CN112711621A - 万物互联训练平台及控制方法与装置 - Google Patents
万物互联训练平台及控制方法与装置 Download PDFInfo
- Publication number
- CN112711621A CN112711621A CN202110060190.6A CN202110060190A CN112711621A CN 112711621 A CN112711621 A CN 112711621A CN 202110060190 A CN202110060190 A CN 202110060190A CN 112711621 A CN112711621 A CN 112711621A
- Authority
- CN
- China
- Prior art keywords
- data
- training
- user
- module
- target
- 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
- 238000012549 training Methods 0.000 title claims abstract description 271
- 238000000034 method Methods 0.000 title claims abstract description 96
- 238000005516 engineering process Methods 0.000 claims abstract description 56
- 238000013473 artificial intelligence Methods 0.000 claims abstract description 34
- 238000013528 artificial neural network Methods 0.000 claims abstract description 22
- 230000002068 genetic effect Effects 0.000 claims abstract description 20
- 238000003672 processing method Methods 0.000 claims abstract description 13
- 230000000694 effects Effects 0.000 claims description 66
- 230000005540 biological transmission Effects 0.000 claims description 24
- 238000012545 processing Methods 0.000 claims description 24
- 238000012544 monitoring process Methods 0.000 claims description 21
- 238000007781 pre-processing Methods 0.000 claims description 17
- 238000004458 analytical method Methods 0.000 claims description 14
- 238000013523 data management Methods 0.000 claims description 14
- 238000005065 mining Methods 0.000 claims description 11
- 238000013480 data collection Methods 0.000 claims description 6
- 210000001503 joint Anatomy 0.000 claims description 6
- 238000012216 screening Methods 0.000 claims 1
- 238000003860 storage Methods 0.000 abstract description 13
- 238000009825 accumulation Methods 0.000 abstract description 2
- 230000012010 growth Effects 0.000 description 33
- 239000002689 soil Substances 0.000 description 21
- 230000006870 function Effects 0.000 description 19
- 230000008569 process Effects 0.000 description 13
- 238000011156 evaluation Methods 0.000 description 11
- 238000007726 management method Methods 0.000 description 11
- IJGRMHOSHXDMSA-UHFFFAOYSA-N Atomic nitrogen Chemical compound N#N IJGRMHOSHXDMSA-UHFFFAOYSA-N 0.000 description 10
- 210000002569 neuron Anatomy 0.000 description 10
- 241001465754 Metazoa Species 0.000 description 6
- 238000012271 agricultural production Methods 0.000 description 6
- 230000007613 environmental effect Effects 0.000 description 6
- 239000000463 material Substances 0.000 description 6
- OAICVXFJPJFONN-UHFFFAOYSA-N Phosphorus Chemical compound [P] OAICVXFJPJFONN-UHFFFAOYSA-N 0.000 description 5
- ZLMJMSJWJFRBEC-UHFFFAOYSA-N Potassium Chemical compound [K] ZLMJMSJWJFRBEC-UHFFFAOYSA-N 0.000 description 5
- 125000004122 cyclic group Chemical group 0.000 description 5
- 238000011161 development Methods 0.000 description 5
- 239000011159 matrix material Substances 0.000 description 5
- 229910052757 nitrogen Inorganic materials 0.000 description 5
- 229910052698 phosphorus Inorganic materials 0.000 description 5
- 239000011574 phosphorus Substances 0.000 description 5
- 239000011591 potassium Substances 0.000 description 5
- 229910052700 potassium Inorganic materials 0.000 description 5
- 230000003252 repetitive effect Effects 0.000 description 5
- 230000008901 benefit Effects 0.000 description 4
- 238000004891 communication Methods 0.000 description 4
- 238000007418 data mining Methods 0.000 description 4
- 235000013399 edible fruits Nutrition 0.000 description 4
- 238000005457 optimization Methods 0.000 description 4
- 241000282414 Homo sapiens Species 0.000 description 3
- 230000006399 behavior Effects 0.000 description 3
- 230000009286 beneficial effect Effects 0.000 description 3
- 230000008859 change Effects 0.000 description 3
- 238000010586 diagram Methods 0.000 description 3
- 238000009396 hybridization Methods 0.000 description 3
- 238000005286 illumination Methods 0.000 description 3
- 238000005259 measurement Methods 0.000 description 3
- 230000009467 reduction Effects 0.000 description 3
- 230000004044 response Effects 0.000 description 3
- 241000196324 Embryophyta Species 0.000 description 2
- 230000002159 abnormal effect Effects 0.000 description 2
- 238000009395 breeding Methods 0.000 description 2
- 230000001488 breeding effect Effects 0.000 description 2
- 229930002875 chlorophyll Natural products 0.000 description 2
- 235000019804 chlorophyll Nutrition 0.000 description 2
- ATNHDLDRLWWWCB-AENOIHSZSA-M chlorophyll a Chemical compound C1([C@@H](C(=O)OC)C(=O)C2=C3C)=C2N2C3=CC(C(CC)=C3C)=[N+]4C3=CC3=C(C=C)C(C)=C5N3[Mg-2]42[N+]2=C1[C@@H](CCC(=O)OC\C=C(/C)CCC[C@H](C)CCC[C@H](C)CCCC(C)C)[C@H](C)C2=C5 ATNHDLDRLWWWCB-AENOIHSZSA-M 0.000 description 2
- 238000013500 data storage Methods 0.000 description 2
- 238000013278 delphi method Methods 0.000 description 2
- 238000009826 distribution Methods 0.000 description 2
- 239000003337 fertilizer Substances 0.000 description 2
- 238000009776 industrial production Methods 0.000 description 2
- 230000003993 interaction Effects 0.000 description 2
- 230000035772 mutation Effects 0.000 description 2
- 238000011160 research Methods 0.000 description 2
- 241000208467 Macadamia Species 0.000 description 1
- 230000005856 abnormality Effects 0.000 description 1
- 230000003044 adaptive effect Effects 0.000 description 1
- 230000004075 alteration Effects 0.000 description 1
- QVGXLLKOCUKJST-UHFFFAOYSA-N atomic oxygen Chemical compound [O] QVGXLLKOCUKJST-UHFFFAOYSA-N 0.000 description 1
- 230000002457 bidirectional effect Effects 0.000 description 1
- 230000015572 biosynthetic process Effects 0.000 description 1
- 238000010835 comparative analysis Methods 0.000 description 1
- 238000007405 data analysis Methods 0.000 description 1
- 238000009795 derivation Methods 0.000 description 1
- 238000001514 detection method Methods 0.000 description 1
- 230000004720 fertilization Effects 0.000 description 1
- 235000013305 food Nutrition 0.000 description 1
- 238000007429 general method Methods 0.000 description 1
- 230000008303 genetic mechanism Effects 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 230000010365 information processing Effects 0.000 description 1
- 230000010354 integration Effects 0.000 description 1
- 230000002045 lasting effect Effects 0.000 description 1
- 238000010801 machine learning Methods 0.000 description 1
- 238000012423 maintenance Methods 0.000 description 1
- 238000013178 mathematical model Methods 0.000 description 1
- 230000007246 mechanism Effects 0.000 description 1
- 230000003340 mental effect Effects 0.000 description 1
- 230000003278 mimic effect Effects 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 229910052760 oxygen Inorganic materials 0.000 description 1
- 239000001301 oxygen Substances 0.000 description 1
- 230000036417 physical growth Effects 0.000 description 1
- 238000013439 planning Methods 0.000 description 1
- 238000000513 principal component analysis Methods 0.000 description 1
- 108090000623 proteins and genes Proteins 0.000 description 1
- 230000008433 psychological processes and functions Effects 0.000 description 1
- 230000002441 reversible effect Effects 0.000 description 1
- 238000013077 scoring method Methods 0.000 description 1
- 238000004904 shortening Methods 0.000 description 1
- 238000007619 statistical method Methods 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- 230000004083 survival effect Effects 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
- G06F16/20—Information retrieval; Database structures therefor; File system structures therefor of structured data, e.g. relational data
- G06F16/24—Querying
- G06F16/245—Query processing
- G06F16/2458—Special types of queries, e.g. statistical queries, fuzzy queries or distributed queries
- G06F16/2465—Query processing support for facilitating data mining operations in structured databases
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
- G06F16/20—Information retrieval; Database structures therefor; File system structures therefor of structured data, e.g. relational data
- G06F16/24—Querying
- G06F16/248—Presentation of query results
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
- G06F16/20—Information retrieval; Database structures therefor; File system structures therefor of structured data, e.g. relational data
- G06F16/27—Replication, distribution or synchronisation of data between databases or within a distributed database system; Distributed database system architectures therefor
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N20/00—Machine learning
-
- 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
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/12—Computing arrangements based on biological models using genetic models
- G06N3/126—Evolutionary algorithms, e.g. genetic algorithms or genetic programming
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N7/00—Computing arrangements based on specific mathematical models
- G06N7/02—Computing arrangements based on specific mathematical models using fuzzy logic
- G06N7/023—Learning or tuning the parameters of a fuzzy system
-
- 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
- G06Q10/20—Administration of product repair or maintenance
-
- 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
-
- G—PHYSICS
- G16—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR SPECIFIC APPLICATION FIELDS
- G16Y—INFORMATION AND COMMUNICATION TECHNOLOGY SPECIALLY ADAPTED FOR THE INTERNET OF THINGS [IoT]
- G16Y10/00—Economic sectors
- G16Y10/05—Agriculture
-
- G—PHYSICS
- G16—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR SPECIFIC APPLICATION FIELDS
- G16Y—INFORMATION AND COMMUNICATION TECHNOLOGY SPECIALLY ADAPTED FOR THE INTERNET OF THINGS [IoT]
- G16Y20/00—Information sensed or collected by the things
- G16Y20/10—Information sensed or collected by the things relating to the environment, e.g. temperature; relating to location
-
- G—PHYSICS
- G16—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR SPECIFIC APPLICATION FIELDS
- G16Y—INFORMATION AND COMMUNICATION TECHNOLOGY SPECIALLY ADAPTED FOR THE INTERNET OF THINGS [IoT]
- G16Y20/00—Information sensed or collected by the things
- G16Y20/20—Information sensed or collected by the things relating to the thing itself
-
- G—PHYSICS
- G16—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR SPECIFIC APPLICATION FIELDS
- G16Y—INFORMATION AND COMMUNICATION TECHNOLOGY SPECIALLY ADAPTED FOR THE INTERNET OF THINGS [IoT]
- G16Y40/00—IoT characterised by the purpose of the information processing
- G16Y40/10—Detection; Monitoring
-
- G—PHYSICS
- G16—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR SPECIFIC APPLICATION FIELDS
- G16Y—INFORMATION AND COMMUNICATION TECHNOLOGY SPECIALLY ADAPTED FOR THE INTERNET OF THINGS [IoT]
- G16Y40/00—IoT characterised by the purpose of the information processing
- G16Y40/20—Analytics; Diagnosis
-
- G—PHYSICS
- G16—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR SPECIFIC APPLICATION FIELDS
- G16Y—INFORMATION AND COMMUNICATION TECHNOLOGY SPECIALLY ADAPTED FOR THE INTERNET OF THINGS [IoT]
- G16Y40/00—IoT characterised by the purpose of the information processing
- G16Y40/30—Control
-
- G—PHYSICS
- G16—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR SPECIFIC APPLICATION FIELDS
- G16Y—INFORMATION AND COMMUNICATION TECHNOLOGY SPECIALLY ADAPTED FOR THE INTERNET OF THINGS [IoT]
- G16Y40/00—IoT characterised by the purpose of the information processing
- G16Y40/40—Maintenance of things
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F2216/00—Indexing scheme relating to additional aspects of information retrieval not explicitly covered by G06F16/00 and subgroups
- G06F2216/03—Data mining
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- Computing Systems (AREA)
- General Physics & Mathematics (AREA)
- Software Systems (AREA)
- Health & Medical Sciences (AREA)
- General Engineering & Computer Science (AREA)
- Data Mining & Analysis (AREA)
- Life Sciences & Earth Sciences (AREA)
- Business, Economics & Management (AREA)
- General Health & Medical Sciences (AREA)
- Databases & Information Systems (AREA)
- Mathematical Physics (AREA)
- Computational Linguistics (AREA)
- Artificial Intelligence (AREA)
- Biophysics (AREA)
- Evolutionary Computation (AREA)
- Biomedical Technology (AREA)
- General Business, Economics & Management (AREA)
- Molecular Biology (AREA)
- Human Resources & Organizations (AREA)
- Fuzzy Systems (AREA)
- Economics (AREA)
- Agronomy & Crop Science (AREA)
- Tourism & Hospitality (AREA)
- Strategic Management (AREA)
- Marketing (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Bioinformatics & Computational Biology (AREA)
- Automation & Control Theory (AREA)
- Evolutionary Biology (AREA)
- Accounting & Taxation (AREA)
- Operations Research (AREA)
- Physiology (AREA)
- Probability & Statistics with Applications (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Development Economics (AREA)
- Pure & Applied Mathematics (AREA)
- Mathematical Optimization (AREA)
Abstract
本申请涉及实现万物互联训练平台及控制方法与装置，包括：利用物联网技术，采集万物数据，按协议接口或通过数据接收与发送器，将数据上行至云平台，累计形成大数据，云平台对数据进行预处理和分类；利用区块链技术，实现数据的安全存储；利用具有核心算法的人工智能技术模块，即排列组合方法模块、遗传算法模块、神经网络算法模块、模糊处理方法模块、专家经验数据与算法模块的一个或几个模块的综合运用，对数据进行挖掘或分析，形成不同的可重新利用的训练数据，通过控制执行设备或人工运作，云平台自学习后基于用户指定的训练目标进行迭代循环训练，获得用户认可的最佳数据和算法，甄选出最佳数据采集设备和训练设备；实现平台的用户数据共享。
Description
技术领域
本申请涉及物联网、大数据、区块链、人工智能等相关技术及应用领域，尤其涉及一种万物互联训练平台及控制方法与装置。
背景技术
现阶段物联网的市场状态以单元化工作状态或单一系统为主实现各自功能，即使实现互联也限于同系统、同类设备或物体。
目前的技术方案中，一个执行设备通常与其对应的系统和终端连接，该执行设备只能基于系统发送的单一数据信息进行控制活动，没有排列组合方法、遗传算法、神经网络算法、模糊处理方法、专家经验数据与算法一种或几种方法的综合运用，没有实现对设备或物体终端的迭代循环训练，没有实现万物在一个平台互联并不同用户之间进行数据共享。
从而，用户难以获得最佳信息、最佳效果或系统和执行设备对物体的控制效果不理想。同时，当执行设备因为故障问题发送的数据错误时，更是会造成系统的误判等。
随着物联网、大数据、人工智能和区块链等技术的发展和各种方法算法的成功运用，市场需要有跨学科平台将其以一定的逻辑关系整合起来解决工农业生产、消防、科研、社会管理等各领域中存在的问题。
发明内容
本申请的目的是提供一种万物互联训练平台及控制方法与装置，以解决相关技术、工农业生产、消防、科研和社会管理等方面存在的问题。
本申请的目的是通过以下技术方案实现的：
基于本申请的第一方面，本申请提供一种万物互联训练平台及控制方法，包括：
获取数据采集设备采集的用户需求信息；
利用物联网等技术，获取具有数据发送功能的数据采集设备或不具有数据发送功能的数据采集设备和数据接收与发送器发送的第一数据，累计形成大数据；
基于所述第一数据，利用基于粗糙集理论的约简方法预处理，利用区块链等技术对数据进行分布式存储或集中式存储，实现数据的可追溯性和透明化；
基于所述存储数据，作为训练目标的训练数据，利用具有核心算法的人工智能技术模块，即排列组合方法模块、遗传算法模块、神经网络算法模块、模糊处理方法模块、专家经验数据与算法模块的一个或几个模块的综合运用，或用户提供人工智能技术模块与本平台对接后，对存储数据进行整体性挖掘或分析、开发，生成用户所需数据，形成训练目标所需的训练数据，形成第二数据；
或者，基于所述存储第一数据，不作为训练目标的训练数据，用于甄选最佳数据采集设备，本平台自动甄选出最佳数据采集设备；
向用户反馈第二数据，供用户基于所述第二数据进行管理，向执行设备发送第二数据，以使得执行设备执行指令后，满足用户需求，或者人工执行第二数据后，满足用户需求。
根据用户需求重复执行训练，结合训练目标效果、最佳数据和算法、历史第一数据、第二数据，云平台进行自学习，再次获取数据采集设备或数据接收与发生器发送的已更新的第一数据，进行预处理，利用与历史相同或不同的人工智能技术模块，再次生成用户所需新的训练数据，得到新的第二数据，再次对目标进行训练，直至达到用户认可的目标最佳效果或所述第一数据、第二数据中的相关数据收敛至用户所需要的最佳数据和算法，迭代重复次数可根据训练目标效果或数据与算法自动确定或用户确定。
完成训练后，对所述的最终训练效果和训练目标，结合第一数据、第二数据，自动甄选出最佳训练设备和数据采集设备。
可选的，所述的迭代重复中迭代循环次数、所采用的人工智能技术模块，第一数据种类、数量等可根据目标训练情况或用户需求而异。
可选的，所述基于所述需求信息和所述第一数据，还包括：
对所述第一数据进行安全处理和分类。
可选的，还包括：
获取共享用户数据请求；
响应所述共享用户数据请求，使得不同用户产生和使用用户共享数据，进而丰富训练数据，获得目标的最佳效果极其对应数据。
基于本申请的第二方面，本申请提供一种万物互联训练平台及控制装置，包括：数据采集与发送子系统、数据管理与监控子系统、数据接收与发送器、执行设备。
所述数据采集与发送子系统、数据管理与监控子系统、数据接收与发送器、执行设备，用于执行如本申请提供的万物互联训练平台及控制方法。
所述万物互联训练平台及控制装置实现以下功能：
所述数据采集与发送子系统，利用数据采集设备对训练目标参数及其环境进行数据自动采集，得到第一数据；利用物联网等技术，通过数据采集设备将第一数据上行发送至本装置云平台；或者本装置的数据接收与发送器与具有数据发射功能的任何设备或物体匹配后，将该设备或物体自身采集的数据通过数据接收与发送器上行发送至本装置云平台；或者任何设备或物体，按照本装置规定的协议，或本装置云平台按照用户的接口协议进行对接后，直接将初始数据发送至本装置云平台，累计形成大数据。
所述数据管理与监控子系统，对第一数据进行预处理，利用本装置云平台软件进行安全处理和分类，利用区块链等技术实现数据的分布式存储或集中式存储；利用具有核心算法的人工智能技术模块，即排列组合方法模块、遗传算法模块、神经网络算法模块、模糊处理方法模块、专家经验数据与算法模块的一个或几个模块的综合运用，或用户提供人工智能技术模块与本平台对接后，对存储数据进行整体性挖掘或分析、开发，将用户所关注的数据，通过云平台直接下行至执行设备，执行设备执行后，实现对训练目标的自动训练。当需要迭代重复训练时，结合训练目标效果、历史第一数据、第二数据，云平台进行自学习，再次获取数据采集设备或数据接收与发生器发送的已更新的第一数据，进行预处理。根据用户需要及训练目标训练情况，重新选择用于训练的第一数据的种类、数量等，该数据可与上次相同，也可以不同；利用具有核心算法的人工智能技术模块，可与上次相同，也可以不同，生成用户所需新的训练数据，得到新的第二数据，再次对目标进行训练，直至达到用户认可的目标最佳效果或所述第一数据、第二数据中的相关数据收敛至用户所需要的最佳数据和算法，迭代重复次数可根据训练目标效果自动确定或用户确定。在不断迭代循环中，实现对设备或物体的工作状态实时自检、监视与控制及其数据更新，完成训练后可自动甄选出最佳训练设备和数据采集设备。
所述数据接收与发送器子系统，可实现各类数据的上行、下行发送。
所述执行设备，用于执行数据管理及监控子系统的训练数据，以实现对训练目标的训练。
本申请采用以上技术方案，具有如下有益效果：
获取数据采集设备采集的用户需求信息，同时利用物联网技术自动获取数据采集与发送子系统发送的第一数据；基于所述需求信息和所述第一数据，累计形成大数据，并进行预处理。利用区块链技术，对大数据进行分布式存储或集中式存储，实现数据的可追溯性和透明性。利用具有核心算法的人工智能技术模块，即排列组合方法模块、遗传算法模块、神经网络算法模块、模糊处理方法模块、专家经验数据与算法模块的一个或几个模块的综合运用，或用户提供人工智能技术模块与本平台对接后，生成训练目标的训练数据，形成第二数据。向用户反馈第二数据，供用户基于所述第二数据进行管理，向执行设备发送第二数据，以使得执行设备执行指令后，满足用户需求，或者人工执行第二数据后，满足用户需求。
可根据用户需求重复执行训练，结合训练目标效果、历史第一数据、第二数据，云平台进行自学习，再次获取数据采集设备或数据接收与发生器发送的已更新的第一数据，通过选择不同或相同训练数据和/或人工智能技术模块，再次得到新的第二数据，对训练目标进行训练，直至达到用户认可的目标最佳效果或所述第一数据、第二数据中的相关数据收敛至用户所需要的最佳数据和算法。在不断迭代循环中，实现对数据采集设备和执行设备的工作状态实时自检、监视与控制及其数据更新。
进一步的数据采集设备中某一个设备因为故障发送了错误的数据，那么基于多个数据采集设备发送的数据共同生成执行指令的过程中，通过比较等方法可以剔除错误的数据，或者减少错误数据对于用户所需数据的影响，从而使得所述执行设备执行指令后，可以满足用户需求，同时可对数据采集设备的分布情况、位置变化等信息进行统一管理、分组管理，可对数据采集设备的工作状态进行实时自检，实时监视与控制，一旦出现异常立即进行预警，并显示用户端，为用户及时维护或者控制设备运作提供依据。执行设备利用相同方法可实现实时监视与控制。
完成训练后，对所述的最终训练效果和训练目标，结合第一数据、第二数据，可甄选出最佳训练设备和数据采集设备。
共享用户认可训练目标的最佳效果及其对应数据，可有效避免重复性社会劳动；同步丰富训练数据，进一步获得训练目标的最佳效果及其对应数据，从而补充完善大数据。
附图说明
为了更清楚地说明本申请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申请的一些实施例，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是本申请一个实施例提供的一种万物互联训练平台及控制方法的流程图。
图2是本申请另一个实施例提供的一种万物互联训练平台及控制方法实现框图。
图3是本专利一个实施例提供的一种万物互联训练平台及控制装置结构示意图。
图4是本专利一个实施例提供的一种万物互联训练平台及控制装置中的典型分析模型。
图5是本专利一个实施例提供的一种万物互联训练平台及控制装置中的在阈值选择时的模型。
具体实施方式
为使本申请的目的、技术方案和优点更加清楚，下面将对本申请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申请一部分实施例，而不是全部的实施例。基于本申请中的实施例，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，都属于本申请所保护的范围。
具体实施方式中，以农业种植为实例来阐述本申请技术实现，其他行业，如养殖领域、消防系统、监控系统、智能家居等等具有智能检测及监控领域都可以按照本方案实现。
例如，一个农业种植系统通常包括：各种数据采集设备、云平台，指定的服务器、用户的客户端及执行设备等。其中，数据采集设备测得土壤相关数据，例如温度、湿度，氮磷钾含量、PH值等数据，气象数据，如光照度、气温、气压、降雨量等，专家经验数据，如选种、嫁接、杂交、管理等；农作物生长数据，如叶绿素含量、作物生长物理参数、结果量等数据，也可以根据用户需求定制化采集其它数据。利用物联网技术，实现数据采集设备或本装置数据接收与发送器将所采集数据上行发送至本装置云平台，产生第一数据，累计形成大数据并进行数据预处理。所有数据按照不同农作物的生长分别进行归类与排列组合等，获得单元或多元数据的变化对农作物生长的反应。利用区块链等技术，将数据进行分布式存储或集中式存储，同时实现数据的可溯源和透明。
利用具有核心算法的人工智能技术模块，云平台利用排列组合方法模块、遗传算法模块、神经网络算法模块、模糊处理方法模块、专家经验数据与算法模块的一个或几个模块的综合运用，或用户提供人工智能技术模块与本平台对接后，生成训练目标的训练数据，形成第二数据，对采集存储数据，根据用户需要进行定制性挖掘或对比分析，得出有利于农作物最佳生长的主要环境因素，如土壤最佳温湿度、PH值、氮磷钾和专家经验干预(选种、嫁接、杂交、管理等)以及相关算法等，并以图表等形式直观表示。将该处理结果可以APP等形式直观显示于用户端，或以短信方式告知用户，让用户实时掌握农作物生长环境及变化动态，当某一环境或参数超出范围立即报警，提示用户采取措施改善土壤环境等，或者装置远程控制执行设备，如土壤环境调节系统，实现自动浇水、施肥等，自动调节农作物生长的土壤环境等，如果没有执行设备，则可由人工完成此类工作，以此调节农作物生长环境。
用户认为农作物训练目标，如生长物理参数、果实量、生长密度等等，没有达到需要状态，或者本系统针对所述第一数据、第二数据中的相关数据没有收敛至用户所需要的最佳数据和算法，则可通过本装置继续迭代循环训练。云平台结合农作物生长环境、生长效果、训练数据、人工智能技术模块等知识开展自学习，再次获取数据采集设备或数据接收与发送器发送的已更新的第一数据，通过预处理，根据用户需求选取与上次相同或不同的农作物生长环境参数，采用与上次相同或不同的人工智能技术模块，形成新的训练数据，然后又下行至指定执行设备或人，由执行设备或人工管理农作物，以此循环往复改变农作物生长的环境数据和人工干预数据，对农作物生长进行训练，最后获得用户所需要的最佳数据和算法或用户认可的目标最佳效果。
完成训练后，对所述的最终训练效果和训练目标，结合第一数据、第二数据，甄选出最佳训练设备和数据采集设备。
通过实现对指定农作物的反复训练，甄选出最佳训练设备和数据采集设备，不仅可以达到全方位、多感知的农作物生长环境的精准化管理与控制，可以实现农作物生长与环境、管理的最佳实时调节和互动；同时，共享用户认可训练目标的最佳效果及其对应数据，可有效避免重复性社会劳动；同步丰富训练数据，进一步获得训练目标的最佳效果及其对应数据，从而补充完善大数据。
需要说明的是，实现本方案需包括：数据采集与发送设备、服务器、执行设备与训练目标、用户四部分。其中，数据采集与发送设备可以是各种数据采集设备；具体的，主要包括：温湿度，气压、光照、含氧量、氮磷钾含量、PH值等测量设备，农作物生长数据，如绿叶素含量、农作物生长物理参数、结果量等测量设备，也可以根据用户定制确定。采集数据可通过具有发送功能的数据采集设备或数据接收与发送器上行至云平台，也可以通过本装置提供的数据接收与发送器将采集数据上行至云平台。
客户端则可以是用户使用的智能终端上的app，用于数据与用户进行交互、用户之间共享。用户可以查看各个装置的工作情况，农作物生长情况，必要时用户可以输入需求信息。例如：用户需求信息可以为：调节土壤湿度为90％，早晨6点开始自动浇水，持续时间1小时等，或者设备采集到土壤湿度在满足范围内，自动停止浇水；再如土壤中农作物肥料不足，控制施肥装置自动施加相应肥料等等，将执行结果自动反馈至客户端。具体的用户的智能终端可以为手机、智能手表、平板、笔记本电脑、台式机或者一体机电脑等。
执行设备则可以是执行云平台指令对训练目标(农作物)进行循环训练的设备或用户，具体的，主要是土壤温度调节装置、浇水装置、施肥装置、照明调节装置等，也可以根据用户定制确定。如果用户没有执行设备，则该部分工作可由人工执行。
实施例一
图1是本申请一个实施例提供的一种万物互联训练平台及控制方法的流程图。参照图1，本申请提供的万物互联训练平台及控制方法包括：
S101，获取数据采集设备采集的用户需求信息；
实施步骤S101中，获取数据采集设备采集的用户需求信息方式为，接收用户的客户端发送的信息。一般情况下，服务器可以为本平台云服务器，也可以为用户指定的云服务器。客户端与服务器建立通信连接，服务器接收客户端发送的用户需求信息。当然也可以通过其它方式获取用户需求信息。
S102，利用物联网技术，获取数据采集设备或数据接收与发生器发送的第一数据；
具体的，本申请中数据采集与发送设备可以是各个数据采集设备和数据接收与发送器，此时，所述数据采集设备，用于采集初始数据，并将所述初始数据作为第一数据，数据采集设备或物体自身所具有的数据利用本装置提供的数据接收与发送器，将数据上行发送至本装置的云服务器，或者用户数据，按照本装置规定的协议，直接将初始数据发送至本装置的云平台，累计形成大数据。
当然，本申请中装置还可以包括：用于汇总多个数据采集设备和执行设备获取数据的一个发送终端。例如农业种植中设置有各个数据采集设备和执行设备，为了更好地控制这些设备，还可以单独设置一个负责统筹管理这些设备的控制设备，用于控制各个数据采集设备和执行设备。
S103，累计形成大数据，对第一数据进行预处理。具体的，基于所述需求信息和所述第一数据，累计形成大数据，利用粗糙集理论的约简方法对第一数据进行预处理。其中，基于粗糙集理论的约简方法是一种现有的技术方案，可以对数据进行预处理，按照处理缺失值、属性编码、数据标准化、特征选择、主成分分析的流程方法(也可以在云端实现)，剔除与用户无关或不完整、不准确信息，得到用户所关注的信息。
粗糙集理论作为一种处理不精确(imprecise)、不一致(inconsistent)、不完整(incomplete)等各种不完备的信息有效的工具，一方面得益于他的数学基础成熟、不需要先验知识；另一方面在于它的易用性。粗糙集理论出发点就是直接对数据进行分析和推理，从中发现隐含的知识，揭示潜在的规律，因此是一种天然的数据挖掘或者知识发现方法，它与基于概率论的数据挖掘方法、基于模糊理论的数据挖掘方法和基于证据理论的数据挖掘方法等其他处理不确定性问题理论的方法相比较，最显著的区别是它不需要提供问题所需处理的数据集合之外的任何先验知识，而且与处理其他不确定性问题的理论有很强的互补性(特别是模糊理论)。在实际应用中，结合神经网络算法和遗传算法开展数据预处理，针对第一数据的完整性、真实性具有很明显的效益，同时大大提高了神经网络收敛速度，从而有效提升目标训练效果，缩短训练周期。
其具体步骤如下：
a.建立矩阵
根据用户所关注的第一数据，建立矩阵，根据数据种类建立不同矩阵，同一矩阵中按照一致性决策表进行属性分类。
农作物生长土壤数据C1；
农作物生长气象数据C2：
农作物生长专家经验数据C3：
农作物生长数据C4：
每类参数中均含有多个具体数值，数量由用户所具有的数据采集设备数量确定，每个矩阵中的参数数量均是独立的。这些类别及参数可由用户指定。
b.计算矩阵中各参量
依据各数据采集设备所采集的种类及数据特点，采用图表、比对等方法找出异常数据，并将其剔除，得到精确、完整的数据。
下面以C1中的温度数据为例进行说明，其他参数预处理具有类似性。
温度m个数据，温度1，温度2，......，温度m，计算
则每个异常温度数据的判断准则为：
其中δ为数据采集设备最大散布，可以由用户指定，或者本装置自动确定。
S104，利用区块链技术对数据进行安全存储。具体的，基于第一数据预处理后，利用区块链技术对数据进行安全存储，实现数据的可追溯性和透明化。
对数据的安全处理主要采用现代密码算法对数据进行主动保护，如数据保密、数据完整性、双向强身份认证等。对数据进行分类可以增强数据的可阅读性，同时，为数据进行分类可以使得数据的挖掘和分析更加的具有针对性，例如对土壤参数(如温度、湿度、氮磷钾、PH值等等)的调控，那么只需要对第一数据的土壤参数的分类进行挖掘和分析。数据存储可按照用户需要进行存储，也可以在本装置中存储，同时实现了数据的可追溯性和透明化，所有上传至云平台的数据始终保留在本装置中，不允许对第一数据进行任何更改，确保第一数据的真实性，同时可对每类、每个数据实现溯源，从而有利于用户管理，通过不同的存储方式及共享需求，实现数据的透明。
区块链(Blockchain)是分布式数据存储、点对点传输、共识机制、加密算法等计算机技术的新型应用模式。区块链，是应用于比特币的一项重要技术，它本质上是一个去中心化的数据库，同时作为比特币的底层技术，是一串使用密码学方法相关联产生的数据块，每一个数据块中包含了一批次比特币网络交易的信息，用于验证其信息的有效性(防伪)和生成下一个区块。在实际应用中，利用区块链特性，将用户专有数据以私有区块链方式仅供相应用户使用，针对一些可供行业共享数据以行业区块链方式提供，为行业共同提高发挥作用，针对某些领域成熟数据，也可以在公有区块链中提供共享。这些数据可根据行业发展及用户要求可以集中存储或分布存储。
或者，基于第一数据，仅限于甄选出最佳数据采集设备，不作为训练数据开展对训练目标的训练。
S105，利用具有核心算法的人工智能技术模块：即排列组合方法模块、遗传算法模块、神经网络算法模块、模糊处理方法模块、专家经验数据与算法模块的一个或几个模块的综合运用，数据处理，形成训练目标的训练数据，此作为第二数据。
人工智能技术模块主要包括排列组合方法模块、遗传算法模块、神经网络算法模块、模糊处理方法模块、专家经验数据与算法模块，实现一个或多个模块的综合运用。
1、排列组合模块
排列组合是被取对象按照一定规则以实现某种目的而进行的排序，一般地说，从n个不同元素中，任取m个元素，按照一定的顺序或规则排成一列，这就叫从n个不同元素中取m个元素的一个排列，再根据规则对m个元素进行组合。本专利是基于用户所关注的训练目标及其生长环境数据，训练目标m个参量，生长环境n个参量，按照正交方法进行组合，如下表：
最佳算法：以达到训练目标最佳则确定数据最佳，即：
其中k＝j，λ1+λ2+λ3+......+λk＝1
依据上述算法确定一组最佳环境参数。
最佳数据：训练目标所需最佳效果，如某个参量最佳所对应的环境数据，或者一类参量的综合最佳所对应的环境数据；
最佳效果：该参量由用户根据训练目标参数综合确定，确定后所对应的环境参量，主要依赖于专家系统或用户经验、感受或体会等。
2、遗传算法模块
遗传算法(Genetic Algorithm)是一类借鉴生物界的进化规律(适者生存，优胜劣汰遗传机制)演化而来的随机化搜索方法，其主要特点是直接对结构对象进行操作，不存在求导和函数连续性的限定；具有内在的隐并行性和更好的全局寻优能力；采用概率化的寻优方法，能自动获取和指导优化的搜索空间，自适应地调整搜索方向，不需要确定的规则。遗传算法的这些性质，已被人们广泛地应用于组合优化、机器学习、信号处理、自适应控制和人工生命等领域。它是现代有关智能计算中的关键技术。本申请的实际应用中，运用基于pareto的多目标遗传算法，其思路为：
a.初始化：在所需应用的领域，如农业、养殖业等，设置遗传算法的初始控制变量，即所采集的万物第一手原始数据，将用户关注的变量作为初始群体P(0)。
b.个体评价：在初始群体P(0)中对每个变量进行适应度评价，选择评价条件如专家经验数据中的选种、嫁接、杂交、管理等，对每个变量的评价以不断趋于满足最佳数据和算法或用户认可的目标最佳效果为适应度的值。
c.选择运算：将选择算子作用于群体P(0)。从不断完善的初始群体P(0)中选择优胜的个体，把优化后的数值直接遗传到下次或通过配对交叉产生新的数据再直接遗传到下次。优胜个体的选择按照概率进行，即
概率大则对训练目标影响大。
d.交叉运算：将交叉算子作用于群体。遗传算法中起核心作用的就是交叉算子。通常采用单点交叉，将两个甚至更多父代个体的数据替代现有算法中的部分参量，得到新的目标值。
e.变异运算：将变异算子作用于群体。即是对群体中的个体串的某些基因座上的基因值作变动。根据专家经验知识，将单个或部分个体参量作变动，得到新目标值。
f.群体终止条件判断：当最优个体的适应度达到给定的阈值，或者迭代次数达到预设的代数时，算法终止。
依据上述思路，利用MATLAB语言，建立多元目标函数，实现在多个约束条件的情况下用遗传算法的知识找出最优解，并用matlab的figure显示出来。
3、神经网络算法模块
神经网络算法一种模拟动物神经网络行为特征，进行分布式并行信息处理的算法数学模型。这种网络依靠系统的复杂程度，通常调整内部大量节点之间相互连接的关系，从而达到处理信息的目的。人工神经网络具有自学习和自适应的能力，可以通过预先提供的一批相互对应的输入——输出数据，分析掌握两者之间潜在规律，最终根据这些规律，用心的输入数据来推算输出结果，这种学习分析的过程又称为“训练”。本专利中神经元可表示为不同对象，如训练目标特征、训练目标环境参量、专家系统数据等。
典型分析模型如图4所示。
针对神经元，体现在数据采集设备与发送设备所获取的第一数据，它是一个输入值，是神经元的内部状态，每个神经元都有一个阈值，在阈值选择时，按照图5所示的模型：
由若干个数据采集设备得到某个参数的数据作为神经元，通过内部处理得出一个参数以用于对训练目标的训练，神经元数据越多，那么神经元网络就越复杂。
神经元网络应用的具体工作原理：将样本数据的输入值输入进神经元网络，就得到一组输出值，这组输出值当然不是我们的理想输出值，于是就要根据实际输出与理想输出的差来修正权值，以缩小这种差别。这样通过反复训练，最后，使实际输出与理想输出趋于一致，这样，神经元网络就可以用来代替我们所需要的模型。
神经网络的基本工作原理是：对于每个神经元，假设它有n个输入，输入值为x1,x2,......,xn，那么，它的输出值就是
ωi是等待确定的权重系数，即权值，f是一个Sigmoid函数。选择不同的权重值，神经元网络就会有不同的输入—输出值，从而影响到整个训练数据质量。
4、模糊处理方法模块
模糊处理方法是以模糊为前提。模糊是人类感知万物，获取知识，思维推理，决策实施的重要特征。"模糊"比"清晰"所拥有的信息容量更大，内涵更丰富，更符合客观世界。模糊算法是通过对现实对象的分析，用隶属关系将数据元素集合灵活成模糊集合，确定隶属函数，进行模糊统计多依据经验和人的心理过程，它往往是通过心理测量来进行的，它研究的是事物本身的模糊性。它具有五个主要部分，即定义变量、模糊化、知识库、逻辑判断及反模糊化。
a.定义变量：用户所需模糊处理的目标，如训练目标效果特征等，并将该变量定义为输入值。
b.模糊化：将输入值以适当形式转换为论域的数值，利用数值变量来描述测量物理量的过程，并以某种恰当的隶属度进行表述。
c.知识库：包括数据库和规则库两部分，其中数据库提供处理模糊数据的相关定义或内涵，规则库则为模糊化处理的过程提供规则或目标。
d.逻辑判断：模仿用户下判断时的模糊概念，运用模糊逻辑和模糊推理对输出变量进行逻辑判断，此时表现出的并非完全是非此即彼，而是存在一个最佳中间值。该部分也是模糊处理的关键，主要依赖于专家系统中专家的经验和知识。
e.反模糊化：将推理所得到的模糊值转换为可量化的具体训练参数。
5、专家经验数据与算法模块
专家经验数据与算法：基于第一数据、第二数据及历史数据，根据专家经验知识来进行综合评估实施过程各阶段情况，一般按照Delphi法进行组织实施，其步骤为：
a.设置目标效果评估组：
主要开展的工作为：拟制具体的评估对象，如夏威夷果等，编制以通信方式咨询专家的评估问题表，选择专家，依据专家多次轮回完成的咨询表，轮回次数可依据训练目标迭代循环次数确定，对专家提出的意见及结果进行一系列的整理统计分析等。
b.制专家咨询表：在设计咨询表时，按照本次评估对象、目的以及专家在其中所起作用进行详细说明，再针对评估对象设计出具体要咨询的问题。如夏威夷果，咨询其生长环境参数与物理参数、结果数量等，同时配置一些必要的第二数据进行补充说明，供专家进行客观综合分析，提出分析评估结论及建议。
c.选择专家组：选择专家是评估成败的一个重要环节。一般要从研究对象相近和相关的各个分支学科中选择有一定经验的、对评估对象感兴趣的专家。本实际实施中通过装置的专家系统筛选出相应行业或专业的专家开展评估。Delphi法专家选择基本原则是必须突出广泛性、代表性和权威性，兼顾相关专业领域和地域分布，专家数量一般10～15人。
d.实施第一轮咨询：制定和分发第一轮咨询材料，主要包括咨询表、第一数据、其它客观数据等。第一轮咨询主要以定性问题为主，以便专家能自由表达个人观点。
e.分析第一轮咨询材料：整理、汇总、分析专家意见。结果应包括最大值、最小值、中位数、四分位数以及四分位数间距等，以此来指导后续训练对象的相关参数的调整和整合。
f.进行第二轮咨询：训练对象按照第一轮专家意见进行调整后所产生效果、所采集的第一数据等进行再次汇总提供给相应咨询专家，每一位咨询专家根据上一轮专家意见的分析结果来调整自己的评估建议，供下次训练提供依据。
g.整理第二轮咨询材料：整理、汇总、分析专家意见，与上一轮专家意见进行比较，初步得出分析结论。
依据训练次数不断进行咨询，将每次专家意见都综合到训练目标的训练参数中，实现数据精确、效果明显、缩短训练周期的目标。
S106控制训练设备执行训练数据.
具体的，数据管理与监控子系统实现对基于所述的第二数据进行控制与管理。通过数据接收与发生器发送训练数据至训练设备，训练设备执行控制指令后开始对训练目标进行训练，具体体现为施肥量、浇水时间、增加光照时间、调整土壤PH值等等；如果用户没有执行设备，则由人工执行训练数据，实现对训练目标的训练。
S107，判断最佳数据和算法是否满足要求。
训练目标完成训练后，获得训练效果和数据。该效果的识别按照用户所需效果进行判断，其判断方式有两种：一种是用户直接从训练目标外部特征判断，如训练目标生长情况、结果实情况等，该种方法主观性较强；第二种是本云平台根据所采集到的训练目标数据自动对训练目标数据进行判断，一旦满足训练效果，或者训练数据和算法达到最佳，则停止训练，得出此次训练效果所对应的训练数据和算法，但这种方法主要依赖于所采集的数据，具有片面性。一般来讲，通过这两种方法共同判断来确定训练目标是否满足用户需求。
如果训练效果不满足用户需要或没有达到最佳，本装置则继续对训练目标进行训练。
S108，云平台自学习；
具体的，基于迭代循环训练，本平台基于第一数据、第二数据及历史数据开展云平台自学习，得到下次训练所需的训练数据、方法等。通过再次获取数据采集设备或数据接收与发生器发送的已更新的第一数据，按照上述训练流程继续训练，直到得到获得用户所需要的最佳数据和算法或用户认可的目标最佳效果。
自学习系统(self-learningsystem)亦称学习系统，模仿生物学习功能的系统。它能在系统运行过程中通过评估已有行为的正确性或优良度，自动修改系统结构或参数以改进自身品质的系统。学习方法可以分为两大类：一类是有专家系统介入对优化方案加以强化的学习，按预设的指标来评估品质并指导系统的改进；另一类则是无专家系统介入的自我学习，这时须要用试探、搜索等办法来探索改进的途径。由于人工神经网络、演化计算等高速并行处理技术的发展，无导师监督学习方法也已得到成功应用。
本云平台结合神经网络开展系统自学习，将训练目标所需数据作为输入，通过对训练目标训练后，得到训练效果，与相应的期望输出相比较。结合具有核心算法的人工智能技术模块，逐渐调整第一数据内容及模块，以最佳方式实现训练目标的训练效果。
S109，获得最终训练数据和训练效果；
具体的，训练目标完成训练后，获得最终训练数据及算法或目标最佳效果。
S110，甄选最佳训练设备；
具体的，训练目标完成训练后，基于最终训练效果，得到所参与的训练设备执行情况，从中甄选出最佳的训练设备。
S111，甄选最佳数据采集设备；
具体的，训练目标完成训练后，可甄选出最佳数据采集设备。基于最终训练效果所对应的第一数据，是由多个数据采集设备采集到的数据，对多个数据采集设备得到的数据进行分析、比较，从而甄别出最佳数据采集设备。当然多个数据采集设备同时对同类数据进行采集，通过比较，可以检验发送终端发送的数据是否正确，当发送的数据不正确时，可以对数据采集设备进行检修。或者说，当没有收到某个设备数据时，可判断该设备链条某一环节出现问题，并给与报警，对该设备链路进行检修。
具体的，例如：在农业生产中，在用户a拥有测量某一项数据的多套设备，且这项数据的特性(例如测量的温度为同区域土壤的温度，多个装置均可以在不同位置测量同一温度)，多个设备分别测得的数据应该相同或相近，若有一天忽然发现可以基于多个设备得到数据中，某一个设备得到的数据明显与其他数据不同，那么则可以发送这个设备需要进行检修的信号以便于相关人员，对其进行检修。同样，如果没有收到某个设备温度数据，装备予以报警，供检修人员对该设备链路进行检修。
甄选出最佳数据采集设备的方法一般通过以下方法实现：
a.固有参数：测量范围、通信方式、供电方式及范围、测量精度、测量时间、年漂移量、响应时间、功率、分辨率、体积等；
b.使用参数：数据完整性、数据稳定性等。
上述参数根据不同设备选择性比较。通过这些参数进行比较，以打分方式得出各设备分值，分值高的说明该设备优。
打分方法：测量范围大的1分、通信方式通用1分、供电方式方便1分、供电范围大1分、测量精度高1分、测量时间短1分、年漂移量小1分、响应时间快1分、功率低1分、体积小1分、分辨率高1分、数据连续完整2分、数据稳定2分。
上述方法不泛指唯一，可根据不同设备选择不同固有参数和使用参数，另外打分仅仅提供一般性方法，可根据用户需求或训练目标特性具体选择。步骤S110中也可以根据这种方法来操作实现甄选出最佳训练设备。
S112，完善大数据；
将训练结束后，基于训练过程数据，含第一数据、第二数据，甄选出的最佳训练设备和数据数据采集设备等数据进一步补充完善到大数据中，实现训练目标全阶段训练数据的共享。
S113，共享训练数据。共享用户认可物体的最佳效果及其对应数据，促进各行业发展；避免重复性社会劳动；丰富训练数据，进一步获得物体的最佳效果及其对应数据；发现物体与物体之间的关系、物体状态与环境的关系。
进一步的本申请提供的方案中，还包括：
基于社会需要对存储的数据进行整合性挖掘和分析；
或，基于用户需要对所述存储的数据进行定制性挖掘和分析。
获取农业生产中获取的数据，基于社会需要对存储的数据进行整合性挖掘和分析；例如分析某一地区的土壤温度、湿度、氮磷钾、PH值等情况对同类或异类农作物生长影响，以便于更好地为相关人员提供服务。
当然也可以基于用户需要对所述存储的数据进行定制性挖掘和分析。例如帮助用户挖掘和分析土壤环境参数的变化对某一特定植物的影响规律等。
进一步的，本申请提供的方案，还包括：
获取共享数据请求；
响应所述共享数据请求，使得不同用户共享数据。
通过上述方案，可以使得在用户允许的情况下，使不同用户之间共享数据。例如：在农业生产中，在用户a拥有一个测量土壤参数的装置，用户b和用户c也分别拥有一个测量土壤参数的装置，用户d没有测量土壤的装置，用户a、b、c、d的农业生产的位置区域临近、种植业种类相同。当这三个用户将他们的数据共享后，d可以基于其他3个测量装置得到农作物最佳土壤参数，以此来管理农作物，同步，用户a、b、c也可以相互借鉴测量的数据来管理农作物，从而达到数据共享的目的。又如：用户a挖掘分析出了一组有利于A类作物生长的最佳土壤和管理参数，用户b也可以共享该参数及其参数的形成过程训练或培殖B类作物等等。
当然，不同用户之间的数据共享也可以通过预先设置而达到。
图2是本专利一个实施例提供的一种万物互联训练平台及控制方法的实现框图。
为了更好地阐述本申请提供的方案，先对本申请中出现的一些名词进行说明：
训练目标：动物、植物、工农业设备等万物中的任何物体。
数据采集设备：采集并发送训练目标所需要的数据的设备。
数据接收与发送器：可以接收和发送数据的设备。
执行设备：执行云平台指令对训练目标进行循环训练的设备或用户。
训练数据：训练目标所需的各类数据。
训练效果识别：对目标的训练效果进行识别，可实现云平台自动识别(如图像自动识别、训练效果门限等)或用户识别。
云平台：中央处理系统，实现万物互联、大数据分析、人工智能、控制及管理的云平台，实现采集数据与各种算法的综合运用获得训练数据并控制，用户共享。
用户：训练目标的使用者或所有者。
参照图2本申请提供的方案中主要包括以下方面：
1、数据采集、预处理及发送
利用数据采集设备，如各类传感器、摄录像设备等，对训练目标所需的生长环境参数数据进行采集，如训练目标为动物，则采集动物生长所需的温度、湿度、饲养密度、食物投放成分及数量、动物活动情况、动物参数等，将所采集的数据通过加密、有效性判读等预处理(数据预处理也可以在云平台完成)，利用物联网技术，通过数据采集设备发送功能，将预处理数据上传至本装置云平台，若数据采集设备不具有发送功能，则可利用本装置提供的数据接收与发送器对所采集的数据上传至云平台，累计形成大数据。具体的，参照图2中的左侧两个上下指向的双向箭头。
2、数据处理
利用云平台处理软件对数据进行处理和分类，利用区块链等技术，实现数据的集中式或分布式存储；利用人工智能技术模块，即排列组合方法模块、遗传算法模块、神经网络算法模块、模糊处理方法模块、专家经验数据与算法模块一个或几个模块的综合运用，或者用户提供人工智能技术模块与本平台对接后，形成训练目标所需的数据。需要说明的是，此部分操作有图2中的云平台完成。
3、数据下传及对训练目标的训练
处理后的数据通过云平台直接下传至用户具有数据接收功能的执行设备，也可以由本装置的数据接收与发送器下传至用户不具有数据接收功能的执行设备，由执行设备对训练目标开展自动训练，同时训练目标的训练效果反馈给执行设备。若用户没有执行设备，该部分工作可以由人工参与完成。具体的，参照图2中的居中位置的偏上的上下指向的双向箭头，和左下角训练目标与执行设备的双向箭头所指。
4、训练效果识别
通过采集数据、专家经验数据和各种算法的组合对训练目标开展训练，其训练效果利用软件图像自动识别、机械识别、目标参数门限等进行方法，得到不同训练效果的各组训练数据，也可以根据用户需求由人工进行效果识别。训练效果识别结果用于判断对训练目标是否满足用户需求。
5、训练目标的循环训练
为了得到用户所需的训练效果，数据采集设备再次对训练目标环境参数及其生长环境进行采集、预处理与发送，在云平台通过人工智能技术模块，结合对目标训练效果的自动识别或人工识别，不断改变物体所需要的数据或算法并对物体进行训练，获得用户所需要的最佳数据和算法，最佳数据下传至执行装置对训练目标再次进行训练，通过不断循环往复，获得最佳数据和算法或一系列的数据或算法或用户认可的目标最佳效果。具体的，参照图2中的旋转指向标识，此部分代表训练目标的循环训练。当然此部分的执行主题仍为云平台及其执行设备。
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。
图3是本申请还提供了一种万物互联训练平台及控制装置，包括：
数据采集与发送子系统301、数据管理与监控子系统302、数据接收与发送器303和执行设备304。
所述数据采集与发送子系统301、数据管理与监控子系统302、数据接收与发送器303和执行设备304用于执行如权利要求1-6任一项所述的万物互联训练平台及控制方法。
本申请提供的万物互联训练平台及控制装置中，数据采集与发送子系统301可以获取数据采集设备采集的用户需求信息，同时获取数据采集与发送子系统发送的第一数据；数据管理与监控子系统302用于基于所述需求信息和所述第一数据生成用户所需数据；数据接收与发送器303用于上行发送第一数据至本装置云平台，下行向执行设备发送用户所需数据或/和农作物所需生长参数，以使得执行设备304执行指令后，满足用户需求。当然上述仅仅只是简单的进行了说明，在实际应用中，所述数据采集与发送子系统301、数据管理与监控子系统302、数据接收与发送器303和执行设备304执行的步骤互有交叉，它们之间互相协调共同完成如本申请上述任一实施例提供的万物互联训练平台及控制方法，如此，用户所需数据的生成过程中，利用具有核心算法的人工智能技术，逐步组合专家经验数据和算法，参考了多个数据采集与发送子系统发送的数据，可以通过更加全面的数据得到更加符合实际情况的指令，从而控制执行设备，使得所述执行设备执行指令后，更好地满足用户需求。进一步的数据采集设备中某一个设备因为故障发送了错误的数据，那么基于多个数据采集与发送子系统发送的数据共同生成执行指令的过程中，可以根据专家经验或门限等判断自动剔除错误的数据，并给以显示于客户端，供客户决策，或者减少错误数据对于用户所需数据的影响，从而使得所述执行设备执行指令后，可以满足用户需求。
具体的，所述数据采集与发送子系统301，利用各类传感器或数据采集设备对训练目标各类数据及所在环境进行数据自动采集，得到第一数据；利用发送终端将第一数据发送至本装置云平台。或者本装置的发送器与具有数据发射功能的任何设备或物体匹配后，将该设备或物体自身采集的数据上行发送至本装置云平台；或者任何设备或物体，按照本装置规定的协议，或本装置云平台按照用户的接口协议进行对接后，直接将初始数据发送至本装置云平台。
所述数据管理与监控子系统302，对第一数据进行预处理，利用本装置云平台软件进行安全处理和分类，利用区块链等技术实现数据的分布式存储或集中式存储；利用具有核心算法的人工智能技术模块，对存储数据进行整体性挖掘或分析、开发，将用户所关注的数据，通过云平台直接下行至执行设备，通过对执行设备的控制，实现对训练目的的自动训练。当需要迭代重复训练时，结合训练目标效果、历史第一数据、第二数据，云平台进行自学习，再次获取数据采集设备或数据接收与发生器发送的已更新的第一数据，进行预处理。根据用户需要及训练目标训练情况，重新选择用于训练的第一数据的种类、数量等，该数据可与上次相同，也可以不同。利用具有核心算法的人工智能技术模块，可与上次相同，也可以不同，生成用户所需训练数据，得到第二数据，再次对目标进行训练，直至达到用户认可的目标最佳效果或所述第一数据、第二数据中的相关数据收敛至用户所需要的最佳数据和算法，迭代重复次数可根据训练目标效果自动确定或用户确定。在不断迭代循环中，实现对设备或物体的工作状态实时自检、监视与控制及其数据更新，完成训练后可自动甄选的最佳训练设备和数据采集设备。
所述数据接收与发送器子系统303，可实现各类数据的上行、下行发送。
所述执行设备304，可执行数据管理及监控子系统的训练数据，以实现对训练目标的训练。
需要说明的是，在本申请的描述中，术语“第一”、“第二”等仅用于描述目的或/和过程，而不能理解为指示或暗示相对重要性。此外，在本申请的描述中，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，并且本申请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，这应被本申请的实施例所属技术领域的技术人员所理解。
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申请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申请的实施例，可以理解的是，上述实施例是示例性的，不能理解为对本申请的限制，本领域的技术人员在本申请的范围内对上述实施例进行变化、修改、替换和变型都属于本专利技术范畴。
Claims (10)
1.一种万物互联训练平台及控制方法，其特征在于，包括：
利用物联网技术，获取数据采集设备采集的用户需求信息；
获取数据采集设备或数据接收与发送器发送的第一数据，进行预处理，累计形成大数据；
基于所述需求信息和所述第一数据，利用具有核心算法的人工智能技术模块，即排列组合方法模块、遗传算法模块、神经网络算法模块、模糊处理方法模块、专家经验数据与算法模块的一个或几个模块的综合运用，生成用户所需数据，形成训练目标所需的训练数据，并作为第二数据；
向用户反馈第二数据，供用户基于所述第二数据进行管理，通过控制执行设备执行控制数据对训练目标进行自动训练；或通过人工执行训练数据，对训练目标进行人工训练；
根据用户需求迭代重复执行，结合上次得到的第二数据、训练目标效果、最佳数据和算法，云平台进行自学习后，再次获取数据采集设备或数据接收与发生器发送的已更新的第一数据，进行预处理，利用与上次相同或不同的人工智能技术模块，生成用户所需新的训练数据，得到更新的第二数据，再次迭代循环对目标进行训练，直至达到用户认可的目标最佳效果或所述第一数据、第二数据中的相关数据收敛至用户所需要的最佳数据和算法；迭代重复次数可根据训练目标效果、最佳数据及算法自动确定或用户确定；
完成训练后，对最终训练效果和训练目标，结合第一数据、第二数据，甄选出最佳训练设备和数据采集设备；
所采用的人工智能技术模块，第一数据种类、数量可根据目标训练情况或用户需求而异。
2.根据权利要求1所述的万物互联训练平台及控制方法，其特征在于，还包括：
对所述第一数据进行安全处理和分类。
3.根据权利要求2所述的万物互联训练平台及控制方法，其特征在于，还包括：
通过区块链技术进行安全存储所述第一数据、所述第二数据、所述用户所需数据。
4.根据权利要求3所述的万物互联训练平台及控制方法，其特征在于，还包括：
基于社会需要对存储的大数据进行整合性挖掘和分析；
或，基于用户需要对存储的大数据进行定制性挖掘和分析。
5.根据权利要求1所述的万物互联训练平台及控制方法，其特征在于，还包括：
获取共享用户数据请求；
响应所述共享用户数据请求，使得不同用户共享数据。
6.根据权利要求1所述的万物互联训练平台及控制方法，其特征在于，还包括：
具有核心算法的人工智能技术模块，可由用户提供，本平台与其对接后，生成用户所需数据，形成训练目标所需的训练数据，并作为第二数据。
7.一种万物互联训练平台及控制装置，其特征在于，包括：
数据采集与发送子系统、数据管理与监控子系统、数据接收与发送器、执行设备；
数据采集与发送子系统，用于采集及发送用户需求信息，形成第一数据；
或者，数据采集与发送子系统和数据接收与发送器共同用于采集及发送用户需求信息，形成第一数据；
数据管理与监控子系统，用于基于所述需求信息和所述第一数据，累计形成大数据，利用具有核心算法的人工智能技术模块，即排列组合方法模块、遗传算法模块、神经网络算法模块、模糊处理方法模块、专家经验数据与算法模块的一个或几个模块的综合运用，结合云平台的自学习，不断改变训练目标所需要的训练数据或算法并对训练目标进行迭代循环训练，获得用户所需要的最佳数据和算法或用户认可的目标最佳效果，并自动甄选出最佳训练设备和数据采集设备；
数据接收与发送器，用于向述所的执行设备发送用户所需数据；
执行设备，用于执行数据接收与发送器所发送的训练数据，执行设备执行指令后，满足用户需求。
8.根据权利要求7所述的万物互联训练平台及控制装置，其特征在于，还包括：预设服务器；
所述预设服务器，用于获取共享用户数据请求，响应所述共享用户数据请求，使得不同用户共享数据。
9.根据权利要求7所述的万物互联训练平台及控制装置，其特征在于，数据采集与发送子系统，还用于基于社会需要对存储的大数据进行整合性挖掘和分析；或，基于用户需要对存储的大数据进行定制性挖掘和分析。
10.根据权利要求7所述的万物互联训练平台及控制装置，其特征在于，数据管理与监控子系统，还用于对所述第一数据进行安全处理和分类。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202110060190.6A CN112711621A (zh) | 2021-01-18 | 2021-01-18 | 万物互联训练平台及控制方法与装置 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202110060190.6A CN112711621A (zh) | 2021-01-18 | 2021-01-18 | 万物互联训练平台及控制方法与装置 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN112711621A true CN112711621A (zh) | 2021-04-27 |
Family
ID=75549216
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202110060190.6A Pending CN112711621A (zh) | 2021-01-18 | 2021-01-18 | 万物互联训练平台及控制方法与装置 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN112711621A (zh) |
Cited By (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN113377850A (zh) * | 2021-06-09 | 2021-09-10 | 深圳前海墨斯科技有限公司 | 认知物联网大数据技术平台 |
| CN113485147A (zh) * | 2021-08-03 | 2021-10-08 | 南京邮电大学 | 一种基于大数据分析的智能家居控制方法及系统 |
| CN113642805A (zh) * | 2021-08-27 | 2021-11-12 | Oppo广东移动通信有限公司 | 物联网设备的算法优化方法、电子设备以及可读存储介质 |
Citations (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US20170213126A1 (en) * | 2016-01-27 | 2017-07-27 | Bonsai AI, Inc. | Artificial intelligence engine configured to work with a pedagogical programming language to train one or more trained artificial intelligence models |
| CN107390753A (zh) * | 2017-08-29 | 2017-11-24 | 贵州省岚林阳环保能源科技有限责任公司 | 基于物联网云平台的智能植物生长环境调节装置与方法 |
| CN110377082A (zh) * | 2019-07-16 | 2019-10-25 | 北京水木九天科技有限公司 | 一种温室中的自动化控制系统 |
| CN110795477A (zh) * | 2019-09-20 | 2020-02-14 | 平安科技（深圳）有限公司 | 数据的训练方法及装置、系统 |
| CN110826331A (zh) * | 2019-10-28 | 2020-02-21 | 南京师范大学 | 基于交互式与迭代式学习的地名标注语料库智能构建方法 |
-
2021
- 2021-01-18 CN CN202110060190.6A patent/CN112711621A/zh active Pending
Patent Citations (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US20170213126A1 (en) * | 2016-01-27 | 2017-07-27 | Bonsai AI, Inc. | Artificial intelligence engine configured to work with a pedagogical programming language to train one or more trained artificial intelligence models |
| CN107390753A (zh) * | 2017-08-29 | 2017-11-24 | 贵州省岚林阳环保能源科技有限责任公司 | 基于物联网云平台的智能植物生长环境调节装置与方法 |
| CN110377082A (zh) * | 2019-07-16 | 2019-10-25 | 北京水木九天科技有限公司 | 一种温室中的自动化控制系统 |
| CN110795477A (zh) * | 2019-09-20 | 2020-02-14 | 平安科技（深圳）有限公司 | 数据的训练方法及装置、系统 |
| CN110826331A (zh) * | 2019-10-28 | 2020-02-21 | 南京师范大学 | 基于交互式与迭代式学习的地名标注语料库智能构建方法 |
Cited By (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN113377850A (zh) * | 2021-06-09 | 2021-09-10 | 深圳前海墨斯科技有限公司 | 认知物联网大数据技术平台 |
| CN113485147A (zh) * | 2021-08-03 | 2021-10-08 | 南京邮电大学 | 一种基于大数据分析的智能家居控制方法及系统 |
| CN113485147B (zh) * | 2021-08-03 | 2022-03-25 | 南京邮电大学 | 一种基于大数据分析的智能家居控制方法及系统 |
| CN113642805A (zh) * | 2021-08-27 | 2021-11-12 | Oppo广东移动通信有限公司 | 物联网设备的算法优化方法、电子设备以及可读存储介质 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN112711621A (zh) | 万物互联训练平台及控制方法与装置 | |
| CN110955212A (zh) | 一种基于物联网的智慧农业信息处理系统 | |
| Alam et al. | Analysis of the drivers of Agriculture 4.0 implementation in the emerging economies: Implications towards sustainability and food security | |
| CN113885398B (zh) | 一种基于可微推理的水循环智能感知与监控系统 | |
| CN106485589A (zh) | 一种基于物联网的农业企业集团信息化管理系统 | |
| Sehgal et al. | Crop planning using stochastic visual optimization | |
| CN116681279B (zh) | 一种基于数据分析的林业有害生物防治风险评估系统 | |
| CN110865671A (zh) | 一种基于云计算的水产养殖大数据智能决策预警服务平台 | |
| Parameswari et al. | Machine learning approaches for crop recommendation | |
| CN111476274B (zh) | 一种大数据预测分析的方法、系统、装置及存储介质 | |
| CN113379188B (zh) | 基于物联网的烟草轮作种植方法和系统 | |
| Papageorgiou et al. | Fuzzy sets in agriculture | |
| Rao et al. | Integration of Cloud Computing, IoT, and Big Data for the Development of a Novel Smart Agriculture Model | |
| CN114543869A (zh) | 一种基于物联网技术的农业支撑系统 | |
| CN117114269A (zh) | 乡镇实施发展策略过程的战略绩效管理系统 | |
| Aishwarya et al. | Data mining analysis for precision agriculture: A comprehensive survey | |
| CN115964504B (zh) | 一种食品安全风险预测方法及系统 | |
| Sundari et al. | Crop recommendation and yield prediction using machine learning algorithms | |
| Gawade et al. | AGROFERDURE: Intelligent Crop Recommendation System For Agriculture Crop Productivity Using Machine Learning Algorithm | |
| CN106407693A (zh) | 一种基于增量式神经网络模型的乙肝预测方法和预测系统 | |
| Jasti et al. | Crop Intelligent: Weather based Crop Selection using Machine Learning | |
| Atıl et al. | Investigation of dairy cattle traits by using artificial neural networks and cluster analysis | |
| Klotz et al. | Estimating and tuning adaptive action plans for the control of smart interconnected poultry condominiums | |
| Boonyopakorn et al. | Applying Neuro Fuzzy System to Analyze Durian Minerals within Soil for Precision Agriculture | |
| Stender et al. | Innovative approaches to improving the agricultural sector in the era of digitalization of the economy |
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 |