英語動詞聚類在水稻直播機控制中的研究

梁 婧

(河南省財經學校 公共基礎教學部,鄭州 130118)

0 引言

隨著我國智能農業的飛速發展,水稻的種植近年來逐步向精準化、高效化方向邁進,具有不同功能特色的水稻播種機被相繼開發設計。與此同時,控制機械也在不斷與多學科進行融合,英語語言理解以規范化、目標化特征為支撐,來促進語言用以實現各項控制功能的優化。其中,聚類屬性表現尤為明顯。動詞聚類化指令以相似度為參考點進行數據分析與處理,筆者在水稻直播機控制系統中嘗試引入英語語言理解動詞聚類機理對直播系統相關部件進行設計。

1 動詞聚類機理概述

動詞聚類機理通常描述為:在一個涵蓋多種不同特征的數據庫中,以同特征、類相似為聚類依據,進行價值化關聯;該聚類關聯在一定的控制算法下進行,通過數據采集信息、過濾去燥、規約判定等多項預處理,并與數據庫對比操作,形成合理的信息特征提取,從而完成一系列的聚類動作。圖1為語言理解下動詞聚類流程簡圖。其以核心事件為參照,對擬查找的下一個事件進行包容關系、包含關系判定,匯集到核心事件組的動態事件中,按照一定的控制規則進行分類排序,從而清晰化、一致化的動態事件聚類指令完成。

圖1 語言動詞聚類流程簡圖Fig.1 Flow chart of the verb clustering in languages。

2 智能控制設計

2.1 動詞聚類控制模型建立

將英語語言知識庫與水稻直播的控制系統進行有序化結合,建立如圖2所示的水稻直播機控制領域英語語言理解動詞聚類系統模型。由圖2可知:語言理解動詞聚類知識庫信息與水稻直播控制知識庫信息同時植入動詞聚類系統與控制執行系統,在用戶水稻播種深度與寬度等關鍵需求信息設定的配合下,實現動詞聚類控制化管理。

圖2 水稻直播機控制領域英語語言理解動詞聚類系統模型Fig.2 Verb clustering system model of English language understanding in the control field of rice direct seeder。

據此,考慮英語語言中的名詞與動詞所具備的特征屬性,以相似程度為評定目標,以-1、0、1分別代表控制參數動作不相似、相互獨立、基本相似(相似度為85%以上),建立水稻直播系統的動詞聚類控制模型為

(1)

式中A、B—實現聚類算法的向量方程組;

θ—實現聚類算法的向量積。

對該直播控制環節的測試動力、遠程遙控及播種深度的功能實現形成如表1所示的水稻直播機控制動詞聚類關鍵參數設置,包含analyze、check、encode、diagnose、turn等順序動作指令,為直播控制系統平臺的協調搭建保證先決條件。

表1 水稻直播機控制環節的英語語言理解動詞聚類設置Table 1 Clustering of verbs settings in English language comprehension on the control link of rice direct seeder。

2.2 水稻直播控制軟件配置

進行水稻直播機的軟件系統控制配置,以基于英語動詞聚類的水稻直播控制任務分類原理為出發點(見圖3),當1項控制指令需求輸入系統,識別兩個規定動作的英語語法性質,計算兩者的連接距離,進行動詞聚類需求分類處理,完成控制目標任務的策略規劃。

圖3 基于英語動詞聚類的水稻直播控制任務分類原理簡圖Fig.3 Schematic diagram of the rice direct seeding control task classification based on English verb clustering。

以英語語言理解為框體,著重建立動詞聚類理論下的水稻直播控制定位功能實現,給出核心控制程序片段如下:

void ANEBoZhong::readBoZhongCom()

{

QByteArray GPS_Data =

BoZhongCom->readAll();

if(GPS_Data.contains(“$GPGGA”))

{

GPS_Data.remove(0, GPS_Data.indexOf(

“$GPGGA”));

if(GPS_Data.contains(“*”))

{

QByteArray GPS_GGA = GPS_Data.left(

GPS_Data.index Of(“*”));

GGA_list.clear();

GGA_list<< GPS_GGA.split(‘,’);

}

}

if(GPS_Data.contains(“$GPHPD”))

{

GPS_Data.remove(0, GPS_Data.indexOf(

“$GPHPD”));

if(GPS_Data.contains(“*”))

{

QByteArray GPS_HPD = GPS_Data.left(

GPS_Data.index Of(“*”));

HPD_list.clear();

HPD_list<< GPS_HPD.split(‘,’);

}

if((GGA_list.size()>6&&(HPD_list.size()>15

getBoZhongInfo();

}

bool ANRBoZhong::isBoZhongAvailable(){

return ttue;

}

……

2.3 水稻直播控制硬件執行

以語言理解中的動詞聚類為指引路徑,將水稻直播的各控制動作從詞性角度展開標注并縮寫,主要涵蓋名動形、介連副等,完成后臺軟件控制程序可行性結合指令,如表2所示。

表2 水稻直播控制中的英語語言詞匯標注與縮寫Table 2 English language vocabulary annotation and abbreviation in rice direct seeding control。

續表2。

當有效的動詞聚類數據庫形成,水稻直播的各項規定動作指令植入,完成數據準確迅速判定分類是決定輸出配置的好壞條件之一。圖4為基于動詞聚類的水稻直播機控制硬件核心輸出配置流程簡圖。由圖4可知:該控制輸出主要在PWM機理下實現,通過時鐘的配置、頻率的分配及動作計數模式的選取等輸出穩定的占空比并傳送至PWM中心控制模塊,在動詞聚類的控制機理下進行合理有序輸出。

圖4 基于動詞聚類的水稻直播機控制硬件核心輸出配置流程Fig.4 Core output configuration program of control hardware for rice direct seeder based on verb clustering。

針對水稻直播的定位控制環節,在一定的定位控制結構體系(見圖5)下進行。

圖5 英語語言理解動詞聚類下的水稻播種定位控制結構圖Fig.5 Structure chart of rice seeding location control based on English language understanding verb clustering。

首先,定位控制裝置的各姿態傳感器接收到動作信息,將其與英語語言理解動詞聚類數據庫融合,經深度編譯處理的水稻播種動作過程管控信息傳遞至水稻播種機的導航控制機構,從而控制定位的執行閥組動作,完成定位控制并在監控終端實時顯示。

3 水稻播種控制試驗

3.1 條件設置

進行以英語語言理解動詞聚類為原則的水稻播種的控制試驗,選擇直播系統的精度、控制接口特性及相關物理特性為主要控制定位指標,進行關鍵控制指標參數值設置,如表3所示。

表3 基于動詞聚類的水稻直播機控制試驗指標一覽表Table 3 List of control test indexes of the rice direct seeder based on the verb clustering。

給出水稻播種控制試驗下的動詞聚類模型,如圖6所示。根據水稻直播機的相關動作特點,從路徑規劃、定位導航、視覺感知及自主行駛4個方面,以M、N、J、K為英語動詞聚類指令事件控制數量,在有始無終事件動作的內部劃分聚類下最終匯集成水稻直播定位控制的有始有終事件信息,并以此為核心設計執行點,進行動詞聚類下的直播控制系統試驗。

圖6 水稻播種控制試驗下的動詞聚類簡易設計模型Fig.6 Simple design model of verb clustering under rice seeding control experiment。

3.2 過程分析

采用尺度恒定化的控制信息特征提取算法,根據輸入輸出變量參數對比,設定de為動詞聚類機理下的輸入控制器的橫向偏差,Kp、Kd為其輸出控制器調節參數,得到如圖7所示的橫向參數隨時間變化對比曲線。由圖7可知:在動詞聚類融入的水稻直播控制系統設定Kp為定值、Kd不斷變化為分析條件,進行內部自適應地調控,可得到較為平滑的響應曲線,響應速度快,不存在超調現象。

a-Kp定值、Kd變化,b-Kp定值、Kd定值。圖7 水稻直播控制試驗動詞聚類模糊參數下的橫向參數對比曲線Fig.7 Comparison curve of the lateral parameters under verb clustering fuzzy theory in rice direct seeding control experiment。

經數據處理轉換,得到如表4 所示的水稻播種控制試驗評價指標對比。

表4 水稻播種控制試驗評價指標對比Table 4 Evaluation indexes comparison in the rice seeding control experiment %。

由表4可知:動詞聚類應用下的響應靈敏度、系統穩定度與傳統控制算法保持一致,動詞聚類算法復雜度由之前的87.5%復雜到89.1%,具有可行性且不影響水稻直播控制系統的整體布局;動詞聚類的控制調節速度可由之前的90.2%加快至94.6%,綜合直播控制定位準確率較傳統直播控制可提升5.4%,改善效果明顯。

4 結論

1) 以英語語言理解動詞聚類原則為切入點、水稻直播機的工作特點為基礎,針對水稻直播控制過程進行設計研究。將動詞聚類數據庫與控制直播的各分解動作信息庫合理融合,建立水稻直播的動詞聚類理論控制模型。

2) 從系統控制的軟件配置及硬件執行角度,進行系統的細節組合,并進行英語動詞聚類控制水稻播種試驗,結果表明:動詞聚類播種控制下的定位準確率和參數數據調節速度均有所提升,系統可行且效果明顯。

3) 將英語語言理解動詞聚類機理中的核心控制事件分類化與水稻直播機播種定位控制動作在核心特征提取對比算法下大尺度融合,實現水稻直播機的定位精準化提升,為類似農機具的控制優化提供了思路與參考。