[0037] 结合附图1-8，对本发明技术方案作进一步描述：
[0038] 1、系统总体功能的设计
[0039] 本发明一种基于物联网的果园产量智能预测系统实现对苹果园环境因子参数进行检测和预测苹果园产量，该系统由苹果园环境参数采集平台和苹果园环境产量预测子系统两部分组成。苹果园环境参数采集平台包括苹果园环境参数的检测节点1和现场监控2组成，它们以自组织方式构建成ZigBee监测网络来实现检测节点1和现场监控端2之间的ZigBee通信；检测节点1将检测的苹果园环境参数发送给现场监控端2并对传感器数据进行初步处理；现场监控端2把控制信息传输到检测节点和预测苹果园环境多点传感器工作状态。整个系统结构见图1所示。
[0040] 2、检测节点的设计
[0041] 采用大量基于ZigBee传感器网络的检测节点1作为苹果园环境参数感知终端，检测节点1通过自组织ZigBee网络实现现场监控端2之间的信息相互交互。检测节点1包括采集苹果园环境湿度、温度、降雨量和光照度参数的传感器和对应的信号调理电路、MSP430微处理器和ZigBee通信模块CC2530；检测节点的软件主要实现ZigBee通信和苹果园环境参数的采集与预处理。软件采用C语言程序设计，兼容程度高，大大提高了软件设计开发的工作效率，增强了程序代码的可靠性、可读性和可移植性。检测节点结构见图3。
[0042] 3、现场监控端软件
[0043] 现场监控端2是一台工业控制计算机，现场监控端2主要实现对苹果园环境参数进行采集、处理、预测和预测果园环境产量，实现与检测节点1和现场监控端2的信息交互，现场监控端2主要功能为通信参数设置、数据分析与数据管理、苹果园环境产量预测。该管理软件选择了Microsoft Visual++6.0作为开发工具，调用系统的Mscomm通信控件来设计通讯程序，现场监控端软件功能见图4。苹果园环境产量预测子系统由多个检测点温度传感器、多个时间序列三角模糊数神经网络、苹果园环境多点温度融合模型、PSO的Elman神经网络温度量化模块和苹果产量预测模块共5部分组成，多个检测点温度传感器感知被检测点温度，每个检测点温度传感器的输出作为对应的每个时间序列三角模糊数神经网络的输入，多个时间序列三角模糊数神经网络的输出作为苹果园环境多点温度融合模型的输入，苹果园环境多点温度融合模型的输出作为PSO的Elman神经网络温度量化模块的输入，PSO的Elman神经网络温度量化模块的输出作为苹果产量预测模块的输入，苹果产量预测模块预测苹果园产量，苹果园环境产量预测子系统实现对苹果园温度的检测、模糊量化、多点融合和产量预测的过程，苹果园环境产量预测子系统见图2，苹果园环境产量预测子系统的算法如下：
[0044] ⑴、时间序列三角模糊数神经网络模型
[0045] 由每个温度检测点对应的1个时间序列三角模糊数神经网络，时间序列三角模糊数神经网络由径向基神经网络模型、NARX神经网络模型1、NARX神经网络模型2和NARX神经网络模型3组成。温度传感器输出的一段常规时间序列值作为径向基神经网络的输入，设有苹果园被检测点温度值的时间序列为x(t),x(t-1),…,x(t-d+1),x(t-d)，根据苹果园被检测点温度参数一段常规时间序列值作为径向基神经网络模型的输入，径向基神经网络模型的3个输出分别作为NARX神经网络模型1、NARX神经网络模型2和NARX神经网络模型3的输入，NARX神经网络模型1、NARX神经网络模型2和NARX神经网络模型3输出的三角模糊数值分别表示被检测点的温度的下限值、最大可能值和上限值，苹果园被检测点温度参数的三角模糊数值为S，S三角模糊数表示为[a,b,c]等于[s1,s2,s3]，a表示被检测点温度下限值，b表示被检测点温度最大可能值，c表示被检测点温度上限值，被检测点温度三角模糊数值大小依赖于被检测温度参数的前d个时刻的常规时间序列数值状态值，d为时间窗口，根据S与前d个时刻的被检测点温度值参数时间序列数值存在函数依赖关系这一特点，通过被检测点温度值参数的时间序列三角模糊数神经网络来建立被检测点温度值参数的一段时间序列常规序列值预测被检测点温度值参数的与被检测点温度值参数的三角模糊数值之间的关系，时间序列三角模糊数神经网络根据被检测点的温度动态变化特征把被检测点的温度的一段常规时间序列值转化为被检测的温度的三角模糊值来表示，这种转化更加符合被检测点的温度的动态变化规律；被检测点温度值参数的时间序列三角模糊数神经网络模型结构图如5所示。神经网络的径向基向量为H＝[h1,h2,…,hp]T，hp为基函数。径向基神经网络中常用的径向基函数是高斯函数，其表达式为：
[0046]
[0047] 式中X为被检测参数的传感器的时间序列输出，C为隐含层神经元高斯基函数中心点坐标向量，δj为隐含层第j个神经元高斯基函数的宽度；网络的输出连接权值向量为wij，时间序列三角模糊数神经网络模型输出表达式为：
[0048]
[0049] 本发明的3个NARX神经网络预测模型分别对径向基神经网络模型的3个输出进行预测，NARX神经网络(Nonlinear Auto-Regression with External input neural network)是一种动态的前馈神经网络，NARX神经网络是一个有着被预测输入参数的非线性自回归网络，它具有一个多步时延的动态特性，并通过反馈连接输入被输入参数的封闭网络的若干层，NARX回归神经网络是非线性动态系统中应用最广泛的一种动态神经网络，其性能普遍优于全回归神经网络。本专利的NARX神经网络预测模型由输入层、隐层、输出层及输入和输出延时延构成，在应用前一般要事先确定输入和输出的延时阶数、隐层神经元个数，NARX神经网络预测模型的当时输出不仅取决于过去的输出S(t-n)，还取决于当时的输入向量y(t)以及输入向量的延迟阶数等。NARX神经网络预测模型结构包括输入层、输出层、隐层和时延层，其中被预测输入参数通过时延层传递给隐层，隐层对输入的信号进行处理后传递到输出层，输出层将隐层输出信号做线性加权获得最终的神经网络预测输出信号，时延层将网络反馈的信号和输入层输出的信号进行延时，然后输送到隐层。NARX神经网络模型具有非线性映射能力、良好的鲁棒性和自适应性等特点，适宜对输入参数进行预测。y(t)表示NARX神经网络模型的外部输入，m表示外部输入的延迟阶数；S(t)是NARX神经网络模型的输出，n是输出延迟阶数；由此可以得到第j个隐含单元的输出为：
[0050]
[0051] 上式中，wji为第i个输入与第j个隐含神经元之间的连接权值，bj是第j个隐含神经元的偏置值，NARX神经网络预测模型的输出S(t+1)分别代表a的预测值为：
[0052] S(t+1)＝f[S(t),S(t-1),…,S(t-n),y(t),y(t-1),…,y(t-m+1)；W] (4)[0053] NARX神经网络预测模型2和NARX神经网络预测模型3分别对时间序列三角模糊数神经网络模型2输出S三角模糊数的被检测点参数最大可能值b和对被检测点参数上限值c进行预测，它们的设计方法与NARX神经网络预测模型1类似。
[0054] 被检测点温度参数的时间序列三角模糊数神经网络模型的关键就是要根据过去过去一段时间被检测点温度值参数的d个时刻的被检测点温度值数据与被检测点温度值参数的三角模糊数据来拟合出映射关系f，进而通过时间序列三角模糊数神经网络模型得到检测点温度值拟合函数的三角模糊数值S。被检测点温度值参数的时间序列三角模糊数神经网络的数学模型可表示为：
[0055] S＝f(x(t),x(t-1),…,x(t-d+1),x(t-d)) (5)
[0056] ⑵、苹果园环境多点温度融合模型
[0057] 苹果园环境多点温度融合模型由温度时间序列三角模糊数阵列、计算温度三角模糊数值与理想值的相对帖近度、计算温度三角模糊数融合值共3部分组成，一段时间多个参数检测单元温度的三角模糊数值构成温度时间序列三角模糊数阵列，分别计算每个检测单元的温度时间序列三角模糊数值与温度时间序列三角模糊数阵列的正理想值的距离和每个检测单元的温度时间序列三角模糊数值与温度时间序列三角模糊数阵列的负理想值的距离，每个检测单元的温度时间序列三角模糊数值的负理想值的距离除以每个检测单元的温度时间序列三角模糊数值的负理想值的距离与每个检测单元的温度时间序列三角模糊数值的正理想值的距离的和得到的商为每个检测单元的温度时间序列三角模糊数值的相对贴近度，每个检测单元的温度时间序列三角模糊数值的相对贴近度除以所有检测单元的温度时间序列三角模糊数值的相对贴近度的和得到的商为每个检测单元的温度时间序列三角模糊数的融合权重，每个检测单元的温度时间序列三角模糊数值与该检测单元的温度时间序列三角模糊数的融合权重的积的和得到多个检测点的温度时间序列三角模糊融合值；苹果园环境多点温度融合模型如图2所示，苹果园环境多点温度融合模型的算法如下：
[0058] ①、构建温度时间序列三角模糊数阵列
[0059] 一段时间多个参数检测单元温度的三角模糊数值构成温度时间序列三角模糊数阵列，设有n个检测点和m个时刻的nm个参数检测单元的三角模糊数值构成n行和m列的温度时间序列三角模糊数阵列，设不同时刻不同参数检测单元温度的模糊三角数预测值为Xij(t),Xij(t+1),…,Xij(d)，则温度时间序列三角模糊数阵列为：
[0060]
[0061] ②、计算温度三角模糊数值与理想值的相对帖近度
[0062] 一段时间内同一时刻所有检测单元温度的三角模糊数值的平均值构成温度时间序列三角模糊数阵列的正理想值，温度时间序列三角模糊数正理想值为：
[0063]
[0064] 一段时间内同一时刻所有检测单元温度的三角模糊数值与正理想值的距离最大的三角模糊数值构成温度时间序列三角模糊数阵列的负理想值，温度时间序列三角模糊数负理想值为：
[0065]
[0066] 每个检测单元的温度时间序列三角模糊数值与温度时间序列三角模糊数阵列的正理想值的距离为：
[0067]
[0068] 每个检测单元的时间序列三角模糊数值与温度时间序列三角模糊数阵列的负理想值的距离为：
[0069]
[0070] 每个检测单元的温度时间序列三角模糊数值的负理想值的距离除以每个检测单元的温度时间序列三角模糊数值的负理想值的距离与每个检测单元的温度时间序列三角模糊数值的正理想值的距离的和得到的商为每个检测单元的温度时间序列三角模糊数值的相对贴近度为：
[0071]
[0072] ③、计算温度三角模糊数融合值
[0073] 通过(11)公式计算可以知道，每个检测单元的温度时间序列三角模糊数值与温度时间序列三角模糊数阵列的正负理想值的相对贴近度越大，则该检测单元的温度时间序列三角模糊数值离正理想值相对就越接近，否则该检测点的温度时间序列三角模糊数值离正理想值相对就越接远离，根据这个原理确定每个检测单元的温度时间序列三角模糊数值的对贴近度除以所有检测单元的温度时间序列三角模糊数值的对贴近度的和得到的商为每个检测单元的温度时间序列三角模糊数的融合权重为：
[0074]
[0075] 根据每个检测单元的温度时间序列三角模糊数值与该检测单元的温度时间序列三角模糊数的融合权重的积的和得到多个检测点的温度时间序列三角模糊融合值为：
[0076]
[0077] ⑶、PSO的Elman神经网络温度量化模块
[0078] PSO的Elman神经网络温度量化模块把苹果园果树不同生长阶段的温度量化为三角模糊数值，分别把苹果园果树的发芽期、花期、初果期、果实膨大期和果实成熟期共5个生长阶段的苹果园环境多点温度融合模型的输出作为PSO的Elman神经网络温度量化模块的输入，PSO的Elman神经网络温度量化模块分别把苹果园果树5个不同生长阶段的温度量化为对应生长阶段的三角模糊数值，PSO的Elman神经网络温度量化模块的输出为三角模糊数值；PSO的Elman神经网络温度量化模块如图6所示，PSO的Elman神经网络温度量化模块可以看作是一个具有局部记忆单元和局部反馈连接的前向神经网络。除了隐层外，还有一个特别的关联层。该关联层从隐层接收反馈信号，每一个隐层节点都有一个与之对应的关联层节点连接。关联层将上一时刻的隐层状态连同当前时刻的网络输入一起作为隐层的输入，相当于状态反馈。隐层的传递函数一般为Sigmoid函数，输出层为线性函数，关联层也为线性函数。为了有效地解决果园环境温度量化中的逼近精度问题，增强关联层的作用，提出一种PSO的Elman神经网络温度量化模块如图6所示。Z-1表示一步延时算子。设Elman神经网络温度量化模块的输入层、输出层、隐层的个数分别为m，n和r；w1，w2，w3和w4分别表示结构层单元到隐层、输入层到隐层、隐层到输出层、结构层到输出层的连接权矩阵，则PSO的Elman神经网络温度量化模块的表达式为：
[0079]
[0080] 其输入分别为苹果园果树的发芽期、花期、初果期、果实膨大期和果实成熟期共5个生长阶段的苹果园环境多点温度融合模型的输出的三角模糊数的清晰化值。
[0081] cp(k)＝xp(k-1) (15)
[0082] PSO的Elman神经网络温度量化模块关联层的值为上一时刻隐含层的值，并引入到PSO的Elman神经网络温度量化模块的输入端。
[0083]
[0084] 其中j为3，由3个输出端的数值构成三角模糊数值，根据果树5个不同生长阶段的苹果园环境多点温度融合模型的输出的三角模糊数的清晰化值的输入，PSO的Elman神经网络温度量化模块的输出分别代表5个不同生长阶段温度的三角模糊数值。设PSO的Elman神经网络温度量化模块的理想输出为yt，实际输出为y，误差函数为：
[0085]
[0086] 基于PSO的Elman神经网络温度量化模块包含Elman神经网络结构确定、PSO算法优化和Elman神经网络量化输出三部分。基本步骤如下：
[0087] Step1、给定Elman神经网络的M组输入、输出果园温度样本作为训练集，并将原始果园温度数据标准化；
[0088] Step2、根据输入、输出参数个数确定Elman神经网络结构，从而确定PSO算法粒子的长度；
[0089] Step3、将Elman神经网络结构中所有神经元间的间接权值、阈值编码成实数码表示的个体。若Elman神经网络中包含N个优化权值、阈值，则每个个体将由N个权值、阈值参数构成的N维向量来表示初始化粒子群；
[0090] Step4、以量化误差绝对值和作为个体适应度值，并根据适应度值得到个体极值和全局极值；
[0091] Step5、判断全局极值是否满足PSO结束条件，若满足，退出PSO寻优，转至Step6；若不满足，更新每个粒子速度和位置，转至Step4；
[0092] Step6、译码全局极值所对应的粒子，并以此作为Elman神经网络的初始权值、阈值；
[0093] Step7、将Step6中得到的最优初始权值和阈值赋给Elman神经网络，训练并确定网络模型，用训练好的神经网络模型对果园环境温度进行量化。
[0094] ⑷、苹果产量预测模块设计
[0095] 苹果产量预测模块包括新陈代谢苹果园产量GM(1，1)预测模型和苹果园产量T-S型温度模糊神经网络校正模型组成，苹果园产量温度神经网络采用T-S型模糊神经网络，苹果园产量的历史数据作为新陈代谢苹果园产量GM(1，1)预测模型的输入，新陈代谢苹果园产量GM(1，1)预测模型的输出和PSO的Elman神经网络温度量化模块的输出作为苹果园产量T-S型温度模糊神经网络校正模型的输入，苹果园产量T-S型温度模糊神经网络校正模型的输出为苹果园产量的三角模糊数预测值；
[0096] (1)、新陈代谢苹果园产量GM(1，1)预测模型设计
[0097] 假设要预测苹园产量的历史数据数列为：
[0098] x(0)＝(x(0)(1),x(0)(2),…x(0)(n)) (18)
[0099] 一阶累加后生成新的序列为：x(1)＝(x(1)(1),x(1)(2),…x(1)(n)) (19)[0100] 其中：
[0101] 则x(1)序列具有指数增长的规律，即满足一阶线性微分方程：
[0102]
[0103] 公式中a成为发展灰数，它反映x(1)和x(0)的发展趋势；u为内生控制灰数，反映了数据之间的变化关系。解上式的微分方程得到x(1)的苹果园产量的预测值为：
[0104]
[0105] 通过下面公式的累减还原，得到原始序列x(0)的苹果产量的灰色预测模型为：
[0106]
[0107] 通过构建苹果园产量GM(1，1)预测模型预测苹果园产量，可以实现对苹果园产量进行预测，进行1次灰色预测得到新的苹果园产量以后，在原始数据序列中增加该新的产量数据，同时去除原序列中最老的苹果园产量数值，并构成新序列作为原始序列重复建立苹果园产量GM(1，1)预测模型。如此反复，依次递补直到完成苹果产量的预测目标，即为新陈代谢苹果园产量GM(1，1)预测模型。
[0108] (2)、苹果园产量T-S型温度模糊神经网络校正模型设计
[0109] 苹果园产量T-S型温度模糊神经网络校正模型采用T-S型模糊神经网络，新陈代谢苹果园产量GM(1，1)预测模型的输出与苹果园果树的发芽期、花期、初果期、果实膨大期和果实成熟期共5个生长阶段的PSO的Elman神经网络温度量化模块的输出作为苹果园产量T-S型温度模糊神经网络校正模型的输入，苹果园产量T-S型温度模糊神经网络校正模型的输出为苹果园产量的三角模糊数预测值；苹果园产量T-S型温度模糊神经网络校正模型对果树5个不同生长阶段的温度三角模糊数值对果园产量影响程度的校正，获得整个果园因为果树5个不同阶段不同的温度三角模糊数值时果园的三角模糊数产量值。苹果园产量T-S型温度模糊神经网络校正模型的T-S型模糊神经网络的设计如下：
[0110] ①、前件网络。第1层为输入层，该层的节点数为n。第2层为模糊化层，对输入数据进行模糊化，各神经元执行相应的隶属度函数 第3层为模糊规则层。第4层的结点数为m，该层实现归一化计算。
[0111] ②、后件网络。第1层是输入层，其中第0个节点的输入值x0＝1，它的作用是提供模糊规则后件的常数项。第2层有m个节点，它的作用是计算每一条规则后件，后件网络的输出为：
[0112]
[0113] 第3层计算苹果园产量T-S型温度模糊神经网络校正模型输出：
[0114]
[0115] 其中i为3，苹果园产量T-S型温度模糊神经网络校正模型的T-S型模糊神经网络的3个输出端为代表果园产量的三角模糊数，通过T-S型模糊神经网络学习算法调整第2层的隶属度函数的中心值cj和宽度bj以及后件网络的连接权 为了简化起见，将参数 固定，这时每条规则的后件在简化结构中变成了一层的连接权。苹果园产量T-S型温度模糊神经网络校正模型如附图7所示。
[0116] 4、苹果园环境参数采集平台的设计举例
[0117] 根据苹果园区环境的状况，系统布置了检测节点1和现场监控端2的平面布置安装图，其中检测节点1均衡布置在被检测苹果园区环境中，每个区的检测点安装一根与果树同等高度的检测柱子，在每根柱子从底部到顶部的1/3高度处各自布置3个检测检点1，实现对苹果园环境参数的全方位检测，整个系统平面布置见图7，通过该系统实现对苹果园区环境参数的采集与苹果园区环境产量进行预测。
[0118] 本发明方案所公开的技术手段不仅限于上述实施方式所公开的技术手段，还包括由以上技术特征任意组合所组成的技术方案。应当指出，对于本技术领域的普通技术人员来说，在不脱离本发明原理的前提下，还可以做出若干改进和润饰，这些改进和润饰也视为本发明的保护范围。
