許 可，馮 丹，王 楓，彭秀媛

(1.沈陽理工大學(xué) 理學(xué)院，沈陽 110159；2.中共遼寧省委黨校 信息中心，沈陽 110004；3.遼寧省農(nóng)業(yè)科學(xué)院 信息中心，沈陽 110161)

日光溫室在我國北方農(nóng)業(yè)生產(chǎn)中占有重要地位，利用傳感器采集溫度和濕度等數(shù)據(jù)，可以實時監(jiān)測并調(diào)控生產(chǎn)環(huán)境，對節(jié)約資源、提高生產(chǎn)效率尤為重要.但是日光溫室存在內(nèi)部構(gòu)造復(fù)雜和環(huán)境因子分布不均等問題，合理的傳感器布設(shè)方案對于保障數(shù)據(jù)準(zhǔn)確度和節(jié)省生產(chǎn)成本有著重要意義[1].

多傳感器布設(shè)問題是目前的研究熱點，很多學(xué)者對相關(guān)問題進(jìn)行了研究.He等[2]以傳感器布設(shè)位置的熵值最小化為目標(biāo)，采用遺傳算法研究了輸電塔的傳感器布設(shè)；劉寒冰等[3]基于模態(tài)能量評價準(zhǔn)則，采用遺傳算法研究了橋梁結(jié)構(gòu)傳感器的布設(shè)；溫凱方[4]以三維模態(tài)置信準(zhǔn)則為優(yōu)化目標(biāo)，基于鴿群算法研究了橋梁監(jiān)測系統(tǒng)傳感器的布設(shè)問題；張楚旋等[5]構(gòu)建了傳感器布設(shè)影響方案的評價指標(biāo)體系，利用逼近理想解的排序法給出了微震監(jiān)測傳感器的布設(shè)方案；孫玉文[6]運用BP神經(jīng)網(wǎng)絡(luò)和自適應(yīng)加權(quán)融合算法對農(nóng)田傳感器監(jiān)測數(shù)據(jù)進(jìn)行校準(zhǔn)融合，給出了傳感器的定位方法；王凡等[7]采用最小二乘法對土壤水分傳感器的埋設(shè)位置進(jìn)行了研究；彭秀媛等[8]采用最佳平方逼近最小二乘法給出了日光溫室傳感器的最佳布設(shè)點.

可以看出，目前研究傳感器布設(shè)的方法主要可以分為兩類：一類是基于評價準(zhǔn)則，通過智能優(yōu)化算法、TOPSIS等方法評價給定方案來確定最優(yōu)方案；另一類是基于監(jiān)測數(shù)據(jù)，采用最小二乘估計、數(shù)據(jù)融合等方法確定傳感器布設(shè)位置.相對于制定評價準(zhǔn)則，基于監(jiān)測數(shù)據(jù)分析的方法更加客觀易行，更適合日光溫室環(huán)境內(nèi)傳感器布設(shè).同時，數(shù)據(jù)融合可以綜合考慮多傳感器和不同時段的監(jiān)測數(shù)據(jù)，比傳統(tǒng)的最小二乘估計方法所得結(jié)果更準(zhǔn)確.

目前，常見的多傳感器數(shù)據(jù)融合方法有神經(jīng)網(wǎng)絡(luò)、貝葉斯估計、熵融合和自適應(yīng)加權(quán)融合等.相對于神經(jīng)網(wǎng)絡(luò)和貝葉斯等數(shù)據(jù)融合方法，自適應(yīng)加權(quán)平均融合方法不需要進(jìn)行概率分析，計算簡單，對數(shù)據(jù)精度要求較低，適用于環(huán)境傳感器的數(shù)據(jù)融合.但是傳統(tǒng)的自適應(yīng)加權(quán)平均融合算法需要歷史觀測數(shù)據(jù)用以計算傳感器方差，且適應(yīng)性不強(qiáng)，無法靈活修改權(quán)值.因此，本文將分批估計理論與自適應(yīng)加權(quán)平均融合算法相結(jié)合，研究日光溫室的傳感器布設(shè)問題.

首先設(shè)計實驗方案采集某日光溫室內(nèi)西紅柿開花坐果期與結(jié)果期生長環(huán)境數(shù)據(jù)；其次基于BP神經(jīng)網(wǎng)絡(luò)方法對缺失值進(jìn)行補(bǔ)全；然后在此基礎(chǔ)上對實驗數(shù)據(jù)進(jìn)行分批估計并進(jìn)行分段自適應(yīng)加權(quán)平均融合，求取融合值與觀測值的相對誤差；最后將總誤差最小的傳感器作為最優(yōu)傳感器，以此為依據(jù)確定傳感器最佳布設(shè)區(qū)域.

1 實驗環(huán)境及方案

1.1 實驗環(huán)境與設(shè)備

實驗在遼寧省農(nóng)業(yè)科學(xué)院用于測試信息化設(shè)備的日光溫室內(nèi)進(jìn)行，溫室規(guī)格為45 m×9 m，溫室內(nèi)采用基質(zhì)栽培方式栽培西紅柿，行間距1.1 m.降溫設(shè)備包括放風(fēng)電機(jī)、風(fēng)機(jī)、水簾，降濕設(shè)備為放風(fēng)電機(jī)，升溫設(shè)備包括太陽能、電暖氣，冬季生產(chǎn)晚上還會蓋上棉被，一般8∶00～16∶00打開棉被，其余時間關(guān)閉，如遇雨雪天氣則不打開.溫度測量采用Sensirion傳感器公司的SHT10型數(shù)字溫度傳感器，溫度測量范圍為-40～+123.8 ℃，測量精度為±0.5 ℃；濕度測量精度為4.5%RH.

1.2 實驗方案

目前，常用的日光溫室數(shù)據(jù)采集均采取采樣點的方式測量.此次實驗的溫室是北方常見的矩形溫室，為了能夠較為全面地檢測溫室內(nèi)各點的溫濕度情況，選取矩形溫室內(nèi)種植區(qū)域的頂點、中心點、各邊以及對角線中點等典型位置布設(shè)11個監(jiān)測點.各監(jiān)測點水平位置一致，如圖1所示.實驗數(shù)據(jù)采集時段為2016.09.30～2017.01.18，覆蓋冬茬西紅柿的開花坐果期與結(jié)果期，其中開花坐果期為2016.10.01～2016.10.20，結(jié)果期為2016.10.21～2017.01.18，系統(tǒng)設(shè)置每隔5 min采樣數(shù)據(jù)1次.本文希望通過分析處理這11個位置的溫濕度數(shù)據(jù)，尋找最佳傳感器布設(shè)區(qū)域，為同類型溫室的傳感器布設(shè)提供合理依據(jù).

圖1 日光溫室內(nèi)傳感器布設(shè)位置圖Fig.1 Location of sensor layout in sunlight greenhouse

2 基于自適應(yīng)加權(quán)平均融合算法的多傳感器數(shù)據(jù)融合

2.1 基于BP神經(jīng)網(wǎng)絡(luò)的缺失值補(bǔ)全

傳感器在數(shù)據(jù)采集過程中，由于電壓不穩(wěn)定、操作不當(dāng)、設(shè)備故障等影響因素，可能會短暫處于不穩(wěn)定狀態(tài)，造成監(jiān)測數(shù)據(jù)的異常或少量缺失，這些異常值或缺失值會極大影響數(shù)據(jù)連續(xù)性以及數(shù)據(jù)分析處理的準(zhǔn)確性，需要加以克服.

溫室內(nèi)溫度范圍為-10～40 ℃，濕度范圍為0～100%RH，首先去掉超出正常值范圍的異常數(shù)據(jù)，接著需要對缺失數(shù)據(jù)進(jìn)行補(bǔ)全.本次實驗傳感器采集的數(shù)據(jù)具有定距型、樣本量大、宏觀連續(xù)的特點，具有充足的訓(xùn)練樣本，適合采用BP神經(jīng)網(wǎng)絡(luò)算法預(yù)測缺失值.

BP神經(jīng)網(wǎng)絡(luò)是一種多層前向型神經(jīng)網(wǎng)絡(luò)，權(quán)值調(diào)整采用反向傳播學(xué)習(xí)算法.BP網(wǎng)絡(luò)結(jié)構(gòu)包含輸入層、隱含層和輸出層，各層神經(jīng)元采用全連接方式.采用BP神經(jīng)網(wǎng)絡(luò)進(jìn)行缺失值預(yù)測的關(guān)鍵在于構(gòu)建網(wǎng)絡(luò)結(jié)構(gòu)，具體如下：

1) 輸入輸出層.輸入輸出層的神經(jīng)元數(shù)量依據(jù)樣本數(shù)據(jù)確定，根據(jù)本次實驗數(shù)據(jù)特點，確定輸入層神經(jīng)元個數(shù)為10，即輸入變量為已知10個完整的傳感器數(shù)據(jù)樣本；輸出層為1，即輸出缺失的單個監(jiān)測數(shù)據(jù).

2) 隱含層.采用單個隱含層網(wǎng)絡(luò)，通過適當(dāng)增加隱含節(jié)點的個數(shù)來實現(xiàn)非線性映射.根據(jù)隱含神經(jīng)元個數(shù)經(jīng)驗公式(1)來確定神經(jīng)元個數(shù)，然后通過對含不同神經(jīng)元個數(shù)的網(wǎng)絡(luò)進(jìn)行訓(xùn)練對比，最后確定隱含神經(jīng)元個數(shù).

(1)

式中：k為隱含層神經(jīng)元個數(shù)；p為輸入層神經(jīng)元個數(shù)；t為輸出層神經(jīng)元個數(shù)；m為常數(shù)，且1

2.2 基于分批估計的自適應(yīng)加權(quán)平均多傳感器數(shù)據(jù)融合

2.2.1 數(shù)據(jù)分批處理

直接采用自適應(yīng)加權(quán)算法需要根據(jù)歷史數(shù)據(jù)求得傳感器方差，過于依賴歷史監(jiān)測數(shù)據(jù)，在樣本量過大時，方差值發(fā)生僵化.分批估計方法將數(shù)據(jù)分批處理，方差可以根據(jù)樣本的改變發(fā)生變化，有效避免不同監(jiān)測結(jié)果誤差所導(dǎo)致的融合結(jié)果偏差，從而系統(tǒng)地提高魯棒性和容錯性.因此，本文結(jié)合分批估計理論，將多個傳感器多次采樣結(jié)果進(jìn)行融合處理.

首先對n個傳感器將全部數(shù)據(jù)按照時間段分為若干組，然后對每個傳感器各組內(nèi)的數(shù)據(jù)做分批處理，步驟如下：

2) 計算每個傳感器該時間段的最小平方誤差，其表達(dá)式為

(2)

3) 計算每個傳感器該時間段的融合值，即

(3)

2.2.2 自適應(yīng)加權(quán)平均融合

(4)

數(shù)據(jù)融合的目標(biāo)應(yīng)使總方差最小，即

(5)

依據(jù)多元函數(shù)極值理論，可得

(6)

此時

(7)

可得最終融合值為

(8)

3 實驗數(shù)據(jù)分析及傳感器布設(shè)方案設(shè)計

3.1 數(shù)據(jù)計算

3.1.1 缺失值補(bǔ)全

表1為某日11個傳感器監(jiān)測到的7∶00～9∶00的溫度數(shù)據(jù).日光溫室白天會掀去草簾接受太陽光照，在白天受外界影響較大，清晨草簾剛掀開后的一段時間內(nèi)，室內(nèi)溫度會發(fā)生一次較為明顯的下降，因為此時太陽出現(xiàn)不久，室外溫度仍然低于室內(nèi)，當(dāng)草簾掀開后室溫下降到室外同一水平，室內(nèi)溫度才開始回升，本組數(shù)據(jù)恰好為草簾剛掀開時段的溫度，因此溫度呈明顯下降趨勢.從表1可以看出，A1缺失8∶52的一組數(shù)據(jù).

將A2到A11從7∶02至8∶47時間段的溫度數(shù)據(jù)作為訓(xùn)練輸入，A1從7∶02至8∶47時間段的數(shù)據(jù)作為訓(xùn)練輸出.之后將A2到A11在8∶52時間點的數(shù)據(jù)作為測試輸入，A1在8∶52時間點的數(shù)據(jù)作為測試輸出.設(shè)定網(wǎng)絡(luò)的最大學(xué)習(xí)迭代次數(shù)為100次，學(xué)習(xí)率為0.05，學(xué)習(xí)精度為0.000 1.該網(wǎng)絡(luò)模型迭代學(xué)習(xí)10次完成訓(xùn)練，達(dá)到學(xué)習(xí)精度，預(yù)測值為10.984 1 ℃.

表1 神經(jīng)網(wǎng)絡(luò)溫度訓(xùn)練數(shù)據(jù)Tab.1 Temperature training data of neural network ℃

圖2為7∶00～9∶00時間段缺失值補(bǔ)全后的溫度變化曲線.可以看出，此時溫度變化曲線仍然呈連續(xù)狀態(tài)，預(yù)測值前后未出現(xiàn)異常，預(yù)測結(jié)果可以被接受.

圖2 缺失值補(bǔ)全后溫度變化曲線Fig.2 Temperature change curve after complement of missing values

3.1.2 多傳感器數(shù)據(jù)融合

將11個傳感器測得的數(shù)據(jù)按照時間段分為若干組，表2為其中一組，是某日連續(xù)11個時間點的溫度監(jiān)測數(shù)據(jù)樣本.

運用式(2)、(3)計算本時段11個傳感器的最小平方誤差和溫度融合值，結(jié)果如表3所示.

運用式(6)、(7)計算各傳感器的最優(yōu)權(quán)值，結(jié)果如表4所示.可得該時段溫度最終融合值，即

同理可得所有時段溫度數(shù)據(jù)和濕度數(shù)據(jù)的融合值.圖3、4分別為某日0時至24時基于分批估計的自適應(yīng)加權(quán)平均融合算法的所有時段溫度融合值與濕度融合值.

將基于分批估計的自適應(yīng)加權(quán)平均融合算法、自適應(yīng)加權(quán)平均融合算法和算術(shù)平均融合算法的結(jié)果進(jìn)行對比，結(jié)果如圖5所示.可以看出，三種方法融合后的數(shù)據(jù)曲線大致趨勢保持一致，基本反映了當(dāng)天溫室內(nèi)溫度變化情況，但是在開始階段和頂點附近融合結(jié)果產(chǎn)生較大偏差.在開始階段，相對于算術(shù)平均，基于分批估計的自適應(yīng)加權(quán)平均融合與自適應(yīng)加權(quán)平均融合均能反應(yīng)數(shù)據(jù)穩(wěn)定變化的趨勢，較好地彌補(bǔ)了數(shù)據(jù)突變引起的差異.在曲線頂端，與單純的自適應(yīng)加權(quán)算法相比，采用分批估計理論對單個傳感器分批處理，求得的方差值可以根據(jù)樣本改變而變化，避免了由于樣本量過大產(chǎn)生的方差值僵化.

表2 某時段待融合溫度數(shù)據(jù)Tab.2 Temperature data to be fused at a certain period ℃

表3 分批估計的融合值與最小平方誤差Tab.3 Fusion values and variances for batch estimation

表4 溫度傳感器最優(yōu)權(quán)值Tab.4 Optimal weight distribution of temperature sensor

圖3 溫度融合值Fig.3 Fusion value of temperature

圖4 濕度融合值Fig.4 Fusion value of humidity

圖5 融合結(jié)果對比圖Fig.5 Comparison in fusion results

3.2 傳感器布設(shè)方案設(shè)計

基于求得的溫濕度融合值計算融合值與觀測值的相對誤差，總誤差最小的傳感器所在區(qū)域即為最佳布設(shè)區(qū)域.根據(jù)番茄作物生長周期，將所得監(jiān)測數(shù)據(jù)按照開花坐果期與結(jié)果期分時段設(shè)計布設(shè)方案.

表5、6分別為開花坐果期各溫度與濕度傳感器所占最優(yōu)數(shù)據(jù)的比率.可以看出在開花坐果期，溫度總誤差最小組占比最大的傳感器是A6，但對比其他傳感器可以發(fā)現(xiàn)，A6所占的16.32%并沒有絕對優(yōu)勢，與之相近的分別是A4的14.41%和A5的13.53%，這三個傳感器占最優(yōu)數(shù)據(jù)比例超過44%.可以認(rèn)為，溫度傳感器最佳布設(shè)區(qū)域應(yīng)該是A4、A5、A6圍成的區(qū)域.同理濕度傳感器的最佳布設(shè)區(qū)域應(yīng)該為A5、A6、A10所在位置區(qū)域，最優(yōu)數(shù)據(jù)占比和達(dá)到51.9%.如果采用溫濕度一體傳感器，可以選取溫度與濕度傳感器最佳布設(shè)位置的重合區(qū)域，可得開花坐果期傳感器的最佳布設(shè)區(qū)域為A5、A6所在區(qū)域.

表6 開花坐果期濕度傳感器最優(yōu)數(shù)據(jù)所占比率Tab.6 Optimum data proportion of humidity sensor during blooming and fruit setting stage %

表7、8分別為結(jié)果期各溫度和濕度傳感器所占最優(yōu)數(shù)據(jù)的比率.可以看出對于溫度傳感器最佳布設(shè)區(qū)域為A1、A4、A7、A9四個傳感器所在區(qū)域，最優(yōu)數(shù)據(jù)占比超過55%；濕度傳感器最佳布設(shè)區(qū)域為A1、A4、A5所在區(qū)域，最優(yōu)數(shù)據(jù)占比超過51%，綜合可得，結(jié)果期傳感器的最佳布設(shè)區(qū)域為A1、A4所在區(qū)域.結(jié)合開花坐果期與結(jié)果期分析結(jié)果，最終溫度和濕度傳感器布設(shè)方案如圖6所示.

最終確定的最優(yōu)傳感器位置并非一個點，而是日光溫室?guī)缀沃行臇|北側(cè)和西北側(cè)區(qū)域.本文不僅考慮了不同生長期的區(qū)別，而且給出的布設(shè)方案不是單一點，為一個布設(shè)區(qū)域.因此，本文確定的最優(yōu)布設(shè)位置不僅符合溫濕度數(shù)據(jù)變化穩(wěn)定、受外界影響較小的特點，而且方便操作人員根據(jù)溫室內(nèi)實際情況靈活布設(shè)，易于實施.

表7 結(jié)果期溫度傳感器最優(yōu)數(shù)據(jù)所占比率Tab.7 Optimum data proportion of temperature sensor during fruit setting stage %

表8 結(jié)果期濕度傳感器最優(yōu)數(shù)據(jù)所占比率Tab.8 Optimum data proportion of humidity sensor during fruit setting stage %

圖6 傳感器最佳布設(shè)區(qū)域Fig.6 Optimal layout area of sensor

4 結(jié) 論

本文針對11個觀測點測得的西紅柿生長濕度數(shù)據(jù)，首先采用BP神經(jīng)網(wǎng)絡(luò)進(jìn)行缺失值補(bǔ)全，然后采用基于分批估計理論的自適應(yīng)加權(quán)平均融合算法計算出溫度融合值，最后通過計算融合值與觀測值的絕對誤差分別確定了開花坐果期與結(jié)果期的傳感器最佳布設(shè)區(qū)域.與一般傳感器布設(shè)方案只給定單一布設(shè)點相比，本文布設(shè)方案不僅考慮了不同生長期的區(qū)別，而且給出了布設(shè)區(qū)域，方便操作人員根據(jù)溫室實際情況進(jìn)行安裝布設(shè)，更便于實施.

但是本文只研究了溫室內(nèi)空氣溫濕度傳感器的布設(shè)，而溫室內(nèi)影響作物生長的環(huán)境因素還包括光照強(qiáng)度、CO2濃度、土壤濕度等因素，下一步應(yīng)該在綜合研究其他溫室環(huán)境數(shù)據(jù)的基礎(chǔ)上討論傳感器布設(shè)方案.