水稻浸种催芽箱温度传感器优化配置——基于遗传算法
【图文】：
存储于n×n矩阵形式。图1给出了传感器数据列向量的相关系数矩阵。行和列的标号1，2，3，…分别对应于传感器编号。从图1可以看到:每个传感器自相关系数为1，而互相关系数具有实对称性质，所以相关系数矩阵为实对称矩阵。表1原始温度传感部分数据Table1Theoriginaltemperaturesensorpartofthedata℃时间温度1温度2温度3温度4温度5温度6温度72015/4/519．821．020．317．021．220．419．62015/4/519．721．020．517．121．320．520．02015/4/518．620．019．815．720．720．019．62015/4/518．620．019．815．720．720．519．62015/4/519．721．020．517．121．320．520．02015/4/519．020．219．915．821．020．119．62015/4/518．820．019．816．320．820．019．82015/4/512．611．711．910．113．3－3276．812．02015/4/512．611．711．810．513．412．612．02015/4/512．811．611．810．513．312．411．72015/4/512．311．011．810．513．312．411．72015/4/512．210．811．59．513．012．011．62015/4/512．110．811．19．512．811．711．02015/4/511．510．311．39．212．611．511．1图1传感器数据列向量的相关系数矩阵Fig．1Thesensordatacorrelationcoefficientmatrixofthecolumns2．1逐步累积法采用逐步累积法进行传感器优化配置，第1步要选取最佳传感器［4］。由于相关系数计算是两个传感器温度数据的共同值，所以本论文通过sum()函数、min()函数和find()函数找到相关系数的最小值及最小值在相关系数矩阵中的位置，该最小值在系数矩阵中的行与列也关于对角线对称，即(行9，列23)和(行23，列9)两个。由于以相关值最小作为传感器优化配置的目标，所以通过计算每个传感器数据与其余47个传感器的相关系数之和最小?
样做图的目的是为了更加清晰地看出每个传感器的有效度变化规律，同时也能看到次优传感器的有效度逐渐下降的特性。从传感器有效度排序中可以很清楚地得到每个位置传感器对温度分布状态的影响顺序。由图2中可以看到:按平均下降方式来看，对温度分布模态贡献较大的前10个传感器有效度都大于50%(即0．5);若按自然对数下降方式来看，贡献较大的前15个传感器的有效度都大于exp(－1)。图2传感器有效度变化规律图Fig．2Sensoreffectivedegreechangerule从该角度来看，根据温度传感器对信息的表达精细程度的不同，，传感器数量可以设置在10～15个之间，即可满足不同场合对温度传感器优化配置要求。本文的种箱温度传感器优化配置方面，10个传感器的优化配置不但精度较高且布点数较少，已经可以看作是种箱温度传感器配置中经济条件较宽裕情况下的优化配置方案。3逐步累积法和遗传算法的对比分析使用逐步累积法实现了传感器优化配置，截短逐步累积法的温度传感器排序，使优化配置方案中的传感器数目为10。同时，利用遗传算法也进行了传感器数目为10的优化配置计算。首先列出由逐步累积法和遗传算法进行传感器优化配置的10个传感器位置编号，如表3所示。这里需要说明的是，没有对遗传算法的10个传感器的有效度进行排序。表3逐步累积法和遗传算法的优化传感器配置方案Table3Cumulativemethodandgeneticalgorithmtooptimizethesensorconfigurationscheme序号逐步累积法遗传算法1938234936374323续表3序号逐步累积法遗传算法523461637234583569302101028由表3可以看出:逐步累积法对温度传感器的配置方案与遗传算法中温度传感器的编号不一致。其中，9、23、34、3、2、6等6个传感器编号相同，其余4个传感器配置不同。这
【相似文献】
相关期刊论文 前10条
1 张建兵,诸叶平;基于模糊规则的病虫害预防研究[J];农业系统科学与综合研究;2000年04期
2 陈建能;基于种间竞争的遗传算法的改进[J];福建农业大学学报;2003年01期
3 李秀梅,赵春江,乔晓军,刘华毅;基于改进遗传算法的温湿度模糊神经网络控制器[J];农业工程学报;2004年01期
4 吴养会,王乃信,王正中;一种新的改进遗传算法及其性能分析[J];西北农林科技大学学报(自然科学版);2004年09期
5 吴养会,王乃信,刘瀛洲;多种群竞争遗传算法及其性能分析[J];西北农林科技大学学报(自然科学版);2005年04期
6 卢玉宇;陈建能;张翔;;一种改进的遗传算法及其收敛性分析[J];安徽农业大学学报;2007年04期
7 田小梅;龚静;;遗传算法改进措施[J];湖南环境生物职业技术学院学报;2008年01期
8 曹建文;;遗传算法收敛性问题研究[J];中南林业科技大学学报;2008年03期
9 王伟;赵栋杰;楚晓华;;基于遗传算法的车架结构优化[J];农业装备与车辆工程;2010年05期
10 孙境;周根宝;;基于遗传算法的投资组合问题的研究[J];内蒙古农业大学学报(自然科学版);2012年Z1期
相关会议论文 前10条
1 陈家照;廖海涛;张中位;罗寅生;;一种改进的遗传算法及其在路径规划中的应用[A];2009系统仿真技术及其应用学术会议论文集[C];2009年
2 李国云;刘颖;薛梅;邬志敏;;遗传算法在高温空冷冷凝器优化设计中的应用[A];第五届全国制冷空调新技术研讨会论文集[C];2008年
3 王志军;李守春;张爽;;改进的遗传算法在反演问题中的应用[A];新世纪 新机遇 新挑战——知识创新和高新技术产业发展（上册）[C];2001年
4 任燕翔;姜立;刘连民;从滋庆;;改进遗传算法在三维日照方案优化中的应用[A];工程三维模型与虚拟现实表现——第二届工程建设计算机应用创新论坛论文集[C];2009年
5 韩娟;;遗传算法概述[A];第三届河南省汽车工程科技学术研讨会论文集[C];2006年
6 庞国仲;王元西;;基于遗传算法控制步长的定性仿真方法[A];'2000系统仿真技术及其应用学术交流会论文集[C];2000年
7 张忠华;杨淑莹;;基于遗传算法的聚类设计[A];全国第二届信号处理与应用学术会议专刊[C];2008年
8 何翠红;区益善;;遗传算法及其在计算机编程中的应用[A];1995年中国智能自动化学术会议暨智能自动化专业委员会成立大会论文集（下册）[C];1995年
9 靳开岩;张乃尧;;几种实用遗传算法及其比较[A];1996年中国智能自动化学术会议论文集（下册）[C];1996年
10 王宏刚;曾建潮;李志宏;;摄动遗传算法[A];1996年中国智能自动化学术会议论文集（下册）[C];1996年
相关重要报纸文章 前1条
1 林京;《神经网络和遗传算法在水科学领域的应用》将面市[N];中国水利报;2002年
相关博士学位论文 前10条
1 蔡美菊;交互式遗传算法及其在隐性目标决策问题中的应用研究[D];合肥工业大学;2015年
2 张士伟;三维声学快速多极基本解法在机械噪声预测中的应用研究[D];沈阳工业大学;2016年
3 高军;无铅焊料本构模型及其参数识别方法研究[D];南京航空航天大学;2015年
4 Amjad Mahmood;半监督进化集成及其在网络视频分类中的应用[D];西南交通大学;2015年
5 周辉仁;递阶遗传算法理论及其应用研究[D];天津大学;2008年
6 郝国生;交互式遗传算法中用户的认知规律及其应用[D];中国矿业大学;2009年
7 侯格贤;遗传算法及其在跟踪系统中的应用研究[D];西安电子科技大学;1998年
8 马国田;遗传算法及其在电磁工程中的应用[D];西安电子科技大学;1998年
9 唐文艳;结构优化中的遗传算法研究和应用[D];大连理工大学;2002年
10 周激流;遗传算法理论及其在水问题中应用的研究[D];四川大学;2000年
相关硕士学位论文 前10条
1 张英俐;基于遗传算法的作曲系统研究[D];山东师范大学;2006年
2 钟海萍;原对偶遗传算法与蚁群算法的一种融合算法[D];暨南大学;2013年
3 李志添;模糊遗传算法与资源优化配置的预测控制[D];华南理工大学;2015年
4 王琳琳;新型双层液压轿运车车厢的设计研究[D];上海工程技术大学;2015年
5 李海全;基于遗传算法的建筑体形系数及迎风面积比优化方法研究[D];华南理工大学;2015年
6 彭骞;基于遗传算法的山区高等级公路纵断面智能优化方法研究[D];昆明理工大学;2015年
7 周玉林;基于小波分析和遗传算法的配电网故障检测[D];昆明理工大学;2015年
8 郭颂;基于粗糙集和遗传算法的数字管道生产管理系统研究[D];昆明理工大学;2015年
9 吴南;数值逼近遗传算法的研究应用[D];华南理工大学;2015年
10 于光帅;一类优化算法的改进研究与应用[D];渤海大学;2015年
本文编号：2636060
本文链接：https://www.wllwen.com/kejilunwen/zidonghuakongzhilunwen/2636060.html
