許德立, 皇甫森森, 李澍源

（1.福建農(nóng)林大學(xué)金山學(xué)院, 福州 350002；2.廈門大學(xué)嘉庚學(xué)院, 福建 漳州 363105；3.福建師范大學(xué)后勤管理處, 福州 350117）

在現(xiàn)代農(nóng)業(yè)溫室大棚中, 溫室內(nèi)環(huán)境對經(jīng)濟(jì)作物發(fā)展非常重要。由于溫室內(nèi)環(huán)境主要與溫室植物的生長發(fā)育、植物有機質(zhì)的吸收與能量轉(zhuǎn)換等有關(guān), 所以有必要對溫室的環(huán)境加以嚴(yán)格監(jiān)控, 以保證溫室一直保持在最適宜于經(jīng)濟(jì)作物生長發(fā)育的環(huán)境[1］。因此, 為了促進(jìn)溫室農(nóng)業(yè)技術(shù)的發(fā)展、創(chuàng)新和優(yōu)化生產(chǎn)設(shè)備, 提高農(nóng)產(chǎn)品質(zhì)量和生產(chǎn)效率, 實現(xiàn)科學(xué)生產(chǎn)、合理產(chǎn)業(yè)化和高效實現(xiàn)大棚作物的高產(chǎn), 有必要開發(fā)大棚農(nóng)產(chǎn)品生產(chǎn)的軟硬件技術(shù)以及主要系統(tǒng)和硬件[2］, 將更恰當(dāng)?shù)目刂撇呗院妥詣踊a(chǎn)品應(yīng)用于農(nóng)業(yè)生產(chǎn), 以保障溫室作物適宜的氣候條件[3］。

目前, 中國科技發(fā)展水平不斷提高, 人們對現(xiàn)代農(nóng)業(yè)智能化水平的要求也不斷提高, 利用智能化方式實現(xiàn)農(nóng)業(yè)溫室大棚的氣溫調(diào)節(jié)、相對濕度調(diào)節(jié)、水肥灌溉等。但如何能有效地實時監(jiān)測農(nóng)業(yè)溫室大棚環(huán)境, 并作出正確的控制策略是一直存在的問題, 也在不斷地改善。目前只有少數(shù)智能溫室監(jiān)控系統(tǒng)運用于中國的溫室生產(chǎn)[2］。溫室環(huán)境控制工程技術(shù)是一項非常全新的農(nóng)業(yè)種植技術(shù), 通過該項技術(shù)可以實時地對農(nóng)業(yè)種植過程中各類環(huán)境參數(shù)的變化進(jìn)行監(jiān)測[2］, 根據(jù)監(jiān)測情況采取必要的措施, 保證農(nóng)業(yè)大棚環(huán)境處于植株適合生長的環(huán)境, 使作物在最佳自然環(huán)境條件下正常生長, 并能更好地提高產(chǎn)量[3］。

目前, 中國已在溫室監(jiān)測和控制等領(lǐng)域開展了若干探索與實踐, 常見的智能溫室大棚屬于簡單的智能監(jiān)控系統(tǒng), 它是依靠大棚內(nèi)單一類型傳感器數(shù)據(jù)采集后的環(huán)境參數(shù)作為調(diào)節(jié)控制的依據(jù), 這樣就會存在調(diào)節(jié)控制力度不夠或者調(diào)節(jié)過度的問題[1］。針對上述問題, 有必要研究一種基于多數(shù)據(jù)融合+BP 神經(jīng)網(wǎng)絡(luò)的農(nóng)業(yè)溫室大棚監(jiān)控系統(tǒng)。在大棚內(nèi)部分布多點傳感器, 避免了單個傳感器測量不準(zhǔn)確的問題, 通過加權(quán)平均算法進(jìn)行數(shù)據(jù)融合, 再結(jié)合BP 神經(jīng)網(wǎng)絡(luò)對參數(shù)的變化趨勢進(jìn)行判斷, 最終得到?jīng)Q策后的控制策略。通過多數(shù)據(jù)融合+BP 神經(jīng)網(wǎng)絡(luò)預(yù)測的方法, 實現(xiàn)更為精準(zhǔn)的大棚環(huán)境參數(shù)的預(yù)測, 同一類型多個傳感器監(jiān)測的多個數(shù)據(jù)進(jìn)行融合后所獲得的參數(shù)（如相對濕度、溫度、二氧化碳濃度等）, 相比單一傳感器監(jiān)測得到的數(shù)據(jù)更為準(zhǔn)確, 對融合后的測量數(shù)據(jù)再加以神經(jīng)網(wǎng)絡(luò)的訓(xùn)練, 獲得各參數(shù)變化的趨勢, 為良好的大棚種植環(huán)境提供保證[3］。

1 系統(tǒng)總體框架

農(nóng)業(yè)溫室大棚系統(tǒng)架構(gòu)如圖1 所示, 系統(tǒng)架構(gòu)分為多點傳感器數(shù)據(jù)采集層、數(shù)據(jù)融合層、BP 神經(jīng)網(wǎng)絡(luò)全局融合層3 個層級。

圖1 農(nóng)業(yè)溫室大棚系統(tǒng)架構(gòu)

根據(jù)溫室大棚需要采集的不同類型參數(shù), 采用不同的傳感器, 首先, 通過多點布置讓傳感網(wǎng)中的數(shù)據(jù)采集層獲得不同環(huán)境參數(shù)集[4］；其次, 進(jìn)行數(shù)據(jù)融合, 濾除異常部分以獲得準(zhǔn)確數(shù)據(jù)[5］；最后, 將數(shù)據(jù)融合后的多個類型數(shù)據(jù)參數(shù)（如溫度、相對濕度）作為BP 神經(jīng)網(wǎng)絡(luò)輸入, 進(jìn)行各參數(shù)變化趨勢的預(yù)測, 得到最終的控制策略[6］。

2 農(nóng)業(yè)溫室大棚環(huán)境監(jiān)測系統(tǒng)數(shù)據(jù)融合模型

數(shù)據(jù)的處理和應(yīng)用是農(nóng)業(yè)溫室大棚環(huán)境監(jiān)控最重要的部分, 得到精準(zhǔn)的參數(shù)數(shù)據(jù)以及參數(shù)變化趨勢, 以此為依據(jù)對溫室大棚內(nèi)各項自動控制設(shè)備的調(diào)控具有非常重要的指導(dǎo)意義。溫室大棚環(huán)境中參數(shù)有很多, 如溫度、相對濕度、光照度等, 每個參數(shù)都需要經(jīng)過多個傳感器采集, 并對數(shù)據(jù)進(jìn)行處理, 才能得到有效的控制數(shù)據(jù)[5］。本研究以溫室大棚環(huán)境的溫度和相對濕度2 個參數(shù)作為該系統(tǒng)的研究對象, 研究溫室大棚的監(jiān)控情況, 建立基于多傳感器數(shù)據(jù)融合技術(shù)的2 個層級的融合模型, 農(nóng)業(yè)溫室大棚環(huán)境監(jiān)測系統(tǒng)數(shù)據(jù)融合模型如圖2 所示。

圖2 農(nóng)業(yè)溫室大棚環(huán)境監(jiān)測系統(tǒng)數(shù)據(jù)融合模型

農(nóng)業(yè)溫室大棚監(jiān)控系統(tǒng)采用2 個層級的融合數(shù)據(jù), 第一級是數(shù)據(jù)融合層, 是將傳感網(wǎng)中獲取的數(shù)據(jù)集作為數(shù)據(jù)融合層的輸入（即一級融合）, 該級融合層是應(yīng)用了自適應(yīng)加權(quán)融合算法, 對本溫室大棚中的溫度和相對濕度數(shù)據(jù)集進(jìn)行處理。第二級是神經(jīng)網(wǎng)絡(luò)融合層, 將數(shù)據(jù)融合層得到的溫度、相對濕度作為該級的原始數(shù)據(jù), 采用BP 神經(jīng)網(wǎng)絡(luò)算法進(jìn)行融合, 從而提高溫室大棚環(huán)境監(jiān)測的可靠性。

3 結(jié)果與分析

3.1 多點傳感器數(shù)據(jù)融合

3.1.1 加權(quán)平均數(shù)據(jù)融合算法 加權(quán)平均融合算法在許多研究中已經(jīng)被證明是一種較為成熟的融合算法, 該方法能實時處理動態(tài)的原始數(shù)據(jù)。加權(quán)平均融合算法可以提高系統(tǒng)的精度、測量范圍以及增加系統(tǒng)的可信度[6］。

在溫室大棚中對某一參數(shù)（如溫度）, 利用n個傳感器進(jìn)行溫度數(shù)據(jù)的采集, 采集到的溫度數(shù)據(jù)集利用加權(quán)平均融合算法處理。

對某個溫度傳感設(shè)備i, 在時刻k進(jìn)行狀態(tài)估計, 且相互間的估計誤差互不相關(guān), 其所在的局部狀態(tài)估計值表示為, 假定其為無偏估計[5, 6］。

v1,v2,…,vn為各傳感設(shè)備的權(quán)重, 可得到和vi的關(guān)系式：

加權(quán)平均融合算法使v1,v2,…,vn的值相近, 根據(jù)公式（1）,, 如公式（2）所示,就是經(jīng)過融合后的狀態(tài)估計值。

3.1.2 自適應(yīng)加權(quán)融合算法與應(yīng)用 在數(shù)據(jù)的采集過程中, 由于測量目標(biāo)存在隨機干擾和傳感器本身性能的差異, 各傳感器的實際測量值必定會有所偏差, 這就會導(dǎo)致本系統(tǒng)在一級融合層開始就會產(chǎn)生偏差。所以各傳感設(shè)備需要采集多個測量值, 采用自適應(yīng)加權(quán)算法, 可以在不需要先驗知識的情況下直接對其有效處理[6］。所以, 本系統(tǒng)參數(shù)的多點數(shù)據(jù)融合采用自適應(yīng)融合算法能有效將產(chǎn)生的偏差減小, 以獲得較為準(zhǔn)確的環(huán)境參數(shù), 保證獲取的溫度、相對濕度數(shù)據(jù)位于盡可能小的偏差范圍。

1）算法模型。本系統(tǒng)中的各環(huán)境參數(shù)都有多個傳感器位于不同監(jiān)測點, 若傳感器個數(shù)為n,X1,X2,…,Xn分別為這些傳感器采集到的數(shù)據(jù)。

在保證總方差最小的條件下, 對X1,X2,…,Xn進(jìn)行加權(quán)融合, 通過自適應(yīng)的方式尋找對應(yīng)的最優(yōu)加權(quán)因子, 經(jīng)過該方式得到融合后的最優(yōu)值。本溫室大棚系統(tǒng)的自適應(yīng)加權(quán)算法模型如圖3 所示。

圖3 自適應(yīng)加權(quán)算法數(shù)據(jù)融合模型

2）原理分析。根據(jù)上述算法模型分析, 本系統(tǒng)采集某個參數(shù)的傳感節(jié)點數(shù)為n, 對應(yīng)各節(jié)點的方差為不同設(shè)備采集數(shù)據(jù)相互獨立, 認(rèn)為其屬于估計真值X的無偏估計值[6, 7］。公式如下：

總均方誤差為：

由于X1,X2,…,Xn兩兩之間是相互獨立狀態(tài), 又是屬于X的無偏估計, 故有：

由公式（6）可知,σ2的值和精度的高低成反比, 因此, 求其最小值就可以保證所得參數(shù)的準(zhǔn)確度, 且σ2取得極值的情況與每個傳感器的V相關(guān)[5-7］。

當(dāng)系統(tǒng)參數(shù)數(shù)據(jù)經(jīng)過上述處理后, 得到最小均方誤差, 由多元極值理論得到V, 計算公式如下：

已知溫室大棚內(nèi)某個參數(shù)的各點傳感器某時刻的測量值, 且X為常量。這是作為上述估計的必要條件, 此時可得到精確度較高的估計值。

對上述的某個p傳感器進(jìn)行監(jiān)測采樣, 共取得k個數(shù)據(jù), 求得p傳感器的均值為：

同理可得：

當(dāng)σ2最小時對應(yīng)的符合精度要求, 此時最小值為：

3.1.3 自適應(yīng)加權(quán)融合算法仿真 溫度和相對濕度采樣次數(shù)為5、10、30 次, 自適應(yīng)加權(quán)算法以及算術(shù)平均值算法后的均值與均方值如表1 所示。當(dāng)采樣次數(shù)為10 次時, 在本系統(tǒng)中融合效果最好。結(jié)果表明, 自適應(yīng)加權(quán)算法相較于傳統(tǒng)的算術(shù)平均值算法具有高融合度和精度, 但采樣次數(shù)需要根據(jù)不同系統(tǒng)進(jìn)行相應(yīng)調(diào)節(jié), 一般不大于30 次為最佳。

表1 不同采樣次數(shù)的自適應(yīng)加權(quán)算法以及算術(shù)平均值算法均值與均方值

圖4 為算術(shù)平均值算法和自適應(yīng)加權(quán)算法溫度、相對濕度數(shù)據(jù)融合對比圖, 溫度真實值為23 ℃, 相對濕度真實值為75%。采用自適應(yīng)加權(quán)算法進(jìn)行數(shù)據(jù)融合可以有效地得到接近真實值的融合數(shù)據(jù), 而采用普通的算術(shù)平均值算法可能因為存在異常值, 導(dǎo)致數(shù)據(jù)在某個時刻由于異常數(shù)據(jù)過大或過小, 使融合后數(shù)據(jù)偏離真實值較遠(yuǎn)。所以, 采用自適應(yīng)加權(quán)算法融合后的數(shù)據(jù)更為準(zhǔn)確, 提升了BP 神經(jīng)網(wǎng)絡(luò)輸入數(shù)據(jù)的可靠性。

圖4 算術(shù)平均值算法和自適應(yīng)加權(quán)算法溫度、相對濕度數(shù)據(jù)融合對比

3.2 BP 神經(jīng)網(wǎng)絡(luò)數(shù)據(jù)融合

3.2.1 BP 網(wǎng)絡(luò)設(shè)計 BP 神經(jīng)網(wǎng)絡(luò)是一種前向型網(wǎng)絡(luò), 它可以將得到的誤差反饋后進(jìn)行修正[8］。這種模型基本結(jié)構(gòu)為輸入層、隱含層、輸出層, 故需要對其基本結(jié)構(gòu)中所包括的網(wǎng)絡(luò)層數(shù)、各層節(jié)點個數(shù)、網(wǎng)絡(luò)初始權(quán)值、學(xué)習(xí)速率提前進(jìn)行設(shè)計[9-12］。

1）網(wǎng)絡(luò)的層數(shù)。輸入層和輸出層是神經(jīng)網(wǎng)絡(luò)中必須具備的, 而隱含層是根據(jù)需要對其層數(shù)進(jìn)行確定；需要注意的是網(wǎng)絡(luò)誤差的高低與對應(yīng)層數(shù)成反比、與系統(tǒng)精度高低成正比, 若增加對應(yīng)層雖然可以使系統(tǒng)預(yù)測更加精準(zhǔn), 但其整體結(jié)構(gòu)也更加復(fù)雜。在綜合考量后, 本系統(tǒng)采用3 層隱含層結(jié)構(gòu)的BP 神經(jīng)網(wǎng)絡(luò), 可實現(xiàn)任意的n維到m維的映射。

2）各層的節(jié)點數(shù)。輸入層和輸出層的選擇都是根據(jù)實際應(yīng)用要求決定的, 本研究的全局融合中心是以溫度和相對濕度作為輸入變量, 即溫度、相對濕度2 個參數(shù)作為輸入層的2 個節(jié)點。對神經(jīng)網(wǎng)絡(luò)來說, 其性能的好壞、預(yù)測精準(zhǔn)度的高低在一定程度上是受隱含層節(jié)點數(shù)多少的制約, 如何獲得合適的節(jié)點數(shù), 通常需要根據(jù)不同的系統(tǒng)特性進(jìn)行測試或依據(jù)先前的經(jīng)驗來確定[10-13］。根據(jù)經(jīng)驗可以參照以下公式進(jìn)行設(shè)計：

式中,L為隱含層節(jié)點數(shù)；n為輸入節(jié)點數(shù)；m為輸出節(jié)點數(shù), 輸出層節(jié)點數(shù)根據(jù)實際應(yīng)用選擇；a為常數(shù), 取值范圍為a∈[1,10]。

由于溫度、相對濕度對農(nóng)作物的生長具有重要的影響, 一個合適的溫度和相對濕度調(diào)節(jié)區(qū)間能保證植株的生長環(huán)境處于較好的生長條件下。本系統(tǒng)輸出信息包括最適宜、適中、惡劣, 因此這3 種狀態(tài)即為本系統(tǒng)所確定的輸出層節(jié)點。根據(jù)公式（14）, 本系統(tǒng)確定L為4。本系統(tǒng)溫室大棚的環(huán)境舒適等級分為3 級, 級別越高說明所處的環(huán)境越適宜。等級劃分如表2 所示, 0 級表示環(huán)境較為惡劣, 需要及時做出調(diào)整；1 級表示環(huán)境較為舒適, 暫無須調(diào)整；2 級表示環(huán)境最適宜, 有助于農(nóng)作物生長。

表2 農(nóng)業(yè)溫室大棚環(huán)境等級劃分

3）網(wǎng)絡(luò)的初始權(quán)值。BP 網(wǎng)絡(luò)中隱含層的傳輸函數(shù)通常采用S 型傳遞函數(shù), 本系統(tǒng)在該初值的選取時應(yīng)保證不能偏大, 且本溫室大棚神經(jīng)網(wǎng)絡(luò)系統(tǒng)選取連接權(quán)值為不在同一時刻相等的某一隨機數(shù), 其區(qū)間位于[-1,1]。

4）學(xué)習(xí)速率。學(xué)習(xí)速率如果選得太小, 則收斂慢, 網(wǎng)絡(luò)訓(xùn)練時間增加；如果學(xué)習(xí)速率過大, 會導(dǎo)致網(wǎng)絡(luò)穩(wěn)定性降低。綜合考慮, 本系統(tǒng)選取的學(xué)習(xí)速率η為0.01。圖5 為確定了網(wǎng)絡(luò)層數(shù)以及各層節(jié)點數(shù)后的溫室大棚BP 神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)。

圖5 農(nóng)業(yè)大棚BP 神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)

3.2.2 BP 網(wǎng)絡(luò)模擬測試結(jié)果 本系統(tǒng)BP 神經(jīng)網(wǎng)絡(luò)訓(xùn)練樣本數(shù)據(jù)的選取, 采用重要數(shù)據(jù)樣點的選取方法, 這樣避免了無效數(shù)據(jù), 同時可以重點針對重要數(shù)據(jù)訓(xùn)練, 使訓(xùn)練效果更好, 本系統(tǒng)選取溫度、相對濕度傳感器的3 個數(shù)據(jù)樣本。由圖6 可知, 當(dāng)訓(xùn)練次數(shù)為1 時, 預(yù)測準(zhǔn)確率在73%左右, 訓(xùn)練次數(shù)增加到50 次時, 預(yù)測準(zhǔn)確率提高到85%左右, 當(dāng)訓(xùn)練次數(shù)增加到200 次及以上時, 準(zhǔn)確率基本維持在98%左右。由于初始數(shù)據(jù)已經(jīng)經(jīng)過自適應(yīng)加權(quán)融合, 在訓(xùn)練次數(shù)為1 次時, 訓(xùn)練預(yù)測準(zhǔn)確率也可以達(dá)到70%左右, 可見在BP 神經(jīng)網(wǎng)絡(luò)輸入前對數(shù)據(jù)進(jìn)行融合處理, 可以較好地提升預(yù)測的最低準(zhǔn)確率。

圖6 BP 神經(jīng)網(wǎng)絡(luò)的預(yù)測準(zhǔn)確率

4 小結(jié)

在農(nóng)業(yè)溫室大棚的智能監(jiān)控和管理工作中, 智能控制技術(shù)的運用對于改善生產(chǎn)管理水平和產(chǎn)品質(zhì)量有一定的指導(dǎo)作用。通過利用智能控制的優(yōu)勢, 克服傳統(tǒng)溫室監(jiān)控的技術(shù)缺陷, 能夠完成對溫室內(nèi)智能監(jiān)控與管理工作, 從而提高農(nóng)業(yè)植物的生產(chǎn)現(xiàn)代化、自動化與智能化。

本研究闡述了在農(nóng)業(yè)溫室大棚內(nèi)利用多傳感器對不同點位傳感器監(jiān)測數(shù)據(jù)進(jìn)行采集。第一級數(shù)據(jù)融合層將傳感網(wǎng)中獲取的參數(shù)數(shù)據(jù)集作為數(shù)據(jù)融合層的輸入, 該級融合層是針對本農(nóng)業(yè)溫室大棚中的溫濕數(shù)據(jù)集, 應(yīng)用自適應(yīng)加權(quán)融合算法對多點數(shù)據(jù)進(jìn)行處理。第二級是神經(jīng)網(wǎng)絡(luò)融合層, 將數(shù)據(jù)融合層得到的溫度、相對濕度作為該級的原始數(shù)據(jù), 采用BP 神經(jīng)網(wǎng)絡(luò)算法進(jìn)行融合, 進(jìn)而對環(huán)境優(yōu)劣情況進(jìn)行預(yù)測。