温室智能控制中多传感器信息融合算法的研究

发布时间：2023-05-03 23:29

　　在温室智能控制中,为准确判断温室内的环境状况,需要使用多传感器信息融合技术对温室环境信息进行综合,从而向温室管理者提供准确的温室环境信息,辅助温室管理者推断出农作物生长状态和下一步的温室调控措施,进而为温室农作物提供一个较为理想的生长环境,达到提高温室农作物产量和质量的目的。因此,本文针对传感器采集温室环境参数受外界因素干扰,导致采集数据非均匀分布的问题,以温室智能控制中多传感器信息融合算法为侧重点主要做了如下工作:(1)针对传感器在工作区域内,由于出现设备故障、外界环境干扰或人为因素干预等,导致采集数据出现异常的问题,研究设计了一种基于格拉布斯准则的改进神经网络预测算法。首先,通过格拉布斯准则将传感器所获得的检测值分为正常和异常值两类。然后,运用改进神经网络预测模型对正常值进行训练,并用训练好的网络模型来预测测量中的异常值并替换之。最后,通过算术平均值法计算出温室内的温室环境信息。实验结果表明:改进神经网络预测模型的MAE值、MSE值和RMSE值均低于同类预测算法,更接近真实值;本文算法求得的标准差也低于未修正异常数据时求得的标准差。故本文算法对异常数据进行预处理后的融合结果比未修正...

【文章页数】：73 页

【学位级别】：硕士

【文章目录】：
摘要
ABSTRACT
1 绪论
    1.1 课题研究背景及意义
    1.2 国内外研究现状
        1.2.1 国外研究现状
        1.2.2 国内研究现状
    1.3 课题主要研究内容
    1.4 论文组织结构
2 多传感器信息融合相关技术概述
    2.1 多传感器信息融合的基本概念
        2.1.1 多传感器信息融合的定义
        2.1.2 多传感器信息融合原理
        2.1.3 多传感器信息融合过程
    2.2 多传感器信息融合的层次技术
        2.2.1 多传感器信息融合的层次
        2.2.2 多传感器信息融合技术和方法
        2.2.3 典型的多传感器信息融合算法
    2.3 多传感器信息融合应用领域
    2.4 本章小结
3 基于格拉布斯准则的改进CFA PSO-RBF神经网络预测算法
    3.1 多传感器异常数据检测
        3.1.1 经典异常数据检测算法
        3.1.2 四种准则的使用情况比较
    3.2 基于改进CFA PSO-RBF的神经网络预测算法
        3.2.1 RBF神经网络
        3.2.2 PSO算法
        3.2.3 改进的CFA PSO-RBF神经网络算法
        3.2.4 基于修正数据的算术平均值法
    3.3 多传感器异常数据检测与神经网络修正实现
        3.3.1 多传感器异常数据检测与修正模型实现步骤
        3.3.2 改进CFA PSO-RBF神经网络模型的训练
        3.3.3 预测模型参数求解
    3.4 预测模型评价及实验结果分析
        3.4.1 预测模型评价标准
        3.4.2 预测模型实验结果分析
        3.4.3 同质传感器数据融合
    3.5 本章小结
4 基于D-S证据理论的多传感器信息融合算法
    4.1 D-S证据理论
        4.1.1 D-S证据理论基本概念
        4.1.2 D-S证据理论组合规则
        4.1.3 D-S证据理论存在的不足
    4.2 经典证据组合规则改进算法分析
        4.2.1 合成规则的修正
        4.2.2 证据源的修正
    4.3 本文改进的D-S证据理论
        4.3.1 证据间相容系数计算
        4.3.2 证据间可信度计算
        4.3.3 融合规则改进
        4.3.4 冲突证据处理及融合步骤
    4.4 实验对比及实例验证
        4.4.1 冲突证据的合成实验对比
        4.4.2 实例验证及分析
    4.5 本章小结
5 多传感器信息融合算法在温室智能控制中的应用
    5.1 温室智能控制中环境因子概述
        5.1.1 温室环境因子关系
        5.1.2 温室环境控制的主要参数
    5.2 温室智能控制中多传感器信息融合方案设计
        5.2.1 融合方案二级模型
        5.2.2 局部融合算法
        5.2.3 全局融合算法
    5.3 温室信息融合应用及应用效果
    5.4 融合算法在温室栽培中的应用
    5.5 本章小结
6 总结与展望
    6.1 总结
    6.2 展望
致谢
参考文献
附录



本文编号：3807501