機(jī)器學(xué)習(xí)在農(nóng)業(yè)物聯(lián)網(wǎng)決策系統(tǒng)中的研究與應(yīng)用.pdf

1、文本首先采用希爾伯特-黃變換（HHT）對(duì)農(nóng)業(yè)物聯(lián)網(wǎng)系統(tǒng)中基于無(wú)線傳感器網(wǎng)絡(luò)（WSN）所采集的樣本數(shù)據(jù)進(jìn)行了分析。由于無(wú)線傳感器網(wǎng)絡(luò)采集的樣本均具有非線性、非平穩(wěn)的特點(diǎn)，而希爾伯特-黃變換（HHT）能夠完全自適應(yīng)地將具有非線性、非平穩(wěn)特點(diǎn)的數(shù)據(jù)分解成多個(gè)本征模態(tài)函數(shù)（IMF）和一個(gè)殘余項(xiàng)，從而在時(shí)間和空間變化上為數(shù)據(jù)分析提供了一種全新的視角，該方法在北京延慶農(nóng)田WSN節(jié)點(diǎn)采集的數(shù)據(jù)得到了驗(yàn)證。
　　其次，在決策系統(tǒng)中引入了機(jī)器學(xué)習(xí)方

2、法，對(duì)基于HHT分解得到的多個(gè)本征模態(tài)函數(shù)（IMF）及殘余項(xiàng)進(jìn)行了分析建模，形成了一套系統(tǒng)的數(shù)據(jù)分析、決策方法，該方法在云南地區(qū)降水量樣本數(shù)據(jù)中得到了驗(yàn)證。
　　具體而言，本文的主要貢獻(xiàn)如下：
　　(1)深入學(xué)習(xí)了HHT、線性回歸、人工神經(jīng)網(wǎng)絡(luò)（ANN）、支持向量回歸（SVR）等理論及其應(yīng)用，豐富了數(shù)據(jù)分析子系統(tǒng)的數(shù)據(jù)分析研究方法。
　　(2)在數(shù)據(jù)分析子系統(tǒng)中，將HHT數(shù)據(jù)處理方法應(yīng)用在無(wú)線傳感器網(wǎng)絡(luò)采集數(shù)據(jù)的處理中

3、。分析了北京市延慶區(qū)農(nóng)田玉米地中布置的36套WSN節(jié)點(diǎn)（覆蓋面積接近100 km2）采集的作物生長(zhǎng)環(huán)境數(shù)據(jù)。該數(shù)據(jù)包括土壤濕度、土壤表面溫度、光量子等生態(tài)系統(tǒng)模型的重要變量，共超過(guò)230000條數(shù)據(jù)樣本。針對(duì)該數(shù)據(jù)非線性、非平穩(wěn)的特點(diǎn)，用HHT方法將其分解成多個(gè)IMF和一個(gè)殘余項(xiàng)，從不同尺度的IMF分量中分析原數(shù)據(jù)內(nèi)在的特征及物理意義，并分析不同類型數(shù)據(jù)的時(shí)間相關(guān)性以及同類型數(shù)據(jù)基于地理空間位置的相關(guān)性，為農(nóng)業(yè)物聯(lián)網(wǎng)系統(tǒng)制定決策做準(zhǔn)備。

4、
　　(3)在智能灌溉決策子系統(tǒng)中，首先用HHT數(shù)據(jù)處理方法對(duì)云南四個(gè)地區(qū)的真實(shí)降水量數(shù)據(jù)樣本進(jìn)行處理（EEMD分解），然后應(yīng)用機(jī)器學(xué)習(xí)方法建立降水量預(yù)測(cè)模型。本文考察了包括人工神經(jīng)網(wǎng)絡(luò)、支持向量回歸模型以及多元線性回歸模型在內(nèi)的多個(gè)模型。實(shí)驗(yàn)結(jié)果顯示，EEMD與機(jī)器學(xué)習(xí)相結(jié)合的方法表現(xiàn)出相當(dāng)準(zhǔn)確的預(yù)測(cè)效果，模型表現(xiàn)十分穩(wěn)定，并提出了創(chuàng)新性的混合模型。
　　綜上所述，本文對(duì)農(nóng)業(yè)物聯(lián)網(wǎng)決策系統(tǒng)中的兩個(gè)子系統(tǒng)：數(shù)據(jù)分析子系統(tǒng)和智