基于T-S模糊模型的TDR土壤水分传感器标定方法研究

利用TDR土壤水分传感器实现土壤水分数值的精确采集具有现实意义[1-3]。为了获得TDR土壤水分传感器水分含量测量所对应输出电压与实际土壤含水量的良好对应关系,在采用取土实验测量法获得实际水分含量数值与对应输出电压数值的基础上,利用Takagi-Sugeno模型逼进精度高、后件参数线性化等优点[2,4]对TDR土壤水分传感器     

基于稀疏场水平集的荔枝图像分割算法

为了给采摘机器人提供完整的荔枝果实轮廓,该文选择HSV彩色空间中色调H分量的旋转分量作为图像分割的特征;然后,通过模糊聚类算法自动获取合适的初始演化曲线轮廓,再利用稀疏场水平集方法对目标区域轮廓进行精确提取;最后,对分割的区域进行标记,并利用图像标记来恢复分割区域的原始图像。结果表明,该算法不仅很好地克服随机噪声的影响,而且很好地保持果实区域的完整性,使成熟荔枝分割的正确率达到了84.1%。     

基于C4.5算法的无线传感器网络农业环境部署节点故障诊断方法

通过采集农业环境下无线传感器网络节点所采集的数据,基于C4.5算法挖掘故障诊断关联规则,建立了农业环境部署节点故障诊断模型。结果表明,该模型能够比较好地对故障无线传感器网络节点进行识别。     

基于RBF神经网络的土壤含水量传感器标定方法(英文)

土壤含水量时空变异对作物生长、农田气候变化等领域的研究具有重大意义。为了克服TDR-3土壤水分传感器输出电压的非线性缺点,提高土壤含水量数据采集以及计算效率,该研究将TDR-3土壤水分传感器与无线传感器网络结合,提出了土壤水分含量的RBF神经网络标定方法。以20个带标号的水杯作为承载砖红壤土和水的载体,对其中的样本进行数据采集,经多次测量取平均值。为验证标定算法的准确性,同时列举出以土净重、加水质量、水分含量TDR-3测量值为属性,以测试水土比值为目标训练样本,以RBF神经网络为标定算法的拟合结果。为了更直观地展示试验结果,以散点图方式分别展示水分含量TDR-3测量值与实际水土比的TDR-3土壤水分含量曲线;水分含量TDR-3测量值与RBF神经网络拟合水土比的RBF神经网络拟合土壤水分含量曲线;以及实际水土比与RBF神经网络拟合水土比的散点图。为验证RBFNN拟合水土比值的相关性,引入皮尔逊相关系数。5次试验,得到5组皮尔逊相关系数,分别为0.9745,0.9832,0.9798,0.9804及0.9789,都接近于1,说明真实测试数据与拟合数据相关性很强,且为正相关关系。可见,该法能取得较好的标定效果,并且简单、实用、可行,为土壤含水量的实时监测提供了一种有效的方法。     

基于RBF神经网络的土壤含水量传感器标定方法

土壤含水量时空变异对作物生长、农田气候变化等领域的研究具有重大意义。为了克服TDR-3土壤水分传感器输出电压的非线性缺点,提高土壤含水量数据采集以及计算效率,将TDR-3土壤水分传感器与无线传感器网络结合,提出了土壤水分含量的RBF神经网络标定方法。结果表明,该法能取得较好的标定效果,且操作简单、实用、可行,为土壤含水量的实时监测提供了一种有效的方法。