CN111625030A - 一种温室环境控制方法、装置、设备、系统及存储介质 - Google Patents
一种温室环境控制方法、装置、设备、系统及存储介质 Download PDFInfo
- Publication number
- CN111625030A CN111625030A CN202010424586.XA CN202010424586A CN111625030A CN 111625030 A CN111625030 A CN 111625030A CN 202010424586 A CN202010424586 A CN 202010424586A CN 111625030 A CN111625030 A CN 111625030A
- Authority
- CN
- China
- Prior art keywords
- index data
- decision
- greenhouse
- data
- attribute
- 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.)
- Pending
Links
- 238000000034 method Methods 0.000 title claims abstract description 56
- 238000003860 storage Methods 0.000 title claims abstract description 12
- 230000007613 environmental effect Effects 0.000 claims abstract description 42
- 238000012545 processing Methods 0.000 claims abstract description 11
- 230000006870 function Effects 0.000 claims description 22
- 230000009467 reduction Effects 0.000 claims description 18
- 238000009826 distribution Methods 0.000 claims description 15
- 238000004590 computer program Methods 0.000 claims description 12
- 238000004458 analytical method Methods 0.000 claims description 11
- 238000004422 calculation algorithm Methods 0.000 claims description 11
- 238000004364 calculation method Methods 0.000 claims description 5
- 238000010276 construction Methods 0.000 claims description 4
- 230000008569 process Effects 0.000 abstract description 3
- 238000004519 manufacturing process Methods 0.000 description 7
- 230000008901 benefit Effects 0.000 description 6
- 238000010586 diagram Methods 0.000 description 6
- CURLTUGMZLYLDI-UHFFFAOYSA-N Carbon dioxide Chemical compound O=C=O CURLTUGMZLYLDI-UHFFFAOYSA-N 0.000 description 4
- 239000002689 soil Substances 0.000 description 4
- 238000009795 derivation Methods 0.000 description 3
- 238000005516 engineering process Methods 0.000 description 3
- 229910002092 carbon dioxide Inorganic materials 0.000 description 2
- 239000001569 carbon dioxide Substances 0.000 description 2
- 238000010168 coupling process Methods 0.000 description 2
- 238000005859 coupling reaction Methods 0.000 description 2
- 238000013461 design Methods 0.000 description 2
- 238000001514 detection method Methods 0.000 description 2
- 239000000463 material Substances 0.000 description 2
- 238000013178 mathematical model Methods 0.000 description 2
- 230000007246 mechanism Effects 0.000 description 2
- 238000012544 monitoring process Methods 0.000 description 2
- 238000011160 research Methods 0.000 description 2
- 238000013076 uncertainty analysis Methods 0.000 description 2
- 230000009471 action Effects 0.000 description 1
- 230000004075 alteration Effects 0.000 description 1
- 230000001174 ascending effect Effects 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000009395 breeding Methods 0.000 description 1
- 230000001488 breeding effect Effects 0.000 description 1
- 230000008859 change Effects 0.000 description 1
- 238000004891 communication Methods 0.000 description 1
- 238000010924 continuous production Methods 0.000 description 1
- 230000008878 coupling Effects 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 230000001419 dependent effect Effects 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 238000005265 energy consumption Methods 0.000 description 1
- 238000000556 factor analysis Methods 0.000 description 1
- 230000004927 fusion Effects 0.000 description 1
- 238000005286 illumination Methods 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 238000009434 installation Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000001537 neural effect Effects 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 238000005457 optimization Methods 0.000 description 1
- 230000010355 oscillation Effects 0.000 description 1
- 230000008447 perception Effects 0.000 description 1
- 230000001766 physiological effect Effects 0.000 description 1
- 238000003672 processing method Methods 0.000 description 1
- 230000026267 regulation of growth Effects 0.000 description 1
- 238000012163 sequencing technique Methods 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G05—CONTROLLING; REGULATING
- G05D—SYSTEMS FOR CONTROLLING OR REGULATING NON-ELECTRIC VARIABLES
- G05D23/00—Control of temperature
- G05D23/19—Control of temperature characterised by the use of electric means
- G05D23/20—Control of temperature characterised by the use of electric means with sensing elements having variation of electric or magnetic properties with change of temperature
Landscapes
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Engineering & Computer Science (AREA)
- Automation & Control Theory (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
- Greenhouses (AREA)
- Feedback Control In General (AREA)
Abstract
本发明涉及一种温室环境控制方法、装置、设备、系统及存储介质。该方法包括：获取待控制温室的环境指标数据；环境指标数据包括多组条件属性数据和多组决策属性数据；利用粗糙集分析环境指标数据，得到环境指标数据规则集；利用证据理论对环境指标数据规则集进行规则组合，得到控制决策。采用上述方法或装置或设备或系统能够减少数据处理过程中的计算量，且能提高控制决策结果的准确度。
Description
技术领域
本发明涉及智能农业控制技术领域，具体涉及一种温室环境控制方法、装置、设备、系统及存储介质。
背景技术
随着科技水平的提升，智能控制已进入越来越多的行业。例如在现代化温室生产中，通过温室环境控制以获得最佳经济效益。
目前，温室环境控制方法大多建立在温室内部环境机理模型的基础上，而温室系统是一个大滞后时变的非线性系统，变量因子间存在有强耦合，易受到外界气候波动、温室的结构设计及内部作物的生理活动等因素影响，采用传统的建模方法很难建立其准确的数学模型。而现有的数学模型是在一些假设、简化后得到的，多为一阶、二阶惯性滞后环节，简化模型精度不高，难于满足控制系统的需要。而现有温室环境控制的一个共同特点是以“精确控制”为目的，即选取一些控制目标，形成由多个控制目标组成优化性能指标函数并通过优化该性能函数来设计控制器达到最优控制的目的，将温室保持在作物生长的最佳环境，这势必造成温室生产能耗较高。而实际上作物的生长与一段时间内的环境有关，并不是取决于某一时刻的环境状况，同时也导致了对温室环境控制的不精确性。
发明内容
有鉴于此，本发明的目的在于克服现有技术的不足，提供一种温室环境控制方法、装置、设备、系统及存储介质。
为实现以上目的，本发明采用如下技术方案：
一种温室环境控制方法，包括：
获取待控制温室的环境指标数据；所述环境指标数据包括多组条件属性数据和多组决策属性数据；
利用粗糙集分析所述环境指标数据，得到环境指标数据规则集；
利用证据理论对所述环境指标数据规则集进行规则组合，得到控制决策。
可选的，所述利用粗糙集分析所述环境指标数据，得到环境指标数据规则集，包括：
根据所述条件属性数据构建粗糙集中对应的条件属性，所述决策属性数据构建粗糙集中对应的决策属性；
对所述条件属性进行离散化处理，得到离散化指标数据；
根据所述离散化指标数据生成专家决策表；
利用信息熵的约简算法对所述专家决策表进行约简，得到环境指标数据规则集。
可选的，所述利用证据理论对所述环境指标数据规则集进行规则组合，得到控制决策，包括：
根据所述环境指标数据规则集确定所述决策属性对应的基本可信度分配值；
根据所述基本可信度分配值对多个所述条件属性进行组合分析，得到控制决策。
可选的，所述对所述条件属性进行离散化处理，得到离散化指标数据，包括：
对所述条件属性数据进行聚类处理，得到聚类中心值；
根据所述聚类中心值计算条件属性的隶属度函数值，得到隶属度函数值表；
取所述隶属度函数值表中最大的隶属度函数值构建所述离散化指标数据。
一种温室环境控制装置，包括：
数据获取模块，用于获取待控制温室的环境指标数据；所述环境指标数据包括多组条件属性数据和多组决策属性数据；
规则集获取模块，用于利用粗糙集分析所述环境指标数据，得到环境指标数据规则集；
决策确定模块，用于利用证据理论对所述环境指标数据规则集进行规则组合，得到控制决策。
可选的，所述规则集获取模块，包括：
粗糙集构建单元，用于根据所述条件属性数据构建粗糙集中对应的条件属性，所述决策属性数据构建粗糙集中对应的决策属性；
离散化处理单元，用于对所述条件属性进行离散化处理，得到离散化指标数据；
决策表生成单元，用于根据所述离散化指标数据生成专家决策表；
规则集确定单元，用于利用信息熵的约简算法对所述专家决策表进行约简，得到环境指标数据规则集。
可选的，所述决策确定模块，包括：
可信度计算单元，用于根据所述环境指标数据规则集确定所述决策属性对应的基本可信度分配值；
组合单元，用于根据所述基本可信度分配值对多个所述条件属性进行组合分析，得到控制决策。
一种温室环境控制设备，包括：
处理器，以及与所述处理器相连接的存储器；
所述存储器用于存储计算机程序，所述计算机程序至少用于执行上述所述的温室环境控制方法；
所述处理器用于调用并执行所述存储器中的所述计算机程序。
一种温室环境控制系统，包括：
温室设备、及与所述温室设备通信连接的如上述所述的温室环境控制设备。
一种存储介质，所述存储介质存储有计算机程序，所述计算机程序被处理器执行时，实现如上述所述的温室环境方法中各个步骤。
本申请提供的技术方案可以包括以下有益效果：
本申请中公开一种温室环境控制方法，包括：获取待控制温室的环境指标数据；利用粗糙集分析所述环境指标数据，得到环境指标数据规则集；利用证据理论对所述环境指标数据规则集进行规则组合，得到控制决策。本方法中通过粗糙集对环境指标数据进行不确定性分析，在大量数据中快速找到影响温室环境的多类数据间的规则，减少数据处理的计算量，也通过对影响温室环境的多种因素进行分析，避免了对单一因素分析影响决策结果的现象。同时证据理论的推导结果适应了温室环境控制决策的不确定性特征，使决策结果更加准确。
附图说明
为了更清楚地说明本发明实施例或现有技术中的技术方案，下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本发明的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他的附图。
图1是本发明一实施例提供的温室环境控制方法流程图；
图2是本发明一实施例提供的温室环境控制装置模块图；
图3是本发明一实施例提供的温室环境控制设备结构图；
图4是本发明一实施例提供的温室环境控制系统结构图。
具体实施方式
为使本发明的目的、技术方案和优点更加清楚，下面将对本发明的技术方案进行详细的描述。显然，所描述的实施例仅仅是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有做出创造性劳动的前提下所得到的所有其它实施方式，都属于本发明所保护的范围。
现代化的温室生产是综合运用各种先进设施和技术，人为创造各种作物生长发育的最佳环境条件，并通过科学的经营管理，最大限度地提高土地产出率、资源利用率、劳动生产率和产品商品率，获得最佳经济效益和社会效益的一种完全有别于传统农业的生产模式。它的主要特征是依靠工厂化生产的温室设施，采用连续生产方式和管理方式，高效、均衡地为不同的作物生长、繁育提供良好的生态环境。
温室生产设施主要包括温室结构和温室环境控制设施两个方面。而温室环境控制是现代化温室的必备功能。温室环境控制的对象种类繁多，且不同种类、不同生长阶段的作物生长需求差异明显，温室环境控制设施必须具有先进的控制手段和全面的感知信息，才能使执行机构合理动作，提供作物生长所需的最佳环境。
温室环境控制技术按目标对象的数量可分为两种:单因子控制和多因子控制。目前国内所采用的一般都是各个单因子控制，这种控制是对温室环境因子进行单独控制，没有考虑到其他因子对被控因子的影响。但是我们知道，农作物生长的好坏往往是需要众多环境因子之间相互制约和配合，当其中某一因子发生变化时，其他因子也会相应地改变，因此，目前我们温室大棚即使一些采用了自动化控制手段，也是单纯地自动机械化控制，没有将农作物的最佳生长调控的方式、方法考虑进去。在保证作物获得最佳环境条件方面有很大的局限性。
目前国内在精准化农业方面由于国情特点和技术投入的不足，现在还刚处于一个开始阶段。对于多目标的数据农业监测数据处理方面，提出了不少方法，如：混合型预测模糊PID控制方法、自适应神经模糊控制方法、基于最优经济目标控制方法等。虽然这些方法在温室环境监测问题的探索上起到了积极的促进作用，但由于这些方法存在着整体优化、学习能力有限，或者鲁棒性不佳，在处理农业数据系统的复杂性、不确定性以及出现振荡的处理上等方面的效果欠佳，目前都没有被用到实际的生产中去。
本发明就是针对这种现状，提出一种适合多因子联动的融合性智能农业控制方法，该方法以多输入、多输出、强耦合的温室环境系统为分析对象，围绕温室无线传感器网络中多因子环境控制问题展开研究。
图1是本发明一实施例提供的温室环境控制方法流程图。参见图1，一种温室环境控制方法，包括：
步骤101：获取待控制温室的环境指标数据；环境指标数据包括多组条件属性数据和多组决策属性数据；其中，一组条件属性数据对应一组决策属性数据。
步骤102：利用粗糙集分析环境指标数据，得到环境指标数据规则集；
步骤103：利用证据理论对环境指标数据规则集进行规则组合，得到控制决策。
上述实施例中利用粗糙集对温室的多种环境数据进行不确定性分析，进而得到环境指标数据的规则，进而利用证据理论对所得规则进行组合，最终得到控制决策。通过利用粗糙集对多种类型的环境数据进行分析，在不同种类众多数据中快速得到数据规则，将影响温室环境的多种数据同步进行分析，并不局限于对单一数据的分析，且降低了数据处理的复杂性，减少了计算量，实现了多因子环境控制问题的研究。更进一步地，上述实施例采用的证据理论的推导结果适应了温室环境控制决策的不确定性特征，使决策结果更加准确。
在上述实施例的基础上，本申请还提供了另一实施例，具体如下：
获取待控制温室的环境指标数据；环境指标数据包括多组条件属性数据和多组决策属性数据；
根据条件属性数据构建粗糙集中对应的条件属性，决策属性数据构建粗糙集中对应的决策属性。
对条件属性进行离散化处理，得到离散化指标数据；
根据离散化指标数据生成专家决策表；
利用信息熵的约简算法对专家决策表进行约简，得到环境指标数据规则集；
根据环境指标数据规则集确定决策属性对应的基本可信度分配值；
根据基本可信度分配值对多个条件属性进行组合分析，得到控制决策。
其中，更详细地，步骤对条件属性进行离散化处理，得到离散化指标数据具体为：
对条件属性数据进行聚类处理，得到聚类中心值；
根据聚类中心值计算条件属性的隶属度函数值，得到隶属度函数值表；
取隶属度函数值表中最大的隶属度函数值构建离散化指标数据。
此实施例中通过模糊C均值聚类算法进行聚类处理，利用信息熵的约简算法对专家决策表进行约简，能够获取温室环境控制决策中最主要的指标信息，降低专家决策表的复杂性，采用多约简属性集的层次型结构进行判断，证据组合后的不确定的基本可信度分配明显减少。
需要注意的是环境指标数据的获取方式可以通过专家系统获取，也可以通过实际设备检测采集得到。具体获取方式并不唯一，可视情况而定。
现以条件属性数据包括：温度数据、湿度数据、光照强度数据、土壤温度、土壤湿度和二氧化碳浓度；决策属性数据包括四类：1、开卷帘；2、开卷帘并启动风机；3、启动风机并启动湿；4、无任何动作为例，对本申请温室环境控制方法进行详细介绍，具体情况如下：
首先，依据具体的温室环境信息，根据农业专家系统提供的温室环境控制专家知识表中的数据，得到12组样本数据作为环境指标数据，对这12组样本数据进行分析处理得到最终的控制决策。具体数据如下表1所述：
表1温室环境专家知识表
表1温室环境专家知识表内的数据蕴含了温室环境的条件属性数据和与之相对应的决策属性数据之间的依赖关系，但这种依赖关系不经过专业分析与计算，无法被系统和用户理解与使用，也就难以用于控制决策的实施。所以接下来，根据上表的数据，采用本发明的分析、处理方法，逐步进行分析与计算，来一步步地实现不同数据组合情况下，保证正确、合理的决策措施的实施。
第一步，要将连续的条件属性数据离散化。本发明采用模糊C均值聚类方法对连续属性离散化，以满足离散属性的粗糙集学习方法。具体方法是按决策表的条件属性逐个进行聚类分析，对各属性下的聚类结果按升序排序，将相应的聚类类别作为其离散值。
具体利用模糊C均值聚类算法进行聚类处理。通过以下公式(1)和公式(2)计算聚类中心值：
其中，令X＝{x1,x2,...,xn}∈R为待分类对象，对应实施例中的条件属性数据；n为待分类对象的类别数；V＝{v1,v2,...,vc}，vi为第i类的聚类中心,c为由用户给定的聚类数，uij为第j个对象属于第i个类的隶属度，权重m∈(1,∞)为模糊因子，
为对象与类心的距离。
这里的聚类数c取4，与决策性集的类别数相等，算法返回值为4类的聚类中心和各样本分别属于4个聚类中心的隶属度函数值，并根据以上两个迭代公式(1)和公式(2)，可求出各个温室环境指标数据的聚类中心值，详见表2(均保留4位有效数字)：
表2各环境指标的聚类中心值表
再根据上面的公式(2)计算分别得到上述6个条件属性的12个样本连续属性值分别属于4个聚类中心的隶属度函数值。可分别得到六个隶属度函数值表。如表3为温度条件属性的隶属度函数值，其他条件属性类似。
表3温度样本的隶属度函数值
第二步，取表2中样本隶属度值最大的类别作为样本在该条件属性上的取值，这样就使得原始的连续变量空间被映射到离散的特征空间，从而获得相应的决策表。
表4控制决策表
第三步，再利用求核和信息熵的属性约简方法来对表4进行约简，再利用证据组合理论的推理方法分别得到基本可信度分配值和证据组合与决策。约简是在不丢失信息的前提下，以最简单形式表示决策系统的决策属性对条件属性集合的依赖性或关联。一个决策表的约简未必是唯一的，可能存在多个约简集，所有约简的交集称为核。本发明从信息论的角度来分析决策表的属性约简问题，利用信息熵、条件熵和互信息表达知识，增强决策表中知识的可理解性，应用基于信息熵的属性约简算法来实现温室环境控制决策表的约简。参见表5和表6。
表5基本可信度分配值表
表中a-f表示前述的6个属性条件，这里已经经过约简只出现了a、c、f。m(1)-m(4)分别表示四种决策的基本可信度分配，m(Θ)表示不确定的基本可信度分配。
表6证据组合与决策表
从表6中可以看出，两组属性集证据组合便能够有效地对样本进行决策判断，4个样本分别对应一种决策类别。例如，样本F2，证据{a，c}组合后，判断决策为L(1)、证据{a，f}组合后，判断决策为L(2)，两者得出的判断结果不一致，再将两者的组合结果进一步融合，m(1)和m(2)的基本可信度分配值分别为0.17024、0.81019，即可判断最终决策为L(2)。样本F3，证据{a，c}组合后，m(2)与m(3)基本可信度分配值的差小于0.2，无法做出判断，当证据{a，c}与证据{a，f}合成后，m(3)与m(2)基本可信度分配值的差为0.62565，能够判断决策为L(3)。另外，从表中m(Θ)值的变化可以看出，经过证据组合，m(Θ)值显著减小，{a，c，f}组合后的不确定性比单一约简的不确定性降低一个数量级(由10-2变至10-3)，说明多源证据的组合减少了决策判断的不确定性，提高了判断精度。同时，组合后的基本可信度分配较组合前具有更好的峰值性，从而提高了系统对控制决策类別的判断能力。
由上述实施例可知本申请中温室环境控制方法具有较高的鲁棒性，能在较低数量专家知识的情况下合理分配冲突信息，有效做出决策，将其应用于温室环境控制决策具有可行性。
对应于本发明实施例提供的一种温室环境控制方法，本发明实施例还提供一种温室环境控制装置。请参见下文实施例。
图2是本发明一实施例提供的温室环境控制装置模块图。参见图2，一种温室环境控制装置，包括：
数据获取模块201，用于获取待控制温室的环境指标数据；环境指标数据包括多组条件属性数据和多组决策属性数据；
规则集获取模块202，用于利用粗糙集分析环境指标数据，得到环境指标数据规则集；
决策确定模块203，用于利用证据理论对环境指标数据规则集进行规则组合，得到控制决策。
其中，规则集获取模块202具体包括：
粗糙集构建单元，用于根据条件属性数据构建粗糙集中对应的条件属性，决策属性数据构建粗糙集中对应的决策属性；
离散化处理单元，用于对条件属性进行离散化处理，得到离散化指标数据；
决策表生成单元，用于根据离散化指标数据生成专家决策表；
规则集确定单元，用于利用信息熵的约简算法对专家决策表进行约简，得到环境指标数据规则集。
决策确定模块203具体包括：
可信度计算单元，用于根据环境指标数据规则集确定决策属性对应的基本可信度分配值；
组合单元，用于根据基本可信度分配值对多个条件属性进行组合分析，得到控制决策。
采用上述温室环境控制装置能够获取温室环境控制决策中最主要的指标信息，降低决策表的复杂性，证据理论的推导结果适应了温室环境控制决策的不确定性特征，采用多约简属性集的层次型结构进行判断，证据组合后的不确定的基本可信度分配明显减少，使决策结果更加准确。
为了更清楚地介绍实现本发明实施例的硬件系统，对应于本发明实施例提供的一种温室环境控制方法，本发明实施例还提供一种温室环境控制设备和温室环境控制系统。请参见下文实施例。
图3是本发明一实施例提供的温室环境控制设备结构图。参见图3，一种温室环境控制设备，包括：
处理器301，以及与处理器301相连接的存储器302；
存储器302用于存储计算机程序，计算机程序至少用于执行上述的温室环境控制方法；
处理器301用于调用并执行存储器中的计算机程序。
图4是本发明一实施例提供的温室环境控制系统结构图。参见图4，一种温室环境控制系统，包括：
温室设备401、及与温室设备401通信连接的如上述的温室环境控制设备402。
此处的温室设备401可以包括各种检测设备，例如温度计、湿度计、光强传感器、土壤温度计、土壤湿度计和二氧化碳检测仪等。当然温室设备的具体结构情况并不唯一，可根据实际情况而定。
采用上述环境控制设备或温室环境控制系统能在较低数量专家知识的情况下合理分配冲突信息，有效做出决策，能有效减少证据组合的计算量，提高了数据处理速率，使决策结果更加准确，提高环境控制决策的精准度。
在上述实施例的基础上本申请还公开了一种存储介质，所述存储介质存储有计算机程序，所述计算机程序被处理器执行时，实现如上述所述的温室环境方法中各个步骤。
可以理解的是，上述各实施例中相同或相似部分可以相互参考，在一些实施例中未详细说明的内容可以参见其他实施例中相同或相似的内容。
需要说明的是，在本发明的描述中，术语“第一”、“第二”等仅用于描述目的，而不能理解为指示或暗示相对重要性。此外，在本发明的描述中，除非另有说明，“多个”的含义是指至少两个。
流程图中或在此以其他方式描述的任何过程或方法描述可以被理解为，表示包括一个或更多个用于实现特定逻辑功能或过程的步骤的可执行指令的代码的模块、片段或部分，并且本发明的优选实施方式的范围包括另外的实现，其中可以不按所示出或讨论的顺序，包括根据所涉及的功能按基本同时的方式或按相反的顺序，来执行功能，这应被本发明的实施例所属技术领域的技术人员所理解。
应当理解，本发明的各部分可以用硬件、软件、固件或它们的组合来实现。在上述实施方式中，多个步骤或方法可以用存储在存储器中且由合适的指令执行系统执行的软件或固件来实现。例如，如果用硬件来实现，和在另一实施方式中一样，可用本领域公知的下列技术中的任一项或他们的组合来实现：具有用于对数据信号实现逻辑功能的逻辑门电路的离散逻辑电路，具有合适的组合逻辑门电路的专用集成电路，可编程门阵列(PGA)，现场可编程门阵列(FPGA)等。
本技术领域的普通技术人员可以理解实现上述实施例方法携带的全部或部分步骤是可以通过程序来指令相关的硬件完成，所述的程序可以存储于一种计算机可读存储介质中，该程序在执行时，包括方法实施例的步骤之一或其组合。
此外，在本发明各个实施例中的各功能单元可以集成在一个处理模块中，也可以是各个单元单独物理存在，也可以两个或两个以上单元集成在一个模块中。上述集成的模块既可以采用硬件的形式实现，也可以采用软件功能模块的形式实现。所述集成的模块如果以软件功能模块的形式实现并作为独立的产品销售或使用时，也可以存储在一个计算机可读取存储介质中。
上述提到的存储介质可以是只读存储器，磁盘或光盘等。
在本说明书的描述中，参考术语“一个实施例”、“一些实施例”、“示例”、“具体示例”、或“一些示例”等的描述意指结合该实施例或示例描述的具体特征、结构、材料或者特点包含于本发明的至少一个实施例或示例中。在本说明书中，对上述术语的示意性表述不一定指的是相同的实施例或示例。而且，描述的具体特征、结构、材料或者特点可以在任何的一个或多个实施例或示例中以合适的方式结合。
尽管上面已经示出和描述了本发明的实施例，可以理解的是，上述实施例是示例性的，不能理解为对本发明的限制，本领域的普通技术人员在本发明的范围内可以对上述实施例进行变化、修改、替换和变型。
Claims (10)
1.一种温室环境控制方法，其特征在于，包括：
获取待控制温室的环境指标数据；所述环境指标数据包括多组条件属性数据和多组决策属性数据；
利用粗糙集分析所述环境指标数据，得到环境指标数据规则集；
利用证据理论对所述环境指标数据规则集进行规则组合，得到控制决策。
2.根据权利要求1所述的温室环境控制方法，其特征在于，所述利用粗糙集分析所述环境指标数据，得到环境指标数据规则集，包括：
根据所述条件属性数据构建粗糙集中对应的条件属性，所述决策属性数据构建粗糙集中对应的决策属性；
对所述条件属性进行离散化处理，得到离散化指标数据；
根据所述离散化指标数据生成专家决策表；
利用信息熵的约简算法对所述专家决策表进行约简，得到环境指标数据规则集。
3.根据权利要求2所述的温室环境控制方法，其特征在于，所述利用证据理论对所述环境指标数据规则集进行规则组合，得到控制决策，包括：
根据所述环境指标数据规则集确定所述决策属性对应的基本可信度分配值；
根据所述基本可信度分配值对多个所述条件属性进行组合分析，得到控制决策。
4.根据权利要求2所述的温室环境控制方法，其特征在于，所述对所述条件属性进行离散化处理，得到离散化指标数据，包括：
对所述条件属性数据进行聚类处理，得到聚类中心值；
根据所述聚类中心值计算条件属性的隶属度函数值，得到隶属度函数值表；
取所述隶属度函数值表中最大的隶属度函数值构建所述离散化指标数据。
5.一种温室环境控制装置，其特征在于，包括：
数据获取模块，用于获取待控制温室的环境指标数据；所述环境指标数据包括多组条件属性数据和多组决策属性数据；
规则集获取模块，用于利用粗糙集分析所述环境指标数据，得到环境指标数据规则集；
决策确定模块，用于利用证据理论对所述环境指标数据规则集进行规则组合，得到控制决策。
6.根据权利要求5所述的温室环境控制装置，其特征在于，所述规则集获取模块，包括：
粗糙集构建单元，用于根据所述条件属性数据构建粗糙集中对应的条件属性，所述决策属性数据构建粗糙集中对应的决策属性；
离散化处理单元，用于对所述条件属性进行离散化处理，得到离散化指标数据；
决策表生成单元，用于根据所述离散化指标数据生成专家决策表；
规则集确定单元，用于利用信息熵的约简算法对所述专家决策表进行约简，得到环境指标数据规则集。
7.根据权利要求6所述的温室环境控制装置，其特征在于，所述决策确定模块，包括：
可信度计算单元，用于根据所述环境指标数据规则集确定所述决策属性对应的基本可信度分配值；
组合单元，用于根据所述基本可信度分配值对多个所述条件属性进行组合分析，得到控制决策。
8.一种温室环境控制设备，其特征在于，包括：
处理器，以及与所述处理器相连接的存储器；
所述存储器用于存储计算机程序，所述计算机程序至少用于执行权利要求1-4任一项所述的温室环境控制方法；
所述处理器用于调用并执行所述存储器中的所述计算机程序。
9.一种温室环境控制系统，其特征在于，包括：
温室设备、及与所述温室设备通信连接的如权利要求8所述的温室环境控制设备。
10.一种存储介质，其特征在于，所述存储介质存储有计算机程序，所述计算机程序被处理器执行时，实现如权利要求1-4任一项所述的温室环境方法中各个步骤。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202010424586.XA CN111625030A (zh) | 2020-05-19 | 2020-05-19 | 一种温室环境控制方法、装置、设备、系统及存储介质 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202010424586.XA CN111625030A (zh) | 2020-05-19 | 2020-05-19 | 一种温室环境控制方法、装置、设备、系统及存储介质 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN111625030A true CN111625030A (zh) | 2020-09-04 |
Family
ID=72270060
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202010424586.XA Pending CN111625030A (zh) | 2020-05-19 | 2020-05-19 | 一种温室环境控制方法、装置、设备、系统及存储介质 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN111625030A (zh) |
Cited By (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN112785004A (zh) * | 2021-02-03 | 2021-05-11 | 中国计量大学 | 一种基于粗糙集理论和d-s证据理论的温室智能决策方法 |
| CN113919964A (zh) * | 2021-12-14 | 2022-01-11 | 西安航天自动化股份有限公司 | 一种基于bim的智慧农业大棚管理系统及方法 |
Citations (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN102142031A (zh) * | 2011-03-18 | 2011-08-03 | 南京邮电大学 | 一种基于粗糙集的海量数据分割方法 |
| CN102609470A (zh) * | 2012-01-16 | 2012-07-25 | 华南师范大学 | 一种基于区间平均值的模糊粗糙单调数据挖掘方法 |
| CN105681339A (zh) * | 2016-03-07 | 2016-06-15 | 重庆邮电大学 | 一种融合粗糙集与ds证据理论的增量式入侵检测方法 |
| WO2018029768A1 (ja) * | 2016-08-09 | 2018-02-15 | 東芝三菱電機産業システム株式会社 | 圧延機の出側温度制御システム |
| CN109063115A (zh) * | 2018-07-30 | 2018-12-21 | 淮安信息职业技术学院 | 一种基于在线大数据的智能统计系统及方法 |
-
2020
- 2020-05-19 CN CN202010424586.XA patent/CN111625030A/zh active Pending
Patent Citations (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN102142031A (zh) * | 2011-03-18 | 2011-08-03 | 南京邮电大学 | 一种基于粗糙集的海量数据分割方法 |
| CN102609470A (zh) * | 2012-01-16 | 2012-07-25 | 华南师范大学 | 一种基于区间平均值的模糊粗糙单调数据挖掘方法 |
| CN105681339A (zh) * | 2016-03-07 | 2016-06-15 | 重庆邮电大学 | 一种融合粗糙集与ds证据理论的增量式入侵检测方法 |
| WO2018029768A1 (ja) * | 2016-08-09 | 2018-02-15 | 東芝三菱電機産業システム株式会社 | 圧延機の出側温度制御システム |
| CN109063115A (zh) * | 2018-07-30 | 2018-12-21 | 淮安信息职业技术学院 | 一种基于在线大数据的智能统计系统及方法 |
Non-Patent Citations (1)
| Title |
|---|
| 王俊，等: "融合粗糙集和证据理论的温室环境控制推理决策方法", 《农业工程学报》 * |
Cited By (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN112785004A (zh) * | 2021-02-03 | 2021-05-11 | 中国计量大学 | 一种基于粗糙集理论和d-s证据理论的温室智能决策方法 |
| CN113919964A (zh) * | 2021-12-14 | 2022-01-11 | 西安航天自动化股份有限公司 | 一种基于bim的智慧农业大棚管理系统及方法 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| KR102159692B1 (ko) | 빅데이터 분석을 통한 태양광 발전량 예측 장치 및 방법 | |
| CN109685277A (zh) | 用电量预测方法及装置 | |
| CN110009251B (zh) | 一种农田多源信息动态调节融合方法及系统 | |
| CN111625030A (zh) | 一种温室环境控制方法、装置、设备、系统及存储介质 | |
| CN112801388B (zh) | 一种基于非线性时间序列算法的电力负荷预测方法及系统 | |
| CN114662201B (zh) | 一种自然通风智能调控的寻优方法 | |
| KR20190136774A (ko) | 작물의 수확시기 예측시스템 및 그 방법 | |
| CN117450635B (zh) | 一种基于大数据分析的新风系统控制方法 | |
| CN111476274B (zh) | 一种大数据预测分析的方法、系统、装置及存储介质 | |
| Wang et al. | Research on state prediction method of tobacco curing process based on model fusion | |
| CN117725827A (zh) | 一种基于深度学习的植物工厂数字孪生系统及方法 | |
| CN117666448B (zh) | 基于物联网能耗预测的节能方法、装置、设备及介质 | |
| CN118313650A (zh) | 一种基于大数据的智慧农业云平台监控系统 | |
| CN117913808A (zh) | 一种分布式光伏发电预测方法及其装置 | |
| CN116668473A (zh) | 一种农业异常数据的边缘识别方法、系统、设备及介质 | |
| CN115619605A (zh) | 一种基于语义信息的传统民居环境质量评估方法 | |
| CN115327942A (zh) | 一种环境智能监测系统 | |
| CN114444763A (zh) | 基于afsa-gnn的风电功率预测方法 | |
| CN114912169A (zh) | 基于多源信息融合的工业建筑供热自主优化调控方法 | |
| Trépanier et al. | Impact of Setpoint Control on Indoor Greenhouse Climate Modeling | |
| CN112906856A (zh) | 一种基于云平台的畜禽舍环境温度检测系统 | |
| CN114863168B (zh) | 自适应递归增量模型的遥感影像分类方法、装置及设备 | |
| Kamyshova et al. | Approaches to the Intellectualization of Decision Support in Irrigated Agriculture Based on Self-organizing Neural Networks | |
| CN118247618B (zh) | 应用于智慧农业园区的监控图像分析方法及系统 | |
| Vats et al. | Enhancing Crop yield through recommendation system using Fuzzy Inference Model |
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 | ||
| RJ01 | Rejection of invention patent application after publication |
Application publication date: 20200904 |
|
| RJ01 | Rejection of invention patent application after publication |