基于PSO-BP數(shù)據(jù)融合的環(huán)境監(jiān)控系統(tǒng)設計

李昌敏，熊俊俏

（武漢工程大學 電氣信息學院，武漢430205）

民以食為天， 農(nóng)業(yè)發(fā)展一直是國家的首要問題，農(nóng)業(yè)的發(fā)展直接或間接的影響著國家安全。 傳統(tǒng)的溫室大棚種植產(chǎn)業(yè)，一般情況下都是依靠農(nóng)民多年的經(jīng)驗，定性地估計各種環(huán)境因素對農(nóng)作物的影響，無法做到科學、合理地判斷環(huán)境信息，很難進行集中管理，以達到最優(yōu)化生產(chǎn)的目的[1-2]。 在現(xiàn)有的種植監(jiān)測中，基本都是對環(huán)境因素的單個考慮和調(diào)節(jié)，但是各個環(huán)境因素之間是相互影響的。 如溫度就會受到濕度、光照度等因素的影響，因而這種基于單一因素的決策是不合理的；同時作物生長的各要素之間是相互制約的，當其中的某一環(huán)境信息發(fā)生變化時，與其關(guān)聯(lián)的環(huán)境信息也會隨之發(fā)生改變。 因此，如果能夠?qū)y量到的因素經(jīng)過有效的融合，得到一個全面而準確的決策，更有利于溫室的控制。

基于上述， 提出一種基于PSO-BP 算法的決策系統(tǒng)。 該系統(tǒng)能對大棚內(nèi)的環(huán)境信息的進行實時采集和傳輸。 采用克里金插值法構(gòu)建環(huán)境的分布圖，利用ECDS 算法對大棚內(nèi)節(jié)點進行精確能量控制。同時改進BP 神經(jīng)網(wǎng)絡進行數(shù)據(jù)融合， 能夠?qū)崿F(xiàn)系統(tǒng)的自主科學決策。 決策信息通過反饋調(diào)節(jié)系統(tǒng)控制大棚內(nèi)的環(huán)境，使農(nóng)作物一直處于最佳的生長環(huán)境。 設計實現(xiàn)了對大棚環(huán)境的自動監(jiān)測、反饋調(diào)控，對推動我國農(nóng)業(yè)全自動化有著重要的意義。

1 系統(tǒng)總體設計

環(huán)境監(jiān)控系統(tǒng)框架如圖1 所示。 主要包括三部分：傳感器對數(shù)據(jù)的采集、系統(tǒng)對數(shù)據(jù)的分析決策和反饋調(diào)節(jié)設備。 在大棚內(nèi)部署適量的節(jié)點，每個節(jié)點上連接4 種傳感器：溫濕度傳感器、pH 傳感器、光照強度傳感器， 用來采集溫室大棚內(nèi)的環(huán)境信息。 然后將采集的數(shù)據(jù)通過ZigBee 網(wǎng)絡傳輸至網(wǎng)關(guān)，網(wǎng)關(guān)的功能是將接收到的數(shù)據(jù)信息通過互聯(lián)網(wǎng)轉(zhuǎn)發(fā)至服務器， 最后在服務器數(shù)據(jù)進行處理和分析。 其中服務器運行著分析決策系統(tǒng)，根據(jù)采集到的大棚4 種環(huán)境信息做出科學的決策。 最后服務器將決策結(jié)果通知大棚內(nèi)調(diào)節(jié)系統(tǒng)，控制溫室內(nèi)設備自動運轉(zhuǎn)，例如啟動滴灌等，在大棚內(nèi)形成一個完整的控制閉環(huán)回路。

圖1 環(huán)境監(jiān)測系統(tǒng)結(jié)構(gòu)Fig.1 Structure of environmental monitoring system

2 硬件設計

硬件設計主要分為兩部分：傳感器節(jié)點設計和ZigBee 通信模塊設計。 在傳感器節(jié)點上安裝傳感器用以采集和存儲環(huán)境信息。 ZigBee 模塊選用了CC2530 芯片進行組網(wǎng)通信，它具有低功耗、安全可靠、自組網(wǎng)等優(yōu)點。

2.1 傳感器節(jié)點

傳感器是一種檢測裝置， 能感受物理界的信息，并能將感受到的信息按一定規(guī)律變換成為電信號輸出，同時它也是本系統(tǒng)獲取環(huán)境信息的源頭[3]。本設計用到的傳感器有溫濕度、pH 值、 光照強度。圖2 為傳感器節(jié)點結(jié)構(gòu)。

圖2 節(jié)點結(jié)構(gòu)Fig.2 Node structure

結(jié)構(gòu)中電池模塊負責給控制器供電，STM32 控制器通過遍歷傳感器，每分鐘采集一次信息。 通過ECDS 算法對路由節(jié)點的配置可大大延長整個系統(tǒng)的使用時間。 STM32 單片機通過串口連接各傳感器，采集大棚內(nèi)環(huán)境信息。 并將數(shù)據(jù)封裝成數(shù)據(jù)幀，通過ZigBee 無線網(wǎng)將數(shù)據(jù)幀發(fā)送到網(wǎng)關(guān)，最后上傳至服務器。 如圖3 所示為傳感器采集信息。

圖3 傳感器信息采集Fig.3 Sensor information collection

2.2 ZigBee 組網(wǎng)設計

本次設計為了提高網(wǎng)絡通信效率、減少冗余傳輸，利用ECDS 算法構(gòu)建ZigBee 網(wǎng)絡[4-5]。 選擇其中一些節(jié)點作為整個網(wǎng)絡的路由節(jié)點，稱其為骨干節(jié)點。 打開骨干節(jié)點的通信功能，關(guān)閉其他節(jié)點的通信功能。 這些骨干節(jié)點構(gòu)建一個最小連通集網(wǎng)絡來負責數(shù)據(jù)的路由轉(zhuǎn)發(fā)， 這樣可以保證通信覆蓋度，并降低能耗。 ZigBee 組網(wǎng)結(jié)構(gòu)如圖4 所示。

圖4 ZigBee 組網(wǎng)原理圖Fig.4 ZigBee network diagram

ECDS 算法：為每個節(jié)點分配一個權(quán)值，假設節(jié)點i 的權(quán)值數(shù)表示為w（i），這個值的大小是根據(jù)節(jié)點剩余能量和在網(wǎng)絡圖中的有效度數(shù)來計算的。 節(jié)點權(quán)值的計算方法如下：

f 函數(shù)是以電池剩余能量energy（i），節(jié)點穩(wěn)定性stability（i）和節(jié)點的有效度數(shù)effective_degree（i）為參考函數(shù)。

通過計算出節(jié)點的值，具有較大值的節(jié)點有較高的能力。 能量越高、覆蓋越多鄰居節(jié)點，越適合擔當骨干網(wǎng)節(jié)點。 通過為網(wǎng)絡節(jié)點設置這樣的優(yōu)先級之后，算法構(gòu)建的支配集不僅考慮了支配集規(guī)模的大小，同時把能量也考慮進去了，這樣的系統(tǒng)作為傳感器節(jié)點更為合理。

3 環(huán)境信息分布的研究

本系統(tǒng)對4 種環(huán)境信息進行采集。 這些信息如果不借助系統(tǒng)分析，很難直觀地了解它們的分布情況，就很難實現(xiàn)大棚的有效管理。 本設計根據(jù)采集的環(huán)境信息值，結(jié)合Kriging 插值算法構(gòu)建環(huán)境分布圖，直觀展現(xiàn)了環(huán)境信息。

Kriging 插值算法在進行插值預測前，我們需要得到半變異函數(shù)。 根據(jù)兩節(jié)點之間的距離和節(jié)點對應環(huán)境信息。 計算經(jīng)驗半變異函數(shù)：

式中：h 為兩節(jié)點間距離；N 為樣本；z（xi）和z（xi+h）在分別代表節(jié)點i 和節(jié)點i+h 采集到的信息。 根據(jù)式（2）得到散點圖，利用最小二乘法得到半變異函數(shù)，如圖5 所示。 當變異函數(shù)接近半變異函數(shù)時，選擇該模型作為Kriging 的預測模型。

圖5 模型構(gòu)建圖Fig.5 Model building diagram

模型中根據(jù)各節(jié)點采集的信息可進行插值預測。 假設x0是所研究區(qū)域的一點，z（x0）是該點的測量值，假設距離待預測位置x0最近的n 個節(jié)點在t時刻采集的環(huán)境因子值分別為z（xi），i∈［1，n］，則位置x0處的估計值z*（x0）計算方法如下：

式中：n 為待預測點附近的n 個監(jiān)測點；λi為第i 個節(jié)點對應的權(quán)值；z（xi）為第i 個節(jié)點采集的信息。

在算法中估計值z*（x0）的好壞取決于權(quán)重值λi。λi必須滿足2 個條件：①z*（x0）的偏差數(shù)學期望為0；②估計值z*（x0）和實際值z（xi）之差的平方和最小。 計算方法如下：

具體流程如下： 假設k 號位置是待預測位置，周圍有4 個傳感器節(jié)點。首先建立Kriging 模型計算y（hi，j），其中hi，j表示節(jié)點i 和節(jié)點j 之間的距離；然后根據(jù)式（4）的變換式（5）計算每個已知樣本節(jié)點的權(quán)值。 根據(jù)式（3）即可預測出位置k 處對應的環(huán)境因子值。

根據(jù)大棚內(nèi)已有的節(jié)點位置，對尚未安裝節(jié)點的區(qū)域進行預測，得到該區(qū)域所對應的環(huán)境信息，最后利用這些環(huán)境信息得到環(huán)境因子的整體分布圖。

4 PSO-BP 融合算法

由于一般的BP 神經(jīng)網(wǎng)絡算法收斂速度慢、易陷入局部最優(yōu)，而PSO 算法收斂速度快、全局搜索性強。 因此，本系統(tǒng)將PSO 算法與BP 算法進行融合，優(yōu)化BP 神經(jīng)網(wǎng)絡，使得優(yōu)化后的算法有更好的優(yōu)化能力和映射能力[6]。 PSO-BP 算法能對環(huán)境特征參數(shù)進行有效融合，精確判斷出大棚內(nèi)的真實情況。

4.1 標準粒子群算法

PSO 初始化為一群隨機粒子，然后通過不斷迭代，更新最優(yōu)的速度和位置，直到最優(yōu)解。 PSO算法是一種基于速度-位置搜索模型[7]，其在D維解空間中，有n 個粒子，群體中第i 個粒子的位置，速度1，2，3，…，n。將xi帶入函數(shù)可得到其適用值。更新最優(yōu)位置： 設第i 個粒子的最優(yōu)位置為pi=， 整個粒子群搜索到的最優(yōu)位置為粒子狀態(tài)更新操作如下：

式中：i=1，2，…，n；d=1，2，…，D；C1，C2為加速度因子，通常取C1=C2=2；w 為慣性因子，其值為非負，該值可以對局部和全局尋優(yōu)能力進行調(diào)整， 取值為0.1～0.9，取最大迭代次數(shù)Tmax=1500。

4.2 PSO 算法優(yōu)化BP 算法

已知BP 算法由大量神經(jīng)元組成，有三層機構(gòu)：輸入層、隱含層和輸出層，如圖6 所示。 算法每次根據(jù)訓練得到的結(jié)果與預想結(jié)果進行誤差分析，進而修改權(quán)值和閾值，一步一步得到能輸出和預想結(jié)果一致的模型[8]。 利用PSO 算法訓練BP 網(wǎng)絡時，優(yōu)化后的算法具有良好的映射能力和優(yōu)化能力。 算法首先初始化粒子， 然后利用訓練誤差作為適應度函數(shù)，并記錄當前最優(yōu)位置和全局最優(yōu)位置。 不斷更新直到找到最優(yōu)的位置，用其作為最優(yōu)權(quán)值和閾值來對BP 網(wǎng)絡進行訓練。 輸入輸出的均方差指標J用最小二乘法表示。

式中：N 為樣本數(shù)量；o 為輸出神經(jīng)元的個數(shù)， 這里取4；J 為第i 個樣本的第j 個網(wǎng)絡輸出節(jié)點的樣本值；yj，i為網(wǎng)絡輸出節(jié)點的實際輸出值。

圖6 BP 網(wǎng)絡結(jié)構(gòu)圖Fig.6 BP network structure diagram

利用PSO 算法對BP 神經(jīng)網(wǎng)絡進行訓練， 避免了BP 算法中初始權(quán)值和閾值對整個模型的精度和運行速率的影響。 PSO 優(yōu)化BP 神經(jīng)網(wǎng)絡的流程如圖7 所示。

圖7 PSO-BP 混合算法流程Fig.7 PSO-BP hybrid algorithm flow chart

4.3 PSO-BP 模型的建立

本設計建立的PSO-BP 神經(jīng)網(wǎng)絡模型， 輸入層有4 個節(jié)點為4 種環(huán)境因素， 輸出層有4 個節(jié)點。隱藏層有12 個節(jié)點， 由公式得到，m是輸入層節(jié)點數(shù)，n 是輸出層節(jié)點數(shù)，a 為隨機數(shù)。利用PSO 優(yōu)化BP 網(wǎng)絡的權(quán)值和閾值[9]，為了消除輸入輸出在數(shù)量級上的差異，讓模型更具泛化能力。 對輸入、輸出值進行歸一化處理。 其公式為

式中：xmax是輸入變量的最大值；xmin是輸入變量的最小值；xt，xt′為輸入樣本歸一化前后的值。

4.4 仿真結(jié)果

在仿真實驗中，我們以溫室大棚黃瓜為例。 黃瓜的最適宜生長溫度為22 ℃～32 ℃， 相對濕度為60%RH～85%RH， 一般喜歡pH 5.5～7.2 之間的土壤，黃瓜是日照中性植物，有較高的光飽和補償點。

建立的模型中輸入量分別是x1（溫度）、x2（濕度）、x3（pH 值）、x4（光照強度）。 輸出量為y1（光照度不足）、y2（溫度偏高）、y3（pH 值不足）和y4（濕度偏低）4 種狀態(tài)。 網(wǎng)絡訓練后實際上的輸出結(jié)果送到分析結(jié)構(gòu)進行決策，并判斷溫室的環(huán)境狀況。 實驗選取了幾組典型數(shù)據(jù)對PSO-BP 優(yōu)化算法進行訓練，其中編號為1、2 的樣本表示溫度偏低，編號為3、4的樣本表示濕度偏低，編號為5、6 的樣本表示光照度不足，編號為7、8 的樣本表示pH 值偏低。 將網(wǎng)絡訓練后的實際輸出結(jié)果送到判別模塊進行判別，判斷溫室大棚內(nèi)的環(huán)境狀況。 仿真結(jié)果如表1所示。

通過仿真對比可知，實驗的結(jié)果非常接近預期結(jié)果，PSO-BP 網(wǎng)絡找到了預期的輸入輸出映射規(guī)律， 其規(guī)律隱含在整個神經(jīng)網(wǎng)絡的權(quán)值和結(jié)構(gòu)當中。 實驗結(jié)果顯示改進后的BP 算法達到了預期目的，能夠有效地提高溫室管理的精確性。

表1 仿真結(jié)果輸出對照表Tab.1 Simulation result output comparison table

5 結(jié)語

本文以溫室種植黃瓜為例。 針對目前溫室大棚的研究中存在的不足的地方，設計一種基于PSO-BP融合算法的智慧大棚監(jiān)控系統(tǒng)。 系統(tǒng)首先利用ZigBee 協(xié)議提出無線傳感器組網(wǎng)結(jié)構(gòu)， 再利用ECDS 算法合理分配骨干節(jié)點，節(jié)省傳輸能耗，延遲網(wǎng)絡使用時間。 并在溫室內(nèi)部署適量的檢測節(jié)點用于采集和傳輸環(huán)境信息。利用Kriging 插值算法預測未布置節(jié)點區(qū)域的環(huán)境信息，并構(gòu)建環(huán)境信息分布圖，用于直觀顯示環(huán)境狀況。 最后使用決策系統(tǒng)得到溫室決策結(jié)果，通過反饋控制系統(tǒng)調(diào)節(jié)大棚內(nèi)環(huán)境。 本系統(tǒng)最主要的是利用了PSO-BP 神經(jīng)網(wǎng)絡進行數(shù)據(jù)融合，可以有效地監(jiān)測并給出作物環(huán)境的決策結(jié)果。 經(jīng)實驗驗證，本設計在整體性能上表現(xiàn)優(yōu)越，降低了能耗，提高了溫室控制的準確性。