CN110766132B - 一种基于物联网的果园产量智能预测系统 - Google Patents
一种基于物联网的果园产量智能预测系统 Download PDFInfo
- Publication number
- CN110766132B CN110766132B CN201910854872.7A CN201910854872A CN110766132B CN 110766132 B CN110766132 B CN 110766132B CN 201910854872 A CN201910854872 A CN 201910854872A CN 110766132 B CN110766132 B CN 110766132B
- Authority
- CN
- China
- Prior art keywords
- temperature
- neural network
- triangular fuzzy
- yield
- apple orchard
- 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
- 239000002420 orchard Substances 0.000 title claims abstract description 202
- 238000012544 monitoring process Methods 0.000 claims abstract description 20
- 230000008859 change Effects 0.000 claims abstract description 11
- 238000013528 artificial neural network Methods 0.000 claims description 137
- 238000001514 detection method Methods 0.000 claims description 104
- 238000003062 neural network model Methods 0.000 claims description 57
- 235000013399 edible fruits Nutrition 0.000 claims description 45
- 238000013139 quantization Methods 0.000 claims description 43
- 230000004927 fusion Effects 0.000 claims description 42
- 238000012937 correction Methods 0.000 claims description 22
- 238000000034 method Methods 0.000 claims description 17
- 230000004060 metabolic process Effects 0.000 claims description 12
- 238000004891 communication Methods 0.000 claims description 9
- 230000017260 vegetative to reproductive phase transition of meristem Effects 0.000 claims description 8
- 230000035784 germination Effects 0.000 claims description 7
- 230000008569 process Effects 0.000 claims description 6
- 230000006855 networking Effects 0.000 claims 1
- 230000007613 environmental effect Effects 0.000 abstract description 15
- 241000220225 Malus Species 0.000 description 166
- 235000011430 Malus pumila Nutrition 0.000 description 164
- 235000015103 Malus silvestris Nutrition 0.000 description 164
- 230000006870 function Effects 0.000 description 25
- 230000006872 improvement Effects 0.000 description 10
- 238000013461 design Methods 0.000 description 8
- 210000002569 neuron Anatomy 0.000 description 8
- 238000006243 chemical reaction Methods 0.000 description 7
- 238000011002 quantification Methods 0.000 description 7
- 238000004422 calculation algorithm Methods 0.000 description 5
- 230000002503 metabolic effect Effects 0.000 description 5
- 239000002245 particle Substances 0.000 description 5
- 238000012545 processing Methods 0.000 description 5
- 238000012549 training Methods 0.000 description 5
- 238000004364 calculation method Methods 0.000 description 4
- 238000011161 development Methods 0.000 description 4
- 230000018109 developmental process Effects 0.000 description 4
- 238000004519 manufacturing process Methods 0.000 description 4
- 235000021016 apples Nutrition 0.000 description 3
- 230000005200 bud stage Effects 0.000 description 3
- 230000000694 effects Effects 0.000 description 3
- 238000012886 linear function Methods 0.000 description 3
- 238000013507 mapping Methods 0.000 description 3
- 230000001934 delay Effects 0.000 description 2
- 238000010586 diagram Methods 0.000 description 2
- 238000009434 installation Methods 0.000 description 2
- 230000003993 interaction Effects 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 238000005457 optimization Methods 0.000 description 2
- 230000035945 sensitivity Effects 0.000 description 2
- 238000003860 storage Methods 0.000 description 2
- 238000012360 testing method Methods 0.000 description 2
- 238000012546 transfer Methods 0.000 description 2
- 244000141359 Malus pumila Species 0.000 description 1
- 230000002159 abnormal effect Effects 0.000 description 1
- 238000009825 accumulation Methods 0.000 description 1
- 238000004458 analytical method Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000005352 clarification Methods 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
- 238000007726 management method Methods 0.000 description 1
- 238000013178 mathematical model Methods 0.000 description 1
- 238000005259 measurement Methods 0.000 description 1
- 238000005312 nonlinear dynamic Methods 0.000 description 1
- 238000010606 normalization Methods 0.000 description 1
- 238000002360 preparation method Methods 0.000 description 1
- 230000002035 prolonged effect Effects 0.000 description 1
- 230000009467 reduction Effects 0.000 description 1
- 230000004044 response Effects 0.000 description 1
- 238000005070 sampling Methods 0.000 description 1
- 230000008054 signal transmission Effects 0.000 description 1
- 230000003068 static effect Effects 0.000 description 1
- 230000001502 supplementing effect Effects 0.000 description 1
- 230000000007 visual effect Effects 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
- G06N3/045—Combinations of networks
-
- 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
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/048—Activation functions
-
- 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
- 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
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Business, Economics & Management (AREA)
- General Health & Medical Sciences (AREA)
- Health & Medical Sciences (AREA)
- Life Sciences & Earth Sciences (AREA)
- Strategic Management (AREA)
- Artificial Intelligence (AREA)
- Data Mining & Analysis (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- General Engineering & Computer Science (AREA)
- Computational Linguistics (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Biophysics (AREA)
- Evolutionary Computation (AREA)
- Human Resources & Organizations (AREA)
- Economics (AREA)
- Biomedical Technology (AREA)
- Tourism & Hospitality (AREA)
- Marketing (AREA)
- General Business, Economics & Management (AREA)
- Mining & Mineral Resources (AREA)
- Primary Health Care (AREA)
- Agronomy & Crop Science (AREA)
- Marine Sciences & Fisheries (AREA)
- Animal Husbandry (AREA)
- Entrepreneurship & Innovation (AREA)
- Game Theory and Decision Science (AREA)
- Development Economics (AREA)
- Operations Research (AREA)
- Quality & Reliability (AREA)
- Feedback Control In General (AREA)
Abstract
本发明公开了一种基于物联网的果园产量智能预测系统，所述系统由苹果园环境参数采集平台和苹果园环境产量预测子系统组成，系统实现对苹果园环境小气候参数进行检测和对产量进行预测；本发明有效解决了现有苹果园环境监控系统没有根据苹果园环境温度变化的非线性、大滞后和变化复杂等特点，对苹果园环境温度精确进行检测和产量进行预测，从而提高预测苹果园环境温度和产量的精确性和鲁棒性问题。
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果园产量智能预测系统。
背景技术
随着苹果种植面积的增加以及农技措施的改良、果农人工和经济投入的提高，苹果的产量有了大幅提高，但苹果是对气象条件非常敏感的果品之一。在苹果生产的不同阶段，气象条件对苹果生产的影响是不同的，小气候环境的判断是一个复杂的过程，直接影响到苹果产量预测增减的准确性。学者申顺吏经对比关键气候因子与苹果产量预测值素存在相关性，采用灰色关联度分析法分析苹果小气候因子与苹果产量的关系，结果显示温度是影响苹果产量的最主要因素，苹果树芽期内气温开始回升，日照时间变长，气候条件施加给果树的影响增强。苹果芽期温度类气候因子对苹果产量的影响较大，其次是日照时数，平均相对湿度；苹果产量对芽期气候因子变化的响应最敏感，芽期是影响苹果生产最重要的物候期，其次为初果期和花期，温度类气候因子是苹果产量的主要气候影响因子。本发明专利是一种基于物联网的果园产量智能预测系统，该系统由苹果园环境参数采集平台和苹果园环境产量预测子系统组成，该系统实现对苹果园环境小气候参加进行检测和对产量进行预测；提高苹果园小气候环境参数与产量精确预测的可靠性和鲁棒性。
发明内容
本发明提供了一种基于物联网的果园产量智能预测系统，本发明有效解决了现有苹果园环境监控系统没有根据苹果园环境温度变化的非线性、大滞后和变化复杂等特点，对苹果园环境温度精确进行检测和产量进行预测，从而提高预测苹果园环境温度和产量的精确性和鲁棒性问题。
本发明通过以下技术方案实现：
一种基于物联网的果园产量智能预测系统，该系统由苹果园环境参数采集平台和苹果园环境产量预测子系统组成，苹果园环境产量预测子系统由多个检测点温度传感器、多个时间序列三角模糊数神经网络、苹果园环境多点温度融合模型、PSO的Elman神经网络温度量化模块和苹果产量预测模块共5部分组成。
本发明进一步技术改进方案是：
苹果园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构建成苹果园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苹果园环境的温度、湿度、降雨量和光照度等苹果园环境参数，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苹果园环境参数进行管理和对苹果园产量进行预测。苹果园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：
苹果园环境产量预测子系统由多个检测点温度传感器、多个时间序列三角模糊数神经网络、苹果园环境多点温度融合模型、PSO的Elman神经网络温度量化模块和苹果产量预测模块共5部分组成，多个检测点温度传感器感知被检测点温度，每个检测点温度传感器的输出作为对应的每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苹果园环境多点温度融合模型的输入，苹果园环境多点温度融合模型的输出作为PSO的Elman神经网络温度量化模块的输入，PSO的Elman神经网络温度量化模块的输出作为苹果产量预测模块的输入，苹果产量预测模块预测苹果园产量，苹果园环境产量预测子系统实现对苹果园温度的检测、模糊量化、多点融合和产量预测的过程，苹果园环境产量预测子系统见图2。
本发明进一步技术改进方案是：
多个时间序列三角模糊数神经网络由每个温度检测点对应1个时间序列三角模糊数神经网络组成，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径向基神经网络模型的输入，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换为被检测点的温度的三角模糊数值来表示，这种转换更加符合被检测点温度变化的动态性和模糊性。
本发明进一步技术改进方案是：
苹果园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：
PSO的Elman神经网络温度量化模块把苹果园果树不同生长阶段的温度量化为三角模糊数值，分别把苹果园果树的发芽期、花期、初果期、果实膨大期和果实成熟期共5个生长阶段的苹果园环境多点温度融合模型的输出作为PSO的Elman神经网络温度量化模块的输入，PSO的Elman神经网络温度量化模块分别把苹果园果树5个不同生长阶段的温度量化为对应生长阶段的三角模糊数值，PSO的Elman神经网络温度量化模块的输出为三角模糊数值。
本发明进一步技术改进方案是：
苹果产量预测模块包括新陈代谢苹果园产量GM(1，1)预测模型和苹果园产量T-S型温度模糊神经网络校正模型组成，苹果园产量温度神经网络采用T-S型模糊神经网络，苹果园产量的历史数据作为新陈代谢苹果园产量GM(1，1)预测模型的输入，新陈代谢苹果园产量GM(1，1)预测模型的输出和苹果园果树的发芽期、花期、初果期、果实膨大期和果实成熟期共5个生长阶段的PSO的Elman神经网络温度量化模块的输出作为苹果园产量T-S型温度模糊神经网络校正模型的输入，苹果园产量T-S型温度模糊神经网络校正模型的输出为苹果园产量的三角模糊数预测值。
本发明与现有技术相比，具有以下明显优点：
一、本发明针对苹果园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，本发明专利将苹果园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，有效地处理了苹果园环境环境被检测温度参数传感器测量参数的模糊性、动态性和不确定性，提高了苹果园环境温度参数检测传感器值检测参数的客观性和可信度。
二、本发明苹果园环境多点温度融合模型实现对多个检测点的温度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，分别计算每个检测单元的温度时间序列三角模糊数预测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，提高被检测点温度三角模糊数预测值的动态性能和精确度。
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，本专利的NARX神经网络模型提供了一种有效的苹果园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苹果园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苹果园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神经网络模型对苹果园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神经网络建立苹果园被检测点的温度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，使其在非线性苹果园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、本发明采用3个新陈代谢的GM(1，1)预测模型可以根据被检测苹果园环境的温度三角模糊数的历史参数值预测未来时刻苹果园环境的温度三角模糊数，用上述方法预测出的苹果园环境的温度三角模糊数，把它们再加分别加入苹果园环境的温度三角模糊数的原始数列中，相应地去掉数列开头的一个苹果园环境的温度三角模糊数，再进行预测苹果园环境的温度三角模糊数。依此类推，预测出苹果园环境的温度三角模糊数。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苹果园环境的温度的变化趋势，为搞好苹果园环境的温度生产管理做好准备。
七、本发明所采用的PSO的Elman神经网络温度量化模块实现对被检测的苹果园环境果树5个不同生长阶段量化为三角模糊数，该Elman神经网络神经网络温度量化模块一般分为4层分别为输入层、中间层(隐含层)、承接层和输出层，其输入层、隐含层和输出层的连接类似于前馈网络，输入层的单元仅起信号传输作用，输出层单元起线性加权作用。隐含层单元的传递函数可采用线性或非线性函数，承接层又称为上下文层或状态层，它用来记忆隐含层单元前一时刻的输出值，可以认为是一个一次延时算子。Elman神经网络温度量化模块的特点是隐含层的输出通过承接层的延迟与存储，自联到隐含层的输入，这种自联方式使其对历史状态的数据具有敏感性，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，从而达到了动态建模的目的。Elman神经网络温度量化模块回归神经元网络的特点是隐层的输出通过结构单元的延迟、存储自联到隐层的输入，这种自联方式使其对历史状态的数据具有敏感性，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，有利于动态过程的建模；该Elman神经网络温度量化模块利用关联层动态神经元的反馈连接，将未来Elman神经网络和过去Elman神经网络的信息进行融合，使Elman神经网络对时间序列特征信息的记忆得到加强，从而提高被量化的苹果园温度的准确度。
八、本发明采用新陈代谢苹果园产量GM(1，1)预测模型预测果园产量。用新陈代谢苹果园产量GM(1，1)预测模型可以根据果园产量的历史数据预测未来时刻果园产量值，用上述方法预测出的各个时刻果园产量后，把新预测的果园产量值再分别加入果园产量的原始数列中，相应地去掉数列开头的一个果园产量的历史数据建模，再进行预测果园产量的未来值。依此类推，预测出果园产量的未来产量。这种方法称为新陈代谢递补模型，它可实现果园产量的较长时间的预测。果农可以更加准确地掌握果园产量的变化趋势，为有效增收节支做好准备。
九、本发明苹果园产量T-S型温度模糊神经网络校正模型采用神经网络和模糊系统并联型的连接方式，它们享有共同的输入，这样网络的两个部分互不干扰，可以并行处理数据，提高了模糊神经网络的训练速度，该网络同时集中神经网络和模糊推理系统的优点，使网络的鲁棒性和容错性得到增强，提高了苹果园产量T-S型温度模糊神经网络校正模型的逼近能力，并且使系统的计算能力和泛化能力大为增强，实现苹果园产量T-S型温度模糊神经网络校正模型对果树5个不同生长阶段的温度三角模糊数值对果园产量影响程度的校正，获得整个果园因为果树5个不同阶段不同的温度三角模糊数值时果园的三角模糊数产量值。
附图说明
图1为本发明苹果园环境参数采集平台；
图2为本发明苹果园环境产量预测子系统；
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PSO的Elman神经网络温度量化模块；
图7为本发苹果园产量T-S型温度模糊神经网络校正模型；
图8为本发明苹果园环境参数采集平台平面布置图。
具体实施方式
结合附图1-8，对本发明技术方案作进一步描述：
1、系统总体功能的设计
本发明一种基于物联网的果园产量智能预测系统实现对苹果园环境因子参数进行检测和预测苹果园产量，该系统由苹果园环境参数采集平台和苹果园环境产量预测子系统两部分组成。苹果园环境参数采集平台包括苹果园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1将检测的苹果园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预测苹果园环境多点传感器工作状态。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作为苹果园环境参数感知终端，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包括采集苹果园环境湿度、温度、降雨量和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ZigBee通信模块CC2530；检测节点的软件主要实现ZigBee通信和苹果园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主要实现对苹果园环境参数进行采集、处理、预测和预测果园环境产量，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、苹果园环境产量预测。该管理软件选择了Microsoft Visual++6.0作为开发工具，调用系统的Mscomm通信控件来设计通讯程序，现场监控端软件功能见图4。苹果园环境产量预测子系统由多个检测点温度传感器、多个时间序列三角模糊数神经网络、苹果园环境多点温度融合模型、PSO的Elman神经网络温度量化模块和苹果产量预测模块共5部分组成，多个检测点温度传感器感知被检测点温度，每个检测点温度传感器的输出作为对应的每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苹果园环境多点温度融合模型的输入，苹果园环境多点温度融合模型的输出作为PSO的Elman神经网络温度量化模块的输入，PSO的Elman神经网络温度量化模块的输出作为苹果产量预测模块的输入，苹果产量预测模块预测苹果园产量，苹果园环境产量预测子系统实现对苹果园温度的检测、模糊量化、多点融合和产量预测的过程，苹果园环境产量预测子系统见图2，苹果园环境产量预测子系统的算法如下：
⑴、时间序列三角模糊数神经网络模型
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，设有苹果园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)，根据苹果园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，苹果园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、苹果园环境多点温度融合模型
苹果园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；苹果园环境多点温度融合模型如图2所示，苹果园环境多点温度融合模型的算法如下：
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、PSO的Elman神经网络温度量化模块
PSO的Elman神经网络温度量化模块把苹果园果树不同生长阶段的温度量化为三角模糊数值，分别把苹果园果树的发芽期、花期、初果期、果实膨大期和果实成熟期共5个生长阶段的苹果园环境多点温度融合模型的输出作为PSO的Elman神经网络温度量化模块的输入，PSO的Elman神经网络温度量化模块分别把苹果园果树5个不同生长阶段的温度量化为对应生长阶段的三角模糊数值，PSO的Elman神经网络温度量化模块的输出为三角模糊数值；PSO的Elman神经网络温度量化模块如图6所示，PSO的Elman神经网络温度量化模块可以看作是一个具有局部记忆单元和局部反馈连接的前向神经网络。除了隐层外，还有一个特别的关联层。该关联层从隐层接收反馈信号，每一个隐层节点都有一个与之对应的关联层节点连接。关联层将上一时刻的隐层状态连同当前时刻的网络输入一起作为隐层的输入，相当于状态反馈。隐层的传递函数一般为Sigmoid函数，输出层为线性函数，关联层也为线性函数。为了有效地解决果园环境温度量化中的逼近精度问题，增强关联层的作用，提出一种PSO的Elman神经网络温度量化模块如图6所示。Z-1表示一步延时算子。设Elman神经网络温度量化模块的输入层、输出层、隐层的个数分别为m，n和r；w1，w2，w3和w4分别表示结构层单元到隐层、输入层到隐层、隐层到输出层、结构层到输出层的连接权矩阵，则PSO的Elman神经网络温度量化模块的表达式为：
其输入分别为苹果园果树的发芽期、花期、初果期、果实膨大期和果实成熟期共5个生长阶段的苹果园环境多点温度融合模型的输出的三角模糊数的清晰化值。
cp(k)＝xp(k-1) (15)
PSO的Elman神经网络温度量化模块关联层的值为上一时刻隐含层的值，并引入到PSO的Elman神经网络温度量化模块的输入端。
其中j为3，由3个输出端的数值构成三角模糊数值，根据果树5个不同生长阶段的苹果园环境多点温度融合模型的输出的三角模糊数的清晰化值的输入，PSO的Elman神经网络温度量化模块的输出分别代表5个不同生长阶段温度的三角模糊数值。设PSO的Elman神经网络温度量化模块的理想输出为yt，实际输出为y，误差函数为：
基于PSO的Elman神经网络温度量化模块包含Elman神经网络结构确定、PSO算法优化和Elman神经网络量化输出三部分。基本步骤如下：
Step1、给定Elman神经网络的M组输入、输出果园温度样本作为训练集，并将原始果园温度数据标准化；
Step2、根据输入、输出参数个数确定Elman神经网络结构，从而确定PSO算法粒子的长度；
Step3、将Elman神经网络结构中所有神经元间的间接权值、阈值编码成实数码表示的个体。若Elman神经网络中包含N个优化权值、阈值，则每个个体将由N个权值、阈值参数构成的N维向量来表示初始化粒子群；
Step4、以量化误差绝对值和作为个体适应度值，并根据适应度值得到个体极值和全局极值；
Step5、判断全局极值是否满足PSO结束条件，若满足，退出PSO寻优，转至Step6；若不满足，更新每个粒子速度和位置，转至Step4；
Step6、译码全局极值所对应的粒子，并以此作为Elman神经网络的初始权值、阈值；
Step7、将Step6中得到的最优初始权值和阈值赋给Elman神经网络，训练并确定网络模型，用训练好的神经网络模型对果园环境温度进行量化。
⑷、苹果产量预测模块设计
苹果产量预测模块包括新陈代谢苹果园产量GM(1，1)预测模型和苹果园产量T-S型温度模糊神经网络校正模型组成，苹果园产量温度神经网络采用T-S型模糊神经网络，苹果园产量的历史数据作为新陈代谢苹果园产量GM(1，1)预测模型的输入，新陈代谢苹果园产量GM(1，1)预测模型的输出和PSO的Elman神经网络温度量化模块的输出作为苹果园产量T-S型温度模糊神经网络校正模型的输入，苹果园产量T-S型温度模糊神经网络校正模型的输出为苹果园产量的三角模糊数预测值；
(1)、新陈代谢苹果园产量GM(1，1)预测模型设计
假设要预测苹园产量的历史数据数列为：
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)) (19)
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)的苹果园产量的预测值为：
通过下面公式的累减还原，得到原始序列x(0)的苹果产量的灰色预测模型为：
通过构建苹果园产量GM(1，1)预测模型预测苹果园产量，可以实现对苹果园产量进行预测，进行1次灰色预测得到新的苹果园产量以后，在原始数据序列中增加该新的产量数据，同时去除原序列中最老的苹果园产量数值，并构成新序列作为原始序列重复建立苹果园产量GM(1，1)预测模型。如此反复，依次递补直到完成苹果产量的预测目标，即为新陈代谢苹果园产量GM(1，1)预测模型。
(2)、苹果园产量T-S型温度模糊神经网络校正模型设计
苹果园产量T-S型温度模糊神经网络校正模型采用T-S型模糊神经网络，新陈代谢苹果园产量GM(1，1)预测模型的输出与苹果园果树的发芽期、花期、初果期、果实膨大期和果实成熟期共5个生长阶段的PSO的Elman神经网络温度量化模块的输出作为苹果园产量T-S型温度模糊神经网络校正模型的输入，苹果园产量T-S型温度模糊神经网络校正模型的输出为苹果园产量的三角模糊数预测值；苹果园产量T-S型温度模糊神经网络校正模型对果树5个不同生长阶段的温度三角模糊数值对果园产量影响程度的校正，获得整个果园因为果树5个不同阶段不同的温度三角模糊数值时果园的三角模糊数产量值。苹果园产量T-S型温度模糊神经网络校正模型的T-S型模糊神经网络的设计如下：
①、前件网络。第1层为输入层，该层的节点数为n。第2层为模糊化层，对输入数据进行模糊化，各神经元执行相应的隶属度函数
第3层为模糊规则层。第4层的结点数为m，该层实现归一化计算。
②、后件网络。第1层是输入层，其中第0个节点的输入值x0＝1，它的作用是提供模糊规则后件的常数项。第2层有m个节点，它的作用是计算每一条规则后件，后件网络的输出为：
第3层计算苹果园产量T-S型温度模糊神经网络校正模型输出：
其中i为3，苹果园产量T-S型温度模糊神经网络校正模型的T-S型模糊神经网络的3个输出端为代表果园产量的三角模糊数，通过T-S型模糊神经网络学习算法调整第2层的隶属度函数的中心值cj和宽度bj以及后件网络的连接权
为了简化起见，将参数
固定，这时每条规则的后件在简化结构中变成了一层的连接权。苹果园产量T-S型温度模糊神经网络校正模型如附图7所示。
4、苹果园环境参数采集平台的设计举例
根据苹果园区环境的状况，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均衡布置在被检测苹果园区环境中，每个区的检测点安装一根与果树同等高度的检测柱子，在每根柱子从底部到顶部的1/3高度处各自布置3个检测检点1，实现对苹果园环境参数的全方位检测，整个系统平面布置见图7，通过该系统实现对苹果园区环境参数的采集与苹果园区环境产量进行预测。
本发明方案所公开的技术手段不仅限于上述实施方式所公开的技术手段，还包括由以上技术特征任意组合所组成的技术方案。应当指出，对于本技术领域的普通技术人员来说，在不脱离本发明原理的前提下，还可以做出若干改进和润饰，这些改进和润饰也视为本发明的保护范围。
Claims (4)
1.一种基于物联网的果园产量智能预测系统，其特征在于：所述系统由苹果园环境参数采集平台和苹果园环境产量预测子系统组成，系统实现对苹果园环境小气候参数进行检测和对产量进行预测；所述苹果园环境产量预测子系统由多个检测点温度传感器、多个时间序列三角模糊数神经网络、苹果园环境多点温度融合模型、PSO的Elman神经网络温度量化模块和苹果产量预测模块共五部分组成，多个检测点温度传感器感知被检测点温度，每个检测点温度传感器的输出作为对应的每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苹果园环境多点温度融合模型的输入，苹果园环境多点温度融合模型的输出作为PSO的Elman神经网络温度量化模块的输入，PSO的Elman神经网络温度量化模块的输出作为苹果产量预测模块的输入，苹果产量预测模块预测苹果园产量，苹果园环境产量预测子系统实现对苹果园温度的检测、模糊量化、多点融合和产量预测的过程；
所述每个检测点的温度传感器对应一个时间序列三角模糊数神经网络，所述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，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模型的输入，径向基神经网络模型的三个输出分别对应作为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换为被检测点的温度的三角模糊数值来表示；
所述苹果产量预测模块包括新陈代谢苹果园产量GM（1，1）预测模型和苹果园产量T-S型温度模糊神经网络校正模型组成，苹果园产量的历史数据作为新陈代谢苹果园产量GM（1，1）预测模型的输入，新陈代谢苹果园产量GM（1，1）预测模型的输出和苹果园果树的发芽期、花期、初果期、果实膨大期和果实成熟期共五个生长阶段的PSO的Elman神经网络温度量化模块的输出作为苹果园产量T-S型温度模糊神经网络校正模型的输入，苹果园产量T-S型温度模糊神经网络校正模型的输出为苹果园产量的三角模糊数预测值。
2.根据权利要求1所述的一种基于物联网的果园产量智能预测系统，其特征在于：所述苹果园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。
3.根据权利要求1所述的一种基于物联网的果园产量智能预测系统，其特征在于：所述PSO的Elman神经网络温度量化模块把苹果园果树不同生长阶段的温度量化为三角模糊数值，分别把苹果园果树的发芽期、花期、初果期、果实膨大期和果实成熟期共五个生长阶段的苹果园环境多点温度融合模型的输出作为PSO的Elman神经网络温度量化模块的输入，PSO的Elman神经网络温度量化模块分别把苹果园果树五个不同生长阶段的温度量化为对应生长阶段的三角模糊数值，PSO的Elman神经网络温度量化模块的输出为三角模糊数值。
4.根据权利要求1所述的一种基于物联网的果园产量智能预测系统，其特征在于：所述苹果园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；检测节点负责检测苹果园环境的温度、湿度、降雨量和光照度的实际值，现场监控端实现对对苹果园环境多点检测的参数管理、融合多个检测点温度和对苹果园产量进行预测。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201910854872.7A CN110766132B (zh) | 2019-09-10 | 2019-09-10 | 一种基于物联网的果园产量智能预测系统 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201910854872.7A CN110766132B (zh) | 2019-09-10 | 2019-09-10 | 一种基于物联网的果园产量智能预测系统 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN110766132A CN110766132A (zh) | 2020-02-07 |
| CN110766132B true CN110766132B (zh) | 2020-09-25 |
Family
ID=69329587
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN201910854872.7A Active CN110766132B (zh) | 2019-09-10 | 2019-09-10 | 一种基于物联网的果园产量智能预测系统 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN110766132B (zh) |
Families Citing this family (6)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN111365828A (zh) * | 2020-03-06 | 2020-07-03 | 上海外高桥万国数据科技发展有限公司 | 结合机器学习实现数据中心节能温控的模型预测控制方法 |
| CN111582560B (zh) * | 2020-04-22 | 2023-05-23 | 空间信息产业发展股份有限公司 | 一种基于循环神经网络的水稻产量预测方法 |
| CN111754045A (zh) * | 2020-06-30 | 2020-10-09 | 四川生态诚品农业开发有限公司 | 一种基于果树生长的预测系统 |
| 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 |
| 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 |
Family Cites Families (9)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US20060020563A1 (en) * | 2004-07-26 | 2006-01-26 | Coleman Christopher R | Supervised neural network for encoding continuous curves |
| US10460251B2 (en) * | 2015-06-19 | 2019-10-29 | Preferred Networks Inc. | Cross-domain time series data conversion apparatus, methods, and systems |
| CN106021829B (zh) * | 2016-07-19 | 2018-11-20 | 中南大学 | 一种基于rbf-arx模型稳定参数估计的非线性系统建模方法 |
| KR101936136B1 (ko) * | 2017-01-11 | 2019-01-09 | 인하대학교 산학협력단 | 기계 학습 기반의 온열 환경 예측 장치 및 그 방법 |
| CN107289998B (zh) * | 2017-05-12 | 2019-08-23 | 淮阴工学院 | 基于can总线的猪舍环境温度智能监测系统 |
| CN108108832B (zh) * | 2017-11-20 | 2018-10-02 | 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 |
| CN108053052B (zh) * | 2017-11-20 | 2018-10-02 | 淮阴工学院 | 一种油罐车油气泄漏速度智能监测系统 |
| US11169514B2 (en) * | 2018-08-27 | 2021-11-09 | Nec Corporation | Unsupervised anomaly detection, diagnosis, and correction in multivariate time series data |
| CN110109193B (zh) * | 2019-04-19 | 2021-01-01 | 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 |
-
2019
- 2019-09-10 CN CN201910854872.7A patent/CN110766132B/zh active Active
Also Published As
| Publication number | Publication date |
|---|---|
| CN110766132A (zh) | 2020-02-07 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN110766132B (zh) | 一种基于物联网的果园产量智能预测系统 | |
| 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 | |
| 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 | |
| CN112665656B (zh) | 一种农产品生长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 | |
| CN111461413B (zh) | 一种公路路面使用性能检测系统 | |
| CN112906735A (zh) | 一种食用菌环境大数据检测系统 | |
| CN114397043B (zh) | 多点温度智能检测系统 | |
| CN111474094B (zh) | 一种粉尘浓度智能化检测系统 | |
| CN111444947B (zh) | 一种桥梁沉降智能检测系统 | |
| CN111476278B (zh) | 一种气体浓度智能化检测系统 | |
| CN112881601B (zh) | 一种基于云平台的水分检测系统 | |
| CN111429718B (zh) | 一种公路交通安全智能检测系统 | |
| Kadir et al. | Wheat yield prediction: Artificial neural network based approach | |
| CN113219871B (zh) | 一种养护室环境参数检测系统 | |
| CN112903929A (zh) | 一种食品质量检测系统 | |
| CN115128978A (zh) | 物联网环境大数据检测与智能监控系统 | |
| CN112911533B (zh) | 一种基于移动端App的温度检测系统 | |
| CN113255739A (zh) | 一种鱼饲料检测与配方系统 | |
| CN114386672B (zh) | 环境大数据物联网智能检测系统 | |
| CN115062764B (zh) | 光照度智能调节与环境参数物联网大数据系统 | |
| CN114611804A (zh) | 基于tso-grnn组合模型的玉米产量预测方法 | |
| Adeyemo | Soft Computing techniques for weather and Climate change studies |
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: 20221213 Address after: Room 2506, Floor 25, Building 1, No. 188, Section 2, Renmin North Road, Jinniu District, Chengdu, Sichuan 610,000 Patentee after: Sichuan Chaoyihong Technology Co.,Ltd. Address before: 223005 Huaian 1 Jiangsu economic and Technological Development Zone Patentee before: HUAIYIN INSTITUTE OF TECHNOLOGY |
|
| TR01 | Transfer of patent right | ||
| TR01 | Transfer of patent right |
Effective date of registration: 20240103 Address after: No. 102 North Street, Qiaoshan Street Office, Huangling County, Yan'an City, Shaanxi Province, 716000 (3rd Floor, County Supply and Marketing Cooperative) Patentee after: Huangling Qinguoyuan Agricultural Service Technology Co.,Ltd. Address before: Room 2506, Floor 25, Building 1, No. 188, Section 2, Renmin North Road, Jinniu District, Chengdu, Sichuan 610,000 Patentee before: Sichuan Chaoyihong Technology Co.,Ltd. |
|
| TR01 | Transfer of patent right |