本發(fā)明涉及種子種苗培育，具體為一種基于多源傳感器的智能溫室控溫方法。

背景技術(shù)：

1、近年來，深度學(xué)習(xí)和強化學(xué)習(xí)等先進人工智能技術(shù)在種子種苗培育的溫室管理中的應(yīng)用逐漸增多，尤其是在作物生長預(yù)測和環(huán)境控制策略優(yōu)化方面，展現(xiàn)出了強大的潛力。隨著農(nóng)業(yè)智能化的快速發(fā)展，溫室環(huán)境（如溫度、濕度、光照強度等）的調(diào)節(jié)愈加依賴于傳感器數(shù)據(jù)與智能算法的協(xié)同應(yīng)用。

2、為了確保作物在溫室中能夠得到最佳的生長環(huán)境，研究者們提出了多源傳感器數(shù)據(jù)融合的方法，通過溫度、濕度、空氣流速、光照強度和土壤濕度等信息進行實時監(jiān)測和調(diào)節(jié)，使用強化學(xué)習(xí)算法的獎勵函數(shù)以實現(xiàn)溫室環(huán)境的智能化調(diào)控。

3、現(xiàn)有技術(shù)中，強化學(xué)習(xí)算法的獎勵函數(shù)設(shè)計不足以充分考慮多源傳感器數(shù)據(jù)的復(fù)雜性現(xiàn)有的強化學(xué)習(xí)算法往往依賴于簡單的獎勵函數(shù)設(shè)計，未能充分考慮作物生長與溫室環(huán)境之間復(fù)雜的非線性關(guān)系，導(dǎo)致優(yōu)化策略難以應(yīng)對多變的環(huán)境條件，并且無法實現(xiàn)溫室長期、穩(wěn)定的能源優(yōu)化與作物生長提升。

技術(shù)實現(xiàn)思路

1、針對現(xiàn)有技術(shù)的不足，本發(fā)明提供了一種基于多源傳感器的智能溫室控溫方法，以解決上述背景技術(shù)中提出的問題。

2、為實現(xiàn)上述目的，本發(fā)明提供如下技術(shù)方案：

3、第一方面，本發(fā)明實施例提供了一種基于多源傳感器的智能溫室控溫方法，包括以下步驟：

4、s1、數(shù)據(jù)采集；

5、通過多源傳感器收集溫室內(nèi)部的環(huán)境數(shù)據(jù)并利用數(shù)據(jù)預(yù)處理技術(shù)對環(huán)境數(shù)據(jù)進行清洗，得到采集數(shù)據(jù)；

6、s2、對采集數(shù)據(jù)進行初步的溫度預(yù)測；

7、通過預(yù)測軟件對采集數(shù)據(jù)進行初步的溫度預(yù)測，得到溫度預(yù)測結(jié)果；

8、s3、根據(jù)溫度預(yù)測結(jié)果得到溫度控制策略；

9、基于模糊控制對溫度預(yù)測結(jié)果進行溫度控制策略設(shè)計，得出溫控策略；

10、s4、針對溫控策略進行溫室內(nèi)環(huán)境調(diào)節(jié)；

11、依據(jù)多源傳感器的實時采集數(shù)據(jù)與溫控策略進行比對，對溫度濕度數(shù)據(jù)進行調(diào)整，得到溫度濕度數(shù)據(jù)；

12、s5、根據(jù)溫度濕度數(shù)據(jù)對作物進行生長預(yù)測；

13、結(jié)合溫度濕度數(shù)據(jù)，利用深度學(xué)習(xí)模型預(yù)測作物的生長情況，得到作物生長預(yù)測結(jié)果；

14、s6、基于作物生長預(yù)測結(jié)果進行智能灌溉管理；

15、基于作物生長預(yù)測結(jié)果，通過動態(tài)調(diào)節(jié)灌溉量與灌溉時間，確保作物所需水分得到滿足，進而得到灌溉調(diào)整結(jié)果；

16、s7、根據(jù)灌溉調(diào)整結(jié)果進行溫室能效優(yōu)化；

17、根據(jù)灌溉調(diào)整結(jié)果，通過強化學(xué)習(xí)算法對溫室能效進行優(yōu)化，得到能效優(yōu)化結(jié)果；

18、s8、基于能效優(yōu)化結(jié)果進行溫室綜合管理決策支持；

19、基于能效優(yōu)化結(jié)果，為溫室的綜合管理提供決策支持，生成綜合報告。

20、進一步優(yōu)化本技術(shù)方案，所述步驟s1中溫室內(nèi)部的環(huán)境數(shù)據(jù)，包括：

21、溫度、濕度、空氣流速、光照強度、土壤濕度。這些數(shù)據(jù)通過多源傳感器采集獲得。

22、進一步優(yōu)化本技術(shù)方案，所述步驟s5中深度學(xué)習(xí)模型基于：

23、多輸入神經(jīng)網(wǎng)絡(luò)，該網(wǎng)絡(luò)利用加權(quán)融合機制，處理和融合了溫度、濕度、空氣流速、光照強度、土壤濕度五個環(huán)境參數(shù)。

24、進一步優(yōu)化本技術(shù)方案，所述多輸入神經(jīng)網(wǎng)絡(luò)，構(gòu)建步驟為：

25、先從多源傳感器采集的環(huán)境數(shù)據(jù)以及溫度濕度數(shù)據(jù)獲取五個環(huán)境因子數(shù)據(jù)：

26、為溫度，單位是攝氏度；

27、為濕度，單位是%；

28、為空氣流速，單位是m/s；

29、為光照強度，單位是lux；

30、為土壤濕度，單位是%；

31、然后構(gòu)建多輸入神經(jīng)網(wǎng)絡(luò)包括輸入層、隱藏層、輸出層；

32、輸入層：

33、每個輸入的環(huán)境因子的動態(tài)權(quán)重根據(jù)當(dāng)前環(huán)境狀態(tài)進行動態(tài)調(diào)整，然后構(gòu)建輸入層公式：

34、，；

35、其中，

36、表示每個環(huán)境因子的處理函數(shù)；

37、是每個環(huán)境因子的動態(tài)權(quán)重；

38、是環(huán)境因子的原始輸入數(shù)據(jù)；

39、是每個環(huán)境因子的加權(quán)輸入；

40、隱藏層：

41、通過多個隱藏層對從輸入層獲得的輸入特征進行融合處理，公式為：

42、；

43、其中，

44、是每個環(huán)境因子在每個隱藏層的節(jié)點的權(quán)重；

45、是預(yù)設(shè)的偏置項，模型在x軸上的平移量；

46、是隱藏層的輸出；

47、表示隱藏層的節(jié)點數(shù)；

48、輸出層：

49、將隱藏層的輸出映射到作物的生長預(yù)測值中，公式為：

50、；

51、其中，

52、是模型的最終輸出，即生長預(yù)測值；

53、是輸出層的激活函數(shù)sigmoid函數(shù)，它的數(shù)學(xué)表達(dá)式為；

54、是每個隱藏層的節(jié)點的權(quán)重；

55、是輸出層的偏置項，模型在x軸上的平移量，由人為設(shè)定。

56、進一步優(yōu)化本技術(shù)方案，所述步驟s7中強化學(xué)習(xí)算法包括：

57、狀態(tài)空間與動作空間；

58、獎勵函數(shù)；

59、策略函數(shù)；

60、更新策略。

61、進一步優(yōu)化本技術(shù)方案，所述狀態(tài)空間，是：

62、溫室的多個環(huán)境因子以及作物的生長狀態(tài)，在每個時間步驟下被表示為一個向量：

63、；

64、其中，

65、為時間時的溫度，單位是攝氏度；

66、為時間時的濕度，單位是%；

67、為時間時的空氣流速，單位是m/s；

68、為時間時的光照強度，單位是lux；

69、為時間時的土壤濕度，單位是%；

70、為時間時作物生長狀態(tài)；

71、為狀態(tài)空間向量。

72、進一步優(yōu)化本技術(shù)方案，所述動作空間，代表：

73、可執(zhí)行的所有操作，包括溫度調(diào)節(jié)、濕度調(diào)節(jié)、灌溉量調(diào)整；

74、在每個時間步驟，構(gòu)建一種組合的控制策略，表示為向量：

75、；

76、其中，

77、為溫度控制動作，增溫或降溫；

78、為濕度控制動作，增加或減少濕氣；

79、為灌溉控制動作，啟動或停止灌溉；

80、為動作空間向量。

81、進一步優(yōu)化本技術(shù)方案，所述獎勵函數(shù)，包括：

82、狀態(tài)空間和動作空間對溫室能效和作物生長的影響；

83、獎勵函數(shù)在每個時間步驟的公式為：

84、；

85、其中，

86、為當(dāng)前時間步驟的能效增益即節(jié)約的能源量；

87、為作物當(dāng)前時間步驟的生長狀態(tài)變化量；

88、為預(yù)設(shè)的目標(biāo)溫度和濕度；

89、為預(yù)設(shè)的權(quán)重系數(shù)。

90、進一步優(yōu)化本技術(shù)方案，所述策略函數(shù)是：

91、確定在狀態(tài)空間下采取的最優(yōu)動作空間；策略函數(shù)等于，值更新公式為：

92、；

93、其中，

94、為當(dāng)前狀態(tài)和的值，表示該狀態(tài)-動作對的價值；

95、為預(yù)設(shè)的學(xué)習(xí)率，控制更新步長；

96、為預(yù)設(shè)的折扣因子，平衡當(dāng)前獎勵和未來獎勵的重要性，范圍在0到1之間；

97、表示在下一狀態(tài)下，最優(yōu)動作的值。

98、進一步優(yōu)化本技術(shù)方案，所述更新策略，包括：

99、隨著訓(xùn)練的進行，值不斷更新，策略函數(shù)趨向最優(yōu)策略。在每次交互中，強化學(xué)習(xí)模型根據(jù)當(dāng)前狀態(tài)和學(xué)習(xí)到的策略，選擇最優(yōu)動作空間來調(diào)整溫室設(shè)備的運行狀態(tài)，并根據(jù)即時獎勵函數(shù)更新決策策略。

100、第二方面，本發(fā)明實施例提供了一種計算機設(shè)備，包括存儲器和處理器，所述存儲器存儲有計算機程序，其中：所述計算機程序指令被處理器執(zhí)行時實現(xiàn)如本發(fā)明第一方面所述的一種基于多源傳感器的智能溫室控溫方法的步驟。

101、第三方面，本發(fā)明實施例提供了一種計算機可讀存儲介質(zhì)，其上存儲有計算機程序，其中：所述計算機程序指令被處理器執(zhí)行時實現(xiàn)如本發(fā)明第一方面所述的一種基于多源傳感器的智能溫室控溫方法的步驟。

102、與現(xiàn)有技術(shù)相比，本發(fā)明提供了一種基于多源傳感器的智能溫室控溫方法，具備以下有益效果：

103、該基于多源傳感器的智能溫室控溫方法，通過設(shè)置改進深度學(xué)習(xí)模型輸出的生長預(yù)測值轉(zhuǎn)化方法和強化學(xué)習(xí)算法的獎勵函數(shù)設(shè)計，有效克服了現(xiàn)有技術(shù)中缺乏物理意義的轉(zhuǎn)換機制。

104、通過對深度學(xué)習(xí)模型輸出的生長預(yù)測值進行歸一化、目標(biāo)化處理或加權(quán)融合，相比于現(xiàn)有技術(shù)提高了作物生長狀態(tài)與溫室環(huán)境控制對接的精準(zhǔn)性。

105、采用創(chuàng)新的強化學(xué)習(xí)獎勵函數(shù)設(shè)計，充分考慮多源傳感器數(shù)據(jù)和作物生長之間的非線性關(guān)系，相比于現(xiàn)有技術(shù)優(yōu)化了溫室控制策略，從而在提高能源效率的同時，確保作物健康生長。