CN114818888B - 基于多通道卡尔曼滤波的土壤成分数据融合方法和系统 - Google Patents
基于多通道卡尔曼滤波的土壤成分数据融合方法和系统 Download PDFInfo
- Publication number
- CN114818888B CN114818888B CN202210382476.0A CN202210382476A CN114818888B CN 114818888 B CN114818888 B CN 114818888B CN 202210382476 A CN202210382476 A CN 202210382476A CN 114818888 B CN114818888 B CN 114818888B
- Authority
- CN
- China
- Prior art keywords
- soil
- fusion
- time
- data
- sensor
- 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
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/25—Fusion techniques
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
- G01N33/00—Investigating or analysing materials by specific methods not covered by groups G01N1/00 - G01N31/00
- G01N33/24—Earth materials
-
- 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
- G06N3/08—Learning methods
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02A—TECHNOLOGIES FOR ADAPTATION TO CLIMATE CHANGE
- Y02A40/00—Adaptation technologies in agriculture, forestry, livestock or agroalimentary production
- Y02A40/10—Adaptation technologies in agriculture, forestry, livestock or agroalimentary production in agriculture
Landscapes
- Engineering & Computer Science (AREA)
- Life Sciences & Earth Sciences (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- Health & Medical Sciences (AREA)
- General Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- General Engineering & Computer Science (AREA)
- Artificial Intelligence (AREA)
- Evolutionary Computation (AREA)
- General Health & Medical Sciences (AREA)
- Software Systems (AREA)
- Computing Systems (AREA)
- Molecular Biology (AREA)
- Computational Linguistics (AREA)
- Mathematical Physics (AREA)
- Biophysics (AREA)
- Biomedical Technology (AREA)
- Chemical & Material Sciences (AREA)
- Environmental & Geological Engineering (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Evolutionary Biology (AREA)
- Bioinformatics & Computational Biology (AREA)
- General Life Sciences & Earth Sciences (AREA)
- Geology (AREA)
- Remote Sensing (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Food Science & Technology (AREA)
- Medicinal Chemistry (AREA)
- Analytical Chemistry (AREA)
- Biochemistry (AREA)
- Immunology (AREA)
- Pathology (AREA)
- Testing Or Calibration Of Command Recording Devices (AREA)
Abstract
本发明提供一种基于多通道卡尔曼滤波的土壤成分数据融合方法和系统,涉及土壤成分测量技术领域。本发明首先基于数值迭代的思想对自适应加权融合算法计算真实值的方法进行改进,由传统均值计算法替换为迭代中值计算法,该方法不仅可以有效降低融合方差而且可以极大地减小异常值对融合值的影响;其次,在卡尔曼滤波模型处理农业多传感器系统时,可能引起滤波发散的问题。本发明构造出双层的渐消记忆指数加权滤波因子,不仅可以实现土壤中不同传感器的滤波融合,还可以保证恒为误差协方差对称阵,较长时间进行数据滤波。改进后的多通道卡尔曼滤波模型不仅可以实现同时对不同的土壤属性进行融合,而且针对性地赋予每个通道不同的调节能力。
Description
技术领域
本发明涉及土壤成分测量技术领域,具体涉及一种基于多通道卡尔曼滤波的土壤成分数据融合方法、系统、存储介质和电子设备。
背景技术
土壤作为植物赖以生存的主要物质基础,可以给农作物生长发育提供各种必需的营养元素。随着社会不断进步、科学技术的飞速发展,科学测土,科学施肥,已经成为规模化农业种植所推崇的一种方式。
农用无线传感器由于安置简单,测量及时等特点正被更加广泛地应用于农业上,为进一步实现测土配方提供数据支持。然而,传感器在实际操作中受测量仪表的精度、现场测量环境、测量方法以及人为因素等的影响往往导致传感器测量结果存在偏差,甚至出现严重偏离真实值的数据,对后续科学施水施肥产生不利影响。因此必须对传感数据进行处理,对原始数据进行滤波和校正,经过处理的数据才能精准地反映土壤中的真实情况。
然而在成本有限的前提下,农业传感器数量受限,如何在有限的传感器中获取实时、精准的数据是实现进一步精细农田管理的重要基础。
发明内容
(一)解决的技术问题
针对现有技术的不足,本发明提供了一种基于多通道卡尔曼滤波的土壤成分数据融合方法、系统、存储介质和电子设备,解决了土壤成分测量不准确的技术问题。
(二)技术方案
为实现以上目的,本发明通过以下技术方案予以实现:
一种基于多通道卡尔曼滤波的土壤成分数据融合方法,包括:
S1、在多传感器土壤成分采集网络部署完成后,获取每个多传感器节点实时监测的各目标土壤成分的时间序列数据;
S2、将所述时间序列数据进行时空配准;
S3、根据时空配准后的时间序列数据,执行土壤成分异常值检测与剔除;
S4、根据异常值剔除后的时间序列数据,采用基于数值迭代的改进自适应加权融合算法,获取各个多传感器节点实时监测的各目标土壤成分在不同时刻的初始融合序列;
S5、根据所述初始融合序列,通过预先构建的基于多重渐消因子的卡尔曼滤波数据融合模型,获取各个多传感器节点实时监测的各目标土壤成分在不同时刻的二次融合序列,所述二次融合序列作为最终的土壤成分传感数据。
优选的,所述土壤成分数据融合方法还包括
S6、将最终的土壤成分传感数据输入LSTM匹配模型中,获取所测土壤所属区域内实际种植作物的土壤成分调理配方。
优选的,所述S3中初始融合序列的获取过程包括:
Mit=At+eit
其中,Mit表示第i个多传感器节点在t时刻的测量值,At表示土壤成分t时刻的真实值,eit表示第i个传感器节点在t时刻的噪声;
首先,将n个多传感器节点在1,2,...,t,...时刻采集到的测量值按大小顺序进行排列,得出测量值的最大值Mmax和Mmin,对其取平均值:
其次,将A0加入到t时刻的测量队伍中,以A0为标准,将n个多传感器节点的采集值与之比较,大于等于A0的部分定义为P1,小于A0的部分定义为P2,即:
分别计算出P1和P2两部分的数学期望E[P1]和E[P2],并以E[P1]和E[P2]的平均值作为新的中值A1,重复以上操作,不断对中值Ak进行迭代,即
直到Ak=Ak+1时,完成迭代,此时Ak作为t时刻通过改进的自适应加权数据融合算法估计的真实值,合并各个多传感器节点实时监测的各目标土壤成分在不同时刻估计的真实值,获取所述初始融合序列。
优选的,所述S5中卡尔曼滤波数据融合模型具有多通道调节能力双渐消因子的误差协方差:
P(t,t-1)=λ(t)*ψ(t)*P(t-1)*ψ(t)T*λ(t)+Q(t)
其中,当t=1时,误差协方差P(1)由1时刻的所述初始融合序列的方差初始化;
当t=2,3,...时,设t时刻的滤波估计均方误差阵P(t)为:
其中,pt(i,i)表征第i种目标土壤成分的融合通道对应的误差协方差;
t时刻的多重渐消因子λ(t)表示为
其中,λt(i,i)分别表征t时刻第i种目标土壤成分的融合通道对应的渐消因子;
ψ是系统参数;W(t)表示过程噪声,协方差是Q。
优选的,所述S1中采用LEACH分簇算法布设多传感器节点,通过分簇机制选取簇头节点,自行分簇;所述簇头节点用于汇聚各个多传感器节点实时监测的各目标土壤成分的时间序列数据,并上传至数据中心进行时空配准。
优选的,所述S2中采用滑动窗口法将所述时间序列数据进行时间配准;和/或采用坐标平移法将所述时间序列数据进行空间配准。
优选的,所述S3中采用3σ原则执行土壤成分异常值检测与剔除。
一种基于多通道卡尔曼滤波的土壤成分数据融合系统,包括:
采集模块,用于在多传感器土壤成分采集网络部署完成后,获取每个多传感器节点实时监测的各目标土壤成分的时间序列数据;
配准模块,用于将所述时间序列数据进行时空配准;
剔除模块,用于根据时空配准后的时间序列数据,执行土壤成分异常值检测与剔除;
初始融合模块,用于根据异常值剔除后的时间序列数据,采用基于数值迭代的改进自适应加权融合算法,获取各个多传感器节点实时监测的各目标土壤成分在不同时刻的初始融合序列;
二次融合模块,用于根据所述初始融合序列,通过预先构建的基于多重渐消因子的卡尔曼滤波数据融合模型,获取各个多传感器节点实时监测的各目标土壤成分在不同时刻的二次融合序列,所述二次融合序列作为最终的土壤成分传感数据;
匹配模块,用于将最终的土壤成分传感数据输入LSTM匹配模型中,获取所测土壤所属区域内实际种植作物的土壤成分调理配方。
一种存储介质,其存储有用于基于多通道卡尔曼滤波的土壤成分数据融合的计算机程序,其中,所述计算机程序使得计算机执行如上所述的土壤成分数据融合方法。
一种电子设备,包括:
一个或多个处理器;
存储器;以及
一个或多个程序,其中所述一个或多个程序被存储在所述存储器中,并且被配置成由所述一个或多个处理器执行,所述程序包括用于执行如上所述的土壤成分数据融合方法。
(三)有益效果
本发明提供了一种基于多通道卡尔曼滤波的土壤成分数据融合方法、系统、存储介质和电子设备。与现有技术相比,具备以下有益效果:
本发明首先基于数值迭代的思想对自适应加权融合算法计算真实值的方法进行改进,由传统均值计算法替换为迭代中值计算法,该方法不仅可以有效降低融合方差而且可以极大地减小异常值对融合值的影响;其次,在卡尔曼滤波模型处理农业多传感器系统时,可能引起滤波发散的问题。本发明构造出双层的渐消记忆指数加权滤波因子,不仅可以实现土壤中不同传感器的滤波融合,还可以保证恒为误差协方差对称阵,较长时间进行数据滤波。改进后的多通道卡尔曼滤波模型不仅可以实现同时对不同的土壤属性进行融合,而且针对性地赋予每个通道不同的调节能力。
附图说明
为了更清楚地说明本发明实施例或现有技术中的技术方案,下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍,显而易见地,下面描述中的附图仅仅是本发明的一些实施例,对于本领域普通技术人员来讲,在不付出创造性劳动的前提下,还可以根据这些附图获得其他的附图。
图1为本发明实施例提供的一种基于多通道卡尔曼滤波的土壤成分数据融合方法的流程示意图;
图2~6分别为本发明实施例提供的土壤氮、磷、钾、有机质和pH在滤波后的土壤成分数据对比图。
具体实施方式
为使本发明实施例的目的、技术方案和优点更加清楚,对本发明实施例中的技术方案进行清楚、完整地描述,显然,所描述的实施例是本发明一部分实施例,而不是全部的实施例。基于本发明中的实施例,本领域普通技术人员在没有作出创造性劳动前提下所获得的所有其他实施例,都属于本发明保护的范围。
本申请实施例通过提供一种基于多通道卡尔曼滤波的土壤成分数据融合方法、系统、存储介质和电子设备,解决了土壤成分测量不准确的技术问题。
本申请实施例中的技术方案为解决上述技术问题,总体思路如下:
本发明实施例首先基于数值迭代的思想对自适应加权融合算法计算真实值的方法进行改进,由传统均值计算法替换为迭代中值计算法,该方法不仅可以有效降低融合方差而且可以极大地减小异常值对融合值的影响;其次,在卡尔曼滤波模型处理农业多传感器系统时,可能引起滤波发散的问题。本发明构造出双层的渐消记忆指数加权滤波因子,不仅可以实现土壤中不同传感器的滤波融合,还可以保证恒为误差协方差对称阵,较长时间进行数据滤波。改进后的多通道卡尔曼滤波模型不仅可以实现同时对不同的土壤属性进行融合,而且针对性地赋予每个通道不同的调节能力。
为了更好的理解上述技术方案,下面将结合说明书附图以及具体的实施方式对上述技术方案进行详细的说明。
实施例:
第一方面,如图1所示,本发明实施例提供了一种基于多通道卡尔曼滤波的土壤成分数据融合方法,包括:
S1、在多传感器土壤成分采集网络部署完成后,获取每个多传感器节点实时监测的各目标土壤成分的时间序列数据;
S2、将所述时间序列数据进行时空配准;
S3、根据时空配准后的时间序列数据,执行土壤成分异常值检测与剔除;
S4、根据异常值剔除后的时间序列数据,采用基于数值迭代的改进自适应加权融合算法,获取各个多传感器节点实时监测的各目标土壤成分在不同时刻的初始融合序列;
S5、根据所述初始融合序列,通过预先构建的基于多重渐消因子的卡尔曼滤波数据融合模型,获取各个多传感器节点实时监测的各目标土壤成分在不同时刻的二次融合序列,所述二次融合序列作为最终的土壤成分传感数据;
S6、将最终的土壤成分传感数据输入LSTM匹配模型中,获取所测土壤所属区域内实际种植作物的土壤成分调理配方。
本发明实施例首先基于数值迭代的思想对自适应加权融合算法计算真实值的方法进行改进,由传统均值计算法替换为迭代中值计算法,该方法不仅可以有效降低融合方差而且可以极大地减小异常值对融合值的影响。
其次,在卡尔曼滤波模型处理农业多传感器系统时,可能引起滤波发散的问题。本发明构造出双层的渐消记忆指数加权滤波因子,不仅可以实现土壤中不同传感器的滤波融合,还可以保证恒为误差协方差对称阵,较长时间进行数据滤波。改进后的多通道卡尔曼滤波模型不仅可以实现同时对不同的土壤属性进行融合,而且针对性地赋予每个通道不同的调节能力。
最后,构建基于LSTM网络土壤养分和个性化调理的联合演化模型,进而匹配出作物在特定区域最适宜施加的土壤调理成分,为个性化提供调理配方提供科学依据。
下面将结合具体内容详细介绍上述技术方案的各个步骤:
首先需要说明的是,本申请提出借助多传感器采用新型信息融合技术对作物种植区(例如草莓种植区)的土壤养分进行数据融合有助于实时动态反馈土壤养分信息,实现对土壤信息进行多特征科学评估,为下一阶段的施水施肥提供数据支持。
实验选择十亩草莓种植区进行草莓多传感器多特征数据融合实验,每亩部署五个传感器节点;且具体选择五合一土壤养分传感器,可以实时测量土壤中的氮、磷、钾、有机质和pH这五种土壤成分。
S1、在多传感器土壤成分采集网络部署完成后,获取每个多传感器节点实时监测的各目标土壤成分的时间序列数据。
本步骤中采用LEACH分簇算法布设多传感器节点,通过分簇机制选取簇头节点,自行分簇;所述簇头节点用于汇聚各个多传感器节点实时监测的各目标土壤成分的时间序列数据,并通过传输模块上传至数据中心极性时空配准。
具体的,部署多传感器土壤成分采集网络时,综合考虑种植区的种植结构、地形地势等区域特征完成传感器的部署,并采用经典的LEACH分簇算法借助分簇机制选取簇头节点,自行对传感器分簇。
若簇内有n个监测节点,设为S(S为1,2,3,…,n),Si在T时刻监测的时间序列数据集合为{Dit},T为时间序列。每轮循环中簇头节点(CH)和簇内节点(CM)通过定位ID位置已知,初始状态S节点数据集合为空,当监控中心给S节点下达监测指令,开始收集数据。
S2、将所述时间序列数据进行时空配准。
各区域传感器节点将测量数据向簇头节点汇聚,簇头节点借助传输模块上传至融合中心。但在多传感器测量的情景下,各传感器对目标区域的量测过程是独立的且采样周期可能存在不一致的情况。此外,由于通讯网络的不同延迟,各传感器和融合中心之间传送信息所需的时间也各不相同。
因此,在传感器测量过程中往往存在采集时间基点不一致、收集周期不同导致的“时间配准”问题。另外,对同一平台采用不同坐标的各传感器也需进行“空间配准”,将所有传感器统一至同一坐标体系内。
本步骤中采用滑动窗口法将所述时间序列数据进行时间配准;和/或采用坐标平移法将所述时间序列数据进行空间配准,使得各传感器在同一坐标体系下,传感数据的时间基准一致。需要补充的是,在处理多传感器时空配准问题前,各区域传感器节点将测量数据向簇头节点汇聚,簇头节点借助传输模块上传至数据中心进行时空配准。
S3、根据时空配准后的时间序列数据,执行土壤成分异常值检测与剔除。
有效的数据融合建立在可靠的数据采集机制上,但在现实中进行数据采集时由于存在各种外界因素的扰动可能导致节点数据采集产生异常值。如果不对该类异常值进行处理将会在很大程度上增大数据融合的误差,降低数据融合的效率,因此在进行数据融合前首先进行异常值检测及处理。
因此本步骤中采用3σ原则执行土壤成分异常值检测与剔除。具体而言,当横轴区间在(μ-2.58σ,μ+2.58σ)内,其数据比例较大,是大概率事件,而超出此区间范围的概率较小,为小概率事件,故可以认为在(μ-2.58σ,μ+2.58σ)范围之外的数据为异常值,并执行剔除操作。
特别的,本步骤还同时获得多传感器在各个时刻的噪声,用于后续步骤S5中的滤波处理过程。
经过以上多传感器节点部署、时空配准和异常值处理机制每一个传感器节点在每一时刻都将获得五种土壤特征的测量值。
此外,由于卡尔曼滤波模型采用递归方法解决数据融合问题,只需要当前的测量值和前一个采样周期的估计值就能够进行状态估计,估计出来的当前状态综合考量了传感器数据和上一状态的数据,为当前最优估计。但在经典的卡尔曼滤波模型中存在初始值随机赋予,误差矩阵设定主观性强等不足之处,故本发明实施例将传感器采集到的数据执行改进自适应加权数据融合,得到数据驱动的卡尔曼滤波模型初始值,进而对经典卡尔曼滤波模型改进并执行滤波操作,相应内容参见步骤S4和S5。
S4、根据异常值剔除后的时间序列数据,采用基于数值迭代的改进自适应加权融合算法,获取各个多传感器节点实时监测的各目标土壤成分在不同时刻的初始融合序列。
在经典的自适应加权融合模型中,传感器之间的数据融合以接近“真实值”和同一时刻的总方差最小为目标,通过对同一时刻多传感器的测量值进行加权实现传感数据的滤波和校正。每个传感器被赋予的权重根据系统待估计的“真实值”与测量值之间进行几何运算得出,而在进行数据融合过程中多传感器系统待估计的“真实值”往往通过一组测量数据的平均值得到,而平均数与每一个数据集中每一个数据都有关,其中任何数据的变动都会相应地引起平均数的变动,而且此种方法极易受极端值的影响,在实际采集中动态变化的外界因素使得传感数据波动较大,进而在使用平均值代替“真实值”时,可能导致传感网络数据采集产生较大的偏差。因此,本发明实施例基于数值迭代的思想对自适应加权融合算法计算“真实值”的方法进行改进:
考虑到实际土壤传感网络在进行成分采集时,会受到噪声e的影响,进而导致测量值M与“真实值”A之间出现偏差,即:
Mit=At+eit
其中,Mit表示第i个多传感器节点在t时刻的测量值,At表示土壤成分t时刻的真实值,eit表示第i个传感器节点在t时刻的噪声;
首先,将n个多传感器节点在1,2,...,t,...时刻采集到的测量值按大小顺序进行排列,得出测量值的最大值Mmax和Mmin,对其取平均值:
其次,将A0加入到t时刻的测量队伍中,以A0为标准,将n个多传感器节点的采集值与之比较,大于等于A0的部分定义为P1,小于A0的部分定义为P2,即:
分别计算出P1和P2两部分的数学期望E[P1]和E[P2],并以E[P1]和E[P2]的平均值作为新的中值A1,重复以上操作,不断对中值Ak进行迭代,即
直到Ak=Ak+1时,完成迭代,此时Ak作为t时刻通过改进的自适应加权数据融合算法估计的真实值,合并各个多传感器节点实时监测的各目标土壤成分在不同时刻估计的真实值,获取所述初始融合序列。
本发明实施例分别对土壤氮、磷、钾、有机质、pH进行数据迭代融合。共测量35天,每天测量一次。表1展示的是其中5个传感器节点采用改进自适应加权方法在测量土壤有机质时,1,2,…,9时刻的初始融合序列。
表1
S5、根据所述初始融合序列,通过预先构建的基于多重渐消因子的卡尔曼滤波数据融合模型,获取各个多传感器节点实时监测的各目标土壤成分在不同时刻的二次融合序列,所述二次融合序列作为最终的土壤成分传感数据。
在采用改进自适应加权融合算法的基础上得到卡尔曼滤波模型初始值进而对初步融合的时序数据执行滤波操作,旨在进一步减少数据融合的误差。
经典的卡尔曼滤波系统在t时刻的状态方程和观测方程分别为
式中:X(t)表示t时刻的系统观测值;A(t)表示多传感器测量值;
U(t)是t时刻对系统的控制量;ψ、ξ是系统参数;H是测量系统(即传感器节点)的参数;W(t)表示过程噪声,协方差是Q;V(t)表示测量噪声(即传感器节点的测量噪声),协方差是R。一般情况下,监测区域内土壤养分在一定时段内变化较小,则可令且转移矩阵ψ为单位阵。传感器测量结果主要依靠传感器传输的数据,因此令量测矩阵H为单位阵,V则由多个传感器节点的标注平均误差初始化。
经典的卡尔曼滤波器在农业多传感器进行土壤养分量测量时,由于鲁棒性较差,当滤波器与获得的量测信息不匹配时会逐渐失去调节能力,特别是处理数据突变问题时,易于导致滤波发散,不适用于较长时间的数据滤波。另外,同时测量土壤中多特征的农业传感器应用越来越广泛,然而经典的卡尔曼滤波器对于同时处理土壤多特征的效果欠佳。
现阶段处理滤波发散主要通过引入单一渐消因子ρ(t)(ρ(t)≥1)调节误差协方差P(t,t-1),即
P(t,t-1)=ρ(t)*ψ(t)*P(t-1)*ψ(t)T+Q(k-1)
引入渐消因子通过提升测量值的权重,进而防止滤波发散。该方法实现虽然简单,但缺乏对各状态变量的估计精度差异性的考量,致使滤波器对各土壤多特征的调节程度相同,进而在一定程度上降低了滤波估计精度。
本发明实施例通过引入多重渐消因子λ(t)来代替单一的标量渐消因子调节估计均方误差阵,以保证各通道对不同的土壤特征具有不同的调节能力,提高滤波器整体的滤波性能。并且将上述五种土壤成分时序数据经过自适应加权数据模型的处理后得到不同时刻的初始融合值,并将此作为卡尔曼滤波模型的输入参数建立卡尔曼滤波模型。
在智慧农业多传感器采集系统下,多传感器实时传输采集到的土壤氮、磷、钾、有机质、pH五种土壤成分,不同于传统的单一标量卡尔曼滤波器渐消因子,多特征土壤成分数据融合需要渐消因子对五种土壤成分具有不同的调节能力,进而实现不同土壤特征的自适应调节滤波和校正。
本发明实施例在误差协方差迭代的过程中,将传统的误差协方差迭代更新由
P(t,t-1)=ψ(t)*P(t-1)*ψ(t)T+Q(t)
调整为具有多通道调节能力双渐消因子的误差协方差:
P(t,t-1)=λ(t)*ψ(t)*P(t-1)*ψ(t)T*λ(t)+Q(t)
其中,当t=1时,误差协方差P(1)由1时刻的所述初始融合序列的方差初始化;
当t=2,3,...时,设t时刻的滤波估计均方误差阵P(t)为:
其中,pt(i,i)表征第i种目标土壤成分的融合通道对应的误差协方差;
t时刻的多重渐消因子λ(t)表示为
其中,λt(i,i)分别表征t时刻第i种目标土壤成分的融合通道对应的渐消因子;i=1,2,3,4,5分别表征t时刻土壤氮、土壤磷、土壤钾、有机质和pH变量五种融合通道对应的渐消因子,则此时的协方差阵C(t)可表示为:
C(t)=H(t)*(λ(t)*ψ(t,t-1)*P(t-1)*ψ(t,t-1)T*λ(t)+Q(k-1)*H(t)T)+R(t)
则可得
λ(t)*M(t)=N(t)
从以上推导过程可知求解多重渐消因子的关键在于发现合适的新息协方差估计值传统的求解方法是使用开窗法。但由于开窗法每一时刻的新息序列具有相同的权系数在面对数据突变问题仍可能导致滤波发散,不适用于较长时间的数据融合。因此,本发明实施例构建一种基于渐消记忆指数加权的双滤波因子。
式中,b为遗忘因子,根据实际需要取值0.95。
在遗忘因子确定后,由于
则将构造的基于渐消记忆指数加权的滤波因子引入P(t,t-1),修正后的一步预测协方差矩阵表达式为
P(t,t-1)=λ(t)*ψ(t)*P(t-1)*ψ(t)T*λ(t)+Q(t)
因此,可以得到第1时刻的协方差矩阵:
<![CDATA[p<sub>1</sub>(1,1)]]> | 1.636 | 0 | 0 | 0 | 0 |
<![CDATA[p<sub>1</sub>(2,2)]]> | 0 | 1.636 | 0 | 0 | 0 |
<![CDATA[p<sub>1</sub>(3,3)]]> | 0 | 0 | 1.636 | 0 | 0 |
<![CDATA[p<sub>1</sub>(4,4)]]> | 0 | 0 | 0 | 1.636 | 0 |
<![CDATA[p<sub>1</sub>(5,5)]]> | 0 | 0 | 0 | 0 | 1.636 |
以及最后时刻的协方差矩阵:
<![CDATA[p<sub>30</sub>(1,1)]]> | 2.541 | 0 | 0 | 0 | 0 |
<![CDATA[p<sub>30</sub>(2,2)]]> | 0 | 3.444 | 0 | 0 | 0 |
<![CDATA[p<sub>30</sub>(3,3)]]> | 0 | 0 | 2.541 | 0 | 0 |
<![CDATA[p<sub>30</sub>(4,4)]]> | 0 | 0 | 0 | 1.097 | 0 |
<![CDATA[p<sub>30</sub>(5,5)]]> | 0 | 0 | 0 | 0 | 6.258 |
本步骤用构造出的新型滤波因子更新卡尔曼滤波模型中误差协方差的迭代,最终获得滤波后的土壤成分数据,结果如图2~6所示。
其中,"improved data"表示使用卡尔曼滤波融合后的土壤时序,"originaldata"表示第一阶段使用改进自适应加权算法融合后的土壤时序
S6、将最终的土壤成分传感数据输入LSTM匹配模型中,获取所测土壤所属区域内实际种植作物的土壤成分调理配方。
通过以上改进自适应加权数据融合及双调节器多重次渐消因子的卡尔曼模型处理,获得了更加精准的土壤成分数据。在获得精准土壤成分数据及草莓施肥先验知识的基础上,基于LSTM网络土壤养分和个性化调理的联合演化模型,旨在个性化匹配出作物在特定区域最适宜施加的化肥配方。
具体的,将草莓所述区域的土壤环境特征及草莓所需施加化肥的用量、成分等作为LSTM模型的训练集,结合草莓的生长特征,该区域土壤历史特征,适宜的调理配方,构建出LSTM模型。
将卡尔曼滤波融合后的土壤养分传感数据输入LSTM匹配模型中,结合全国第二次土壤普查养分分级标准,发现该区域的土壤氮磷钾和有机质皆事宜草莓的生长,但土壤pH偏碱性,进而匹配出需要1公斤/亩左右酸性土壤改良剂调理土壤。
第二方面,本发明实施例提供了一种基于多通道卡尔曼滤波的土壤成分数据融合系统,包括:
采集模块,用于在多传感器土壤成分采集网络部署完成后,获取每个多传感器节点实时监测的各目标土壤成分的时间序列数据;
配准模块,用于将所述时间序列数据进行时空配准;
剔除模块,用于根据时空配准后的时间序列数据,执行土壤成分异常值检测与剔除;
初始融合模块,用于根据异常值剔除后的时间序列数据,采用基于数值迭代的改进自适应加权融合算法,获取各个多传感器节点实时监测的各目标土壤成分在不同时刻的初始融合序列;
二次融合模块,用于根据所述初始融合序列,通过预先构建的基于多重渐消因子的卡尔曼滤波数据融合模型,获取各个多传感器节点实时监测的各目标土壤成分在不同时刻的二次融合序列,所述二次融合序列作为最终的土壤成分传感数据;
匹配模块,用于将最终的土壤成分传感数据输入LSTM匹配模型中,获取所测土壤所属区域内实际种植作物的土壤成分调理配方。
第三方面,本发明实施例提供了一种存储介质,其存储有用于基于多通道卡尔曼滤波的土壤成分数据融合的计算机程序,其中,所述计算机程序使得计算机执行如上所述的土壤成分数据融合方法。
第四方面,本发明实施例提供了一种电子设备,包括:
一个或多个处理器;
存储器;以及
一个或多个程序,其中所述一个或多个程序被存储在所述存储器中,并且被配置成由所述一个或多个处理器执行,所述程序包括用于执行如上所述的土壤成分数据融合方法。
综上所述,与现有技术相比,具备以下有益效果:
1、本发明实施例首先基于数值迭代的思想对自适应加权融合算法计算真实值的方法进行改进,由传统均值计算法替换为迭代中值计算法,该方法不仅可以有效降低融合方差而且可以极大地减小异常值对融合值的影响。
2、在卡尔曼滤波模型处理农业多传感器系统时,可能引起滤波发散的问题。本发明构造出双层的渐消记忆指数加权滤波因子,不仅可以实现土壤中不同传感器的滤波融合,还可以保证恒为误差协方差对称阵,较长时间进行数据滤波。改进后的多通道卡尔曼滤波模型不仅可以实现同时对不同的土壤属性进行融合,而且针对性地赋予每个通道不同的调节能力。
3、构建基于LSTM网络土壤养分和个性化调理的联合演化模型,进而匹配出作物在特定区域最适宜施加的土壤调理成分,为个性化提供调理配方提供科学依据。
需要说明的是,在本文中,诸如第一和第二等之类的关系术语仅仅用来将一个实体或者操作与另一个实体或操作区分开来,而不一定要求或者暗示这些实体或操作之间存在任何这种实际的关系或者顺序。而且,术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含,从而使得包括一系列要素的过程、方法、物品或者设备不仅包括那些要素,而且还包括没有明确列出的其他要素,或者是还包括为这种过程、方法、物品或者设备所固有的要素。在没有更多限制的情况下,由语句“包括一个……”限定的要素,并不排除在包括所述要素的过程、方法、物品或者设备中还存在另外的相同要素。
以上实施例仅用以说明本发明的技术方案,而非对其限制;尽管参照前述实施例对本发明进行了详细的说明,本领域的普通技术人员应当理解:其依然可以对前述各实施例所记载的技术方案进行修改,或者对其中部分技术特征进行等同替换;而这些修改或者替换,并不使相应技术方案的本质脱离本发明各实施例技术方案的精神和范围。
Claims (10)
1.一种基于多通道卡尔曼滤波的土壤成分数据融合方法,其特征在于,包括:
S1、在多传感器土壤成分采集网络部署完成后,获取每个多传感器节点实时监测的各目标土壤成分的时间序列数据;
S2、将所述时间序列数据进行时空配准;
S3、根据时空配准后的时间序列数据,执行土壤成分异常值检测与剔除;
S4、根据异常值剔除后的时间序列数据,采用基于数值迭代的改进自适应加权融合算法,获取各个多传感器节点实时监测的各目标土壤成分在不同时刻的初始融合序列;
S5、根据所述初始融合序列,通过预先构建的基于多重渐消因子的卡尔曼滤波数据融合模型,获取各个多传感器节点实时监测的各目标土壤成分在不同时刻的二次融合序列,所述二次融合序列作为最终的土壤成分传感数据。
2.如权利要求1所述的土壤成分数据融合方法,其特征在于,还包括:
S6、将最终的土壤成分传感数据输入LSTM匹配模型中,获取所测土壤所属区域内实际种植作物的土壤成分调理配方。
3.如权利要求1或者2所述的土壤成分数据融合方法,其特征在于,所述S4中初始融合序列的获取过程包括:
Mit=At+eit
其中,Mit表示第i个多传感器节点在t时刻的测量值,At表示土壤成分t时刻的真实值,eit表示第i个传感器节点在t时刻的噪声;
首先,将n个多传感器节点在1,2,...,t,...时刻采集到的测量值按大小顺序进行排列,得出测量值的最大值Mmax和Mmin,对其取平均值:
其次,将A0加入到t时刻的测量队伍中,以A0为标准,将n个多传感器节点的采集值与之比较,大于等于A0的部分定义为P1,小于A0的部分定义为P2,即:
分别计算出P1和P2两部分的数学期望E[P1]和E[P2],并以E[P1]和E[P2]的平均值作为新的中值A1,重复以上操作,不断对中值Ak进行迭代,即
直到Ak=Ak+1时,完成迭代,此时Ak作为t时刻通过改进的自适应加权数据融合算法估计的真实值,合并各个多传感器节点实时监测的各目标土壤成分在不同时刻估计的真实值,获取所述初始融合序列。
5.如权利要求4所述的土壤成分数据融合方法,其特征在于,所述S1中采用LEACH分簇算法布设多传感器节点,通过分簇机制选取簇头节点,自行分簇;所述簇头节点用于汇聚各个多传感器节点实时监测的各目标土壤成分的时间序列数据,并上传至数据中心进行时空配准。
6.如权利要求4所述的土壤成分数据融合方法,其特征在于,所述S2中采用滑动窗口法将所述时间序列数据进行时间配准;和/或采用坐标平移法将所述时间序列数据进行空间配准。
7.如权利要求4所述的土壤成分数据融合方法,其特征在于,所述S3中采用3σ原则执行土壤成分异常值检测与剔除。
8.一种基于多通道卡尔曼滤波的土壤成分数据融合系统,其特征在于,包括:
采集模块,用于在多传感器土壤成分采集网络部署完成后,获取每个多传感器节点实时监测的各目标土壤成分的时间序列数据;
配准模块,用于将所述时间序列数据进行时空配准;
剔除模块,用于根据时空配准后的时间序列数据,执行土壤成分异常值检测与剔除;
初始融合模块,用于根据异常值剔除后的时间序列数据,采用基于数值迭代的改进自适应加权融合算法,获取各个多传感器节点实时监测的各目标土壤成分在不同时刻的初始融合序列;
二次融合模块,用于根据所述初始融合序列,通过预先构建的基于多重渐消因子的卡尔曼滤波数据融合模型,获取各个多传感器节点实时监测的各目标土壤成分在不同时刻的二次融合序列,所述二次融合序列作为最终的土壤成分传感数据;
匹配模块,用于将最终的土壤成分传感数据输入LSTM匹配模型中,获取所测土壤所属区域内实际种植作物的土壤成分调理配方。
9.一种存储介质,其特征在于,其存储有用于基于多通道卡尔曼滤波的土壤成分数据融合的计算机程序,其中,所述计算机程序使得计算机执行如权利要求1~7任一项所述的土壤成分数据融合方法。
10.一种电子设备,其特征在于,包括:
一个或多个处理器;
存储器;以及
一个或多个程序,其中所述一个或多个程序被存储在所述存储器中,并且被配置成由所述一个或多个处理器执行,所述程序包括用于执行如权利要求1~7任一项所述的土壤成分数据融合方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210382476.0A CN114818888B (zh) | 2022-04-13 | 2022-04-13 | 基于多通道卡尔曼滤波的土壤成分数据融合方法和系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210382476.0A CN114818888B (zh) | 2022-04-13 | 2022-04-13 | 基于多通道卡尔曼滤波的土壤成分数据融合方法和系统 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN114818888A CN114818888A (zh) | 2022-07-29 |
CN114818888B true CN114818888B (zh) | 2023-04-07 |
Family
ID=82534687
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202210382476.0A Active CN114818888B (zh) | 2022-04-13 | 2022-04-13 | 基于多通道卡尔曼滤波的土壤成分数据融合方法和系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN114818888B (zh) |
Families Citing this family (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN116303786B (zh) * | 2023-03-18 | 2023-10-27 | 上海圈讯科技股份有限公司 | 一种基于多维数据融合算法的区块链金融大数据管理系统 |
CN116720153A (zh) * | 2023-05-29 | 2023-09-08 | 淮阴工学院 | 一种基于多传感器的信息融合系统及方法 |
CN117192063B (zh) * | 2023-11-06 | 2024-03-15 | 山东大学 | 基于耦合卡尔曼滤波数据同化的水质预测方法及系统 |
Family Cites Families (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JPH08129420A (ja) * | 1994-11-02 | 1996-05-21 | Nippon Telegr & Teleph Corp <Ntt> | トンネルロボットの方向・位置制御装置及びn次元線形離散時間系確率モデルの構成方法 |
CN108616838A (zh) * | 2018-04-29 | 2018-10-02 | 山东省计算中心(国家超级计算济南中心) | 基于卡尔曼滤波算法的农业大棚数据融合处理方法 |
CN111610312B (zh) * | 2020-05-29 | 2022-08-12 | 浙江省农业科学院 | 一种开放型多气室法土壤呼吸值监测方法 |
-
2022
- 2022-04-13 CN CN202210382476.0A patent/CN114818888B/zh active Active
Also Published As
Publication number | Publication date |
---|---|
CN114818888A (zh) | 2022-07-29 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN114818888B (zh) | 基于多通道卡尔曼滤波的土壤成分数据融合方法和系统 | |
CN110309985B (zh) | 一种农作物产量预测方法及系统 | |
Matsumura et al. | Maize yield forecasting by linear regression and artificial neural networks in Jilin, China | |
Bessembinder et al. | Which crop and which drop, and the scope for improvement of water productivity | |
CN110069032B (zh) | 一种基于小波神经网络的茄子温室环境智能检测系统 | |
CN103823371A (zh) | 基于神经网络模型的农业精准施肥系统及施肥方法 | |
CN112906298B (zh) | 一种基于机器学习的蓝莓产量预测方法 | |
CN110109193A (zh) | 一种基于drnn神经网络的茄子温室温度智能化检测装置 | |
CN108616838A (zh) | 基于卡尔曼滤波算法的农业大棚数据融合处理方法 | |
CN110119767A (zh) | 一种基于lvq神经网络的黄瓜温室温度智能化检测装置 | |
CN115063252A (zh) | 一种基于神经网络的农作物肥料精准施用方法与系统 | |
CN117322214A (zh) | 一种基于神经网络的农作物肥料精准施用方法与系统 | |
CN114391351A (zh) | 变量施肥决策方法及装置 | |
CN116595333B (zh) | 土壤-气候智慧型的水稻目标产量与氮肥用量确定方法 | |
Paudel et al. | Prediction of crop yield based-on soil moisture using machine learning algorithms | |
Jin et al. | Research on the rice fertiliser decision-making method based on UAV remote sensing data assimilation | |
US20230082714A1 (en) | Soil Property Model Using Measurements of Properties of Nearby Zones | |
Haun | Determination of Wheat Growth‐Environment Relationships 1 | |
CN112380497B (zh) | 用于区域玉米的秸秆系数估算方法及系统 | |
CN115017798A (zh) | 基于深度学习的土壤耕作层水分温度预测方法 | |
CN109117977B (zh) | 基于相对遥感变量及相对产量信息的水稻遥感估产方法 | |
Lee | Remote sensing-based assessment of Gross Primary Production (GPP) in agricultural ecosystems | |
Jiao et al. | Prediction model of rice seedling growth and rhizosphere fertility based on the improved Elman neural network | |
CN111667167B (zh) | 一种农业粮食产量估算方法和系统 | |
CN111090923A (zh) | 具有预测农地土壤状态的物联网系统与建模方式 |
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 |