发明内容
本发明提供了一种农产品生长环境大数据检测系统,本发明有效解决了现有农田土壤环境检测系统没有根据农田植物生长环境参数变化的非线性、大滞后和农田土壤环境面积大复杂等对农田植物生产产量影响,从而极大的影响农田土壤产量预测和生产管理问题。
本发明通过以下技术方案实现:
一种农产品生长环境大数据检测系统由土壤环境参数采集与评价平台和农田土壤环境大数据处理子系统组成,土壤环境参数采集与评价平台实现对农田土壤环境参数检测,农田土壤环境大数据处理子系统实现对土壤参数的大数据处理和农田参数的评价。
本发明进一步技术改进方案是:
土壤环境参数采集与评价平台由多个检测节点、网关节点和现场监控端组成,它们以自组织方式构建成农田环境参数采集与评价平台;检测节点由传感器组模块、单片机以及无线通信模块CC2530组成,负责检测农田环境的温度、水分、电导率以及光照度的实际值;网关节点包括GPRS模块、CC2530模块和MSP430单片机,网关节点的CC2530模块实现与检测节点之间通信的自组织通信网络,GPRS模块实现网关节点与现场监控端之间的数据双向交互;现场监控端实现对农田环境参数进行管理和对农田环境参数进行评价;土壤环境参数采集与评价平台结构如图1所示。
本发明进一步技术改进方案是:
土壤参数大数据处理子系统包括3组多个参数检测模型、3个检测参数融合模型和参数解耦模型,参数测量传感器包括温度传感器、水分传感器和电导率传感器,多个温度传感器、多个水分传感器和多个电导率传感器的输出分别是对应的3组多个参数检测模型的输入,3组多个参数检测模型输出的梯形模糊数分别是对应的3个检测参数融合模型的输入,3个检测参数融合模型输出的梯形模糊数是参数解耦模型的输入,参数解耦模型的输出是代表被检测土壤参数等级的梯形模糊数;土壤参数大数据处理子系统结构见图2所示。
本发明进一步技术改进方案是:
参数检测模型由1个按拍延迟线TDL(Tapped Delay Line)、多个LSTM神经网络模型、多个微分回路、GMDH神经网络模型和4个GM(1,1)灰色预测模型组成,由2个微分算子D相串联构成1个微分回路,每个微分回路的2个微分算子连接端的输出作为GMDH神经网络模型的1个对应的输入,每个微分回路的输出作为GMDH神经网络模型的1个对应的输入;参数测量传感器的输出作为对应的按拍延迟线TDL的输入,按拍延迟线TDL输出的一段时间的多个参数测量传感器值分别作为多个LSTM神经网络模型的输入,多个LSTM神经网络模型的输出分别作为对应的每个微分回路的输入和GMDH神经网络模型的1个对应的输入,GMDH神经网络模型的输出为代表一段时间参数测量传感器值大小的动态梯形模糊数为[a,b,c,d],[a,b,c,d]构成在一段时间内参数测量传感器值的动态梯形模糊数值,a、b、c和d分别代表参数测量传感器值的最小值、极小值、极大值和最大值,一段时间内a、b、c和d值分别作为对应的4个GM(1,1)灰色预测模型的输入,4个GM(1,1)灰色预测模型的输出分别作为一段时间内a、b、c和d值的预测值和参数检测模型的输出,参数检测模型把一段时间参数测量传感器值转换为被测量参数的梯形模糊数预测值。
本发明进一步技术改进方案是:
本发明共有3个检测参数融合模型分别对3组多个参数检测模型的输出的梯形模糊数进行融合,3个检测参数融合模型输出的梯形模糊数分别作为参数解耦模型的对应的3个按拍延迟线TDL的输入,检测参数融合模型的结构功能见图2所示,检测参数融合模型的功能如下:
1、一段时间多个参数检测模型输出的参数测量传感器的梯形模糊数值构成参数测量传感器的时间序列梯形模糊数值阵列,同一时刻所有参数测量传感器的梯形模糊数值的平均值构成时间序列参数测量传感器的梯形模糊数阵列的正理想值,同一时刻所有参数测量传感器的梯形模糊数值与正理想值距离最大的梯形模糊数值构成时间序列参数测量传感器的梯形模糊数阵列的负理想值,每个参数测量传感器的时间序列梯形模糊数值的负理想值距离除以该参数测量传感器的时间序列梯形模糊数值的负理想值距离与该参数测量传感器的时间序列梯形模糊数值的正理想值距离的和得到的商为该参数测量传感器的时间序列梯形模糊数值的距离相对贴近度,每个参数测量传感器的时间序列梯形模糊数值的距离相对贴近度除以所有参数测量传感器的时间序列梯形模糊数值的距离相对贴近度的和得到的商为该参数测量传感器的时间序列梯形模糊数值的距离融合权重;
2、每个参数测量传感器的时间序列梯形模糊数值的正灰色关联度除以该参数测量传感器的时间序列梯形模糊数值的正灰色关联度与该参数测量传感器的时间序列梯形模糊数值的负灰色关联度的和得到的商为该参数测量传感器的时间序列梯形模糊数值的灰色关联度相对贴近度;每个参数测量传感器的时间序列梯形模糊数值的灰色关联度相对贴近度除以所有参数测量传感器的时间序列梯形模糊数值的灰色关联度相对贴近度的和得到的商为该参数测量传感器的时间序列梯形模糊数值的灰色关联度融合权重;
3、每个参数测量传感器的时间序列梯形模糊数值的距离融合权重和灰色关联度融合权重分别构成均方根组合权重、博弈论组合权重、线性组合权重和乘积组合权重,由均方根组合权重、博弈论组合权重、线性组合权重和乘积组合权重按照从小到大排序组成该参数测量传感器的时间序列梯形模糊数值的梯形模糊数融合权重,每个参数测量传感器的时间序列梯形模糊数值与该参数测量传感器的时间序列梯形模糊数值的梯形模糊数融合权重的积相加得到的和为所有参数测量传感器的时间序列梯形模糊数融合值;
4、每个参数测量传感器的时间序列梯形模糊数值的负理想值的特征为该参数测量传感器的时间序列梯形模糊数值与时间序列参数测量传感器的梯形模糊数阵列的负理想值的距离,每个参数测量传感器的时间序列梯形模糊数值的正理想值距离的特征为该参数测量传感器的时间序列梯形模糊数值与时间序列参数测量传感器的梯形模糊数阵列的正理想值的距离;
5、每个参数测量传感器的时间序列梯形模糊数值的正灰色关联度的特征为该参数测量传感器的时间序列梯形模糊数值与时间序列参数测量传感器的梯形模糊数阵列的正理想值的灰色关联度,参数测量传感器的时间序列梯形模糊数值的负灰色关联度的特征为该参数测量传感器的时间序列梯形模糊数值与时间序列参数测量传感的梯形模糊数阵列的负理想值的灰色关联度;
6、乘积组合权重的特征为每个参数测量传感器的时间序列梯形模糊数值的距离融合权重和灰色关联度融合权重乘积占所有参数测量传感器的时间序列梯形模糊数值的距离融合权重和灰色关联度融合权重乘积的和的比为该参数测量传感器的时间序列梯形模糊数值融合的乘积组合权重。
本发明进一步技术改进方案是:
参数解耦模型包括3个按拍延迟线TDL(Tapped Delay Line)、3个梯形数自联想神经网络和BAM神经网络分类器,3个检测参数检测融合模型输出的3个梯形模糊数分别是3个对应的按拍延迟线TDL的输入,3个按拍延迟线TDL的输出是3个梯形数自联想神经网络的输入,3个梯形数自联想神经网络输出的3个梯形模糊数是BAM神经网络分类器的输入,BAM神经网络分类器输出的梯形模糊数代表被测量土壤等级的梯形模糊数值。参数解耦模型见图4所示。
本发明与现有技术相比,具有以下明显优点:
一、本发明LSTM神经网络模型类似于标准的含有递归隐藏层的网络,仅有的变化是使用记忆模块代替原有的隐藏层单元,通过记忆细胞内部状态的自反馈和输入输出对误差的截断,解决梯度消失和激增的问题,相对于BP神经网络和普通的RNN,LSTM增加了1个状态单元c和3个控制门,就大大增加了模型的特征包含能力和记忆能力,避免了欠拟合和梯度消失。LSTM的功能旨在农田环境的温度、水分、电导率数据中存在的相关关系,记住这种关系以及这种关系在时间上的变化,从而得到更准确的结果。LSTM神经网络模型实现的土壤温度、土壤水分和土壤电导率的预测,提高土壤温度、水分和电导率的预测的精确度。
二、本发明LSTM神经网络模型具有与标准RNN类似的链状重复网络结构,标准RNN中的重复网络非常简单,而LSTM神经网络模型中的重复网络具有4个交互层,包括3个门层和1个tanh层。处理器状态是LSTM神经网络模型中的关键变量,它携带着土壤温度、土壤水分和土壤电导率的预测先前步骤的信息,并逐步穿过整个LSTM。交互层中的门可以根据上一步的隐状态和当前步骤的输入来部分删除上一步的处理器状态和添加土壤温度、土壤水分和土壤电导率的预测新信息到当前步骤的处理器状态中。每个重复网络的输入包括上一步土壤温度、土壤水分和土壤电导率的预测的隐状态和处理器状态以及当前步骤的输入。处理器状态根据4个交互层的计算结果进行更新。更新后的处理器状态和隐状态构成输出并传递到下一步。
三、本发明LSTM神经网络模型是一种在重复网络中具有4个相互作用层的循环神经网络。它不仅能够像标准循环神经网络那样从土壤温度、土壤水分和土壤电导率的预测序列数据中提取信息,还能够保留来自于先前较远步骤的具有长期相关性的信息。土壤温度、土壤水分和土壤电导率的预测数据是序列数据,其变化趋势富有含义。此外,由于土壤温度、土壤水分和土壤电导率的预测的采样间隔相对较小,土壤温度、土壤水分和土壤电导率的预测存在长期(空间)相关性,而LSTM有足够的长期记忆来处理这种问题。
四、本发明在串级LSTM神经网络模型中,首先在浅层级对相对容易预测的土壤温度、土壤水分和土壤电导率的预测进行重构,然后把生成的土壤温度、土壤水分和土壤电导率的预测作为下一级的输入。深层级的预测结果不但基于土壤温度、土壤水分和土壤电导率的预测训练数据中的输入值,还受浅层级土壤温度、土壤水分和土壤电导率的预测结果的影响,这种方法能够更有效地提取土壤温度、土壤水分和土壤电导率的预测输入数据中蕴含的信息,提升模型的预测土壤温度、土壤水分和土壤电导率的预测的准确度。
五、本发明BAM神经网络分类器是一种双层反馈神经网络,用它可实现异联想记忆功能;其当向其中一层加入输入信号时,另一层得到输出。由于初始模式可以作用于网络的任一层,信息也可以双向传播,所以没有明确的输入层或输出层。BAM神经网络分类器型学习速度快,而BP学习时收敛速度慢,最终收敛达到的还有可能是局部最小点而非全局最小点,而BAM达到的一定是能量最小点;BAM神经网络分类器型是有反馈网络,当输入出现错误时,BAM神经网络分类器型不但可以输出准确的故障原因,还可纠正原始输入的错误。故该BAM神经网络分类器型适于要求对错误输入征兆进行纠正系统。BAM神经网络分类器型利用BAM神经网络双向联想存储的特性,提高推理过程中土壤参数分类不确定信息处理能力。
六、本发明土壤适宜等级分类的科学性和可靠性,本发明的BAM神经网络分类器给土壤适宜等级分类,根据土壤对植物生长影响的工程实践经验,通过BAM神经网络分类器将影响土壤适宜的土壤温度、土壤水分和土壤电导率的大小动态量化为适宜等级,通过梯形模糊数将土壤适宜分为五种情况,把5种适宜等级分别为一般适宜、比较适宜、很适宜、不适宜和很不适宜对应5个不同的梯形模糊数,计算BAM神经网络分类器输出的梯形模糊数与代表5种适宜等级的5个梯形模糊数的相似度,其中相似度的梯形模糊数对应的适宜等级确定为该土壤适宜等级,实现对土壤适宜等级分类的动态性能和科学分类。
七、本发明由于通过多个微分回路联引入土壤参数预测值的一次和二次变化率,在非线性参数的时间序列预测中应用GMDH神经网络模型根据被检测参数的预测值以及变化率的影响把被检测参数转换为梯形模糊数具有更好的预测精度和自适应能力,提高GMDH神经网络模型的泛化能力。
具体实施方式
结合附图1-7,对本发明技术方案作进一步描述:
一、系统总体功能的设计
本发明一种农产品生长环境大数据检测系统实现对农田土壤环境参数进行检测、预测和分类,该系统由土壤环境参数采集与评价平台和农田土壤环境大数据处理子系统组成两部分组成。土壤环境参数采集与评价平台包括农田土壤环境参数的检测节点、网关节点、现场监控端组成,检测节点和网关节点构自组织网络来实现检测节点和网关节点之间的无线通信网络通信;检测节点将检测的农田土壤环境参数通过网关节点,网关节点通过GPRS网络发送给现场监控端,现场监控端网关节点和检测节点之间实现农田土壤环境参数信息的双向传输;农田土壤环境大数据处理子系统实现对农田环境参数处理和农田参数等级评价。土壤环境参数采集与评价平台见图1所示。
二、检测节点的设计
采用大量基于CC2530的自组织通信网络的检测节点作为农田土壤环境参数感知终端,检测节点通过自组织通信网络实现与网关节点之间的信息相互交互。检测节点包括采集农田土壤环境温度、水分、电导率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CC2530模块;检测节点的软件主要实现自组织网络通信和农田土壤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5。
三、网关节点设计
网关节点包括GPRS模块、CC2530模块和MSP430单片机,网关节点的CC2530模块实现与检测节点之间通信的自组织通信网络,GPRS模块实现网关节点与现场监控端之间的数据双向交互。检测节点结构见图6.
四、现场监控端软件的设计
现场监控端是一台工业控制计算机,现场监控端主要实现对农田环境参数进行处理和土壤参数大数据处理子系统,实现与检测节点的信息交互,现场监控端主要功能为通信参数设置、数据分析与数据管理和土壤参数大数据处理子系统。该管理软件选择了Microsoft Visual++6.0作为开发工具,调用系统的Mscomm通信控件来设计通讯程序,现场监控端软件功能如附图7所示。土壤参数大数据处理子系统如附图2所示,该子系统设计如下步骤:
1、参数检测模型设计
参数检测模型结构如图3所示,参数检测模型由1个按拍延迟线TDL(Tapped DelayLine)、多个LSTM神经网络模型、多个微分回路、GMDH神经网络模型和4个GM(1,1)灰色预测模型组成,由2个微分算子D相串联构成1个微分回路,每个微分回路的2个微分算子连接端的输出作为GMDH神经网络模型的1个对应的输入,每个微分回路的输出作为GMDH神经网络模型的1个对应的输入;参数测量传感器的输出作为对应的按拍延迟线TDL的输入,按拍延迟线TDL输出的一段时间的多个参数测量传感器值分别作为多个LSTM神经网络模型的输入,多个LSTM神经网络模型的输出分别作为对应的每个微分回路的输入和GMDH神经网络模型的1个对应的输入,GMDH神经网络模型的输出为代表一段时间参数测量传感器值大小的动态梯形模糊数为[a,b,c,d],[a,b,c,d]构成在一段时间内参数测量传感器值的动态梯形模糊数值,a、b、c和d分别代表参数测量传感器值的最小值、极小值、极大值和最大值,一段时间内a、b、c和d值分别作为对应的4个GM(1,1)灰色预测模型的输入,4个GM(1,1)灰色预测模型的输出分别作为一段时间内a、b、c和d值的预测值和参数检测模型的输出,参数检测模型把一段时间参数测量传感器值转换为被测量参数的梯形模糊数预测值。
X(t),X(t-1)…,X(t-n)为按拍延迟线TDL的输出历史数据,t表示当前时刻,n分别表示X的滞后点;GMDH神经网络模型输出的动态梯形模糊数为[a,b,c,d],GMDH神经网络模型输出值[a,b,c,d]代表参数测量传感器输出的动态梯形模糊数值,参数测量传感器的参数检测模型的动态梯形模糊数值可以描述为:
U(t)=[a,b,c,d]=F[X(t),X(t-1)…,X(t-n)] (1)
LSTM神经网络模型引入了记忆单元(Memory Cell)和隐藏层状态(Cell State)的机制来控制隐藏层之间的信息传递。一个LSTM神经网络的记忆单元内有3个门(Gates)计算结构分别是输入门(Input Gate)、遗忘门(Forget Gate)和输出门(Output Gate)。其中,输入门能控制新信息的加入或滤出;遗忘门能忘记需要丢掉的信息以及保留过去有用的信息;输出门能使记忆单元只输出与当前时间步相关的信息。这3个门结构在记忆单元中进行矩阵乘法和非线性求和等运算,使得记忆在不断的迭代中仍然不会衰减。长短期记忆单元(LSTM)结构单元由单元(Cell),输入门(Input Gate),输出门(Output Gate)和忘记门(Forget Gate)组成。LSTM神经网络模型是可以持续较长时间短期记忆的模型适合用预测时间序列检测点的水分动态变化,LSTM有效防止了RNN训练时的梯度消失,长短期记忆(LSTM)网络是一种特殊的RNN。LSTM神经网络模型可以学习长期的依赖信息,同时避免梯度消失问题。LSTM在神经元内部结构RNN的隐藏层的神经节点中增加了一种被称为记忆单元(Memory Cell)的结构用来记忆过去的检测点水分动态变化信息,并增加了三种门(Input、Forget、Output)结构来控制检测点的水分历史信息的使用。设输入检测点的测量传感器值的时间序列值为(x1,x2,…,xT),隐含层状态为(h1,h2,…,hT),则t时刻有:
it=sigmoid(Whiht-1+WxiXt) (2)
ft=sigmoid(Whfht-1+WhfXt) (3)
ct=ft⊙ct-1+it⊙tanh(Whcht-1+WxcXt) (4)
ot=sigmoid(Whoht-1+WhxXt+Wcoct) (5)
ht=ot⊙tanh(ct) (6)
其中it、ft、ot代表input门、forget门和output门,ct代表cell单元,Wh代表递归连接的权重,Wx代表输入层到隐含层的权重,sigmoid与tanh为两种激活函数。使用长短期记忆的4个LSTM神经网络模型来对进行预测检测点的测量传感器值,该方法首先建立LSTM神经网络模型,利用预处理的检测点的测量传感器值数据建立训练集并对模型进行训练,LSTM神经网络模型考虑了检测点的测量传感器值的时序性和非线性,具有较高测量传感器值的预测精度。
GMDH神经网络模型的输入为多个LSTM神经网络模型的输出、多个微分回路的输出和多个微分回路的两个微分算子连接端的输出,GMDH神经网络模型的输出4个数为a、b、c和d,它们分别代表一段时间内的参数测量传感器输出的最小值、极小值、极大值和最大值,它们构成在一段时间内的参数测量传感器输出的动态梯形模糊数值[a,b,c,d]。GMDH神经网络模型的设计原理如下:GMDH神经网络模型(GMDH)是一种自组织数据挖掘的算法,若该网络有m个输入变量x1,x2,…,xm和输出为Y。GMDH神经网络模型的目的就是要建立起输入与输出关系的系数待定和形式已知的函数关系f,可以通过应用volterra级数展开的多项式去逼近f:
GMDH神经网络模型主要用于处理小样本数据,通过自动寻找样本中各变量之间的相关性构建参数测量传感器的动态梯形模糊数值预测模型。首先根据参考函数的初始模型产生第一代中间候选模型,然后从第一代中间候选模型中筛选出若干项加上计算法则生成第二代中间候选模型,重复此过程直得出最优预测模型为止,因此GMDH神经网络模型能够根据参数测量传感器值变化自变量自适应的建立一个对因变量有解释能力的高阶多项式模型。设R
j为第j层最大神经元数量,x
kl为第l个输入样本的第k维,y
jkl为网络第j层中第k个神经元对第l个输入样本额预测值,
为网络第j层中第k个神经元的阀值均方根,Y为GMDH神经网络模型的预测值。GMDH神经网络模型采用自适应多层迭代的方法构建网络结构,通过最小偏差准则选择网络最优模型,并构建出基于Kolmogorov-Gabor多项式的输入和输出之间非线性映射。将数据集划分为训练集和测试集;对输入量配对,并辨识得出局部多项式模型,从而生成竞争模型集,计算选择准则值作为下一层输入,直至选出最优复杂度模型为止。网络的学习进化过程如下:①设定网络各层最大神经元数量R
j和网络的初始变量个数d
0,选择网络最小偏差准则。②根据输入数据维数构建只包含第1层神经元的初始网络。③依次计算每个神经元的阀值均方根
对于网络第j层,从大到小排序
取前R
j个
做为被选中神经元加以保留,其余做为未被选中的神经元。对于被选中的神经元,找出最小
并与上一层最小
进行比较,如果
小于
则执行步骤④,否则执行步骤⑤。④根据当前被选中的神经元产生下一层神经元。⑤GMDH神经网络模型构建完毕。
GMDH神经网络模型的输出4个数为a、b、c和d,它们分别代表一段时间内的参数测量传感器输出的最小值、极小值、极大值和最大值,它们构成在一段时间内的参数测量传感器输出的动态梯形模糊数值[a,b,c,d],一段时间内a、b、c和d的时间序列值分别为4个对应的GM(1,1)灰色预测模型的输入,GM(1,1)灰色预测模型是将无规律的a、b、c和d的时间序列值的历史数据预测值进行累加,得到规律性比较强的生成数据序列后预测动态梯形模糊数值[a,b,c,d]的a、b、c和d的时间序列值预测建模过程,由生成预测a、b、c和d的GM(1,1)灰色预测模型得到的数据再进行累减得到原始数据的预测值。假设要预测动态梯形模糊数值[a,b,c,d]的c的输出数据数列为:
x(0)=(x(0)(1),x(0)(2),…x(0)(n)) (8)
一阶累加后生成新的序列为:x(1)=(x(1)(1),x(1)(2),…x(1)(n))
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c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c的灰色预测模型为:
通过构建GM(1,1)灰色预测动态梯形模糊数值[a,b,c,d]的a、b、c和d值的预测模型,可以实现对本专利参数测量传感器的动态梯形模糊数的预测,a、b和d值预测的GM(1,1)灰色预测模型与c的灰色预测模型类似,GM(1,1)灰色预测模型考虑了参数测量传感器输出值的动态变化的时序性和非线性,具有较高参数测量传感器的动态梯形模糊数值的预测精度。
2、检测参数融合模型设计
本发明专利共有3个检测参数融合模型分别实现对土壤3个参数的多个梯形模糊数进行融合,检测参数融合模型的组成和结构见图2所示。检测参数融合模型设计过程如下:
①、构建参数测量传感器的时间序列梯形模糊数值阵列
一段时间多个参数测量传感器的参数检测模型输出的梯形模糊数值构成参数测量传感器的时间序列梯形模糊数值阵列,设有n个参数测量传感器和m个时刻的nm个参数测量传感器的梯形模糊数值构成n行和m列的参数测量传感器的时间序列梯形模糊数阵列,设不同时刻同一参数测量传感器的梯形模糊数值为Aij(t),Aij(t+1),…,Aij(m),则所有参数测量传感器的时间序列梯形模糊数阵列为:
②、计算参数测量传感器的时间序列梯形模糊数值的距离融合权重
同一时刻所有参数测量传感器的梯形模糊数值的平均值构成时间序列参数测量传感器的梯形模糊数阵列的正理想值,时间序列参数测量传感器的梯形模糊数阵列的正理想值为:
同一时刻所有参数测量传感器的梯形模糊数值与时间序列参数测量传感器的梯形模糊数阵列的正理想值距离最大的梯形模糊数值构成时间序列参数测量传感器的梯形模糊数阵列的负理想值,时间序列参数测量传感器的梯形模糊数阵列的负理想值为:
参数测量传感器的时间序列梯形模糊数值的正理想值距离是每个参数测量传感器的时间序列梯形模糊数值与时间序列参数测量传感器的梯形模糊数阵列的正理想值距离为:
每个参数测量传感器的时间序列梯形模糊数值的负理想值距离是每个参数测量传感器的时间序列梯形模糊数值与时间序列参数测量传感器的梯形模糊数阵列的负理想值距离为:
每个参数测量传感器的时间序列梯形模糊数值的负理想值距离除以该参数测量传感器的时间序列梯形模糊数值的负理想值距离与该参数测量传感器的时间序列梯形模糊数值的正理想值距离的和得到的商为每个参数测量传感器的时间序列梯形模糊数值距离的相对贴近度,公式为:
通过(17)公式计算可以知道,每个参数测量传感器的时间序列梯形模糊数值距离的相对贴近度越大,则该参数测量传感器的时间序列梯形模糊数值离正理想值的相对距离就越接近,否则该参数测量传感器的时间序列梯形模糊数值离正理想值的相对距离就越远,根据这个原理确定每个参数测量传感器的时间序列梯形模糊数值距离的相对贴近度除以所有参数测量传感器的时间序列梯形模糊数值距离的相对贴近度的和得到的商为每个参数测量传感器的时间序列梯形模糊数值的距离融合权重为:
③、计算参数测量传感器的时间序列梯形模糊数值的灰色关联度融合权重
每个参数测量传感器的时间序列梯形模糊数值与时间序列参数测量传感器的梯形模糊数阵列的正理想值的灰色关联度为:
通过计算每个参数测量传感器的时间序列梯形模糊数值与时间序列参数测量传感器的梯形模糊数阵列的正理想值的灰色关联度,可以构建每个参数测量传感器的时间序列梯形模糊数值的灰色关联度矩阵:
根据公式(20)可以得到每个参数测量传感器的时间序列梯形模糊数值与时间序列参数测量传感器的梯形模糊数阵列的正理想值之间的灰色关联度,如下公式所示:
同理,每个参数测量传感器的时间序列梯形模糊数值与时间序列参数测量传感器的梯形模糊数阵列的负理想值的灰色关联度为,定义如下公式:
同理,通过计算每个参数测量传感器的时间序列梯形模糊数值与时间序列参数测量传感器的梯形模糊数阵列的负理想值的灰色关联度,可以构建每个参数测量传感器的时间序列梯形模糊数值的灰色关联度矩阵:
根据公式(23)可以得到每个参数测量传感器的时间序列梯形模糊数值与时间序列参数测量传感器的梯形模糊数阵列的负理想值之间的灰色关联度,如下公式所示:
每个参数测量传感器的时间序列梯形模糊数值与时间序列参数测量传感器的梯形模糊数阵列的正理想值之间的灰色关联度除以该参数测量传感器的时间序列梯形模糊数值与时间序列参数测量传感器的梯形模糊数阵列的正理想值之间的灰色关联度相加该参数测量传感器的时间序列梯形模糊数值与时间序列参数测量传感器的梯形模糊数阵列的负理想值之间的灰色关联度的和得到的商为该参数测量传感器的时间序列梯形模糊数值的灰色关联度相对贴近度为:
通过(25)公式计算可以知道,每个参数测量传感器的时间序列梯形模糊数值的灰色关联度相对贴近度越大,则该参数测量传感器的时间序列梯形模糊数值与时间序列参数测量传感器的梯形模糊数阵列的正理想值的形状相似度相差就越小,否则该参数测量传感器的时间序列梯形模糊数值与时间序列参数测量传感器的梯形模糊数阵列的正理想值的形状相似度相差就越大,根据这个原理确定每个参数测量传感器的时间序列梯形模糊数值的灰色关联度相对贴近度除以所有参数测量传感器的时间序列梯形模糊数值的灰色关联度相对贴近度的和得到的商为该参数测量传感器的时间序列梯形模糊数值的灰色关联度融合权重为:
④、计算多个参数测量传感器的时间序列梯形模糊数值的融合值
根据每个参数测量传感器的时间序列梯形模糊数值的距离融合权重αi和灰色关联度融合权重βi,求取均方根组合权重γi,显然γi与αi、βi和都应尽可能接近,根据最小相对信息熵原理有:
用拉格朗日乘子法解上述优化问题得:
根据公式(28)可以知每个参数测量传感器的时间序列梯形模糊数值的距离融合权重和灰色关联度融合权重乘积的均方根占所有参数测量传感器的时间序列梯形模糊数值的距离融合权重和灰色关联度融合权重乘积的均方根和的比为该参数测量传感器的时间序列梯形模糊数值融合的均方根组合权重。
单独运用一种方法得到参数测量传感器数据融合权重均会导致结果存在一定的局限性,本专利运用博弈论的方法将不同参数测量传感器的时间序列梯形模糊数值的距离融合权重和灰色关联度融合权重进行综合集成,该方法主要是为了缩小不同方法得到的各个基本权重与最终得到的组合权重之间的偏差,使得各个方法所确定的权重在相互竞争的关系中比较协调,进而寻求比较均衡的结果,保证所确定的指标组合权重更加科学合理。为了使得到的组合权重更具有科学性和客观性,可使用L种不同的方法对各指标进行赋权,这样可以构造一个基本的权重集,使用L种方法对指标进行赋权,由此构造一个基本的权重集ui={ui1,ui2,…,uin},i=1,2,…,L,我们记这L个向量的任意线性组合为:
为了在可能的权重向量u中找到最满意的
我们将L个线性组合系数λ
k进行优化,使得u与各个u
k的离差极小化。这样便导出了下面的对策模型:
根据矩阵的微分性质可知,式(30)的最优化一阶导数条件为
可转化为线性方程组并运用Mathmatica计算,求得(λ
1,λ
2,…λ
L)后归一化处理,代入(29)式,得到博弈论组合权重:
根据参数测量传感器的时间序列梯形模糊数值的距离融合权重αi和灰色关联度融合权重βi进行线性组合得到该参数测量传感器的时间序列梯形模糊数值融合的线性组合权重θi,公式为:
θi=ααi+ββi (32)
根据每个参数测量传感器的时间序列梯形模糊数值的距离融合权重和灰色关联度融合权重乘积占所有参数测量传感器的时间序列梯形模糊数值的距离融合权重和灰色关联度融合权重乘积的和的比为该参数测量传感器的时间序列梯形模糊数值融合的乘积组合权重,公式为:
根据公式(28)、(31)、(32)和公式(33)得到该参数测量传感器的时间序列梯形模糊数值融合的梯形模糊数融合权重为wi:
wi=[min(θi,γi,νi,σi),κi,Oi,max(θi,γi,νi,σi)] (34)
其中κi,Oi分别为4个组合权重θi,γi,νi,σi中从大到小排序的第3个数和第2个数。
从公式(34)可以知每个参数测量传感器的时间序列梯形模糊数值的均方根组合权重、博弈论组合权重、线性组合权重和乘积组合权重按照从小到大排序组成该参数测量传感器的时间序列梯形模糊数值的梯形模糊数融合权重。
根据同一时刻每个参数测量传感器的时间序列梯形模糊数值与该参数测量传感器的时间序列梯形模糊数值的梯形模糊数融合权重的积相加得到的和为所有参数测量传感器的时间序列梯形模糊数融合值为:
3、参数解耦模型设计
参数解耦模型见图4,参数解耦模型包括3个按拍延迟线TDL(Tapped DelayLine)、3个梯形数自联想神经网络和BAM神经网络分类器,3个检测参数检测融合模型输出的3个梯形模糊数分别是3个对应的按拍延迟线TDL的输入,每个按拍延迟线TDL的输出是3个梯形数自联想神经网络的输入,3个梯形数自联想神经网络的输出是BAM神经网络分类器的输入,BAM神经网络分类器输出的梯形模糊数代表被测量土壤等级的梯形模糊数值。梯形数自联想神经网络是一种前馈神经网络用误差反向传播算法进行训练,梯形数自联想神经网络是包括1个输入层和映射层、瓶颈层、解映射层的3个隐层以及1个输出层的前向网络,第1隐含层叫做映射层,映射层节点的传递函数为Sigmoid函数或其它非线性函数,第2层隐层叫做瓶颈层,瓶颈层节点的传递函数可以是线性的或非线性的,第3层隐层叫做解映射层,其节点传递函数是Sigmoid函数或其它非线性函数。本发明专利的每个梯形数自联想神经网络的输入为3个按拍延迟线TDL输出的3个检测参数融合模型输出的时间序列梯形模糊数,每个梯形数自联想神经网络输出是梯形模糊数,梯形数自联想神经网络中的瓶颈层起着至关重要的作用,瓶颈层避免了那种很容易实现的一对一的输出与输入相等的映射关系,它使网络对输入信号进行编码和压缩,并在瓶颈层后进行解码和解压缩以产生与输入相等的输出,因此具有过滤噪声的作用。当训练完成的梯形数自联想神经网络输入带噪声的检测参数融合模型的输出时,梯形数自联想神经网络输出则为滤除噪声后的检测参数融合模型输出的参数测量传感器的梯形模糊数,梯形数自联想神经网络能在输入检测参数融合模型输出的数据压缩、提取数据特征的过程中,自动摒弃检测参数融合模型输出的梯形模糊数的不相关的噪声,而保留3个检测参数融合模型输出梯形模糊数变量间的本质特征,提高了梯形数自联想神经网络在解耦检测土壤参数之间耦合关系的精确性。3个梯形数自联想神经网络输出的3个梯形模糊数作为BAM神经网络分类器的输入,BAM神经网络分类器的输出为梯形模糊数代表被检测土壤优良的等级,BAM神经网络分类器是一种反馈型的双向联想记忆神经网络,通过多次反馈训练的模式来进行土壤参数的进一步分类,它具有联想记忆土壤参数的功能,自适应性能力强,自动提取土壤参数值的优点,并且预测误差较小,自出现以来便得到广泛应用;BAM神经网络分类器拓扑结构中,网络输入端的初始模式为x(t),通过权值矩阵W1加权后到达输出端y端,经过输出节点的转移特性fy的非线性变换和W2矩阵加权后返回到输入端x,再经过x端输出节点转移特性fx的非线性变换,变为输入端x的输出,反复这一运行过程,BAM神经网络分类器状态转移方程见式(36)公式:
根据土壤参数对植物生长影响的工程实践,BAM神经网络分类器把土壤等级分为一般适宜、比较适宜、很适宜、不适宜和很不适宜对应不同的5个不同的梯形模糊数,计算BAM神经网络分类器输出的梯形模糊数与代表5种适宜等级的5个梯形数的相似度,其中相似度最大的梯形模糊数对应的土壤等级确定为该土壤等级等级。构建5个梯形模糊数与土壤等级的5种程度等级的对应关系表,土壤等级等级与梯形模糊数的对应关系如下,见表1。
表1土壤等级等级与梯形模糊数对应关系表
五、一种农产品生长环境大数据检测系统的设计举例
根据农产品生长环境大数据检测系统的实际状况,系统布置了土壤环境参数采集与评价平台的检测节点、网关节点和现场监控端的平面布置安装图,其中检测节点的传感器根据检测的需要均衡布置在农田的各个方位,通过该系统实现对农田土壤参数进行采集与评价。
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。