面向智慧农业种植领域数据处理算法的研究

发布时间：2017-08-14 23:00

  本文关键词：面向智慧农业种植领域数据处理算法的研究

  更多相关文章： 智慧农业 数据处理 产量预测 环境优化 FPKM算法 BP神经网络 遗传算法

【摘要】：智慧农业是农业生产的高级阶段,它集新兴的互联网、移动互联网、云计算和物联网技术为一体,依托部署在农业生产现场的各种传感节点(环境温湿度、土壤水分、二氧化碳、图像等)和无线通信网络以实现农业生产环境的智能感知、智能预警、智能决策、智能分析、专家在线指导,为农业生产提供精准化种植、可视化管理、智能化决策。本文以某金针菇工厂为研究背景,旨在研究智慧农业种植领域的数据处理算法,为农业生产提供智能化决策,主要完成以下工作:1.对传感器采集的原始数据进行预处理,针对如何去除噪声数据的问题做了重点研究。结合希望处理完后的数据失真少的需求,选择使用k-means聚类的方法来去除噪声数据,通过实验发现该算法的运行时间长且聚类结果不稳定,因此提出了一种基于最远优先策略的k-means算法(FPKM算法)。经实验证明,该算法在运行速度和聚类结果上都较普通k-means算法有了明显的改善。2.对生长周期未完成的金针菇进行产量预测,针对如何建立栽培过程中生长环境与产量之间的关系模型做了重点研究。在分析了统计计量预测模型和神经网络预测模型对数据的要求后,选择用BP神经网络对金针菇栽培过程中生长环境与产量之间的关系进行建模,并针对使用BP神经网络训练预测模型时所需的迭代次数多且容易在未达到训练目标就终止训练的问题,提出了用遗传算法优化BP神经网络初始权值的方案。经实验证明,经遗传算法改进后的BP神经网络在训练过程中的收敛速度变快,且预测模型的精度也得到了提高。3.对金针菇栽培过程中的生长环境进行优化,针对寻找金针菇环境与产量关系模型中的最优解问题做了重点研究。通过遗传算法对生产环境进行不断的优化,经过多次实验后发现传统遗传算法收敛速度慢且容易陷入局部最优,针对该问题改进了传统遗传算法的选择算子和交叉算子。经实验证明,改进后的遗传算法寻优的能力得到了提升。考虑到在实际应用中,各项环境参数很难稳定在某一值,因此用周边环境的平均产值去优化适应度函数,提高了最优方案的鲁棒性和实际操作中的可实现性。4.将以上研究成果用python语言实现,并按一定的逻辑集成为数据处理模块,加入到智慧农业生产平台中,使采集到的数据得到了利用,最后通过平台的实际应用验证了本文提出的产量预测和环境优化方法。研究结果表明,本文提出的FPKM算法弥补了k-means算法聚类结果不稳定且迭代次数多的缺陷,提高了聚类的效果,为后续的挖掘工作提供了准确有效的数据;基于权值优化的BP神经网络训练算法,弥补了传统BP神经网络的不足,而且训练出的金针菇产量预测模型,在预测精度上较传统BP神经网络训练出的预测模型有了很大提升;基于改进遗传算法的金针菇栽培过程环境寻优方法,弥补了传统遗传算法收敛速度慢容易陷入局部最优的不足,提升了寻优的能力,同时增强了最优方案的鲁棒性和可行性。
【关键词】：智慧农业 数据处理 产量预测 环境优化 FPKM算法 BP神经网络 遗传算法
【学位授予单位】：浙江理工大学
【学位级别】：硕士
【学位授予年份】：2016
【分类号】：S126;TP311.13
【目录】：

• 摘要4-6
• ABSTRACT6-11
• 第一章 绪论11-16
• 1.1 课题的研究背景和意义11
• 1.2 国内外研究现状11-13
• 1.3 主要研究内容13-14
• 1.4 论文结构14-16
• 第二章 基于FPKM算法的噪声数据去除16-30
• 2.1 引言16
• 2.2 基于聚类的噪声数据处理方法16-21
• 2.2.1 聚类17
• 2.2.2 基本的k-means算法17-20
• 2.2.3 最远优先聚类算法20-21
• 2.3 基于FPKM算法的噪声数据处理算法21-24
• 2.3.1 普通k-means算法的改进策略21-22
• 2.3.2 基于最远优先策略的k-means算法(FPKM算法)描述22-23
• 2.3.3 算法实例23-24
• 2.4 实验分析24-29
• 2.4.1 实验数据集24-26
• 2.4.2 实验结果及对比分析26-29
• 2.5 本章小结29-30
• 第三章 基于改进神经网络的金针菇产量预测30-44
• 3.1 引言30-31
• 3.2 农业领域常用的预测模型31-34
• 3.2.1 统计计量预测模型31-32
• 3.2.2 神经网络预测模型32-34
• 3.3 金针菇生长过程分析34-36
• 3.3.1 金针菇生长过程34-35
• 3.3.2 金针菇栽培阶段对生长环境的要求35-36
• 3.4 基于权值优化的神经网络金针菇产量预测模型36-39
• 3.4.1 模型的基本原理37
• 3.4.2 模型的参数设计37-39
• 3.5 实验分析39-43
• 3.5.1 实验数据集40
• 3.5.2 实验结果及对比分析40-43
• 3.6 本章小结43-44
• 第四章 改进的遗传算法对金针菇栽培环境的优化44-55
• 4.1 引言44
• 4.2 遗传算法原理44-48
• 4.2.1 遗传算法的基本概念和步骤44-46
• 4.2.2 遗传算法存在的问题及改进策略46-48
• 4.3 选择算子及交叉算子的改进48-50
• 4.3.1 改进的选择算子48
• 4.3.2 改进的交叉算子48-50
• 4.4 基于改进遗传算法的金针菇栽培过程环境优化50-51
• 4.4.1 适应度函数与编码方案50
• 4.4.2 控制参数的选择50-51
• 4.5 实验分析51-54
• 4.5.1 改进方案可行性测试51-52
• 4.5.2 性能对比测试52-53
• 4.5.3 改进方案用于金针菇栽培环境优化53-54
• 4.6 本章小结54-55
• 第五章 智慧农业生产平台数据处理模块的实现55-64
• 5.1 平台概述55-60
• 5.1.1 平台整体架构55-56
• 5.1.2 功能模块介绍56-57
• 5.1.3 数据库设计57-60
• 5.2 数据处理模块的实现60-63
• 5.2.1 产量录入功能60
• 5.2.2 产量预测功能60-63
• 5.3 本章小结63-64
• 第六章 总结与展望64-66
• 6.1 全文总结64-65
• 6.2 研究展望65-66
• 致谢66-67
• 参考文献67-70

【相似文献】

中国重要会议论文全文数据库 前2条

1 唐锋;王向朝;张以谟;;白光扫描干涉系统数据处理算法的研究[A];第十一届全国光学测试学术讨论会论文（摘要集）[C];2006年

2 陈国维;;全自动生化分析仪中测量值的数据处理[A];海峡两岸医疗仪器学术会议论文集[C];1995年

中国硕士学位论文全文数据库 前1条

1 岳梦婕;面向智慧农业种植领域数据处理算法的研究[D];浙江理工大学;2016年

，

本文编号：675089