enterprise or organisation modelling
- G06Q10/063—Operations research, analysis or management
-
- 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
-
- 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
- Y02A90/00—Technologies having an indirect contribution to adaptation to climate change
- Y02A90/10—Information and communication technologies [ICT] supporting adaptation to climate change, e.g. for weather forecasting or climate simulation
Landscapes
- Engineering & Computer Science (AREA)
- Business, Economics & Management (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Human Resources & Organizations (AREA)
- Economics (AREA)
- Strategic Management (AREA)
- Health & Medical Sciences (AREA)
- General Business, Economics & Management (AREA)
- General Health & Medical Sciences (AREA)
- Life Sciences & Earth Sciences (AREA)
- Marketing (AREA)
- Entrepreneurship & Innovation (AREA)
- Tourism & Hospitality (AREA)
- Software Systems (AREA)
- Game Theory and Decision Science (AREA)
- Evolutionary Computation (AREA)
- Mathematical Physics (AREA)
- Development Economics (AREA)
- General Engineering & Computer Science (AREA)
- Computing Systems (AREA)
- Operations Research (AREA)
- Quality & Reliability (AREA)
- Artificial Intelligence (AREA)
- Biomedical Technology (AREA)
- Biophysics (AREA)
- Computational Linguistics (AREA)
- Data Mining & Analysis (AREA)
- Molecular Biology (AREA)
- Automation & Control Theory (AREA)
- Animal Husbandry (AREA)
- Marine Sciences & Fisheries (AREA)
- Mining & Mineral Resources (AREA)
- Agronomy & Crop Science (AREA)
- Educational Administration (AREA)
- Primary Health Care (AREA)
- Computational Mathematics (AREA)
- Fuzzy Systems (AREA)
- Mathematical Analysis (AREA)
Abstract
本发明公开了一种基于物联网的温室环境多参数智能化监测系统，所述系统由基于ZigBee网络的西瓜温室环境参数采集平台和西瓜温室环境小气候因子评价子系统组成，该系统实现对西瓜温室环境温度智能化检测和对小气候环境因子进行评价；本发明有效解决了现有西瓜温室环境监控系统没有根据温室环境参数变化的非线性、大滞后和温室环境参数变化复杂等特点，对西瓜温室环境参数精确进行检测和环境因子评价，从而提高预测和评价西瓜温室参数准确性问题。
Description
技术领域
本发明涉及农业环境自动化监测技术领域，具体涉及一种基于物联网的温室环境多参数智能化监测系统。
背景技术
温室西瓜对于温度、湿度、光照度和CO2浓度需求范围不同，同一种植物不同生长时期对它们的需求也不相同。西瓜全生育期生长适宜温度为18-32℃，幼苗期温度为25-30℃，伸蔓期28-30℃，坐果期28-32℃。温室设施内的光照环境除了考虑光照强度大小，还要考虑光的分布在西瓜不同生长阶段对其生长发育的影响，西瓜生长发育需要较强的日照，光合作用光的饱和点是80klx，光强在4-80klx间随着光强的增加同化强度增加，当光强在20klx光合效能尚低。至40klx时开始急剧上升，在60klx时同化量达高值。温室设施内的湿度较高则使得设施内易形成高湿的环境，容易导致病虫害的发生。西瓜最佳的田间持水量在60％-80％最经济，不同生育期有所不同，苗期为65％，伸蔓期70％，果实膨大期75％；西瓜要求空气干燥，适宜的空气相对湿度为50％-60％。空气潮湿则生长瘦弱，坐果率低，品质差，易诱发病害。西瓜光合作用C02的饱和点为1000mL.m-3，温室设施中C02的浓度远远不能满足西瓜在不同生长阶段其光合作用的需求。因此对西瓜温室环境小气候环境因子的检测与评价是搞好西瓜温室生产的关键措施之一，本发明的目的是提供一种温室环境参数智能化监测系统由基于ZigBee网络的西瓜温室环境参数采集平台和西瓜温室环境小气候因子评价子系统组成，该系统实现对西瓜温室小气候环境参数智能化检测和对小气候环境因子进行智能化评价。
发明内容
本发明提供了一种基于物联网的温室环境多参数智能化监测系统，本发明有效解决了现有西瓜温室环境监控系统没有根据温室环境参数变化的非线性、大滞后和温室环境参数变化复杂等特点，对西瓜温室环境参数精确进行检测和环境因子评价，从而提高预测和评价西瓜温室参数准确性问题。
本发明通过以下技术方案实现：
一种基于物联网的温室环境多参数智能化监测系统，由基于ZigBee网络的西瓜温室环境参数采集平台和西瓜温室环境小气候因子评价子系统组成，基于ZigBee网络的西瓜温室环境参数采集平台实现对温室环境温度、湿度、光照度和CO2的检测和西瓜温室参数的管理，西瓜温室环境小气候因子评价子系统由4个参数检测单元和西瓜温室小气候环境因子DRNN神经网络评价器组成，4个参数检测单元由温度检测单元、湿度检测单元、光照度检测单元和CO2检测单元组成，4个参数检测单元实现对西瓜温室环境温度、湿度、光照度和CO2共4种环境因子进行检测、融合和预测，西瓜温室小气候环境因子DRNN神经网络评价器实现对温室环境多点参数等级进行评价，提高预测温室环境参数检测与评价的精确度、可靠性和鲁棒性。
本发明进一步技术改进方案是：
基于ZigBee网络的西瓜温室环境参数采集平台由检测节点和现场监控端组成，它们以自组织方式通过ZigBee通信模块CC2530构建成温室环境参数采集与智能预测平台。检测节点分别由传感器组模块、单片机MSP430和ZigBee通信模块CC2530组成，传感器组模块负责检测温室环境的温度、湿度、光照度和CO2等温室环境参数，由单片机控制采样间隔并通过ZigBee通信模块CC2530发送给现场监控端；现场监控端由一台工业控制计算机组成，实现对检测节点检测温室环境参数进行管理和对温室环境参数进行等级评价。基于ZigBee网络的温室环境参数采集平台见图1所示。
本发明进一步技术改进方案是：
西瓜温室环境小气候因子评价子系统由4个参数检测单元和西瓜温室小气候环境因子DRNN神经网络评价器组成，4个参数检测单元由温度检测单元、湿度检测单元、光照度检测单元和CO2检测单元组成，4个参数检测单元实现对西瓜温室环境温度、湿度、光照度和CO2共4种环境因子进行检测、融合和预测，每个参数检测单元包括多个检测点的1种小气候环境因子传感器、1种环境因子的多个时间序列三角模糊数神经网络、西瓜温室环境多点的1种环境因子融合模型、1种环境因子的三角模糊数预测模块共4部分组成，多个检测点的1种小气候环境因子传感器感知被检测点的小气候环境因子参数，每个检测点的1种环境因子传感器的输出作为对应的1个时间序列三角模糊数神经网络的输入，多个时间序列三角模糊数神经网络的输出作为西瓜温室环境多点的环境因子融合模型的输入，西瓜温室环境多点的1种环境因子融合模型的输出作为1种环境因子的三角模糊数预测模块的输入，4种环境因子的三角模糊数预测模块的输出作为西瓜温室小气候环境因子DRNN神经网络评价器的输入，西瓜温室小气候环境因子DRNN神经网络评价器把被检测的西瓜温室4种小气候环境因子分对西瓜生长过程产生不同影响的适宜度等级，西瓜温室环境小气候因子评价子系统实现对西瓜温室4种小气候环境的智能化监测和等级评价，4个参数检测单元功能和结构组成具有相似特征。
本发明进一步技术改进方案是：
以下以温度检测单元为例介绍组成结构
多个温度时间序列三角模糊数神经网络由每个温度检测点对应的1个时间序列三角模糊数神经网络，时间序列三角模糊数神经网络由径向基神经网络模型、NARX神经网络模型1、NARX神经网络模型2和NARX神经网络模型3组成，温度传感器输出的一段常规时间序列值作为径向基神经网络的输入，输入径向基神经网络模型的3个输出分别作为NARX神经网络模型1、NARX神经网络模型2和NARX神经网络模型3的输入，NARX神经网络模型1、NARX神经网络模型2和NARX神经网络模型3输出的三角模糊数值分别表示被检测点的温度的下限值、最大可能值和上限值，时间序列三角模糊数神经网络根据被检测点的温度动态变化特征把被检测点的温度的一段常规时间序列值转化为被检测的温度的三角模糊值来表示，这种转化更加符合被检测点温度变化的动态规律和被检测测点温度模糊特征。
本发明进一步技术改进方案是：
西瓜温室环境多点温度融合模型由温度时间序列三角模糊数阵列、计算温度时间序列三角模糊数值与正负理想值的相对帖近度、计算温度三角模糊数融合值共3部分组成，一段时间多个检测点温度的三角模糊数值构成温度时间序列三角模糊数阵列，确定温度时间序列三角模糊数阵列的正负理想值，分别计算每个检测点的温度时间序列三角模糊数值与温度时间序列三角模糊数阵列的正负理想值的距离，每个检测点的温度时间序列三角模糊数值的负理想值的距离除以每个检测点的温度时间序列三角模糊数值的负理想值的距离与每个检测点的温度时间序列三角模糊数值的正理想值的距离的和得到的商为每个检测点的温度时间序列三角模糊数值的相对贴近度，每个检测点的温度时间序列三角模糊数值的相对贴近度除以所有检测点的温度时间序列三角模糊数值的相对贴近度的和得到的商为每个检测点的温度时间序列三角模糊数值的融合权重，每个检测点的温度时间序列三角模糊数值与该检测点的温度时间序列三角模糊数值的融合权重的积的和得到多个检测点的温度时间序列三角模糊值的融合值。
本发明进一步技术改进方案是：
温度三角模糊数预测模块由3个GRNN神经网络预测模型和3个GM(1，1)预测模型组成，3个GRNN神经网络预测模型分别为GRNN神经网络预测模型1、GRNN神经网络预测模型2和GRNN神经网络预测模型3，3个GM(1，1)预测模型分别为GM(1，1)预测模型1、GM(1，1)预测模型2和GM(1，1)预测模型3；西瓜温室环境多点温度融合模型输出的被检测环境温度的三角模糊数的下限值、最大可能值和上限值分别GRNN神经网络预测模型1、GRNN神经网络预测模型2和GRNN神经网络预测模型3的输入，GRNN神经网络预测模型1、GRNN神经网络预测模型2和GRNN神经网络预测模型3的输出分别为GM(1，1)预测模型1、GM(1，1)预测模型2和GM(1，1)预测模型3的输入，GM(1，1)预测模型1、GM(1，1)预测模型2和GM(1，1)预测模型3的输出分别作为被检测的西瓜温室环境多点温度融合模型输出的温度三角模糊数值的预测值，该温度三角模糊数值的预测值作为温度三角模糊数预测模块的输出。
本发明进一步技术改进方案是：
根据被检测西瓜温室环境温度、湿度、光照度和CO2共4种小气候环境因子在西瓜不同生长阶段对西瓜的品质和产量的影响，建立评估被检测的西瓜温室环境4种小气候环境因子等级的语言变量与5种不同三角模糊数对应关系表，将被检测的西瓜温室环境4种小气候环境因子分为小气候环境因子很好、小气候环境因子比较好、小气候环境因子正常、小气候环境因子较差和小气候环境因子很差共5种西瓜温室环境小气候环境因子等级；西瓜温室小气候环境因子DRNN神经网络评价器对影响西瓜品质和产量的西瓜温室环境小气候环境因子进行等级评价，西瓜温室小气候环境因子DRNN神经网络评价器的输出为代表小气候环境因子等级的三角模糊数值，通过分别计算西瓜温室小气候环境因子DRNN神经网络评价器的输出与代表被检测的西瓜温室环境5种小气候环境因子等级的5种三角模糊数的相似度，其中相似度最大的三角模糊数对应的小气候环境因子等级即为该被检测的西瓜温室环境当前小气候环境因子等级。
本发明与现有技术相比，具有以下明显优点：
一、本发明针对西瓜温室环境参数测量过程中，传感器精度误差、干扰和测量温度值异常等问题存在的不确定性和随机性，本发明专利将西瓜温室环境参数的传感器测量的参数值通过时间序列三角模糊数神经网络模型转化为三角模糊数形式表示，有效地处理了西瓜温室环境环境被检测参数传感器测量参数的模糊性、动态性和不确定性，提高了西瓜温室环境参数检测传感器值检测参数的客观性和可信度。
二、本发明西瓜温室环境多点小气候环境因子融合模型实现对多个检测点的小气候环境因子三角模糊预测值进行动态融合，通过确定多个检测点的时间序列三角模糊数预测值的小气候环境因子时间序列三角模糊数阵列，确定小气候环境因子时间序列三角模糊数阵列的正负理想值，分别计算每个检测单元的小气候环境因子时间序列三角模糊数预测值与小气候环境因子时间序列三角模糊数阵列的正负理想值的距离、每个检测单元的与正负理想值的相对贴近度和融合权重，提高被检测点小气候环境因子三角模糊数预测值的精确度。
三、本发明所采用NARX神经网络模型1、NARX神经网络模型2和NARX神经网络模型的的输入为径向基神经网络模型的3个输出，NARX神经网络模型1、NARX神经网络模型2和NARX神经网络模型的输出的表示传感器输出信号三角模糊数的下限值a、可能值b和上限值c。由于NARX神经网络模型一段时间的径向基神经网络模型的3个输出作为输入和NARX神经网络模型输出历史反馈，这部分反馈输入可以认为包含了一段时间的被检测的三角模糊数的状态历史信息参与被检测的三角模糊数的转化，对于一个合适的反馈时间长度，本发明的NARX神经网络模型提供了一种有效的西瓜温室环境参数的三角模糊数检测方法。
四、本发明所采用的NARX神经网络预测模型是一种能够有效对西瓜温室被检测点参数的三角模糊数的下限值a、可能值b和上限值c的非线性、非平稳时间序列进行转换的动态神经网络模型，能够在时间序列非平稳性降低的情况下提高对西瓜温室被检测点三角模糊数的时间序列的转换精度。与传统的预测模型方法相比，此方法具有处理非平稳时间序列效果好，计算速度快，准确率高的优点。本专利验证了NARX神经网络模型对西瓜温室被检测点的温度转换为三角模糊数的可行性。同时，实验结果也证明了NARX神经网络模型在非平稳时间序列预测中比传统模型表现更加优异。
五、本发明利用NARX神经网络建立西瓜温室被检测点的小气候环境因子的三角模糊参数转换模型，由于通过引入延时模块及输出反馈建立模型的动态递归网络，它将输入和输出向量延时反馈引入网络训练中，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原始输入数据，还包含经过训练后的输出数据，网络的泛化能力得到提高，使其在非线性西瓜温室环境温度转换为三角模糊数中较传统的静态神经网络具有更好的转换精度和自适应能力。
六、本发明所采用的GRNN神经网络预测模型和GM(1，1)预测模型相串联对西瓜温室环境的小气候环境因子的三角模糊数进行预测，GRNN神经网络预测模型具有很强的非线性映射能力和柔性网络结构以及高度的容错性和鲁棒性，该预测模型在逼近能力和学习速度上较RBF网络有更强的优势，最后收敛于样本量积聚较多的优化回归面并且在样本数据较少时，还可以处理不稳定数据，预测效果也较好。基于GRNN神经网络预测模型泛化能力强，预测精确度高，算法稳定，基于GRNN神经网络预测模型还具有收敛速度快、调整参数少和不易陷入局部极小值等优点，预测网络运算速度快。本发明采用基于GRNN神经网络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。基于GRNN神经网络预测模型建立过程也就是网络的训练过程，无需专门训练，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。本专利发明采用3个新陈代谢的GM(1，1)预测模型可以根据被检测西瓜温室环境的小气候环境因子的三角模糊数的历史参数值预测未来时刻西瓜温室环境的小气候环境因子三角模糊数，用上述方法预测出的西瓜温室环境的小气候环境因子三角模糊数，把它们再加分别加入西瓜温室环境的小气候环境因子三角模糊数的原始数列中，相应地去掉数列开头的一个西瓜温室环境的小气候环境因子三角模糊数，再进行预测西瓜温室环境的小气候环境因子三角模糊数。依此类推，预测出西瓜温室环境的小气候环境因子三角模糊数。这种方法称为新陈代谢递补模型，它可实现较长时间的预测。种植户可以更加准确地掌握西瓜温室环境的小气候环境因子的变化趋势，为搞好西瓜温室环境的小气候环境因子生产管理做好准备。
七、本发明西瓜温室小气候环境因子DRNN神经网络评价器的DRNN神经网络是一种反馈型网络,具有局部反馈特性,它是在BP网络的基础上,通过存储内部状态使其具备映射动态特征的功能,从而使西瓜温室环境的小气候环境因子评价器的输出三角模糊数具有适应时变的能力。其网络结构基本类似于4层BP网络,增加了一个结构层,把隐层的输出经延时环节反馈到隐层的输入,从而实现部分反馈,达到记忆上一状态的效果。西瓜温室小气候环境因子DRNN神经网络评价器的这种自联方式使其对、西瓜温室小气候环境因子的温度、湿度、光照度和CO2的数据具有敏感性,内部反馈网络的加入增加了网络本身处理动态信息的能力,有利于对西瓜温室小气候环境因子DRNN神经网络评价器的动态过程建模。因此，利用西瓜温室小气候环境因子DRNN神经网络评价器对西瓜温室环境小气候环境因子的等级评价具有比较高的精确性。
八、本发明西瓜温室小气候环境因子DRNN神经网络评价器的科学性和可靠性，西瓜温室小气候环境因子DRNN神经网络评价器根据被检测西瓜温室环境温度、湿度、光照度和CO2共4种小气候环境因子在西瓜不同生长阶段对西瓜的品质和产量的影响，建立评估被检测的西瓜温室环境4种小气候环境因子等级的语言变量与5种不同三角模糊数对应关系表，将被检测的西瓜温室环境4种小气候环境因子分为小气候环境因子很好、小气候环境因子比较好、小气候环境因子正常、小气候环境因子较差和小气候环境因子很差共5种西瓜温室环境小气候环境因子等级；西瓜温室小气候环境因子DRNN神经网络评价器对影响西瓜品质和产量的西瓜温室环境小气候环境因子进行等级评价，西瓜温室小气候环境因子DRNN神经网络评价器的输出为代表小气候环境因子等级的三角模糊数值，通过分别计算西瓜温室小气候环境因子DRNN神经网络评价器的输出与代表被检测的西瓜温室环境5种小气候环境因子等级的5种三角模糊数的相似度，其中相似度最大的三角模糊数对应的小气候环境因子等级即为该被检测的西瓜温室环境当前小气候环境因子等级，实现对西瓜温室火灾危险等级分类的动态性能和科学分类。
附图说明
图1为本发明基于ZigBee网络的西瓜温室环境参数采集平台；
图2为本发明西瓜温室环境小气候因子评价子系统；
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为本发明时间序列三角模糊数神经网络模型；
图6为本发明西瓜温室环境参数采集平台平面布置图。
具体实施方式
结合附图1-6，对本发明技术方案作进一步描述：
1、系统总体功能的设计
本发明西瓜温室环境多参数监测系统实现对西瓜温室环境因子参数进行检测和对西瓜温室环境参数适应西瓜不同生长阶段的等级评价，该系统由基于ZigBee网络的西瓜温室环境参数采集平台和西瓜温室环境小气候因子评价子系统两部分组成。基于ZigBee网络的西瓜温室环境参数采集平台包括西瓜温室环境参数的检测节点1和现场监控2组成，它们以自组织方式构建成ZigBee监测网络来实现检测节点1和现场监控端2之间的ZigBee通信；检测节点负责检测西瓜温室环境的温度、温度、CO2和光照度的实际值，检测节点1将检测的西瓜温室环境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把控制信息传输到检测节点和对西瓜温室环境参数适应西瓜不同生长阶段的等级评价，现场监控端实现对西瓜温室环境参数进行管理和对西瓜温室环境多点检测的参数管理、融合多个检测点环境因子参数和对西瓜温室小气候环境因子的等级进行评价；整个系统结构见图1所示。
2、检测节点的设计
采用大量基于ZigBee传感器网络的检测节点1作为西瓜温室环境参数感知终端，检测节点1通过自组织ZigBee网络实现现场监控端2之间的信息相互交互。检测节点1包括采集西瓜温室环境温度、湿度、光照度和CO2浓度传感器和对应的信号调理电路、MSP430微处理器和ZigBee通信模块CC2530；检测节点的软件主要实现ZigBee通信和西瓜温室环境参数的采集与预处理。软件采用C语言程序设计，兼容程度高，大大提高了软件设计开发的工作效率，增强了程序代码的可靠性、可读性和可移植性。检测节点结构见图3。
3、现场监控端软件
现场监控端2是一台工业控制计算机，现场监控端2主要实现对西瓜温室环境参数进行采集、处理、预测和评价西瓜温室环境参数的适宜西瓜生长的等级，实现与检测节点1和现场监控端2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西瓜温室环境小气候因子评价子系统(见图2)。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4。西瓜温室环境小气候因子评价子系统由4个参数检测单元和西瓜温室小气候环境因子DRNN神经网络评价器组成，4个参数检测单元由温度检测单元、湿度检测单元、光照度检测单元和CO2检测单元组成，4个参数检测单元实现对西瓜温室环境温度、湿度、光照度和CO2共4种环境因子进行检测、融合和预测，每个参数检测单元包括多个检测点的1种小气候环境因子传感器、1种环境因子的多个时间序列三角模糊数神经网络、西瓜温室环境多点的1种环境因子融合模型、1种环境因子的三角模糊数预测模块共4部分组成，多个检测点的1种小气候环境因子传感器感知被检测点的小气候环境因子参数，每个检测点的1种环境因子传感器的输出作为对应的1个时间序列三角模糊数神经网络的输入，多个时间序列三角模糊数神经网络的输出作为西瓜温室环境多点的环境因子融合模型的输入，西瓜温室环境多点的1种环境因子融合模型的输出作为1种环境因子的三角模糊数预测模块的输入，4种环境因子的三角模糊数预测模块的输出作为西瓜温室小气候环境因子DRNN神经网络评价器的输入，西瓜温室小气候环境因子DRNN神经网络评价器把被检测的西瓜温室4种小气候环境因子分对西瓜生长过程产生不同影响的适宜度等级，西瓜温室环境小气候因子评价子系统实现对西瓜温室4种小气候环境的智能化监测和等级评价，4个参数检测单元功能和结构组成具有相似特征，其他3个参数检测单元设计参照温度检测单元设计方法，以温度检测单元为例介绍组成结构特征如下：
⑴、多个温度时间序列三角模糊数神经网络由每个温度检测点对应的1个时间序列三角模糊数神经网络，时间序列三角模糊数神经网络由径向基神经网络模型、NARX神经网络模型1、NARX神经网络模型2和NARX神经网络模型3组成，温度传感器输出的一段常规时间序列值作为径向基神经网络的输入，输入径向基神经网络模型的3个输出分别作为NARX神经网络模型1、NARX神经网络模型2和NARX神经网络模型3的输入，NARX神经网络模型1、NARX神经网络模型2和NARX神经网络模型3输出的三角模糊数值分别表示被检测点的温度的下限值、最大可能值和上限值，时间序列三角模糊数神经网络根据被检测点的温度动态变化特征把被检测点的温度的一段常规时间序列值转化为被检测的温度的三角模糊值来表示，这种转化更加符合被检测点温度变化的动态规律和被检测测点温度模糊特征；由每个温度检测点对应的1个时间序列三角模糊数神经网络，时间序列三角模糊数神经网络由径向基神经网络模型、NARX神经网络模型1、NARX神经网络模型2和NARX神经网络模型3组成。温度传感器输出的一段常规时间序列值作为径向基神经网络的输入，设有西瓜温室被检测点温度值的时间序列为x(t),x(t-1),…,x(t-d+1),x(t-d)，根据西瓜温室被检测点温度参数一段常规时间序列值作为径向基神经网络模型的输入，径向基神经网络模型的3个输出分别作为NARX神经网络模型1、NARX神经网络模型2和NARX神经网络模型3的输入，NARX神经网络模型1、NARX神经网络模型2和NARX神经网络模型3输出的三角模糊数值分别表示被检测点的温度的下限值、最大可能值和上限值，西瓜温室被检测点温度参数的三角模糊数值为S，S三角模糊数表示为[a,b,c]等于[s1,s2,s3]，a表示被检测点温度下限值，b表示被检测点温度最大可能值，c表示被检测点温度上限值，被检测点温度三角模糊数值大小依赖于被检测温度参数的前d个时刻的常规时间序列数值状态值，d为时间窗口，根据S与前d个时刻的被检测点温度值参数时间序列数值存在函数依赖关系这一特点，通过被检测点温度值参数的时间序列三角模糊数神经网络来建立被检测点温度值参数的一段时间序列常规序列值预测被检测点温度值参数的与被检测点温度值参数的三角模糊数值之间的关系，时间序列三角模糊数神经网络根据被检测点的温度动态变化特征把被检测点的温度的一段常规时间序列值转化为被检测的温度的三角模糊值来表示，这种转化更加符合被检测点的温度的动态变化规律；被检测点温度值参数的时间序列三角模糊数神经网络模型结构图如5所示。神经网络的径向基向量为H＝[h1,h2,…,hp]T，hp为基函数。径向基神经网络中常用的径向基函数是高斯函数，其表达式为：
式中X为被检测参数的传感器的时间序列输出，C为隐含层神经元高斯基函数中心点坐标向量，δj为隐含层第j个神经元高斯基函数的宽度；网络的输出连接权值向量为wij，时间序列三角模糊数神经网络模型输出表达式为：
本发明专利的3个NARX神经网络预测模型分别对径向基神经网络模型的3个输出进行预测，NARX神经网络(Nonlinear Auto-Regression with External input neuralnetwork)是一种动态的前馈神经网络，NARX神经网络是一个有着被预测输入参数的非线性自回归网络，它具有一个多步时延的动态特性，并通过反馈连接输入被输入参数的封闭网络的若干层，NARX回归神经网络是非线性动态系统中应用最广泛的一种动态神经网络，其性能普遍优于全回归神经网络。本专利的NARX神经网络预测模型由输入层、隐层、输出层及输入和输出延时延构成，在应用前一般要事先确定输入和输出的延时阶数、隐层神经元个数，NARX神经网络预测模型的当时输出不仅取决于过去的输出S(t-n)，还取决于当时的输入向量y(t)以及输入向量的延迟阶数等。NARX神经网络预测模型结构包括输入层、输出层、隐层和时延层，其中被预测输入参数通过时延层传递给隐层，隐层对输入的信号进行处理后传递到输出层，输出层将隐层输出信号做线性加权获得最终的神经网络预测输出信号，时延层将网络反馈的信号和输入层输出的信号进行延时，然后输送到隐层。NARX神经网络模型具有非线性映射能力、良好的鲁棒性和自适应性等特点，适宜对输入参数进行预测。y(t)表示NARX神经网络模型的外部输入，m表示外部输入的延迟阶数；S(t)是NARX神经网络模型的输出，n是输出延迟阶数；由此可以得到第j个隐含单元的输出为：
上式中，wji为第i个输入与第j个隐含神经元之间的连接权值，bj是第j个隐含神经元的偏置值，NARX神经网络预测模型的输出S(t+1)分别代表a的预测值为：
S(t+1)＝f[S(t),S(t-1),…,S(t-n),y(t),y(t-1),…,y(t-m+1)；W] (4)
NARX神经网络预测模型2和NARX神经网络预测模型3分别对时间序列三角模糊数神经网络模型2输出S三角模糊数的被检测点参数最大可能值b和对被检测点参数上限值c进行预测，它们的设计方法与NARX神经网络预测模型1类似。
被检测点温度参数的时间序列三角模糊数神经网络模型的关键就是要根据过去过去一段时间被检测点温度值参数的d个时刻的被检测点温度值数据与被检测点温度值参数的三角模糊数据来拟合出映射关系f，进而通过时间序列三角模糊数神经网络模型得到检测点温度值拟合函数的三角模糊数值S。被检测点温度值参数的时间序列三角模糊数神经网络的数学模型可表示为：
S＝f(x(t),x(t-1),…,x(t-d+1),x(t-d)) (5)
⑵、西瓜温室环境多点温度融合模型
由温度时间序列三角模糊数阵列、计算温度时间序列三角模糊数值与正负理想值的相对帖近度、计算温度三角模糊数融合值共3部分组成，一段时间多个检测点温度的三角模糊数值构成温度时间序列三角模糊数阵列，确定温度时间序列三角模糊数阵列的正负理想值，分别计算每个检测点的温度时间序列三角模糊数值与温度时间序列三角模糊数阵列的正负理想值的距离，每个检测点的温度时间序列三角模糊数值的负理想值的距离除以每个检测点的温度时间序列三角模糊数值的负理想值的距离与每个检测点的温度时间序列三角模糊数值的正理想值的距离的和得到的商为每个检测点的温度时间序列三角模糊数值的相对贴近度，每个检测点的温度时间序列三角模糊数值的相对贴近度除以所有检测点的温度时间序列三角模糊数值的相对贴近度的和得到的商为每个检测点的温度时间序列三角模糊数值的融合权重，每个检测点的温度时间序列三角模糊数值与该检测点的温度时间序列三角模糊数值的融合权重的积的和得到多个检测点的温度时间序列三角模糊值的融合值。西瓜温室环境多点温度融合模型由温度时间序列三角模糊数阵列、计算温度三角模糊数值与理想值的相对帖近度、计算温度三角模糊数融合值共3部分组成，一段时间多个参数检测单元温度的三角模糊数值构成温度时间序列三角模糊数阵列，分别计算每个检测单元的温度时间序列三角模糊数值与温度时间序列三角模糊数阵列的正理想值的距离和每个检测单元的温度时间序列三角模糊数值与温度时间序列三角模糊数阵列的负理想值的距离，每个检测单元的温度时间序列三角模糊数值的负理想值的距离除以每个检测单元的温度时间序列三角模糊数值的负理想值的距离与每个检测单元的温度时间序列三角模糊数值的正理想值的距离的和得到的商为每个检测单元的温度时间序列三角模糊数值的相对贴近度，每个检测单元的温度时间序列三角模糊数值的相对贴近度除以所有检测单元的温度时间序列三角模糊数值的相对贴近度的和得到的商为每个检测单元的温度时间序列三角模糊数的融合权重，每个检测单元的温度时间序列三角模糊数值与该检测单元的温度时间序列三角模糊数的融合权重的积的和得到多个检测点的温度时间序列三角模糊融合值；西瓜温室环境多点湿度、光照度、CO2的融合模型参照西瓜温室环境多点温度融合模型的设计方法。
①、构建温度时间序列三角模糊数阵列
一段时间多个参数检测单元温度的三角模糊数值构成温度时间序列三角模糊数阵列，设有n个检测点和m个时刻的nm个参数检测单元的三角模糊数值构成n行和m列的温度时间序列三角模糊数阵列，设不同时刻不同参数检测单元温度的模糊三角数预测值为Xij(t),Xij(t+1),…,Xij(d)，则温度时间序列三角模糊数阵列为：
②、计算温度三角模糊数值与理想值的相对帖近度
一段时间内同一时刻所有检测单元温度的三角模糊数值的平均值构成温度时间序列三角模糊数阵列的正理想值，温度时间序列三角模糊数正理想值为：
一段时间内同一时刻所有检测单元温度的三角模糊数值与正理想值的距离最大的三角模糊数值构成温度时间序列三角模糊数阵列的负理想值，温度时间序列三角模糊数负理想值为：
每个检测单元的温度时间序列三角模糊数值与温度时间序列三角模糊数阵列的正理想值的距离为：
每个检测单元的时间序列三角模糊数值与温度时间序列三角模糊数阵列的负理想值的距离为：
每个检测单元的温度时间序列三角模糊数值的负理想值的距离除以每个检测单元的温度时间序列三角模糊数值的负理想值的距离与每个检测单元的温度时间序列三角模糊数值的正理想值的距离的和得到的商为每个检测单元的温度时间序列三角模糊数值的相对贴近度为：
③、计算温度三角模糊数融合值
通过(11)公式计算可以知道，每个检测单元的温度时间序列三角模糊数值与温度时间序列三角模糊数阵列的正负理想值的相对贴近度越大，则该检测单元的温度时间序列三角模糊数值离正理想值相对就越接近，否则该检测点的温度时间序列三角模糊数值离正理想值相对就越接远离，根据这个原理确定每个检测单元的温度时间序列三角模糊数值的对贴近度除以所有检测单元的温度时间序列三角模糊数值的对贴近度的和得到的商为每个检测单元的温度时间序列三角模糊数的融合权重为：
根据每个检测单元的温度时间序列三角模糊数值与该检测单元的温度时间序列三角模糊数的融合权重的积的和得到多个检测点的温度时间序列三角模糊融合值为：
⑶、温度三角模糊数预测模块设计
由3个GRNN神经网络预测模型和3个GM(1，1)预测模型组成，3个GRNN神经网络预测模型分别为GRNN神经网络预测模型1、GRNN神经网络预测模型2和GRNN神经网络预测模型3，3个GM(1，1)预测模型分别为GM(1，1)预测模型1、GM(1，1)预测模型2和GM(1，1)预测模型3；西瓜温室环境多点温度融合模型输出的被检测环境温度的三角模糊数的下限值、最大可能值和上限值分别GRNN神经网络预测模型1、GRNN神经网络预测模型2和GRNN神经网络预测模型3的输入，GRNN神经网络预测模型1、GRNN神经网络预测模型2和GRNN神经网络预测模型3的输出分别为GM(1，1)预测模型1、GM(1，1)预测模型2和GM(1，1)预测模型3的输入，GM(1，1)预测模型1、GM(1，1)预测模型2和GM(1，1)预测模型3的输出分别作为被检测的西瓜温室环境多点温度融合模型输出的温度三角模糊数值的预测值，该温度三角模糊数值的预测值作为温度三角模糊数预测模块的输出；湿度、光照度和CO2的三角模糊数预测模块设计方法参照温度三角模糊数预测模块设计。
①、GRNN神经网络预测模型设计
GRNN神经网络预测模型是一种局部逼近网络GRNN(GeneralizedR egressionNeural Network)，西瓜温室环境多点温度融合模型输出的历史数据作为GRNN神经网络预测模型的输入，GRNN神经网络预测模型来预测西瓜温室环境温度的未来值，实现对西瓜温室环境温室温度的精确预测。GRNN神经网络预测模型是建立在数理统计的基础上，具有明确的理论依据，学习样本确定后网络结构和连接值也随之确定，在训练过程中只需要确定平滑参数一个变量。GRNN神经网络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神经网络预测模型的人为调节参数很少，网络的学习全部依赖数据样本，这一特性使得网络可以最大限度地减少人为主观假定对预测结果的影响。GRNN神经网络预测模型具有小样本下强大的预测能力，还具有训练快速、鲁棒性强等特征，基本不受输入数据多重共线性的困扰。本专利的GRNN神经网络预测模型由输入层、模式层、求和层和输出层构成，GRNN神经网络预测模型输入向量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) (14)
上式中的神经元输出进入求和层进行求和，求和层函数分为两类，分别为:
其中，yij为第i个训练样本输出向量中的第j个元素值。根据前述GRNN神经网络温度预测模型算法，则网络输出向量Y的第j个元素的估计值为:
yj＝sNj/sD,(j＝1,2,…k) (17)
j为1，GRNN神经网络模型建立在数理统计基础之上，能够根据西瓜温室环境温室温度历史数据样本数据逼近其隐含的映射关系，网络的输出结果能够收敛于最优回归面，特别是在西瓜温室环境温室温度历史数据样本数据稀少的情况下，也能获得满意的预测效果。GRNN具有较强的预测能力，学习速度快，主要用于解决函数逼近问题而且在结构方面也具有高度并行性。GRNN神经网络模型的输入层、模式层、求和层和输出层分别为20、30、10和1个节点，3个GRNN神经网络模型的输出层为西瓜温室环境多点温度融合模型输出的三角模糊数的三角模糊数的预测值，输入层为西瓜温室环境多点温度融合模型输出的三角模糊数的历史数据。
②、GM(1，1)预测模型设计
GRNN神经网络预测模型1、GRNN神经网络预测模型2和GRNN神经网络预测模型3的输出分别为GM(1，1)预测模型1、GM(1，1)预测模型2和GM(1，1)预测模型3的输入，GM(1，1)预测模型1、GM(1，1)预测模型2和GM(1，1)预测模型3的输出分别作为被检测的西瓜温室环境多点温度融合模型输出的温度三角模糊数值的预测值，该温度三角模糊数值的预测值作为温度三角模糊数预测模块的输出；
3个GM(1，1)预测模型是将无规律的GRNN神经网络预测模型1、GRNN神经网络预测模型2和GRNN神经网络预测模型3的输出的历史数据分别进行累加，得到规律性比较强的生成数据序列后预测西瓜温室环境温度的三角模糊数的建模过程，由生成预测西瓜温室环境温度的下限值、最大可能值和上限值的3个GM(1，1)预测模型得到的数据再进行累减得到原始数据的预测值。假设GM(1，1)预测模型1要预测测GRNN神经网络预测模型1的历史数据数列为：
x(0)＝(x(0)(1),x(0)(2),…x(0)(n)) (18)
一阶累加后生成新的序列为：x(1)＝(x(1)(1),x(1)(2),…x(1)(n)) (15)
其中：
则x(1)序列具有指数增长的规律，即满足一阶线性微分方程：
公式中a成为发展灰数，它反映x(1)和x(0)的发展趋势；u为内生控制灰数，反映了数据之间的变化关系。解上式的微分方程得到x(1)的西瓜温室环境温度的下限值的预测值为：
通过下面公式的累减还原，得到原始序列x(0)的西瓜温室环境温度的下限值的灰色预测模型为：
通过构建GM(1，1)预测模型1预测西瓜温室环境温度的三角模糊的下限值模型，可以实现对西瓜温室环境温度的三角模糊数值的下限值进行预测，进行1次灰色预测得到新的西瓜温室环境温度的三角模糊数值的下限值以后，在原始数据序列中增加该新的下限值数据，同时去除原序列中最老的西瓜温室环境温度的三角模糊数值的下限值，并构成新序列作为原始序列重复建立GM(1，1)预测模型1。如此反复，依次递补直到完成西瓜温室环境温度的三角模糊数值的下限值预测目标，即为灰色新陈代谢GM(1，1)预测模型1。构建西瓜温室环境温度的可能值的新陈代谢GM(1，1)预测模型2和新陈代谢GM(1，1)预测模型3分别预测西瓜温室环境温度的可能值和上限值的方法与新陈代谢GM(1，1)预测模型1的建模类似。
⑷、西瓜温室小气候环境因子DRNN神经网络评价器
根据被检测西瓜温室环境温度、湿度、光照度和CO2共4种小气候环境因子在西瓜不同生长阶段对西瓜的品质和产量的影响，建立评估被检测的西瓜温室环境4种小气候环境因子等级的语言变量与5种不同三角模糊数对应关系表，将被检测的西瓜温室环境4种小气候环境因子分为小气候环境因子很好、小气候环境因子比较好、小气候环境因子正常、小气候环境因子较差和小气候环境因子很差共5种西瓜温室环境小气候环境因子等级；西瓜温室小气候环境因子DRNN神经网络评价器对影响西瓜品质和产量的西瓜温室环境小气候环境因子进行等级评价，西瓜温室小气候环境因子DRNN神经网络评价器的输出为代表小气候环境因子等级的三角模糊数值，通过分别计算西瓜温室小气候环境因子DRNN神经网络评价器的输出与代表被检测的西瓜温室环境5种小气候环境因子等级的5种三角模糊数的相似度，其中相似度最大的三角模糊数对应的小气候环境因子等级即为该被检测的西瓜温室环境当前小气候环境因子等级。西瓜温室小气候环境因子DRNN神经网络评价器是一种具有反馈的动态回归神经网络和适应时变特性的能力，该网络能够更直接生动地反映西瓜温室环境小气候环境因子的动态变化性能，可以更加精确分类西瓜温室环境小气候环境因子的等级，西瓜温室小气候环境因子DRNN神经网络评价器的DRNN网络3-7-1的3层网络结构，其隐层为回归层。在本发明DRNN神经网络模型中，设I＝[I1(t),I2(t),…,In(t)]为网络输入向量，其中Ii(t)为温度检测单元、湿度检测单元、光照度检测单元和CO2检测单元共4个检测单元输出的模糊三角数的清晰化值、西瓜生长过程的发芽、育苗、伸蔓和结果共4个阶段中的1个阶段和西瓜品种，其中发芽、育苗、伸蔓和结果分别用1，2，3，4来代替输入西瓜温室小气候环境因子DRNN神经网络评价器，早春红玉、黑美人、花皮、无籽、特小凤和乐宝分别用1，2，3，4，5，和6代表西瓜品种代替输入西瓜温室小气候环境因子DRNN神经网络评价器，4个检测单元输出的模糊三角数的清晰化值、西瓜生长阶段和品种分别作为西瓜温室小气候环境因子DRNN神经网络评价器的DRNN网络输入层第i个神经元t时刻的输入，回归层第j个神经元的输出为Xj(t)，Sj(t)为第j个回归神经元输入总和，f(·)为S的函数，则O(t)为DRNN网络的输出。则DRNN神经网络评价器的输出层输出为：
m为3，西瓜温室小气候环境因子DRNN神经网络评价器的输出为代表西瓜温室环境小气候环境因子等级的三角模糊数。根据被检测西瓜温室环境小气候环境因子对西瓜品质和产量的影响，建立评估被检测的西瓜温室环境小气候环境因子的5种小气候环境因子等级的语言变量与三角模糊数对应关系表，见表1所示。
| 序号 | 小气候环境因子等级 | 三角模糊数 |
| 1 | 小气候环境因子很差 | (0.00，0.00，0.25) |
| 2 | 小气候环境因子较差 | (0.00，0.25，0.50) |
| 3 | 小气候环境因子正常 | (0.25，0.50，0.75) |
| 4 | 小气候环境因子比较好 | (0.50，0.75，1.00) |
| 5 | 小气候环境因子很好 | (0.75，1.00，1.0) |
4、西瓜温室环境参数采集平台的设计举例
根据西瓜温室环境的状况，系统布置了检测节点1和现场监控端2的平面布置安装图，其中检测节点1均衡布置在被检测西瓜温室环境中，整个系统平面布置见图6，通过该系统实现对西瓜温室环境参数的采集与西瓜温室环境多参数进行等级评价。
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)
1.一种基于物联网的温室环境多参数智能化监测系统，其特征在于：所述系统由基于ZigBee网络的西瓜温室环境参数采集平台和西瓜温室环境小气候因子评价子系统组成，该系统实现对西瓜温室环境温度智能化检测和对小气候环境因子进行评价；所述西瓜温室环境小气候因子评价子系统由参数检测单元和西瓜温室小气候环境因子DRNN神经网络评价器组成，参数检测单元由多点的温度检测单元、湿度检测单元、光照度检测单元和CO2检测单元组成，每种参数检测单元包括相对应小气候环境因子传感器、环境因子的多个时间序列三角模糊数神经网络、西瓜温室环境多点的环境因子融合模型、环境因子的三角模糊数预测模块共四部分组成，多个检测点的小气候环境因子传感器感知被检测点的小气候环境因子参数，每个检测点的环境因子传感器的输出作为对应的时间序列三角模糊数神经网络的输入，多个时间序列三角模糊数神经网络的输出作为西瓜温室环境多点的环境因子融合模型的输入，西瓜温室环境多点的环境因子融合模型的输出作为环境因子的三角模糊数预测模块的输入，环境因子的三角模糊数预测模块的输出作为西瓜温室小气候环境因子DRNN神经网络评价器的输入，西瓜温室小气候环境因子DRNN神经网络评价器把被检测的西瓜温室小气候环境因子分对西瓜生长过程产生不同影响的适宜度等级，西瓜温室环境小气候因子评价子系统实现对西瓜温室小气候环境的智能化监测和等级评价；
所述三角模糊数预测模块由三个GRNN神经网络预测模型和三个GM（1，1）预测模型组成；西瓜温室环境多点环境因子融合模型输出的被检测环境因子的三角模糊数的下限值、最大可能值和上限值分别为对应的GRNN神经网络预测模型的输入，相应的GRNN神经网络预测模型的输出分别为对应GM（1，1）预测模型的输入，相应的GM（1，1）预测模型的输出分别作为被检测的西瓜温室环境多点环境因子融合模型输出的相应的环境因子三角模糊数值的预测值，该环境因子的三角模糊数值的预测值作为相应环境因子的三角模糊数预测模块的输出；
检测点的环境因子传感器对应一个时间序列三角模糊数神经网络，时间序列三角模糊数神经网络由径向基神经网络模型和NARX神经网络模型组成，环境因子传感器输出的一段常规时间序列值作为径向基神经网络模型的输入，输入径向基神经网络模型的三个输出分别作为NARX神经网络模型的输入，NARX神经网络模型输出的三角模糊数值分别表示被检测点的环境因子的下限值、最大可能值和上限值，时间序列三角模糊数神经网络根据被检测点的环境因子动态变化特征把被检测点的环境因子的一段常规时间序列值转化为被检测的环境因子的三角模糊值来表示，这种转化更加符合被检测点环境因子变化的动态规律和被检测测点环境因子模糊特征。
2.根据权利要求1所述的一种基于物联网的温室环境多参数智能化监测系统，其特征在于：所述西瓜温室环境多点环境因子融合模型由相应环境因子的时间序列三角模糊数阵列、计算相应环境因子的时间序列三角模糊数值与正负理想值的相对帖近度、计算相应环境因子的三角模糊数融合值共三部分组成，一段时间多个检测点相应环境因子的三角模糊数值构成相应环境因子的时间序列三角模糊数阵列，确定相应环境因子的时间序列三角模糊数阵列的正负理想值，分别计算每个检测点的环境因子的时间序列三角模糊数值与相应环境因子的时间序列三角模糊数阵列的正负理想值的距离，每个检测点的环境因子的时间序列三角模糊数值的负理想值的距离除以每个检测点的环境因子的时间序列三角模糊数值的负理想值的距离与每个检测点的环境因子的时间序列三角模糊数值的正理想值的距离的和得到的商为每个检测点的环境因子的时间序列三角模糊数值的相对贴近度，每个检测点的环境因子的时间序列三角模糊数值的相对贴近度除以所有检测点的环境因子的时间序列三角模糊数值的相对贴近度的和得到的商为每个检测点的环境因子的时间序列三角模糊数值的融合权重，每个检测点的环境因子的时间序列三角模糊数值与该检测点的环境因子的时间序列三角模糊数值的融合权重的积的和得到多个检测点的环境因子的时间序列三角模糊值的融合值。
3.根据权利要求1所述的一种基于物联网的温室环境多参数智能化监测系统，其特征在于：所述西瓜温室小气候环境因子DRNN神经网络评价器，根据被检测西瓜温室环境温度、湿度、光照度和CO2 四种小气候环境因子在西瓜不同生长阶段对西瓜的品质和产量的影响，建立评估被检测的西瓜温室环境四种小气候环境因子等级的语言变量与五种不同三角模糊数对应关系表，将被检测的西瓜温室环境四种小气候环境因子分为小气候环境因子很好、小气候环境因子比较好、小气候环境因子正常、小气候环境因子较差和小气候环境因子很差共五种西瓜温室环境小气候环境因子等级；西瓜温室小气候环境因子DRNN神经网络评价器对影响西瓜品质和产量的西瓜温室环境小气候环境因子进行等级评价，西瓜温室小气候环境因子DRNN神经网络评价器的输出为代表小气候环境因子等级的三角模糊数值，通过分别计算西瓜温室小气候环境因子DRNN神经网络评价器的输出与代表被检测的西瓜温室环境五种小气候环境因子等级的五种三角模糊数的相似度，其中相似度最大的三角模糊数对应的小气候环境因子等级即为该被检测的西瓜温室环境当前小气候环境因子等级。
4.根据权利要求1所述的一种基于物联网的温室环境多参数智能化监测系统，其特征在于：所述基于ZigBee网络的西瓜温室环境参数采集平台由多个参数检测节点和现场监控端组成，通过ZigBee网络实现它们之间的信息通信；检测节点负责检测西瓜温室环境的温度、温度、CO2和光照度的实际值，现场监控端实现对西瓜温室环境参数进行管理和对西瓜温室环境多点检测的参数管理、融合多个检测点环境因子参数和对西瓜温室小气候环境因子的等级进行评价。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201910854029.9A CN110647979B (zh) | 2019-09-10 | 2019-09-10 | 一种基于物联网的温室环境多参数智能化监测系统 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201910854029.9A CN110647979B (zh) | 2019-09-10 | 2019-09-10 | 一种基于物联网的温室环境多参数智能化监测系统 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN110647979A CN110647979A (zh) | 2020-01-03 |
| CN110647979B true CN110647979B (zh) | 2020-09-25 |
Family
ID=69010210
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN201910854029.9A Active CN110647979B (zh) | 2019-09-10 | 2019-09-10 | 一种基于物联网的温室环境多参数智能化监测系统 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN110647979B (zh) |
Families Citing this family (11)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN111461413B (zh) * | 2020-03-20 | 2024-04-19 | 淮阴工学院 | 一种公路路面使用性能检测系统 |
| CN112881601B (zh) * | 2021-01-13 | 2023-05-30 | 淮阴工学院 | 一种基于云平台的水分检测系统 |
| CN112665656B (zh) * | 2021-01-13 | 2022-07-29 | 淮阴工学院 | 一种农产品生长环境大数据检测系统 |
| CN112906735B (zh) * | 2021-01-13 | 2023-01-13 | 淮阴工学院 | 一种食用菌环境大数据检测系统 |
| CN112857445B (zh) * | 2021-01-13 | 2022-08-02 | 淮阴工学院 | 一种食品安全检测系统 |
| CN113065749A (zh) * | 2021-03-17 | 2021-07-02 | 淮阴工学院 | 一种建筑材料的养护室环境智能系统 |
| 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 |
| CN114021778A (zh) * | 2021-10-15 | 2022-02-08 | 金茂数字科技有限公司 | 一种基于智慧物联的智慧环境管理方法和系统 |
| CN114399024B (zh) * | 2021-12-20 | 2023-02-03 | 淮阴工学院 | 油气浓度大数据智能检测系统 |
| CN114970745B (zh) * | 2022-06-17 | 2023-07-04 | 淮阴工学院 | 物联网智能安防与环境大数据系统 |
| CN117742135A (zh) * | 2024-02-09 | 2024-03-22 | 石家庄学院 | 一种用于通信机房的光伏节能控制方法及系统 |
Citations (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN107289998A (zh) * | 2017-05-12 | 2017-10-24 | 淮阴工学院 | 基于can总线的猪舍环境温度智能监测系统 |
| CN110109193A (zh) * | 2019-04-19 | 2019-08-09 | 淮阴工学院 | 一种基于drnn神经网络的茄子温室温度智能化检测装置 |
Family Cites Families (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN104155925B (zh) * | 2014-05-20 | 2017-02-15 | 淮安信息职业技术学院 | 一种基于无线传感器网络鸡舍小气候环境智能控制系统 |
| CN104636827A (zh) * | 2015-01-30 | 2015-05-20 | 武汉科技大学 | 一种矿山成本主控因素决策的方法 |
| US12039413B2 (en) * | 2016-09-21 | 2024-07-16 | Blue Voyant | Cognitive modeling apparatus including multiple knowledge node and supervisory node devices |
| CN107494320B (zh) * | 2017-05-12 | 2020-05-26 | 淮阴工学院 | 基于无线传感器网络的牛舍环境温度智能监测系统 |
| CN107202607B (zh) * | 2017-05-12 | 2019-05-24 | 淮阴工学院 | 一种基于can总线的猪舍环境温度检测系统 |
-
2019
- 2019-09-10 CN CN201910854029.9A patent/CN110647979B/zh active Active
Patent Citations (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN107289998A (zh) * | 2017-05-12 | 2017-10-24 | 淮阴工学院 | 基于can总线的猪舍环境温度智能监测系统 |
| CN110109193A (zh) * | 2019-04-19 | 2019-08-09 | 淮阴工学院 | 一种基于drnn神经网络的茄子温室温度智能化检测装置 |
Non-Patent Citations (2)
| Title |
|---|
| Extensions of the TOPSIS for group decision-making under fuzzy environment;Chen-Tung Chen;《Fuzzy Sets and Systems》;20000831;第114卷(第1期);第1-9页 * |
| 基于线性函数型权重的RBF—ARX模型的磁悬浮球系统预测控制;覃业梅 等;《中南大学学报(自然科学版)》;20160831;第47卷(第8期);第2676-2684页 * |
Also Published As
| Publication number | Publication date |
|---|---|
| CN110647979A (zh) | 2020-01-03 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN110647979B (zh) | 一种基于物联网的温室环境多参数智能化监测系统 | |
| CN110705757B (zh) | 一种基于现场总线网络的多点温度传感器智能监测系统 | |
| CN110766132B (zh) | 一种基于物联网的果园产量智能预测系统 | |
| CN110580021B (zh) | 一种基于现场总线的粮仓环境安全智能监测系统 | |
| CN107168402B (zh) | 基于can现场总线的鸡舍环境温度智能监测系统 | |
| 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 | |
| CN112906735B (zh) | 一种食用菌环境大数据检测系统 | |
| CN110109193B (zh) | 一种基于drnn神经网络的茄子温室温度智能化检测装置 | |
| 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 | |
| CN111476278B (zh) | 一种气体浓度智能化检测系统 | |
| Trejo-Perea et al. | Greenhouse energy consumption prediction using neural networks models | |
| CN111626518A (zh) | 基于深度学习神经网络的城市天级需水量在线预测方法 | |
| CN107494320B (zh) | 基于无线传感器网络的牛舍环境温度智能监测系统 | |
| CN110163254B (zh) | 一种基于递归神经网络的黄瓜温室产量智能化预测装置 | |
| CN110119086B (zh) | 一种基于anfis神经网络的番茄温室环境参数智能监测装置 | |
| 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 | |
| CN111444947B (zh) | 一种桥梁沉降智能检测系统 | |
| Kadir et al. | Wheat yield prediction: Artificial neural network based approach | |
| CN114418183B (zh) | 畜禽健康体征大数据物联网检测系统 | |
| CN113219871B (zh) | 一种养护室环境参数检测系统 | |
| CN110119767A (zh) | 一种基于lvq神经网络的黄瓜温室温度智能化检测装置 | |
| CN114397043B (zh) | 多点温度智能检测系统 | |
| CN113281465A (zh) | 一种畜禽舍养殖环境有害气体检测系统 | |
| CN115128978A (zh) | 物联网环境大数据检测与智能监控系统 | |
| Patil et al. | Rainfall prediction using linear approach & neural networks and crop recommendation based on decision tree |
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: 20211115 Address after: 264200 No. 10-7, Futian Road, torch high tech Industrial Development Zone, Weihai City, Shandong Province Patentee after: WEIHAI GEMHO DIGITAL MINE TECHNOLOGY CO.,LTD. Address before: 223005 No. 1, Meicheng Road, economic and Technological Development Zone, Huai'an City, Jiangsu Province Patentee before: Huaiyin Institute of Technology |
|
| TR01 | Transfer of patent right | ||
| PE01 | Entry into force of the registration of the contract for pledge of patent right |
Denomination of invention: A multi-parameter intelligent monitoring system for greenhouse environment based on Internet of Things Effective date of registration: 20220913 Granted publication date: 20200925 Pledgee: Weihai City Commercial Bank Limited by Share Ltd. high tech branch Pledgor: WEIHAI GEMHO DIGITAL MINE TECHNOLOGY CO.,LTD. Registration number: Y2022980015049 |
|
| PE01 | Entry into force of the registration of the contract for pledge of patent right |