農(nóng)業(yè)物聯(lián)網(wǎng)關(guān)鍵技術(shù)及應(yīng)用

第1章 緒論    1 
1.1農(nóng)業(yè)物聯(lián)網(wǎng)架構(gòu)    1 
1.2農(nóng)業(yè)物聯(lián)網(wǎng)研究現(xiàn)狀    4 
1.2.1國外研究現(xiàn)狀    5 
1.2.2國內(nèi)研究現(xiàn)狀    7 
1.3農(nóng)業(yè)物聯(lián)網(wǎng)關(guān)鍵技術(shù)    8 
1.3.1時(shí)空數(shù)據(jù)采集    9 
1.3.2數(shù)據(jù)提取與預(yù)處理    9 
1.3.3冗余數(shù)據(jù)處理    9 
1.3.4分簇優(yōu)化算法    10 
1.3.5路徑規(guī)劃    11 
1.3.6軌跡預(yù)測(cè)    11 
1.3.7軌跡糾偏    12 
1.3.8多模態(tài)數(shù)據(jù)融合    13 
1.3.9宕機(jī)預(yù)測(cè)    13 
1.4研究?jī)?nèi)容與總體結(jié)構(gòu)    14 
1.4.1研究?jī)?nèi)容    14 
1.4.2總體結(jié)構(gòu)    15 
第2章 農(nóng)業(yè)物聯(lián)網(wǎng)中的數(shù)據(jù)采集模型    17 
2.1 概述    17 
2.2數(shù)據(jù)采集技術(shù)    18 
2.2.1機(jī)器學(xué)習(xí)    18 
2.2.2人工神經(jīng)網(wǎng)絡(luò)    20 
2.2.3深度學(xué)習(xí)    20 
2.2.4卷積神經(jīng)網(wǎng)絡(luò)    20 
2.2.5長(zhǎng)短期記憶網(wǎng)絡(luò)    21 
2.3時(shí)空數(shù)據(jù)模型構(gòu)建    21 
2.4時(shí)空數(shù)據(jù)模型結(jié)構(gòu)與設(shè)計(jì)    22 
2.4.1時(shí)空數(shù)據(jù)采集設(shè)計(jì)    24 
2.4.2輸入層構(gòu)造    24 
2.4.3卷積神經(jīng)網(wǎng)絡(luò)構(gòu)造    24 
2.4.4長(zhǎng)短期記憶網(wǎng)絡(luò)構(gòu)造    26 
2.4.5全連接層構(gòu)造    27 
2.4.6輸出層構(gòu)造    28 
2.5模型實(shí)現(xiàn)與結(jié)果分析    28 
2.5.1時(shí)空數(shù)據(jù)的采集與實(shí)現(xiàn)    28 
2.5.2數(shù)據(jù)處理與模型訓(xùn)練    32 
2.5.3測(cè)試與訓(xùn)練模型    38 
2.5.4模型優(yōu)化與驗(yàn)證    39 
2.6本章小結(jié)    42 
第3章 農(nóng)業(yè)物聯(lián)網(wǎng)中的數(shù)據(jù)提取模型    44 
3.1 概述    44 
3.2數(shù)據(jù)提取與預(yù)處理技術(shù)    45 
3.2.1數(shù)據(jù)提取技術(shù)    46 
3.2.2數(shù)據(jù)預(yù)處理技術(shù)    48 
3.3模型構(gòu)建    50 
3.3.1數(shù)據(jù)提取模型構(gòu)建    50 
3.3.2 基于 KNN算法的數(shù)據(jù)清洗    52 
3.3.3基于數(shù)據(jù)規(guī)范化的變換處理    54 
3.3.4 基于 PCA 算法的特征選擇    56 
3.4模型實(shí)現(xiàn)與結(jié)果分析    57 
3.4.1實(shí)驗(yàn)環(huán)境    57 
3.4.2數(shù)據(jù)集    58 
3.4.3數(shù)據(jù)提取分析    59 
3.4.4實(shí)驗(yàn)結(jié)果與分析    59 
3.5本章小結(jié)    63 
第4章 農(nóng)業(yè)物聯(lián)網(wǎng)中的冗余數(shù)據(jù)處理    64 
4.1 概述    64 
4.2數(shù)據(jù)預(yù)處理    65 
4.2.1 Bloom Filter 的介紹    65 
4.2.2 標(biāo)準(zhǔn) Bloom Filter 誤判概率的證明和計(jì)算    67 
4.2.3設(shè)計(jì)和應(yīng)用 Bloom Filter    69 
4.2.4樸素貝葉斯分類介紹    70 
4.3設(shè)計(jì)與實(shí)驗(yàn)    72 
4.3.1布隆過濾器的改進(jìn)    72 
4.3.2布隆過濾器和改進(jìn)后的布隆過濾器流程圖    72 
4.3.3實(shí)驗(yàn)配置    74 
4.3.4重復(fù)數(shù)據(jù)過濾    74 
4.3.5無效數(shù)據(jù)分類    75 
4.3.6 使用 Laplace Smoothing 優(yōu)化    76 
4.4本章小結(jié)    77 
第5章 農(nóng)業(yè)物聯(lián)網(wǎng)中的分簇優(yōu)化算法    79 
5.1 概述    79 
5.2分簇優(yōu)化算法    80 
5.2.1分簇算法    80 
5.2.2目前研究存在的問題    82 
5.3系統(tǒng)模型    82 
5.3.1問題假設(shè)    82 
5.3.2能耗模型    83 
5.3.3問題模型    84 
5.4實(shí)驗(yàn)與論證過程    91 
5.5本章小結(jié)    96 
第6章 農(nóng)業(yè)物聯(lián)網(wǎng)中的路徑規(guī)劃研究    98 
6.1 概述    98 
6.1.1路徑規(guī)劃問題的分類    99 
6.1.2環(huán)境建模    99 
6.1.3蟻群算法概述    101 
6.1.4基本蟻群算法的數(shù)學(xué)模型    103 
6.2基于蟻群算法的無人駕駛拖拉機(jī)的路徑規(guī)劃    105 
6.2.1環(huán)境建模    105 
6.2.2蟻群優(yōu)化算法的基本原理及數(shù)學(xué)模型    107 
6.2.3改進(jìn)的蟻群算法    107 
6.3算法實(shí)現(xiàn)與仿真    109 
6.3.1 Matlab仿真與分析    110 
6.3.2結(jié)果分析    110 
6.4本章小結(jié)    111
第7章 農(nóng)業(yè)物聯(lián)網(wǎng)中的軌跡預(yù)測(cè)模型    113 
7.1 概述    113 
7.2軌跡預(yù)測(cè)模型    114 
7.3基于分?jǐn)?shù)階累加的灰色模型理論    115 
7.3.1灰色預(yù)測(cè)理論與模型    115 
7.3.2分?jǐn)?shù)階算子 GM（1,1）灰色預(yù)測(cè)模型    117 
7.4基于改進(jìn)分?jǐn)?shù)階累加的灰色軌跡預(yù)測(cè)模型    119 
7.4.1分?jǐn)?shù)階累加灰色軌跡預(yù)測(cè)模型    119 
7.4.2參數(shù)尋優(yōu)算法    121 
7.4.3基于改進(jìn)的粒子群優(yōu)化算法求解最優(yōu) r值及最優(yōu)背景值    121 
7.5仿真驗(yàn)證及分析    124 
7.5.1數(shù)據(jù)集    124 
7.5.2模型性能比較與分析 
7.6本章小結(jié)    129 
第8章 農(nóng)業(yè)物聯(lián)網(wǎng)中的軌跡糾偏算法    130 
8.1 概述    130 
8.2軌跡糾偏模型    131 
8.3基于環(huán)比的時(shí)間序列方法    132 
8.3.1傳統(tǒng)的時(shí)間序列算法    132 
8.3.2短期環(huán)比    133 
8.3.3長(zhǎng)期環(huán)比    133 
8.3.4三次樣條插值    135 
8.3.5算法步驟    135 
8.4實(shí)驗(yàn)仿真與結(jié)果分析    136 
8.4.1短期環(huán)比算法    136 
8.4.2長(zhǎng)期環(huán)比算法    138 
8.4.3三次樣條插值糾偏    141 
8.4.4實(shí)驗(yàn)對(duì)比與評(píng)價(jià)    142 
8.5本章小結(jié)    143 
第9章 農(nóng)業(yè)物聯(lián)網(wǎng)中的數(shù)據(jù)融合技術(shù)    144 
9.1 概述    144 
9.2研究現(xiàn)狀    144 
9.3數(shù)據(jù)融合理論    145 
9.3.1多模態(tài)數(shù)據(jù)融合    146 
9.3.2卡爾曼濾波    148 
9.3.3樸素貝葉斯算法    150 
9.4多模態(tài)數(shù)據(jù)的融合與分析    152 
9.5實(shí)驗(yàn)結(jié)果與分析    158 
9.5.1數(shù)據(jù)清洗    158 
9.5.2基于卡爾曼濾波的數(shù)據(jù)融合    159 
9.5.3基于樸素貝葉斯的數(shù)據(jù)分析    161 
9.5.4結(jié)果分析    164 
9.6本章小結(jié)    164 
第10章 農(nóng)業(yè)物聯(lián)網(wǎng)中的宕機(jī)預(yù)測(cè)研究    165 
10.1 概述    165 
10.1.1 Hadoop    166 
10.1.2分布式文件存儲(chǔ)系統(tǒng)    166 
10.1.3流數(shù)據(jù)計(jì)算組件 Spark Streaming    168 
10.1.4時(shí)間序列多元線性回歸算法    169 
10.2研究現(xiàn)狀    170 
10.3研究策略    171 
10.3.1問題背景    171 
10.3.2策略實(shí)施    171 
10.4模型評(píng)估    179 
10.5本章小結(jié)    180 
第11章 農(nóng)業(yè)物聯(lián)網(wǎng)典型應(yīng)用    182 
11.1智慧農(nóng)機(jī)典型應(yīng)用    184 
11.2應(yīng)用性能度量    186 
11.3本章小結(jié)    187 
參考文獻(xiàn)    188