基于多數據融合+BP 神經網絡的農業溫室大棚環境監控系統的研究

許德立, 皇甫森森, 李澍源

（1.福建農林大學金山學院, 福州 350002；2.廈門大學嘉庚學院, 福建 漳州 363105；3.福建師范大學后勤管理處, 福州 350117）

在現代農業溫室大棚中, 溫室內環境對經濟作物發展非常重要。由于溫室內環境主要與溫室植物的生長發育、植物有機質的吸收與能量轉換等有關, 所以有必要對溫室的環境加以嚴格監控, 以保證溫室一直保持在最適宜于經濟作物生長發育的環境[1］。因此, 為了促進溫室農業技術的發展、創新和優化生產設備, 提高農產品質量和生產效率, 實現科學生產、合理產業化和高效實現大棚作物的高產, 有必要開發大棚農產品生產的軟硬件技術以及主要系統和硬件[2］, 將更恰當的控制策略和自動化產品應用于農業生產, 以保障溫室作物適宜的氣候條件[3］。

目前, 中國科技發展水平不斷提高, 人們對現代農業智能化水平的要求也不斷提高, 利用智能化方式實現農業溫室大棚的氣溫調節、相對濕度調節、水肥灌溉等。但如何能有效地實時監測農業溫室大棚環境, 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。目前只有少數智能溫室監控系統運用于中國的溫室生產[2］。溫室環境控制工程技術是一項非常全新的農業種植技術, 通過該項技術可以實時地對農業種植過程中各類環境參數的變化進行監測[2］, 根據監測情況采取必要的措施, 保證農業大棚環境處于植株適合生長的環境, 使作物在最佳自然環境條件下正常生長, 并能更好地提高產量[3］。

目前, 中國已在溫室監測和控制等領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控系統, 它是依靠大棚內單一類型傳感器數據采集后的環境參數作為調節控制的依據, 這樣就會存在調節控制力度不夠或者調節過度的問題[1］。針對上述問題, 有必要研究一種基于多數據融合+BP 神經網絡的農業溫室大棚監控系統。在大棚內部分布多點傳感器, 避免了單個傳感器測量不準確的問題, 通過加權平均算法進行數據融合, 再結合BP 神經網絡對參數的變化趨勢進行判斷, 最終得到決策后的控制策略。通過多數據融合+BP 神經網絡預測的方法, 實現更為精準的大棚環境參數的預測, 同一類型多個傳感器監測的多個數據進行融合后所獲得的參數（如相對濕度、溫度、二氧化碳濃度等）, 相比單一傳感器監測得到的數據更為準確, 對融合后的測量數據再加以神經網絡的訓練, 獲得各參數變化的趨勢, 為良好的大棚種植環境提供保證[3］。

1 系統總體框架

農業溫室大棚系統架構如圖1 所示, 系統架構分為多點傳感器數據采集層、數據融合層、BP 神經網絡全局融合層3 個層級。

圖1 農業溫室大棚系統架構

根據溫室大棚需要采集的不同類型參數, 采用不同的傳感器, 首先, 通過多點布置讓傳感網中的數據采集層獲得不同環境參數集[4］；其次, 進行數據融合, 濾除異常部分以獲得準確數據[5］；最后, 將數據融合后的多個類型數據參數（如溫度、相對濕度）作為BP 神經網絡輸入, 進行各參數變化趨勢的預測, 得到最終的控制策略[6］。

2 農業溫室大棚環境監測系統數據融合模型

數據的處理和應用是農業溫室大棚環境監控最重要的部分, 得到精準的參數數據以及參數變化趨勢, 以此為依據對溫室大棚內各項自動控制設備的調控具有非常重要的指導意義。溫室大棚環境中參數有很多, 如溫度、相對濕度、光照度等, 每個參數都需要經過多個傳感器采集, 并對數據進行處理, 才能得到有效的控制數據[5］。本研究以溫室大棚環境的溫度和相對濕度2 個參數作為該系統的研究對象, 研究溫室大棚的監控情況, 建立基于多傳感器數據融合技術的2 個層級的融合模型, 農業溫室大棚環境監測系統數據融合模型如圖2 所示。

圖2 農業溫室大棚環境監測系統數據融合模型

農業溫室大棚監控系統采用2 個層級的融合數據, 第一級是數據融合層, 是將傳感網中獲取的數據集作為數據融合層的輸入（即一級融合）, 該級融合層是應用了自適應加權融合算法, 對本溫室大棚中的溫度和相對濕度數據集進行處理。第二級是神經網絡融合層, 將數據融合層得到的溫度、相對濕度作為該級的原始數據, 采用BP 神經網絡算法進行融合, 從而提高溫室大棚環境監測的可靠性。

3 結果與分析

3.1 多點傳感器數據融合

3.1.1 加權平均數據融合算法 加權平均融合算法在許多研究中已經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的原始數據。加權平均融合算法可以提高系統的精度、測量范圍以及增加系統的可信度[6］。

在溫室大棚中對某一參數（如溫度）, 利用n個傳感器進行溫度數據的采集, 采集到的溫度數據集利用加權平均融合算法處理。

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

v1,v2,…,vn為各傳感設備的權重, 可得到和vi的關系式：

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

3.1.2 自適應加權融合算法與應用 在數據的采集過程中, 由于測量目標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, 這就會導致本系統在一級融合層開始就會產生偏差。所以各傳感設備需要采集多個測量值, 采用自適應加權算法, 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, 本系統參數的多點數據融合采用自適應融合算法能有效將產生的偏差減小, 以獲得較為準確的環境參數, 保證獲取的溫度、相對濕度數據位于盡可能小的偏差范圍。

1）算法模型。本系統中的各環境參數都有多個傳感器位于不同監測點, 若傳感器個數為n,X1,X2,…,Xn分別為這些傳感器采集到的數據。

在保證總方差最小的條件下, 對X1,X2,…,Xn進行加權融合, 通過自適應的方式尋找對應的最優加權因子, 經過該方式得到融合后的最優值。本溫室大棚系統的自適應加權算法模型如圖3 所示。

圖3 自適應加權算法數據融合模型

2）原理分析。根據上述算法模型分析, 本系統采集某個參數的傳感節點數為n, 對應各節點的方差為不同設備采集數據相互獨立, 認為其屬于估計真值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, 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的準確度, 且σ2取得極值的情況與每個傳感器的V相關[5-7］。

當系統參數數據經過上述處理后, 得到最小均方誤差, 由多元極值理論得到V, 計算公式如下：

已知溫室大棚內某個參數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傳感器進行監測采樣, 共取得k個數據, 求得p傳感器的均值為：

同理可得：

當σ2最小時對應的符合精度要求, 此時最小值為：

3.1.3 自適應加權融合算法仿真 溫度和相對濕度采樣次數為5、10、30 次, 自適應加權算法以及算術平均值算法后的均值與均方值如表1 所示。當采樣次數為10 次時, 在本系統中融合效果最好。結果表明, 自適應加權算法相較于傳統的算術平均值算法具有高融合度和精度, 但采樣次數需要根據不同系統進行相應調節, 一般不大于30 次為最佳。

表1 不同采樣次數的自適應加權算法以及算術平均值算法均值與均方值

圖4 為算術平均值算法和自適應加權算法溫度、相對濕度數據融合對比圖, 溫度真實值為23 ℃, 相對濕度真實值為75%。采用自適應加權算法進行數據融合可以有效地得到接近真實值的融合數據, 而采用普通的算術平均值算法可能因為存在異常值, 導致數據在某個時刻由于異常數據過大或過小, 使融合后數據偏離真實值較遠。所以, 采用自適應加權算法融合后的數據更為準確, 提升了BP 神經網絡輸入數據的可靠性。

圖4 算術平均值算法和自適應加權算法溫度、相對濕度數據融合對比

3.2 BP 神經網絡數據融合

3.2.1 BP 網絡設計 BP 神經網絡是一種前向型網絡, 它可以將得到的誤差反饋后進行修正[8］。這種模型基本結構為輸入層、隱含層、輸出層, 故需要對其基本結構中所包括的網絡層數、各層節點個數、網絡初始權值、學習速率提前進行設計[9-12］。

1）網絡的層數。輸入層和輸出層是神經網絡中必須具備的, 而隱含層是根據需要對其層數進行確定；需要注意的是網絡誤差的高低與對應層數成反比、與系統精度高低成正比, 若增加對應層雖然可以使系統預測更加精準, 但其整體結構也更加復雜。在綜合考量后, 本系統采用3 層隱含層結構的BP 神經網絡, 可實現任意的n維到m維的映射。

2）各層的節點數。輸入層和輸出層的選擇都是根據實際應用要求決定的, 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 個參數作為輸入層的2 個節點。對神經網絡來說, 其性能的好壞、預測精準度的高低在一定程度上是受隱含層節點數多少的制約, 如何獲得合適的節點數, 通常需要根據不同的系統特性進行測試或依據先前的經驗來確定[10-13］。根據經驗可以參照以下公式進行設計：

式中,L為隱含層節點數；n為輸入節點數；m為輸出節點數, 輸出層節點數根據實際應用選擇；a為常數, 取值范圍為a∈[1,10]。

由于溫度、相對濕度對農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節區間能保證植株的生長環境處于較好的生長條件下。本系統輸出信息包括最適宜、適中、惡劣, 因此這3 種狀態即為本系統所確定的輸出層節點。根據公式（14）, 本系統確定L為4。本系統溫室大棚的環境舒適等級分為3 級, 級別越高說明所處的環境越適宜。等級劃分如表2 所示, 0 級表示環境較為惡劣, 需要及時做出調整；1 級表示環境較為舒適, 暫無須調整；2 級表示環境最適宜, 有助于農作物生長。

表2 農業溫室大棚環境等級劃分

3）網絡的初始權值。BP 網絡中隱含層的傳輸函數通常采用S 型傳遞函數, 本系統在該初值的選取時應保證不能偏大, 且本溫室大棚神經網絡系統選取連接權值為不在同一時刻相等的某一隨機數, 其區間位于[-1,1]。

4）學習速率。學習速率如果選得太小, 則收斂慢, 網絡訓練時間增加；如果學習速率過大, 會導致網絡穩定性降低。綜合考慮, 本系統選取的學習速率η為0.01。圖5 為確定了網絡層數以及各層節點數后的溫室大棚BP 神經網絡結構。

圖5 農業大棚BP 神經網絡結構

3.2.2 BP 網絡模擬測試結果 本系統BP 神經網絡訓練樣本數據的選取, 采用重要數據樣點的選取方法, 這樣避免了無效數據, 同時可以重點針對重要數據訓練, 使訓練效果更好, 本系統選取溫度、相對濕度傳感器的3 個數據樣本。由圖6 可知, 當訓練次數為1 時, 預測準確率在73%左右, 訓練次數增加到50 次時, 預測準確率提高到85%左右, 當訓練次數增加到200 次及以上時, 準確率基本維持在98%左右。由于初始數據已經經過自適應加權融合, 在訓練次數為1 次時, 訓練預測準確率也可以達到70%左右, 可見在BP 神經網絡輸入前對數據進行融合處理, 可以較好地提升預測的最低準確率。

圖6 BP 神經網絡的預測準確率

4 小結

在農業溫室大棚的智能監控和管理工作中, 智能控制技術的運用對于改善生產管理水平和產品質量有一定的指導作用。通過利用智能控制的優勢, 克服傳統溫室監控的技術缺陷, 能夠完成對溫室內智能監控與管理工作, 從而提高農業植物的生產現代化、自動化與智能化。

本研究闡述了在農業溫室大棚內利用多傳感器對不同點位傳感器監測數據進行采集。第一級數據融合層將傳感網中獲取的參數數據集作為數據融合層的輸入, 該級融合層是針對本農業溫室大棚中的溫濕數據集, 應用自適應加權融合算法對多點數據進行處理。第二級是神經網絡融合層, 將數據融合層得到的溫度、相對濕度作為該級的原始數據, 采用BP 神經網絡算法進行融合, 進而對環境優劣情況進行預測。