日光温室关键环境因子变化规律与监控系统研究

发布时间：2020-05-31 05:07

【摘要】：随着日光温室的普及,我国温室控制技术得到了飞速发展。建立精准的温室环境因子预测模型是实现温室智能控制的前提,可以为温室控制系统设计提供理论指导,并大幅提高温室控制的智能化水平。本文以温室关键环境因子时间序列为对象,运用小波神经网络组合模型进行预测,并建立关键因子预测模型。在此基础上,引入狼群算法优化了小波神经网络的初始参数,以提高预测精度。此外,通过改进狼群的初始化方式及自适应能力,提升了狼群算法的寻优效果及效率,从而进一步优化了预测模型。根据日光温室的实际需求,设计了基于物联网的日光温室环境监控系统,并在预测模型的基础上对设备的控制算法进行了优化。具体研究内容及步骤如下:首先,运用Morlet函数代替BP神经网络的激活函数,构建了输入层数目为5,输出层数目为1,隐含层为数目为6的小波神经网络预测模型,以当前时刻之前的5个数据为输入,以当前时刻的环境因子作为输出,对温室环境因子进行预测,实验结果表明小波神经网络预测模型可以准确地预测出温室因子的变化趋势,并且整体误差较小。接着,利用狼群算法出色的寻优能力对小波神经网络的初始参数进行了优化,以提高预测的精度及稳定性;针对狼群算法进行改进,引入反向学习思想,提高了寻求最优解的效率和几率,并将狼群算法的奔袭和围攻过程合并为自适应围猎过程,可根据猎物资源分布情况自适应地调整步长,大幅度减少了在高维空间中寻优引起的巨额计算量。实验结果表明,经改进狼群算法优化参数后的模型预测精度更高。在预测精度提高的基础上,对空气温度进行了多步长预测,实验结果表明,改进后的模型可以精确地预测出三个步长(即30分钟)以内的空气温度,这为温室设备的智能控制提供了理论基础。最后,结合我国日光温室实际需求,参考物联网域结构改进了物联网三层结构,将温室需求与系统功能分配到相应层次中。从硬件电路、通信协议及数据处理三个角度,详细设计了日光温室物联网智能监控系统,实现了对温室环境信息的实时监控与可靠传输以及温室设备的远程控制。此外,结合改进狼群算法优化的小波神经网络预测模型对空气温度的短时精准预测,通过改进温室卷帘机和放风机的智能控制方法,提高了控制系统的智能性。
【图文】：

域模型,概念图

支撑层与应用层。文献中还出现过六层、七层等物联网技术标准化技术委员会提出六域物联网概念模型。下面域结构进行分析。体系架构层体系结构是物联网发展初期最受认可的物联网参考模层组成，分别对应物联网全面感知、可靠传输及智能控的物联网系统多半参照三层结构进行设计，，设计出的系但特点也较为突出。网域结构结构是国家标准 GB/T 33474—2016《物联网参考体系结的顶层架构设计，将物联网系统从逻辑上的分解成用域、服务提供域、运维管控域、资源交换域，详细描述逻辑关系（沈杰等，2016）。物联网六域结构概念模型

拓扑结构图,小波神经网络,隐含层,平移参数

同时，对应输入层到隐含层、隐含层到输出层的权值及隐含层的阈值相应地由小波基函数的伸缩与平移参数所确定（杜雪，2016）。一般的小波神经网络拓扑结构如图4所示。图4 小波神经网络拓扑结构图Figure 4 Topology diagram of wavelet neural network当输入样本序列为 h( j )时，隐含层的输出计算公式为：1( ) 1,2, ,kij i jijjw x bh j h j la （3-1）
【学位授予单位】：山东农业大学
【学位级别】：硕士
【学位授予年份】：2019
【分类号】：S625;TP18

【参考文献】