CN112911533B - 一种基于移动端App的温度检测系统 - Google Patents
一种基于移动端App的温度检测系统 Download PDFInfo
- Publication number
- CN112911533B CN112911533B CN202110040865.0A CN202110040865A CN112911533B CN 112911533 B CN112911533 B CN 112911533B CN 202110040865 A CN202110040865 A CN 202110040865A CN 112911533 B CN112911533 B CN 112911533B
- Authority
- CN
- China
- Prior art keywords
- neural network
- output
- temperature
- network model
- edible fungus
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Active
Links
Images
Classifications
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04W—WIRELESS COMMUNICATION NETWORKS
- H04W4/00—Services specially adapted for wireless communication networks; Facilities therefor
- H04W4/30—Services specially adapted for particular environments, situations or purposes
- H04W4/38—Services specially adapted for particular environments, situations or purposes for collecting sensor information
-
- 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
- G06N3/043—Architecture, e.g. interconnection topology based on fuzzy logic, fuzzy membership or fuzzy inference, e.g. adaptive neuro-fuzzy inference systems [ANFIS]
-
- 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
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/048—Activation functions
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/049—Temporal neural networks, e.g. delay elements, oscillating neurons or pulsed inputs
-
- 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
-
- G—PHYSICS
- G08—SIGNALLING
- G08C—TRANSMISSION SYSTEMS FOR MEASURED VALUES, CONTROL OR SIMILAR SIGNALS
- G08C17/00—Arrangements for transmitting signals characterised by the use of a wireless electrical link
- G08C17/02—Arrangements for transmitting signals characterised by the use of a wireless electrical link using a radio link
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04L—TRANSMISSION OF DIGITAL INFORMATION, e.g. TELEGRAPHIC COMMUNICATION
- H04L67/00—Network arrangements or protocols for supporting network services or applications
- H04L67/01—Protocols
- H04L67/02—Protocols based on web technology, e.g. hypertext transfer protocol [HTTP]
- H04L67/025—Protocols based on web technology, e.g. hypertext transfer protocol [HTTP] for remote control or remote monitoring of applications
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04L—TRANSMISSION OF DIGITAL INFORMATION, e.g. TELEGRAPHIC COMMUNICATION
- H04L67/00—Network arrangements or protocols for supporting network services or applications
- H04L67/01—Protocols
- H04L67/12—Protocols specially adapted for proprietary or special-purpose networking environments, e.g. medical networks, sensor networks, networks in vehicles or remote metering networks
- H04L67/125—Protocols specially adapted for proprietary or special-purpose networking environments, e.g. medical networks, sensor networks, networks in vehicles or remote metering networks involving control of end-device applications over a network
Abstract
本发明公开了一种基于移动端App的温度检测系统,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环境温度大数据处理子系统,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,食用菌环境温度大数据处理子系统包括温度检测单元和产量预测单元;本发明有效解决了现有食用菌产量没有根据食用菌环境温度变化的非线性、大滞后和食用菌环境面积大温度变化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温度精确检测与调节,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
本发明涉及温度参数检测与处理技术领域,具体涉及一种基于移动端App的温度检测系统。
背景技术
随着国内外市场对农产品质量、数量和多样化的要求不断提高,我国的农产品生产方向正在不断向组织化、规模化、标准化和专业化方向发展。目前,我国农产品产业基本实现了规模化,对农产品的环境进行实时监测是进一步推动我国农产品的发展、产品质量提高和节本增效的必要手段。农产品是我国农业生产中一项主要产业,而农产品的环境是决定农产品能否发挥最大效益的关键影响因素。
目前的农产品生产加工水平较低,农产品加工生产均为一些小型工厂,没有良好的生产环境,导致农产品产业发展停滞不前,收益不乐观,合理化控制农产品生产环境参数,更好地提高农产品产量和质量,提升行业经济效益。由于农产品的生产环境决定农产品生长状况,进而影响农产品产生的经济效益,因此农产品生长环境密不可分。不同生长阶段的农产品对环境参数的需求不同,因此需要通过监控农产品生长状态实时调控农产品生长环境参数。农产品生长过程中,最重要的生产环境参数就是温度,生产环境参数中的温度能够影响农产品的质量及产量,适宜的温度可促进其生长速率,温度过高则会抑制生长,甚至死亡。以为食用菌生产环境的温度为例,发明一种基于移动端App的温度检测系统应用于食用菌栽培环境温度检测系统可严格把控食用菌生长不同阶段的环境温度参数,为其生长提供最适宜环境温度参数,促进质量及产量提升。
发明内容
本发明提供了一种基于移动端App的温度检测系统,本发明有效解决了现有食用菌产量没有根据食用菌环境温度变化的非线性、大滞后和食用菌环境面积大温度变化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温度精确检测与调节,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:
一种基于移动端App的温度检测系统,由食用菌环境参数采集与控制平台和食用菌环境温度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,食用菌环境温度大数据处理子系统包括温度检测单元和产量预测单元,实现对食用菌环境产量预测,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、云平台和移动端App组成,检测节点、控制节点和网关节点以自组织方式通过无线通信模块CC2530实现对食用菌环境参数采集与控制,检测节点分别由传感器组模块、单片机STM32和无线通信模块CC2530组成,传感器组模块负责检测食用菌环境的温度、湿度、光照度和水分参数,由单片机控制采样间隔并通过无线通信模块CC2530发送给网关节点,在网关节点、云平台和移动端App之间无线通信技术实现食用菌环境参数的双向传输;控制节点实现对食用菌环境参数的调节设备进行控制;现场监控端由一台工业控制计算机组成,实现对检测节点检测食用菌环境参数进行管理和对食用菌环境产量进行预测。食用菌环境参数采集与控制平台见图1所示。
本发明进一步技术改进方案是:
食用菌环境温度大数据处理子系统包括温度检测单元和产量预测单元,多个温度传感器的输出作为温度检测单元的多个对应的按拍延迟线TDL的输入,温度检测单元输出的温度梯形模糊数和食用菌产量历史数据分别作为产量预测单元的2个对应的按拍延迟线TDL的输入,产量预测单元的LSTM神经网络模型输出食用菌产量的梯形模糊数值。食用菌环境温度大数据处理子系统见图2。
本发明进一步技术改进方案是:
参数检测单元设计
温度检测单元由多个按拍延迟线TDL(Tapped Delay Line)、多个NARX神经网络模型、多个微分回路和BAM神经网络模型组成,由2个微分算子相串联构成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和每个微分回路的输出分别作为BAM神经网络模型的对应的2个输入;多个温度传感器输出分别作为对应的多个按拍延迟线TDL的输入,每个按拍延迟线TDL输出的一段时间的温度传感器值分别作为每个对应的NARX神经网络模型的输入,每个NARX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BAM神经网络模型的1个对应的输入,BAM神经网络模型的输出为代表一段时间多个温度传感器值大小的动态梯形模糊数为[a,b,c,d],[a,b,c,d]构成在一段时间内多个温度传感器输出值的动态梯形模糊数值,a、b、c和d分别代表温度传感器值的最小值、极小值、极大值和最大值,BAM神经网络模型输出的温度梯形模糊数作为温度检测单元的输出,温度检测单元把一段时间多个温度传感器值转换为的温度梯形模糊数值。
本发明进一步技术改进方案是:
产量预测单元设计
产量预测单元由2个按拍延迟线TDL(Tapped Delay Line)、2组多个ESN神经网络模型、2个自联想神经网络模型和LSTM神经网络模型组成,食用菌产量历史数据和温度检测单元输出分别作为2个按拍延迟线TDL的输入,每个按拍延迟线TDL输出的一段时间的食用菌产量历史数据和温度检测单元输出的温度梯形模糊值分别作为2组多个ESN神经网络模型的输入,2组多个ESN神经网络模型输出的梯形模糊数分别作为对应的2个自联想神经网络模型的输入,2个自联想神经网络模型输出的梯形模糊数分别作为LSTM神经网络模型的输入,LSTM神经网络模型输出的食用菌产量梯形模糊数值作为产量预测单元的输出和食用菌产量预测值。
本发明与现有技术相比,具有以下明显优点:
一、本发明BAM神经网络模型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神经网络模型是有反馈网络,当输入出现错误时,BAM神经网络模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神经网络模型适于要求对错误输入征兆进行纠正系统。BAM神经网络模型利用BAM神经网络双向联想存储的特性,提高推理过程中温度传感器预测值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食用菌环境的温度传感器值输入时延的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食用菌环境的温度传感器输出信号输入,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食用菌环境的温度预测值输出。
三、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的功能旨在食用菌产量预测值和食用菌环境温度梯形模糊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食用菌产量的预测,提高食用菌产量预测的精确度。
四、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,它携带着食用菌产量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食用菌产量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食用菌产量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。
五、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食用菌产量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食用菌产量的历史和食用菌环境的温度梯形模糊数信息。食用菌产量预测数据是序列数据,其变化趋势富有含义。此外,由于食用菌产量预测的采样间隔相对较小,食用菌产量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。
六、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食用菌产量预测进行重构,然后把生成的食用菌产量预测作为下一级的输入。深层级的预测结果不但基于食用菌产量预测训练数据中的食用菌环境温度和食用菌环境产量历史数据输入值,还受浅层级食用菌产量预测结果的影响,这种方法能够更有效地提取食用菌产量预测输入数据中蕴含的信息,提升模型的预测食用菌产量预测的准确度。
七、本发明ESN神经网络模型将网络隐层设计成一个具有很多神经元组成的稀疏网络,通过调整网络内部权值的特性达到记忆食用菌产量和温度梯形模糊数的功能,其内部的动态储备池包含了大量稀疏连接的神经元,蕴含系统的运行状态,并具有短期记忆食用菌产量和温度梯形模糊数功能,通过预设ESN神经网络模型的内部连接权值矩阵的谱半径来保证储备池内部递归网络的稳定性,提高了食用菌产量和温度梯形模糊数预测的稳定性和精确度。
八、本发明ESN神经网络模型将当前时刻储备池状态对前一时刻状态具有继承性,对食用菌产量和温度的梯形模糊数的历史数据具有短暂的记忆特性,研究结果表明具备历史记忆性的ESN神经网络具有较好的预测效果。ESN神经网络模型具备高精度、高准确率、高时效性和稳定性的特点,可作为一种快速有效食用菌产量和温度梯形模糊数的预测手段;ESN神经网络模型作为一种新型动态递归神经网络,采用了线性回归的方法建立模型,规避了传统神经网络收敛速度慢和易陷入局部最小的问题,简化了训练过程的复杂程度,实现了高效食用菌产量和温度梯形模糊数预测的目的。
九、本发明由于通过多个微分回路联引入温度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BAM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BAM神经网络模型的泛化能力。
附图说明
图1为本发明的食用菌环境参数采集与控制平台;
图2为本发明的食用菌环境温度大数据处理子系统;
图3为本发明的检测节点;
图4为本发明的控制节点;
图5为本发明的网关节点;
图6为本发明的现场监控端软件。
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
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、云平台和移动端App组成,检测节点、控制节点和网关节点以自组织方式通过无线通信模块CC2530实现对食用菌环境参数采集与控制。检测节点分别由传感器组模块、单片机STM32和无线通信模块CC2530组成,传感器组模块负责检测食用菌环境的温度、湿度、光照度和土壤水分参数,由单片机控制采样间隔并通过无线通信模块CC2530发送给网关节点,在网关节点、云平台和移动端App之间无线通信技术实现食用菌环境参数的双向传输;控制节点实现对食用菌环境参数的调节设备进行控制;现场监控端由一台工业控制计算机组成,实现对食用菌环境参数进行管理和对食用菌环境产量进行预测。移动端App采用云平台提供的开源框架App进行设计,只需在移动端App内集成云平台提供的App SDK,就可以连接云平台并实现基于移动端App的远程检测与调控功能。云平台接入及移动端App监测与调控运行稳定,基本可以满足食用菌环境移动端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见图1所示。
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
控制节点在输出通路设计了4路D/A转换电路实现对温度、湿度、光照度和水分的调节输出量控制电路、STM32微处理器和无线通信模块接口,实现对茄子温室环境控制设备进行控制,控制节点见图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自组织通信网络,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。
五、现场监控端软件
现场监控端是一台工业控制计算机,现场监控端主要实现对食用菌环境参数进行采集和食用菌产量预测,实现与检测节点、控制节点、网关节点、云平台和移动端App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食用菌产量预测。该管理软件选择了Microsoft Visual++6.0作为开发工具,调用系统的Mscomm通信控件来设计通讯程序;食用菌环境温度大数据处理子系统包括温度检测单元和产量预测单元,现场监控端软件功能见图6。
食用菌环境温度大数据处理子系统包括温度检测单元和产量预测单元,多个温度传感器的输出作为温度检测单元的多个对应的按拍延迟线TDL的输入,温度检测单元输出的温度梯形模糊数和食用菌产量历史数据分别作为产量预测单元的2个对应的按拍延迟线TDL的输入,产量预测单元的LSTM神经网络模型输出食用菌产量的梯形模糊数值。食用菌环境温度大数据处理子系统见图2,温度检测单元和产量预测单元的设计过程如下:
1、参数检测单元设计
温度检测单元由多个按拍延迟线TDL(Tapped Delay Line)、多个NARX神经网络模型、多个微分回路和BAM神经网络模型组成,由2个微分算子相串联构成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和每个微分回路的输出分别作为BAM神经网络模型的对应的2个输入;多个温度传感器输出分别作为对应的多个按拍延迟线TDL的输入,每个按拍延迟线TDL输出的一段时间的温度传感器值分别作为每个对应的NARX神经网络模型的输入,每个NARX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BAM神经网络模型的1个对应的输入,BAM神经网络模型的输出为代表一段时间多个温度传感器值大小的动态梯形模糊数为[a,b,c,d],[a,b,c,d]构成在一段时间内多个温度传感器输出值的动态梯形模糊数值,a、b、c和d分别代表温度传感器值的最小值、极小值、极大值和最大值,BAM神经网络模型输出的温度梯形模糊数作为温度检测单元的输出,温度检测单元把一段时间多个温度传感器值转换为的温度梯形模糊数值。NARX神经网络模型和BAM神经网络模型的设计过程如下:
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:
本发明专利的NARX神经网络模型的输入为每个按拍延迟线TDL输出的一段时间的温度传感器值,NARX神经网络模型输出的每个温度传感器的预测值作为对应的每个微分回路的输入和BAM神经网络模型的1个对应的输入。BAM神经网络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温度的进一步预测,它具有联想记忆食用菌环境温度的功能,自适应性能力强,自动食用菌环境温度的优点,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神经网络模型状态转移方程见式(3)。
BAM神经网络模型的输出为代表一段时间多个温度传感器值大小的动态温度梯形模糊数,动态温度梯形模糊数为[a,b,c,d],[a,b,c,d]构成在一段时间内多个温度传感器输出值的动态温度梯形模糊数值。
2、产量预测单元设计
产量处理单元由2个按拍延迟线TDL(Tapped Delay Line)、2组多个ESN神经网络模型、2个自联想神经网络模型和LSTM神经网络模型组成,食用菌产量历史数据和温度检测单元输出分别作为2个按拍延迟线TDL的输入,每个按拍延迟线TDL输出的一段时间的食用菌产量历史数据和温度检测单元输出的温度梯形模糊值分别作为2组多个ESN神经网络模型的输入,2组多个ESN神经网络模型输出的梯形模糊数分别作为对应的2个自联想神经网络模型的输入,2个自联想神经网络模型输出的梯形模糊数分别作为LSTM神经网络模型的输入,LSTM神经网络模型输出的食用菌产量梯形模糊数值作为产量预测单元的输出和食用菌产量预测值。ESN神经网络模型、自联想神经网络模型和LSTM神经网络模型的设计过程如下:ESN神经网络(Echo state network,ESN)是一种新型的动态神经网络,具有动态神经网络的全部优点,同时由于回声状态网络引入了“储备池”概念,所以该方法较一般动态神经网络能够更好地适应非线性系统辨识。“储备池”就是把传统动态神经网络中间连接的部分转变成一个随机连接的“储备池”,整个学习过程其实就是学习如何连接“储备池”的过程。“储备池”其实就是一个随机生成的大规模递归结构,该结构中神经元相互连接是稀疏的,通常用SD表示相互连接的神经元占总的神经元N的百分比。ESN神经网络模型的其状态方程为:
(4)式中W为神经网络的状态变量,Win为ESN神经网络模型的输入变量;Wback为ESN神经网络模型的输出状态变量连接权矩阵;x(n)表示ESN神经网络模型的内部状态;Wout为ESN神经网络模型的核储备池、神经网络的输入以及神经网络的输出之间的连接权矩阵;为ESN神经网络模型的输出偏差或可以代表噪声;f=f[f1,f2,…,fn]为“储备池”内部神经元的n个激活函数;fi为双曲正切函数;fout为ESN神经网络模型的ε个输出函数。ESN神经网络模型的输入为食用菌产量历史数据和温度检测单元输出的一段时间的温度梯形模糊数,ESN神经网络模型输出为食用菌历史数据预测值和温度检测单元输出的温度梯形模糊数的预测值。自联想神经网络(Auto-associative neural network,AANN)模型,一种特殊结构的前馈神经网络,自联想神经网络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食用菌产量历史数据和温度检测单元的温度梯形模糊数预测值信息的压缩,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产量历史数据和温度检测单元的温度梯形模糊数预测值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,自联想神经网用误差反向传播(back-propagation,BP)算法来训练。2个自联想神经网络输出的梯形模糊数作为LSTM神经网络模型的输入。
LSTM神经网络模型由长短期记忆(LSTM)单元组成的时间递归神经网络(RNN)称为LSTM时间递归神经网络,通常也被称为LSTM网络。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。单元负责在任意时间间隔内记住值,三个门均可以被认为是传统的人工神经元,用于计算激活函数的加权总和。LSTM神经网络模型是可以持续较长时间短期记忆的模型,适合用于分类,预测时间序列等工作,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。该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信息,并增加了三种门(Input、Forget、Output)结构来控制历史信息的使用。设输入为食用菌产量的预测值和温度梯形模糊数预测值作为LSTM神经网络模型的输入序列为(x1,x2,…,xT),隐含层状态为(h1,h2,…,hT),则t时刻有:
it=sigmoid(Whiht-1+WxiXt) (5)
ft=sigmoid(Whfht-1+WhfXt) (6)
ct=ft⊙ct-1+it⊙tanh(Whcht-1+WxcXt) (7)
ot=sigmoid(Whoht-1+WhxXt+Wcoct) (8)
ht=ot⊙tanh(ct) (9)
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LSTM神经网络模型的长短期记忆的时间递归神经网络模型来对食用菌产量的产量数据进行预测,该方法首先建立LSTM时间递归神经网络模型,利用预处理的建立训练集并对模型进行训练,LSTM神经网络模型考虑了食用菌产量的历史数据的时序性和非线性,具有较高的预测精度。LSTM神经网络模型输出为食用菌产量的梯形模糊数值。
六、食用菌环境参数采集与控制平台的设计举例
根据食用菌环境的状况,系统布置了检测节点、控制节点、网关节点和现场监控端的平面布置安装图,其中检测节点均衡布置在被检测食用菌环境的各个生产区域中,通过该系统实现对食用菌环境参数的采集和食用菌产量的智能化预测。
本发明方案所公开的技术手段不仅限于上述实施方式所公开的技术手段,还包括由以上技术特征任意组合所组成的技术方案。应当指出,对于本技术领域的普通技术人员来说,在不脱离本发明原理的前提下,还可以做出若干改进和润饰,这些改进和润饰也视为本发明的保护范围。
Claims (1)
1.一种基于移动端App的温度检测系统,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环境温度大数据处理子系统,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,食用菌环境温度大数据处理子系统包括温度检测单元和产量预测单元;
温度传感器的输出作为温度检测单元对应的按拍延迟线TDL的输入,温度检测单元输出的温度梯形模糊数和食用菌产量历史数据分别作为产量预测单元对应的按拍延迟线TDL的输入,产量预测单元的LSTM神经网络模型输出食用菌产量的梯形模糊数值;
所述温度检测单元包括按拍延迟线TDL、NARX神经网络模型、微分回路和BAM神经网络模型组成,由2个微分算子相串联构成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和每个微分回路的输出分别作为BAM神经网络模型的对应的输入;温度传感器输出分别作为对应的按拍延迟线TDL的输入,每个按拍延迟线TDL输出的一段时间的温度传感器值分别作为每个对应的NARX神经网络模型的输入,每个NARX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BAM神经网络模型的对应的输入,BAM神经网络模型的输出为代表一段时间多个温度传感器值大小的动态梯形模糊数,BAM神经网络模型输出的温度梯形模糊数作为温度检测单元的输出,温度检测单元把一段时间多个温度传感器值转换为的温度梯形模糊数值;
所述产量预测单元包括按拍延迟线TDL、ESN神经网络模型、自联想神经网络模型和LSTM神经网络模型,食用菌产量历史数据和温度检测单元输出分别作为2个按拍延迟线TDL的输入,每个按拍延迟线TDL输出的一段时间的食用菌产量历史数据和温度检测单元输出的温度梯形模糊值分别作为2组多个ESN神经网络模型的输入,2组多个ESN神经网络模型输出的梯形模糊数分别作为对应的2个自联想神经网络模型的输入,2个自联想神经网络模型输出的梯形模糊数分别作为LSTM神经网络模型的输入,LSTM神经网络模型输出的食用菌产量梯形模糊数值作为产量预测单元的输出和食用菌产量预测值;
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、云平台和移动端App组成,检测节点、控制节点和网关节点以自组织方式通过无线通信模块实现对食用菌环境参数采集与控制,检测节点分别由传感器组模块、单片机和无线通信模块组成,传感器组模块负责检测食用菌环境的温度、湿度、光照度和水分参数,在网关节点、云平台和移动端App之间无线通信技术实现食用菌环境参数的双向传输;控制节点实现对食用菌环境参数的调节设备进行控制;现场监控端实现对食用菌环境参数进行管理和对食用菌产量进行预测。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110040865.0A CN112911533B (zh) | 2021-01-13 | 2021-01-13 | 一种基于移动端App的温度检测系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110040865.0A CN112911533B (zh) | 2021-01-13 | 2021-01-13 | 一种基于移动端App的温度检测系统 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN112911533A CN112911533A (zh) | 2021-06-04 |
CN112911533B true CN112911533B (zh) | 2022-06-14 |
Family
ID=76112743
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202110040865.0A Active CN112911533B (zh) | 2021-01-13 | 2021-01-13 | 一种基于移动端App的温度检测系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN112911533B (zh) |
Families Citing this family (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN114397043B (zh) * | 2021-12-20 | 2023-04-07 | 淮阴工学院 | 多点温度智能检测系统 |
CN114415503B (zh) * | 2021-12-20 | 2023-06-06 | 淮阴工学院 | 温度大数据物联网检测与智能控制系统 |
Family Cites Families (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101315544A (zh) * | 2007-06-01 | 2008-12-03 | 上海电机学院 | 一种温室智能控制方法 |
CN103238161B (zh) * | 2010-10-06 | 2016-06-15 | 韩国食品研究院 | 监测食品质量的方法和系统 |
CN110084417B (zh) * | 2019-04-19 | 2022-03-18 | 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 |
CN110705757B (zh) * | 2019-09-10 | 2020-10-02 | 淮阴工学院 | 一种基于现场总线网络的多点温度传感器智能监测系统 |
-
2021
- 2021-01-13 CN CN202110040865.0A patent/CN112911533B/zh active Active
Also Published As
Publication number | Publication date |
---|---|
CN112911533A (zh) | 2021-06-04 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN112906735B (zh) | 一种食用菌环境大数据检测系统 | |
CN112665656B (zh) | 一种农产品生长环境大数据检测系统 | |
CN110580021B (zh) | 一种基于现场总线的粮仓环境安全智能监测系统 | |
CN112881601B (zh) | 一种基于云平台的水分检测系统 | |
CN112904756B (zh) | 一种管网大数据检测系统 | |
CN113126676B (zh) | 一种畜禽舍养殖环境参数智能控制系统 | |
CN112911533B (zh) | 一种基于移动端App的温度检测系统 | |
CN110766132B (zh) | 一种基于物联网的果园产量智能预测系统 | |
CN115016276B (zh) | 智能水分调节与环境参数物联网大数据系统 | |
CN113031555B (zh) | 一种畜禽舍环境有害气体智能净化系统 | |
CN113301127B (zh) | 一种牲畜饲料检测系统 | |
CN111476278B (zh) | 一种气体浓度智能化检测系统 | |
CN112857658B (zh) | 一种基于云平台的压力检测系统 | |
Sundararajan et al. | Regression and generalized additive model to enhance the performance of photovoltaic power ensemble predictors | |
CN114397043B (zh) | 多点温度智能检测系统 | |
CN113219871B (zh) | 一种养护室环境参数检测系统 | |
CN113281465A (zh) | 一种畜禽舍养殖环境有害气体检测系统 | |
CN112862256A (zh) | 一种畜禽舍环境大数据检测系统 | |
CN113065749A (zh) | 一种建筑材料的养护室环境智能系统 | |
CN111474094B (zh) | 一种粉尘浓度智能化检测系统 | |
CN115128978A (zh) | 物联网环境大数据检测与智能监控系统 | |
CN115687995A (zh) | 大数据环境污染监测方法及系统 | |
CN113283642A (zh) | 一种家禽饲料检测与配方系统 | |
CN113255739A (zh) | 一种鱼饲料检测与配方系统 | |
CN114386672B (zh) | 环境大数据物联网智能检测系统 |
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: 20221117 Address after: Room 503, Floor 5, Building B1, Huai'an Smart Valley, No. 19 Meigao Road, Huai'an Economic and Technological Development Zone, Huai'an City, Jiangsu Province, 223005 Patentee after: Huai'an Yuezhituo Intelligent Technology 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 |