CN115062764B

CN115062764B - 光照度智能调节与环境参数物联网大数据系统

Info

Publication number: CN115062764B
Application number: CN202210694379.5A
Authority: CN
Inventors: 刘钧陶; 陈佳豪; 丁唯峰; 吴宇杰; 李吉祥; 杨礼胜; 吴佩师; 马从国; 周恒瑞; 秦小芹; 柏小颖; 王建国; 马海波; 周大森; 金德飞; 黄凤芝; 李亚洲; 丁晓红; 叶文芊
Original assignee: Huaiyin Institute of Technology
Current assignee: Cmc Carbon Neutralization Research Institute Wuxi Co ltd
Priority date: 2022-06-17
Filing date: 2022-06-17
Publication date: 2023-07-11
Anticipated expiration: 2042-06-17
Also published as: CN115062764A

Abstract

本发明公开了光照度智能调节与环境参数物联网大数据系统，由环境参数检测与调节平台和光照度预测子系统组成，环境参数检测与调节平台负责检测光照度参数检测、调节与管理，光照度参数保存到云平台，管理人员可从移动端APP实时查看和调节光照度参数；光照度预测子系统实现对光照度进行检测和预测；本发明有效解决了现有光照度检测系统没有根据光照度参数变化的非线性、大滞后和光照度面积大参数变化复杂等对生产与生活环境安全的影响，没有对光照度参数进行预测和对光照度进行调节，从而极大的影响生产与生活环境管理问题。

Description

光照度智能调节与环境参数物联网大数据系统

技术领域

本发明涉及环境参数检测与调节的自动化装备技术领域，具体涉及一种光照度智能调节与环境参数物联网大数据系统。

背景技术

随着现代化通信和传感技术的逐步成熟与完善，环境参数检测系统已成为当今工业、农业、交通、医疗卫生和建筑等产业的一个研究热点。传统的方法是靠人工测试和读取，并判断环境参数是否偏离正常值，然后采取相应的调整措施，消耗了大量的人力和物力。采用物联网通信网络平台采集与控制环境参数的温度、湿度、风速和光照强度等参数，不仅具有控制方便，结构简单，灵活性大的优点，而且提高温度、湿度、风速和光强度控制的便捷性和有效性。随着国民经济的快速发展，各种行业与产业规模不断扩大，检测与调节环境参数的场合日益增多。传统的检测与控制措施已经显示出很大的局限性，随着物联网、微控制器和各种传感器检测技术的发展，解决了环境参数检测和传输过程出现的难题。本专利基于LoRa无线通信技术，发明了光照度智能调节与环境参数物联网大数据系统，构建基于自组织物联网网络和云平台对环境参数检测与调节系统展开应用研究，对环境参数进行实时监控，特别是对光照度参数进行预测以促进生产与安全管理，提高效益。

发明内容

本发明提供一种光照度智能调节与环境参数物联网大数据系统，本发明有效解决了现有光照度检测系统没有根据光照度参数变化的非线性、大滞后和光照度面积大参数变化复杂等对生产与生活环境安全的影响，没有对光照度参数进行预测和对光照度进行调节，从而极大的影响生产与生活环境管理问题。

本发明通过以下技术方案实现：

光照度智能调节与环境参数物联网大数据系统由环境参数检测与调节平台和光照度预测子系统组成，环境参数检测与调节平台负责检测光照度参数检测与调节，光照度参数保存到云平台，管理人员可从移动端APP实时查看云平台光照度参数；光照度预测子系统由光照度检测模块、Vague集数值融合模型、按拍延迟线TDL和Vague集的HRFNN递归神经网络预测模型组成，实现对光照度的进行预测，光照度智能调节与环境参数物联网大数据系统实现了对环境参数的远程检测、调节和智能化管理。

本发明进一步技术改进方案是：

环境参数检测与调节平台由检测节点、控制节点、网关节点、现场监控端、云平台以及移动端App，网关节点为建立检测节点、控制节点、网关节点、现场监控端、移动端APP和云平台之间双向传输信息的通道，云平台将环境信息储存在云平台的数据库中，有效地解决了大量数据下传至智能移动设备中而导致占用大量空间的问题。环境参数检测与调节平台结构如图1所示。

本发明进一步技术改进方案是：

光照度预测子系统由光照度检测模块、Vague集数值融合模型、按拍延迟线TDL和Vague集的HRFNN递归神经网络预测模型组成，光照度传感器的输出作为对应的光照度检测模块的输入，多个光照度检测模块的输出作为Vague集数值融合模型的输入，Vague集数值融合模型输出的3个参数作为作为对应的按拍延迟线TDL输入，3个按拍延迟线TDL输输出作为Vague集的HRFNN递归神经网络预测模型的对应输入，Vague集的HRFNN递归神经网络预测模型输出的三个参数分别为x、t和1-f，x为被检测光照度的预测值，t为可信度，1-f-t为不确定度，f为不可信度，x、t和1-f构成被检测光照度的Vague集的预测值为[x,(t,1-f)]，Vague集的HRFNN递归神经网络预测模型输出作为被检测环境光照度的预测值。光照度预测子系统的结构与功能见图2所示。

本发明进一步技术改进方案是：

光照度检测模块由LSTM神经网络模型、ARIMA预测模型、变分模态分解模型、减法聚类分类器、CNN卷积-NARX神经网络模型和Vague集的模糊小波神经网络模型组成；光照度传感器感知被检测环境的时间序列光照度值分别作为LSTM神经网络模型和ARIMA预测模型的输入，LSTM神经网络模型与ARIMA预测模型输出的差作为被检测环境的光照度波动值，时间序列光照度波动值作为变分模态分解模型的输入，变分模态分解模型输出多个模态函数IMF分量，多个IMF分量能量熵作为减法聚类分类器的输入，减法聚类分类器输出的多个类型的IMF分量能量熵分别作为多个对应的CNN卷积-NARX神经网络模型输入，ARIMA预测模型和多个CNN卷积-NARX神经网络模型的输出作为Vague集的模糊小波神经网络模型的对应输入，Vague集的模糊小波神经网络模型输出的三个参数分别为y、z和1-k，y为被检测光照度的实数值，z为可信度，1-k-z为不确定度，k为不可信度，y、z和1-k构成被检测光照度的Vague集的数值为[y,(z,1-k)]，Vague集的模糊小波神经网络模型输出作为光照度检测模块输出。光照度检测模块的功能与结构见图3所示。

本发明进一步技术改进方案是：

Vague集数值融合模型

(1)、一段时间多个参数测量传感器的参数检测模块输出的Vague集数构成时间序列Vague集数值阵列，每个参数测量传感器的时间序列Vague集数值的正理想值距离测度除以该参数测量传感器的时间序列Vague集数值的负理想值距离测度与该参数测量传感器的时间序列Vague集数值的正理想值距离测度的和得到的商为每个参数测量传感器的时间序列Vague集数值的相对距离测度；每个参数测量传感器的时间序列Vague集数值的相对距离测度除以所有参数测量传感器的时间序列Vague集数值的相对距离测度的和得到的商为每个参数测量传感器的时间序列Vague集数值的距离测度融合权重；

(2)、每个参数测量传感器的时间序列Vague集数值与Vague集数值阵列的正理想值之间的相似度除以该参数测量传感器的时间序列Vague集数值与Vague集数值阵列的正理想值的相似度相加该参数测量传感器的时间序列Vague集数值与Vague集数值阵列的负理想值的相似度的和得到的商为该参数测量传感器的时间序列Vague集数值的相似度相对测度；每个参数测量传感器的时间序列Vague集数值的相似度相对测度除以所有参数测量传感器的时间序列Vague集数值的相似度相对测度的和得到的商为该参数测量传感器的时间序列Vague集数值的相似度融合权重；

(3)、每个参数测量传感器的时间序列Vague集数值的距离测度融合权重和该参数测量传感器的时间序列Vague集数值的相似度融合权重按照从小到大排序组成的区间数作为该参数测量传感器的时间序列Vague集数值的区间数融合权重；根据同一时刻每个参数测量传感器的时间序列Vague集数值与该参数测量传感器的时间序列Vague集数值的区间数融合权重的积相加得到的和为所有参数测量传感器的时间序列Vague集数的融合值为时间序列的区间Vague集数值。Vague集数值融合模型的结构与功能见图2所示。

本发明与现有技术相比，具有以下明显优点：

一、本发明针对参数测量过程中，传感器精度误差、干扰和测量异常等问题存在的不确定性和随机性，本发明专利通过光照度检测模块将光照度传感器测量的参数值转化为检测参数Vague集的数值形式表示，有效地处理了光照度传感器测量参数的模糊性、动态性和不确定性，提高了光照度传感器检测光照度参数的客观性和可信度。

二、本发明Vague集的HRFNN递归神经网络预测模型输出的三个参数分别为x、t和1-f，x为被检测光照度的预测值，t为可信度，1-f-t为不确定度，f为不可信度，x、t和1-f构成被检测光照度的Vague集的预测值为[x,(t,1-f)]，通过在反馈环节引入内部变量，将规则层的输出量加权求和后再反模糊化输出作为反馈量，并将反馈量与隶属度函数层的输出量一起作为规则层的下一时刻的输入，网络输出包含规则层激活强度和输出的历史信息，增强了Vague集的HRFNN递归神经网络预测模型适应非线性动态系统的能力，Vague集的HRFNN递归神经网络预测模型可以准确地预测的被检测环境的光照度参数，具有以任意精度逼近任意线性和非线性函数的功能，并且收敛速度快，样本需要量少，模型运算速度快，结果可靠，取得好效果。

三、本发明LSTM神经网络模型是一种在重复网络中具有4个相互作用层的循环神经网络，它不仅能够像标准循环神经网络那样从光照度传感器输出的光照度序列数据中提取信息，还能够保留来自于先前较远步骤的光照度传感器输出光照度参数长期相关性的信息。此外，由于光照度传感器输出光照度参数的采样间隔相对较小，光照度传感器输出光照度参数存在长期空间和时间上的相关性，而LSTM神经网络模型有足够的长期记忆来处理光照度传感器输出光照度参数之间的时空关系，提高处理光照度传感器输出光照度参数的准确性和鲁棒性。

四、本发明变分模态分解模型能将时间序列光照度波动值分解为一系列本征模态函数IMF，并不断迭代更新每个分量的中心频率和频段带宽，分离原始时间序列光照度波动值的自适应频率成分，提取包时间序列光照度波动值的特征频率分量，变分模态分解模型可以有效地克服模态混叠问题实现对时间序列光照度波动值的去噪，去噪后的时间序列光照度波动值演变曲线密集的峰刺特征消失并逐渐变得平滑，变分模态分解模型提高处理时间序列光照度波动值的精确性和鲁棒性。

五、本发明所采用CNN卷积-NARX神经网络模型中，CNN卷积神经网络是一种深度前馈神经网络，其典型结构由输入层、卷积层、池化层与全连接层构成，CNN卷积神经网络是对输入数据上进行卷积和池化等操作，通过建立多个滤波器来提取数据的局部特征，得到具有平移旋转不变性的鲁棒特征。NARX神经网络模型输入包括一段时间的CNN卷积神经网络输出和NARX神经网络模型输出历史反馈,这部分反馈输入可以认为包含了CNN卷积神经网络输出一段时间的历史信息参与预测,NARX神经网络模型是一种能够有效对CNN卷积神经网络输出的非线性、非平稳时间序列进行预测的动态神经网络模型，能够在时间序列非平稳性降低的情况下提高对时间序列的CNN卷积神经网络输出的预测精度；NARX神经网络模型由于通过引入延时模块及输出反馈建立模型的动态递归网络，它将CNN卷积神经网络输入和NARX神经网络模型输出向量延时反馈引入网络训练中，形成新的输入向量，具有良好的非线性映射能力，NARX神经网络模型的输入不仅包括原始输入数据，还包含经过训练后的输出数据，网络的泛化能力得到提高，使其在非线性被检测参数的时间序列波动值预测中较传统的静态神经网络有更高的精确度和鲁棒性。

附图说明

图1为本发明的环境参数检测与调节平台；

图2为本发明的光照度预测子系统；

图3为本发明的光照度检测模块；

图4为本发明的检测节点；

图5为本发明的控制节点；

图6为本发明的网关节点；

图7为本发明的现场监控端软件。

具体实施方式

结合附图1-7，对本发明技术方案作进一步描述：

一、系统总体功能的设计

本发明实现对环境参数进行检测，该系统由环境参数检测与调节平台和光照度预测子系统两部分组成。环境参数检测与调节平台包括环境参数的检测节点、控制节点、网关节点、现场监控端、云平台和移动端App组成，检测节点和网关节点之间通过构建物联网的自组织通信网络来实现检测节点、控制节点和网关节点之间的无线通信；检测节点将检测的环境参数通过网关节点的RS232接口发送给现场监控端并对传感器数据进行理和对光照度进行预测；控制节点负责调节环境参数设备，网关节点通过NB-IoT模块与云平台之间和云平台通过5G网络与移动端App之间实现环境参数的双向传输，网关节点与现场监控端之间通过RS232接口实现环境参数信息的双向传输。移动App端为管理人员提供实时环境参数数据和满足环境参数数据信息的便捷可视化，所有来自检测节点的传感器采集的数据都已上传至云平台的数据库中，管理人员通过移动端APP可通过远程查看和控制当前的环境参数。云平台主要负责处理、存储、分析和显示接收到环境参数；环境参数检测与调节平台结构见图1所示。

二、检测节点设计

检测节点由光照度、温度、湿度和风速传感器以及对应的5个调理电路、STM32单片机和SX127X射频模块接口组成，主要用于采集环境参数检测点数据信息，该检测点的环境参数数据信息将通过检测节点的SX127X射频模块接口和网关节点的NB-IoT模块传输给云平台实现与移动端APP进行实时的交互；通过网关节点的SX127X射频模块接口和RS232接口传输给现场监控端，检测节点结构如图4。

三、控制节点的设计

控制节点通过自组织的LoRa网络实现与网关节点之间的信息相互交互，控制节点包括控制外部设备对应的4个数模转换电路、STM32微处理器、4个外部设备控制器和SX127X射频模块接口；4个外部设备控制器分别为温度控制器、湿度控制器、风速控制器和光照控制器。控制节点结构见图5。

四、网关节点设计

网关节点由SX127X射频模块接口、NB-IoT模块、STM32单片机和RS232接口组成，通过SX127X射频模块接口和RS232接口实现检测节点、控制节点和现场监控端之间的数据的双向传输，通过SX127X射频模块接口、NB-IoT模块、RS232接口实现云平台、移动端APP、检测节点和现场监控端之间的双向传输，网关节点结构如图6所示。

五、现场监控端软件的设计

现场监控端是一台工业控制计算机，现场监控端主要实现对环境参数进行检测和光照度预测以及环境参数的调节，实现与检测节点与控制节点以及云平台之间的信息交互，现场监控端主要功能为通信参数设置、数据分析与数据管理和光照度预测子系统。该管理软件选择了Microsoft Visual++6.0作为开发工具，调用系统的Mscomm通信控件来设计通讯程序，现场监控端软件功能如附图7所示。光照度预测子系统见图2所示，光照度预测子系统由光照度检测模块、Vague集数值融合模型、按拍延迟线TDL和Vague集的HRFNN递归神经网络预测模型组成，设计过程如下：

A、光照度检测模块设计

1、LSTM神经网络模型设计

光照度传感器感知被检测环境的时间序列光照度值分别作为LSTM神经网络模型和ARIMA预测模型的输入，LSTM神经网络模型与ARIMA预测模型输出的差作为被检测环境的光照度波动值；LSTM神经网络模型引入了记忆单元(Memory Cell)和隐藏层状态(CellState)的机制来控制隐藏层之间的信息传递。一个LSTM神经网络的记忆单元内有3个门(Gates)计算结构分别是输入门(Input Gate)、遗忘门(Forget Gate)和输出门(OutputGate)。其中，输入门能控制光照度新信息的加入或滤出；遗忘门能忘记需要丢掉的称光照度检测信息以及保留过去有用的信息；输出门能使记忆单元只输出与当前时间步相关的称光照度检测信息。这3个门结构在记忆单元中进行矩阵乘法和非线性求和等运算，使得记忆在不断的迭代中仍然不会衰减。长短期记忆单元(LSTM)结构单元由单元(Cell)，输入门(Input Gate)，输出门(Output Gate)和忘记门(Forget Gate)组成。LSTM神经网络模型是可以持续较长时间短期记忆模型适合用预测时间序列光照度输入量的变化，LSTM神经网络网络模型有效防止了RNN训练时的梯度消失，长短期记忆(LSTM)网络是一种特殊的RNN。LSTM神经网络模型可以学习长期的检测光照度依赖信息，同时避免梯度消失问题。LSTM在神经元内部结构RNN的隐藏层的神经节点中增加了一种被称为记忆单元(Memory Cell)的结构用来记忆过去的称检测光照度的动态变化信息，并增加了三种门(Input、Forget、Output)结构来控制称检测光照度历史信息的使用。设输入为检测光照度输入量的时间序列值为(x₁,x₂,…,x_T)，隐含层状态为(h₁,h₂,…,h_T)，则t时刻有：

i_t＝sigmoid(W_hih_t-1+W_xiX_t) (1)

f_t＝sigmoid(W_hfh_t-1+W_hfX_t) (2)

c_t＝f_t⊙c_t-1+i_t⊙tanh(W_hch_t-1+W_xcX_t) (3)

o_t＝sigmoid(W_hoh_t-1+W_hxX_t+W_coc_t) (4)

h_t＝o_t⊙tanh(c_t) (5)

其中i_t、f_t、o_t代表input门、forget门和output门，c_t代表cell单元，W_h代表递归连接的权重，W_x代表输入层到隐含层的权重，sigmoid与tanh为两种激活函数，LSTM神经网络模型输出为被检测环境光照度非线性值。

2、ARIMA预测模型设计

光照度传感器感知被检测环境的时间序列光照度值分别作为LSTM神经网络模型和ARIMA预测模型的输入，LSTM神经网络模型与ARIMA预测模型输出的差作为被检测环境的光照度波动值；ARIMA预测模型是一种根据时间序列预测建模对象方法,它可延伸到对被预测对象的时间序列进行分析。本专利对ARIMA预测模型的时间序列特征的研究,采用3个参数用来分析光照度变化的时间序列,即自回归阶数(p)、差分次数(d)和移动平均阶数(q)。ARIMA预测模型被写作为：ARIMA(p,d,q)。以p、d、q为参数的ARIMA预测光照度方程可以表示如下:

Δ^dy_t表示y_t经d次差分转换之后的序列，ε_t是时刻的随机误差，是相互独立的白噪声序列，且服从均值为0，方差为常量σ²的正态分布，φ_i(i＝1,2,…,p)和θ_j(j＝1,2,…,q)为ARIMA预测模型的待估计参数，p和q为ARIMA预测光照度模型的阶。ARIMA动态预测光照度模型本质上属于线性模型，建模与预测包含4个步骤:(1)、序列平稳化处理。如果光照度数据序列是非平稳的,如存在一定的增长或下降趋势等,则需对数据进行差分处理。常用的工具是自相关函数图和偏自相关函数图。如果自相关函数迅速趋于零,则光照度时间序列为平稳时间序列。如果时间序列存在一定的趋势,则需要对光照度数据进行差分处理,如果存在季节规律还需进行季节差分,如果时间序列存在异方差性,则还需先对光照度数据进行对数转换。(2)、模型识别。主要通过自相关系数和偏自相关系数来确定ARIMA预测光照度模型的阶数p，d和q。(3)、估计模型的参数和和模型诊断。用极大似然估计得到ARIMA动态预测光照度模型中所有参数的估计值,并检验包括参数的显著性检验和残差的随机性检验,然后判断所建光照度模型是否可取，利用选取合适参数的ARIMA动态预测光照度数模型进行参数预测；并在模型中进行检验,以判定该模型是否恰当,如果不恰当就重新估计参数。(4)、利用具有合适参数光照度模型进行被检测参数预测。本专利使用软件调用SPSS统计分析软件包中时间序列分析功能的ARIMA模块实现整个建模过程。ARIMA预测模型对被检测环境的光照度进行线性预测。

3、变分模态分解模型设计

时间序列光照度波动值作为变分模态分解模型的输入，变分模态分解模型输出多个模态函数IMF分量，多个IMF分量能量熵作为减法聚类分类器的输入；变分模态分解模型是一种自适应、非递归的信号时频分析方法，可将时间序列光照度传感器输出波动值信号分解为若干个光照度传感器输出波动值的子信号，即IMF分量u_k，并使所有IMF分量的带宽和最小，u_k是调幅调频函数可表示为：

u_k(t)＝A_kcos[φ_k(t)] (7)

式中φ_k(t)为非递减函数，A_k(t)为包络线，构造约束变分问题求解u_k，对该变分问题求解引入二次惩罚项和拉格朗日乘子，使其变为无约束问题。变分模态分解模型可将待分解的时间序列光照度传感器输出波动值信号分解为若干个IMF分量。IMF分量能量熵值可衡量时间序列光照度传感器输出波动的规律程度，表示时间序列光照度传感器输出波动信号在不同频带的能量特征，在时间序列光照度传感器输出波动值发生突变，能量也会变化，定义第m个IMF分量的能量为：

式中x_m(i)为时间序列光照度数传感器输出波动信号样本分解后的第m个分量，n为采样点数，第m个IMF分量的能量熵为：

4、减法聚类分类器设计

多个IMF分量能量熵作为减法聚类分类器的输入，减法聚类分类器输出的多个类型的IMF分量能量熵分别作为多个对应的CNN卷积-NARX神经网络模型输入；IMF分量能量熵减法聚类与其他聚类方法相比，不需要预先确定聚类数，仅根据IMF分量能量熵样本数据密度即可快速确定IMF分量能量熵聚类中心的位置和聚类数，而它把每一个IMF分量能量熵数据点作为一个潜在的聚类中心的特性，使得IMF分量能量熵聚类的结果与问题的维数无关。因此，IMF分量能量熵减法聚类算法是一种适合IMF分量能量熵数据建模的规则自动提取方法。设定m维空间中的N个IMF分量能量熵数据点(X₁,X₂,…X_N)，每个数据点X_i＝(x_i,1,x_i,1,…,x_i,m)都是聚类中心的候选者，i＝1,2,…,N，数据点X_i的密度函数定义为：

式中，半径r_a是一个正数，r_a定义了该点的一个影响邻域，半径以外的数据点对该点的密度指标贡献非常小，一般忽略不计。计算每一点X_i的密度值，选择具有最高密度指标D_c1的数据点作为第一个聚类中心X_c1；然后修正密度值，消除前面已有聚类中心的影响。按下式修正密度值:

其中，D_c1是初始聚类中心对应的最高密度值，修正半径r_b的设定是为了避免第二个聚类中心点离前一个中心点太近，一般设定为r_b＝ηr_a,1.25≤η≤1.5。修正每个数据点的密度指标后，当D_ck与D_c1满足下式时，该密度指标对应的聚类中心即为第K个聚类中心。不断重复这个过程，直到新的聚类中心X_ck的相应的密度指标D_ck与D_c1满足下式时终止聚类:

D_ck/D_c1＜δ (12)

式中，δ是根据实际情况提前设定的阈值。本发明提出的在线聚类方法基本思想如下:如果一个IMF分量能量熵点到一个组的中心的距离小于聚类半径r_a，那么该点属于此组，当获得新的数据时，组和组的中心做相应的变化。随着输入IMF分量能量熵空间数据的不断增加，本发明算法通过实时动态的调整IMF分量能量熵聚类中心与聚类个数获得更好的输入空间划分，步骤如下：

步骤1：IMF分量能量熵数据归一化处理，输入数据各维聚类半径r_a及阈值δ等参数设定。

步骤2：由IMF分量能量熵数据集进行减法聚类得到c个聚类中心并存储v_i(i＝1,2,…,c)及其对应的密度值D(v_i)。

步骤3：当新增的在线IMF分量能量熵数据集中的第k个数据到来时，计算x_k(k＝1,2,…,M)到i个聚类中心v_i的距离d_ki＝||x_k-v_i||，若d_ki＞r_a，转到步骤4；若d_ki≤r_a，转到步骤5。

步骤4：由式(10)计算x_k的密度值D(x_k)，并且D(x_k)＞ε，则说明被检测参数数据x_k不属于任何一个已有的聚类，则新创建一个聚类，输入空间的聚类个数c＝c+1，返回步骤3。

步骤5：根据最小距离准则确定数据点x_k属于最近的聚类子集，进一步比较新数据x_k的密度值与聚类中心的密度值，如果D(x_k)＞D(v_i)，则数据x_k更靠近其最近的聚类中心，x_k取代原聚类中心作为该子集的新聚类中心；如果D(x_k)≤D(v_i)，则保持聚类结果不改变，判断新增数据组是否结束。如果结束，则转到步骤6；否则，返回步骤3.。

步骤6：计算聚类中心v_i与v_j之间的距离，如果min||v_i-v_j||≤(0.5-0.7)r_a，且D(v_i)＞D(v_j)，则说明聚类子集v_i与v_j可以合并为一个聚类，该聚类中心为v_i；否则保持聚类结果不变。

IMF分量能量熵减法聚类实现对IMF分量能量熵历史数据进行分类，每一类IMF分量能量熵输入各自对应的CNN卷积-NARX神经网络模型来预测被光照度波动未来值。

5、CNN卷积-NARX神经网络模型设计

减法聚类分类器输出的多个类型的IMF分量能量熵分别作为多个对应的CNN卷积-NARX神经网络模型输入，ARIMA预测模型和多个CNN卷积-NARX神经网络模型的输出作为Vague集的模糊小波神经网络模型的对应输入；CNN卷积-NARX神经网络模型为CNN卷积神经网络的输出作为NARX神经网络模型的输入，CNN卷积神经网络模型能够直接从大量的时间序列光照度传感器输出波动值的IMF分量能量熵值中自动挖掘提取出表征时间序列光照度传感器输出波动值的敏感空间特征，CNN卷积神经网络模型结构主要包括4个部分：①输入层(Input)。输入层即为CNN卷积神经网络模型的输入，一般将时间序列光照度传感器输出波动值的IMF分量能量熵直接输入。②卷积层(Conv)。由于输入层数据维度较大，CNN卷积神经网络模型难以直接全面感知所有时间序列光照度传感器输出波动值的IMF分量能量熵输入信息，需要将输入数据分为若干部分进行局部感知，再通过权值共享得到全局信息，同时降低CNN卷积神经网络模型结构的复杂度，这一过程即卷积层的主要功能，具体流程是利用特定尺寸的卷积核以固定步长对时间序列光照度传感器输出波动值的IMF分量能量熵输入信号进行遍历和卷积运算，从而实现对时间序列光照度传感器输出波动值的IMF分量能量熵输入信号敏感特征的挖掘与提取。③池化层(Pool，又称降采样层)。由于卷积操作之后所得的数据样本维度依旧很大，需要压缩数据量并提取关键信息来避免模型训练时间过长及出现过拟合，因此，在卷积层后接一个池化层来降低维度。考虑到缺陷特征的峰值特性，采用最大值池化法进行降采样。④、全连接层。经过所有的卷积运算和池化操作后，时间序列光照度传感器输出波动值的IMF分量能量熵特征提取数据进入到全连接层，该层中的每个神经层与其前一层的所有神经元进行全连接，将卷积层和池化层提取到的时间序列光照度传感器输出波动值的IMF分量能量熵值的局部特征信息进行整合。同时，为避免过拟合现象，在该层中加入丢失数据(dropout)技术，经过最后一层全连接层的输出值会传递到输出层，将最后一层的池化结果按照首尾相连的方式连接在一起形成输出层并作为NARX神经网络模型的输入，NARX神经网络模型是一种带输出反馈连接的动态递归神经网络，在拓扑连接关系上可等效为有输入时延的BP神经网络加上输出到输入的时延反馈连接，其结构由输入层、时延层、隐层和输出层构成，其中输入层节点用于信号输入，时延层节点用于输入信号和输出反馈信号的时间延迟，隐层节点利用激活函数对时延后的信号做非线性运算，输出层节点则用于将隐层输出做线性加权获得最终网络输出。NARX神经网络模型第i个隐层节点的输出h_i为：

NARX神经网络第j个输出层节点输出o_j为：

6、Vague集的模糊小波神经网络模型设计

ARIMA预测模型和多个CNN卷积-NARX神经网络模型的输出作为Vague集的模糊小波神经网络模型的对应输入，Vague集的模糊小波神经网络模型输出的三个参数分别为y、z和1-k，y为被检测光照度的实数值，z为可信度，1-k-z为不确定度，k为不可信度，y、z和1-k构成被检测光照度的Vague集的数值为[y,(z,1-k)]，Vague集的模糊小波神经网络模型输出作为光照度检测模块输出。本专利应用模糊神经网络进行模糊推理，并结合小波的多分辨分析的特点，将小波函数作为神经网络神经元的激励函数，构建Vague集的模糊小波网络(Fuzzy Wavelet Network，FWNN)。这种基于FWNN具备很好的智能性、鲁棒性、稳定性和指标跟踪快速性，Vague集的模糊小波神经网络包含两部分:模糊神经网络(FNN)和小波神经网络(WNN)。Vague集的模糊神经网络包含4个基本层:第一层是输入层，每个输入向量对应一个神经元；第二层的每个神经元代表一个语言变量值；第三层的每个神经元代表一条模糊规则；第四层是归一化层。同时，模糊神经网络的输入作为小波神经网络的输入，每一条模糊规则对应一个小波网络。小波基函数是由小波函数经过平移得到的小波基组，因此，不同尺度函数产生的小波神经网络能够捕捉不同时域和频域的特征，不同的模糊推理选择相应的小波网络。小波具有多分辨分析的特点，若用小波函数作为神经网络神经元的激励函数，则由于每个神经元的伸缩和平移都可以调节，选用低尺度参数可以学习光滑函数，提高尺度能以较高精度学习局部奇异函数，比相同神经元数和参数的ANN精度高。本专利的模糊小波网络由输入、模糊化、推理、小波网络层和解模糊层5个基本层实现，各层神经网络节点数目分别是n，n×M，M，M和3。一旦决定了输入n和规则M的数目，就决定了FWNN模型的结构。其中Vague集的模糊小波神经网络的输入为X＝[x₁,x₂,…x_n]，T_i是第i个规则对应的小波数量；w_ik是权值系数；

是小波函数，

是规则i对应的局部模型小波网络线性组合的输出值是：

第一层为输入层：该层的各个节点直接与输入向量的各分量x_j连接，将输入值X＝[x₁,x₂,…x_n]传递到下一层；第二层计算每一个输入变量对应的隶属函数值；第三层计算每条规则的适用度；第四层是小波网络层输出，主要用于输出补偿；第五层为控制信号输出层，也称反模糊化层，在这一层进行解模糊计算，Vague集的模糊小波神经网络模型输出的三个参数分别为y、z和1-k，y为被检测光照度的实数值，z为可信度，1-k-z为不确定度，k为不可信度，y、z和1-k构成被检测光照度的Vague集的数值为[y,(z,1-k)]，Vague集的模糊小波神经网络模型输出作为光照度检测模块输出。

B、Vague集数值融合模型设计

①、构建参数测量传感器的时间序列Vague集数值阵列

一段时间多个参数测量传感器的参数检测模型输出的Vague集数构成时间序列Vague集数值阵列，设有n个参数测量传感器和m个时刻的nm个参数测量传感器的Vague集数值构成n行和m列的参数测量传感器的时间序列Vague集数值阵列，设同一参数测量传感器的不同时刻Vague集数值为A_ij(t),A_ij(t+1),…,A_ij(m)，则所有参数测量传感器的时间序列Vague集数值阵列为：

②、计算参数测量传感器的时间序列Vague集数值的距离融合权重

同一时刻所有参数测量传感器的Vague集数值的平均值构成Vague集数值阵列的正理想值，Vague集数值阵列的正理想值为：

同一时刻所有参数测量传感器的Vague集数值与Vague集数值阵列的正理想值距离测度最大的Vague集数值构成Vague集数值阵列的负理想值，Vague集数值阵列的负理想值为：

每个参数测量传感器的时间序列Vague集数值的正理想值距离测度是每个参数测量传感器的时间序列Vague集数值与Vague集数值阵列的正理想值的距离测度为：

其中：π_ij＝1-t_ij-f_ij和

每个参数测量传感器的时间序列Vague集数值的负理想值距离测度是每个参数测量传感器的时间序列Vague集数值与Vague集数值阵列的负理想值的距离测度为：

其中：π_ij＝1-t_ij-f_ij和

每个参数测量传感器的时间序列Vague集数值的正理想值距离测度除以该参数测量传感器的时间序列Vague集数值的负理想值距离测度与该参数测量传感器的时间序列Vague集数值的正理想值距离测度的和得到的商为每个参数测量传感器的时间序列Vague集数值的相对距离测度，公式为：

通过(21)公式计算可以知道，每个参数测量传感器的时间序列Vague集数值的相对距离测度越大，则该参数测量传感器的时间序列Vague集数值与对应的正理想值就越接近，否则该参数测量传感器的时间序列Vague集数值与对应的正理想值就越远，根据这个原理确定每个参数测量传感器的时间序列Vague集数值的相对距离测度除以所有参数测量传感器的时间序列Vague集数值的相对距离测度的和得到的商为每个参数测量传感器的时间序列Vague集数值的距离测度融合权重为：

③、计算参数测量传感器的时间序列Vague集数值的相似度融合权重

每个参数测量传感器的时间序列Vague集数值与Vague集数值阵列正理想值的相似度为：

每个参数测量传感器的时间序列Vague集数值与Vague集数值阵列负理想值的相似度为：

每个参数测量传感器的时间序列Vague集数值与Vague集数值阵列的正理想值之间的相似度除以该参数测量传感器的时间序列Vague集数值与Vague集数值阵列的正理想值的相似度相加该参数测量传感器的时间序列Vague集数值与Vague集数值阵列的负理想值的相似度的和得到的商为该参数测量传感器的时间序列Vague集数值的相似度相对测度为：

通过(25)公式计算可以知道，每个参数测量传感器的时间序列Vague集数值的相似度相对测度越大，则该参数测量传感器的时间序列Vague集数值与Vague集数值阵列的正理想值的形状相似度越大，否则该参数测量传感器的时间序列Vague集数值与Vague集数值阵列的正理想值的形状相似度越小，根据这个原理确定每个参数测量传感器的时间序列Vague集数值的相似度相对测度除以所有参数测量传感器的时间序列Vague集数值的相似度相对测度的和得到的商为该参数测量传感器的时间序列Vague集数值的相似度融合权重为：

根据公式(22)和公式(26)得到该参数测量传感器的时间序列Vague集数值的区间数融合权重为w_i：

w_i＝[min(α_i,β_i),max(α_i,β_i)] (27)

从公式(27)可以知每个参数测量传感器的时间序列Vague集数值的距离测度融合权重和该参数测量传感器的时间序列Vague集数值的相似度融合权重按照从小到大排序组成的区间数作为该参数测量传感器的时间序列Vague集数值的区间数融合权重；根据同一时刻每个参数测量传感器的时间序列Vague集数值与该参数测量传感器的时间序列Vague集数值的区间数融合权重的积相加得到的和为所有参数测量传感器的时间序列Vague集数的融合值为时间序列的区间Vague集数值，该时间序列的区间Vague集数值为：

C、Vague集的HRFNN递归神经网络预测模型设计

Vague集数值融合模型输出的3个参数作为作为对应的按拍延迟线TDL输入，3个按拍延迟线TDL输输出作为Vague集的HRFNN递归神经网络预测模型的对应输入，Vague集的HRFNN递归神经网络预测模型输出的三个参数分别为x、t和1-f，x为被检测光照度的预测值，t为可信度，1-f-t为不确定度，f为不可信度，x、t和1-f构成被检测光照度的Vague集的预测值为[x,(t,1-f)]，Vague集的HRFNN递归神经网络预测模型输出作为被检测环境光照度的预测值。Vague集的HRFNN递归神经网络预测模型由4层组成：输入层、成员函数层、规则层和输出层，网络包含n个输入节点，其中每个输入节点对应m个条件节点，m代表规则数，nm个规则节点，3个输出节点。第Ⅰ层将输入引入网络；第Ⅱ层将输入模糊化，采用的隶属函数为高斯函数；第Ⅲ层对应模糊推理；第Ⅳ层对应去模糊化操作。用

分别代表第k层的第i个节点的输入和输出，则网络内部的信号传递过程和各层之间的输入输出关系可以描述如下。第Ⅰ层：输入层，该层的各输入节点直接与输入变量相连接，网络的输入和输出表示为：

式中

和

为网络输入层第i个节点的输入和输出，N表示迭代的次数。第Ⅱ层：成员函数层，该层的节点将输入变量进行模糊化，每一个节点代表一个隶属函数，采用高斯基函数作为隶属函数，网络的输入和输出表示为：

式中m_ij和σ_ij分别表示第Ⅱ层第i个语言变量的第j项高斯基函数的均值中心和宽度值，m为对应输入节点的全部语言变量数。第Ⅲ层：模糊推理层，即规则层，加入动态反馈，使网络具有更好的学习效率，反馈环节引入内部变量h_k，选用sigmoid函数作为反馈环节内部变量的激活函数。网络的输入和输出表示为：

式中ω_jk是递归部分的连接权值，该层的神经元代表了模糊逻辑规则的前件部分，该层节点对第二层的输出量和第三层的反馈量进行Π操作，

是第三层的输出量，m表示完全连接时的规则数。反馈环节主要是计算内部变量的值和内部变量相应隶属函数的激活强度。该激活强度与第3层的规则节点匹配度相关。反馈环节引入的内部变量，包含两种类型的节点：承接节点，反馈节点。承接节点，使用加权求和来计算内部变量，实现去模糊化的功能；内部变量表示的隐藏规则的模糊推理的结果。反馈节点，采用sigmoid函数作为模糊隶属度函数，实现内部变量的模糊化。第Ⅳ层：去模糊化层，即输出层。该层节点对输入量进行求和操作。网络的输入和输出表示为：

公式中λ_j是输出层的连接权值。Vague集的HRFNN递归神经网络预测模型具有逼近高度非线性动态系统的性能，加入内部变量的递归神经网络的训练误差和测试误差分别为明显减少，本专利的Vague集的HRFNN递归神经网络预测模型采用加入交叉验证的梯度下降算法对神经网络的权值进行训练。Vague集的HRFNN递归神经网络预测模型通过在反馈环节引入内部变量，将规则层的输出量加权求和后再反模糊化输出作为反馈量，并将反馈量与隶属度函数层的输出量一起作为规则层的下一时刻的输入。网络输出包含规则层激活强度和输出的历史信息，增强了Vague集的HRFNN递归神经网络预测模型适应非线性动态系统的能力，Vague集的HRFNN递归神经网络预测模型可以准确地预测的被检测环境的光照度参数。Vague集的HRFNN递归神经网络预测模型输出的三个参数分别为x、t和1-f，x为被检测光照度的预测值，t为可信度，1-f-t为不确定度，f为不可信度，x、t和1-f构成被检测光照度的Vague集的预测值为[x,(t,1-f)]，Vague集的HRFNN递归神经网络预测模型输出作为被检测环境光照度的预测值。

六、光照度智能调节与环境参数物联网大数据系统的设计举例

根据基于物联网的环境参数检测与调节系统的实际状况，系统布置了环境参数检测与调节平台的检测节点、控制节点、网关节点和现场监控端的平面布置安装图，其中检测节点的传感器根据检测的需要均衡布置在管网的各个方位，通过该系统实现对管网参数进行采集。

本发明方案所公开的技术手段不仅限于上述实施方式所公开的技术手段，还包括由以上技术特征任意组合所组成的技术方案。应当指出，对于本技术领域的普通技术人员来说，在不脱离本发明原理的前提下，还可以做出若干改进和润饰，这些改进和润饰也视为本发明的保护范围。

Claims

1.光照度智能调节与环境参数物联网大数据系统，其特征在于：系统由环境参数检测与调节平台和光照度预测子系统组成，环境参数检测与调节平台负责检测光照度参数检测、调节与管理，光照度参数保存到云平台，管理人员可从移动端APP实时查看和调节光照度参数；光照度预测子系统实现对光照度进行检测和预测；

所述光照度预测子系统由光照度检测模块、Vague集数值融合模型、按拍延迟线TDL和Vague集的HRFNN递归神经网络预测模型组成；

光照度传感器的输出作为对应的光照度检测模块的输入，多个光照度检测模块的输出作为Vague集数值融合模型的输入，Vague集数值融合模型输出的3个参数作为对应的按拍延迟线TDL输入，3个按拍延迟线TDL输出作为Vague集的HRFNN递归神经网络预测模型的对应输入，Vague集的HRFNN递归神经网络预测模型输出的三个参数分别为x、t和1-f，x为被检测光照度的预测值，t为可信度，1-f为可信度和不确定度和，1-f-t为不确定度，f为不可信度，x、t和1-f构成被检测光照度的Vague集的预测值为[x,(t,1-f)]，Vague集的HRFNN递归神经网络预测模型输出作为被检测环境光照度的预测值；

所述光照度检测模块由LSTM神经网络模型、ARIMA预测模型、变分模态分解模型、减法聚类分类器、CNN卷积-NARX神经网络模型和Vague集的模糊小波神经网络模型组成；

光照度传感器感知被检测环境的时间序列光照度值分别作为LSTM神经网络模型和ARIMA预测模型的输入，LSTM神经网络模型与ARIMA预测模型输出的差作为被检测环境的光照度波动值，时间序列光照度波动值作为变分模态分解模型的输入，变分模态分解模型输出多个模态函数IMF分量，多个IMF分量能量熵作为减法聚类分类器的输入，减法聚类分类器输出的多个类型的IMF分量能量熵分别作为多个对应的CNN卷积-NARX神经网络模型输入，ARIMA预测模型和多个CNN卷积-NARX神经网络模型的输出作为Vague集的模糊小波神经网络模型的对应输入，Vague集的模糊小波神经网络模型输出的三个参数分别为y、z和1-k，y为被检测光照度的实数值，z为可信度，1-k为可信度和不确定度和，1-k-z为不确定度，k为不可信度，y、z和1-k构成被检测光照度的Vague集的数值为[y,(z,1-k)]，Vague集的模糊小波神经网络模型输出作为光照度检测模块输出；

Vague集数值融合模型的一段时间多个参数测量传感器的参数检测模块输出的Vague集数构成时间序列Vague集数值阵列，每个参数测量传感器的时间序列Vague集数值的正理想值距离测度除以该参数测量传感器的时间序列Vague集数值的负理想值距离测度与该参数测量传感器的时间序列Vague集数值的正理想值距离测度的和得到的商为每个参数测量传感器的时间序列Vague集数值的相对距离测度；每个参数测量传感器的时间序列Vague集数值的相对距离测度除以所有参数测量传感器的时间序列Vague集数值的相对距离测度的和得到的商为每个参数测量传感器的时间序列Vague集数值的距离测度融合权重；

每个参数测量传感器的时间序列Vague集数值与Vague集数值阵列的正理想值之间的相似度除以该参数测量传感器的时间序列Vague集数值与Vague集数值阵列的正理想值的相似度相加该参数测量传感器的时间序列Vague集数值与Vague集数值阵列的负理想值的相似度的和得到的商为该参数测量传感器的时间序列Vague集数值的相似度相对测度；每个参数测量传感器的时间序列Vague集数值的相似度相对测度除以所有参数测量传感器的时间序列Vague集数值的相似度相对测度的和得到的商为该参数测量传感器的时间序列Vague集数值的相似度融合权重；

每个参数测量传感器的时间序列Vague集数值的距离测度融合权重和该参数测量传感器的时间序列Vague集数值的相似度融合权重按照从小到大排序组成的区间数作为该参数测量传感器的时间序列Vague集数值的区间数融合权重；根据同一时刻每个参数测量传感器的时间序列Vague集数值与该参数测量传感器的时间序列Vague集数值的区间数融合权重的积相加得到的和为所有参数测量传感器的时间序列Vague集数的融合值为时间序列的区间Vague集数值。

2.根据权利要求1所述的光照度智能调节与环境参数物联网大数据系统，其特征在于：环境参数检测与调节平台包括检测节点、网关节点、控制节点、现场监控端、云平台和移动端App组成，检测节点、控制节点和网关节点之间通过构建基于物联网的自组织通信网络来实现检测节点、控制节点和网关节点之间的通信。

3.根据权利要求2所述的光照度智能调节与环境参数物联网大数据系统，其特征在于：所述检测节点将检测的环境参数通过网关节点的RS232接口发送给现场监控端并对传感器数据进行处理，控制节点负责调节环境参数；网关节点通过NB-IoT模块与云平台之间和云平台通过5G网络与移动端App之间实现环境参数的双向传输，网关节点与现场监控端之间通过RS232接口实现光照度信息的双向传输。

4.根据权利要求2或3所述的光照度智能调节与环境参数物联网大数据系统，其特征在于：所述移动端App为管理人员提供实时环境参数数据，满足环境信息的便捷可视化，所有来自检测节点的传感器采集的数据都已上传至云平台的数据库中，管理人员通过移动端APP可通过远程查看当前的环境参数信息。