CN112906735A - 一种食用菌环境大数据检测系统 - Google Patents
一种食用菌环境大数据检测系统 Download PDFInfo
- Publication number
- CN112906735A CN112906735A CN202110041940.5A CN202110041940A CN112906735A CN 112906735 A CN112906735 A CN 112906735A CN 202110041940 A CN202110041940 A CN 202110041940A CN 112906735 A CN112906735 A CN 112906735A
- Authority
- CN
- China
- Prior art keywords
- neural network
- output
- edible fungus
- parameter
- environment
- 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.)
- Granted
Links
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/24—Classification techniques
-
- 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
- G06N3/044—Recurrent networks, e.g. Hopfield networks
-
- 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
- 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
- G06N3/084—Backpropagation, e.g. using gradient descent
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Data Mining & Analysis (AREA)
- General Physics & Mathematics (AREA)
- Life Sciences & Earth Sciences (AREA)
- Artificial Intelligence (AREA)
- General Engineering & Computer Science (AREA)
- Evolutionary Computation (AREA)
- Biophysics (AREA)
- Computational Linguistics (AREA)
- Software Systems (AREA)
- Mathematical Physics (AREA)
- Health & Medical Sciences (AREA)
- Biomedical Technology (AREA)
- Computing Systems (AREA)
- Molecular Biology (AREA)
- General Health & Medical Sciences (AREA)
- Evolutionary Biology (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Bioinformatics & Computational Biology (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Feedback Control In General (AREA)
Abstract
本发明公开了一种食用菌环境大数据检测系统,所述检测系统包括食用菌环境参数采集与控制平台和食用菌养殖环境大数据处理子系统,食用菌环境参数采集与控制平台实现对食用菌环境参数检测、调节和监控;食用菌环境参数大数据处理子系统包括参数检测单元、评价单元,实现对食用菌环境进行评价;本发明有效解决了现有食用菌环境没有根据食用菌环境参数变化的非线性、大滞后和食用菌环境面积大复杂等对食用菌环境产量影响,没有对食用菌环境产量进行预测和对食用菌环境参数进行精确检测与调节,从而极大的影响食用菌环境产量预测和生产管理问题。
Description
技术领域
本发明涉及食用菌环境参数检测与处理技术领域,具体涉及一种食用菌环境大数据检测系统。
背景技术
食用菌生长对温湿度、培养基水分含量、光照、通风等环境状况具有有较高的要求,相关研究表明:平菇、香菇、木耳等食用菌正常生长要求的培养基水分含量在60%-70%之间,空气环境湿度要求在80%-90%之间,严格控制食用菌种植环境参数变化是保证食用菌品质和产量的重要基础。传统的食用菌种植过程主要依靠种植经验和简单的测试方法和设备监测环境的状况,在种植环境参数不满足食用菌生长要求的时候,通过人工方式实施调节处理,工作效率低,处理过程较为粗放,不能满足食用菌种植的智能化、精细化管理的需求。针对此问题,发明一种食用菌环境大数据检测系统实现食用菌种植大棚环境参数的自动检测与调控功能,同时实现基于互联网云平台的远程监测与调控功能,可满足食用菌种植的智能化、精细化管理的基本需求,发明一种食用菌环境大数据检测系统实现对食用菌环境参数进行检测与调节,该发明提高食用菌产量的经济效益和效率有重要作用。
发明内容
本发明提供了一种食用菌环境大数据检测系统,本发明有效解决了现有食用菌环境没有根据食用菌环境参数变化的非线性、大滞后和食用菌环境面积大复杂等对食用菌环境产量影响,没有对食用菌环境产量进行预测和对食用菌环境参数进行精确检测与调节,从而极大的影响食用菌环境产量预测和生产管理问题。
本发明通过以下技术方案实现:
一种食用菌环境大数据检测系统由食用菌环境参数采集与控制平台和食用菌养殖环境大数据处理子系统两部分组成,食用菌环境参数采集与控制平台实现对食用菌环境参数检测、调节和监控;食用菌环境参数大数据处理子系统包括3个参数检测单元和评价单元,实现对食用菌环境进行评价,提高食用菌环境生产管理效率和效益。
本发明进一步技术改进方案是:
食用菌环境参数采集与控制平台由检测节点、控制节点、网关节点、现场监控端、云平台和手机APP组成,检测节点采集食用菌环境参数经网关节点上传到云平台,并利用云平台提供的数据给手机APP,手机APP通过云平台提供的食用菌环境信息可实时监测食用菌环境参数和调节控制节点的外部设备,检测节点和控制节点负责采集食用菌环境参数信息和控制调节食用菌环境设备,通过网关节点实现检测节点、控制节点、现场监控端、云平台和手机APP的双向通信,实现食用菌环境参数采集和食用菌环境设备控制;食用菌环境参数采集与控制平台结构如图1所示。
本发明进一步技术改进方案是:
食用菌环境大数据处理子系统包括3个参数检测单元和评价单元,多个温度传感器、多个湿度传感器和多个水分传感器的输出分别是对应的3个参数检测单元的多个对应的按拍延迟线TDL的输入,3个参数检测单元输出的温度、湿度和水分的梯形模糊数分别是评价单元的3个对应的按拍延迟线TDL的输入,评价单元输出的梯形模糊数为对应食用菌环境参数等级值。
本发明进一步技术改进方案是:
参数检测单元设计
参数检测单元由多个延迟单元的按拍延迟线TDL(Tapped Delay Line)、多个Adaline神经网络模型、多个ARIMA预测模型、多个微分回路、1个GMDH神经网络模型和4个NARX神经网络模型组成,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对应的GMDH神经网络模型的1个对应输入,每个微分回路的输出作为GMDH神经网络模型的1个对应输入;每个参数测量传感器输出分别作为对应的每个按拍延迟线TDL的输入,每个按拍延迟线TDL输出的一段时间的多个参数测量传感器值分别作为对应的1个Adaline神经网络模型的输入,每个Adaline神经网络模型的输出分别作为对应的每个ARIMA预测模型的输入,每个ARIMA预测模型的输出作为对应的每个微分回路的输入和GMDH神经网络模型的对应的1个输入,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4个对应的NARX神经网络模型的输入,4个NARX神经网络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单元的输出,参数检测单元把一段时间多个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:
评价单元设计
评价单元由3个具有多个延迟单元的按拍延迟线TDL(Tapped Delay Line)、3组BAM神经网络预测模型、3个自联想神经网络模型和T-S模糊神经网络分类器组成,每组BAM神经网络预测模型包括多个BAM神经网络预测模型,3个参数检测单元输出的温度、湿度和水分的梯形模糊数分别是评价单元对应的3个按拍延迟线TDL的输入,3个按拍延迟线TDL输出一段时间的温度、湿度和水分的梯形模糊数作为对应组的多个BAM神经网络预测模型的输入,每组的多个BAM神经网络预测模型输出的梯形模糊数作为对应的自联想神经网络模型的输入,3个自联想神经网络模型输出的梯形模糊数作为T-S模糊神经网络分类器的输入;根据食用菌环境参数控制的工程实践,T-S模糊神经网络分类器构建食用菌环境质量等级与5个梯形模糊数的对应关系表,食用菌环境5种质量等级分别为质量一般、质量较好、质量好、质量较差和质量很差,计算T-S模糊神经网络分类器输出的梯形模糊数与代表食用菌环境5种质量等级的5个梯形模糊数的相似度,其中相似度最大的梯形模糊数对应的食用菌环境质量等级确定为被检测食用菌生长环境质量等级,T-S模糊神经网络分类器输入为3个自联想神经网络模型输出的3个梯形模糊数和代表食用菌种类的数值,T-S模糊神经网络分类器输出的梯形模糊数作为评价单元的输出,评价单元输出的梯形模糊数代表被检测食用菌环境参数等级值。
本发明与现有技术相比,具有以下明显优点:
一、本发明BAM神经网络预测模型是一种双层反馈神经网络,用它可实现食用菌环境参数的异联想记忆功能;其当向其中一层加入食用菌环境参数输入信号时,另一层得到输出。由于初始模式可以作用于网络的任一层,食用菌环境参数信息也可以双向传播,所以没有明确的输入层或输出层。BAM神经网络预测模型学习速度快,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神经网络预测模型是食用菌环境参数有反馈网络,当输入出现错误时,BAM神经网络预测模型不但可以输出准确的故障原因,还可纠正食用菌环境参数原始输入的错误。故该BAM神经网络预测模型适于要求对错误输入征兆进行纠正系统。BAM神经网络预测模型利用BAM神经网络双向联想存储的特性,提高推理过程中食用菌环境参数的不确定信息处理能力。
二、本发明NARX神经网络模型是一种带输出反馈连接的动态递归神经网络,在拓扑连接关系上可等效为有输入时延的BP神经网络加上输出到输入的时延反馈连接,其结构由输入层、时延层、隐层和输出层构成,其中输入层节点用于信号输入,时延层节点用于输入信号和输出反馈信号的时间延迟,隐层节点利用激活函数对时延后的信号做非线性运算,输出层节点则用于将隐层输出做线性加权获得最终网络输出。
三、本发明食用菌环境等级分类的科学性和可靠性,本专利的T-S模糊神经网络分类器给食用菌环境质量等级分类,根据食用菌环境质量控制的工程实践经验,通过T-S模糊神经网络分类器将影响食用菌环境质量等级大小量化为质量等级,通过梯形模糊数将食用菌环境质量等级分为五种等级,把食用菌环境质量等级5种质量等级分别为质量一般、质量较好、质量好、质量较差和质量很差对应5个不同的梯形模糊数,计算T-S模糊神经网络分类器输出的梯形模糊数与代表5种食用菌环境质量等级的5个梯形模糊数的相似度,其中相似度最大的梯形模糊数对应的质量等级确定为该食用菌环境质量等级,实现对食用菌环境质量等级分类的动态性能和科学分类。
四、本发明由于通过多个微分回路引入食用菌环境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GDMH神经网络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,提高动GDMH神经网络的泛化能力。
附图说明
图1为本发明食用菌环境参数采集与控制平台;
图2为本发明食用菌环境大数据处理子系统;
图3为本发明检测节点;
图4为本发明控制节点;
图5为本发明网关节点;
图6为本发明现场监控端软件。
具体实施方式
结合附图1-6,对本发明技术方案作进一步描述:
一、系统总体功能设计
本发明一种食用菌环境温度检测系统实现对食用菌环境因子参数进行检测和预测食用菌产量,该系统由食用菌环境参数采集与控制平台和食用菌环境大数据处理子两部分组成。食用菌环境参数采集与控制平台包括食用菌环境参数的检测节点、控制节点、网关节点、现场监控端、云平台和移动端APP组成,检测节点和控制节点以自组织方式构建成ZigBee监测网络来实现检测节点、控制节点和网关节点之间的ZigBee通信;检测节点将检测的食用菌环境参数通过网关节点发送给现场监控端和云平台,网关节点、云平台实现现场监控端和移动端APP之间食用菌环境参数和相关控制信息的双向传输。手机app采用机智云提供的开源框架APP进行设计,只需在手机APP内集成机智云提供的APP SDK,就可以连接机智云平台并实现基于手机APP的远程检测与调控功能。云平台接入及手机app监测与调控运行稳定,通过人为干预模拟了食用菌环境温度、湿度和培养基水分含量异常等状况,基本可以满足食用菌种植环境监测与调控管理的基本需求。食用菌环境参数采集与控制平台结构见图1。
二、检测节点的设计
采用大量基于ZigBee传感器网络的检测节点作为食用菌环境参数感知终端,检测节点通过自组织ZigBee网络实现网关节点之间的信息相互交互。检测节点包括采集食用菌环境湿度、温度、水分和光照度参数的传感器和对应的信号调理电路、STM32微处理器和ZigBee通信模块CC2530;检测节点的软件主要实现ZigBee通信和食用菌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。
三、控制节点的设计
控制节点通过自组织ZigBee网络实现网关节点之间的信息相互交互,控制节点包括控制外部设备对应的4个数模转换电路、STM32微处理器、4个外部设备控制器和ZigBee通信模块CC2530;4个外部设备控制器分别为温度控制器、湿度控制器、风速控制器和光照控制器。控制节点结构见图4。
四、网关节点设计
网关节点包括CC2530模块、NB-IoT模块、STM32单片机和RS232接口,网关节点包括CC2530模块实现与检测节点和控制节点之间的通信的自组织网络,NB-IoT模块实现网关与云平台之间的数据双向交互,RS232接口连接现场监控端,实现网关与现场监控端之间的信息交互。网关节点结构见图5。
五、现场监控端软件
现场监控端是一台工业控制计算机,现场监控端3主要实现对食用菌环境参数进行采集和评价食用菌环境等级,实现与网关节点的信息交互,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、食用菌环境大数据处理。该管理软件选择了MicrosoftVisual++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6。食用菌环境大数据处理子系统包括3个参数检测单元和评价单元,多个温度传感器、多个湿度传感器和多个水分传感器的输出分别是对应的3个参数检测单元的多个对应的按拍延迟线TDL的输入,3个参数检测单元输出的温度、湿度和水分的梯形模糊数分别是评价单元的3个对应的按拍延迟线TDL的输入,评价单元输出的梯形模糊数为对应食用菌环境参数等级值。参数检测单元和
评价单元的设计过程如下:
1、参数检测单元设计
参数检测单元由多个延迟单元的按拍延迟线TDL(Tapped Delay Line)、多个Adaline神经网络模型、多个ARIMA预测模型、多个微分回路、1个GMDH神经网络模型和4个NARX神经网络模型组成,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个微分算子连接端作为对应的GMDH神经网络模型的1个对应输入,每个微分回路的输出作为GMDH神经网络模型的1个对应输入;每个参数测量传感器输出分别作为对应的每个按拍延迟线TDL的输入,每个按拍延迟线TDL输出的一段时间的多个参数测量传感器值分别作为对应的1个Adaline神经网络模型的输入,每个Adaline神经网络模型的输出分别作为对应的每个ARIMA预测模型的输入,每个ARIMA预测模型的输出作为每个微分回路的输入和GMDH神经网络模型的对应的1个输入,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4个对应的NARX神经网络模型的输入,4个NARX神经网络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单元的输出,参数检测单元把一段时间多个参数测量传感器值转换为被测量参数的梯形模糊数值。GMDH神经网络模型[a,b,c,d]代表测量传感器的梯形模糊数值,测量传感器的梯形模糊数值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)
Adaline神经网络模型、ARIMA预测模型、GMDH神经网络模型和NARX神经网络模型设计过程如下:Adaline神经网络模型的自适应线性单元(Adaptive Linear Element)是早期的神经网络模型之一,该模型的输入信号可写成向量的形式:X(K)=[x0(K),x1(K),…xn(K)]T,每一组输入信号对应有一组权值向量相对应表示为:W(K)=[k0(K),k1(K),…k(K)],x0(K)等于负1时是Adaline神经网络模型的偏置值决定神经元的兴奋或抑制状态,可根据Adaline神经网络模型的输入向量和权值向量定义网络输出为:
在Adaline神经网络模型中,有一特殊输入即理想响应输出d(K),把它送入Adaline神经网络模型中,然后通过网络的输出y(K)进行比较,将差值送到学习算法机制中,以调整权向量直到获得最佳权向量,y(K)与d(K)趋向一致,权向量的调整过程即为网络的学习过程,学习算法是学习过程的核心部分,Adaline神经网络模型的权值优化搜索算法采用LMS算法最小二乘法。
ARIMA预测模型是一种根据Adaline神经网络模型输出的历史数据预测测量传感器值的建模方法,它对Adaline神经网络模型输出的历史数据的时间序列进行分析。本专利采用Adaline神经网络模型输出的历史数据的时间序列对ARIMA预测模型的时间序列特征的自回归阶数(p)、差分次数(d)和移动平均阶数(q)进行研究。ARIMA预测模型被写作为:ARIMA(p,d,q)。以p、d、q为参数的ARIMA预测模型的残差的方程可以表示如下:
Δdyt表示yt经d次差分转换之后的序列,εt是随机误差,方差为常量σ2的正态分布,φi(i=1,2,…,p)和θj(j=1,2,…,q)为ARIMA预测模型的待估计参数,p和q为ARIMA预测模型的上下限值残差模型的阶。残差本质上属于线性模型,建模与预测包含4个步骤:Ⅰ、序列平稳化处理,如果Adaline神经网络模型输出数据残差的历史数据序列是非平稳的,如存在一定的增长或下降趋势等,则需对Adaline神经网络模型输出残差的历史数据进行差分处理;Ⅱ、模型识别,通过自相关系数和偏自相关系数来确定Adaline神经网络模型输出数据残差模型的阶数p,d和q;Ⅲ、估计模型的参数和模型诊断,用极大似然估计得到Adaline神经网络模型输出数据残差模型中所有参数的估计值,并检验包括参数的显著性检验和残差的随机性检验,然后判断所建Adaline神经网络模型输出数据残差模型是否可取,利用选取合适参数的Adaline神经网络模型输出数据残差模型进行残差的预测;并在模型中进行检验,以判定该模型是否恰当,如果不恰当就重新估计参数;Ⅳ、利用具有合适参数模型进行Adaline神经网络模型输出数据残差的预测,本专利使用软件调用SPSS统计分析软件包中时间序列分析功能的ARIMA模块实现Adaline神经网络模型输出数据残差预测的整个建模过程。
GMDH神经网络模型的输出为代表一段时间畜禽舍环境多个温度传感器值大小的梯形模糊数,梯形模糊数为[a,b,c,d],[a,b,c,d]构成在一段时间内温度检测单元输出为多个温度传感器值的梯形模糊数值,a、b、c和d分别代表畜禽舍环境温度的最小值、极小值、极大值和最大值,温度检测单元把一段多个时间温度传感器值转换为温度梯形模糊数值。GMDH神经网络模型是一种自组织数据挖掘的算法,若该GMDH神经网络模型有m个输入变量x1,x2,…,xm和输出为Y。GMDH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畜禽舍环境参数预测模型。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畜禽舍环境参数预测模型为止,因此GMDH神经网络模型能够根据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Rj为第j层最大神经元数量,xkl为第l个输入样本的第k维,yjkl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为网络的预测值。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。数据预处理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。GMDH神经网络模型的学习进化过程如下:①设定网络各层最大神经元数量Rj和网络的初始变量个数d0,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Rj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。⑤网络构建完毕。
NARX神经网络模型是一种带输出反馈连接的动态递归神经网络,在拓扑连接关系上可等效为有输入时延的BP神经网络加上输出到输入的时延反馈连接,其结构由输入层、时延层、隐层和输出层构成,其中输入层节点用于信号输入,时延层节点用于输入信号和输出反馈信号的时间延迟,隐层节点利用激活函数对时延后的信号做非线性运算,输出层节点则用于将隐层输出做线性加权获得最终网络输出。NARX神经网络模型第i个隐层节点的输出hi为:
NARX神经网络模型第j个输出层节点输出oj为:
2、评价单元设计
评价单元由3个具有多个延迟单元的按拍延迟线TDL(Tapped Delay Line)、3组BAM神经网络预测模型、3个自联想神经网络模型和T-S模糊神经网络分类器组成,每组BAM神经网络预测模型包括多个BAM神经网络预测模型,3个参数检测单元输出的温度、湿度和水分的梯形模糊数分别是评价单元对应的3个按拍延迟线TDL的输入,3个按拍延迟线TDL输出一段时间的温度、湿度和水分的梯形模糊数作为对应组的多个BAM神经网络预测模型的输入,每组的多个BAM神经网络预测模型的输出作为对应的自联想神经网络模型的输入,3个自联想神经网络模型输出的梯形模糊数作为T-S模糊神经网络分类器的输入,T-S模糊神经网络分类器输出的梯形模糊数作为评价单元的输出,评价单元输出的梯形模糊数代表被检测食用菌环境参数等级值。BAM神经网络预测模型、3个自联想神经网络模型和T-S模糊神经网络分类器的设计过程如下:BAM神经网络预测模型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食用菌环境参数的进一步预测,它具有联想记忆食品气味浓度值功能,自适应性能力强,自动提取食品气味浓度值的优点,并且预测误差较小,自出现以来便得到广泛应用;BAM神经网络预测模型拓扑结构中,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神经网络预测模型状态转移方程见式(7)。
自联想神经网络模型(Auto-associative neural network,AANN),一种特殊结构的前馈神经网络,自联想神经网络模型结构包括一个输入层,一定数量的隐含层和一个输出层。首先通过输入层、映射层以及瓶颈层实现了输入数据信息的压缩,从网络输入的高维参数空间中提取了反映系统结构的最具代表性的低维子空间,同时有效地滤去了食用菌环境参数的输入数据中的噪声和测量误差,再通过瓶颈层、解映射层和输出层实现数据的解压缩,将前面压缩的信息还原到各个参数值,从而实现各食用菌环境参数输入数据的重构。为了达到信息压缩的目的,自联想神经网络模型络瓶颈层节点数目明显小于输入层,又为了防止形成输入输出层之间的简单单一映射,除了输出层激励函数采用线形函数外,其它各层均采用非线形的激励函数。从本质来讲,自联想神经网络模型的隐含层第一层叫作映射层,映射层的节点传递函数可能是S型函数也可能是其他类似的非线性函数;隐含层第二层叫做瓶颈层,瓶颈层的维数是网络中最小的,它的传递函数可能是线性的或者是非线性,瓶颈层避免了那种很容易实现的一对一的输出和输入相等的映射关系,它使网络对食用菌环境参数信号进行编码和压缩得到输入传感器数据的相关模型,并在瓶颈层后进行解码和解压缩以产生食用菌环境参数输入信号的估计值;隐含层第三层或最后一层叫做解映射层,解映射层的节点传递函数是通常是非线性的S型函数,自联想神经网络模型用误差反向传播(back-propagation,BP)算法来训练。
T-S模糊神经网络分类器包括前件网络和后件网络,(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:
第3层计算系统输出:
通过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pjk,为了简化起见,将参数pjk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。该简化结构与常规模型的T-S模糊神经网络分类器具有完全相同的结构,可套用常规模型计算结果。根据食用菌环境参数控制的工程实践,T-S模糊神经网络分类器构建食用菌环境质量等级与5个梯形模糊数的对应关系表1,食用菌环境5种质量等级分别为质量一般、质量较好、质量好、质量较差和质量很差,计算T-S模糊神经网络分类器输出的梯形模糊数与代表食用菌环境5种质量等级的5个梯形模糊数的相似度,其中相似度最大的梯形模糊数对应的食用菌环境质量等级确定为被检测食用菌生长环境质量等级。T-S模糊神经网络分类器输入为3个自联想神经网络模型输出的3个梯形模糊数和代表食用菌种类的数值,其中杏鲍菇为1,蘑菇为2,海鲜菇为3,金针菇为4,平菇为5.
表1食用菌生长环境质量等级与梯形模糊数对应关系表
序号 | 质量等级 | 区间数 |
1 | 质量一般 | (0.0,0.05,0.15,0.3) |
2 | 质量较好 | (0.1,0.15,0.3,0.4) |
3 | 质量好 | (0.3,0.35,0.45,0.7) |
4 | 质量较差 | (0.6,0.75,0.8,0.9) |
5 | 质量很差 | (0.8,0.85,0.9,1.0) |
六、食用菌环境参数采集与控制平台的设计举例
根据食用菌环境大数据检测系统的实际状况,系统布置了食用菌环境参数采集与控制平台的检测节点、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食用菌环境的各个方位,通过该系统实现对食用菌环境参数进行采集。
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 (5)
1.一种食用菌环境大数据检测系统,其特征在于:所述检测系统包括食用菌环境参数采集与控制平台和食用菌养殖环境大数据处理子系统,食用菌环境参数采集与控制平台实现对食用菌环境参数检测、调节和监控;食用菌环境参数大数据处理子系统包括参数检测单元、评价单元,实现对食用菌环境进行评价;
所述食用菌养殖环境大数据处理子系统包括参数检测单元和评价单元,温度传感器、湿度传感器和水分传感器的输出分别是对应的参数检测单元的多个对应的按拍延迟线TDL的输入,参数检测单元输出的温度、湿度和水分的梯形模糊数分别是评价单元的对应的按拍延迟线TDL的输入,评价单元输出的梯形模糊数为对应食用菌环境参数等级值。
2.根据权利要求1所述的一种食用菌环境大数据检测系统,其特征在于:所述参数检测单元包括延迟单元的按拍延迟线TDL、Adaline神经网络模型、ARIMA预测模型、微分回路、GMDH神经网络模型和NARX神经网络模型,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对应的GMDH神经网络模型的对应输入,每个微分回路的输出作为GMDH神经网络模型的对应输入;每个参数测量传感器输出分别作为对应的每个按拍延迟线TDL的输入,每个按拍延迟线TDL输出的一段时间的多个参数测量传感器值分别作为对应的Adaline神经网络模型的输入,每个Adaline神经网络模型的输出分别作为对应的每个ARIMA预测模型的输入,每个ARIMA预测模型的输出作为对应的每个微分回路的输入和GMDH神经网络模型的对应的输入,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,动态梯形模糊数的参数分别作为对应的NARX神经网络模型的输入, NARX神经网络模型的输出分别作为一段时间内的动态梯形模糊数的参数的预测值, NARX神经网络模型输出构成的梯形模糊数作为参数检测单元的输出,参数检测单元把一段时间多个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。
3.根据权利要求1或2所述的一种食用菌环境大数据检测系统,其特征在于:所述评价单元包括具有延迟单元的按拍延迟线TDL、BAM神经网络预测模型、自联想神经网络模型和T-S模糊神经网络分类器组成,每组BAM神经网络预测模型包括多个BAM神经网络预测模型,参数检测单元输出的温度、湿度和水分的梯形模糊数分别是评价单元对应的按拍延迟线TDL的输入,按拍延迟线TDL输出一段时间的温度、湿度和水分的梯形模糊数作为对应组的多个BAM神经网络预测模型的输入,每组的多个BAM神经网络预测模型输出的梯形模糊数作为对应的自联想神经网络模型的输入,自联想神经网络模型输出的梯形模糊数作为T-S模糊神经网络分类器的输入。
4.根据权利要求3所述的一种食用菌环境大数据检测系统,其特征在于:所述T-S模糊神经网络分类器构建食用菌环境质量等级与梯形模糊数的对应关系表,食用菌环境5种质量等级分别为质量一般、质量较好、质量好、质量较差和质量很差,计算T-S模糊神经网络分类器输出的梯形模糊数与代表食用菌环境5种质量等级的5个梯形模糊数的相似度,其中相似度最大的梯形模糊数对应的食用菌环境质量等级确定为被检测食用菌生长环境质量等级,T-S模糊神经网络分类器输入为3个自联想神经网络模型输出的3个梯形模糊数和代表食用菌种类的数值,T-S模糊神经网络分类器输出的梯形模糊数作为评价单元的输出,评价单元输出的梯形模糊数代表食用菌环境参数等级值。
5.根据权利要求1所述的一种食用菌环境大数据检测系统,其特征在于:所述食用菌环境参数采集与控制平台由检测节点、控制节点、网关节点、现场监控端、云平台和手机APP组成,检测节点采集食用菌环境参数经网关节点上传到云平台,并利用云平台提供的数据给手机APP,手机APP通过云平台提供的食用菌环境信息可实时监测食用菌环境参数和调节控制节点的外部设备,检测节点和控制节点负责采集食用菌环境参数信息和控制调节食用菌环境设备,通过网关节点实现检测节点、控制节点、现场监控端、云平台和手机APP的双向通信,实现食用菌环境参数采集和食用菌环境设备控制。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110041940.5A CN112906735B (zh) | 2021-01-13 | 2021-01-13 | 一种食用菌环境大数据检测系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110041940.5A CN112906735B (zh) | 2021-01-13 | 2021-01-13 | 一种食用菌环境大数据检测系统 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN112906735A true CN112906735A (zh) | 2021-06-04 |
CN112906735B CN112906735B (zh) | 2023-01-13 |
Family
ID=76112735
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202110041940.5A Active CN112906735B (zh) | 2021-01-13 | 2021-01-13 | 一种食用菌环境大数据检测系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN112906735B (zh) |
Cited By (11)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN114221979A (zh) * | 2021-11-26 | 2022-03-22 | 华中农业大学 | 一种基于综合环境因子的智能种植工厂香菇生长预测模块评估系统及方法 |
CN114358244A (zh) * | 2021-12-20 | 2022-04-15 | 淮阴工学院 | 基于物联网的压力大数据智能检测系统 |
CN114355848A (zh) * | 2021-12-20 | 2022-04-15 | 淮阴工学院 | 张力检测与智能控制系统 |
CN114397809A (zh) * | 2021-12-20 | 2022-04-26 | 淮阴工学院 | 物料称重大数据检测与包装智能控制系统 |
CN114415503A (zh) * | 2021-12-20 | 2022-04-29 | 淮阴工学院 | 温度大数据物联网检测与智能控制系统 |
CN114839881A (zh) * | 2022-06-17 | 2022-08-02 | 淮阴工学院 | 智能化垃圾清理与环境参数大数据物联网系统 |
CN115016276A (zh) * | 2022-06-17 | 2022-09-06 | 淮阴工学院 | 智能水分调节与环境参数物联网大数据系统 |
CN116108361A (zh) * | 2022-10-24 | 2023-05-12 | 淮阴工学院 | 油液质量智能检测方法与监测系统 |
CN116823068A (zh) * | 2023-08-29 | 2023-09-29 | 四川集鲜数智供应链科技有限公司 | 一种餐饮食品供应链管理系统 |
CN117111536A (zh) * | 2023-10-23 | 2023-11-24 | 上海永大菌业有限公司 | 一种菇棚环境远程控制系统及方法 |
CN117541125A (zh) * | 2023-12-25 | 2024-02-09 | 淮阴工学院 | 一种食品品质智能检测方法及其装置 |
Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110084417A (zh) * | 2019-04-19 | 2019-08-02 | 淮阴工学院 | 一种基于grnn神经网络的草莓温室环境参数智能监测系统 |
CN110580021A (zh) * | 2019-09-10 | 2019-12-17 | 淮阴工学院 | 一种基于现场总线的粮仓环境安全智能监测系统 |
CN110647979A (zh) * | 2019-09-10 | 2020-01-03 | 淮阴工学院 | 一种基于物联网的温室环境多参数智能化监测系统 |
-
2021
- 2021-01-13 CN CN202110041940.5A patent/CN112906735B/zh active Active
Patent Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110084417A (zh) * | 2019-04-19 | 2019-08-02 | 淮阴工学院 | 一种基于grnn神经网络的草莓温室环境参数智能监测系统 |
CN110580021A (zh) * | 2019-09-10 | 2019-12-17 | 淮阴工学院 | 一种基于现场总线的粮仓环境安全智能监测系统 |
CN110647979A (zh) * | 2019-09-10 | 2020-01-03 | 淮阴工学院 | 一种基于物联网的温室环境多参数智能化监测系统 |
Non-Patent Citations (3)
Title |
---|
刘洋: "基于云计算的食用菌栽培环境参数自动监测系统", 《中国食用菌》 * |
卢嫚等: "食用菌生长环境控制系统研究", 《农机化研究》 * |
方倩: "基于CFD模型的食用菌工厂温度均匀性优化研究", 《中国优秀硕士学位论文全文数据库》 * |
Cited By (15)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN114221979B (zh) * | 2021-11-26 | 2024-04-26 | 华中农业大学 | 一种基于综合环境因子的智能种植工厂香菇生长预测模块评估系统及方法 |
CN114221979A (zh) * | 2021-11-26 | 2022-03-22 | 华中农业大学 | 一种基于综合环境因子的智能种植工厂香菇生长预测模块评估系统及方法 |
CN114355848B (zh) * | 2021-12-20 | 2023-02-07 | 淮阴工学院 | 张力检测与智能控制系统 |
CN114358244A (zh) * | 2021-12-20 | 2022-04-15 | 淮阴工学院 | 基于物联网的压力大数据智能检测系统 |
CN114355848A (zh) * | 2021-12-20 | 2022-04-15 | 淮阴工学院 | 张力检测与智能控制系统 |
CN114397809A (zh) * | 2021-12-20 | 2022-04-26 | 淮阴工学院 | 物料称重大数据检测与包装智能控制系统 |
CN114415503A (zh) * | 2021-12-20 | 2022-04-29 | 淮阴工学院 | 温度大数据物联网检测与智能控制系统 |
CN115016276A (zh) * | 2022-06-17 | 2022-09-06 | 淮阴工学院 | 智能水分调节与环境参数物联网大数据系统 |
CN114839881A (zh) * | 2022-06-17 | 2022-08-02 | 淮阴工学院 | 智能化垃圾清理与环境参数大数据物联网系统 |
CN116108361A (zh) * | 2022-10-24 | 2023-05-12 | 淮阴工学院 | 油液质量智能检测方法与监测系统 |
CN116108361B (zh) * | 2022-10-24 | 2024-05-17 | 淮阴工学院 | 油液质量智能检测方法与监测系统 |
CN116823068A (zh) * | 2023-08-29 | 2023-09-29 | 四川集鲜数智供应链科技有限公司 | 一种餐饮食品供应链管理系统 |
CN116823068B (zh) * | 2023-08-29 | 2023-11-07 | 四川集鲜数智供应链科技有限公司 | 一种餐饮食品供应链管理系统 |
CN117111536A (zh) * | 2023-10-23 | 2023-11-24 | 上海永大菌业有限公司 | 一种菇棚环境远程控制系统及方法 |
CN117541125A (zh) * | 2023-12-25 | 2024-02-09 | 淮阴工学院 | 一种食品品质智能检测方法及其装置 |
Also Published As
Publication number | Publication date |
---|---|
CN112906735B (zh) | 2023-01-13 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN112906735B (zh) | 一种食用菌环境大数据检测系统 | |
CN110084417B (zh) | 一种基于grnn神经网络的草莓温室环境参数智能监测系统 | |
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 | |
CN107085732B (zh) | 基于无线传感器网络的牛舍环境氨气智能监测系统 | |
CN110766132B (zh) | 一种基于物联网的果园产量智能预测系统 | |
CN110119766B (zh) | 一种多组合智能化模型的青椒温室温度智能化预警装置 | |
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 | |
CN112665656B (zh) | 一种农产品生长环境大数据检测系统 | |
CN110119086B (zh) | 一种基于anfis神经网络的番茄温室环境参数智能监测装置 | |
CN110119169B (zh) | 一种基于最小向量机的番茄温室温度智能预警系统 | |
CN110163254B (zh) | 一种基于递归神经网络的黄瓜温室产量智能化预测装置 | |
CN115016276B (zh) | 智能水分调节与环境参数物联网大数据系统 | |
CN107169621A (zh) | 一种水体溶解氧预测方法及装置 | |
CN110119767B (zh) | 一种基于lvq神经网络的黄瓜温室温度智能化检测装置 | |
CN113031555B (zh) | 一种畜禽舍环境有害气体智能净化系统 | |
CN113126676B (zh) | 一种畜禽舍养殖环境参数智能控制系统 | |
CN114397043B (zh) | 多点温度智能检测系统 | |
CN113281465A (zh) | 一种畜禽舍养殖环境有害气体检测系统 | |
CN113065749A (zh) | 一种建筑材料的养护室环境智能系统 | |
CN112862256A (zh) | 一种畜禽舍环境大数据检测系统 | |
CN110083190A (zh) | 一种基于减法聚类分类器的青椒温室环境智能监测系统 | |
CN113301127B (zh) | 一种牲畜饲料检测系统 | |
CN111476278A (zh) | 一种气体浓度智能化检测系统 | |
CN112881601A (zh) | 一种基于云平台的水分检测系统 |
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: 20230621 Address after: No. 189, Lvdu Avenue, Siyang County Agricultural Industrial Park, Suqian City, Jiangsu Province, 223700 Patentee after: Jiangsu Zhonggu Biotechnology Co.,Ltd. Address before: 223005 Jiangsu Huaian economic and Technological Development Zone, 1 East Road. Patentee before: HUAIYIN INSTITUTE OF TECHNOLOGY |
|
TR01 | Transfer of patent right |