基于GA-BP的大棚灌溉节水预测算法探讨及实现

论文价格:150元/篇 论文用途:硕士毕业论文 Master Thesis 编辑:vicky 点击次数:
论文字数:38452 论文编号:sb2021060110284035863 日期:2021-07-02 来源:硕博论文网
本文最后经过测试验证得出 GA-BP 农作物需水预测模型的预测精度较高,灌溉系统的组网时间快,延时较小,传输距离较远,相比较于传统大棚而言,可以解放劳动力,提高农作物用水灌溉率,达到节约用水的目的。

第 1 章 绪论

1.1 灌溉节水研究背景及意义
1.1.1 研究背景
水资源短缺目前已经成为全球问题,中国作为人口世界第一、国土面积世界第三的超级大国,水资源总量为 28000 多亿立方米,相比之下仅占世界第六,且我国人均占水量仅有 2000 多立方米,排世界第 121 位。同时从古至今农业在我国占有举足轻重的地位,我国是一个农业大国,农业对我国的社会经济发展起着重要的作用。但由于干旱缺水等原因,一直制约着我国农业的发展,其中农业灌溉用水量达到了我国总用水量的 60%以上,如图 1-1 所示。在进行农业灌溉时,多数情况下是人工直接进行灌溉,采用的是最原始的漫灌方式,农业用水有效利用率极低,即使用到滴灌、喷灌等技术也是人为控制灌溉量,没有相应合理的灌溉制度。农业大棚作为农业发展的重要组成部分之一,且随着社会的发展,人们的精神追求和物质追求越来越丰富,传统农业受自然环境和季节影响很大。同时为避免自然环境中病虫的危害,多数管理者会喷洒农药来解决这一问题,这样生产出来的食品对食用者的健康不利。而农业大棚可以较好的解决这一问题,农业大棚相处于较为封闭的环境,同时农业大棚的环境可以进行人为控制,这样可以避免自然天气和不同季节对农作物的影响,避免使用农药等,生产的食品更健康更安全[1-2]。
图 1-1 中国用水量状况
图 1-1 中国用水量状况
..........................

1.2 需水预测和灌溉系统国内外研究现状
1.2.1 需水预测国内外研究现状
面对全球普遍缺水现状,水资源的需求预测对于总水量的合理规划和流域水利规划有着重要的参考价值,同时也是灌溉工程设计管理、优化调度实施的基础和依据,为灌溉节水系统提供合理的决策制度,因此国内外很多学者和专家在需水预测上花费了较大的精力,做了大量的科学研究。经过前人们的努力,在众多的需水预测方法中,主要有模糊理论、BP 神经网络、概率统计法、时间序列等。
早在 20 世纪中期,美国的科研工作者打开了在需水预测领域研究的大门,他们意识到了需水预测在国家的水资源规划等领域有着重要意义。随后日本政府也意识到了需水预测的重要性,在每年的规划大纲中加入了对需水预测的学习和研究。随后其他一些发达国家也加入了需水预测的队伍,利用最后的需水预测结果,对整个国家用水资源的合理规划、调配等提供合理决策方案。需水预测可以分为实时、短期、中期和长期预测等几种方式,每种预测方式适用于不同的应用场景。Antonio[12]等人利用完全数据驱动,完全自适应自学习算法对水的需求预测在短期内和每小时的周期性上,根据所产生的自动计量等新技术提出一种短期预测模型。这种方法是基于两个连续的阶段:第一阶段是时间序列聚类。在第二阶段,支持向量机回归来获得一个特定的预测模型。Yasar[13]等人以土耳其某城市为研究对象,考虑了多种影响因素,最终选取了温度、湿度、全年降雨量、总人口数等 9种因素作为输入建立多元非线性的需水预测模型,对该城市进行了需水量的预测,结果显示预测精度较为准确。Felfelani[14]等人针对预测未来用水需求一直很大的复杂性,特别是在旅游城市的情况下受到人口波动这一实际问题,以马什哈德旅游城市为研究对象,利用人工神经网络模型进行了评估权重和偏见的随机初始化网络,对城市用水量进行了预测。Adnan[15]等人研究的实时动态水力模型的框架和水需求预测模型减少饮用水的损失,达到了节约用水的效果。综上所述,需水预测在农业领域的应用还较少,而且大多是单纯研究预测算法,没有和实际灌溉系统调度等相结合。
............................

第 2 章 基于 GA-BP 的农作物需水预测模型

2.1 BP 神经网络
2.1.1 BP 神经网络结构
现阶段人工智能是一项重要研究领域,而人工神经网络[33](Artificial NeuralNetwork, ANN)在人工智能领域已经占有一定的地位,是人工智能的一个重要分支,是国内外科研人员的一个研究热点。ANN 利用人脑神经元网络结构工作原理来处理信息进行抽象,最终产生建立分布式信息处理计算模型系统。目前可以说是一种非常流行的智能算法,主要有三种不同类型的模型:前向神经网络,指的是上一级的神经网络输出作为网络结构中神经元的输入,信息的传递形式是输入到输出一层一层进行的,这一类型的网络结构比较简单,在网络之间进行连接时没有反馈,是一种用非线性函数多次复合的方式对其中的信息进行操作处理;反馈神经网络,这种类型的神经网络除了有初始的输入外,在隐含层和输出神经元之前是有反馈信号的,其连接类型是全连接,神经元具有双向传递功能,既可以是输入,传递信息给其他神经元,又可以接收其他的神经元传递信息。自组织神经网络,这是一种神经元利用自适应无监督方式进行映射拓扑,当有信息输入时,输出节点和其它节点互相激励广泛连接,一直在网络结构稳定了才进行输出。经过这么多年的发展,对人工神经网络的研究越来越深,应用的领域也越来越广,在智慧医疗、预测领域、智能机器人等方面有重大的应用突破。
图 2-1 BP 网络拓扑结构
图 2-1 BP 网络拓扑结构
..................

2.2 遗传算法原理
遗传算法(Genetic Algorithm, GA)是由 John Holland 上世纪六七十年代提出的,是一种优化算法,目前在人工智能领域占有重要地位,GA 的提出是受到了达尔文进化论的启发,根据自然界的生存规律优胜劣汰进化过程来进行全局优化搜索计算,在解决比较复杂的优化问题以及非线性复杂问题上具有独特的优势,现如今也是非常流行和受到很多科研人员关注的一种算法[38]。
GA 基本思想就是对种群选择、交叉、变异反复进行,对其种群不断进化,最终寻找到种群里最优秀的个体满足条件终止循环。其本质就是对种群里个体的染色体进行的一系列操作,将开始种群中良好的染色体遗传到下一代,再将这优良的染色体进行交叉让其重新组合,组合后对其进行突变操作,让其朝着更加优秀的方向进化产生下一个种群,这样经过种群的不断繁衍,留下最优的个体,即我们想要的最优解。选择、交叉、变异是 GA 的三个最基本也是最主要的操作,对这三个操作进行具体阐述:
(1)选择。选择操作主要是借鉴生物学自然选择学说的理论,求出种群中各个个体的适应环境的能力程度即适应度值,根据其值的大小,把适应环境能力强的个体的能力保留到后代中,这些优秀的个体就可以当父辈继续繁衍,将其自身较好的基因遗传下去,而那些适应环境能力弱的个体则直接淘汰,不参与以后的繁殖,以免减弱后代基因。目前在进行选择操作的时候,可以有多种方法供研究者选择,比如排序选择、联赛选择等,不同的方法对应的计算复杂的也不尽相同,我们在选择时可以根据实际情况针对性的进行分析,选择出最适应解决自身问题的方法。目前大多数选择的是轮盘赌法,这是一种基于概率论的方法,本课题也是选择此种方法进行选择操作。
(2)交叉。在遗传算法进行交叉操作时,仿照的是生物学中染色体基因交互的原理,通过交叉操作可以产生新的染色体,这样就可以产生出新的后代个体。这一操作可以互换个体间的信息。在交叉时一方面是考虑基因互换方法,另一方面是考虑在哪里进行交叉,确定其交叉点的具体位置,目前在众多的交叉方法中,通常研究人员采用的是单点、多点、算数等方法。通过种群个体交叉这一操作,可以使种群个体的适应能力得到提高,更容易出现优良后代种群个体。
........................

第 3 章 基于 LoRa 大棚灌溉系统的设计与实现...............................21
3.1 LoRa 技术.............................................21
3.1.1 LoRa 技术简介...............................21
3.1.2 LoRaWAN 协议..........................23
第 4 章 测试结果分析...........................................51

4.1 GA-BP 预测模型仿真结果分析.........................51
4.2 灌溉系统测试结果分析.................................52
4.3 本章小结.....................54
结论...........................55

第 4 章 测试结果分析

4.1 GA-BP 预测模型仿真结果分析
根据课题研究实际情况,本课题使用的数据样本为某市大棚实验田一年 5-7月采集到的数据(温度、湿度、光照强度、土壤湿度)和大棚作物棉花实际需水量共计 84 组相关数据,设置初始种群数量为 30,个体的进化代数设置为 100,而交叉概率和变异概率分别设置为 0.7 和 0.01,预测模型输入选取了四个相关因素,分别是空气温度、空气湿度、光照强度、土壤湿度。最后的模型输出反馈是棉花预测需水量。为了提高 GA-BP 需水预测模型的预测精度和不失一般性,本文将这 84组数据进行了归一化处理,其中 60 组数据作为 GA-BP 的训练集对预测模型进行训练,测试集为其他的 24 组数据。
表 4-1 模型评价指标
表 4-1 模型评价指标

...........................


结论


本课题基于 GA-BP 的大棚灌溉节水预测算法研究及实现,针对大棚作物需水量需求没有合理灌溉制度作参考,人工控制灌溉量,容易造成水资源浪费。以及多数大棚灌溉系统通过 ZigBee、WIFI 等技术来实现,但是 ZigBee、WIFI 传输距离短衰减快,容易受到其他信号频段的干扰,网络组网较复杂,无法同时兼备低功耗和远距离传输的需求,不能很好地满足大棚农业用水的实际环境等问题,首先建立了对农作物灌溉有指导意义的 GA-BP 农作物需水预测模型,然后利用低功耗远距离的 LoRa 技术组网搭建了基于大棚灌溉节水的演示验证系统,灌溉系统采集的影响农作物的环境因素数据处理后作为预测模型的输入,而预测模型输出的预测灌溉量再通过 Android APP 监控软件反馈给服务器,为灌溉系统提供合理的灌溉量,灌溉系统根据反馈的灌溉量进行自动浇水灌溉,在满足农作物生长需要的同时可以达到一定的节水效果,具有一定的工程应用价值。
最后经过测试验证得出 GA-BP 农作物需水预测模型的预测精度较高,灌溉系统的组网时间快,延时较小,传输距离较远,相比较于传统大棚而言,可以解放劳动力,提高农作物用水灌溉率,达到节约用水的目的。但由于自身水平的限制以及研究时间有限,本课题还存在一些不足之处以及在此基础上还可以更深入研究该课题,总结展望如下:在建立农作物需水预测模型时,只是对 BP 和 GA-BP两种进行了比较,而基于 BP 和 GA 的还有 PSO-BP、GA-Elman 等一些相关的算法,没有进行更多算法的预测精度比较;搭建的灌溉系统是进行可行性验证与分析的演示平台,距离在实际工程中去应用还有待改进。
参考文献(略)


上一篇:Y公司客户服务订单处理周期改善研究
下一篇:氧化铝陶瓷装甲材料的制备工艺及其性能评价探求