文摘

农田的物联网,实现精确地控制生产,需要获得更多的数据支持,这需要许多传感器的部署,这将不可避免地带来高投资和高成本的问题。本文主要研究传感器的优化布置在农业领域。通过压缩传感和算法优化,使用的传感器数量减少和降低成本的前提下保证效果。目前,有许多成熟的传感器布局优化方法,但这些方法会有不完整的参数由于实验条件和环境因素。他们更适合于结构健康监测和缺乏研究在农业应用中。考虑到传感器布局优化可转化为图像压缩的特征选择和压缩传感理论的压缩效果更好,因此,本文提出一种基于压缩感知的传感器布局优化方法。由于现有的测量矩阵的结构特点在压缩感知理论中,具体的位置分布优化传感器布局不能直接获得。本文改进了现有的稀疏随机测量矩阵来确定所需的传感器数量对于一个给定的地区和每个传感器的特定位置的功能。实验结果表明,土壤水分可以测量小误差为0.91使用原始传感器数量的1/3。数据重建的结果使用原始传感器是平均水平的1/6,平均误差是1.68,适用于环境数据波动小。

1。介绍

精确灌溉和灌溉自动化是现代农业发展的必然趋势。土壤含水量的精确测量是精密灌溉和灌溉自动化的基础(1]。主要有3个土壤水分测量方法,即人工土壤采样和干燥、远程雷达遥感和收购传感器。人工土壤采样和干燥是准确的但需要手动收集土壤样本的多个位置。高成本和弱及时性(2),这种方法难以适应现代农业生产。远程雷达遥感卫星上使用微波雷达来测量土壤表面上的水。然而,测量结果太粗粒度(3)指导农业生产。土壤水分传感器可以快速、准确地测量土壤中同一点,广泛应用于精密灌溉。

当土壤湿度传感器应用于测量土壤含水量,土壤湿度传感器越埋在一个概要文件,更精确地测量土壤水分会(4]。然而,随着传感器数量的增加,生产系统的成本,也有成本和数据精度之间的矛盾。保存农业灌溉系统成本,提高状态估计的效率,提出了一种方法基于压缩传感的土壤湿度传感器的布局,旨在尽可能减少传感器的数量在准确的前提下。

压缩传感,也被称为压缩采样或稀疏采样技术寻找稀疏欠定的线性系统的解决方案。根据这一理论,如果信号是稀疏的,就可以重建和恢复从采样点远低于采样定理要求(5]。压缩传感是用于电子工程,特别是信号处理,获得和重构稀疏或可压缩的信号。该方法利用信号的稀疏。与奈奎斯特的理论相比,此方法可以恢复整个期望信号从更少的测量值。简单地说,数据压缩的过程是在抽样过程中完成。信号采样过程中,压缩传感使用一些采样点作为完整的抽样达到同样的效果。在压缩感知理论中,可以准确地重建原始信号条件下的一些测量分。基于这一特性,基于压缩感知的一种优化方法的土壤湿度传感器布局提出了。首先,传感器密集放置在农田土壤的原始土壤湿度数据,然后应用傅里叶变换的稀疏表示数据;其次,稀疏表示的数据是通过改善经营的稀疏随机测量矩阵和观测值了; finally, through the reconstruction algorithm, the reconstructed signals are obtained. Through comparison of the three kinds of sensor layout optimization strategies, it is found that 1/3 of the original number of sensors can measure the soil moisture with a minor error.

本文理论上改善现有的稀疏随机测量矩阵,提出了一种基于压缩传感的土壤湿度传感器布局优化方法。实现的功能是量化所需的传感器在一个给定的区域并将其在特定的位置。效果达到了用更少的传感器,整个农田土壤温度分布测量,有效地降低了成本,同时增加系统的信息处理的效率。

2。相关工作

在农田物联网,加强土壤质量研究保护和管理,实现耕地保护的智能管理是保证农产品的安全的关键(6]。农田灌溉领域的物联网,许多学者已经在硬件层面上解决问题。例如,冯,降低灌溉用水成本,实现了由智能节水灌溉,提高灌溉用水效率通过嵌入式控制技术(7]。刘,可能时间和cross-restriction问题,提出了农田数据收集机制来保证数据的可靠传输8]。刘、杨提出了一个网络管理项目的网络拓扑管理、位置管理、能源管理和故障管理,指节点功率的特点和处理在传感器网络能量有限,实现传感器监测网络的远程管理和有效检测农田环境的用户(9]。辛格和Saikia提出了一个基于Arduino灌溉控制系统。系统收集并通过Arduino接收数据并上传指定的交互式网站,实时土壤状态的因素和标准的价值作物所需的不同因素所示(10]。所有这些研究确保瞬时性,土壤湿度数据的准确性和可靠性的硬件水平。它减轻噪音折叠压缩传感的现象11),使压缩传感在农业传感器的优化更有效的选择。

传感器的布局优化在不同领域发挥着重要作用。在结构动力学,良好的传感器布局可以准确识别结构的模型参数和确定结构的损伤程度12]。直接运动学,传感器的位置会影响计算复杂性,位置感知的准确性和系统的可靠性(13]。在网络预警系统中,传感器的位置影响的有效性(警告14]。在热学,放置温度传感器的最优位置有助于准确、实时预测热诱导变形在一个特定的位置(15]。

传感器布局优化基于模型分析方法是一种方法论的布局策略是通过优化分析的基础上建立一个有限元模型,设置一个优化目标。传感器布局优化方法基于模型分析方法首次提出通过卡作为有效的影响方法(16];即传感器放置程序是通过最大化目标的空间独立和信号强度有限元模型。然后,Heo等人提出的动能将传感器(17]。基于EI法和柯法,吴等人提出了有效独立驱动点残留的方法,改善的空间独立和元素应变能上面的两种方法(18]。穆克吉等人应用reweighing方法取代重复函数模拟估计预期的价值和影响提出了模式分析方法为非线性不确定系统(传感器位置19]。建模错误是不可避免的引起建立有限元模型过程中与上述传感器布局优化方法和建模往往被困入局部最优。

为了避免建模错误,克劳斯等人提出了一个传感器节点位置由数据驱动的方法(20.]。Guestrin等人提出将传感器基于互信息的规则21]。徐和崔时空移动自适应噪声测量和使用各向异性高斯过程,使非参数预测对一个给定的时空现象(22]。上述方法假定空间随机过程是高斯分布;然而,在农田土壤湿度并不完全遵循高斯分布,因此,它不能很好地工作。

压缩传感技术,可以用来获取和重构稀疏信号和不依赖于数据的高斯分布。在2006年提出Donoho [23),现在,压缩传感已广泛应用于无线通信领域。压缩传感是广泛应用于传感器节点信息收集(24- - - - - -26),但很少有研究在传感器。摘要土壤水分分布看作是一个二维图像。压缩感知理论有很好的效果,证明了大量理论证明在图像压缩领域。因此,这种方法一般条件。

3所示。方法

3.1。压缩传感理论

压缩传感的信号主要包括三个步骤23:第一步是稀疏表示,将原始信号转换成一个稀疏信号在另一个维度;第二步是观测矩阵的维数降低到最小化原始信号的信息丢失;和第三步是设计一个重建算法恢复 - - - - - -维的原始信号 - - - - - -维采样信号( )。图1显示了压缩感知框架。

3.1.1。稀疏表示

基于信号稀疏分解理论, - - - - - -维离散信号实际价值 可以表示为一个线性组合的一组不相关的基地吗 。

的公式, 是基于矩阵 。如果只有非零系数 ,然后被称为稀疏信号基础矩阵 。如果信号的转换系数呈指数衰减到零的顺序排序,可压缩信号。

3.1.2。测量矩阵

假设信号 ,与长度 ,反映在一群单位向量 和测量值 是获得。这个过程可能会显示为

我们把公式(1)到公式(2),获得

的公式,测量矩阵,而 传感矩阵;两者都是矩阵 。采样信号获得的列矩阵的线性组合 。的线性组合系数对应的原始信号 。

因为测量矩阵维数 ,解决公式的过程(1)是病态的,是不可能获得原始信号直接从 。然而,随着是稀疏的,估计信号可以获得几乎完全通过已知的传感矩阵的压缩传感重建算法 ,然后是原始信号可以近似 。

以确保系数可以准确地恢复测量,确保算法是收敛的,在公式(3)必须满足限制等距离(RIP)标准5];也就是说,对矩阵的大小 和 ,如果有一个常数 ,让所有子矩阵 对于任何一个向量 和 ,也就是说,

据说来满足 - - - - - -约束等距属性( - - - - - -RIP)。

3.1.3。重建算法

当满足等距离有限产权,已知的知觉矩阵可以用来解决公式(3)通过规范。

因此,估计信号是获得。然而,由于方程的解决方案(5)是一个np难问题,文献表明,在一定条件下,最低的标准的最低标准是等价的,同样可以获得解决方案(23]。然后,方程(5)可以转化为一个优化问题的最低标准 。

原始信号然后近似 。然而,该算法求解的最低标准是缓慢的。因此,新的重建算法如OMP [27],CoSaMP [28],GOMP [29日)已经提出,取得了良好的效果。

3.2。算法流程

该算法分为三个步骤。在第一步中,土壤水分传感器获得的数据不是稀疏,所以局部傅里叶变换(交换快速傅里叶变换(啐))采用稀疏表示。第二步是优化选择方法观测矩阵的稀疏随机观测矩阵适合本研究获得的数量和最优位置传感器。第三,OMP, GOMP CoSaMP重建算法被用来重建压缩数据和与原始数据相比,它是发现OMP是更精确的计算土壤水分的分布数据。

3.2.1之上。介绍和评价的原始观测矩阵

稀疏随机观测矩阵施工方法(30.)首先生成一个 零矩阵, 在矩阵的每一列向量,随机选择位置;在选定的位置赋值1,值通常 和对重建结果影响甚微31日]。是观测值,传感器显示的数量。

当 ,的扩张矩阵乘法如下: 在哪里是一个 矩阵和是一个 矩阵。列向量选择4个1,所以每一行向量的位置可能会有很多1,和不同的行向量中的元素的行位置是不同的。结果可能与所有的元素吗 ,也就是说, 。

本文的想法是选择传感器收集数据的一部分在原始的传感器布局。也就是说,在这个矩阵 ,选择一个元素组成的一部分矩阵满足 。上述观测矩阵不能满足,需要优化观测矩阵。

3.2.2。观测矩阵的优化

稀疏随机观测矩阵是改变了两次。首先,随机选择的对象是矩阵的行向量 。第二,选择只有一个位置在每一个行向量分配1。确保优化的观测矩阵每行只有一个元素值。

构造一个稀疏随机测量矩阵的改进方法如下。首先,生成一个单位矩阵 。其次,随机选择从生成的矩阵行向量的矩阵形式 。由于单位矩阵是正交矩阵,部分单位矩阵 大小后获得行从它仍然有很强的noncorrelation和部分正交性。它满足RIP定理和确保观测矩阵不会把两个不同的稀疏数据映射到相同的集合。

当 ,改进后的测量矩阵, 对应于矩阵乘法的扩展形式如下:

,当 和 。如果元素1是在行和列,th传感器位置采样后对应的位置th传感器 。

与网格密度传感器相比,传感器选择应该基于传感器采样;观测矩阵的 ,只有一个值为1,每一行,最多每个列都有一个值为1;也就是说,传感器应该部署在元素的位置行向量的1。

4所示。实验

4.1。数据采集

土壤湿度传感器编号的先后 均匀地放置在土壤表面以下的10厘米 农田,如图2。实验数据是土壤水分值衡量所有传感器6月1日,2015年,至日,11月30日,2015。

通过数据分析,结果表明,农田土壤水分具有较强的时空差异,所以有必要部署更多传感器精确监测。

首先,农田的土壤水分数据空间的差异。图3显示了土壤湿度表面21:00 5月31日,2015年,通过双线性插值方法。水分的最大值点 32.91,最小值点吗 25.52,22.5%的差异。

其次,农田的土壤水分数据随时间。图4显示了土壤水分传感器曲线100时间点在6月1日,2015年,至日和2015年6月30日。传感器10号,最大湿度点 是34.36,最低湿度点 17.5,49.07%的差异。

4.2。评价指标

分析传感器布局优化的性能指标在不同的压缩采样条件下,绝对误差的指标是本文提供的。公式如下: 在哪里代表原始的土壤水分数据,代表了重建的土壤水分数据,代表了传感器在图的数量2,代表了土壤水分的数量数据。的单位%,这表明相对湿度值。

4.3。重建算法的选择

在这个实验中,64个传感器组成的土壤水分分布的图像相对简单;OMP, CoSaMP GOMP和其他算法适用于一个相对简单的图像选择压缩。因此,OMP, GOMP CoSaMP算法用于比较分析。

比较三种算法的重建精度(OMP, GOMP, CoSaMP)。土壤水分测量的数据中所有传感器的干土(2015年5月28日23:00)和一组灌溉土壤(2015年7月15日6点)。原始稀疏信号的数量 ,观察到的值 ,和稀疏 。观测矩阵是一个优化的稀疏随机测量矩阵。每个观测值模拟500倍的概率来确定准确的恢复。OMP, GOMP CoSaMP算法进行比较,以确定恢复数据和观测值之间的关系和稀疏在给定的稀疏。实验结果如表所示1。

的两组数据,在相同的残留误差上限和相同的观测值 ,OMP算法的平均相对误差只有3% - -9%,这比GOMP算法(5% - -11%)和CoSaMP算法(6% - -12%)。因此,三国重建算法,OMP重建算法有更好的效果。在接下来的实验中,OMP算法来重建数据。

4.4。稀疏的选择

当原始数据转化为稀疏向量通过啐,非零元素的数量稀疏向量表示的稀疏程度 。为重建算法和决定 ,错误的值不同 。土壤湿度值21点钟7月30日,2015年,条件下 , ,和 ,分别时,我们改变的价值为每个稀疏,迭代500次平均错误的错误和观察变化 。仿真结果如图所示5。

当观测值 或 和 ,平均绝对误差最小,而当 ,稀疏应该是13个,平均绝对误差降到最低。因此,在接下来的实验中,我们都采用了最优稀疏。

4.5。土壤水分空间分布的重建

土壤湿度21点钟7月30日,2015年,被选中作为实验数据。与经济重建算法,在这种情况下 + , + ,和 + ,分别使用多个迭代得到一个最小的错误来确定相应的传感器的位置。3下的位置情况如图6。

考虑三种情况下,重构效果如图7。横坐标代表64个传感器,纵坐标代表了土壤水分值。当 ,几乎预测值与实际值一致。当 ,一致性还好,结果是可以接受的。然而,当 ,预测价值大大不同于实际的价值,不能使用。

3例,平均绝对误差在所有采样时刻的分布如表所示2。

当 ,80%的采样时刻的平均绝对误差集中低于1.5,12%的采样时刻的误差在1.5和2.5之间,和8%的采样时刻的误差在2.5和3.5之间。当 ,85%的采样时刻的平均绝对误差小于1,约12%的误差是1到1.5之间,只有3%的误差是1.5以上。当 ,错误的采样时刻都在1.14以下。因此,考虑传感器安装成本之间的平衡和重建的准确性,建议部署20传感器采样点来获得更准确的土壤水分分布的重建结果。

5。评价传感器位置的有效性

它仅限于上述传感器布置优化的时刻。因此,250年的时间点从6月1日,2015年11月30日,2015年,被选中作为实验数据。的总体误差分布三种策略在不同的时间显示在图8。

在图8,相对集中分布在这三个图,证明了策略的优化传感器放置在这个实验中是有效的和可行的。大部分的在图8(一个)集中低于1.5,大约30分在1.5和2.5之间,和约20分是在2.5和3.5之间;的误差图8 (b)主要是低于1,上面几个点的误差是1;的的图8 (c)低于1.134。可以看出10个传感器是最大,20传感器和40的位置传感器是相似的。考虑传感器的成本,20个传感器可以安排来实现更精确的测量。

在图8(一个)之间,有一些错误 。选择其中两个详细的分析,得到图9。

图9第220次图吗8(一个)。误差是3.2325。效果一般,只有数据接近于原始数据的一部分。10的位置传感器难以获得的所有特性主要是由于土壤特性将发生重大变革。然而,它可以发现重建的振幅曲线是稳定的,和10个传感器的优化策略不适合环境与高精度或明显的土壤特性变化。

6。讨论

总之,安排20的总体误差传感器接近安排40传感器。考虑到成本问题,使用20个传感器可以得到一个更准确的获取土壤水分。由于明显的土壤水分的变化特征,10的位置传感器太小,导致大错误。通过观察10个传感器的数据恢复在某一时刻,发现误差很大的最大和最小值,但整体曲线波动稳定。因此,使用的方法只有10传感器适用于数据变化范围不大的情况。

7所示。结论

针对的问题不合理的农业物联网传感器位置和高成本,本文提出了一种优化策略基于压缩传感理论的传感器位置。通过分析土壤水分数据在某一时刻的优化观测矩阵,三个传感器布局得到优化策略,然后验证更多的时间点。通过实验,发现,1/3的原始传感器可用于测量土壤水分较低的错误。获得更准确的数据较少的传感器的目的是实现。20的总体误差传感器接近40传感器。考虑到成本,20个传感器可以用来获取土壤水分更准确。由于明显的土壤水分变化特征、10传感器太少,导致一个大错误。当某一时刻观测数据恢复的情况,发现错误在最大和最小值大,但整体波动曲线的稳定,这是适合小范围的数据变化情况。

使用时,水分分布的网格点可以依靠手工多个测量,不需要安装传感器。经过几次测量,传感器部署可以由本文中,只有大约1/3的传感器能达到更好的效果,所以成本相对较低。

实验的不足之处主要包括以下两个方面:(1)传感器编号在一个维度,而二维土壤水分空间相关性的影响被忽视;和(2)土壤水分数据在不同的时刻被统一设置为等于稀疏,导致大错误。这将是未来研究的重点。

数据可用性

土壤水分数据用于支持本研究的发现可以从相应的作者。

的利益冲突

作者宣称没有利益冲突有关的出版。

确认

首先,我要衷心感谢我的导师,香,对他有益的建议和对我的论文有用的建议。我非常感激他的帮助完成本文。崇高的敬意应当支付给Shuaiqi黄,其渊博的知识的传感器触发我对温室的爱和认真的态度告诉我如何做实验。我也深深感谢所有老师和其他老师在翻译研究的直接和间接帮助我。特别感谢应该去我朋友把相当多的时间和精力投入到他们的评论。最后,我感谢我的父母为他们持续的支持和鼓励。这项研究是自然科学基金支持的部分通过拨款(61601471)。