基于物聯(lián)網(wǎng)的小麥生長(zhǎng)環(huán)境數(shù)據(jù)采集與數(shù)據(jù)挖掘技術(shù)研究.pdf

1、小麥?zhǔn)俏覈?guó)三大重要糧食作物之一。在小麥的生產(chǎn)過(guò)程中，光照、溫度、土壤、水分等各種環(huán)境因素都會(huì)對(duì)其生長(zhǎng)產(chǎn)生影響。如何實(shí)現(xiàn)對(duì)小麥生長(zhǎng)環(huán)境數(shù)據(jù)的快速采集，如何對(duì)小麥生長(zhǎng)環(huán)境中出現(xiàn)的異常情況進(jìn)行自動(dòng)檢測(cè)，已經(jīng)成為了確保小麥安全穩(wěn)定生產(chǎn)的重要問(wèn)題。物聯(lián)網(wǎng)的發(fā)展為改變傳統(tǒng)的作物生長(zhǎng)環(huán)境數(shù)據(jù)采集方式提供了契機(jī)。借助物聯(lián)網(wǎng)中的無(wú)線傳感器網(wǎng)絡(luò)等技術(shù)可以實(shí)現(xiàn)小麥生長(zhǎng)環(huán)境數(shù)據(jù)的快速采集、即時(shí)傳輸和動(dòng)態(tài)顯示。隨著基于物聯(lián)網(wǎng)的小麥生長(zhǎng)環(huán)境數(shù)據(jù)采集應(yīng)用的實(shí)施，積累

2、了大量與小麥生長(zhǎng)過(guò)程息息相關(guān)的環(huán)境數(shù)據(jù)。這些海量數(shù)據(jù)雖然真實(shí)地記錄了小麥生長(zhǎng)環(huán)境的狀況，但是也為使用者從中發(fā)現(xiàn)異常情況等有用信息帶來(lái)了巨大的困難。數(shù)據(jù)挖掘是從大量的、有噪聲的數(shù)據(jù)中挖掘出潛在的有用信息或知識(shí)的過(guò)程，正是解決這一問(wèn)題的有效技術(shù)。因此，針對(duì)小麥生長(zhǎng)環(huán)境監(jiān)測(cè)中數(shù)據(jù)實(shí)時(shí)采集利異常檢測(cè)的應(yīng)用需求，本文基于物聯(lián)網(wǎng)技術(shù)和數(shù)據(jù)挖掘技術(shù)，對(duì)小麥生長(zhǎng)環(huán)境監(jiān)測(cè)中的數(shù)據(jù)采集和數(shù)據(jù)異常挖掘這兩個(gè)關(guān)鍵的課題進(jìn)行了研究和探索。
　　主要的工作如

3、下:
　　(1)針對(duì)小麥生長(zhǎng)環(huán)境數(shù)據(jù)采集所存在的成本高和實(shí)效差等實(shí)際問(wèn)題，采用ZigBee技術(shù)實(shí)現(xiàn)了基于物聯(lián)網(wǎng)的小麥生長(zhǎng)環(huán)境數(shù)據(jù)采集系統(tǒng)。系統(tǒng)采用基于ZigBee標(biāo)準(zhǔn)的無(wú)線傳感器網(wǎng)絡(luò)對(duì)空氣溫度、空氣濕度、土壤溫度、土壤濕度、風(fēng)速、風(fēng)向、降雨量、光輻射等各項(xiàng)小麥生長(zhǎng)環(huán)境數(shù)據(jù)進(jìn)行大范圍的采集;利用部署在網(wǎng)絡(luò)主節(jié)點(diǎn)上的基于ARM和Linux的嵌入式系統(tǒng)對(duì)采集的數(shù)據(jù)進(jìn)行打包及AD轉(zhuǎn)換，重點(diǎn)實(shí)現(xiàn)斷點(diǎn)續(xù)傳功能，并通過(guò)3G路由器發(fā)送到Web服務(wù)

4、器;使用位于Web服務(wù)器上的信息管理系統(tǒng)對(duì)數(shù)據(jù)進(jìn)行接收，同時(shí)實(shí)現(xiàn)了對(duì)數(shù)據(jù)進(jìn)行查詢(xún)和下載等功能。系統(tǒng)的設(shè)計(jì)和實(shí)現(xiàn)充分考慮了小麥生長(zhǎng)環(huán)境數(shù)據(jù)采集的實(shí)際情況，具有良好的應(yīng)用效果。
　　(2)針對(duì)小麥生長(zhǎng)環(huán)境數(shù)據(jù)異常挖掘的復(fù)雜應(yīng)用背景和制約因素，提出了一種基于粗糙集和決策樹(shù)集成的混合分類(lèi)算法?；旌纤惴▽⒋植诩鳛橐粋€(gè)預(yù)處理器在不損失有用信息的前提下有效地減少冗余屬性，然后使用自助法重采樣技術(shù)生成一組決策樹(shù)來(lái)構(gòu)建集成分類(lèi)器，從而提高對(duì)小麥生

5、長(zhǎng)環(huán)境數(shù)據(jù)進(jìn)行異常挖掘的精度。為了驗(yàn)證算法的有效性，在小麥生長(zhǎng)環(huán)境數(shù)據(jù)上對(duì)不同的分類(lèi)方法進(jìn)行了實(shí)驗(yàn)評(píng)價(jià)。實(shí)驗(yàn)結(jié)果表明所提出的混合算法取得了有效的性能改進(jìn)。
　　(3)針對(duì)數(shù)據(jù)挖掘中傳統(tǒng)的聚類(lèi)技術(shù)無(wú)法滿足小麥生長(zhǎng)環(huán)境數(shù)據(jù)異常挖掘需求的問(wèn)題，提出了一種基于COD和STORM的聚類(lèi)集成算法，用于小麥生長(zhǎng)環(huán)境中海量且動(dòng)態(tài)更新的數(shù)據(jù)流類(lèi)型數(shù)據(jù)的異常檢測(cè)，實(shí)現(xiàn)對(duì)小麥生長(zhǎng)過(guò)程調(diào)控的異常預(yù)警?；谒岢龅木垲?lèi)集成算法設(shè)計(jì)和開(kāi)發(fā)了一個(gè)小麥生長(zhǎng)環(huán)境異

6、常檢測(cè)的原型系統(tǒng)，最后通過(guò)實(shí)驗(yàn)驗(yàn)證了所提出的聚類(lèi)集成算法的有效性。
　　主要的創(chuàng)新點(diǎn)如下:
　　(1)基于物聯(lián)網(wǎng)技術(shù)設(shè)計(jì)了小麥生長(zhǎng)環(huán)境數(shù)據(jù)采集系統(tǒng)，取得了良好的使用效果。
　　(2)提出了一種基于粗糙集和決策樹(shù)集成的混合分類(lèi)算法，實(shí)驗(yàn)結(jié)果表明所提出的算法取得了有效的性能改進(jìn)。
　　(3)提出了一種基于COD和STORM的聚類(lèi)集成算法，設(shè)計(jì)并實(shí)現(xiàn)了一個(gè)小麥生長(zhǎng)環(huán)境異常檢測(cè)的原型系統(tǒng)，通過(guò)實(shí)驗(yàn)驗(yàn)證了它們的實(shí)際應(yīng)用價(jià)值