面向智慧農(nóng)業(yè)種植領(lǐng)域數(shù)據(jù)處理算法的研究.pdf

1、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)、移動互聯(lián)網(wǎng)、云計算和物聯(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（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

2、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)，通過實驗發(fā)現(xiàn)該算法的運行時間長且聚類結(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)實驗證明，該算法在運行速度和聚類結(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

3、間的關(guān)系模型做了重點研究。在分析了統(tǒng)計計量預(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)實驗證明，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)

4、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)過多次實驗后發(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)實驗證明，改進(jìn)后的遺傳算法尋優(yōu)的能力得到了提升?？紤]到在實際應(yīng)用中，各項環(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)方案的魯棒性和實際操作中的可實現(xiàn)性。
　　4．將以上研究成果用py

5、thon語言實現(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，最后通過平臺的實際應(yīng)用驗證了本文提出的產(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