【技術實現步驟摘要】
本專利技術涉及溫室控制，特別是一種基于人工智能的溫室環境控制方法及系統。
技術介紹
1、在傳統溫室種植中，環境調控往往依賴于固定的經驗值和人工操作，難以實時準確地適應植物生長的動態需求以及復雜多變的環境因素。隨著科技的發展，雖然傳感器技術能夠獲取溫室環境數據，但如何有效地分析和利用這些數據來實現精準控制仍是一個挑戰。現有的溫室控制方法在數據處理和模型預測準確性方面存在不足，無法充分考慮環境因素之間的復雜關聯以及植物生長階段的動態變化，導致能源浪費、資源利用不合理以及作物生長質量不穩定等問題。因此如何對溫室進行更智能化的控制，準確預測溫室中的環境變化并實現精準的自動化調控，實現能源的調控是現階段丞待解決的技術問題。
技術實現思路
1、本專利技術的目的是為了解決上述問題，設計了一種基于人工智能的溫室環境控制方法及系統。
2、實現上述目的本專利技術的技術方案為，進一步，在上述一種基于人工智能的溫室環境控制方法中，所述溫室環境控制方法包括以下步驟：
3、獲取傳感器中的溫室環境數據和植物的生長階段數據，對所述溫室環境數據和植物的生長階段數據進行數據預處理，得到植物生長環境數據；
4、利用apriori關聯分析算法對所述植物生長環境數據進行關聯分析，得到初始植物生長環境數據；
5、基于cnn卷積神經網絡和lstm長短期記憶網絡建立cnn-lstm溫室環境預測模型；利用所述初始植物生長環境數據對所述cnn-lstm溫室環境預測模型中進行訓練和測試，
6、利用ipso改進粒子群算法優化所述初始cnn-lstm溫室環境預測模型，得到ipso-cnn-lstm溫室環境預測模型；
7、獲取溫室中的實時植物生長環境數據，將所述實時植物生長環境數據輸入至所述ipso-cnn-lstm溫室環境預測模型中進行分析，得到溫室環境預測狀態；
8、根據所述溫室環境預測狀態生成溫室調整指令，根據所述溫室調整指令對傳感器進行實時控制。
9、進一步，在上述一種基于人工智能的溫室環境控制方法中，所述獲取傳感器中的溫室環境數據和植物的生長階段數據，對所述溫室環境數據和植物的生長階段數據進行數據預處理，得到植物生長環境數據，包括：
10、通過布置在溫室內的各類傳感器，實時獲取溫室環境數據，所述溫室環境數據至少包括溫度數據、濕度數據、光照強度數據和二氧化碳濃度數據；
11、記錄溫室中植物的生長階段數據，所述生長階段數據至少包括發芽期、幼苗期、成長期、開花期和結果期；
12、對溫室環境數據和所述生長階段數據進行清洗，去除數據中的異常值和噪聲值；
13、采用數據歸一化方法將不同量綱的數據映射到[0,1]區間，得到植物生長環境數據。
14、進一步，在上述一種基于人工智能的溫室環境控制方法中，所述利用apriori關聯分析算法對所述植物生長環境數據進行關聯分析，得到初始植物生長環境數據，包括：
15、設定最小支持度閾值和最小置信度閾值，利用apriori關聯分析算法掃描所述植物生長環境數據，統計每個項集出現的次數，得到頻繁1項集；
16、設植物生長環境數據包含n個事務，對于一個項集x，其支持度計算公式如下：
17、
18、其中，表示數據集中包含項集x的事務數量；
19、對于關聯規則x→y，其置信度計算公式為：
20、
21、通過連接和剪枝生成候選頻繁2項集，并再次掃描數據集，計算候選頻繁2項集的支持度，篩選出頻繁2項集；
22、不斷生成更高階的頻繁項集，直到找不到滿足最小支持度閾值的項集為止；
23、從頻繁項集中提取滿足最小置信度閾值的關聯規則，得到初始植物生長環境數據。
24、進一步，在上述一種基于人工智能的溫室環境控制方法中，所述基于cnn卷積神經網絡和lstm長短期記憶網絡建立cnn-lstm溫室環境預測模型；利用所述初始植物生長環境數據對所述cnn-lstm溫室環境預測模型中進行訓練和測試，得到初始cnn-lstm溫室環境預測模型，包括：
25、所述基于cnn卷積神經網絡和lstm長短期記憶網絡建立cnn-lstm溫室環境預測模型；
26、所述cnn-lstm溫室環境預測模型中lstm網絡的遺忘門計算公式如下：
27、ft＝σ(wf·[ht-1，xt]+bf)
28、其中，ft為遺忘門，σ為sigmod激活函數，xt為t時刻的輸入，ht-1為t-1時刻的短時記憶輸出，wf為遺忘門權重，bf為遺忘門偏置；
29、輸入門根據網絡輸出節點的xt和ht-1去決定需要添加到記憶中的新內容，其計算公式如下：
30、it＝σ(wi·[ht-1，xt]+bi)
31、
32、其中，it為輸入門，為候選向量，tanh為雙曲正切激活函數，ct表示t時刻的長期記憶單元，wi和wc分別為輸入門和候選向量的權重參數，bi和bc為相應的偏置項；
33、輸出門根據長短期記憶單元ct、輸入節點xt和ht-1的狀態，輸出的輸出值為ht，其計算公式如下：
34、ot＝σ(wo·[ht-1，xt]+bo)
35、ht＝ot×tanh(ct)
36、其中ot為輸出門，wo為輸出門權重，bo為輸出門偏置項，ht為t時刻模型所有的輸出；
37、將所述初始植物生長環境數據按照9：1劃分為訓練集和測試集對建立好的cnn-lstm溫室環境預測模型進行訓練和測試，得到初始cnn-lstm溫室環境預測模型。
38、進一步，在上述一種基于人工智能的溫室環境控制方法中，所述利用ipso改進粒子群算法優化所述初始cnn-lstm溫室環境預測模型，得到ipso-cnn-lstm溫室環境預測模型，包括：
39、利用ipso改進粒子群算法優化所述初始cnn-lstm溫室環境預測模型，確定所述ipso改進粒子群算法的粒子種群規模、迭代次數、學習因子、位置和速度；
40、初始化粒子的位置和速度，隨機生成一個種群xi＝(θ，β，a1，a2)，其中θ為cnn-lstm溫室環境預測模型的迭代次數，β為批處理大小，a1，a2分別為第一次隱含層和第二層隱含層中的神經元個數；
41、確定所述ipso改進粒子群算法的適應度函數，用初始化的粒子群參數構建cnn-lstm溫室環境預測模型，適應度函數δ的定義如下：
42、
43、其中，n和m為訓練和測試樣本的樣本個數，yit和yiv為訓練數據和測試數據，和為訓練樣本和測試樣本的預測值；
44、對粒子的速度和位置進行更新，根據粒子的適應度確定局部最優值pti與全局最優值gt；
45、將所述ipso改進粒子群算法尋找到的最優迭代次數，批處理大小、隱含層本文檔來自技高網...
【技術保護點】
1.一種基于人工智能的溫室環境控制方法，其特征在于，所述溫室環境控制方法包括以下步驟：
2.如權利要求1所述的一種基于人工智能的溫室環境控制方法，其特征在于，所述獲取傳感器中的溫室環境數據和植物的生長階段數據，對所述溫室環境數據和植物的生長階段數據進行數據預處理，得到植物生長環境數據，包括：
3.如權利要求1所述的一種基于人工智能的溫室環境控制方法，其特征在于，所述利用Apriori關聯分析算法對所述植物生長環境數據進行關聯分析，得到初始植物生長環境數據，包括：
4.如權利要求1所述的一種基于人工智能的溫室環境控制方法，其特征在于，所述基于CNN卷積神經網絡和LSTM長短期記憶網絡建立CNN-LSTM溫室環境預測模型；利用所述初始植物生長環境數據對所述CNN-LSTM溫室環境預測模型中進行訓練和測試，得到初始CNN-LSTM溫室環境預測模型，包括：
5.如權利要求1所述的一種基于人工智能的溫室環境控制方法，其特征在于，所述利用IPSO改進粒子群算法優化所述初始CNN-LSTM溫室環境預測模型，得到IPSO-CNN-LSTM溫室環境預
6.如權利要求5所述的一種基于人工智能的溫室環境控制方法，其特征在于，所述IPSO改進粒子群算法，包括：
7.如權利要求1所述的一種基于人工智能的溫室環境控制方法，其特征在于，所述根據所述溫室環境預測狀態生成溫室調整指令，根據所述溫室調整指令對傳感器進行實時控制，包括：
8.一種基于人工智能的溫室環境控制系統，其特征在于，所述溫室環境控制系統包括以下步驟：
9.如權利要求8所述的一種基于人工智能的溫室環境控制系統，其特征在于，所述數據獲取模塊包括以下子模塊：
10.如權利要求8所述的一種基于人工智能的溫室環境控制系統，其特征在于，所述關聯分析模塊包括以下子模塊：
...【技術特征摘要】
1.一種基于人工智能的溫室環境控制方法，其特征在于，所述溫室環境控制方法包括以下步驟：
2.如權利要求1所述的一種基于人工智能的溫室環境控制方法，其特征在于，所述獲取傳感器中的溫室環境數據和植物的生長階段數據，對所述溫室環境數據和植物的生長階段數據進行數據預處理，得到植物生長環境數據，包括：
3.如權利要求1所述的一種基于人工智能的溫室環境控制方法，其特征在于，所述利用apriori關聯分析算法對所述植物生長環境數據進行關聯分析，得到初始植物生長環境數據，包括：
4.如權利要求1所述的一種基于人工智能的溫室環境控制方法，其特征在于，所述基于cnn卷積神經網絡和lstm長短期記憶網絡建立cnn-lstm溫室環境預測模型；利用所述初始植物生長環境數據對所述cnn-lstm溫室環境預測模型中進行訓練和測試，得到初始cnn-lstm溫室環境預測模型，包括：
5.如權利要...
【專利技術屬性】
技術研發人員：努爾加瑪力·沙依提，阿依加瑪力·沙依提，古再麗努爾·依明，祁瑞敏，王丹，楊洪琦，
申請(專利權)人：新疆理工學院，
類型：發明
國別省市：
還沒有人留言評論。發表了對其他瀏覽者有用的留言會獲得科技券。