本發(fā)明涉及植物智能培育領(lǐng)域，具體涉及一種基于物聯(lián)網(wǎng)大數(shù)據(jù)分析的植物培育方法及系統(tǒng)。
背景技術(shù)：
：隨著國(guó)民經(jīng)濟(jì)的快速發(fā)展，盆栽植物作為一種增加居住舒適度的方式進(jìn)入了千家萬戶。但由于大多數(shù)植物主人缺乏種植植物經(jīng)驗(yàn)，使植物長(zhǎng)期生長(zhǎng)在亞健康的環(huán)境。另一方面，由于室內(nèi)空間有限，植物主人會(huì)根據(jù)自身情況要求植物有不同的茂密程度，避免空間浪費(fèi)。目前，亟需解決的問題是建立一套全面的植物培育模型，并將植物健康指標(biāo)反饋給用戶，讓用戶能及時(shí)對(duì)植物培育方案做出調(diào)整。影響植物健康程度的各個(gè)因素之間往往體現(xiàn)出高度的復(fù)雜性和非線性，采用常規(guī)預(yù)測(cè)、分析方法存在一定難度。技術(shù)實(shí)現(xiàn)要素：本發(fā)明通過提供一種基于物聯(lián)網(wǎng)大數(shù)據(jù)分析的植物培育方法及系統(tǒng)，以解決現(xiàn)有技術(shù)中植物培育過程中因無法為植物提供適宜的生長(zhǎng)環(huán)境，而導(dǎo)致植物生長(zhǎng)情況偏離預(yù)期指標(biāo)的問題。為解決上述問題，本發(fā)明采用以下技術(shù)方案予以實(shí)現(xiàn)：一方面，本發(fā)明提供的基于物聯(lián)網(wǎng)大數(shù)據(jù)分析的植物培育方法，包括：步驟S1：采集植物的種類、土壤濕度、土壤pH值、光照強(qiáng)度、環(huán)境溫度、環(huán)境濕度、圖像、澆水量、施肥量、施肥類型并構(gòu)成影響因素矩陣X，并上傳至服務(wù)器；其中，澆水量、施肥量和施肥類型構(gòu)成決策變量；步驟S2：在服務(wù)器內(nèi)利用Elman神經(jīng)網(wǎng)絡(luò)建立植物各影響因素矩陣X與植物健康指數(shù)之間的復(fù)雜非線性關(guān)系，獲得植物培育模型；步驟S3：利用NSGA-Ⅱ算法對(duì)植物培育模型進(jìn)行優(yōu)化，獲得決策變量的一組最優(yōu)解；步驟S4：將決策變量的該組最優(yōu)解作為植物的推薦決策X*通過服務(wù)器下發(fā)至用戶的終端設(shè)備進(jìn)行顯示；步驟S5：用戶根據(jù)終端設(shè)備顯示的推薦決策培育植物。另一方面，本發(fā)明提供的基于物聯(lián)網(wǎng)大數(shù)據(jù)分析的植物培育系統(tǒng)，包括：數(shù)據(jù)采集單元，用于采集植物的種類、生長(zhǎng)時(shí)期、土壤濕度、土壤pH值、光照強(qiáng)度、環(huán)境溫度、環(huán)境濕度、圖像、澆水量、施肥量、施肥類型并構(gòu)成影響因素矩陣X，并上傳至服務(wù)器；其中，澆水量、施肥量和所述施肥類型構(gòu)成決策變量；植物培育模型建立單元，用于在服務(wù)器內(nèi)利用Elman神經(jīng)網(wǎng)絡(luò)建立植物各影響因素矩陣X與植物健康指數(shù)之間的復(fù)雜非線性關(guān)系，獲得植物培育模型；決策變量最優(yōu)解獲取單元，用于利用NSGA-Ⅱ算法對(duì)植物培育模型進(jìn)行優(yōu)化，獲得決策變量的一組最優(yōu)解，并將決策變量的該組最優(yōu)解作為植物的推薦決策X*；推薦決策下發(fā)單元，用于通過服務(wù)器將植物的推薦決策X*下發(fā)至用戶的終端設(shè)備進(jìn)行顯示。與現(xiàn)有技術(shù)相比，本發(fā)明提供的基于物聯(lián)網(wǎng)大數(shù)據(jù)分析的植物培育方法及系統(tǒng)的優(yōu)點(diǎn)是：利用Elman神經(jīng)網(wǎng)絡(luò)建立植物培育模型，再利用NSGA-Ⅱ算法優(yōu)化植物培育模型，確定了植物的澆水量、施肥量、施肥種類的最優(yōu)值，并即時(shí)反饋給用戶，讓用戶隨時(shí)隨地都能了解植物當(dāng)前狀況，實(shí)現(xiàn)智能培育。附圖說明圖1為根據(jù)本發(fā)明實(shí)施例的基于物聯(lián)網(wǎng)大數(shù)據(jù)分析的植物培育方法的流程示意圖；圖2為根據(jù)本發(fā)明實(shí)施例的健康指數(shù)預(yù)測(cè)結(jié)果圖；圖3為根據(jù)本發(fā)明實(shí)施例的健康指數(shù)預(yù)測(cè)誤差圖；圖4為根據(jù)本發(fā)明實(shí)施例的用戶界面示意圖。具體實(shí)施方式圖1示出了根據(jù)本發(fā)明實(shí)施例的基于物聯(lián)網(wǎng)大數(shù)據(jù)分析的植物培育方法的流程。如圖1所示，本發(fā)明的基于物聯(lián)網(wǎng)大數(shù)據(jù)分析的植物培育方法，包括：步驟S1：采集植物的種類、生長(zhǎng)時(shí)期、土壤濕度、土壤pH值、光照強(qiáng)度、環(huán)境溫度、環(huán)境濕度、圖像、澆水量、施肥量、施肥類型并構(gòu)成影響因素矩陣X，并上傳至服務(wù)器；其中，澆水量、施肥量和施肥類型構(gòu)成決策變量。通過統(tǒng)計(jì)得到對(duì)植物的健康指數(shù)y1影響最大的變量為：植物種類x1、生長(zhǎng)時(shí)期x2、土壤濕度x3、土壤pH值x4、光照強(qiáng)度x5、環(huán)境溫度x6、環(huán)境濕度x7、圖像x8、澆水量x9、施肥量x10、施肥類型x11，共11個(gè)變量；其中，土壤濕度x3、土壤pH值x4、光照強(qiáng)度x5、環(huán)境溫度x6、環(huán)境濕度x7、圖像x8由對(duì)應(yīng)的傳感器測(cè)量數(shù)據(jù)，植物種類、生長(zhǎng)時(shí)期為固有屬性，由用戶輸入，澆水量、施肥量、施肥類型為決策變量。植物的環(huán)境溫度x6通過溫度傳感器采集獲得；植物的土壤濕度x3與環(huán)境濕度x7通過濕度傳感器采集獲得；植物的光照強(qiáng)度x5通過光照度傳感器采集獲得；植物的土壤pH值x4通過土壤pH計(jì)采集獲得；利用采樣電路分別與溫度傳感器、濕度傳感器、光照度傳感器、土壤pH計(jì)進(jìn)行連接，并將溫度傳感器、濕度傳感器、光照度傳感器、土壤pH計(jì)分別采集到的環(huán)境溫度、環(huán)境濕度、土壤濕度、光照強(qiáng)度、土壤PH值轉(zhuǎn)換成數(shù)字信號(hào)。植物在當(dāng)前時(shí)刻的特征圖像通過攝像頭采集獲得，攝像頭將圖像信息轉(zhuǎn)換成數(shù)字信號(hào)。在本發(fā)明中，服務(wù)器優(yōu)選為云服務(wù)器。步驟S2：在服務(wù)器內(nèi)利用Elman神經(jīng)網(wǎng)絡(luò)建立植物各影響因素矩陣X與植物健康指數(shù)之間的復(fù)雜非線性關(guān)系，獲得植物培育模型。設(shè)置Xk＝[xk1,xk2,L,xkM](k＝1,2,L,S)為輸入矢量，N為訓(xùn)練樣本個(gè)數(shù)，為第g次迭代時(shí)輸入層M與隱層I之間的權(quán)值矢量，WJP(g)為第g次迭代時(shí)隱層J與輸出層P之間的權(quán)值矢量，WJC(g)為第g次迭代時(shí)隱層J與承接層C之間的權(quán)值矢量Yk(g)＝[yk1(g),yk2(g),L,ykP(g)](k＝1,2,L,S)為第g次迭代時(shí)網(wǎng)絡(luò)的實(shí)際輸出，dk＝[dk1,dk2,L,dkP](k＝1,2,L,S)為期望輸出，迭代次數(shù)g為500。在服務(wù)器內(nèi)利用Elman神經(jīng)網(wǎng)絡(luò)建立植物各影響因素矩陣X與植物健康指數(shù)之間的復(fù)雜非線性關(guān)系，獲得植物培育模型，包括：步驟S21：初始化，設(shè)迭代次數(shù)g初值為0，分別賦給WMI(0)、WJP(0)、WJC(0)一個(gè)(0,1)區(qū)間的隨機(jī)值；步驟S22：隨機(jī)輸入樣本Xk；步驟S23：對(duì)輸入樣本Xk，前向計(jì)算Elman神經(jīng)網(wǎng)絡(luò)每層神經(jīng)元的實(shí)際輸出Yk(g)；步驟S24：根據(jù)期望輸出dk和實(shí)際輸出Yk(g)，計(jì)算誤差E(g)；步驟S25：判斷誤差E(g)是否小于預(yù)設(shè)的誤差值，如果大于或等于，進(jìn)入步驟S26，如果小于，則進(jìn)入步驟S29；步驟S26：判斷迭代次數(shù)g+1是否大于最大迭代次數(shù)，如果大于，進(jìn)入步驟S29，否則，進(jìn)入步驟S27；步驟S27：對(duì)輸入樣本Xk反向計(jì)算Elman神經(jīng)網(wǎng)絡(luò)每層神經(jīng)元的局部梯度δ；步驟S28：計(jì)算權(quán)值修正量ΔW，并修正權(quán)值；令g＝g+1，跳轉(zhuǎn)至步驟S23；其中，ΔWij＝η·δij，η為學(xué)習(xí)效率；Wij(g+1)＝Wij(g)+ΔWij(g)；步驟S29：判斷是否完成所有樣本的訓(xùn)練；如果是，完成建模；如果否，跳轉(zhuǎn)至步驟S22。在Elman神經(jīng)網(wǎng)絡(luò)設(shè)計(jì)中，隱層節(jié)點(diǎn)數(shù)的多少是決定Elman神經(jīng)網(wǎng)絡(luò)模型好壞的關(guān)鍵，也是Elman神經(jīng)網(wǎng)絡(luò)設(shè)計(jì)中的難點(diǎn)，這里采用試湊法來確定隱層的節(jié)點(diǎn)數(shù)。式中，p為隱層神經(jīng)元節(jié)點(diǎn)數(shù)，n為輸入層神經(jīng)元數(shù)，m為輸出層神經(jīng)元數(shù)，k為1-10之間的常數(shù)。Elman神經(jīng)網(wǎng)絡(luò)的設(shè)置參數(shù)如下表2所示。表2Elman神經(jīng)網(wǎng)絡(luò)設(shè)置參數(shù)目標(biāo)函數(shù)健康指數(shù)迭代次數(shù)500隱含層傳遞函數(shù)Tansig輸出層傳遞函數(shù)Purelin隱含層節(jié)點(diǎn)數(shù)15通過上述過程，可得到Elman神經(jīng)網(wǎng)絡(luò)預(yù)測(cè)效果如圖2和3所示。智能植物培育的基礎(chǔ)是模型的建立，模型精度直接影響輸出結(jié)果。通過對(duì)圖2和3分析可知，健康指數(shù)預(yù)最大測(cè)誤差為-3.5％，模型預(yù)測(cè)精度高，滿足建模要求。步驟S3：利用NSGA-Ⅱ算法(Non-dominatedSortingGeneticAlgorithm-Ⅱ，帶精英策略的非支配排序的遺傳算法)對(duì)植物培育模型進(jìn)行優(yōu)化，獲得決策變量的一組最優(yōu)解。獲得決策變量的一組最優(yōu)解，也就是獲得植物的澆水量、施肥量、施肥類型的一組最優(yōu)值。利用NSGA-Ⅱ算法對(duì)所述植物培育模型進(jìn)行優(yōu)化的步驟包括：步驟S31：初始化系統(tǒng)參數(shù)；其中，所述系統(tǒng)參數(shù)包括種群規(guī)模N、最大遺傳代數(shù)G、交叉概率P和變異概率Q。步驟S32：將第t代產(chǎn)生的新種群Qt與其父代種群Pt合并組成種群Rt，種群Rt的大小為2N；若是第一代種群，則將第一代種群作為種群Rt。步驟S33：對(duì)種群Rt進(jìn)行非支配排序，獲得一系列的非支配集Zi，并計(jì)算非支配集Zi中每個(gè)個(gè)體的擁擠度，產(chǎn)生新的父代種群Pt+1。步驟S33的具體過程如下：步驟S331：利用適應(yīng)度函數(shù)判斷種群Rt中的所有個(gè)體之間的相互支配關(guān)系；其中，D(i).n表示支配第i個(gè)個(gè)體的個(gè)體數(shù)量，D(i).p表示被第i個(gè)個(gè)體支配的個(gè)體集合；若個(gè)體i支配j，則將個(gè)體j放入D(i).p集合，D(j).n的值加1；依次操作，獲得種群Rt中的所有個(gè)體D(i).n與D(i).p的信息。步驟S332：將種群Rt中所有D(i).n值為0的個(gè)體，即該類個(gè)體不被其他個(gè)體支配，放入非支配層的第一層，將D(i).n值為1的個(gè)體放入非支配層的第二層，依次操作，直到將所述種群Rt中所有個(gè)體放入不同非支配層為止；同一層數(shù)內(nèi)的個(gè)體共享相同的虛擬適應(yīng)度值，級(jí)數(shù)越小，虛擬適應(yīng)度值越低，該層內(nèi)個(gè)體越優(yōu)，將非支配層的層數(shù)按從小到大的順序進(jìn)行排序。步驟S333：由于每一層內(nèi)所有個(gè)體共享同一虛擬適應(yīng)度值，當(dāng)需要在同一層內(nèi)選擇更優(yōu)個(gè)體時(shí)，計(jì)算其擁擠度。每個(gè)點(diǎn)的擁擠度id初始值置為0；針對(duì)每個(gè)目標(biāo)，對(duì)所述種群Rt進(jìn)行非支配排序，令所述種群Rt邊界的兩個(gè)個(gè)體的擁擠度為無窮，對(duì)所述種群Rt中其他的個(gè)體進(jìn)行擁擠度的計(jì)算：其中，id表示i點(diǎn)的擁擠度，表示i+1點(diǎn)的第j個(gè)目標(biāo)函數(shù)值，表示i-1點(diǎn)的第j個(gè)目標(biāo)函數(shù)值。步驟S334：經(jīng)過快速非支配排序和擁擠度計(jì)算之后，種群Rt中的每個(gè)個(gè)體i都擁有兩個(gè)屬性：非支配排序決定的非支配序irank和擁擠度id。依據(jù)這兩個(gè)屬性，可以定義擁擠度比較算子：個(gè)體i與個(gè)體j進(jìn)行比較，如果個(gè)體i所處的非支配層優(yōu)于個(gè)體j所處的非支配層，即irank＜jrank，或者，個(gè)體i與個(gè)體j有相同的等級(jí)，且個(gè)體i比個(gè)體j的擁擠距離長(zhǎng)，即irank＝j(luò)rank且id＞jd，則個(gè)體i獲勝。步驟S335：由于子代種群的個(gè)體和父代種群Pt+1的個(gè)體都包含在種群Rt中，則經(jīng)過非支配排序以后的非支配集Z1中包含的個(gè)體是Rt中最好的，所以先將非支配集Z1放入父代種群Pt+1；如果父代種群Pt+1的個(gè)體數(shù)量未超出種群規(guī)模N，則將下一級(jí)的非支配集Z2放入父代種群Pt+1，直到將非支配集Z3放入父代種群Pt+1時(shí)，父代種群Pt+1的個(gè)體數(shù)量超出種群規(guī)模N，對(duì)非支配集Z3中的個(gè)體使用擁擠度比較算子進(jìn)行比較，取前{num(Z3)-(num(Pt+1)-N)}個(gè)個(gè)體，使父代種群Pt+1的個(gè)體數(shù)量達(dá)到種群規(guī)模N。步驟S34：對(duì)父代種群Pt+1進(jìn)行交叉、變異基本遺傳操作獲得子代種群Qt+1。對(duì)父代種群Pt+1進(jìn)行交叉遺傳操作的過程為：將父代種群Pt+1內(nèi)的所有個(gè)體隨機(jī)搭配成對(duì)，對(duì)每一對(duì)個(gè)體，生成一個(gè)隨機(jī)數(shù)，若某一對(duì)個(gè)體的隨機(jī)數(shù)小于交叉概率P，則交換該對(duì)個(gè)體之間的部分染色體。對(duì)父代種群Pt+1進(jìn)行變異基本遺傳操作的過程為：對(duì)父代種群Pt+1中的每一個(gè)個(gè)體，生成一個(gè)隨機(jī)數(shù)，若某個(gè)個(gè)體的隨機(jī)數(shù)小于變異概率Q，則改變?cè)搨€(gè)體的某一個(gè)或某一些基因座上的基因值為其他基因值。步驟S35：遺傳代數(shù)加1，判斷遺傳代數(shù)是否達(dá)到最大遺傳代數(shù)G，如果是，輸出當(dāng)前全局最優(yōu)解；如果否，跳轉(zhuǎn)至步驟S32進(jìn)行重復(fù)計(jì)算，直到遺傳代數(shù)達(dá)到最大遺傳代數(shù)G為止。步驟S4：將決策變量的該組最優(yōu)解作為植物的推薦決策X*通過服務(wù)器下發(fā)至用戶的終端設(shè)備進(jìn)行顯示。各類傳感器每2小時(shí)采集一次數(shù)據(jù)上傳至服務(wù)器，服務(wù)器接數(shù)據(jù)并通過植物培育模型給出植物當(dāng)前推薦的澆水量、施肥量和施肥種類。步驟S5：用戶根據(jù)終端設(shè)備顯示的推薦決策培育植物。用戶可以在終端設(shè)備上打開智能植物培育界面(如圖4所示)，界面顯示該植物的簡(jiǎn)要信息，植物的簡(jiǎn)要信息包括植物的圖像和當(dāng)前健康指數(shù)，用戶可在界面設(shè)置植物的理想健康指數(shù)、理想，由服務(wù)器下發(fā)推薦澆水量、施肥量、施肥類型，用戶可通過手機(jī)遠(yuǎn)程操作完成自動(dòng)澆水、施肥。植物的當(dāng)前健康指數(shù)由基于NSGA-Ⅱ算法對(duì)植物培育模型進(jìn)行優(yōu)化得到，植物的當(dāng)前健康指數(shù)與決策變量的一組最優(yōu)解相對(duì)應(yīng)。本發(fā)明提供的基于物聯(lián)網(wǎng)大數(shù)據(jù)分析的植物培育方法，首先，利用傳感器、攝像頭等硬件采集植物指標(biāo)參數(shù)、植物圖像、澆水量、施肥量、施肥類型，然后，將采集到的數(shù)據(jù)上傳至服務(wù)器進(jìn)行存儲(chǔ)，在服務(wù)器內(nèi)利用Elman神經(jīng)網(wǎng)絡(luò)建立影響因素矩陣X與植物健康指數(shù)之間的復(fù)雜非線性關(guān)系，獲得植物培育模型，利用NSGA-Ⅱ算法對(duì)植物培育模型進(jìn)行優(yōu)化，得到各決策變量的一組最優(yōu)值，并將這組最優(yōu)解作為推薦決策下發(fā)至用戶的PC或APP終端，最后，用戶可根據(jù)推薦決策決定植物的澆水量、施肥量、施肥種類，實(shí)現(xiàn)遠(yuǎn)程自動(dòng)培育。該方法能夠確定最優(yōu)的植物培育方案，為植物營(yíng)造了更好的生活環(huán)境。與上述方法相對(duì)應(yīng)，本發(fā)明還提供一種基于物聯(lián)網(wǎng)大數(shù)據(jù)分析的植物培育系統(tǒng)。本發(fā)明提供的基于物聯(lián)網(wǎng)大數(shù)據(jù)分析的植物培育系統(tǒng)，包括：數(shù)據(jù)采集單元，用于采集植物的種類、生長(zhǎng)時(shí)期、土壤濕度、土壤pH值、光照強(qiáng)度、環(huán)境溫度、環(huán)境濕度、圖像、澆水量、施肥量、施肥類型并構(gòu)成影響因素矩陣X，并上傳至服務(wù)器；其中，澆水量、施肥量和施肥類型構(gòu)成決策變量。數(shù)據(jù)采集單元采集數(shù)據(jù)的過程參考上述步驟S1。植物培育模型建立單元，用于在服務(wù)器內(nèi)利用Elman神經(jīng)網(wǎng)絡(luò)建立植物各影響因素矩陣X與植物健康指數(shù)之間的復(fù)雜非線性關(guān)系，獲得植物培育模型。植物培育模型建立單元建立植物培育模型的具體過程參考上述步驟S2。決策變量最優(yōu)解獲取單元，用于利用NSGA-Ⅱ算法對(duì)植物培育模型進(jìn)行優(yōu)化，獲得決策變量的一組最優(yōu)解，并將決策變量的該組最優(yōu)解作為植物的推薦決策X*。決策變量最優(yōu)解獲取單元獲取決策變量最優(yōu)解的具體過程參考上述步驟S3。推薦決策下發(fā)單元，用于通過服務(wù)器將植物的推薦決策X*下發(fā)至用戶的終端設(shè)備進(jìn)行顯示。用戶根據(jù)終端設(shè)備顯示的推薦決策對(duì)植物進(jìn)行培育。應(yīng)當(dāng)指出的是，上述說明并非是對(duì)本發(fā)明的限制，本發(fā)明也并不僅限于上述舉例，本
技術(shù)領(lǐng)域：
的普通技術(shù)人員在本發(fā)明的實(shí)質(zhì)范圍內(nèi)所做出的變化、改性、添加或替換，也應(yīng)屬于本發(fā)明的保護(hù)范圍。當(dāng)前第1頁1 2 3