论文部分内容阅读
文本首先采用希尔伯特-黄变换(HHT)对农业物联网系统中基于无线传感器网络(WSN)所采集的样本数据进行了分析。由于无线传感器网络采集的样本均具有非线性、非平稳的特点,而希尔伯特-黄变换(HHT)能够完全自适应地将具有非线性、非平稳特点的数据分解成多个本征模态函数(IMF)和一个残余项,从而在时间和空间变化上为数据分析提供了一种全新的视角,该方法在北京延庆农田WSN节点采集的数据得到了验证。其次,在决策系统中引入了机器学习方法,对基于HHT分解得到的多个本征模态函数(IMF)及残余项进行了分析建模,形成了一套系统的数据分析、决策方法,该方法在云南地区降水量样本数据中得到了验证。具体而言,本文的主要贡献如下:(1)深入学习了HHT、线性回归、人工神经网络(ANN)、支持向量回归(SVR)等理论及其应用,丰富了数据分析子系统的数据分析研究方法。(2)在数据分析子系统中,将HHT数据处理方法应用在无线传感器网络采集数据的处理中。分析了北京市延庆区农田玉米地中布置的36套WSN节点(覆盖面积接近100 km2)采集的作物生长环境数据。该数据包括土壤湿度、土壤表面温度、光量子等生态系统模型的重要变量,共超过230000条数据样本。针对该数据非线性、非平稳的特点,用HHT方法将其分解成多个IMF和一个残余项,从不同尺度的IMF分量中分析原数据内在的特征及物理意义,并分析不同类型数据的时间相关性以及同类型数据基于地理空间位置的相关性,为农业物联网系统制定决策做准备。(3)在智能灌溉决策子系统中,首先用HHT数据处理方法对云南四个地区的真实降水量数据样本进行处理(EEMD分解),然后应用机器学习方法建立降水量预测模型。本文考察了包括人工神经网络、支持向量回归模型以及多元线性回归模型在内的多个模型。实验结果显示,EEMD与机器学习相结合的方法表现出相当准确的预测效果,模型表现十分稳定,并提出了创新性的混合模型。综上所述,本文对农业物联网决策系统中的两个子系统:数据分析子系统和智能决策灌溉子系统进行了研究。在数据分析子系统中从不同尺度对基于HHT的农田环境变量数据样本进行时间-空间相关性分析;在智能灌溉决策子系统中研究了机器学习在决策系统中的应用。