在溫室智能控制中,為準(zhǔn)確判斷溫室內(nèi)的環(huán)境狀況,需要使用多傳感器信息融合技術(shù)對(duì)溫室環(huán)境信息進(jìn)行綜合,從而向溫室管理者提供準(zhǔn)確的溫室環(huán)境信息,輔助溫室管理者推斷出農(nóng)作物生長(zhǎng)狀態(tài)和下一步的溫室調(diào)控措施,進(jìn)而為溫室農(nóng)作物提供一個(gè)較為理想的生長(zhǎng)環(huán)境,達(dá)到提高溫室農(nóng)作物產(chǎn)量和質(zhì)量的目的。因此,本文針對(duì)傳感器采集溫室環(huán)境參數(shù)受外界因素干擾,導(dǎo)致采集數(shù)據(jù)非均勻分布的問(wèn)題,以溫室智能控制中多傳感器信息融合算法為側(cè)重點(diǎn)主要做了如下工作:(1)針對(duì)傳感器在工作區(qū)域內(nèi),由于出現(xiàn)設(shè)備故障、外界環(huán)境干擾或人為因素干預(yù)等,導(dǎo)致采集數(shù)據(jù)出現(xiàn)異常的問(wèn)題,研究設(shè)計(jì)了一種基于格拉布斯準(zhǔn)則的改進(jìn)神經(jīng)網(wǎng)絡(luò)預(yù)測(cè)算法。首先,通過(guò)格拉布斯準(zhǔn)則將傳感器所獲得的檢測(cè)值分為正常和異常值兩類。然后,運(yùn)用改進(jìn)神經(jīng)網(wǎng)絡(luò)預(yù)測(cè)模型對(duì)正常值進(jìn)行訓(xùn)練,并用訓(xùn)練好的網(wǎng)絡(luò)模型來(lái)預(yù)測(cè)測(cè)量中的異常值并替換之。最后,通過(guò)算術(shù)平均值法計(jì)算出溫室內(nèi)的溫室環(huán)境信息。實(shí)驗(yàn)結(jié)果表明:改進(jìn)神經(jīng)網(wǎng)絡(luò)預(yù)測(cè)模型的MAE值、MSE值和RMSE值均低于同類預(yù)測(cè)算法,更接近真實(shí)值;本文算法求得的標(biāo)準(zhǔn)差也低于未修正異常數(shù)據(jù)時(shí)求得的標(biāo)準(zhǔn)差。故本文算法對(duì)異常數(shù)據(jù)進(jìn)行預(yù)處理后的融合結(jié)果比未修正...

【文章頁(yè)數(shù)】：73 頁(yè)

【學(xué)位級(jí)別】：碩士

【文章目錄】：
摘要
ABSTRACT
1 緒論
    1.1 課題研究背景及意義
    1.2 國(guó)內(nèi)外研究現(xiàn)狀
        1.2.1 國(guó)外研究現(xiàn)狀
        1.2.2 國(guó)內(nèi)研究現(xiàn)狀
    1.3 課題主要研究?jī)?nèi)容
    1.4 論文組織結(jié)構(gòu)
2 多傳感器信息融合相關(guān)技術(shù)概述
    2.1 多傳感器信息融合的基本概念
        2.1.1 多傳感器信息融合的定義
        2.1.2 多傳感器信息融合原理
        2.1.3 多傳感器信息融合過(guò)程
    2.2 多傳感器信息融合的層次技術(shù)
        2.2.1 多傳感器信息融合的層次
        2.2.2 多傳感器信息融合技術(shù)和方法
        2.2.3 典型的多傳感器信息融合算法
    2.3 多傳感器信息融合應(yīng)用領(lǐng)域
    2.4 本章小結(jié)
3 基于格拉布斯準(zhǔn)則的改進(jìn)CFA PSO-RBF神經(jīng)網(wǎng)絡(luò)預(yù)測(cè)算法
    3.1 多傳感器異常數(shù)據(jù)檢測(cè)
        3.1.1 經(jīng)典異常數(shù)據(jù)檢測(cè)算法
        3.1.2 四種準(zhǔn)則的使用情況比較
    3.2 基于改進(jìn)CFA PSO-RBF的神經(jīng)網(wǎng)絡(luò)預(yù)測(cè)算法
        3.2.1 RBF神經(jīng)網(wǎng)絡(luò)
        3.2.2 PSO算法
        3.2.3 改進(jìn)的CFA PSO-RBF神經(jīng)網(wǎng)絡(luò)算法
        3.2.4 基于修正數(shù)據(jù)的算術(shù)平均值法
    3.3 多傳感器異常數(shù)據(jù)檢測(cè)與神經(jīng)網(wǎng)絡(luò)修正實(shí)現(xiàn)
        3.3.1 多傳感器異常數(shù)據(jù)檢測(cè)與修正模型實(shí)現(xiàn)步驟
        3.3.2 改進(jìn)CFA PSO-RBF神經(jīng)網(wǎng)絡(luò)模型的訓(xùn)練
        3.3.3 預(yù)測(cè)模型參數(shù)求解
    3.4 預(yù)測(cè)模型評(píng)價(jià)及實(shí)驗(yàn)結(jié)果分析
        3.4.1 預(yù)測(cè)模型評(píng)價(jià)標(biāo)準(zhǔn)
        3.4.2 預(yù)測(cè)模型實(shí)驗(yàn)結(jié)果分析
        3.4.3 同質(zhì)傳感器數(shù)據(jù)融合
    3.5 本章小結(jié)
4 基于D-S證據(jù)理論的多傳感器信息融合算法
    4.1 D-S證據(jù)理論
        4.1.1 D-S證據(jù)理論基本概念
        4.1.2 D-S證據(jù)理論組合規(guī)則
        4.1.3 D-S證據(jù)理論存在的不足
    4.2 經(jīng)典證據(jù)組合規(guī)則改進(jìn)算法分析
        4.2.1 合成規(guī)則的修正
        4.2.2 證據(jù)源的修正
    4.3 本文改進(jìn)的D-S證據(jù)理論
        4.3.1 證據(jù)間相容系數(shù)計(jì)算
        4.3.2 證據(jù)間可信度計(jì)算
        4.3.3 融合規(guī)則改進(jìn)
        4.3.4 沖突證據(jù)處理及融合步驟
    4.4 實(shí)驗(yàn)對(duì)比及實(shí)例驗(yàn)證
        4.4.1 沖突證據(jù)的合成實(shí)驗(yàn)對(duì)比
        4.4.2 實(shí)例驗(yàn)證及分析
    4.5 本章小結(jié)
5 多傳感器信息融合算法在溫室智能控制中的應(yīng)用
    5.1 溫室智能控制中環(huán)境因子概述
        5.1.1 溫室環(huán)境因子關(guān)系
        5.1.2 溫室環(huán)境控制的主要參數(shù)
    5.2 溫室智能控制中多傳感器信息融合方案設(shè)計(jì)
        5.2.1 融合方案二級(jí)模型
        5.2.2 局部融合算法
        5.2.3 全局融合算法
    5.3 溫室信息融合應(yīng)用及應(yīng)用效果
    5.4 融合算法在溫室栽培中的應(yīng)用
    5.5 本章小結(jié)
6 總結(jié)與展望
    6.1 總結(jié)
    6.2 展望
致謝
參考文獻(xiàn)
附錄



本文編號(hào)：3807501