[发明专利]基于机器学习的农业自动化嵌入式集成系统及其工作方法

权利要求书

1.一种农业自动化嵌入式集成系统，其特征在于，包括：

采集系统和决策系统，其中

采集系统将采集的农作物生长环境数据发送至决策系统；

所述决策系统通过机器学习算法得到适合农作物生长的决策指令。

2.根据权利要求1所述的农业自动化嵌入式集成系统，其特征在于，

所述农业自动化嵌入式集成系统还包括：与决策系统相连的用户终端，以及由决策系统发出的决策指令控制的农作物生长环境调节系统。

3.根据权利要求2所述的农业自动化嵌入式集成系统，其特征在于，

所述采集系统包括：空气温度传感器，空气湿度传感器，土壤温度传感器，土壤湿度传感器，光照度传感器；以及

上述各传感器采集的相应农作物生长环境数据通过IIC通讯方式发送至决策系统。

4.根据权利要求3所述的农业自动化嵌入式集成系统，其特征在于，

所述农作物生长环境数据包括：空气温度数据，空气湿度数据，土壤温度数据，土壤湿度数据，光照度数据；

将上述数据结合日期数据作为机器学习算法中的6维特征样本；

通过按误差逆传播算法训练的多层前馈网络对输入的6维特征样本进行训练，并将得到决策指令并传递给农作物生长环境调节系统。

5.根据权利要求4所述的农业自动化嵌入式集成系统，其特征在于，

通过多层前馈网络对输入的6维特征样本进行训练，即

训练数据归一化，将所有训练数据按照维度归一化方差为1；

将归一化后的数据输入到隐含层，设定隐含层节点i和输出层节点j，且两层相应节点之间的权值为w_ij；节点j的阀值为b_j，两层节点的输出值分别对应x_i和x_j，且输出层节点的输出值是根据上层所有节点的输出值、当前节点与上一层所有节点的权值和当前节点的阀值及激活函数以实现，即其中f表示激活函数；m为表示隐含层节点i的数量；

根据梯度下降法，对隐含层和输出层之间的权值和阀值调整如下：

wij=wij-η1*∂(w,b)∂wij=wij-η1*δij*xi;]]>

bj=bj-η2*∂(w,b)∂bj=bj-η2*δij;]]>

上式中η₁为隐含层与输出层之间对应的动量因子，δ_ij是隐含层中第i个节点和输出层第j个节点之间的调整量；以及

对于输入层和隐含层之间的权值和阈值调整如下：

wki=wki-η1*∂(w,b)∂wki=wki-η1*δki*xk;]]>

bi=bi-η2*∂(w,b)∂bi=bi-η2*δki;]]>

上式中η₂为输入层与隐含层之间动量因子，δ_ki和w_ki分别是输入层第k个节点和隐含层第i个节点之间的调整量和权值，x_k是输入层k节点的输出，b_i是隐含层i节点的阈值。