本文關(guān)鍵詞：面向智慧農(nóng)業(yè)種植領(lǐng)域數(shù)據(jù)處理算法的研究

  更多相關(guān)文章： 智慧農(nóng)業(yè) 數(shù)據(jù)處理 產(chǎn)量預(yù)測 環(huán)境優(yōu)化 FPKM算法 BP神經(jīng)網(wǎng)絡(luò) 遺傳算法

【摘要】：智慧農(nóng)業(yè)是農(nóng)業(yè)生產(chǎn)的高級階段,它集新興的互聯(lián)網(wǎng)、移動(dòng)互聯(lián)網(wǎng)、云計(jì)算和物聯(lián)網(wǎng)技術(shù)為一體,依托部署在農(nóng)業(yè)生產(chǎn)現(xiàn)場的各種傳感節(jié)點(diǎn)(環(huán)境溫濕度、土壤水分、二氧化碳、圖像等)和無線通信網(wǎng)絡(luò)以實(shí)現(xiàn)農(nóng)業(yè)生產(chǎn)環(huán)境的智能感知、智能預(yù)警、智能決策、智能分析、專家在線指導(dǎo),為農(nóng)業(yè)生產(chǎn)提供精準(zhǔn)化種植、可視化管理、智能化決策。本文以某金針菇工廠為研究背景,旨在研究智慧農(nóng)業(yè)種植領(lǐng)域的數(shù)據(jù)處理算法,為農(nóng)業(yè)生產(chǎn)提供智能化決策,主要完成以下工作:1.對傳感器采集的原始數(shù)據(jù)進(jìn)行預(yù)處理,針對如何去除噪聲數(shù)據(jù)的問題做了重點(diǎn)研究。結(jié)合希望處理完后的數(shù)據(jù)失真少的需求,選擇使用k-means聚類的方法來去除噪聲數(shù)據(jù),通過實(shí)驗(yàn)發(fā)現(xiàn)該算法的運(yùn)行時(shí)間長且聚類結(jié)果不穩(wěn)定,因此提出了一種基于最遠(yuǎn)優(yōu)先策略的k-means算法(FPKM算法)。經(jīng)實(shí)驗(yàn)證明,該算法在運(yùn)行速度和聚類結(jié)果上都較普通k-means算法有了明顯的改善。2.對生長周期未完成的金針菇進(jìn)行產(chǎn)量預(yù)測,針對如何建立栽培過程中生長環(huán)境與產(chǎn)量之間的關(guān)系模型做了重點(diǎn)研究。在分析了統(tǒng)計(jì)計(jì)量預(yù)測模型和神經(jīng)網(wǎng)絡(luò)預(yù)測模型對數(shù)據(jù)的要求后,選擇用BP神經(jīng)網(wǎng)絡(luò)對金針菇栽培過程中生長環(huán)境與產(chǎn)量之間的關(guān)系進(jìn)行建模,并針對使用BP神經(jīng)網(wǎng)絡(luò)訓(xùn)練預(yù)測模型時(shí)所需的迭代次數(shù)多且容易在未達(dá)到訓(xùn)練目標(biāo)就終止訓(xùn)練的問題,提出了用遺傳算法優(yōu)化BP神經(jīng)網(wǎng)絡(luò)初始權(quán)值的方案。經(jīng)實(shí)驗(yàn)證明,經(jīng)遺傳算法改進(jìn)后的BP神經(jīng)網(wǎng)絡(luò)在訓(xùn)練過程中的收斂速度變快,且預(yù)測模型的精度也得到了提高。3.對金針菇栽培過程中的生長環(huán)境進(jìn)行優(yōu)化,針對尋找金針菇環(huán)境與產(chǎn)量關(guān)系模型中的最優(yōu)解問題做了重點(diǎn)研究。通過遺傳算法對生產(chǎn)環(huán)境進(jìn)行不斷的優(yōu)化,經(jīng)過多次實(shí)驗(yàn)后發(fā)現(xiàn)傳統(tǒng)遺傳算法收斂速度慢且容易陷入局部最優(yōu),針對該問題改進(jìn)了傳統(tǒng)遺傳算法的選擇算子和交叉算子。經(jīng)實(shí)驗(yàn)證明,改進(jìn)后的遺傳算法尋優(yōu)的能力得到了提升�？紤]到在實(shí)際應(yīng)用中,各項(xiàng)環(huán)境參數(shù)很難穩(wěn)定在某一值,因此用周邊環(huán)境的平均產(chǎn)值去優(yōu)化適應(yīng)度函數(shù),提高了最優(yōu)方案的魯棒性和實(shí)際操作中的可實(shí)現(xiàn)性。4.將以上研究成果用python語言實(shí)現(xiàn),并按一定的邏輯集成為數(shù)據(jù)處理模塊,加入到智慧農(nóng)業(yè)生產(chǎn)平臺中,使采集到的數(shù)據(jù)得到了利用,最后通過平臺的實(shí)際應(yīng)用驗(yàn)證了本文提出的產(chǎn)量預(yù)測和環(huán)境優(yōu)化方法。研究結(jié)果表明,本文提出的FPKM算法彌補(bǔ)了k-means算法聚類結(jié)果不穩(wěn)定且迭代次數(shù)多的缺陷,提高了聚類的效果,為后續(xù)的挖掘工作提供了準(zhǔn)確有效的數(shù)據(jù);基于權(quán)值優(yōu)化的BP神經(jīng)網(wǎng)絡(luò)訓(xùn)練算法,彌補(bǔ)了傳統(tǒng)BP神經(jīng)網(wǎng)絡(luò)的不足,而且訓(xùn)練出的金針菇產(chǎn)量預(yù)測模型,在預(yù)測精度上較傳統(tǒng)BP神經(jīng)網(wǎng)絡(luò)訓(xùn)練出的預(yù)測模型有了很大提升;基于改進(jìn)遺傳算法的金針菇栽培過程環(huán)境尋優(yōu)方法,彌補(bǔ)了傳統(tǒng)遺傳算法收斂速度慢容易陷入局部最優(yōu)的不足,提升了尋優(yōu)的能力,同時(shí)增強(qiáng)了最優(yōu)方案的魯棒性和可行性。
【關(guān)鍵詞】：智慧農(nóng)業(yè) 數(shù)據(jù)處理 產(chǎn)量預(yù)測 環(huán)境優(yōu)化 FPKM算法 BP神經(jīng)網(wǎng)絡(luò) 遺傳算法
【學(xué)位授予單位】：浙江理工大學(xué)
【學(xué)位級別】：碩士
【學(xué)位授予年份】：2016
【分類號】：S126;TP311.13
【目錄】：

• 摘要4-6
• ABSTRACT6-11
• 第一章 緒論11-16
• 1.1 課題的研究背景和意義11
• 1.2 國內(nèi)外研究現(xiàn)狀11-13
• 1.3 主要研究內(nèi)容13-14
• 1.4 論文結(jié)構(gòu)14-16
• 第二章 基于FPKM算法的噪聲數(shù)據(jù)去除16-30
• 2.1 引言16
• 2.2 基于聚類的噪聲數(shù)據(jù)處理方法16-21
• 2.2.1 聚類17
• 2.2.2 基本的k-means算法17-20
• 2.2.3 最遠(yuǎn)優(yōu)先聚類算法20-21
• 2.3 基于FPKM算法的噪聲數(shù)據(jù)處理算法21-24
• 2.3.1 普通k-means算法的改進(jìn)策略21-22
• 2.3.2 基于最遠(yuǎn)優(yōu)先策略的k-means算法(FPKM算法)描述22-23
• 2.3.3 算法實(shí)例23-24
• 2.4 實(shí)驗(yàn)分析24-29
• 2.4.1 實(shí)驗(yàn)數(shù)據(jù)集24-26
• 2.4.2 實(shí)驗(yàn)結(jié)果及對比分析26-29
• 2.5 本章小結(jié)29-30
• 第三章 基于改進(jìn)神經(jīng)網(wǎng)絡(luò)的金針菇產(chǎn)量預(yù)測30-44
• 3.1 引言30-31
• 3.2 農(nóng)業(yè)領(lǐng)域常用的預(yù)測模型31-34
• 3.2.1 統(tǒng)計(jì)計(jì)量預(yù)測模型31-32
• 3.2.2 神經(jīng)網(wǎng)絡(luò)預(yù)測模型32-34
• 3.3 金針菇生長過程分析34-36
• 3.3.1 金針菇生長過程34-35
• 3.3.2 金針菇栽培階段對生長環(huán)境的要求35-36
• 3.4 基于權(quán)值優(yōu)化的神經(jīng)網(wǎng)絡(luò)金針菇產(chǎn)量預(yù)測模型36-39
• 3.4.1 模型的基本原理37
• 3.4.2 模型的參數(shù)設(shè)計(jì)37-39
• 3.5 實(shí)驗(yàn)分析39-43
• 3.5.1 實(shí)驗(yàn)數(shù)據(jù)集40
• 3.5.2 實(shí)驗(yàn)結(jié)果及對比分析40-43
• 3.6 本章小結(jié)43-44
• 第四章 改進(jìn)的遺傳算法對金針菇栽培環(huán)境的優(yōu)化44-55
• 4.1 引言44
• 4.2 遺傳算法原理44-48
• 4.2.1 遺傳算法的基本概念和步驟44-46
• 4.2.2 遺傳算法存在的問題及改進(jìn)策略46-48
• 4.3 選擇算子及交叉算子的改進(jìn)48-50
• 4.3.1 改進(jìn)的選擇算子48
• 4.3.2 改進(jìn)的交叉算子48-50
• 4.4 基于改進(jìn)遺傳算法的金針菇栽培過程環(huán)境優(yōu)化50-51
• 4.4.1 適應(yīng)度函數(shù)與編碼方案50
• 4.4.2 控制參數(shù)的選擇50-51
• 4.5 實(shí)驗(yàn)分析51-54
• 4.5.1 改進(jìn)方案可行性測試51-52
• 4.5.2 性能對比測試52-53
• 4.5.3 改進(jìn)方案用于金針菇栽培環(huán)境優(yōu)化53-54
• 4.6 本章小結(jié)54-55
• 第五章 智慧農(nóng)業(yè)生產(chǎn)平臺數(shù)據(jù)處理模塊的實(shí)現(xiàn)55-64
• 5.1 平臺概述55-60
• 5.1.1 平臺整體架構(gòu)55-56
• 5.1.2 功能模塊介紹56-57
• 5.1.3 數(shù)據(jù)庫設(shè)計(jì)57-60
• 5.2 數(shù)據(jù)處理模塊的實(shí)現(xiàn)60-63
• 5.2.1 產(chǎn)量錄入功能60
• 5.2.2 產(chǎn)量預(yù)測功能60-63
• 5.3 本章小結(jié)63-64
• 第六章 總結(jié)與展望64-66
• 6.1 全文總結(jié)64-65
• 6.2 研究展望65-66
• 致謝66-67
• 參考文獻(xiàn)67-70

【相似文獻(xiàn)】

中國重要會(huì)議論文全文數(shù)據(jù)庫 前2條

1 唐鋒;王向朝;張以謨;;白光掃描干涉系統(tǒng)數(shù)據(jù)處理算法的研究[A];第十一屆全國光學(xué)測試學(xué)術(shù)討論會(huì)論文（摘要集）[C];2006年

2 陳國維;;全自動(dòng)生化分析儀中測量值的數(shù)據(jù)處理[A];海峽兩岸醫(yī)療儀器學(xué)術(shù)會(huì)議論文集[C];1995年

中國碩士學(xué)位論文全文數(shù)據(jù)庫 前1條

1 岳夢婕;面向智慧農(nóng)業(yè)種植領(lǐng)域數(shù)據(jù)處理算法的研究[D];浙江理工大學(xué);2016年

，

本文編號：675089