CN108983849A - 一种利用复合极限学习机神经网络控制温室环境方法 - Google Patents
一种利用复合极限学习机神经网络控制温室环境方法 Download PDFInfo
- Publication number
- CN108983849A CN108983849A CN201810764208.9A CN201810764208A CN108983849A CN 108983849 A CN108983849 A CN 108983849A CN 201810764208 A CN201810764208 A CN 201810764208A CN 108983849 A CN108983849 A CN 108983849A
- Authority
- CN
- China
- Prior art keywords
- learning machine
- extreme learning
- control
- data
- deviation
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Withdrawn
Links
- 238000000034 method Methods 0.000 title claims abstract description 26
- 150000001875 compounds Chemical class 0.000 title claims abstract description 18
- 238000013528 artificial neural network Methods 0.000 claims abstract description 32
- 238000010606 normalization Methods 0.000 claims abstract description 14
- 238000012545 processing Methods 0.000 claims abstract description 8
- CURLTUGMZLYLDI-UHFFFAOYSA-N Carbon dioxide Chemical compound O=C=O CURLTUGMZLYLDI-UHFFFAOYSA-N 0.000 claims description 38
- 239000002689 soil Substances 0.000 claims description 35
- 230000001105 regulatory effect Effects 0.000 claims description 32
- 229910002092 carbon dioxide Inorganic materials 0.000 claims description 19
- 239000001569 carbon dioxide Substances 0.000 claims description 19
- 238000005286 illumination Methods 0.000 claims description 19
- 239000002131 composite material Substances 0.000 claims description 18
- 230000001276 controlling effect Effects 0.000 claims description 13
- 238000012549 training Methods 0.000 claims description 10
- 210000002569 neuron Anatomy 0.000 claims description 8
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 claims description 8
- 230000001502 supplementing effect Effects 0.000 claims description 5
- 239000011159 matrix material Substances 0.000 claims description 4
- 238000011478 gradient descent method Methods 0.000 claims description 3
- 238000003062 neural network model Methods 0.000 claims description 3
- 239000013598 vector Substances 0.000 description 8
- 238000002474 experimental method Methods 0.000 description 4
- 238000005070 sampling Methods 0.000 description 4
- 238000010586 diagram Methods 0.000 description 3
- 230000007613 environmental effect Effects 0.000 description 3
- 239000013589 supplement Substances 0.000 description 3
- 230000004913 activation Effects 0.000 description 2
- 238000013480 data collection Methods 0.000 description 2
- 230000000694 effects Effects 0.000 description 2
- 230000006870 function Effects 0.000 description 2
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000007599 discharging Methods 0.000 description 1
- 238000004519 manufacturing process Methods 0.000 description 1
- 238000009423 ventilation Methods 0.000 description 1
Classifications
-
- G—PHYSICS
- G05—CONTROLLING; REGULATING
- G05D—SYSTEMS FOR CONTROLLING OR REGULATING NON-ELECTRIC VARIABLES
- G05D27/00—Simultaneous control of variables covered by two or more of main groups G05D1/00 - G05D25/00
- G05D27/02—Simultaneous control of variables covered by two or more of main groups G05D1/00 - G05D25/00 characterised by the use of electric means
Landscapes
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Engineering & Computer Science (AREA)
- Automation & Control Theory (AREA)
- Greenhouses (AREA)
- Feedback Control In General (AREA)
Abstract
一种利用复合极限学习机神经网络控制温室环境方法，涉及一种控制温室环境方法，所述方法搜集样本数据，将不同时间的各个偏差数据对应的控制调节量作为极限学习机网络的样本输出数据；将归一化处理后的样本数据分别用于对各神经网络进行训练；建立BP神经网络控制模型；利用复合极限学习机网络控制模型对温室环境进行控制：将求得的各个神经网络的加权系数带入复合极限学习机网络模型，利用该复合极限学习机网络控制模型计算出控制调节量各数值进行反归一化处理，便得到温室控制参数。应用于温室环境参数的控制中，依据农作物生长的规律，实现了对温室环境参数的智能控制，实现了对温室农作物生长环境的精确控制，提高了温室农作物的产量和品质。
Description
技术领域
本发明涉及一种控制温室环境方法，特别是涉及一种利用复合极限学习机神经网络控制温室环境方法。
背景技术
在农作物的生长过程中，温度、湿度、光照强度、CO2浓度等因素是影响农作物生长的关键因素，为避免上述参数的较大波动对农作物生长造成较大影响，提高农作物的产量与质量，需要将农作物种植在温室环境中并对上述参数加以控制。我国传统温室大棚生产过程需要大量劳动人员参与，依靠经验管理，不仅占用大量的劳动力资源，而且环境参数的变化的农作物的生长仍然影响很大。因此，有必要对温室大棚内的温度、湿度、CO2浓度等温室环境参数进行精确实时控制，使植物始终生长在最佳的环境参数范围之内。
目前，对于温室环境参数控制的方法很多，但大多存在着控制精度还不够高，控制效果不够理想等问题。基于复合极限学习机网络的温室环境智能控制方法，将复合极限学习机神经网络应用于温室环境控制，控制精度较高，控制效果较好。
发明内容
本发明的目的在于提供一种利用复合极限学习机神经网络控制温室环境方法，该方法通过采集农作物生长的现场环境参数，并和农作物生长的标准环境参数作比对，建立依据作物生长的复合极限学习机网络控制算法；实现对温室环境参数进行精确控制。
本发明的目的是通过以下技术方案实现的：
一、样本数据的搜集
根据农业专家所提供的某种农作物生长的经验数据，包括农作物不同的生长时期所需要的光照强度、土壤温度、土壤湿度、空气温度、空气湿度、二氧化碳浓度数据。再通过实验，获得农作物在不同的生长时期的实际光照强度与经验光照强度的偏差、实际土壤温度与经验土壤温度的偏差、实际土壤湿度与经验土壤湿度的偏差、实际空气温度与经验空气温度的偏差、实际空气湿度与经验空气湿度的偏差、实际二氧化碳浓度与经验二氧化碳浓度的偏差；并根据实验，得到对应不同的光照强度偏差数据、土壤温度偏差数据、土壤湿度偏差数据、空气温度偏差数据、空气湿度偏差数据、二氧化碳浓度偏差数据下的水帘控制调节量、风扇控制调节量、补光灯控制调节量、散热器控制调节量、遮阳板控制调节量、放风电机控制调节量。在所获得的这些数据中，将农作物生长的不同时间和对应各个时间点的光照强度偏差数据、土壤温度偏差数据、空气温度偏差数据、空气湿度偏差数据、二氧化碳浓度偏差数据作为极限学习机网络的输入样本数据；将不同时间的各个偏差数据对应的水帘控制调节量、风扇控制调节量、补光灯控制调节量、散热器控制调节量、遮阳板控制调节量、放风电机控制调节量作为极限学习机网络的样本输出数据。
二、样本数据的归一化处理
将采样数据归一化到[0, 1]区间内为：
其中，为第个经过归一化处理后的采样数据，为r个采样数据的最小值，为r个采样数据的最大值。将归一化处理后的r个样本数据分别用于对各神经网络进行训练。
三、建立极限学习机网络控制模型
极限学习机网络由输入层、隐含层和输出层组成。输入层变量为，，分别对应的参数为农作物已生长时间、光照强度偏差、土壤温度偏差、土壤湿度偏差、空气温度偏差、空气湿度偏差、二氧化碳浓度偏差；隐含层有L个节点数；输出层有6个节点，分别对应的控制参数为水帘控制调节量、风扇控制调节量、补光灯控制调节量、散热器控制调节量、遮阳板控制调节量、放风电机控制调节量。
极限学习机网络的输出记为，，，表示最大采样次数。表示第次采样的第个参数值。
极限学习机网络的算法过程如下：
取训练集，其中为第j个输入样本数据，为第j个输出样本数据，选择激活函数为。
（1）确定隐含层神经元个数L；
（2）随机生成输入层至隐含层的权值和隐含层各个神经元阈值；
（3）计算隐含层输出矩阵
（4）计算网络隐含层至输出层的权值,
当为非奇异时，
当为非奇异时，
四、建立BP神经网络控制模型
BP神经网络由输入层、隐含层和输出层组成。输入层变量为，分别对应的参数为作物已生长时间、光照强度偏差、土壤温度偏差、土壤湿度偏差、空气温度偏差、空气湿度偏差、二氧化碳浓度偏差；隐含层有M个节点数；输出层有6个节点，分别对应的控制参数为水帘控制调节量、风扇控制调节量、补光灯控制调节量、散热器控制调节量、遮阳板控制调节量、放风电机控制调节量。
BP神经网络算法过程如下：
取训练集，其中为第j个输入样本数据，为第j个输出样本数据，选择激活函数为。
三层BP神经网络中，输入向量，各个隐含层神经元输出为，，输入层至隐含层的权值矩阵为：，其中列向量为隐含层第j个神经元对应的权向量，隐含层至输出层的权值矩阵为，其中列向量为隐含层第k个神经元对应的权向量。输出层输出向量为对于BP神经网络的输出层，有
对于BP神经网络的隐含层，则有：
BP网络训练过程如下：
（1）确定隐含层神经元个数；
（2）随机生成权值矩阵V和W；
（3）输入训练样本集，计算实际输出和期望输出的误差，从输出层开始向前计算权值与阈值对误差的梯度，基于梯度下降法修正权值和阈值。重复以上两过程，直到误差达到设定范围或训练达到设定迭代次数结束。
五、建立复合极限学习机网络控制模型
本发明将极限学习机网络模型和BP神经网络模型组合在一起，构成复合极限学习机网络控制模型。复合极限学习机网络控制模型的总输出是各神经网络输出的加权和，即：
其中X为复合极限学习机网络的输入数据矩阵，为复合极限学习机网络输出向量，为复合极限学习机网络的预测模型，为组合网络个数，为第个单网络预测模型，为第个单网络的非负加权系数向量，，满足归一性，即：。
本发明对于各权系数的确定采用等权值分配法，即。
六、利用复合极限学习机网络控制模型对温室环境进行控制
将所求得的各个神经网络的加权系数带入复合极限学习机网络模型，当复合极限学习机网络模型输入为农作物已生长时间、光照强度偏差、土壤温度偏差、土壤湿度偏差、空气温度偏差、空气湿度偏差、二氧化碳浓度偏差，利用该复合极限学习机网络控制模型即可计算出水帘控制调节量、风扇控制调节量、补光灯控制调节量、散热器控制调节量、遮阳板控制调节量、放风电机控制调节量；对水帘控制调节量、风扇控制调节量、补光灯控制调节量、散热器控制调节量、遮阳板控制调节量、放风电机控制调节量各数值进行反归一化处理后，便可得到温室控制参数。
本发明的有益效果：本发明将极限学习机网络和BP神经网络相结合，应用于温室环境参数的控制中，依据农作物生长的规律，实现了对温室环境参数的智能控制，从而实现了对温室农作物生长环境的精确控制，提高了温室农作物的产量和品质。
附图说明
图1为本发明极限学习机网络控制模型拓扑结构图；
图2为本发明BP网络控制模型拓扑结构图；
图3为本发明复合极限学习机网络模型拓扑结构图。
具体实施方式
下面将结合具体的实施例来对本发明内容作进一步的说明。
图1表示了极限学习机网络控制模型拓扑结构；图2表示了BP网络控制模型拓扑结构；图3表示了复合极限学习机网络模型拓扑结构。
一、样本数据的搜集
根据农业专家所提供的某种农作物生长的经验数据，包括农作物不同的生长时期所需要的光照强度、土壤温度、土壤湿度、空气温度、空气湿度、二氧化碳浓度数据。再通过实验，获得农作物在不同的生长时期的实际光照强度与经验光照强度的偏差、实际土壤温度与经验土壤温度的偏差、实际土壤湿度与经验土壤湿度的偏差、实际空气温度与经验空气温度的偏差、实际空气湿度与经验空气湿度的偏差、实际二氧化碳浓度与经验二氧化碳浓度的偏差；并根据实验，得到对应不同的光照强度偏差数据、土壤温度偏差数据、土壤湿度偏差数据、空气温度偏差数据、空气湿度偏差数据、二氧化碳浓度偏差数据下的水帘控制调节量、风扇控制调节量、补光灯控制调节量、散热器控制调节量、遮阳板控制调节量、放风电机控制调节量。在所获得的这些数据中，将农作物生长的不同时间和对应各个时间点的光照强度偏差数据、土壤温度偏差数据、空气温度偏差数据、空气湿度偏差数据、二氧化碳浓度偏差数据作为极限学习机网络的输入样本数据；将不同时间的各个偏差数据对应的水帘控制调节量、风扇控制调节量、补光灯控制调节量、散热器控制调节量、遮阳板控制调节量、放风电机控制调节量作为极限学习机网络的样本输出数据。本实施例中共得到60组输入采样数据，见如下表1所示：
表1
其中作物已生长时间（单位：天）、光照强度偏差（单位：LUX）、土壤温度偏差(单位：度)、土壤湿度偏差（单位：%RH）、空气温度偏差（单位：度）、空气湿度偏差（单位：%RH）、二氧化碳浓度偏差（单位：PPM）。本实施例中共得到60组输出采样数据，见如下表2所示：
表2
二、样本数据的归一化处理
将采样数据归一化到[0, 1]区间内为：
其中，为第个经过归一化处理后的采样数据，为60个采样数据的最小值，为60个采样数据的最大值。将归一化处理后的60个样本数据分别用于对各神经网络进行训练。
三、建立极限学习机网络控制模型
极限学习机网络由输入层、隐含层和输出层组成。输入层变量为，分别对应的参数为作物已生长时间、光照强度偏差、土壤温度偏差、土壤湿度偏差、空气温度偏差、空气湿度偏差、二氧化碳浓度偏差；隐含层采用17个节点构成；输出层有6个节点，分别对应的控制参数为水帘控制调节量、风扇控制调节量、补光灯控制调节量、散热器控制调节量、遮阳板控制调节量、放风电机控制调节量。用上述归一化处理后的60组数据作为样本数据，
按上述极限学习机网络的训练过程，得到极限学习机网络控制模型。
四、建立BP神经网络控制模型
BP神经网络由输入层、隐含层和输出层组成。输入层变量为，分别对应的参数为作物已生长时间、光照强度偏差、土壤温度偏差、土壤湿度偏差、空气温度偏差、空气湿度偏差、二氧化碳浓度偏差；隐含层有15个节点；输出层有6个节点，分别对应的控制参数为水帘控制调节量、风扇控制调节量、补光灯控制调节量、散热器控制调节量、遮阳板控制调节量、放风电机控制调节量。
用上述归一化处理后的60组数据作为样本数据，用上述的BP神经网络算法，对于BP神经网络的隐含层，
对于BP神经网络的输出层，有
设定训练误差为0.01，采用梯度下降法训练BP神经网络，最后得到BP神经网络控制模型。
五、建立复合极限学习机网络控制模型
将上述所训练的极限学习机网络模型和BP神经网络模型的组合成复合极限学习机网络控制模型，复合极限学习机网络控制模型总输出是上述所训练的极限学习机网络和BP神经网络输出的加权和，即：
本实施例中取值为2，权系数。
六、利用复合极限学习机网络控制模型对温室环境进行智能控制
本实施例中，利用所建立的复合极限学习机网络模型对温室的光照强度、土壤温度、土壤湿度、空气温度、空气湿度、二氧化碳浓度进行控制，随机选取10组复合极限学习机网络控制模型控制结果，控制误差如下表3：
表3
作为比对，再用极限学习机网络模型对温室的光照强度、土壤温度、土壤湿度、空气温度、空气湿度、二氧化碳浓度进行控制，随机选取10组极限学习机网络控制模型控制结果，控制误差如下表4：
表4
Claims (5)
1.一种利用复合极限学习机神经网络控制温室环境方法，其特征在于，所述方法通过以下步骤来实现的：
a.搜集样本数据：将农作物生长的不同时间和对应各个时间点的数据作为极限学习机网络的输入样本数据；将不同时间的各个偏差数据对应的控制调节量作为极限学习机网络的样本输出数据；
b.归一化处理样本数据：将归一化处理后的样本数据分别用于对各神经网络进行训练；
c.建立极限学习机网络控制模型：
（1）确定隐含层神经元个数；
（2）随机生成输入层至隐含层的权值和隐含层各个神经元阈值；
（3）计算隐含层输出矩阵；
（4）计算网络隐含层至输出层的权值；
d.建立BP神经网络控制模型训练如下：
（1）确定隐含层神经元个数；
（2）随机生成权值矩阵V和W；
（3）输入训练样本集，计算实际输出和期望输出的误差，从输出层开始向前计算权值与阈值对误差的梯度，基于梯度下降法修正权值和阈值；
e.建立复合极限学习机网络控制模型：将极限学习机网络模型和BP神经网络模型组合在一起，构成复合极限学习机网络控制模型；
f.利用复合极限学习机网络控制模型对温室环境进行控制：将求得的各个神经网络的加权系数带入复合极限学习机网络模型，利用该复合极限学习机网络控制模型计算出控制调节量各数值进行反归一化处理，便得到温室控制参数。
2.根据权利要求1所述的一种利用复合极限学习机神经网络控制温室环境方法，其特征在于，所述搜集样本数据，将农作物生长的不同时间和对应各个时间点的光照强度偏差数据、土壤温度偏差数据、空气温度偏差数据、空气湿度偏差数据、二氧化碳浓度偏差数据作为极限学习机网络的输入样本数据；将不同时间的各个偏差数据对应的水帘控制调节量、风扇控制调节量、补光灯控制调节量、散热器控制调节量、遮阳板控制调节量、放风电机控制调节量作为极限学习机网络的样本输出数据。
3.根据权利要求1所述的一种利用复合极限学习机神经网络控制温室环境方法，其特征在于，所述归一化处理样本数据，将采样数据归一化到[0, 1]区间内为：
其中，为第个经过归一化处理后的采样数据，为r个采样数据的最小值，为r个采样数据的最大值。
4.根据权利要求1所述的一种利用复合极限学习机神经网络控制温室环境方法，其特征在于，所述极限学习机网络由输入层、隐含层和输出层组成。
5.根据权利要求1所述的一种利用复合极限学习机神经网络控制温室环境方法，其特征在于，所述BP神经网络由输入层、隐含层和输出层组成。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201810764208.9A CN108983849A (zh) | 2018-07-12 | 2018-07-12 | 一种利用复合极限学习机神经网络控制温室环境方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201810764208.9A CN108983849A (zh) | 2018-07-12 | 2018-07-12 | 一种利用复合极限学习机神经网络控制温室环境方法 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN108983849A true CN108983849A (zh) | 2018-12-11 |
Family
ID=64537889
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN201810764208.9A Withdrawn CN108983849A (zh) | 2018-07-12 | 2018-07-12 | 一种利用复合极限学习机神经网络控制温室环境方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN108983849A (zh) |
Cited By (7)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN109828623A (zh) * | 2018-12-28 | 2019-05-31 | 北京农业信息技术研究中心 | 温室作物情景感知的生产管理方法及装置 |
| CN111346688A (zh) * | 2018-12-24 | 2020-06-30 | 航天信息股份有限公司 | 一种小麦着水控制方法及装置 |
| CN111796519A (zh) * | 2020-06-14 | 2020-10-20 | 武汉理工大学 | 一种基于极限学习机的多输入多输出系统自动控制方法 |
| CN113115679A (zh) * | 2021-04-21 | 2021-07-16 | 中国农业科学院农业信息研究所 | 一种基于苹果病害预测的智能调控方法及其装置 |
| CN113934245A (zh) * | 2021-10-18 | 2022-01-14 | 电子科技大学成都学院 | 一种应用于大棚农作物的生长bp神经网络系统及其方法 |
| CN113994829A (zh) * | 2021-11-19 | 2022-02-01 | 国网甘肃省电力公司电力科学研究院 | 一种考虑可时移与成本因素的led补光灯运行调控方法 |
| TWI823431B (zh) * | 2022-06-20 | 2023-11-21 | 英業達股份有限公司 | 風扇控制方法及風扇控制裝置 |
Citations (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN103267826A (zh) * | 2013-04-17 | 2013-08-28 | 沈阳大学 | 一种在线检测明胶浓度的软测量方法 |
| CN106651012A (zh) * | 2016-12-02 | 2017-05-10 | 东华大学 | 一种基于改进极限学习机的作物蒸腾量预测方法 |
| CN107168066A (zh) * | 2017-06-23 | 2017-09-15 | 太原理工大学 | 一种温室环境自适应控制方法 |
-
2018
- 2018-07-12 CN CN201810764208.9A patent/CN108983849A/zh not_active Withdrawn
Patent Citations (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN103267826A (zh) * | 2013-04-17 | 2013-08-28 | 沈阳大学 | 一种在线检测明胶浓度的软测量方法 |
| CN106651012A (zh) * | 2016-12-02 | 2017-05-10 | 东华大学 | 一种基于改进极限学习机的作物蒸腾量预测方法 |
| CN107168066A (zh) * | 2017-06-23 | 2017-09-15 | 太原理工大学 | 一种温室环境自适应控制方法 |
Non-Patent Citations (2)
| Title |
|---|
| 崔选科: "基于BP网络的玻璃温室温度模型研究与监测系统设计", 《中国优秀硕士学位论文全文数据库 信息科技辑》 * |
| 张园园等: "基于ELM算法的设施农业小气候环境因子预测模型", 《中国农机化学报》 * |
Cited By (10)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN111346688A (zh) * | 2018-12-24 | 2020-06-30 | 航天信息股份有限公司 | 一种小麦着水控制方法及装置 |
| CN111346688B (zh) * | 2018-12-24 | 2021-08-24 | 航天信息股份有限公司 | 一种小麦着水控制方法及装置 |
| CN109828623A (zh) * | 2018-12-28 | 2019-05-31 | 北京农业信息技术研究中心 | 温室作物情景感知的生产管理方法及装置 |
| CN111796519A (zh) * | 2020-06-14 | 2020-10-20 | 武汉理工大学 | 一种基于极限学习机的多输入多输出系统自动控制方法 |
| CN111796519B (zh) * | 2020-06-14 | 2022-05-06 | 武汉理工大学 | 一种基于极限学习机的多输入多输出系统自动控制方法 |
| CN113115679A (zh) * | 2021-04-21 | 2021-07-16 | 中国农业科学院农业信息研究所 | 一种基于苹果病害预测的智能调控方法及其装置 |
| CN113934245A (zh) * | 2021-10-18 | 2022-01-14 | 电子科技大学成都学院 | 一种应用于大棚农作物的生长bp神经网络系统及其方法 |
| CN113994829A (zh) * | 2021-11-19 | 2022-02-01 | 国网甘肃省电力公司电力科学研究院 | 一种考虑可时移与成本因素的led补光灯运行调控方法 |
| CN113994829B (zh) * | 2021-11-19 | 2022-09-20 | 国网甘肃省电力公司电力科学研究院 | 一种考虑可时移与成本因素的led补光灯运行调控方法 |
| TWI823431B (zh) * | 2022-06-20 | 2023-11-21 | 英業達股份有限公司 | 風扇控制方法及風扇控制裝置 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN108983849A (zh) | 一种利用复合极限学习机神经网络控制温室环境方法 | |
| CN110084417B (zh) | 一种基于grnn神经网络的草莓温室环境参数智能监测系统 | |
| CN109284771B (zh) | 一种番茄生长模型判定方法及装置 | |
| CN112906298B (zh) | 一种基于机器学习的蓝莓产量预测方法 | |
| CN114637351B (zh) | 一种设施作物温室环境调控方法及系统 | |
| EP3897103A1 (en) | A method of finding a target environment suitable for growth of a plant variety | |
| CN110119766B (zh) | 一种多组合智能化模型的青椒温室温度智能化预警装置 | |
| CN110119169B (zh) | 一种基于最小向量机的番茄温室温度智能预警系统 | |
| CN110119086B (zh) | 一种基于anfis神经网络的番茄温室环境参数智能监测装置 | |
| CN117036088A (zh) | 一种ai识别绿化植物生长态势的数据采集分析方法 | |
| CN109214579B (zh) | 基于bp神经网络的盐碱地稳定性预测方法及系统 | |
| CN108319134A (zh) | 一种基于极限学习机网络的温室环境智能控制方法 | |
| CN106650212A (zh) | 基于数据分析的植物智能培育方法及系统 | |
| CN108633697A (zh) | 一种基于植物日常数据分析与云技术的智能植物养培方法 | |
| CN110414115B (zh) | 一种基于遗传算法的小波神经网络番茄产量预测方法 | |
| CN107037728A (zh) | 基于多目标灰色粒子群算法的温室环境优化控制方法 | |
| CN105389452A (zh) | 基于神经网络的黄瓜全程光合速率预测模型及建立方法 | |
| CN115453868A (zh) | 基于番茄光响应差分特征的全生长期光强调控方法 | |
| CN115529987A (zh) | 作物设施的风口调控方法、装置、设备及存储介质 | |
| Valenzuela et al. | Pre-harvest factors optimization using genetic algorithm for lettuce | |
| Avigal et al. | Learning seed placements and automation policies for polyculture farming with companion plants | |
| An et al. | A simulator-based planning framework for optimizing autonomous greenhouse control strategy | |
| CN112783228B (zh) | 基于神经网络的大型温棚pd控制系统及方法 | |
| CN114859734A (zh) | 一种基于改进sac算法的温室环境参数优化决策方法 | |
| CN109934400B (zh) | 基于改进神经网络的集雨调亏作物需水量预测方法 |
Legal Events
| Date | Code | Title | Description |
|---|---|---|---|
| PB01 | Publication | ||
| PB01 | Publication | ||
| SE01 | Entry into force of request for substantive examination | ||
| SE01 | Entry into force of request for substantive examination | ||
| WW01 | Invention patent application withdrawn after publication |
Application publication date: 20181211 |
|
| WW01 | Invention patent application withdrawn after publication |