為保證農(nóng)業(yè)物聯(lián)網(wǎng)傳感器的數(shù)據(jù)感知質(zhì)量,構(gòu)建了基于滑動窗口和預測模型（支持向量回歸、K近鄰、梯度提升回歸和隨機森林）的異常農(nóng)情數(shù)據(jù)在線檢測框架,提出了基于數(shù)據(jù)特征的滑動窗口尺寸計算方法,運用熵權(quán)逼近最優(yōu)排序法評價預測模型適用性。采用羊圈環(huán)境數(shù)據(jù)（空氣溫度、相對濕度、CO₂和H₂S體積分數(shù)）進行試驗,結(jié)果表明,滑動窗口尺寸計算方法優(yōu)于僅基于采樣間隔和特征周期的計算方法;模型預測誤差與其異常檢測性能負相關(guān),且對誤檢率影響更大;支持向量回歸模型對空氣溫度和相對濕度異常數(shù)據(jù)檢測適用性最好,貼近度達0.8以上,梯度提升回歸和K近鄰模型分別對CO₂和H₂S體積分數(shù)異常數(shù)據(jù)檢測適用性較優(yōu),兩者貼近度均在0.6左右。 

【文章來源】：湖南農(nóng)業(yè)大學學報(自然科學版). 2020年04期 北大核心

【文章頁數(shù)】：6 頁

【部分圖文】：

添加異常值后羊

2020年8月用SW–SVR方法和筆者建立的方法計算的窗口尺寸預測誤差和運行時間。在模型預測誤差方面，采用窗口尺寸時各模型的預測誤差均小于SW–SVR方法。此外，較小的窗口尺寸降低了模型訓練時長，使得各模型具有較短的運行時間。為驗證式(1)得出窗口尺寸的合理性，評估滑動窗口尺寸分別為10、15、20、25、30、35和40時SVR模型的預測誤差。圖4表明，空氣溫度和相對濕度數(shù)據(jù)中，窗口尺寸空氣溫度相對濕度CO2體積分數(shù)H2S體積分數(shù)數(shù)據(jù)圖3SVR模型的對預測誤差和運行時間Fig.3SVRmodelpredictionerrorandcomputationaltime10152025303540窗口尺寸圖4不同窗口尺寸下的模型預測誤差Fig.4Predictionerrorofthemodelswithdifferentwindowsizes位于[20,25]時預測誤差最低，CO2數(shù)據(jù)在窗口尺寸位于[15,20]時預測誤差最小，H2S數(shù)據(jù)在窗口尺寸為10時具有最小的預測誤差，與式(1)得出的窗口尺寸基本吻合。結(jié)合KNN、GBR和RF模型，進一步考察提出滑動窗口尺寸計算方法的合理性。對于相同數(shù)據(jù)，同一預測模型的預測誤差較為接近，且采用式(1)的滑動窗口尺寸整體上略優(yōu)于SW–SVR。KNN模型的評估結(jié)果與SVR相似，空氣溫度和相對濕度數(shù)據(jù)中滑動窗口尺寸在20左右時預測誤差最小，CO2數(shù)據(jù)在窗口尺寸為15至20之間預測誤差最小，H2S數(shù)據(jù)誤差隨著窗口尺寸的增大而增大。GBR和RF模型，空氣溫度和相對濕度數(shù)據(jù)預測誤差隨窗口尺寸同步增大。對于波動性較強的CO2與H2S數(shù)據(jù)最優(yōu)窗口尺寸與式(1)較好吻合�？傊�，相比于SW–SVR的窗口尺寸

時各模型的預測誤差均小于SW–SVR方法。此外，較小的窗口尺寸降低了模型訓練時長，使得各模型具有較短的運行時間。為驗證式(1)得出窗口尺寸的合理性，評估滑動窗口尺寸分別為10、15、20、25、30、35和40時SVR模型的預測誤差。圖4表明，空氣溫度和相對濕度數(shù)據(jù)中，窗口尺寸空氣溫度相對濕度CO2體積分數(shù)H2S體積分數(shù)數(shù)據(jù)圖3SVR模型的對預測誤差和運行時間Fig.3SVRmodelpredictionerrorandcomputationaltime10152025303540窗口尺寸圖4不同窗口尺寸下的模型預測誤差Fig.4Predictionerrorofthemodelswithdifferentwindowsizes位于[20,25]時預測誤差最低，CO2數(shù)據(jù)在窗口尺寸位于[15,20]時預測誤差最小，H2S數(shù)據(jù)在窗口尺寸為10時具有最小的預測誤差，與式(1)得出的窗口尺寸基本吻合。結(jié)合KNN、GBR和RF模型，進一步考察提出滑動窗口尺寸計算方法的合理性。對于相同數(shù)據(jù)，同一預測模型的預測誤差較為接近，且采用式(1)的滑動窗口尺寸整體上略優(yōu)于SW–SVR。KNN模型的評估結(jié)果與SVR相似，空氣溫度和相對濕度數(shù)據(jù)中滑動窗口尺寸在20左右時預測誤差最小，CO2數(shù)據(jù)在窗口尺寸為15至20之間預測誤差最小，H2S數(shù)據(jù)誤差隨著窗口尺寸的增大而增大。GBR和RF模型，空氣溫度和相對濕度數(shù)據(jù)預測誤差隨窗口尺寸同步增大。對于波動性較強的CO2與H2S數(shù)據(jù)最優(yōu)窗口尺寸與式(1)較好吻合�？傊�，相比于SW–SVR的窗口尺寸，筆者提出的窗口尺寸計算方法能夠有效降低預測誤差和運行時間。3.2預測模型的異常檢測性能4種預測模型對空氣溫度、空氣相對

【參考文獻】：
期刊論文
[1]大數(shù)據(jù)背景下采用互信息與隨機森林算法的空氣質(zhì)量預測[J]. 楊正理,史文,陳海霞,王長鵬.  環(huán)境工程. 2019(03)
[2]基于LabVIEW平臺的蛋雞舍環(huán)境舒適度實時監(jiān)測系統(tǒng)設(shè)計與實現(xiàn)[J]. 白士寶,滕光輝,杜曉冬,杜欣怡.  農(nóng)業(yè)工程學報. 2017(15)
[3]基于SW-SVR的畜禽養(yǎng)殖物聯(lián)網(wǎng)異常數(shù)據(jù)實時檢測方法[J]. 段青玲,肖曉琰,劉怡然,張璐.  農(nóng)業(yè)機械學報. 2017(08)
[4]基于無線傳感器網(wǎng)絡(luò)的溫室CO2濃度監(jiān)控系統(tǒng)[J]. 王嘉寧,牛新濤,徐子明,鄭傳濤,王一丁.  農(nóng)業(yè)機械學報. 2017(07)
[5]基于無線傳感器網(wǎng)絡(luò)的農(nóng)村供水廠水質(zhì)監(jiān)測節(jié)點的設(shè)計[J]. 李亮斌,姜晟,王衛(wèi)星,陳華強,焦國輝.  湖南農(nóng)業(yè)大學學報(自然科學版). 2016(02)
[6]基于高斯過程建模的物聯(lián)網(wǎng)數(shù)據(jù)不確定性度量與預測[J]. 苑進,胡敏,Kesheng Wang,劉雪美,侯加林,米慶華.  農(nóng)業(yè)機械學報. 2015(05)



本文編號：2954450