论文部分内容阅读
摘要:本文介绍了一种用多传感器数据融合技术对温室大棚环境进行控制的方法。温室大棚空间大且内部各种参数受环境影响也大。为了对其数据进行良好的管理和控制,本文采取了格罗贝斯(Grubbs)作为研究方法进行数据的判断,同时还排除测试数据里的疏失误差数据,然后再利用自适应加权平均算法对数据进行融合处理。这种方法提高了温室大棚环境各参数监测的精确度,使其参数达到了理想的条件。
关键词:数据融合;格罗贝斯准则;自适应加权平均;温室大棚
伴随时代的发展,全球已经逐渐进入设施农业发展的时代,许多国家均重视到智能设施化农业的重要性,扩大投资规模,开展了一系列农业扶持措施。一般来说,当温室里的生物生长到某个阶段,如果能有效的对温室环境开展调控,那么就能引导与促使作物的健康成长;如果能对室内的温度、光照、二氧化碳浓度等参数进行智能调控,该方法不仅能最大限度优化农业资源,而且还能有效的增强农业生产效益 [1]。所以,加强对温室环境控制的现状及发展趋势刻不容缓,也是未来农业温室环境控制的重中之重,因为这不仅关系到作物产量的提高,而且还能显著的缓解温室效应,促使温室环境朝良性循环发展 [2]。
作为一个复杂的分布参数系统,温室环境具有延时长、变量强度多与非线性事变等典型特點,如果存在参数的变化,那就会直接对多个环境参数产生影响,所以数据处理不够精确,整个温室系统也就无法到达最优的效益[3]。所以,本文采用了一种格罗贝斯判据准则判断并剔除测量数据中的疏失误差,同时,通过发挥自适应加权融合算法的作用,有效的开展数据整合,按照整合后的数据来针对性的提出控制措施,调整温室环境参数,为温室作物提供最适宜的生长环境,提高农业生产科技水平[4]。
1 数据融合算法
1.1 采用格罗贝斯准则剔除疏失误差数据
当开展具体的计量测试的时候,因为许多阻碍因素的影响,容易导致疏失误差的出现。具体来说,疏失误差是和事实存在很大相悖情况的一系列误差,其产生主要来源于系统内部器件存在损坏、接线松动或者操作不正确等原因造成。因此,如果出现了疏失误差,必须尽快的剔除,否则影响到实际的测量分析与测量结果。
一般來说,目前运用最为频繁的疏失误差剔除算法主要有3种,分别是莱特准则、分布图法以及格罗贝斯判据准则等,本文主要采用的是格罗贝斯判据准则。这是建立在测得值与正太分布的假设相匹配的一种算法,这种算法呈现一定的递归性。具体的计算操作流程如下:
1)根据升序的原理,把测试数据进行对应的依序排列,同时还要计算均值、标准差。
根据格罗贝斯判据准则的原理,我们能做出这样的判断,并不会面临样本数据容量多少的束缚,对1个或者多疏失误差剔除后,能够获得较佳的研究效果,这被频繁的运用到具体的实际操作上。
1.2 基于自适应加权数据的融合处理
经过格罗贝斯判据准则的疏失误差数据的剔除后,传感器采集的到数据误差也越来越小,采用自适应加权平均数据融合的算法,对采集到的数据进行融合[5]。其自适应加权平均数据融合算法的估计模型如图1所示。
针对不同的传感器,应该进行不同的权值选择,根据总均方误差最小的原理,对经过格罗贝斯判据剔除的疏失误差数据处理后的剩余数据,结合相关数值选择自适应的方法来计算各自对应的权值,这就能获得最优的融合数据 [6]。当计算加权因子的过程中,智能检测系统的多传感器数据融合值也能进行计算,具体的计算步骤如下:
通过对采集到的数据先进行剔除疏失误差处理,在经行加权数据的融合,根据各传感器的方差变化,来及时调整它们的权系数,使得融合系统的均方差值最小。
2 基于数据融合技术的温室环境智能控制
在温室技术的组成方面,环境控制技术非常关键。对于现代大型温室而言, 要想保证自动化控制管理,就必须科学合理的监测、计算、调节与传感全部的环境因子、环境温湿度等方面的内容,这就要求必须严格加强对室内温、热营养分状况和温度、阳光与空气、植物根部环境温湿度等方面的管理 [7]。开展温室环境控制,主要是希望结合作物的不同生理特征,避免或者克服不良的外界气候与客观环境的影响,构建适应作为健康生长的良好环境。
如今,温室环境控制普遍是结合低成本设施农业的需求,所以在实际的研究开发上,主要站在计算机技术的角度,鲜少引导与支持农业专家融入其中,这就导致作物计算机系统虽然研发成功,但是没有结合作物生理信息的特征,也导致该系统在实际的运用中受到限制 [8]。结合多传感器采集数据的原理,利用格罗贝斯判据准则剔除疏失误差,通过自适应加权数据融合技术,获知温室各参数的准确值,这有利于加强对温室环境控制系统的理论性与实践价值,真正成为作物生长的主要评判依据之一 [9]。并且,还可以通过一定的对策来加强对环境参数的控制与调节,创造良好的作物调节环境。
具体来说,基于数据融合技术的温室环境智能控制系统结构详见图2所示:
3 融合数据的实验分析
结合温室作物栽培的各项环境因素,本文采取融合算法的方式来开展仿真实验。为了增强自适应加权融合方法的理论性,采取了测量温度环境温度的原理,采用了8个温度传感器采集温室大棚内的温度。每个传感器,每20妙开展1次数据采集,并选择了2分钟里的六个数据来开展融合,从而提供啊数据融合方法的合理性。各温度传感器节点测量平均值与方差,以及结合公式(11)计算相应的权值wi的具体情况详见表1所示。
将采集到的数据先经过格罗贝斯判据剔除的疏失误差数据处理,根据第1章节中1.1中的格罗贝斯判据算法的计算,可将表中的第3和第7个数值剔除掉,则经过处理后的剩余数据为表2。
最后获得的方差结果是:与多只传感器取平均值获取的估计值的方差相比,多只传感器采集后的数据采样自适应融合算法后的估计值的方差要小,也就是说后者有效性远远高于算术平均方法 [10]。同实际数据数据相比,融合后的数据与其十分类似,这表明该计划拟定的较为科学合理,也能有利于后续的生产过程优化,创造良好的数据融合环境。
关键词:数据融合;格罗贝斯准则;自适应加权平均;温室大棚
伴随时代的发展,全球已经逐渐进入设施农业发展的时代,许多国家均重视到智能设施化农业的重要性,扩大投资规模,开展了一系列农业扶持措施。一般来说,当温室里的生物生长到某个阶段,如果能有效的对温室环境开展调控,那么就能引导与促使作物的健康成长;如果能对室内的温度、光照、二氧化碳浓度等参数进行智能调控,该方法不仅能最大限度优化农业资源,而且还能有效的增强农业生产效益 [1]。所以,加强对温室环境控制的现状及发展趋势刻不容缓,也是未来农业温室环境控制的重中之重,因为这不仅关系到作物产量的提高,而且还能显著的缓解温室效应,促使温室环境朝良性循环发展 [2]。
作为一个复杂的分布参数系统,温室环境具有延时长、变量强度多与非线性事变等典型特點,如果存在参数的变化,那就会直接对多个环境参数产生影响,所以数据处理不够精确,整个温室系统也就无法到达最优的效益[3]。所以,本文采用了一种格罗贝斯判据准则判断并剔除测量数据中的疏失误差,同时,通过发挥自适应加权融合算法的作用,有效的开展数据整合,按照整合后的数据来针对性的提出控制措施,调整温室环境参数,为温室作物提供最适宜的生长环境,提高农业生产科技水平[4]。
1 数据融合算法
1.1 采用格罗贝斯准则剔除疏失误差数据
当开展具体的计量测试的时候,因为许多阻碍因素的影响,容易导致疏失误差的出现。具体来说,疏失误差是和事实存在很大相悖情况的一系列误差,其产生主要来源于系统内部器件存在损坏、接线松动或者操作不正确等原因造成。因此,如果出现了疏失误差,必须尽快的剔除,否则影响到实际的测量分析与测量结果。
一般來说,目前运用最为频繁的疏失误差剔除算法主要有3种,分别是莱特准则、分布图法以及格罗贝斯判据准则等,本文主要采用的是格罗贝斯判据准则。这是建立在测得值与正太分布的假设相匹配的一种算法,这种算法呈现一定的递归性。具体的计算操作流程如下:
1)根据升序的原理,把测试数据进行对应的依序排列,同时还要计算均值、标准差。
根据格罗贝斯判据准则的原理,我们能做出这样的判断,并不会面临样本数据容量多少的束缚,对1个或者多疏失误差剔除后,能够获得较佳的研究效果,这被频繁的运用到具体的实际操作上。
1.2 基于自适应加权数据的融合处理
经过格罗贝斯判据准则的疏失误差数据的剔除后,传感器采集的到数据误差也越来越小,采用自适应加权平均数据融合的算法,对采集到的数据进行融合[5]。其自适应加权平均数据融合算法的估计模型如图1所示。
针对不同的传感器,应该进行不同的权值选择,根据总均方误差最小的原理,对经过格罗贝斯判据剔除的疏失误差数据处理后的剩余数据,结合相关数值选择自适应的方法来计算各自对应的权值,这就能获得最优的融合数据 [6]。当计算加权因子的过程中,智能检测系统的多传感器数据融合值也能进行计算,具体的计算步骤如下:
通过对采集到的数据先进行剔除疏失误差处理,在经行加权数据的融合,根据各传感器的方差变化,来及时调整它们的权系数,使得融合系统的均方差值最小。
2 基于数据融合技术的温室环境智能控制
在温室技术的组成方面,环境控制技术非常关键。对于现代大型温室而言, 要想保证自动化控制管理,就必须科学合理的监测、计算、调节与传感全部的环境因子、环境温湿度等方面的内容,这就要求必须严格加强对室内温、热营养分状况和温度、阳光与空气、植物根部环境温湿度等方面的管理 [7]。开展温室环境控制,主要是希望结合作物的不同生理特征,避免或者克服不良的外界气候与客观环境的影响,构建适应作为健康生长的良好环境。
如今,温室环境控制普遍是结合低成本设施农业的需求,所以在实际的研究开发上,主要站在计算机技术的角度,鲜少引导与支持农业专家融入其中,这就导致作物计算机系统虽然研发成功,但是没有结合作物生理信息的特征,也导致该系统在实际的运用中受到限制 [8]。结合多传感器采集数据的原理,利用格罗贝斯判据准则剔除疏失误差,通过自适应加权数据融合技术,获知温室各参数的准确值,这有利于加强对温室环境控制系统的理论性与实践价值,真正成为作物生长的主要评判依据之一 [9]。并且,还可以通过一定的对策来加强对环境参数的控制与调节,创造良好的作物调节环境。
具体来说,基于数据融合技术的温室环境智能控制系统结构详见图2所示:
3 融合数据的实验分析
结合温室作物栽培的各项环境因素,本文采取融合算法的方式来开展仿真实验。为了增强自适应加权融合方法的理论性,采取了测量温度环境温度的原理,采用了8个温度传感器采集温室大棚内的温度。每个传感器,每20妙开展1次数据采集,并选择了2分钟里的六个数据来开展融合,从而提供啊数据融合方法的合理性。各温度传感器节点测量平均值与方差,以及结合公式(11)计算相应的权值wi的具体情况详见表1所示。
将采集到的数据先经过格罗贝斯判据剔除的疏失误差数据处理,根据第1章节中1.1中的格罗贝斯判据算法的计算,可将表中的第3和第7个数值剔除掉,则经过处理后的剩余数据为表2。
最后获得的方差结果是:与多只传感器取平均值获取的估计值的方差相比,多只传感器采集后的数据采样自适应融合算法后的估计值的方差要小,也就是说后者有效性远远高于算术平均方法 [10]。同实际数据数据相比,融合后的数据与其十分类似,这表明该计划拟定的较为科学合理,也能有利于后续的生产过程优化,创造良好的数据融合环境。