CN116307190B - 一种基于蓝牙mesh网络的果园环境对产量的预测方法 - Google Patents
一种基于蓝牙mesh网络的果园环境对产量的预测方法 Download PDFInfo
- Publication number
- CN116307190B CN116307190B CN202310277019.XA CN202310277019A CN116307190B CN 116307190 B CN116307190 B CN 116307190B CN 202310277019 A CN202310277019 A CN 202310277019A CN 116307190 B CN116307190 B CN 116307190B
- Authority
- CN
- China
- Prior art keywords
- data
- navel orange
- growth
- gate
- 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.)
- Active
Links
- 238000000034 method Methods 0.000 title claims abstract description 53
- 239000002420 orchard Substances 0.000 title claims abstract description 45
- 235000005976 Citrus sinensis Nutrition 0.000 claims abstract description 95
- 240000002319 Citrus sinensis Species 0.000 claims abstract description 95
- 230000007613 environmental effect Effects 0.000 claims abstract description 22
- 239000002689 soil Substances 0.000 claims abstract description 20
- 230000002159 abnormal effect Effects 0.000 claims abstract description 17
- 239000003795 chemical substances by application Substances 0.000 claims abstract description 17
- 230000007246 mechanism Effects 0.000 claims abstract description 7
- 238000007781 pre-processing Methods 0.000 claims abstract description 7
- 238000012545 processing Methods 0.000 claims abstract description 6
- 230000006870 function Effects 0.000 claims description 42
- 210000002569 neuron Anatomy 0.000 claims description 21
- 238000004891 communication Methods 0.000 claims description 14
- 239000011159 matrix material Substances 0.000 claims description 14
- 240000007651 Rubus glaucus Species 0.000 claims description 13
- 235000011034 Rubus glaucus Nutrition 0.000 claims description 13
- 235000009122 Rubus idaeus Nutrition 0.000 claims description 13
- 238000005286 illumination Methods 0.000 claims description 10
- 238000001914 filtration Methods 0.000 claims description 9
- 238000010606 normalization Methods 0.000 claims description 7
- IJGRMHOSHXDMSA-UHFFFAOYSA-N Atomic nitrogen Chemical compound N#N IJGRMHOSHXDMSA-UHFFFAOYSA-N 0.000 claims description 6
- 230000008569 process Effects 0.000 claims description 6
- 230000009466 transformation Effects 0.000 claims description 6
- 230000000737 periodic effect Effects 0.000 claims description 4
- 238000012935 Averaging Methods 0.000 claims description 3
- OAICVXFJPJFONN-UHFFFAOYSA-N Phosphorus Chemical compound [P] OAICVXFJPJFONN-UHFFFAOYSA-N 0.000 claims description 3
- ZLMJMSJWJFRBEC-UHFFFAOYSA-N Potassium Chemical compound [K] ZLMJMSJWJFRBEC-UHFFFAOYSA-N 0.000 claims description 3
- 210000004027 cell Anatomy 0.000 claims description 3
- 238000009795 derivation Methods 0.000 claims description 3
- 239000000284 extract Substances 0.000 claims description 3
- 229910052757 nitrogen Inorganic materials 0.000 claims description 3
- 229910052698 phosphorus Inorganic materials 0.000 claims description 3
- 239000011574 phosphorus Substances 0.000 claims description 3
- 239000011591 potassium Substances 0.000 claims description 3
- 229910052700 potassium Inorganic materials 0.000 claims description 3
- 238000012216 screening Methods 0.000 claims description 3
- 238000012905 input function Methods 0.000 claims 1
- 241000287127 Passeridae Species 0.000 abstract description 4
- 238000005457 optimization Methods 0.000 abstract description 2
- 230000035558 fertility Effects 0.000 abstract 1
- 230000000087 stabilizing effect Effects 0.000 description 5
- 238000010586 diagram Methods 0.000 description 4
- 230000000694 effects Effects 0.000 description 4
- 238000005516 engineering process Methods 0.000 description 4
- 244000269722 Thea sinensis Species 0.000 description 3
- 239000003990 capacitor Substances 0.000 description 3
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000008859 change Effects 0.000 description 1
- 238000012937 correction Methods 0.000 description 1
- 238000013135 deep learning Methods 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 238000001514 detection method Methods 0.000 description 1
- 235000013399 edible fruits Nutrition 0.000 description 1
- 235000013305 food Nutrition 0.000 description 1
- 238000012544 monitoring process Methods 0.000 description 1
- 230000006855 networking Effects 0.000 description 1
- 235000016709 nutrition Nutrition 0.000 description 1
- 230000035764 nutrition Effects 0.000 description 1
- 235000019605 sweet taste sensations Nutrition 0.000 description 1
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
- 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
- G06Q10/04—Forecasting or optimisation specially adapted for administrative or management purposes, e.g. linear programming or "cutting stock problem"
-
- 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
-
- 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
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04W—WIRELESS COMMUNICATION NETWORKS
- H04W4/00—Services specially adapted for wireless communication networks; Facilities therefor
- H04W4/80—Services using short range communication, e.g. near-field communication [NFC], radio-frequency identification [RFID] or low energy communication
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04W—WIRELESS COMMUNICATION NETWORKS
- H04W84/00—Network topologies
- H04W84/18—Self-organising networks, e.g. ad-hoc networks or sensor networks
-
- 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
- Y02D—CLIMATE CHANGE MITIGATION TECHNOLOGIES IN INFORMATION AND COMMUNICATION TECHNOLOGIES [ICT], I.E. INFORMATION AND COMMUNICATION TECHNOLOGIES AIMING AT THE REDUCTION OF THEIR OWN ENERGY USE
- Y02D30/00—Reducing energy consumption in communication networks
- Y02D30/70—Reducing energy consumption in communication networks in wireless communication networks
Landscapes
- Engineering & Computer Science (AREA)
- Business, Economics & Management (AREA)
- Computer Networks & Wireless Communication (AREA)
- Signal Processing (AREA)
- Strategic Management (AREA)
- Human Resources & Organizations (AREA)
- Economics (AREA)
- Marketing (AREA)
- Tourism & Hospitality (AREA)
- Theoretical Computer Science (AREA)
- General Physics & Mathematics (AREA)
- General Health & Medical Sciences (AREA)
- General Business, Economics & Management (AREA)
- Physics & Mathematics (AREA)
- Health & Medical Sciences (AREA)
- Entrepreneurship & Innovation (AREA)
- Life Sciences & Earth Sciences (AREA)
- Operations Research (AREA)
- Development Economics (AREA)
- Computing Systems (AREA)
- Game Theory and Decision Science (AREA)
- Medical Informatics (AREA)
- Quality & Reliability (AREA)
- Agronomy & Crop Science (AREA)
- Animal Husbandry (AREA)
- Marine Sciences & Fisheries (AREA)
- Mining & Mineral Resources (AREA)
- Primary Health Care (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明公开了一种基于蓝牙MESH网络的果园环境对产量的预测方法。低功耗节点均匀部署在果园内部,获取果园脐橙生长条件包括温度、湿度、土壤肥力数据;借助中继节点和好友节点进行中继转发;采用代理节点接收数据并赋予每棵脐橙树电子标签;获取历年脐橙产量与环境数据,基于预设的数据处理机制划分出预测标准;将预处理得到的数据输入到预设的对抗式混合预测模型GAN‑HP中,如果预测的数据处于正常规定范围,该数据继续输入到使用麻雀优化算法SSA的多项式回归模型PR中。本发明能够有效预测出果园脐橙在未来季度中的产量,能够监测脐橙当前的生长状况,对脐橙的生长异常起到了预警作用。
Description
技术领域
本发明属于脐橙产量预测技术领域,特别涉及一种基于蓝牙MESH网络的果园环境对产量的预测方法。
背景技术
脐橙作为一种营养丰富、口味鲜甜的水果,广受欢迎,需求量大。然而,脐橙产量通常受气候因素、地理环境、果园条件多方面因素的影响,难以满足市场需求。为了解决这些问题,人们通过科学方法来预测脐橙最大产量,改善脐橙果园环境,更有效提高果园的管理效能,实现脐橙果园的科学增产。
在物联网应用领域,蓝牙MESH技术允许创建基于多个设备的大型网络。随着蓝牙5和蓝牙MESH技术的逐步成熟,现代物联网具备了多设备长距离通讯的能力。
专利ZL201910854872.7公开了“一种基于物联网的果园产量智能预测系统”。这种系统主要由苹果园环境参数采集平台和苹果园环境产量预测子系统组成,系统实现对苹果园环境小气候参数进行检测和对产量进行预测,虽然预测效果好,但是系统整体功耗高,不适用于处理超大数据。
专利ZL202010887051 .6公开了“基于深度学习的茶园异常数据校正方法、系统和存储介质”。这种方法预测准确度高,具有良好的规范性,能够有效判断并校正茶园内异常数据,但是在收集茶园各项数据方面需要花费一定的时间。
专利ZL202210329107 .5公开了“基于物联网的脐橙产量预测方法、装置、计算机设备”。该设备解决了传统预测脐橙产量人工成本高、耗时久的问题,但是没有考虑到异常数据的检测方面。
因此,亟需一种通过现代物联网技术来精准预测果园脐橙产量、有效监测脐橙的生长状况,同时降低系统功耗、提升果园环境舒适性的方法。
公开于该背景技术部分的信息仅仅旨在增加对本发明的总体背景的理解,而不应当被视为承认或以任何形式暗示该信息构成已为本领域一般技术人员所公知的现有技术。
发明内容
本发明的目的在于提供一种基于蓝牙MESH网络的果园环境对产量的预测方法,基于GAN-HP与SSA-PR搭建的预测模型构建一个超低功耗多节点架构体系,从而预测出未来脐橙的产量以及判断当前周期脐橙生长情况是否异常,能够起到预警作用,云端服务器向代理节点发出警报,代理节点再向各个好友节点发出通知,从而使各个低功耗节点自发地通过浇水、增加湿度等方法调整果园环境,同时云端服务器也会发送信息给终端设备,结合人工干预或者网关节点自适应调节以提升果园环境的舒适性,从而克服上述现有技术中的缺陷。
为实现上述目的,本发明提供了一种基于蓝牙MESH网络的果园环境对产量的预测方法,其步骤为:
S01、布置代理节点以及与代理节点连接的中继节点,布置与中继节点连接的好友节点,以好友节点为中心布置低功耗节点,布置与低功耗节点连接的环境数据采集单元,中继节点之间相互连接,布置与代理节点连接的云端服务器,布置与云端服务器连接的终端设备;代理节点具备独立式蓝牙MESH、树莓派、4G网络通信模块,中继节点、好友节点、低功耗节点具备集成式蓝牙MESH;
S02、低功耗节点将采集的果园生长环境特征数据预存在本地存储器中,并在间隔一段时间后进行数据预处理,提取出最大值、最小值、平均值和方差;
S03、低功耗节点将预处理后的数据通过好友节点、中继节点发送至树莓派中,树莓派将预处理后的数据存储后通过4G网络通信模块发送至云端服务器供终端设备查看,并通过4G网络通信模块接收云端服务器下发预设的SSA-PR算法,以本地存储的数据作为依据,采用本地存储数据中的脐橙历史数据,基于预设的SSA-PR算法,并以GAN-HP网络模型作为辅助对果园脐橙产量进行预测,并将结果返回至云端服务器。
优选地,技术方案中,环境数据采集单元包括土壤全要素传感单元、光照&温湿度采集单元,其中土壤全要素传感单元采集土壤温湿度、土壤Ph值、土壤氮磷钾、土壤电导率,光照和温湿度采集单元采集光照强度、空气温湿度。
优选地,技术方案中,步骤S02中数据预处理的过程为:根据精确测量几颗脐橙的生长环境特征,进行加权、取平均值得出一个误差阈值θ,通过设置一个多项式误差函数值,/>表示脐橙的第j个生长环境特征下的第i条数据(j=1,2,3……),由/>计算不同脐橙的误差函数值/>;基于预设的筛选机制通过比较误差阈值θ和不同脐橙的误差函数值/>的值进行数据过滤处理,其中预设的筛选机制可表示为:
(1);
其中Q表示选出的脐橙生长环境特征集合,当误差结果小于误差阈值时,将会被收集到集合Q中;
由于多个生长环境特征的数据处于不同的数量范围,因此对过滤处理后的生长环境特征的数据进行归一化处理,数据归一化可表示为:
(2);
其中max()表示脐橙的第j个生长环境特征下的第i条数据的最大值,min(/>)表示脐橙第j个生长环境特征下的第i条数据的最小值,/>表示脐橙第j个生长环境特征下的第i条数据的平均值;/>表示进行归一化处理后的生长环境特征数据。
优选地,技术方案中,步骤S03中,GAN-HP网络模型包括时间序列预测网络、GAN网络,其中时间序列预测网络包括遗忘门、输入门、输出门,GAN网络包括生成器和鉴别器;时间序列预测网络通过遗忘门、输入门、输出门得到脐橙未来周期生长状态特征数据;生成器用于输入脐橙未来周期生长状态特征数据并随机产生若干组生长环境特征数据,鉴别器负责识别生成器产生的正常与异常的生长环境特征数据;云端服务器中包含专家库数据,专家库数据为若干组已测量的、具有代表性的真实数据,鉴别器通过识别专家库数据,将这些真实数据与生成器产生的生长环境特征数据进行对比,从而判断生成器产生数据的有效性与真实性。
优选地,技术方案中,步骤S03中,将预处理后的数据嵌入到GAN-HP模型中,通过生成器与鉴别器推断预处理后的数据是否处于脐橙生长环境特征数据的正常范围;如果预处理后的数据存在异常,其数值偏离脐橙生长环境特征数据的正常范围,则通过代理节点向云端服务器发送预警提示,云端服务器向代理节点发出警报,代理节点再向各个好友节点发出通知,从而使各个低功耗节点自发地通过浇水、增加湿度等方法调整果园环境,同时云端服务器也会发送信息给终端设备,结合人工干预或者代理节点自适应提高果园环境的稳定性;如果预处理后的数据处于脐橙生长环境特征数据的正常数值范围内,但是数据离散程度高,分布不均匀,这说明该数据不符合样本数据要求,需要重新采集或者需要检查低功耗节点传感器是否异常,是否有突发干扰信号影响;如果预处理后的数据处于脐橙生长环境特征数据的正常数值范围内,且数据分布均匀,符合样本数据要求,则该生长环境特征数据可以嵌入预设的SSA-PR算法中,通过求导得出SSA-PR算法中多项式的系数,最后预测脐橙的产量。
优选地,技术方案中,将选出的脐橙生长环境特征集合Q中对应的/>分别输入到时间序列预测网络中,经过Sigmoid函数变换得到一个处于[0,1]区间的遗忘门向量/>,遗忘门向量/>表示筛选出来的脐橙生长环境特征数据,遗忘门向量/>的表达式可以表示为:
(3),
其中表示历年脐橙生长环境特征,/>为/>与/>拼接成的矩阵,/>为随机设定遗忘门权重矩阵,/>为遗忘门的误差偏置值。
优选地,技术方案中,将遗忘门向量输入到时间序列预测网络的输入门中,经过Sigmoid函数变换得到一个处于[0,1]区间的输入门向量/>,输入门向量/>表示可当成输入功能的脐橙生长环境数据特征,输入门向量/>的表达式可以表示为:
(4),
其中为随机设置输入门权重矩阵,/>为输入门的误差偏置值;
在输入门中,将遗忘门向量经过tanh函数变换得到脐橙生长条件的输出值growth,输出值growth的表达式可以表示为:
(5),
其中为随机设置输出权重矩阵,/>为输出结果误差的偏置值,输出值growth一共包含“1”和“0”两种结果,“1”代表生长状况正常,“0”表示生长状况异常;
时间序列预测网络中包含了若干个相同的神经元结构,从第一个神经元迭代到最后一个神经元计算出预测的状态,时间序列预测网络中当前神经元预测的状态为std,当前神经元预测的状态std可表示为:
(6),
为时间序列预测网络中上一个神经元计算出的单元状态。
优选地,技术方案中,将输入门向量输入到时间序列预测网络的输出门中,经过Sigmoid函数变换得到一个处于[0,1]区间的输出门向量/>,输出门向量/>表示所预测的脐橙生长环境特征向量,输出门向量/>的表达式可以表示为:
(7),
其中为随机设置输出门权重矩阵,/>为输出门误差偏置值;将输入门中当前神经元预测的状态std与输出门向量/>相乘得到脐橙未来周期生长状态特征向量fact,脐橙未来周期生长状态特征向量fact的表达式可以表示为:
(8)。
优选地,技术方案中,预设的SSA-PR算法中,多项式函数R表示为:
(9),
其中为环境特征系数;设/>为产量的实际值,将/>与多项式函数R构成残差函数ERR,残差函数ERR表示为:
(10),
分别对环境特征系数进行求导,使其导数为0,求出不同特征前对应的不同环境特征系数/>,最后通过把求得的各项环境特征系数/>带入到原多项式函数R中,求出一个显式多项式函数,继续代入生长环境特征数据/>之后,求出多项式函数R的结果,即为求出的脐橙产量。
与现有技术相比,本发明具有如下有益效果:
1. 本发明使用蓝牙MESH技术和分布式节点架构,能够减少系统功耗,提升果园环境的稳定性。
2. 对抗式混合预测模型GAN-HP作为辅助模型,时间序列预测网络适用于和时间序列相关的数据,经过遗忘门、输入门、输出门操作,能够筛选出有用的脐橙数据,减少了数据处理时间和预测时间,提高了预测精准度。
3. GAN网络包含生成器和鉴别器,一方面生成器能够接收时间序列预测网络通过时间序列预测得到的周期生长特征结果,随机产生若干组生长环境特征数据,鉴别器同时又能够鉴别判断生长特征数据是否真实,达到博弈的效果,以至于得到更真实适用的生长特征数据。
4. SSA-PR算法具有良好的预测效果,在该模型中,不同的特征共同决定预测结果,使结果更具有代表性。
附图说明
图1为本发明基于蓝牙MESH网络的果园环境对产量的预测方法的流程图;
图2为本发明基于蓝牙MESH网络的果园环境对产量的预测方法的拓扑结构示意图;
图3为图2中的低功耗节点的内部连接示意图;
图4为图2中的好友节点和中继节点的内部连接示意图;
图5为图2中的代理节点的内部连接示意图。
具体实施方式
下面对本发明的具体实施方式进行详细描述,但应当理解本发明的保护范围并不受具体实施方式的限制。
除非另有其它明确表示,否则在整个说明书和权利要求书中,术语“包括”或其变换如“包含”或“包括有”等等将被理解为包括所陈述的元件或组成部分,而并未排除其它元件或其它组成部分。
如图1-图2所示,本发明提供了本发明提供了一种基于蓝牙MESH网络的果园环境对产量的预测方法,其步骤为:
S01、布置代理节点以及与代理节点连接的中继节点,布置与中继节点连接的好友节点,以好友节点为中心布置低功耗节点,布置与低功耗节点连接的环境数据采集单元,中继节点之间相互连接,布置与代理节点连接的云端服务器,布置与云端服务器连接的终端设备;代理节点具备独立式蓝牙MESH、树莓派、4G网络通信模块,中继节点、好友节点、低功耗节点具备集成式蓝牙MESH;环境数据采集单元包括土壤全要素传感单元、光照&温湿度采集单元,其中土壤全要素传感单元采集土壤温湿度、土壤Ph值、土壤氮磷钾、土壤电导率,光照和温湿度采集单元采集光照强度、空气温湿度;
S02、低功耗节点将采集的果园生长环境特征数据预存在本地存储器中,并在间隔一段时间后进行数据预处理,提取出最大值、最小值、平均值和方差;数据预处理的过程为:根据精确测量几颗脐橙的生长环境特征,进行加权、取平均值得出一个误差阈值θ,通过设置一个多项式误差函数值,/>表示脐橙的第j个生长环境特征下的第i条数据(j=1,2,3……),由/>计算不同脐橙的误差函数值;基于预设的筛选机制通过比较误差阈值θ和不同脐橙的误差函数值/>的值进行数据过滤处理,其中预设的筛选机制可表示为:
(1);
其中Q表示选出的脐橙生长环境特征集合,当误差结果小于误差阈值时,将会被收集到集合Q中;
由于多个生长环境特征的数据处于不同的数量范围,因此对过滤处理后的生长环境特征的数据进行归一化处理,数据归一化可表示为:
(2);
其中max()表示脐橙的第j个生长环境特征下的第i条数据的最大值,min(/>)表示脐橙第j个生长环境特征下的第i条数据的最小值,/>表示脐橙第j个生长环境特征下的第i条数据的平均值;/>表示进行归一化处理后的生长环境特征数据;
S03、低功耗节点将预处理后的数据通过好友节点、中继节点发送至树莓派中,树莓派将预处理后的数据存储后通过4G网络通信模块发送至云端服务器供终端设备查看,并通过4G网络通信模块接收云端服务器下发预设的SSA-PR算法,以本地存储的数据作为依据,采用本地存储数据中的脐橙历史数据,基于预设的SSA-PR算法,并以GAN-HP网络模型作为辅助对果园脐橙产量进行预测,并将结果返回至云端服务器;GAN-HP网络模型包括时间序列预测网络、GAN网络,其中时间序列预测网络包括遗忘门、输入门、输出门,GAN网络包括生成器和鉴别器;时间序列预测网络通过遗忘门、输入门、输出门得到脐橙未来周期生长状态特征数据;生成器用于输入脐橙未来周期生长状态特征数据并随机产生若干组生长环境特征数据,鉴别器负责识别生成器产生的正常与异常的生长环境特征数据;云端服务器中包含专家库数据,专家库数据为若干组已测量的、具有代表性的真实数据,鉴别器通过识别专家库数据,将这些真实数据与生成器产生的生长环境特征数据进行对比,从而判断生成器产生数据的有效性与真实性;
将选出的脐橙生长环境特征集合Q中对应的/>分别输入到时间序列预测网络中,经过Sigmoid函数变换得到一个处于[0,1]区间的遗忘门向量/>,遗忘门向量/>表示筛选出来的脐橙生长环境特征数据,遗忘门向量/>的表达式可以表示为:
(3),
其中表示历年脐橙生长环境特征,/>为/>与/>拼接成的矩阵,/>为随机设定遗忘门权重矩阵,/>为遗忘门的误差偏置值。
将遗忘门向量输入到LSTM网络的输入门中,经过Sigmoid函数变换得到一个处于[0,1]区间的输入门向量/>,输入门向量/>表示可当成输入功能的脐橙生长环境数据特征,输入门向量/>的表达式可以表示为:
(4),
其中为随机设置输入门权重矩阵,/>为输入门的误差偏置值;
在输入门中,将遗忘门向量经过tanh函数变换得到脐橙生长条件的输出值growth,输出值growth的表达式可以表示为:
(5),
其中为随机设置输出权重矩阵,/>为输出结果误差的偏置值,输出值growth一共包含“1”和“0”两种结果,“1”代表生长状况正常,“0”表示生长状况异常;
时间序列预测网络中包含了若干个相同的神经元结构,从第一个神经元迭代到最后一个神经元计算出预测的状态,时间序列预测网络中当前神经元预测的状态为std,当前神经元预测的状态std可表示为:
(6),
为时间序列预测网络中上一个神经元计算出来的单元状态。
将输入门向量输入到时间序列预测网络的输出门中,经过Sigmoid函数变换得到一个处于[0,1]区间的输出门向量/>,输出门向量/>表示所预测的脐橙生长环境特征向量,输出门向量/>的表达式可以表示为:
(7),
其中为随机设置输出门权重矩阵,/>为输出门误差偏置值;将输入门中当前神经元预测的状态std与输出门向量/>相乘得到脐橙未来周期生长状态特征向量fact,脐橙未来周期生长状态特征向量fact的表达式可以表示为:
(8);
将预处理后的数据嵌入到GAN-HP模型中,通过生成器与鉴别器推断预处理后的数据是否处于脐橙生长环境特征数据的正常范围;如果预处理后的数据存在异常,偏离脐橙生长环境特征数据的正常范围,则通过代理节点向云端服务器发送预警提示,云端服务器向代理节点发出警报,代理节点再向各个好友节点发出通知,从而使各个低功耗节点自发地通过浇水、增加湿度等方法调整果园环境,同时云端服务器也会发送信息给终端设备,结合人工干预或者代理节点自适应提高果园环境的稳定性;如果预处理后的数据处于脐橙生长环境特征数据的正常数值范围内,但是数据离散程度高,分布不均匀,这说明该数据不符合样本数据要求,需要重新采集或者需要检查低功耗节点传感器是否异常,是否有突发干扰信号影响;如果预处理后的数据处于脐橙生长环境特征数据的正常数值范围内,且数据分布均匀,符合样本数据要求,则该生长环境特征数据可以嵌入预设的SSA-PR算法中,通过求导得出多项式的系数,最后预测脐橙的产量;
预设的SSA-PR算法中,多项式函数R表示为:
(9),
其中为环境特征系数;在SSA算法中,把每个特征/>看成一只麻雀,依据麻雀种群的规律将特征分为探索者、跟踪者、侦察者;探索者模拟的是麻雀带头寻找食物,体现特征/>主动探索寻求更好的优化;跟踪者跟随探索者的步伐,体现特征/>向着其他优质特征的方向前进;侦察者判断周围是否存在危险,体现特征/>是否偏离优质特征的正确方向;
设为产量的实际值,将/>与多项式函数R构成残差函数ERR,残差函数ERR表示为:
(10),
分别对环境特征系数进行求导,使其导数为0,求出不同特征前对应的不同环境特征系数/>,最后通过把求得的各项环境特征系数/>带入到原多项式函数R中,求出一个显式多项式函数,继续代入生长环境特征数据/>之后,求出多项式函数R的结果,即为求出的脐橙产量。
整个预测模型通过将预处理的数据输入到GAN-HP网络中,能够判断脐橙生长环境是否正常,若得出的条件是正常的,那么可以继续经过SSA-PR算法预测脐橙的产量,通过将产量与专家库数据进行对比,由于专家库数据为若干组已测量的、具有代表性的真实数据,这些真实数据是若干条生长环境数据对应的理想产量,我们得出的产量有可能偏离专家库数据的真实数据,那么就可以通过将这个信息反馈到云端服务器,提示云端服务器通过代理节点通知好友节点然后通过低功耗节点自适应调节改进果园环境或者通过终端设备提示进行人为干预。若得出的生长环境是不正常的,那么直接会提示代理节点需要重新调节果园内部环境,在这个过程中可以做的操作有增加适度、改变温度等。
如图3所示,低功耗节点包括本地存储器Flash、第一集成微处理器、3.3V线性稳压单元、电池,本地存储器Flash通过SPI接口与第一集成微处理器相连接,电池的负极与第一集成微处理器、3.3V线性稳压单元的地相连接,电池的正极连接至3.3V线性稳压单元的Vin端口,线性稳压单元的Vout端口连接至第一集成微处理器Vin端口;3.3V线性稳压单元的Vin端口以及Vout端口通过电容C1和C2接地;第一集成微处理器集成有A类节点蓝牙射频天线,土壤全要素传感单元、光照&温湿度采集单元通过RS485总线与第一集成微处理器连接。
如图4所示,中继节点和好友节点包括第二&第三集成微处理器、电池、光伏板和电池充放电管理模块,电池的负极与第二&第三集成微处理器、电池充放电管理模块的地相连接,电池的正极连接至电池充放电管理模块的BVin端口,电池充放电管理模块的Vout端口连接至第二&第三集成微处理器的Vin端口;光伏板的正负极分别连接至电池充放电管理模块的LVin端口和GND;电池充放电管理模块的LVin端口以及Vout端口通过电容C3和C4接地;第二&第三集成微处理器集成B和C类节点蓝牙射频天线。
如图5所示,代理节点包括蓝牙射频单元、树莓派、电池、光伏板、电池充放电管理模块以及4G通信模块,电池的负极与树莓派、电池充放电管理模块、4G通信模块的地相连接,电池的正极连接至电池充放电管理模块的BVin端口,电池充放电管理模块的Vout端口连接至树莓派、4G通信模块的Vin端口;光伏板的正负极分别连接至电池充放电管理模块的LVin端口和GND;电池充放电管理模块的LVin端口以及Vout端口通过电容C5和C6接地;4G通信模块通过4G射频天线与云端服务器连接;蓝牙射频单元包括第一独立蓝牙模块、D类蓝牙射频天线,D类蓝牙射频天线与第一独立蓝牙模块连接,第一独立蓝牙模块与树莓派连接。
前述对本发明的具体示例性实施方案的描述是为了说明和例证的目的。这些描述并非想将本发明限定为所公开的精确形式,并且很显然,根据上述教导,可以进行很多改变和变化。对示例性实施例进行选择和描述的目的在于解释本发明的特定原理及其实际应用,从而使得本领域的技术人员能够实现并利用本发明的各种不同的示例性实施方案以及各种不同的选择和改变。本发明的范围意在由权利要求书及其等同形式所限定。
Claims (7)
1.一种基于蓝牙MESH网络的果园环境对产量的预测方法,其步骤为:
S01、布置代理节点以及与代理节点连接的中继节点,布置与中继节点连接的好友节点,以好友节点为中心布置低功耗节点,布置与低功耗节点连接的环境数据采集单元,中继节点之间相互连接,布置与代理节点连接的云端服务器,布置与云端服务器连接的终端设备;代理节点具备独立式蓝牙MESH、树莓派、4G网络通信模块,中继节点、好友节点、低功耗节点具备集成式蓝牙MESH;
S02、低功耗节点将采集的果园生长环境特征数据预存在本地存储器中,并在间隔一段时间后进行数据预处理,提取出最大值、最小值、平均值和方差;
S03、低功耗节点将预处理后的数据通过好友节点、中继节点发送至树莓派中,树莓派将预处理后的数据存储后通过4G网络通信模块发送至云端服务器供终端设备查看,并通过4G网络通信模块接收云端服务器下发预设的SSA-PR算法,以本地存储的数据作为依据,采用本地存储数据中的脐橙历史数据,基于预设的SSA-PR算法,并以GAN-HP网络模型作为辅助对果园脐橙产量进行预测,并将结果返回至云端服务器;
预设的SSA-PR算法中,多项式函数R表示为:
其中ai为环境特征系数,表示脐橙的第j个生长环境特征下的第i条数据(j=1,2,3……);
设为产量的实际值,将/>与多项式函数R构成残差函数ERR,残差函数ERR表示为:
分别对环境特征系数ai进行求导,使其导数为0,求出不同特征前对应的不同环境特征系数ai,最后通过把求得的各项环境特征系数ai带入到原多项式函数R中,求出一个显式多项式函数,继续代入生长环境特征数据之后,求出多项式函数R的结果,即为求出的脐橙产量;
GAN-HP网络模型包括时间序列预测网络、GAN网络,其中时间序列预测网络包括遗忘门、输入门、输出门,GAN网络包括生成器和鉴别器;时间序列预测网络通过遗忘门、输入门、输出门得到脐橙未来周期生长状态特征数据;生成器用于输入脐橙未来周期生长状态特征数据并随机产生若干组生长环境特征数据,鉴别器负责识别生成器产生的正常与异常的生长环境特征数据;云端服务器中包含专家库数据,专家库数据为若干组已测量的、具有代表性的真实数据,鉴别器通过识别专家库数据,将这些真实数据与生成器产生的生长环境特征数据进行对比,从而判断生成器产生数据的有效性与真实性。
2.根据权利要求1所述的一种基于蓝牙MESH网络的果园环境对产量的预测方法,其特征在于:环境数据采集单元包括土壤全要素传感单元、光照&温湿度采集单元,其中土壤全要素传感单元采集土壤温湿度、土壤Ph值、土壤氮磷钾、土壤电导率,光照和温湿度采集单元采集光照强度、空气温湿度。
3.根据权利要求1所述的一种基于蓝牙MESH网络的果园环境对产量的预测方法,其特征在于:步骤S02中数据预处理的过程为:根据精确测量几颗脐橙的生长环境特征,进行加权、取平均值得出一个误差阈值θ,通过设置一个多项式误差函数值 表示脐橙的第j个生长环境特征下的第i条数据(j=1,2,3……),由/>计算不同脐橙的误差函数值Yi;基于预设的筛选机制通过比较误差阈值θ和不同脐橙的误差函数值Yi的值进行数据过滤处理,其中预设的筛选机制可表示为:
Q={Yi|Yi<θ} (1);
其中Q表示选出的脐橙生长环境特征集合,当误差结果小于误差阈值时,Yi将会被收集到集合Q中;
由于多个生长环境特征的数据处于不同的数量范围,因此对过滤处理后的生长环境特征的数据进行归一化处理,数据归一化可表示为:
其中表示脐橙的第j个生长环境特征下的第i条数据的最大值,/>表示脐橙第j个生长环境特征下的第i条数据的最小值,/>表示脐橙第j个生长环境特征下的第i条数据的平均值;/>表示进行归一化处理后的生长环境特征数据。
4.根据权利要求3所述的一种基于蓝牙MESH网络的果园环境对产量的预测方法,其特征在于:步骤S03中,将预处理后的数据嵌入到GAN-HP模型中,通过生成器与鉴别器推断预处理后的数据是否处于脐橙生长环境特征数据的正常范围;如果预处理后的数据存在异常,其数值偏离脐橙生长环境特征数据的正常范围,则通过代理节点向云端服务器发送预警提示,云端服务器向代理节点发出警报,代理节点再向各个好友节点发出通知,从而使各个低功耗节点自发地通过浇水、增加湿度等方法调整果园环境,同时云端服务器也会发送信息给终端设备,结合人工干预或者代理节点自适应提高果园环境的稳定性;如果预处理后的数据处于脐橙生长环境特征数据的正常数值范围内,但是数据离散程度高,分布不均匀,这说明该数据不符合样本数据要求,需要重新采集或者需要检查低功耗节点传感器是否异常,是否有突发干扰信号影响;如果预处理后的数据处于脐橙生长环境特征数据的正常数值范围内,且数据分布均匀,符合样本数据要求,则该生长环境特征数据可以嵌入预设的SSA-PR算法中,通过求导得出SSA-PR算法中多项式的系数,最后预测脐橙的产量。
5.根据权利要求4所述的一种基于蓝牙MESH网络的果园环境对产量的预测方法,其特征在于:将选出的脐橙生长环境特征集合Q中Yi对应的分别输入到时间序列预测网络中,经过Sigmoid函数变换得到一个处于[0,1]区间的遗忘门向量ft,遗忘门向量ft表示筛选出来的脐橙生长环境特征数据,遗忘门向量ft的表达式可以表示为:
其中ht表示历年脐橙生长环境特征,为ht与/>拼接成的矩阵,Wt为随机设定遗忘门权重矩阵,bt为遗忘门的误差偏置值。
6.根据权利要求5所述的一种基于蓝牙MESH网络的果园环境对产量的预测方法,其特征在于:将遗忘门向量ft输入到时间序列预测网络的输入门中,经过Sigmoid函数变换得到一个处于[0,1]区间的输入门向量gt,输入门向量gt表示可当成输入功能的脐橙生长环境数据特征,输入门向量gt的表达式可以表示为:
其中Wi为随机设置输入门权重矩阵,bc为输入门的误差偏置值;
在输入门中,将遗忘门向量ft经过tanh函数变换得到脐橙生长条件的输出值growth,输出值growth的表达式可以表示为:
其中Wc为随机设置输出权重矩阵,bk为输出结果误差的偏置值,输出值growth一共包含“1”和“0”两种结果,“1”代表生长状况正常,“0”表示生长状况异常;
时间序列预测网络中包含了若干个相同的神经元结构,从第一个神经元迭代到最后一个神经元计算出预测的状态,时间序列预测网络中当前神经元预测的状态为std,当前神经元预测的状态std可表示为:
std=ft×Ct-1+gt×growth (6),
Ct-1为时间序列预测网络中上一个神经元计算出的单元状态。
7.根据权利要求6所述的一种基于蓝牙MESH网络的果园环境对产量的预测方法,其特征在于:将输入门向量gt输入到时间序列预测网络的输出门中,经过Sigmoid函数变换得到一个处于[0,1]区间的输出门向量Ot,输出门向量Ot表示所预测的脐橙生长环境特征向量,输出门向量Ot的表达式可以表示为:
其中W0为随机设置输出门权重矩阵,b0为输出门误差偏置值;
将输入门中当前神经元预测的状态std与输出门向量Ot相乘得到脐橙未来周期生长状态特征向量fact,脐橙未来周期生长状态特征向量fact的表达式可以表示为:
fact=std×Ot (8)。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310277019.XA CN116307190B (zh) | 2023-03-21 | 2023-03-21 | 一种基于蓝牙mesh网络的果园环境对产量的预测方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310277019.XA CN116307190B (zh) | 2023-03-21 | 2023-03-21 | 一种基于蓝牙mesh网络的果园环境对产量的预测方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN116307190A CN116307190A (zh) | 2023-06-23 |
CN116307190B true CN116307190B (zh) | 2024-03-26 |
Family
ID=86788358
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202310277019.XA Active CN116307190B (zh) | 2023-03-21 | 2023-03-21 | 一种基于蓝牙mesh网络的果园环境对产量的预测方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN116307190B (zh) |
Families Citing this family (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117216489B (zh) * | 2023-11-07 | 2024-01-26 | 山东正为新材料科技有限公司 | 一种基于互联网的防水涂料质检分析方法及系统 |
Citations (10)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109145032A (zh) * | 2018-08-27 | 2019-01-04 | 北京奥金达农业科技发展有限公司 | 一种蜜蜂养殖智能监测方法与系统 |
JP2020113117A (ja) * | 2019-01-15 | 2020-07-27 | 国立大学法人大阪大学 | 集団環境評価方法ならびに集団環境評価システム |
CN112115984A (zh) * | 2020-08-28 | 2020-12-22 | 安徽农业大学 | 基于深度学习的茶园异常数据校正方法、系统和存储介质 |
CN112765257A (zh) * | 2020-12-31 | 2021-05-07 | 浙江大学 | 一种基于时序序列预测温度的环境采集系统设计的方法 |
CN113259916A (zh) * | 2020-02-12 | 2021-08-13 | 阿里巴巴集团控股有限公司 | 一种基于蓝牙网络的通信方法、及其节点和通信系统 |
CN113473427A (zh) * | 2021-06-11 | 2021-10-01 | 苏州集萃智造大数据科技有限公司 | 一种基于邻居信息的蓝牙Mesh网络泛洪冗余优化方法 |
WO2021232655A1 (zh) * | 2020-05-20 | 2021-11-25 | 国网河北省电力有限公司电力科学研究院 | 一种基于振动特征的高压并联电抗器机械状态评估方法 |
KR20220022060A (ko) * | 2020-08-16 | 2022-02-24 | 이프렌드 주식회사 | 블루투스 5.0기반 센서와 제어장치를 포함하는 클라우드 공유작물관리 시스템 |
CN114900829A (zh) * | 2022-05-13 | 2022-08-12 | 杭州知物数据科技有限公司 | 一种基于蓝牙mesh网络的工厂设备健康检测系统及方法 |
JP7175415B1 (ja) * | 2021-06-15 | 2022-11-18 | 哈爾濱工程大学 | Steof-lstmに基づく海洋環境要素予測方法 |
-
2023
- 2023-03-21 CN CN202310277019.XA patent/CN116307190B/zh active Active
Patent Citations (10)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109145032A (zh) * | 2018-08-27 | 2019-01-04 | 北京奥金达农业科技发展有限公司 | 一种蜜蜂养殖智能监测方法与系统 |
JP2020113117A (ja) * | 2019-01-15 | 2020-07-27 | 国立大学法人大阪大学 | 集団環境評価方法ならびに集団環境評価システム |
CN113259916A (zh) * | 2020-02-12 | 2021-08-13 | 阿里巴巴集团控股有限公司 | 一种基于蓝牙网络的通信方法、及其节点和通信系统 |
WO2021232655A1 (zh) * | 2020-05-20 | 2021-11-25 | 国网河北省电力有限公司电力科学研究院 | 一种基于振动特征的高压并联电抗器机械状态评估方法 |
KR20220022060A (ko) * | 2020-08-16 | 2022-02-24 | 이프렌드 주식회사 | 블루투스 5.0기반 센서와 제어장치를 포함하는 클라우드 공유작물관리 시스템 |
CN112115984A (zh) * | 2020-08-28 | 2020-12-22 | 安徽农业大学 | 基于深度学习的茶园异常数据校正方法、系统和存储介质 |
CN112765257A (zh) * | 2020-12-31 | 2021-05-07 | 浙江大学 | 一种基于时序序列预测温度的环境采集系统设计的方法 |
CN113473427A (zh) * | 2021-06-11 | 2021-10-01 | 苏州集萃智造大数据科技有限公司 | 一种基于邻居信息的蓝牙Mesh网络泛洪冗余优化方法 |
JP7175415B1 (ja) * | 2021-06-15 | 2022-11-18 | 哈爾濱工程大学 | Steof-lstmに基づく海洋環境要素予測方法 |
CN114900829A (zh) * | 2022-05-13 | 2022-08-12 | 杭州知物数据科技有限公司 | 一种基于蓝牙mesh网络的工厂设备健康检测系统及方法 |
Non-Patent Citations (4)
Title |
---|
Michael Abner.《Battery lifespan enhancement strategies for edge computing-enabled wireless bluetooth mesh sensor network for structural health monitoring》.2022,第1-19页. * |
李东昌.《基于Mesh网络的车辆参数实时存储装置设计与研究》.2023,第1-87页. * |
贾朋松.《基于蓝牙Mesh 网络的智慧农业大棚监控系统》.2022,第16-23页. * |
邓芳.《基于哈希学习的跨模态检索方法研究》.2023,第1-56页. * |
Also Published As
Publication number | Publication date |
---|---|
CN116307190A (zh) | 2023-06-23 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Angin et al. | Agrilora: a digital twin framework for smart agriculture. | |
US11741555B2 (en) | Crop yield estimation method based on deep temporal and spatial feature combined learning | |
CN107085732B (zh) | 基于无线传感器网络的牛舍环境氨气智能监测系统 | |
CN105959987B (zh) | 一种提高无线传感器网络能量利用率和服务性能的数据融合算法 | |
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 | |
CN116307190B (zh) | 一种基于蓝牙mesh网络的果园环境对产量的预测方法 | |
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 | |
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 | |
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 | |
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 | |
CN111417178B (zh) | 基于机器学习与边缘计算的工业互联网节能系统及方法 | |
CN110119169B (zh) | 一种基于最小向量机的番茄温室温度智能预警系统 | |
CN106912067B (zh) | 一种基于模糊神经网络的wsn无线通信模块故障诊断方法 | |
CN116824380B (zh) | 一种智慧农业云平台监控系统 | |
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 | |
Sharma et al. | IoFT-FIS: Internet of farm things based prediction for crop pest infestation using optimized fuzzy inference system | |
CN116545954B (zh) | 基于物联网的通信网关数据传输方法及系统 | |
CN110147825B (zh) | 一种基于经验模态分解模型的草莓温室温度智能检测装置 | |
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 | |
Stamenković et al. | Advanced wireless sensor nodes and networks for agricultural applications | |
CN115713162A (zh) | 一种分布式低碳能源站健康状态预警预测方法 | |
CN110119165B (zh) | 一种水产养殖池塘溶解氧检测装置 | |
CN110097473A (zh) | 一种农作物生命全周期的数据采集方法、装置及设备 | |
Akilan et al. | Automated weather forecasting and field monitoring using GRU-CNN model along with IoT to support precision agriculture |
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 |