温室微喷空气湿度场重建的传感器优化部署研究

发布时间：2024-04-18 23:06

　　针对温室变量微喷作业中空气湿度传感器部署问题,在经典连续粒子群思想和算法框架基础上,重新定义问题的表示方法和速度-位置规则来优化空气湿度传感器部署;利用时空协同克里金插值方法构建适应度函数。针对适应度函数,利用设计的离散粒子群算法的迭代计算得到传感器位置与数目。通过仿真实验,对最终传感器部署的采样值使用Kriging插值与未优化的数据三维图进行空气湿度场重建精度对比和统计方法验证,验证了该算法的有效性,为温室变量微喷作业奠定基础。

【文章页数】：6 页

【部分图文】：

图1微喷前后节点相关性图

针对温室中空气湿度监测点部署的问题,具体部署方案接近无穷组,若将每种方案列举,其工作量大。实际情况下,监测数据总会存在一些不可避免的误差,本文将空气湿度监测点按照理想情况处理(即假设真实温度与采集温度相同)。在具体研究区域(土壤上方1m3空间)规则部署15个传感器,并记录微喷前....

图2新适应度函数构建图

(5)构建新适应度函数,本文利用时空协同克里金插值函数[16]构建离散粒子群优化的适应度函数,具体如图2所示。(6)利用离散粒子群算法优化传感器部署结构,通过新建的离散粒子群算法不断迭代得到更有代表性的传感器部署位置与数目。具体算法流程图如图3所示。

图3传感器优化部署算法流程图

(6)利用离散粒子群算法优化传感器部署结构,通过新建的离散粒子群算法不断迭代得到更有代表性的传感器部署位置与数目。具体算法流程图如图3所示。3仿真数据实验及分析

图4传感器部署位置图

本文的实验是在西南科技大学生命学院实践基地的费约果幼苗扦插温室大棚进行实验的,将15个空气湿度传感器均匀分布在监测区域(微喷头下1m3的空间),具体如图4所示。平均绝对误差(MAE)、平均相对误差(MRE)和均方根误差(RMSE)[17]的定义为:

本文编号：3957866