CN117236650A - 基于深度学习的智慧流体动态调节方法 - Google Patents
基于深度学习的智慧流体动态调节方法 Download PDFInfo
- Publication number
- CN117236650A CN117236650A CN202311498136.5A CN202311498136A CN117236650A CN 117236650 A CN117236650 A CN 117236650A CN 202311498136 A CN202311498136 A CN 202311498136A CN 117236650 A CN117236650 A CN 117236650A
- Authority
- CN
- China
- Prior art keywords
- fluid dynamic
- deep learning
- crop
- dynamic adjustment
- intelligent
- 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
- 239000012530 fluid Substances 0.000 title claims abstract description 73
- 238000000034 method Methods 0.000 title claims abstract description 40
- 238000013135 deep learning Methods 0.000 title claims abstract description 24
- 239000011159 matrix material Substances 0.000 claims abstract description 40
- 239000002689 soil Substances 0.000 claims abstract description 27
- 238000005457 optimization Methods 0.000 claims abstract description 22
- 230000007613 environmental effect Effects 0.000 claims abstract description 21
- 238000005516 engineering process Methods 0.000 claims abstract description 19
- 238000004422 calculation algorithm Methods 0.000 claims abstract description 16
- 238000000354 decomposition reaction Methods 0.000 claims abstract description 16
- 238000005312 nonlinear dynamic Methods 0.000 claims abstract description 15
- 230000003993 interaction Effects 0.000 claims abstract description 5
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 claims description 44
- 239000003337 fertilizer Substances 0.000 claims description 40
- 230000006870 function Effects 0.000 claims description 23
- 238000011217 control strategy Methods 0.000 claims description 14
- 230000000694 effects Effects 0.000 claims description 11
- 238000006243 chemical reaction Methods 0.000 claims description 6
- 238000011156 evaluation Methods 0.000 claims description 5
- 238000002910 structure generation Methods 0.000 claims description 4
- 238000004458 analytical method Methods 0.000 claims description 3
- 238000011478 gradient descent method Methods 0.000 claims description 3
- 238000010606 normalization Methods 0.000 claims description 3
- 238000012271 agricultural production Methods 0.000 abstract description 18
- 239000002699 waste material Substances 0.000 abstract description 12
- 238000012544 monitoring process Methods 0.000 abstract description 6
- 238000011161 development Methods 0.000 description 9
- 230000008901 benefit Effects 0.000 description 7
- 230000008569 process Effects 0.000 description 6
- 238000003860 storage Methods 0.000 description 6
- 238000010586 diagram Methods 0.000 description 5
- 238000004590 computer program Methods 0.000 description 4
- 238000012986 modification Methods 0.000 description 4
- 230000004048 modification Effects 0.000 description 4
- 238000012545 processing Methods 0.000 description 4
- 230000001105 regulatory effect Effects 0.000 description 4
- 239000000126 substance Substances 0.000 description 4
- 239000013598 vector Substances 0.000 description 3
- 230000004075 alteration Effects 0.000 description 2
- 238000004364 calculation method Methods 0.000 description 2
- 235000015097 nutrients Nutrition 0.000 description 2
- 239000002028 Biomass Substances 0.000 description 1
- 230000004913 activation Effects 0.000 description 1
- 238000013473 artificial intelligence Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000008859 change Effects 0.000 description 1
- 230000001276 controlling effect Effects 0.000 description 1
- 238000005265 energy consumption Methods 0.000 description 1
- 238000003912 environmental pollution Methods 0.000 description 1
- 210000003608 fece Anatomy 0.000 description 1
- 230000004720 fertilization Effects 0.000 description 1
- 230000005484 gravity Effects 0.000 description 1
- 230000010354 integration Effects 0.000 description 1
- 238000011835 investigation Methods 0.000 description 1
- 238000003973 irrigation Methods 0.000 description 1
- 230000002262 irrigation Effects 0.000 description 1
- 239000003621 irrigation water Substances 0.000 description 1
- 239000007788 liquid Substances 0.000 description 1
- 239000010871 livestock manure Substances 0.000 description 1
- 238000012423 maintenance Methods 0.000 description 1
- 238000004519 manufacturing process Methods 0.000 description 1
- 230000001737 promoting effect Effects 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 230000007704 transition Effects 0.000 description 1
- 238000012795 verification Methods 0.000 description 1
Landscapes
- Fertilizers (AREA)
Abstract
本发明涉及智能调控领域，尤其涉及基于深度学习的智慧流体动态调节方法。包括：首先，在智慧流体动态调节环境中，基于土壤‑作物矩阵分解模型，引入时空矩阵因子分解技术，基于土壤湿度、作物类型和时间的交互作用，引入深度学习算法；然后，在智慧流体动态调节框架下，引入拓扑优化和非线性动态系统理论。解决了现有技术在智慧流体动态调节方面通常缺乏精细化的调控能力，很难实时准确地根据作物的生长状态和环境条件调整流体供给，导致流体供给不均衡，影响作物的生长质量和产量的问题；以及由于缺乏精确的控制和监测手段，往往造成流体资源的浪费，资源利用效率低，不仅增加了农业生产的成本，也对环境造成了负担的问题。
Description
技术领域
本发明涉及智能调控领域，尤其涉及基于深度学习的智慧流体动态调节方法。
背景技术
在近几十年的农业发展历程中，水肥一体化管理技术逐渐成为了提升作物生产效率、节约水资源和降低农业生产成本的关键技术。随着物联网、人工智能和大数据技术的不断发展，农业生产正经历着从传统方法向智能化、精细化管理的转变。其中，智慧流体动态调节作为一种新兴的管理理念和技术，已经显示出巨大的应用潜力。
智慧流体动态调节是指利用先进的信息技术和智能设备，对农田中的水分和养分进行实时监测，并根据作物的生长需求，动态调整水肥供给的过程。这不仅能够确保作物获得最适宜的生长环境，还能最大限度地节约水资源和减少肥料使用，从而提高农业生产的整体效率和可持续性。
我国专利申请号：CN202210866399.6，公开日：2022.09.23，公开了一种智慧农业云平台水肥控制系统，包括：数据采集单元、存储单元、控制单元、显示单元和储水单元；数据采集单元与存储单元连接，数据采集单元用于采集管理区内的土壤信息和作物信息；控制单元还与储水单元连接，控制单元用于基于土壤信息和作物信息发出控制指令；存储单元还与控制单元连接，存储单元用于存储土壤信息、作物信息和控制指令；显示单元与数据采集单元、控制单元连接，显示单元用于显示土壤信息、作物信息和控制指令；储水单元用于存储灌溉用水。该申请能够在满足不同作物不同生长阶段对水肥需求的同时，精准把控水肥用量，达到节约用水，合理施肥的效果。
但上述技术至少存在如下技术问题：现有技术在智慧流体动态调节方面通常缺乏精细化的调控能力，很难实时准确地根据作物的生长状态和环境条件调整流体供给，导致流体供给不均衡，影响作物的生长质量和产量；由于缺乏精确的控制和监测手段，现有技术往往造成流体资源的浪费，资源利用效率低，不仅增加了农业生产的成本，也对环境造成了负担。
发明内容
本申请实施例通过提供基于深度学习的智慧流体动态调节方法，解决了现有技术在智慧流体动态调节方面通常缺乏精细化的调控能力，很难实时准确地根据作物的生长状态和环境条件调整流体供给，导致流体供给不均衡，影响作物的生长质量和产量；由于缺乏精确的控制和监测手段，现有技术往往造成流体资源的浪费，资源利用效率低，不仅增加了农业生产的成本，也对环境造成了负担。实现了提高流体利用效率，促进作物生长，降低运行成本，还展现了强大的环境适应性和自我优化能力。
本申请提供了基于深度学习的智慧流体动态调节方法，具体包括以下技术方案：
基于深度学习的智慧流体动态调节方法，包括以下步骤：
S100：在智慧流体动态调节环境中，基于土壤-作物矩阵分解模型，引入时空矩阵因子分解技术，基于土壤湿度、作物类型和时间的交互作用，引入深度学习算法；
S200：在智慧流体动态调节框架下，引入拓扑优化和非线性动态系统理论。
优选的，所述S100，具体包括：
引入土壤-作物矩阵分解模型，所述土壤-作物矩阵分解模型是三维时空矩阵，能够将土壤湿度、作物类型和时间因素融合在一起，进行综合分析。
优选的，所述S100，还包括：
所述土壤-作物矩阵分解模型的核心是时空矩阵因子分解技术，所述时空矩阵因子分解技术将时空数据矩阵分解为两个及以上低秩矩阵的乘积；土壤-作物矩阵分解模型还引入了时间衰减系数，以捕捉时间变化对作物水肥需求的影响。
优选的，所述S100，还包括：
定义损失函数，损失函数衡量了模型预测值与实际值之间的误差，并引入正则化项。
优选的，所述S100，还包括：
采用随机梯度下降法，通过迭代更新模型参数来逐渐减小损失函数的值；通过不断调整模型参数，最终得到能够预测作物水肥需求的模型。
优选的，所述S200，具体包括：
融合拓扑优化和非线性动态系统理论，动态调整控制策略，包括状态感知阶段、拓扑结构生成阶段、拓扑优化阶段、控制策略生成阶段、执行控制阶段、性能评估阶段、非线性动态调整阶段。
优选的，所述S200，还包括：
在所述拓扑结构生成阶段，将状态数据转化为拓扑结构；将环境状态抽象为拓扑结构；使用sigmoid函数进行转换并进行标准化处理，将原始状态数据压缩到(0,1)的范围内。
优选的，所述S200，还包括：
在所述拓扑优化阶段，对生成的拓扑结构进行优化处理，得到优化后的拓扑结构；在所述控制策略生成阶段，基于优化后的拓扑结构生成控制指令；在所述执行控制阶段，根据控制指令调整智慧泵房的工作状态。
优选的，所述S200，还包括：
在所述性能评估阶段，计算奖励函数。
优选的，所述S200，还包括：
所述非线性动态调整阶段，根据奖励函数的值，动态调整拓扑结构生成器和拓扑优化器的参数。
有益效果：
本申请实施例中提供的多个技术方案，至少具有如下技术效果或优点：
1、通过引入时空矩阵因子分解技术，结合土壤湿度、作物类型和时间等多个因素，本发明能够实现对流体需求的高精度预测，确保了流体的最优供给，满足了作物生长的各个阶段的特定需求，从而提高了作物的生长质量和产量；
2、本发明通过优化流体供给策略，显著提高了流体的利用效率，减少了流体的浪费，对于保护水资源、减少化肥使用带来了积极影响，有助于实现农业生产的可持续发展；
3、通过智能调节泵房的运行状态，本发明能够根据实际需求调整水泵和肥料泵的工作，避免了不必要的能源浪费，从而降低了运行成本；这不仅提升了农业生产的经济效益，也促进了环境友好型农业的发展；
4、通过非线性动态调整策略，本发明能够根据环境变化和系统性能实时调整参数，确保算法始终处于最优状态；这种自我优化的能力使得系统具有极强的环境适应性，能够在不同的土壤和气候条件下稳定运行，保持高效的水肥调控性能。
5、本申请的技术方案能够有效解决现有技术在智慧流体动态调节方面通常缺乏精细化的调控能力，很难实时准确地根据作物的生长状态和环境条件调整流体供给，导致流体供给不均衡，影响作物的生长质量和产量；由于缺乏精确的控制和监测手段，现有技术往往造成流体资源的浪费，资源利用效率低，不仅增加了农业生产的成本，也对环境造成了负担。能够提高流体利用效率，促进作物生长，降低运行成本，还展现了强大的环境适应性和自我优化能力。
附图说明
图1为本申请所述的基于深度学习的智慧流体动态调节方法流程图。
具体实施方式
本申请实施例通过提供基于深度学习的智慧流体动态调节方法，解决了现有技术在智慧流体动态调节方面通常缺乏精细化的调控能力，很难实时准确地根据作物的生长状态和环境条件调整流体供给，导致流体供给不均衡，影响作物的生长质量和产量；由于缺乏精确的控制和监测手段，现有技术往往造成流体资源的浪费，资源利用效率低，不仅增加了农业生产的成本，也对环境造成了负担。
本申请实施例中的技术方案为解决上述问题，总体思路如下：
通过引入时空矩阵因子分解技术，结合土壤湿度、作物类型和时间等多个因素，本发明能够实现对流体需求的高精度预测，确保了流体的最优供给，满足了作物生长的各个阶段的特定需求，从而提高了作物的生长质量和产量；本发明通过优化流体供给策略，显著提高了流体的利用效率，减少了流体的浪费，对于保护水资源、减少化肥使用带来了积极影响，有助于实现农业生产的可持续发展；通过智能调节泵房的运行状态，本发明能够根据实际需求调整水泵和肥料泵的工作，避免了不必要的能源浪费，从而降低了运行成本；这不仅提升了农业生产的经济效益，也促进了环境友好型农业的发展；通过非线性动态调整策略，本发明能够根据环境变化和系统性能实时调整参数，确保算法始终处于最优状态；这种自我优化的能力使得系统具有极强的环境适应性，能够在不同的土壤和气候条件下稳定运行，保持高效的水肥调控性能。
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。
参照附图1，本申请所述的基于深度学习的智慧流体动态调节方法，包括以下步骤：
S100：在智慧流体动态调节环境中，基于土壤-作物矩阵分解模型，引入时空矩阵因子分解技术，基于土壤湿度、作物类型和时间的交互作用，引入深度学习算法；
在基于农业生产的智慧流体动态调节的背景下，以水肥一体化动态调节为例，提出了一种水肥动态调节方法。所述水肥动态调节方法基于时空矩阵因子分解技术，通过精细化管理实现作物生长所需水分和养分的最优供给。充分考虑了土壤湿度、作物类型和时间等多个因素的复杂交互作用，通过引入先进的深度学习算法，实现对作物水分和肥料需求的高精度预测。
通过土壤湿度传感器实时监测田间土壤的湿度状况，作物类型数据库中存储了不同作物对水分和肥料的需求参数，根据预测算法的输出结果动态调整灌溉和施肥设备的工作状态。在预测算法中，引入了土壤-作物矩阵分解模型，该模型是一个三维时空矩阵，能够将土壤湿度、作物类型和时间因素融合在一起，进行综合分析。通过该模型，能够预测在特定时间、特定土壤湿度条件下，不同作物的水分和肥料需求。
土壤-作物矩阵分解模型的核心是时空矩阵因子分解技术，时空矩阵因子分解技术能够将复杂的时空数据矩阵分解为几个低秩矩阵的乘积，从而揭示隐藏在数据背后的潜在结构和规律。为了进一步提高预测的准确性，土壤-作物矩阵分解模型还引入了时间衰减系数，该系数能够捕捉时间变化对作物水肥需求的影响。
具体的，给定一个由土壤湿度、作物类型和时间构成的三维时空矩阵M，通过计算找到两组低秩矩阵U、V和P、Q，使得它们的乘积能够尽可能地逼近M，同时考虑时间衰减的影响，两组低秩矩阵U、V和P、Q用于表征土壤湿度和作物类型的潜在特征。具体公式为：
，
这里，表示时间衰减函数，它能够根据时间的推移对预测结果施加适当的衰减，以确保模型的输出能够反映时间变化的影响，/>表示时间，/>是矩阵的转置。
为了找到最优的矩阵分解结果，定义了一个损失函数L，损失函数衡量了模型预测值与实际值之间的误差，并引入了正则化项来防止过拟合：
，
其中，是时空矩阵/>中的一个元素，代表在时间/>，对于土壤湿度等级i和作物类型j，作物的水和肥料需求量；/>表示土壤湿度等级i对应的潜在特征向量，/>表示作物类型j对应的潜在特征向量，/>表示土壤湿度等级i的额外潜在特征向量，/>表示作物类型j的额外潜在特征向量，/>是正则化参数，用于平衡模型复杂度和拟合度，防止过拟合，/>是Frobenius范数，用于计算矩阵的大小。
为了最小化损失函数，采用了随机梯度下降法，通过迭代更新模型参数来逐渐减小损失函数的值。在每次迭代中，对U、V、P和Q进行更新：
，
，
，
，
其中，是学习率，用于控制优化算法在每次迭代中参数更新的步长。通过不断调整模型参数，最终得到能够准确预测作物水肥需求的模型。实现了对水肥供给的精细化管理，提高了农业生产效率，节约了资源，为实现农业的可持续发展贡献了力量。
S200：在智慧流体动态调节框架下，引入拓扑优化和非线性动态系统理论。
在基于农业生产的智慧流体动态调节的背景下，以提升智慧泵房的控制效能为例，提出了基于拓扑优化的水肥调控算法。所述水肥调控算法融合了拓扑优化和非线性动态系统理论，将泵房的运行状态和环境参数转化为拓扑结构，通过深入的优化处理，实现对控制策略的动态调整。
在状态感知阶段，利用一组高精度传感器，实时监测土壤湿度、肥料浓度/>、环境温度/>和湿度/>。可以确保算法能够准确响应环境变化至关重要，为后续的处理和决策奠定了基础。
在拓扑结构生成阶段，将感知到的状态数据转化为一个拓扑结构，转化公式为：
，
其中，代表状态数据向量，/>是转换参数，/>和/>分别代表状态数据的均值和标准差。拓扑结构转化过程的目的是将复杂多变的环境状态抽象为一个可以进行数学处理的拓扑结构，为后续的优化和决策提供便利。使用sigmoid函数进行转换并进行标准化处理可以将原始状态数据压缩到(0,1)的范围内，减小极端值的影响，使数据更加平滑。
在拓扑优化阶段，对生成的拓扑结构进行优化处理，得到优化后的拓扑结构/>。优化公式如下：
，
其中，是学习率，控制优化步长；/>是拓扑结构的梯度，指示优化方向；/>是动量参数，用于加速优化过程；/>是上一次拓扑结构的变化量；/>是二阶动量参数，用于调整优化过程中的曲率；/>是拓扑结构的黑塞矩阵，提供了关于优化曲面的二阶信息。引入动量项和二阶动量项的目的是为了加速收敛，并防止优化过程陷入局部最优。
在控制策略生成阶段，基于优化后的拓扑结构生成控制指令，/>是水泵调控指令，/>是肥料泵调控指令。控制指令生成公式如下：
，
其中，是权重矩阵，用于将拓扑结构转换为控制指令；/>是偏置向量，用于调整控制指令的基线水平。控制策略生成阶段将优化后的拓扑结构转化为可以直接应用于泵房控制的具体指令。使用归一化的tanh激活函数，确保输出的控制指令大小合理，同时保留了方向信息。
在执行控制阶段，根据计算出的控制指令调整水泵和肥料泵的工作状态，确保水和肥料的供应与作物需求相匹配，实现水肥一体化的智能调控。
在性能评估阶段，计算奖励函数C，用于评估当前控制策略的效果，为算法的自我优化提供依据。奖励函数公式如下：
，
其中，代表了作物的生长速率，是评价控制策略效果的直接指标；如果作物生长良好，说明水肥供给合理，环境条件得到了良好控制，反映出控制策略是成功的；生长速率可以通过测量作物的高度、叶面积或者生物量等指标来评估；/>反映了水肥资源的使用效率，高的资源使用效率意味着每单位资源投入能够带来更多的作物生长，这对于节约水资源、减少肥料使用和降低环境污染具有重要意义；这一项的计算可以基于作物生长量与消耗的水肥量的比值；/>代表了智慧泵房运行的成本，包括能源消耗、设备折旧、维护费用等。；/>、/>、/>是权重参数，分别代表生长速率、资源使用效率和运行成本在奖励函数中的比重。
在非线性动态调整阶段，根据奖励函数的值，动态调整拓扑结构生成器和拓扑优化器的参数，确保算法能够不断学习和适应环境变化。参数调整公式如下：
，
，
其中，和/>是调整后的参数，/>是调整率，用于控制参数调整的步长。从而实现了对智慧泵房的高效控制，极大地提高了水肥利用效率，促进了作物的健康生长，同时降低了运行成本。
综上所述，便完成了本申请所述的基于深度学习的智慧流体动态调节方法。
上述本申请实施例中的技术方案，至少具有如下的技术效果或优点：
1、通过引入时空矩阵因子分解技术，结合土壤湿度、作物类型和时间等多个因素，本发明能够实现对流体需求的高精度预测，确保了流体的最优供给，满足了作物生长的各个阶段的特定需求，从而提高了作物的生长质量和产量；
2、本发明通过优化流体供给策略，显著提高了流体的利用效率，减少了流体的浪费，对于保护水资源、减少化肥使用带来了积极影响，有助于实现农业生产的可持续发展；
3、通过智能调节泵房的运行状态，本发明能够根据实际需求调整水泵和肥料泵的工作，避免了不必要的能源浪费，从而降低了运行成本；这不仅提升了农业生产的经济效益，也促进了环境友好型农业的发展；
4、通过非线性动态调整策略，本发明能够根据环境变化和系统性能实时调整参数，确保算法始终处于最优状态；这种自我优化的能力使得系统具有极强的环境适应性，能够在不同的土壤和气候条件下稳定运行，保持高效的水肥调控性能。
效果调研：
本申请的技术方案能够有效解决现有技术在智慧流体动态调节方面通常缺乏精细化的调控能力，很难实时准确地根据作物的生长状态和环境条件调整流体供给，导致流体供给不均衡，影响作物的生长质量和产量；由于缺乏精确的控制和监测手段，现有技术往往造成流体资源的浪费，资源利用效率低，不仅增加了农业生产的成本，也对环境造成了负担。并且，上述系统或方法经过了一系列的效果调研，通过验证，最终能够提高流体利用效率，促进作物生长，降低运行成本，还展现了强大的环境适应性和自我优化能力。
本发明是参照根据本发明实施例的方法、设备（系统）、和计算机程序产品的流程图和／或方框图来描述的。应理解可由计算机程序指令实现流程图和／或方框图中的每一流程和／或方框、以及流程图和／或方框图中的流程和／或方框的结合。可提供这些计算机程序指令到通用计算机、专用计算机、嵌入式处理机或其他可编程数据处理设备的处理器以产生一个机器，使得通过计算机或其他可编程数据处理设备的处理器执行的指令产生用于实现在流程图一个流程或多个流程和／或方框图一个方框或多个方框中指定的功能的装置。
这些计算机程序指令也可装载到计算机或其他可编程数据处理设备上，使得在计算机或其他可编程设备上执行一系列操作步骤以产生计算机实现的处理，从而在计算机或其他可编程设备上执行的指令提供用于实现在流程图一个流程或多个流程和／或方框图一个方框或多个方框中指定的功能的步骤。
尽管已描述了本发明的优选实施例，但本领域内的技术人员一旦得知了基本创造性概念，则可对这些实施例作出另外的变更和修改。所以，所附权利要求意欲解释为包括优选实施例以及落入本发明范围的所有变更和修改。
显然，本领域的技术人员可以对本发明进行各种改动和变型而不脱离本发明的精神和范围。这样，倘若本发明的这些修改和变型属于本发明权利要求及其等同技术的范围之内，则本发明也意图包含这些改动和变型在内。
Claims (10)
1.基于深度学习的智慧流体动态调节方法，其特征在于，包括以下步骤：
S100：在智慧流体动态调节环境中，基于土壤-作物矩阵分解模型，引入时空矩阵因子分解技术，基于土壤湿度、作物类型和时间的交互作用，引入深度学习算法；
S200：在智慧流体动态调节框架下，引入拓扑优化和非线性动态系统理论。
2.根据权利要求1所述的基于深度学习的智慧流体动态调节方法，其特征在于，所述S100，具体包括：
引入土壤-作物矩阵分解模型，所述土壤-作物矩阵分解模型是三维时空矩阵，能够将土壤湿度、作物类型和时间因素融合在一起，进行综合分析。
3.根据权利要求2所述的基于深度学习的智慧流体动态调节方法，其特征在于，所述S100，还包括：
所述土壤-作物矩阵分解模型的核心是时空矩阵因子分解技术，所述时空矩阵因子分解技术将时空数据矩阵分解为两个及以上低秩矩阵的乘积；土壤-作物矩阵分解模型还引入了时间衰减系数，以捕捉时间变化对作物水肥需求的影响。
4.根据权利要求3所述的基于深度学习的智慧流体动态调节方法，其特征在于，所述S100，还包括：
定义损失函数，损失函数衡量了模型预测值与实际值之间的误差，并引入正则化项。
5.根据权利要求4所述的基于深度学习的智慧流体动态调节方法，其特征在于，所述S100，还包括：
采用随机梯度下降法，通过迭代更新模型参数来逐渐减小损失函数的值；通过不断调整模型参数，最终得到能够预测作物水肥需求的模型。
6.根据权利要求1所述的基于深度学习的智慧流体动态调节方法，其特征在于，所述S200，具体包括：
融合拓扑优化和非线性动态系统理论，动态调整控制策略，包括状态感知阶段、拓扑结构生成阶段、拓扑优化阶段、控制策略生成阶段、执行控制阶段、性能评估阶段、非线性动态调整阶段。
7.根据权利要求6所述的基于深度学习的智慧流体动态调节方法，其特征在于，所述S200，还包括：
在所述拓扑结构生成阶段，将状态数据转化为拓扑结构；将环境状态抽象为拓扑结构；使用sigmoid函数进行转换并进行标准化处理，将原始状态数据压缩到(0,1)的范围内。
8.根据权利要求7所述的基于深度学习的智慧流体动态调节方法，其特征在于，所述S200，还包括：
在所述拓扑优化阶段，对生成的拓扑结构进行优化处理，得到优化后的拓扑结构；在所述控制策略生成阶段，基于优化后的拓扑结构生成控制指令；在所述执行控制阶段，根据控制指令调整智慧泵房的工作状态。
9.根据权利要求8所述的基于深度学习的智慧流体动态调节方法，其特征在于，所述S200，还包括：
在所述性能评估阶段，计算奖励函数。
10.根据权利要求9所述的基于深度学习的智慧流体动态调节方法，其特征在于，所述S200，还包括：
所述非线性动态调整阶段，根据奖励函数的值，动态调整拓扑结构生成器和拓扑优化器的参数。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202311498136.5A CN117236650B (zh) | 2023-11-13 | 2023-11-13 | 一种水肥一体化智慧泵房控制方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202311498136.5A CN117236650B (zh) | 2023-11-13 | 2023-11-13 | 一种水肥一体化智慧泵房控制方法 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN117236650A true CN117236650A (zh) | 2023-12-15 |
| CN117236650B CN117236650B (zh) | 2024-03-01 |
Family
ID=89098630
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202311498136.5A Active CN117236650B (zh) | 2023-11-13 | 2023-11-13 | 一种水肥一体化智慧泵房控制方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN117236650B (zh) |
Cited By (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN118131834A (zh) * | 2024-03-12 | 2024-06-04 | 水利部牧区水利科学研究所 | 一种沙地微储水保湿装置及方法 |
Citations (6)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US20050187643A1 (en) * | 2004-02-19 | 2005-08-25 | Pavilion Technologies, Inc. | Parametric universal nonlinear dynamics approximator and use |
| US20160012088A1 (en) * | 2014-07-08 | 2016-01-14 | Palo Alto Research Center Incorporated | Parallel collective matrix factorization framework for big data |
| US20220004839A1 (en) * | 2020-07-02 | 2022-01-06 | Ahp-Tech Inc. | Artificial-intelligence decision-making core system with neural network |
| CN115146199A (zh) * | 2022-06-28 | 2022-10-04 | 华东师范大学 | 一种基于网络偏置的Web服务质量预测方法 |
| JP7312510B1 (ja) * | 2022-08-16 | 2023-07-21 | 之江実験室 | 腫瘍微小環境を考慮した全スライド病理画像分類システム及び構築方法 |
| CN117016151A (zh) * | 2023-09-08 | 2023-11-10 | 安徽皖信达网络科技有限公司 | 智慧农业水肥一体集成灌溉系统 |
-
2023
- 2023-11-13 CN CN202311498136.5A patent/CN117236650B/zh active Active
Patent Citations (6)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US20050187643A1 (en) * | 2004-02-19 | 2005-08-25 | Pavilion Technologies, Inc. | Parametric universal nonlinear dynamics approximator and use |
| US20160012088A1 (en) * | 2014-07-08 | 2016-01-14 | Palo Alto Research Center Incorporated | Parallel collective matrix factorization framework for big data |
| US20220004839A1 (en) * | 2020-07-02 | 2022-01-06 | Ahp-Tech Inc. | Artificial-intelligence decision-making core system with neural network |
| CN115146199A (zh) * | 2022-06-28 | 2022-10-04 | 华东师范大学 | 一种基于网络偏置的Web服务质量预测方法 |
| JP7312510B1 (ja) * | 2022-08-16 | 2023-07-21 | 之江実験室 | 腫瘍微小環境を考慮した全スライド病理画像分類システム及び構築方法 |
| CN117016151A (zh) * | 2023-09-08 | 2023-11-10 | 安徽皖信达网络科技有限公司 | 智慧农业水肥一体集成灌溉系统 |
Non-Patent Citations (1)
| Title |
|---|
| 张华军;赵金;王瑞;马坦;: "基于非线性共轭梯度的同时扰动随机逼近方法", 华中科技大学学报(自然科学版), no. 01, pages 90 - 92 * |
Cited By (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN118131834A (zh) * | 2024-03-12 | 2024-06-04 | 水利部牧区水利科学研究所 | 一种沙地微储水保湿装置及方法 |
| CN118131834B (zh) * | 2024-03-12 | 2024-10-01 | 水利部牧区水利科学研究所 | 一种沙地微储水保湿装置及方法 |
Also Published As
| Publication number | Publication date |
|---|---|
| CN117236650B (zh) | 2024-03-01 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN112614009B (zh) | 一种基于深度期望q-学习的电网能量管理方法及系统 | |
| US20220248616A1 (en) | Irrigation control with deep reinforcement learning and smart scheduling | |
| CN117236650B (zh) | 一种水肥一体化智慧泵房控制方法 | |
| CN115530054A (zh) | 灌溉控制方法、装置、电子设备及存储介质 | |
| CN109034495A (zh) | 基于边缘计算的电力负荷预测系统 | |
| CN108614422B (zh) | 陆基工厂循环水养殖中溶解氧优化控制方法、装置及系统 | |
| Priya et al. | An IoT based gradient descent approach for precision crop suggestion using MLP | |
| CN110463587A (zh) | 基于LoRa与GA-BP的规模化大棚节水灌溉系统 | |
| CN110163254A (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 | |
| 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 | |
| CN110119169A (zh) | 一种基于最小向量机的番茄温室温度智能预警系统 | |
| CN114365614A (zh) | 基于物联网的水肥精准调控方法、智能装备及系统 | |
| CN110119086A (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 | |
| CN117973644B (zh) | 一种考虑参考电站优化的分布式光伏功率虚拟采集方法 | |
| CN102156407A (zh) | 基于arm的嵌入式模型预测控制方法和装置 | |
| CN117634738B (zh) | 基于人工智能的物联网农业环保一体化平台 | |
| CN109116827A (zh) | 基于物联网的日光温室水肥一体化灌溉控制方法及装置 | |
| CN108122137A (zh) | 一种智能均衡农产品供需的方法及系统 | |
| CN117311422A (zh) | 一种农作物种植的大棚内部环境的调控方法及系统 | |
| CN108596779A (zh) | 一种融合向量机模型的嵌入式设施二氧化碳优化调控方法与系统 | |
| CN117081045A (zh) | 面向农业园区的源荷储协同调度方法、系统及相关装置 | |
| CN117375097A (zh) | 基于多代理协调控制策略与强化学习的光伏协调自治方法 | |
| Tripathy et al. | Smart farming based on deep learning approaches | |
| CN116957141A (zh) | 一种基于Transformer模型的智能灌溉预测方法及系统 | |
| Chen et al. | A water-saving irrigation decision-making model for greenhouse tomatoes based on genetic optimization TS fuzzy neural network |
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 |