CN117527149A - 一种农业物联网数据传输方法 - Google Patents
一种农业物联网数据传输方法 Download PDFInfo
- Publication number
- CN117527149A CN117527149A CN202311758211.7A CN202311758211A CN117527149A CN 117527149 A CN117527149 A CN 117527149A CN 202311758211 A CN202311758211 A CN 202311758211A CN 117527149 A CN117527149 A CN 117527149A
- Authority
- CN
- China
- Prior art keywords
- data
- transmission
- network state
- priority
- preset
- 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.)
- Pending
Links
- 230000005540 biological transmission Effects 0.000 title claims abstract description 129
- 238000000034 method Methods 0.000 title claims abstract description 42
- 238000012360 testing method Methods 0.000 claims abstract description 56
- 238000012544 monitoring process Methods 0.000 claims abstract description 14
- 238000004422 calculation algorithm Methods 0.000 claims description 16
- 238000012937 correction Methods 0.000 claims description 7
- 239000002689 soil Substances 0.000 claims description 7
- 230000002159 abnormal effect Effects 0.000 claims description 5
- 238000007906 compression Methods 0.000 claims description 5
- 230000006835 compression Effects 0.000 claims description 5
- 238000013144 data compression Methods 0.000 claims description 5
- 238000005286 illumination Methods 0.000 claims description 5
- 238000004458 analytical method Methods 0.000 claims description 3
- 230000006870 function Effects 0.000 description 11
- 238000012549 training Methods 0.000 description 8
- 230000004913 activation Effects 0.000 description 6
- 238000012271 agricultural production Methods 0.000 description 5
- 238000001514 detection method Methods 0.000 description 5
- 238000012545 processing Methods 0.000 description 5
- 238000003062 neural network model Methods 0.000 description 4
- 238000011156 evaluation Methods 0.000 description 3
- 238000005457 optimization Methods 0.000 description 3
- 238000011084 recovery Methods 0.000 description 3
- 238000013528 artificial neural network Methods 0.000 description 2
- 230000008901 benefit Effects 0.000 description 2
- 238000013524 data verification Methods 0.000 description 2
- 238000005516 engineering process Methods 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 238000010606 normalization Methods 0.000 description 2
- 238000007781 pre-processing Methods 0.000 description 2
- 238000002360 preparation method Methods 0.000 description 2
- 230000008569 process Effects 0.000 description 2
- ORILYTVJVMAKLC-UHFFFAOYSA-N Adamantane Natural products C1C(C2)CC3CC1CC2C3 ORILYTVJVMAKLC-UHFFFAOYSA-N 0.000 description 1
- 125000004122 cyclic group Chemical group 0.000 description 1
- 230000006837 decompression Effects 0.000 description 1
- 238000013135 deep learning Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 230000018109 developmental process Effects 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 238000005538 encapsulation Methods 0.000 description 1
- 230000008676 import Effects 0.000 description 1
- 238000007726 management method Methods 0.000 description 1
- 238000012821 model calculation Methods 0.000 description 1
- 238000013441 quality evaluation Methods 0.000 description 1
- 230000011218 segmentation Effects 0.000 description 1
- 230000035945 sensitivity Effects 0.000 description 1
- 238000000638 solvent extraction Methods 0.000 description 1
- 230000001960 triggered effect Effects 0.000 description 1
- 238000012795 verification Methods 0.000 description 1
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 description 1
Classifications
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04L—TRANSMISSION OF DIGITAL INFORMATION, e.g. TELEGRAPHIC COMMUNICATION
- H04L1/00—Arrangements for detecting or preventing errors in the information received
- H04L1/0001—Systems modifying transmission characteristics according to link quality, e.g. power backoff
- H04L1/0002—Systems modifying transmission characteristics according to link quality, e.g. power backoff by adapting the transmission rate
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/22—Matching criteria, e.g. proximity measures
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04L—TRANSMISSION OF DIGITAL INFORMATION, e.g. TELEGRAPHIC COMMUNICATION
- H04L1/00—Arrangements for detecting or preventing errors in the information received
- H04L1/004—Arrangements for detecting or preventing errors in the information received by using forward error control
- H04L1/0056—Systems characterized by the type of code used
- H04L1/0061—Error detection codes
-
- 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
-
- 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
- G16—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR SPECIFIC APPLICATION FIELDS
- G16Y—INFORMATION AND COMMUNICATION TECHNOLOGY SPECIALLY ADAPTED FOR THE INTERNET OF THINGS [IoT]
- G16Y10/00—Economic sectors
- G16Y10/05—Agriculture
-
- G—PHYSICS
- G16—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR SPECIFIC APPLICATION FIELDS
- G16Y—INFORMATION AND COMMUNICATION TECHNOLOGY SPECIALLY ADAPTED FOR THE INTERNET OF THINGS [IoT]
- G16Y20/00—Information sensed or collected by the things
- G16Y20/10—Information sensed or collected by the things relating to the environment, e.g. temperature; relating to location
Landscapes
- Engineering & Computer Science (AREA)
- Computer Networks & Wireless Communication (AREA)
- Signal Processing (AREA)
- Data Mining & Analysis (AREA)
- Theoretical Computer Science (AREA)
- Artificial Intelligence (AREA)
- Bioinformatics & Computational Biology (AREA)
- Medical Informatics (AREA)
- Computing Systems (AREA)
- Life Sciences & Earth Sciences (AREA)
- Health & Medical Sciences (AREA)
- Bioinformatics & Cheminformatics (AREA)
- General Health & Medical Sciences (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Evolutionary Biology (AREA)
- Evolutionary Computation (AREA)
- Physics & Mathematics (AREA)
- General Engineering & Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Quality & Reliability (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明公开了一种农业物联网数据传输方法,所述方法包括:通过预设的不同传感器采集待采集试验田中不同类型的传感数据;将所述传感数据划分为输入数据集以及测试数据集;将所述输入数据集输入到预建的数据预测模型中进行预测,得到预测数据;根据所述预测数据对所述测试数据集中的数据进行修订;监测当前传输信道的网络状态参数,并根据所述网络状态参数确定当前网络状态等级;根据所述当前网络状态等级在传输匹配库中匹配对应的优先级范围以及传输速率;将修订后的传感数据中预设的优先级在所述优先级范围内的数据以所述传输速率传输。本申请方案能够避免农业数据的传输出现错误或丢失,确保农业数据的准确传输。
Description
技术领域
本发明涉及数据处理领域,尤其涉及一种农业物联网数据传输方法。
背景技术
随着社会的发展和科技的进步,农业领域的现代化已成为当前世界各国关注的焦点之一。其中,农业物联网技术作为一项前沿的技术手段,已经被广泛运用于农业生产中,大大提高了农产品的种植和养殖效率。农业物联网通过感知节点和信息传输网络相结合,将农业生产中的各种关键数据进行实时监测和传输,为农民提供精确的农业管理决策依据,提高了农业生产的效益和稳定性。
但是现有的农业物联网数据传输方法,在传输过程中,由于网络延迟、信号干扰、数据丢失等因素的影响,使得农业数据的传输出现错误或丢失的情况,这给农民的决策带来了不可忽视的风险,严重影响了农业生产的效益和稳定性。
发明内容
为解决上述技术问题,本发明提供一种农业物联网数据传输方法,能够避免农业数据的传输出现错误或丢失,确保农业数据的准确传输。
本发明实施例提供一种农业物联网数据传输方法,所述方法包括:
通过预设的不同传感器采集待采集试验田中不同类型的传感数据;
将所述传感数据划分为输入数据集以及测试数据集;
将所述输入数据集输入到预建的数据预测模型中进行预测,得到预测数据;
根据所述预测数据对所述测试数据集中的数据进行修订;
监测当前传输信道的网络状态参数,并根据所述网络状态参数确定当前网络状态等级;
根据所述当前网络状态等级在传输匹配库中匹配对应的优先级范围以及传输速率;
将修订后的传感数据中预设的优先级在所述优先级范围内的数据以所述传输速率传输。
优选地,在根据所述预测数据对所述测试数据集中的数据进行修订后,所述方法还包括:
采用预设的数据压缩算法以预设的压缩比率对修订后的数据进行压缩。
作为一种优选方案,所述方法还包括:
监测所述网络状态参数中的传输延迟;
在所述传输延迟不低于预设传输阈值时,触发告警。
优选地,所述方法还包括:
接收到传输数据后,通过预设的校验算法对所述传输数据进行校验,计算接收到的数据的校验值;
将计算到的校验值与所述传输数据中校验值进行匹配;
当两个校验值不匹配时,输出数据完整性检查失败的反馈。
优选地,所述方法还包括:
接收到传输数据后,对传输数据进行解析,得到解析数据;
检测所述解析数据中的标识符或序列号;
通过解析出的标识符或序列号判断所述传输数据是否存在丢失。
优选地,所述方法还包括:
在判定所述传输数据存在丢失时,通过所述传输数据中配置的纠错码进行恢复。
作为一种优选方案,所述根据所述预测数据对所述测试数据集中的数据进行修订,包括:
计算所述预测数据与所述测试数据集中对应实际数据的差值;
当计算的差值小于预设阈值时,判定数据准确;
当计算的差值不小于所述预设阈值时,判定数据异常,采用所述预测数据修订所述测试数据集。
优选地,所述方法还包括:
通过将所述传感数据中不同数据划分为输入数据集,将其他数据划分为测试数据集;
根据每一输入数据集预测得到对应的预测数据;
通过每一输入数据集的预测数据对其对应的测试数据集进行修订,完成所述传感数据中所有数据的修订。
优选地,所述根据所述当前网络状态等级在传输匹配库中匹配对应的优先级范围以及传输速率,具体包括:
当所述当前网络状态等级处于第一等级时,匹配的优先级范围包括第一优先级、第二优先级及第三优先级,匹配的传输速率为预设的第一速率;
当所述当前网络状态等级处于第二等级时,匹配的优先级范围包括第一优先级与第二优先级,匹配的传输速率为预设的第二速率;
当所述当前网络状态等级处于第三等级时,匹配的优先级范围包括第一优先级,匹配的传输速率为预设的第三速率。
优选地,所述传感数据包括温度、湿度、光照强度以及土壤水分;
所述网络状态参数包括带宽利用率、丢包率以及传输延迟。
本发明提供的一种农业物联网数据传输方法,所述方法包括:通过预设的不同传感器采集待采集试验田中不同类型的传感数据;将所述传感数据划分为输入数据集以及测试数据集;将所述输入数据集输入到预建的数据预测模型中进行预测,得到预测数据;根据所述预测数据对所述测试数据集中的数据进行修订;监测当前传输信道的网络状态参数,并根据所述网络状态参数确定当前网络状态等级;根据所述当前网络状态等级在传输匹配库中匹配对应的优先级范围以及传输速率;将修订后的传感数据中预设的优先级在所述优先级范围内的数据以所述传输速率传输。本申请方案能够避免农业数据的传输出现错误或丢失,确保农业数据的准确传输。
附图说明
图1是本发明实施例提供的一种农业物联网数据传输方法的流程示意图。
具体实施方式
下面将结合本发明实施例中的附图,对本发明实施例中的技术方案进行清楚、完整地描述,显然,所描述的实施例仅仅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。
本发明实施例提供一种农业物联网数据传输方法,参见图1,是本发明实施例提供的一种农业物联网数据传输方法的流程示意图,所述方法步骤S1~S7:
S1,通过预设的不同传感器采集待采集试验田中不同类型的传感数据;
S2,将所述传感数据划分为输入数据集以及测试数据集;
S3,将所述输入数据集输入到预建的数据预测模型中进行预测,得到预测数据;
S4,根据所述预测数据对所述测试数据集中的数据进行修订;
S5,监测当前传输信道的网络状态参数,并根据所述网络状态参数确定当前网络状态等级;
S6,根据所述当前网络状态等级在传输匹配库中匹配对应的优先级范围以及传输速率;
S7,将修订后的传感数据中预设的优先级在所述优先级范围内的数据以所述传输速率传输。
在本实施例具体实施时,本实施例提供的传输方法由发送端执行,通过预先在待采集试验田中配置的传感器,获取不同类型的监测数据作为传感数据,传感数据中包括待采集试验田不同特性的检测数据。
对所述传感数据进行预处理,包括数据归一化以及去除异常值,提高数据精度。
对预处理后的传感数据分割为用于模型计算的输入数据集以及测试数据集;
将所述输入数据集输入到预建的数据预测模型中进行预测,得到预测数据;
其中,所述数据预测模型使用Python中的深度学习库,即自主优化后TensorFlow,AdTensorFlow搭建神经网络模型。选择根据农业数据需要优化后的神经网络结构,农业数据多层感知机(Ad Multilayer Perceptron),并设置适当的激活函数(AdReLU)和损失函数(Adloss)。
使用AdTensorFlow库,其中包括了农业数据准备、农业数据预处理、农业神经网络模型建立、模型训练、模型评估和预测等步骤。根据实际情况调整模型的结构和参数,得到测试数据集。实施步骤如下:
农业数据准备:编写函数来读取农业物联网数据集,并将其转换为适用于神经网络的格式。
def load_dataset():
读取农业物联网数据集;
dataset=...;
转换数据格式;
X=...;
y=...;
return X,y;
农业数据预处理:对农业数据进行预处理,包括归一化、分割为训练集和测试集等操作。
def preprocess_data(X,y);
归一化处理;
X_normalized=...;
分割为训练集和测试集;
X_train,X_test,y_train,y_test=...;
return X_train,X_test,y_train,y_test;
搭建农业神经网络模型:使用AdTensorFlow库搭建农业数据多层感知机模型(AsMultilayer Perceptron),设置适当的激活函数(AdReLU)和损失函数(Adloss)。
a.定义多层感知机(AMP)公式:
输入层->隐藏层1:Z1=X*W1+b1,A1=AdReLU(Z1);
隐藏层1->隐藏层2:Z2=A1*W2+b2,A2=AdReLU(Z2);
隐藏层n-1->输出层:Zn=An-1*Wn+bn,An=AdReLU(Zn);
b.损失函数(优化的损失函数):
loss=(1/m)*∑Adloss(y,y_hat);
其中m表示样本数量,y表示真实值,y_hat表示模型预测值。
c.参数更新算法公式:
根据损失函数对参数进行梯度下降更新:
W=W-learning_rate*dW;
b=b-learning_rate*db;
其中learning_rate表示学习率,dW和db表示损失函数对参数W和b的偏导数。;
d.激活函数(AdReLU):
AdReLU(x)=max(0,x)+alpha*min(0,x);
其中alpha表示负值部分的系数,用于强调对负值的敏感性。
公式封装后使用如下:
import AdTensorFlow as tf;
def build_model():
model=tf.Sequential([;
tf.Dense(64,activation='AdReLU'),
tf.Dense(64,activation='AdReLU'),
tf.Dense(1,activation='linear')
]);
model.compile(optimizer='adam',loss='Adloss');
return model;
训练模型:使用训练集对神经网络模型进行训练。
def train_model(model,X_train,y_train):
model.fit(X_train,y_train,epochs=100,batch_size=32);
模型评估:使用测试集评估训练好的模型的性能。
def evaluate_model(model,X_test,y_test):
loss=model.evaluate(X_test,y_test);
return loss;
预测数据:使用训练好的模型对新的数据进行预测。
def predict_data(model,X):
predictions=model.predict(X);
return predictions;
例如:在训练过程中,采集训练的数据,并将温度、湿度和光照强度作为输入数据集,将土壤水分作为预测数据集输入到模型中训练,得到数据预测模型。
根据所述预测数据对所述测试数据集中的数据进行修订,提高传感数据的精度。
监测当前传输信道的网络状态参数,并根据所述网络状态参数确定当前网络状态等级;
通过网络状态参数确定当前网络状态等级过程中,可对网络状态参数中不同参数设置不同的权值,将不同网络参数的权值进行求和,确定网络状态等级,网络状态等级用于衡量当前网络状态。
根据所述当前网络状态等级在传输匹配库中匹配对应的优先级范围以及传输速率;根据网络状态选择不同的传输策略。以提高数据传输的有效性和稳定性。
将修订后的传感数据中预设的优先级在所述优先级范围内的数据以所述传输速率传输至数据接收方。
本申请方案通过建立数据预测模型,并利用该模型对数据进行预测和修正,提高数据精度。结合网络自适应优化算法,根据网络状态不断调整数据传输策略,提高数据传输的有效性和稳定性,能够确保农业数据的准确传输,为农民提供稳定、准确的农业生产决策依据。
在本发明提供的又一实施例中,在所述步骤S4后,所述方法还包括:
采用预设的数据压缩算法以预设的压缩比率对修订后的数据进行压缩。
在本实施例具体实施时,使用gzip和zlib数据压缩算法对修正后的数据进行压缩,以减少传输量。对应的通过gzip和zlib数据压缩算法进行解压缩。
在进行压缩式,通过预设的压缩比率控制压缩后数据的密度。
在本发明提供的又一实施例中,所述方法还包括:
监测所述网络状态参数中的传输延迟;
在所述传输延迟不低于预设传输阈值时,触发告警。
在本实施例具体实施时,在进行数据传输时,可对传输数据进行质量评估,包括:数据准确性评估:通过与实际测量数据进行比对,计算预测数据与实际数据的偏差。数据时效性评估:计算数据的传输延迟,检测是否满足实时性要求。
根据数据质量的传输延迟的评估结果,对传输延迟进行实时监控,并设置阈值。如果传输延迟不低于阈值,触发告警。
通过传输延迟检测,在传输质量太差时,输出报警,避免数据丢失。
在本发明提供的又一实施例中,所述方法还包括:
接收到传输数据后,通过预设的校验算法对所述传输数据进行校验,计算接收到的数据的校验值;
将计算到的校验值与所述传输数据中校验值进行匹配;
当两个校验值不匹配时,输出数据完整性检查失败的反馈。
在本实施例具体实施时,数据接收端在接收到数据后进行数据校验,使用循环冗余校验(CRC)算法或海明码等校验算法,对接收到的数据进行检验。
使用crcmod库创建了一个CRC校验算法对象,并根据传输数据的特点进行了配置。然后,在数据校验函数`validate_data`中,计算接收到的数据值的CRC校验值,并与解析数据中的简言之进行比较。如果校验值不匹配,表示数据完整性检查失败。
在接收到传输的数据后,进行数据校验,以确保数据的完整性和一致性。
在本发明提供的又一实施例中,所述方法还包括:
接收到传输数据后,对传输数据进行解析,得到解析数据;
检测所述解析数据中的标识符或序列号;
通过解析出的标识符或序列号判断所述传输数据是否存在丢失。
在本实施例具体实施时,在接收到数据后,进行数据丢失检测。可以通过解析数据中的序列号或其他标识符,检测是否有数据丢失。
具体通过解析数据中的序列号或标识符;
监测序列号或标识符是否连续;
在序列号或标识符不连续时,判定数据丢失。将存在丢失的数据记录到lost_data列表中。
通过序列号或标识符的检测,能够准确识别丢失数据的位置。
在本发明提供的又一实施例中,所述方法还包括:
在判定所述传输数据存在丢失时,通过所述传输数据中配置的纠错码进行恢复。
在本实施例具体实施时,对于被标记为丢失的数据,数据接收端可以进行错误恢复处理。可以采用差错检测和纠正码(如Reed-Solomon码)等算法来恢复丢失的数据。
具体地,可以根据丢失的数据的位置和相邻数据的信息,进行差错纠正和数据恢复,以实现准确的数据接收。
即使用reedsolo库的RSCodec类创建了一个Reed-Solomon码对象。通过decode方法对丢失的数据进行纠错处理,尝试恢复原始数据。错误恢复处理算法,即可对标记为丢失的数据进行纠错处理,尝试恢复丢失的数据。可以提高数据传输的可靠性和完整性。
在本发明提供的又一实施例中,所述根据所述预测数据对所述测试数据集中的数据进行修订,包括:
计算所述预测数据与所述测试数据集中对应实际数据的差值;
当计算的差值小于预设阈值时,判定数据准确;
当计算的差值不小于所述预设阈值时,判定数据异常,采用所述预测数据修订所述测试数据集。
在本实施例具体实施时,通过计算所述预测数据与所述测试数据集中对应实际数据的差值;
通过threshold来判断预测结果与实际数据之间差异的阈值,当计算的差值小于预设阈值时,判定数据准确。
当计算的差值不小于所述预设阈值时,判定数据异常,采用所述预测数据修订所述测试数据集,即采用预测数据替代测试数据集中对应的数据。
在本发明提供的又一实施例中,所述方法还包括:
通过将所述传感数据中不同数据划分为输入数据集,将其他数据划分为测试数据集;
根据每一输入数据集预测得到对应的预测数据;
通过每一输入数据集的预测数据对其对应的测试数据集进行修订,完成所述传感数据中所有数据的修订。
在本实施例具体实施时,通过划分的输入数据集以及测试数据集,采用所述数据预测模型进行预测,能够对测试数据集进行修订。例如:将温度、湿度和光照强度作为输入数据集,将土壤水分作为预测数据集,能够对土壤水分进行修订。
在另一实施例中,可通过将所述传感数据中不同数据划分为输入数据集,将其他数据划分为测试数据集;根据每一输入数据集采用对应的数据预测模型进行预测得到对应的预测数据;通过每一输入数据集的预测数据对其对应的测试数据集进行修订,完成所述传感数据中所有数据的修订。
将每一类型的数据分别作为测试数据集,其他数据作为输入数据集进行预测。这样做可以实现不同类型的数据修订,以提高整体数据传输准确性。
在本发明提供的又一实施例中,所述步骤S6具体包括:
当所述当前网络状态等级处于第一等级时,匹配的优先级范围包括第一优先级、第二优先级及第三优先级,匹配的传输速率为预设的第一速率;
当所述当前网络状态等级处于第二等级时,匹配的优先级范围包括第一优先级与第二优先级,匹配的传输速率为预设的第二速率;
当所述当前网络状态等级处于第三等级时,匹配的优先级范围包括第一优先级,匹配的传输速率为预设的第三速率。
在本实施例具体实施时,不同网络状态等级匹配不同的优先级范围以及不同的传输速率。
当所述当前网络状态等级处于第一等级时,即当网络状况良好时,传输的优先级范围包括优先级为1、2和3的传感器数据,例如包括分别设为第一优先级的温度、第二优先级的湿度以及第三优先级的土壤水分,传输速率为5M/s。
当所述当前网络状态等级处于第二等级时,即当网络状况一般时,传输的优先级范围包括优先级为1和2的传感器数据,例如包括分别设为第一优先级的温度以及第二优先级的湿度,传输速率为3M/s。
当所述当前网络状态等级处于第三等级时,即当网络状况较差时,传输的优先级范围包括优先级为1的传感器数据,例如包括分别设为第一优先级的温度,传输速率为1M/s。
通过自适应优化算法,实时调整数据传输策略,提高数据传输的有效性和稳定性。
在本发明提供的又一实施例中,所述传感数据包括温度、湿度、光照强度以及土壤水分;
所述网络状态参数包括带宽利用率、丢包率以及传输延迟。
在本实施例具体实施时,通过部署的温度传感器、湿度传感器、光强传感器以及含水量传感器分别获取突然的不同数据,实现对农作物生长环境的监测。
使用网络测速工具或专业监测工具实时获取网络状况数据,包括带宽利用率、丢包率以及传输延迟,动态调整数据传输策略,以提高数据传输的有效性和稳定性。
以上所述是本发明的优选实施方式,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 (10)
1.一种农业物联网数据传输方法,其特征在于,所述方法包括:
通过预设的不同传感器采集待采集试验田中不同类型的传感数据;
将所述传感数据划分为输入数据集以及测试数据集;
将所述输入数据集输入到预建的数据预测模型中进行预测,得到预测数据;
根据所述预测数据对所述测试数据集中的数据进行修订;
监测当前传输信道的网络状态参数,并根据所述网络状态参数确定当前网络状态等级;
根据所述当前网络状态等级在传输匹配库中匹配对应的优先级范围以及传输速率;
将修订后的传感数据中预设的优先级在所述优先级范围内的数据以所述传输速率传输。
2.如权利要求1所述的农业物联网数据传输方法,其特征在于,在根据所述预测数据对所述测试数据集中的数据进行修订后,所述方法还包括:
采用预设的数据压缩算法以预设的压缩比率对修订后的数据进行压缩。
3.如权利要求1所述的农业物联网数据传输方法,其特征在于,所述方法还包括:
监测所述网络状态参数中的传输延迟;
在所述传输延迟不低于预设传输阈值时,触发告警。
4.如权利要求1所述的农业物联网数据传输方法,其特征在于,所述方法还包括:
接收到传输数据后,通过预设的校验算法对所述传输数据进行校验,计算接收到的数据的校验值;
将计算到的校验值与所述传输数据中校验值进行匹配;
当两个校验值不匹配时,输出数据完整性检查失败的反馈。
5.如权利要求1所述的农业物联网数据传输方法,其特征在于,所述方法还包括:
接收到传输数据后,对传输数据进行解析,得到解析数据;
检测所述解析数据中的标识符或序列号;
通过解析出的标识符或序列号判断所述传输数据是否存在丢失。
6.如权利要求5所述的农业物联网数据传输方法,其特征在于,所述方法还包括:
在判定所述传输数据存在丢失时,通过所述传输数据中配置的纠错码进行恢复。
7.如权利要求1所述的农业物联网数据传输方法,其特征在于,所述根据所述预测数据对所述测试数据集中的数据进行修订,包括:
计算所述预测数据与所述测试数据集中对应实际数据的差值;
当计算的差值小于预设阈值时,判定数据准确;
当计算的差值不小于所述预设阈值时,判定数据异常,采用所述预测数据修订所述测试数据集。
8.如权利要求1所述的农业物联网数据传输方法,其特征在于,所述方法还包括:
通过将所述传感数据中不同数据划分为输入数据集,将其他数据划分为测试数据集;
根据每一输入数据集预测得到对应的预测数据;
通过每一输入数据集的预测数据对其对应的测试数据集进行修订,完成所述传感数据中所有数据的修订。
9.如权利要求1所述的农业物联网数据传输方法,其特征在于,所述根据所述当前网络状态等级在传输匹配库中匹配对应的优先级范围以及传输速率,具体包括:
当所述当前网络状态等级处于第一等级时,匹配的优先级范围包括第一优先级、第二优先级及第三优先级,匹配的传输速率为预设的第一速率;
当所述当前网络状态等级处于第二等级时,匹配的优先级范围包括第一优先级与第二优先级,匹配的传输速率为预设的第二速率;
当所述当前网络状态等级处于第三等级时,匹配的优先级范围包括第一优先级,匹配的传输速率为预设的第三速率。
10.如权利要求1所述的农业物联网数据传输方法,其特征在于,所述传感数据包括温度、湿度、光照强度以及土壤水分;
所述网络状态参数包括带宽利用率、丢包率以及传输延迟。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202311758211.7A CN117527149A (zh) | 2023-12-19 | 2023-12-19 | 一种农业物联网数据传输方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202311758211.7A CN117527149A (zh) | 2023-12-19 | 2023-12-19 | 一种农业物联网数据传输方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN117527149A true CN117527149A (zh) | 2024-02-06 |
Family
ID=89761069
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202311758211.7A Pending CN117527149A (zh) | 2023-12-19 | 2023-12-19 | 一种农业物联网数据传输方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN117527149A (zh) |
Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN104732328A (zh) * | 2015-02-03 | 2015-06-24 | 天津市农村工作委员会信息中心 | 农业物联网平台系统 |
CN110631635A (zh) * | 2019-09-27 | 2019-12-31 | 北京科百宏业科技有限公司 | 一种用于农业生产环境远程自动监测系统及其工作方法 |
CN110728332A (zh) * | 2019-10-30 | 2020-01-24 | 西安交通大学 | 一种基于物联网的农业数据分析方法及系统 |
CN117079143A (zh) * | 2023-10-16 | 2023-11-17 | 南京佳格耕耘科技有限公司 | 基于遥感数据的农田动态监测系统 |
-
2023
- 2023-12-19 CN CN202311758211.7A patent/CN117527149A/zh active Pending
Patent Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN104732328A (zh) * | 2015-02-03 | 2015-06-24 | 天津市农村工作委员会信息中心 | 农业物联网平台系统 |
CN110631635A (zh) * | 2019-09-27 | 2019-12-31 | 北京科百宏业科技有限公司 | 一种用于农业生产环境远程自动监测系统及其工作方法 |
CN110728332A (zh) * | 2019-10-30 | 2020-01-24 | 西安交通大学 | 一种基于物联网的农业数据分析方法及系统 |
CN117079143A (zh) * | 2023-10-16 | 2023-11-17 | 南京佳格耕耘科技有限公司 | 基于遥感数据的农田动态监测系统 |
Non-Patent Citations (2)
Title |
---|
吴晓强;李理;赵华洋;郝瑞参;: "基于情景感知数据融合的农业物联网监测模型研究", 中国农机化学报, no. 04, 15 April 2019 (2019-04-15) * |
袁剑锋;: "基于KDF算法的农业物联网监测系统设计与研究", 电脑编程技巧与维护, no. 18, 18 September 2015 (2015-09-18) * |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN112987675B (zh) | 一种异常检测的方法、装置、计算机设备和介质 | |
US7424409B2 (en) | Stochastic modeling of time distributed sequences | |
CN112766429B (zh) | 一种异常检测的方法、装置、计算机设备和介质 | |
CN115293280A (zh) | 基于时空特征分割重构的动力装备系统异常检测方法 | |
CN116153505B (zh) | 基于医用压力传感器的危重病人体征智能识别方法及系统 | |
CN112966714A (zh) | 一种边缘时序数据异常检测和网络可编程控制方法 | |
WO2021043126A1 (en) | System and method for event recognition | |
CN111191855B (zh) | 一种基于管网多元水质时序数据的水质异常事件识别预警方法 | |
CN114328075A (zh) | 一种智能配电房传感器多维数据融合异常事件检测方法、系统及计算机可读存储介质 | |
CN115168669A (zh) | 传染病筛查方法、装置、终端设备及介质 | |
KR20230144301A (ko) | 환경보건 모니터링 시스템 및 그 방법 | |
CN116148656A (zh) | 一种便携式模拟断路器故障检测方法 | |
CN115186762A (zh) | 一种基于dtw-knn算法的发动机异常检测方法及系统 | |
CN117594253B (zh) | 基于智能监测设备的人员健康预警方法及系统 | |
CN117527149A (zh) | 一种农业物联网数据传输方法 | |
KR102406375B1 (ko) | 원천 기술의 평가 방법을 포함하는 전자 장치 | |
CN115941807B (zh) | 一种园区安防系统数据高效压缩方法 | |
CN113328881B (zh) | 一种面向非合作无线网络的拓扑感知方法及装置、系统 | |
CN109119155B (zh) | 基于深度学习的icu死亡危险性评估系统 | |
CN114266483B (zh) | 一种基于物联网的危险废物监管系统 | |
CN114408694A (zh) | 一种电梯故障预测系统及其预测方法 | |
CN115310367A (zh) | 一种基于lstm神经网络的矿井空气质量监测系统 | |
US20230034136A1 (en) | System and method for scheduling communication within a distributed learning and deployment framework | |
CN118013377B (zh) | 森林智慧管理方法以及相关装置 | |
CN117856896A (zh) | 一种长距离botdr通信的光纤信号监测系统 |
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 |