CN115128978A - 物联网环境大数据检测与智能监控系统 - Google Patents
物联网环境大数据检测与智能监控系统 Download PDFInfo
- Publication number
- CN115128978A CN115128978A CN202210683520.1A CN202210683520A CN115128978A CN 115128978 A CN115128978 A CN 115128978A CN 202210683520 A CN202210683520 A CN 202210683520A CN 115128978 A CN115128978 A CN 115128978A
- Authority
- CN
- China
- Prior art keywords
- neural network
- network model
- parameter
- output
- 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.)
- Withdrawn
Links
- 238000001514 detection method Methods 0.000 title claims abstract description 65
- 238000012544 monitoring process Methods 0.000 title claims abstract description 42
- 230000007613 environmental effect Effects 0.000 claims abstract description 46
- CURLTUGMZLYLDI-UHFFFAOYSA-N Carbon dioxide Chemical compound O=C=O CURLTUGMZLYLDI-UHFFFAOYSA-N 0.000 claims description 140
- 238000003062 neural network model Methods 0.000 claims description 96
- 229910002092 carbon dioxide Inorganic materials 0.000 claims description 70
- 239000001569 carbon dioxide Substances 0.000 claims description 70
- 238000013527 convolutional neural network Methods 0.000 claims description 47
- 238000012843 least square support vector machine Methods 0.000 claims description 15
- 230000000007 visual effect Effects 0.000 claims description 5
- 230000007175 bidirectional communication Effects 0.000 claims description 2
- 230000006855 networking Effects 0.000 claims 1
- 230000008859 change Effects 0.000 abstract description 9
- 238000004519 manufacturing process Methods 0.000 abstract description 4
- 230000006870 function Effects 0.000 description 26
- 241000255588 Tephritidae Species 0.000 description 15
- 238000013528 artificial neural network Methods 0.000 description 15
- 238000000034 method Methods 0.000 description 15
- 238000013461 design Methods 0.000 description 14
- 230000006854 communication Effects 0.000 description 12
- 238000004891 communication Methods 0.000 description 11
- 230000015654 memory Effects 0.000 description 11
- QVFWZNCVPCJQOP-UHFFFAOYSA-N chloralodol Chemical compound CC(O)(C)CC(C)OC(O)C(Cl)(Cl)Cl QVFWZNCVPCJQOP-UHFFFAOYSA-N 0.000 description 9
- 238000011176 pooling Methods 0.000 description 8
- 210000004027 cell Anatomy 0.000 description 7
- 238000007726 management method Methods 0.000 description 7
- 230000008569 process Effects 0.000 description 7
- 238000012271 agricultural production Methods 0.000 description 6
- 238000005516 engineering process Methods 0.000 description 6
- 238000009776 industrial production Methods 0.000 description 6
- 238000004422 calculation algorithm Methods 0.000 description 5
- 238000011161 development Methods 0.000 description 5
- 230000003993 interaction Effects 0.000 description 5
- 238000013507 mapping Methods 0.000 description 5
- 230000008901 benefit Effects 0.000 description 4
- 230000006872 improvement Effects 0.000 description 4
- 238000003064 k means clustering Methods 0.000 description 4
- 238000012549 training Methods 0.000 description 4
- 230000005540 biological transmission Effects 0.000 description 3
- 238000004364 calculation method Methods 0.000 description 3
- 230000008034 disappearance Effects 0.000 description 3
- 230000005284 excitation Effects 0.000 description 3
- 238000001914 filtration Methods 0.000 description 3
- 238000005259 measurement Methods 0.000 description 3
- 210000002569 neuron Anatomy 0.000 description 3
- 238000005457 optimization Methods 0.000 description 3
- 238000012546 transfer Methods 0.000 description 3
- 238000013519 translation Methods 0.000 description 3
- 230000002457 bidirectional effect Effects 0.000 description 2
- 238000007621 cluster analysis Methods 0.000 description 2
- 238000012937 correction Methods 0.000 description 2
- 238000007405 data analysis Methods 0.000 description 2
- 230000006837 decompression Effects 0.000 description 2
- 238000012938 design process Methods 0.000 description 2
- 238000005286 illumination Methods 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 230000001537 neural effect Effects 0.000 description 2
- 238000005070 sampling Methods 0.000 description 2
- 230000006403 short-term memory Effects 0.000 description 2
- 238000000638 solvent extraction Methods 0.000 description 2
- 238000012706 support-vector machine Methods 0.000 description 2
- 241000255581 Drosophila <fruit fly, genus> Species 0.000 description 1
- 230000002159 abnormal effect Effects 0.000 description 1
- 238000009825 accumulation Methods 0.000 description 1
- 230000004913 activation Effects 0.000 description 1
- 238000013459 approach Methods 0.000 description 1
- 230000002238 attenuated effect Effects 0.000 description 1
- 238000006243 chemical reaction Methods 0.000 description 1
- 230000006835 compression Effects 0.000 description 1
- 238000007906 compression Methods 0.000 description 1
- 230000003750 conditioning effect Effects 0.000 description 1
- 230000001186 cumulative effect Effects 0.000 description 1
- 238000013523 data management Methods 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 238000009826 distribution Methods 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 238000004880 explosion Methods 0.000 description 1
- 238000000605 extraction Methods 0.000 description 1
- 235000013305 food Nutrition 0.000 description 1
- 230000019637 foraging behavior Effects 0.000 description 1
- 238000009434 installation Methods 0.000 description 1
- 230000001788 irregular Effects 0.000 description 1
- 238000012886 linear function Methods 0.000 description 1
- 230000005923 long-lasting effect Effects 0.000 description 1
- 230000007774 longterm Effects 0.000 description 1
- 239000011159 matrix material Substances 0.000 description 1
- 230000007246 mechanism Effects 0.000 description 1
- 210000005036 nerve Anatomy 0.000 description 1
- 238000012545 processing Methods 0.000 description 1
- 230000009467 reduction Effects 0.000 description 1
- 238000003860 storage Methods 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G05—CONTROLLING; REGULATING
- G05B—CONTROL OR REGULATING SYSTEMS IN GENERAL; FUNCTIONAL ELEMENTS OF SUCH SYSTEMS; MONITORING OR TESTING ARRANGEMENTS FOR SUCH SYSTEMS OR ELEMENTS
- G05B19/00—Programme-control systems
- G05B19/02—Programme-control systems electric
- G05B19/04—Programme control other than numerical control, i.e. in sequence controllers or logic controllers
- G05B19/042—Programme control other than numerical control, i.e. in sequence controllers or logic controllers using digital processors
- G05B19/0423—Input/output
-
- G—PHYSICS
- G05—CONTROLLING; REGULATING
- G05B—CONTROL OR REGULATING SYSTEMS IN GENERAL; FUNCTIONAL ELEMENTS OF SUCH SYSTEMS; MONITORING OR TESTING ARRANGEMENTS FOR SUCH SYSTEMS OR ELEMENTS
- G05B2219/00—Program-control systems
- G05B2219/20—Pc systems
- G05B2219/24—Pc safety
- G05B2219/24215—Scada supervisory control and data acquisition
-
- 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
- Y02P—CLIMATE CHANGE MITIGATION TECHNOLOGIES IN THE PRODUCTION OR PROCESSING OF GOODS
- Y02P90/00—Enabling technologies with a potential contribution to greenhouse gas [GHG] emissions mitigation
- Y02P90/02—Total factory control, e.g. smart factories, flexible manufacturing systems [FMS] or integrated manufacturing systems [IMS]
Landscapes
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Engineering & Computer Science (AREA)
- Automation & Control Theory (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明公开了一种物联网环境大数据检测与智能监控系统,系统由环境参数采集与控制平台和环境参数预测子系统组成,实现对环境参数进行检测、调节和环境参数预测;本发明有效解决了现有环境参数检测没有根据环境参数变化的非线性、大滞后和环境面积大复杂等对环境变化的影响,没有对环境参数精确检测与调节,从而极大的影响环境产量和生产管理问题。
Description
技术领域
本发明涉及环境参数检测与控制的自动化装备技术领域,具体涉及一种物联网环境大数据检测与智能监控系统。
背景技术
随着信息技术以及智能控制技术的发展,信息技术在工农业生产中得到了广泛的应用,这大大提高了工农业生产水平。因此将智能控制技术引入现代化的工农业生产与管理以及监控具有重要的意义,通过物联网与云平台技术实现工农业生产环境参数的检测、控制和管理,根据生产过程需求对反馈的数据进行处理,从而实现了环境参数智能检测与控制的目的,提供智能化的环境来提供工农业生产效率和效益,从而实现对环境参数进行智能化检测与自动化控制。根据当前工农业发展迫切需要,发明物联网环境大数据检测与智能监控系统实现对环境参数进行智能化检测与调节,来提高工农业生产质量与效益。
发明内容
本发明提供物联网环境大数据检测与智能监控系统,本发明有效解决了现有环境参数检测没有根据环境参数变化的非线性、大滞后和环境面积大复杂等对环境变化的影响,没有对环境参数精确检测与调节,从而极大的影响工农业产量和生产管理问题。
本发明通过以下技术方案实现:
物联网环境大数据检测与智能监控系统由环境参数采集与控制平台和环境参数预测子系统组成,实现对环境参数进行检测、调节和环境参数预测;
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、远程监控计算机和手机APP组成,检测节点采集环境参数经网关节点上传到云平台,云平台提供环境参数给远程监控计算机进行Web可视化环境参数界面管理,远程监控计算机对控制节点下指令实施环境远程控制,在云平台端存储数据和发布信息;手机APP通过云平台提供的环境信息可实时监测环境参数;检测节点和控制节点负责采集环境参数和控制环境设备,通过网关节点实现检测节点、控制节点、现场监控端、云平台、远程监控计算机和手机APP之间的双向通信,实现环境参数采集和环境设备控制;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:
环境参数预测子系统由带时滞单元的FOA-小波神经网络模型、GM(1,1)灰色预测模型、K-means聚类分类器、CNN卷积-LSTM神经网络模型和Vague集的AANN神经网络模型、3个参数检测模块、按拍延迟线TDL和Vague集的模糊最小二乘支持向量机模型组成;多个二氧化碳传感器感知被检测环境的时间序列二氧化碳值分别作为对应的带时滞单元的FOA-小波神经网络模型和GM(1,1)灰色预测模型的输入,带时滞单元的FOA-小波神经网络模型与GM(1, 1)灰色预测模型输出的差作为被检测环境的二氧化碳波动值,多个时间序列二氧化碳波动值和多个GM(1,1)灰色预测模型输出分别作为对应的K-means聚类分类器的输入,2个K-means 聚类分类器输出的多个类型的时间序列二氧化碳波动值和GM(1,1)灰色预测模型输出分别作为对应的CNN卷积-LSTM神经网络模型的输入,CNN卷积-LSTM神经网络模型输出作为Vague 集的AANN神经网络模型的对应输入,Vague集的AANN神经网络模型输出的三个参数分别为x、 t和1-f,x为被检测二氧化碳的实数值,t为可信度,f为不可信度,1-f-t为不确定度,x、 t和1-f构成被检测二氧化碳的Vague集的数值为[x,(t,1-f)],多个温度传感器、多个湿度传感器和多个光照度传感器的输出分别作为对应的参数检测模块的输入,3个参数检测模块和Vague集的AANN神经网络模型的输出分别对应的按拍延迟线TDL的输入,4个按拍延迟线 TDL输出作为Vague集的模糊最小二乘支持向量机模型的对应输入,Vague集的模糊最小二乘支持向量机模型输出的三个参数分别为y、s和1-z,y为被检测环境二氧化碳的预测值,s 为可信度,z为不可信度,1-z-s为不确定度,y、s和1-z构成被检测环境二氧化碳Vague 集的预测值为[y,(s,1-z)]。环境参数预测子系统结构和功能见图2所示。
本发明进一步技术改进方案是:
参数检测模块由带时滞单元的FOA-小波神经网络模型、GM(1,1)灰色预测模型、K-means聚类分类器、CNN卷积-LSTM神经网络模型型和Vague集的AANN神经网络模型组成;参数传感器感知被检测环境的时间序列参数值分别作为对应的带时滞单元的FOA-小波神经网络模型和GM(1,1)灰色预测模型的输入,带时滞单元的FOA-小波神经网络模型与 GM(1,1)灰色预测模型输出的差作为被检测环境的参数波动值,多个时间序列数波动值和多个GM(1,1)灰色预测模型输出分别作为对应的K-means聚类分类器的输入,K-means 聚类分类器输出的多个类型的时间序列数波动值和GM(1,1)灰色预测模型输出分别作为对应的CNN卷积-LSTM神经网络模型的输入,CNN卷积-LSTM神经网络模型输出作为Vague 集的AANN神经网络模型的对应输入,Vague集的AANN神经网络模型输出的三个参数分别为x、t和1-f,x为被检测参数的实数值,t为可信度,f为不可信度,1-f-t为不确定度,x、t 和1-f构成被检测参数的Vague集数值为[x,(t,1-f)],Vague集的AANN神经网络模型输出作为参数检测模块的输出。参数检测模块结构和功能见图3所示。
本发明与现有技术相比,具有以下明显优点:
一、本发明针对参数测量过程中,参数传感器精度误差、干扰和测量异常等问题存在的不确定性和随机性,本发明专利通过分别通过环境检测模块和参数检测模块将多个参数传感器输出值转化为Vague集的AANN神经网络模型形式,它们有效地处理了多个参数传感器测量值的模糊性、动态性和不确定性,提高了参数传感器检测被测量参数的客观性和可信度。
二、本发明采用CNN卷积-LSTM神经网络模型中,CNN卷积神经网络是一种深度前馈神经网络,其典型结构由输入层、卷积层、池化层与全连接层构成,CNN卷积神经网络是对输入数据上进行卷积和池化等操作,通过建立多个滤波器来提取数据的局部特征,得到具有平移旋转不变性的鲁棒特征。LSTM神经网络是包括输入层、隐藏层和输出层,由于隐藏层的各神经单元中加入了记忆单元,可以控制时间序列上的信息被遗忘或输出,解决了RNN 中梯度爆炸和梯度消失的问题,在处理长序列数据时远比RNN表现得优异,CNN卷积神经网络输出时间序列上的特征信息能够有效地被LSTM神经网络提取,CNN卷积-LSTM神经网络模型能够充分挖掘CNN卷积神经网络输出数据各变量间的空间特征关系,提取CNN卷积神经网络输出历史数据的时序性特征信息,致使CNN卷积-LSTM神经网络模型具有较强的学习能力和泛化能力。
三、本发明采用K-means对输入数据进行聚类分析,以聚类分析得到的聚类中心把输入数据进行分类分别作为对应的CNN卷积-LSTM神经网络模型输入,对不同类型的输入数据采用对应的CNN卷积-LSTM神经网络模型进行分别预测,提高检测和预测输入数据的精确度。
四、本发明采用Vague集的AANN自联想神经网络模型提取了反映多个输入CNN卷积-LSTM神经网络模型输出值的高维参数空间中参数变化系统结构的最具代表性的低维子空间,同时有效地滤去了多个CNN卷积-LSTM神经网络模型输出数据中的噪声和误差,再通过瓶颈层、解映射层和输出层实现CNN卷积-LSTM神经网络模型输出数据的解压缩,Vague 集的AANN自联想神经网络模型输出的三个参数分别为x、t和1-f,x为被检测参数的实数值,t为可信度,f为不可信度,1-f-t为不确定度,x、t和1-f构成被检测参数Vague集的数值为[x,(t,1-f)],提高预测被检测参数的精确性和鲁棒性。
附图说明
图1为本发明的环境参数采集与控制平台;
图2为本发明的环境参数预测子系统;
图3为本发明的参数检测模块;
图4为本发明的检测节点;
图5为本发明的控制节点;
图6为本发明的网关节点;
图7为本发明的现场监控端软件。
具体实施方式
结合附图1-7,对本发明技术方案作进一步描述:
一、系统总体功能的设计
本发明物联网环境大数据检测与智能监控系统实现对环境参数进行检测和预测,该系统由环境参数采集与控制平台和环境参数预测子系统两部分组成。环境参数采集与控制平台包括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、远程监控端和手机App 组成,检测节点和控制节点构建成LoRa网络通信来实现检测节点、控制节点和网关节点之间的LoRa网络通信;检测节点将检测的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、现场监控端、远程监控端和手机App之间实现环境参数和相关控制信息的双向传输,手机APP通过云平台提供的环境信息可实时监测环境参数。云平台支持多种传输协议为各种跨平台物联网应用、行业解决方案提供简便的海量连接、云端存储、消息分发和大数据分析等优质服务,具有良好的可视化应用。远程监控计算机进行Web可视化环境参数界面管理,对控制节点下指令实施环境远程控制,在云平台端存储数据和发布信息,养殖人员应用基于B/S架构的远程监控计算机浏览器访问并查看农业实时环境信息、查询与导出历史数据以及对农业养殖设备实施远程控制,远程监控计算机的Web页面具有自动报警功能以便管理人员及时采取措施。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LoRa通信网络的检测节点作为环境参数感知终端,检测节点通过LoRa 通信网络实现现场监控端之间的信息相互交互。检测节点包括采集环境二氧化碳、湿度、温度、风速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LoRa网络通信的SX1278射频模块;检测节点的软件主要实现LoRa网络通信和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4。
三、控制节点的设计
控制节点通过LoRa网络实现与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LoRa通信网络模块SX1278射频模块;4个外部设备控制器分别为二氧化碳控制器、温度控制器、湿度控制器、风速控制器和光照控制器。控制节点见图5。
四、网关节点设计
网关节点包括SX1278射频模块、NB-IoT模块、STM32单片机和RS232接口,网关节点包括SX1278射频模块实现与检测节点和控制节点之间通信的LoRa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。网关节点见图6。
五、现场监控端软件设计
现场监控端是一台工业控制计算机,现场监控端主要实现对农业参数进行采集和农业参数进行处理,实现与网关节点之间信息交互,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环境参数预测子系统。环境参数预测子系统结构见图2。该管理软件选择了 Microsoft Visual++6.0作为开发工具,调用系统的Mscomm通信控件来设计通讯程序,现场监控端软件功能见图7。环境参数预测子系统由带时滞单元的FOA-小波神经网络模型、GM (1,1)灰色预测模型、K-means聚类分类器、CNN卷积-LSTM神经网络模型和Vague集的AANN神经网络模型、3个参数检测模块、按拍延迟线TDL和Vague集的模糊最小二乘支持向量机模型组成,环境参数预测子系统的设计过程如下:
1、带时滞单元的FOA-小波神经网络模型设计
多个二氧化碳传感器感知被检测环境的时间序列二氧化碳值分别作为对应的带时滞单元的FOA-小波神经网络模型和GM(1,1)灰色预测模型的输入,带时滞单元的FOA-小波神经网络模型与GM(1,1)灰色预测模型输出的差作为被检测环境的二氧化碳波动值;带时滞单元的FOA-小波神经网络模型为按拍延迟线的输出为果蝇优化算法-小波神经网络模型的输入,果蝇优化算法模拟生物界中果蝇的觅食行为,可用于寻找全局最优解。首先初始化果蝇种群,初始化果蝇种群数量sizepop、最大迭代次数maxgen以及果蝇位置(X,Y),果蝇的初始位置采用随机初始化进行赋值。本专利所优化的参数为小波神经网络模型的权重系数、小波伸缩因子及平移因子;果蝇依嗅觉进行搜索,根据果蝇的位置来判断其与食物之间的距离,计算位置浓度判定值;所求出的浓度判定值代入浓度判定函数,即该问题中的目标函数,求出不同位置的果蝇所对应的气味浓度,从中选取具有最佳气味浓度的果蝇;将具有最佳浓度的果蝇所在位置设置为本次迭代之后的最佳位置,其他果蝇向该果蝇的位置靠近;重复执行上述步骤,若最佳浓度优于上次迭代后的最佳浓度时,更新最佳位置,直到达到最大迭代次数。果蝇算法的优点在于运行速率快、简单易懂并且有很好的收敛性能和全局搜索能力。小波神经网络以小波函数为神经元的激励函数并结合人工神经网络提出的一种前馈型网络,小波神经网络模型中小波的伸缩、平移因子以及连接权重在对误差能量函数的优化过程中被自适应调整。设小波神经网络模型的输入信号可以表示为一个参数传感器输出的一维向量xi(i=1,2,…,n),输出信号表示为yk(k=1,2,…,m),小波神经网络模型输出层预测值的计算公式为:
公式中ωij输入层i节点和隐含层j节点间的连接权值,为小波基函数,bj为小波基函数的平移因子,aj小波基函数的伸缩因子,ωjk为隐含层j节点和输出层k节点间的连接权值。本专利中的小波神经网络模型的权值和阈值的修正算法采用梯度修正法来更新网络权值和小波基函数参数,从而使小波神经网络模型输出不断逼近期望输出。
2、GM(1,1)灰色预测模型设计
多个二氧化碳传感器感知被检测环境的时间序列二氧化碳值分别作为对应的带时滞单元的FOA-小波神经网络模型和GM(1,1)灰色预测模型的输入,带时滞单元的FOA-小波神经网络模型与GM(1,1)灰色预测模型输出的差作为被检测环境的二氧化碳波动值;GM(1,1)灰色预测模型是将无规律的二氧化碳传感器输出进行累加,得到规律性比较强的生成数据序列后预测二氧化碳值的建模过程,由生成预测二氧化碳值GM(1,1)灰色预测模型得到的数据再进行累减得到原始数据的预测值。假设要预测二氧化碳值的数据数列为:
x(0)=(x(0)(1),x(0)(2),…x(0)(n)) (2)
一阶累加后生成新的序列为:x(1)=(x(1)(1),x(1)(2),…x(1)(n)) (3)
则x(1)序列具有指数增长的规律,即满足一阶线性微分方程:
公式中a成为发展灰数,它反映x(1)和x(0)的发展趋势;u为内生控制灰数,反映了数据之间的变化关系。解上式的微分方程得到x(1)的二氧化碳值预测值为:
通过下面公式的累减还原,得到原始序列x(0)的二氧化碳值灰色预测模型为:
通过构建GM(1,1)灰色预测二氧化碳值模型,可以实现对本专利二氧化碳值的预测,构建对应二氧化碳值的GM(1,1)灰色预测模型。本发明采用GM(1,1)灰色预测模型预测二氧化碳值的时间跨度长。用GM(1,1)灰色预测模型模型可以根据二氧化碳值的历史参数值预测未来时刻二氧化碳值,用上述方法预测出的二氧化碳值后,把它们再加分别加入二氧化碳值的原始数列中,相应地去掉数列开头的一个数据建模,再进行预测二氧化碳值。依此类推,预测出二氧化碳值。这种方法称为等维灰数递补模型,它可实现较长时间的预测。种植户可以更加准确地掌握二氧化碳值的变化趋势,为搞好温室生产管理做好准备。
3、K-means聚类分类器设计
多个时间序列二氧化碳波动值和多个GM(1,1)灰色预测模型输出分别作为对应的K-means聚类分类器的输入,2个K-means聚类分类器输出的多个类型的时间序列二氧化碳波动值和GM(1,1)灰色预测模型输出分别作为对应的CNN卷积-LSTM神经网络模型的输入;
K-means聚类算法核心思想将n个数据对象划分为K个类,并且使每类中的所有数据对象到该类的聚类中心点的平方和最小,但其聚类时间比较长,为实现对数据的快速聚类,保留K-means聚类分类器的效率同时将K-means聚类分类器的应用范围扩大到离散数据,其 K-means聚类分类器的计算过程如下:
(1)从整个样本X中,令I=1,在X中随机挑选K个数据对象作为初始聚类中心mj (I),其中j=1,2,…,K。
(2)设d(i,j)代表K个聚类中心mj (I)与大数据样本X中每个对象xi之间的距离,即为:
利用式(7)寻找d(i,j)的所有(i,j)取值对应的欧式距离中最小的欧式距离d,在聚类中心mj (I)相同的簇Sj中存储对象xi。设mj (I+1)代表新聚类中心点,其计算式为:
公式(8)中Nj代表数据对象在第j个类中的数目。
(4)设置判断准则,判断是否满足准则,如果满足则进行下一步,如果不满足则转到步骤(2)中。
(5)输出大数据的聚类结果,通常情况下利用判断准则对是否终止循环进行确定,即当第I次迭代和第I-1次迭代获得的划分结果相同时,认为划分合理,结束迭代。
4、CNN卷积-LSTM神经网络模型设计
2个K-means聚类分类器输出的多个类型的时间序列二氧化碳波动值和GM(1,1)灰色预测模型输出分别作为对应的CNN卷积-LSTM神经网络模型的输入,CNN卷积-LSTM神经网络模型输出作为Vague集的AANN神经网络模型的对应输入;CNN卷积-LSTM神经网络模型为CNN卷积神经网络的输出作为LSTM神经网络模型的输入,CNN卷积神经网络模型能够直接从大量的时间序列二氧化碳波动值中自动挖掘提取出表征时间序列二氧化碳波动值的敏感空间特征,CNN卷积神经网络模型结构主要包括4个部分:①输入层(Input)。输入层即为CNN卷积神经网络模型的输入,一般将时间序列二氧化碳波动值直接输入。②卷积层(Cony)。由于输入层数据维度较大,CNN卷积神经网络模型难以直接全面感知所有时间序列二氧化碳波动值输入信息,需要将输入数据分为若干部分进行局部感知,再通过权值共享得到全局信息,同时降低CNN卷积神经网络模型结构的复杂度,这一过程即卷积层的主要功能,具体流程是利用特定尺寸的卷积核以固定步长对时间序列二氧化碳波动值输入信号进行遍历和卷积运算,从而实现对时间序列二氧化碳波动值输入信号敏感特征的挖掘与提取。③池化层(Pool,又称降采样层)。由于卷积操作之后所得的数据样本维度依旧很大,需要压缩数据量并提取关键信息来避免模型训练时间过长及出现过拟合,因此,在卷积层后接一个池化层来降低维度。考虑到缺陷特征的峰值特性,采用最大值池化法进行降采样。④、全连接层。经过所有的卷积运算和池化操作后,时间序列二氧化碳波动值特征提取数据进入到全连接层,该层中的每个神经层与其前一层的所有神经元进行全连接,将卷积层和池化层提取到的时间序列二氧化碳波动值的局部特征信息进行整合。同时,为避免过拟合现象,在该层中加入丢失数据(dropout)技术,经过最后一层全连接层的输出值会传递到输出层,将最后一层的池化结果按照首尾相连的方式连接在一起形成输出层并作为LSTM神经网络模型的输入,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,输入门能控制二氧化碳新信息的加入或滤出;遗忘门能忘记需要丢掉的二氧化碳检测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二氧化碳检测信息。这3个门结构在记忆单元中进行矩阵乘法和非线性求和等运算,使得记忆在不断的迭代中仍然不会衰减。长短期记忆单元(LSTM)结构单元由单元(Cell),输入门(Input Gate),输出门(Output Gate)和忘记门(Forget Gate)组成。LSTM神经网络模型是可以持续较长时间短期记忆模型适合用预测时间序列二氧化碳输入量的变化,LSTM神经网络网络模型有效防止了RNN训练时的梯度消失,长短期记忆(LSTM)网络是一种特殊的RNN。LSTM神经网络模型可以学习长期的检测二氧化碳依赖信息,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称检测二氧化碳的动态变化信息,并增加了三种门(Input、Forget、Output)结构来控制称检测二氧化碳历史信息的使用。设输入为检测二氧化碳值输入量的时间序列值为(x1,x2,…,xT),隐含层状态为(h1,h2,…,hT),则t时刻有:
it=sigmoid(Whiht-1+WxiXt) (9)
ft=sigmoid(Whfht-1+WhfXt) (10)
ct=ft⊙ct-1+it⊙tanh(Whcht-1+WxcXt) (11)
ot=sigmoid(Whoht-1+WhxXt+Wcoct) (12)
ht=ot⊙tanh(ct) (13)
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,LSTM神经网络模型输出为被检测环境二氧化碳非线性值。
5、Vague集的AANN神经网络模型设计
CNN卷积-LSTM神经网络模型输出作为Vague集的AANN神经网络模型的对应输入,Vague集的AANN神经网络模型输出的三个参数分别为x、t和1-f,x为被检测二氧化碳的实数值,t为可信度,f为不可信度,1-f-t为不确定度,x、t和1-f构成被检测二氧化碳的Vague 集的数值为[x,(t,1-f)];Vague集的AANN神经网络模型是一种特殊结构的前馈自联想自联想神经网(Auto-associative neural networ,AANN),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。首先通过环境环境参数的输入层、映射层以及瓶颈层实现了输入数据信息的压缩,从环境环境参数输入的高维参数空间中提取了反映环境环境参数系统结构的最具代表性的低维子空间,同时有效地滤去了环境环境参数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环境环境参数的解压缩,将前面压缩的信息还原到各个参数值,从而实现各环境环境参数输入数据的重构。为了达到环境环境参数信息压缩的目的,自联想神经网络络瓶颈层节点数目明显小于输入层,又为了防止形成环境环境参数的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,它使网络对环境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,并在瓶颈层后进行环境环境参数解码和解压缩以产生环境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,自联想神经网用误差反向传播算法来训练。Vague 集的AANN神经网络模型输出的三个参数分别为x、t和1-f,x为被检测二氧化碳的实数值, t为可信度,f为不可信度,1-f-t为不确定度,x、t和1-f构成被检测二氧化碳的Vague集的数值为[x,(t,1-f)]。
6、参数检测模块设计
参数检测模块由带时滞单元的FOA-小波神经网络模型、GM(1,1)灰色预测模型、K-means聚类分类器、CNN卷积-LSTM神经网络模型型和Vague集的AANN神经网络模型组成,它们的设计过程参照本专利的环境参数预测子系统中的相关模型的设计方法。
7、Vague集的模糊最小二乘支持向量机模型设计
3个参数检测模块和Vague集的AANN神经网络模型的输出分别对应的按拍延迟线TDL 的输入,4个按拍延迟线TDL输出作为Vague集的模糊最小二乘支持向量机模型的对应输入, Vague集的模糊最小二乘支持向量机模型输出的三个参数分别为y、s和1-z,y为被检测环境二氧化碳的预测值,s为可信度,z为不可信度,1-z-s为不确定度,y、s和1-z构成被检测环境二氧化碳Vague集的预测值为[y,(s,1-z)]。Vague集的模糊最小二乘支持向量机模型模糊隶属度u(xi,x)的度量是一个非常重要的问题,它往往直接影响到模糊最小二乘支持向量机模型的二氧化碳参数预测值的准确度,隶属度大小确定的依据是其在类中的相对重要性,本专利是基于样本到类中心的距离来度量其隶属度大小,样本离类中心越近,隶属度越大,反之则越小,即隶属度函数为:
其中:nj为属于第j类样本点的个数,δ>0防止隶属函数值为零。在模糊最小二乘支持向量机模型中,0<μ(xk)≤1表示了环境参数状态特征参数模糊化后的模糊预选规则,在最小二乘支持向量机的训练过程中,说明每个训练数据对最小二乘支持向量机学习所起的权重作用是不同的。通过模糊隶属度,则模糊最小二乘支持向量机模型值y1为:
其中x=[x1,x2,…xn],σ为核参数。Vague集的模糊最小二乘支持向量机模型输出的三个参数分别为y、s和1-z,y为被检测环境二氧化碳的预测值,s为可信度,z为不可信度,1-z-s为不确定度,y、s和1-z构成被检测环境二氧化碳 Vague集的预测值为[y,(s,1-z)]。
六、一种环境参数采集与控制平台的设计举例
根据环境大数据采集与控制平台的实际状况,系统布置了环境参数采集平台与控制的检测节点、控制节点、网关节点、现场监控端和远程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环境的各个方位,通过该系统实现对环境参数进行采集。
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.物联网环境大数据检测与智能监控系统,其特征在于:系统由环境参数采集与控制平台和环境参数预测子系统组成,实现对环境参数进行检测、调节和环境参数预测;
环境参数预测子系统由带时滞单元的FOA-小波神经网络模型、GM(1,1)灰色预测模型、K-means聚类分类器、CNN卷积-LSTM神经网络模型和Vague集的AANN神经网络模型、参数检测模块、按拍延迟线TDL和Vague集的模糊最小二乘支持向量机模型组成;
多个二氧化碳传感器感知被检测环境的时间序列二氧化碳值分别作为对应的带时滞单元的FOA-小波神经网络模型和GM(1,1)灰色预测模型的输入,带时滞单元的FOA-小波神经网络模型与GM(1,1)灰色预测模型输出的差作为被检测环境的二氧化碳波动值,多个时间序列二氧化碳波动值和多个GM(1,1)灰色预测模型输出分别作为对应的K-means聚类分类器的输入,2个K-means聚类分类器输出的多个类型的时间序列二氧化碳波动值和GM(1,1)灰色预测模型输出分别作为对应的CNN卷积-LSTM神经网络模型的输入,CNN卷积-LSTM神经网络模型输出作为Vague集的AANN神经网络模型的对应输入,Vague集的AANN神经网络模型输出的三个参数分别为x、t和1-f,x为被检测二氧化碳的实数值,t为可信度,f为不可信度,1-f为可信度和不确定度和,1-f-t为不确定度,x、t和1-f构成被检测二氧化碳的Vague集的数值为[x,(t,1-f)],多个温度传感器、多个湿度传感器和多个光照度传感器的输出分别作为对应的参数检测模块的输入,3个参数检测模块和Vague集的AANN神经网络模型的输出分别对应的按拍延迟线TDL的输入,4个按拍延迟线TDL输出作为Vague集的模糊最小二乘支持向量机模型的对应输入,Vague集的模糊最小二乘支持向量机模型输出的三个参数分别为y、s和1-z,y为被检测环境二氧化碳的预测值,s为可信度,z为不可信度,1-z为可信度和不确定度和,1-z-s为不确定度,y、s和1-z构成被检测环境二氧化碳Vague集的预测值为[y,(s,1-z)]。
2.根据权利要求1所述的物联网环境大数据检测与智能监控系统,其特征在于:所述参数检测模块由带时滞单元的FOA-小波神经网络模型、GM(1,1)灰色预测模型、K-means聚类分类器、CNN卷积-LSTM神经网络模型型和Vague集的AANN神经网络模型组成。
3.根据权利要求2所述的物联网环境大数据检测与智能监控系统,其特征在于:参数传感器感知被检测环境的时间序列参数值分别作为对应的带时滞单元的FOA-小波神经网络模型和GM(1,1)灰色预测模型的输入,带时滞单元的FOA-小波神经网络模型与GM(1,1)灰色预测模型输出的差作为被检测环境的参数波动值,多个时间序列数波动值和多个GM(1,1)灰色预测模型输出分别作为对应的K-means聚类分类器的输入,K-means聚类分类器输出的多个类型的时间序列数波动值和GM(1,1)灰色预测模型输出分别作为对应的CNN卷积-LSTM神经网络模型的输入,CNN卷积-LSTM神经网络模型输出作为Vague集的AANN神经网络模型的对应输入,Vague集的AANN神经网络模型输出的三个参数分别为x、t和1-f,x为被检测参数的实数值,t为可信度,1-f为可信度和不确定度和,f为不可信度,1-f-t为不确定度,x、t和1-f构成被检测参数的Vague集数值为[x,(t,1-f)],Vague集的AANN神经网络模型输出作为参数检测模块的输出。
4.根据权利要求1所述的物联网环境大数据检测与智能监控系统,其特征在于:所述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、远程监控计算机和手机APP组成。
5.根据权利要求4所述的物联网环境大数据检测与智能监控系统,其特征在于:所述检测节点采集环境参数经网关节点上传到云平台,云平台提供环境参数给远程监控计算机进行Web可视化环境参数界面管理,远程监控计算机对控制节点下指令实施环境远程控制,在云平台端存储数据和发布信息;手机APP通过云平台提供的环境信息可实时监测环境参数;检测节点和控制节点分别负责采集环境参数和控制环境设备,通过网关节点实现检测节点、控制节点、现场监控端、云平台、远程监控计算机和手机APP之间的双向通信,实现环境参数采集和环境设备控制。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210683520.1A CN115128978A (zh) | 2022-06-17 | 2022-06-17 | 物联网环境大数据检测与智能监控系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210683520.1A CN115128978A (zh) | 2022-06-17 | 2022-06-17 | 物联网环境大数据检测与智能监控系统 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN115128978A true CN115128978A (zh) | 2022-09-30 |
Family
ID=83377536
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202210683520.1A Withdrawn CN115128978A (zh) | 2022-06-17 | 2022-06-17 | 物联网环境大数据检测与智能监控系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN115128978A (zh) |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN115964347A (zh) * | 2023-03-16 | 2023-04-14 | 菏泽市产品检验检测研究院 | 一种市场监管监测中心数据的智能存储方法 |
CN116384979A (zh) * | 2023-04-27 | 2023-07-04 | 圣麦克思智能科技(江苏)有限公司 | 一种idc运维服务支持系统及其方法 |
-
2022
- 2022-06-17 CN CN202210683520.1A patent/CN115128978A/zh not_active Withdrawn
Cited By (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN115964347A (zh) * | 2023-03-16 | 2023-04-14 | 菏泽市产品检验检测研究院 | 一种市场监管监测中心数据的智能存储方法 |
CN115964347B (zh) * | 2023-03-16 | 2023-05-16 | 菏泽市产品检验检测研究院 | 一种市场监管监测中心数据的智能存储方法 |
CN116384979A (zh) * | 2023-04-27 | 2023-07-04 | 圣麦克思智能科技(江苏)有限公司 | 一种idc运维服务支持系统及其方法 |
CN116384979B (zh) * | 2023-04-27 | 2023-09-26 | 圣麦克思智能科技(江苏)有限公司 | 一种idc运维服务支持系统及其方法 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN115016276B (zh) | 智能水分调节与环境参数物联网大数据系统 | |
CN115128978A (zh) | 物联网环境大数据检测与智能监控系统 | |
CN113031555B (zh) | 一种畜禽舍环境有害气体智能净化系统 | |
CN114839881B (zh) | 智能化垃圾清理与环境参数大数据物联网系统 | |
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 | |
CN113219871B (zh) | 一种养护室环境参数检测系统 | |
CN113126676A (zh) | 一种畜禽舍养殖环境参数智能控制系统 | |
CN112903929A (zh) | 一种食品质量检测系统 | |
CN114911185A (zh) | 基于云平台和移动端App的安防大数据物联网智能系统 | |
CN114418183B (zh) | 畜禽健康体征大数据物联网检测系统 | |
CN112911533B (zh) | 一种基于移动端App的温度检测系统 | |
CN113255739A (zh) | 一种鱼饲料检测与配方系统 | |
CN114995248A (zh) | 智能养护与环境参数大数据物联网系统 | |
CN114417242B (zh) | 畜禽活动信息的大数据检测系统 | |
CN114970745B (zh) | 物联网智能安防与环境大数据系统 | |
CN114386672B (zh) | 环境大数据物联网智能检测系统 | |
CN114358244B (zh) | 基于物联网的压力大数据智能检测系统 | |
CN114390376B (zh) | 火灾大数据远程探测与预警系统 | |
CN115659201A (zh) | 物联网气体浓度检测方法及监控系统 | |
CN114399024B (zh) | 油气浓度大数据智能检测系统 | |
CN115062764A (zh) | 光照度智能调节与环境参数物联网大数据系统 | |
CN115616163A (zh) | 气体精确配制与浓度测量系统 | |
CN112906856A (zh) | 一种基于云平台的畜禽舍环境温度检测系统 | |
CN115016275B (zh) | 智能化饲喂与畜禽舍大数据物联网系统 |
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 | ||
WW01 | Invention patent application withdrawn after publication |
Application publication date: 20220930 |
|
WW01 | Invention patent application withdrawn after publication |