机器学习在农业物联网决策系统中的研究与应用

发布时间：2017-09-18 22:39

  本文关键词：机器学习在农业物联网决策系统中的研究与应用

  更多相关文章： 农业物联网 HHT 时间-空间相关性 机器学习 降水量预测

【摘要】：文本首先采用希尔伯特-黄变换(HHT)对农业物联网系统中基于无线传感器网络(WSN)所采集的样本数据进行了分析。由于无线传感器网络采集的样本均具有非线性、非平稳的特点,而希尔伯特-黄变换(HHT)能够完全自适应地将具有非线性、非平稳特点的数据分解成多个本征模态函数(IMF)和一个残余项,从而在时间和空间变化上为数据分析提供了一种全新的视角,该方法在北京延庆农田WSN节点采集的数据得到了验证。其次,在决策系统中引入了机器学习方法,对基于HHT分解得到的多个本征模态函数(IMF)及残余项进行了分析建模,形成了一套系统的数据分析、决策方法,该方法在云南地区降水量样本数据中得到了验证。具体而言,本文的主要贡献如下:(1)深入学习了HHT、线性回归、人工神经网络(ANN)、支持向量回归(SVR)等理论及其应用,丰富了数据分析子系统的数据分析研究方法。(2)在数据分析子系统中,将HHT数据处理方法应用在无线传感器网络采集数据的处理中。分析了北京市延庆区农田玉米地中布置的36套WSN节点(覆盖面积接近100 km2)采集的作物生长环境数据。该数据包括土壤湿度、土壤表面温度、光量子等生态系统模型的重要变量,共超过230000条数据样本。针对该数据非线性、非平稳的特点,用HHT方法将其分解成多个IMF和一个残余项,从不同尺度的IMF分量中分析原数据内在的特征及物理意义,并分析不同类型数据的时间相关性以及同类型数据基于地理空间位置的相关性,为农业物联网系统制定决策做准备。(3)在智能灌溉决策子系统中,首先用HHT数据处理方法对云南四个地区的真实降水量数据样本进行处理(EEMD分解),然后应用机器学习方法建立降水量预测模型。本文考察了包括人工神经网络、支持向量回归模型以及多元线性回归模型在内的多个模型。实验结果显示,EEMD与机器学习相结合的方法表现出相当准确的预测效果,模型表现十分稳定,并提出了创新性的混合模型。综上所述,本文对农业物联网决策系统中的两个子系统:数据分析子系统和智能决策灌溉子系统进行了研究。在数据分析子系统中从不同尺度对基于HHT的农田环境变量数据样本进行时间-空间相关性分析;在智能灌溉决策子系统中研究了机器学习在决策系统中的应用。
【关键词】：农业物联网 HHT 时间-空间相关性 机器学习 降水量预测
【学位授予单位】：电子科技大学
【学位级别】：硕士
【学位授予年份】：2016
【分类号】：S126;TP391.44;TN929.5
【目录】：

• 摘要5-6
• ABSTRACT6-11
• 第一章 绪论11-16
• 1.1 论文的研究背景与意义11-13
• 1.2 国内外研究历史与现状13-15
• 1.3 论文结构安排和研究的内容15-16
• 第二章 数据处理方法的基本理论16-24
• 2.1 希尔伯特-黄变换（HHT）理论16-22
• 2.1.1 经验模态分解(EMD)基本概念16
• 2.1.2 EMD基本算法16-18
• 2.1.3 EMD算法面临的问题18-19
• 2.1.4 EEMD（Ensemble Empirical Mode Decomposition）算法19-20
• 2.1.5 希尔伯特变换20-22
• 2.2 HHT的优势22-23
• 2.2.1 HHT能够处理非线性、非平稳信号22
• 2.2.2 HHT具有自适应性22-23
• 2.2.3 HHT不受Heisenberg测不准原理的制约23
• 2.2.4 频率求解方法23
• 2.3 本章小结23-24
• 第三章 机器学习的基本理论24-34
• 3.1 线性回归24
• 3.2 人工神经网络理论24-28
• 3.2.1 人工神经元25-26
• 3.2.2 网络拓扑26
• 3.2.3 训练方法26-28
• 3.3 支持向量机理论28-31
• 3.3.1 支持向量机基本定义28-29
• 3.3.2 支持向量推理过程29-30
• 3.3.3 松弛变量30-31
• 3.3.4 核函数31
• 3.4 支持向量回归机原理31-32
• 3.5 数据预处理32-33
• 3.5.1 自相关函数32-33
• 3.5.2 偏自相关函数33
• 3.6 本章小结33-34
• 第四章 数据基于时间-空间的相关性分析34-55
• 4.1 基于无线传感器网络（WSN）的农业物联网系统34-35
• 4.2 数据基本信息35-46
• 4.2.1 地理信息35-37
• 4.2.2 数据的基本特征37-39
• 4.2.3 数据的分解及周期分析39-46
• 4.3 不同类型数据间的时间相关性分析46-52
• 4.3.1 土壤表面温度与光量子各分量间的时间相关性47-48
• 4.3.2 土壤湿度与土壤表面温度各分量间的时间相关性48-50
• 4.3.3 土壤湿度与光量子各分量间的时间相关性50-52
• 4.4 同类型数据的空间相关性分析52-54
• 4.5 本章小结54-55
• 第五章 机器学习在决策系统中的应用55-74
• 5.1 数据基本信息55-60
• 5.1.2 地理信息56
• 5.1.3 数据的基本特征56-57
• 5.1.4 数据的分解及周期分析57-59
• 5.1.5 能量频谱分析59-60
• 5.2 输入变量选取60-62
• 5.3 模型总体框架62-64
• 5.4 基于EEMD的机器学习模型构建64-66
• 5.4.1 人工神经网络的应用64-65
• 5.4.2 支持向量回归机的应用65-66
• 5.5 模型性能评估66-71
• 5.6 混合新模型71-73
• 5.7 本章小结73-74
• 第六章 全文总结与展望74-76
• 6.1 全文总结74-75
• 6.2 后续工作展望75-76
• 致谢76-77
• 参考文献77-81
• 读研期间获得的成果81-82

【相似文献】

中国期刊全文数据库 前2条

1 孙福振;李艳;李业刚;;基于机器学习的智能检测在农业信息化中的应用[J];安徽农业科学;2009年34期

2 ;[J];;年期

中国重要会议论文全文数据库 前10条

1 王珏;;归纳机器学习[A];2001年中国智能自动化会议论文集（上册）[C];2001年

2 王昊;李银波;纪志梁;;利用机器学习方法预测严重药物不良反应-呼吸困难[A];中国化学会第28届学术年会第13分会场摘要集[C];2012年

3 吴沧浦;;智能系统与机器学习的新领域[A];西部大开发 科教先行与可持续发展——中国科协2000年学术年会文集[C];2000年

4 周晴杰;徐立鸿;吴启迪;;机器学习串级结构的初步探讨[A];1998年中国控制会议论文集[C];1998年

5 李刚;郭崇慧;林鸿飞;杨志豪;唐焕文;;基于词典法和机器学习法相结合的蛋白质名识别[A];大连理工大学生物医学工程学术论文集（第2卷）[C];2005年

6 徐礼胜;李乃民;王宽全;张冬雨;耿斌;姜晓睿;陈超海;罗贵存;;机器学习在中医计算机诊断识别系统中的应用思考[A];第一届全国中西医结合诊断学术会议论文选集[C];2006年

7 蔡健平;林世平;;基于机器学习的词语和句子极性分析[A];第三届全国信息检索与内容安全学术会议论文集[C];2007年

8 黄金铁;李景银;周建常;;对高炉炉况评价模型参数的机器学习——一个三类线性模式分类器的实现[A];1995中国控制与决策学术年会论文集[C];1995年

9 程国建;蔡磊;潘华贤;;核向量机在大规模机器学习中的应用[A];第十一届中国青年信息与管理学者大会论文集[C];2009年

10 张钹;张铃;;统计学习理论及其应用[A];2001年中国智能自动化会议论文集（上册）[C];2001年

中国重要报纸全文数据库 前10条

1 黎骊/文 [美] Tom M.Mitchell 著;机器学习与智能化社会[N];中国邮政报;2003年

2 IBM大数据专家 James Kobielus　范范 编译;机器学习已成为大数据基石[N];网络世界;2014年

3 本报记者 房琳琳;合久必分：分布式“机器学习”应运而生[N];科技日报;2014年

4 雨辰;机器学习类图书为什么火爆[N];中华读书报;2014年

5 百度公司技术副总监 多媒体部负责人 余凯;深度学习与多媒体搜索技术演进[N];中国信息化周报;2013年

6 本报记者 余建斌;机器学习与互联网搜索[N];人民日报;2011年

7 本报记者 张晔邋通讯员 李玮;周志华：永不墨守成规[N];科技日报;2008年

8 记者　 彭德倩;机器学习精度提升近6个百分点[N];解放日报;2006年

9 本报记者 闵杰;大数据热 高端人才缺[N];中国电子报;2013年

10 沈建苗 编译;如何成为大数据科学家[N];计算机世界;2013年

中国博士学位论文全文数据库 前10条

1 董春茹;机器学习中的权重学习与差分演化[D];华南理工大学;2015年

2 姚明臣;机器学习和神经网络学习中的若干问题研究[D];大连理工大学;2016年

3 赵玉鹏;机器学习的哲学探索[D];大连理工大学;2010年

4 胡巍;面向格结构的机器学习[D];上海交通大学;2009年

5 张义荣;基于机器学习的入侵检测技术研究[D];国防科学技术大学;2005年

6 钱线;快速精确的结构化机器学习方法研究[D];复旦大学;2010年

7 梁锡军;稀疏优化在机器学习中的若干应用[D];大连理工大学;2013年

8 蒋刚;核机器学习方法若干问题研究[D];西南交通大学;2006年

9 陈慧灵;面向智能决策问题的机器学习方法研究[D];吉林大学;2012年

10 周伟达;核机器学习方法研究[D];西安电子科技大学;2003年

中国硕士学位论文全文数据库 前10条

1 毛海斌;基于半监督机器学习的情感分类领域适应问题研究[D];南京理工大学;2015年

2 安军辉;基于微博数据的微博用户性别判断研究[D];华中师范大学;2015年

3 陈召阳;基于机器学习的改性麦槽吸附重金属构效关系模型研究[D];江西理工大学;2014年

4 王成;基于半监督机器学习的文本情感分析技术[D];南京理工大学;2015年

5 孙科;基于Spark的机器学习应用框架研究与实现[D];上海交通大学;2015年

6 刘江龙;基于机器学习的射频指纹定位方法研究[D];电子科技大学;2015年

7 张蕾;基于机器学习的网络舆情采集技术研究与设计[D];电子科技大学;2014年

8 施宇;基于数据挖掘和机器学习的木马检测系统设计与实现[D];电子科技大学;2014年

9 施应敏;基于机器学习的Femtocell信道频谱与功率资源分配算法的研究[D];南京邮电大学;2015年

10 张柯;基于机器学习的错误定位方法研究[D];南京航空航天大学;2015年

，

本文编号：877939