智能水分调节与环境参数物联网大数据系统

1.本发明涉及水分参数检测与调节自动化装备技术领域，具体涉及一种智能水分调节与环境参数物联网大数据系统。


背景技术：

2.随着现代生产技术的不断发展和进步，农业生产环境、农产品、建筑、工业原材料或产品中水分的含量常常会影响到工农业生产过程的控制和产品质量。比如种子的水分含量影响种子储藏和出芽率，工业润滑油等水分超标会使油品乳化，严重破坏润滑性能，促使润滑油氧化变质，使含酸油品对机件产生腐蚀，进而缩短设备的使用寿命、极有可能发生伤害事故或者重大经济损失事故；电力变压器中的绝缘油含水量的质量分数严格控制在一定标准以下；建筑材料中的水分应该控制在一定标准下，否则影响材料性能。因此，快速精确有效地测定产品中的水分是非常重要的。我国在工农业产品中水分分析方面做过大量的研究工作，并且建立了相应的国家标准或行业标准，但是规模化精确检测与调节还很缺乏。本发明通过智能化检测与调节水分含量，提高精度、增加物联网模块和支持远程控制，实现设备智能化、水分检测与调节等方面具有良好的发展前景。


技术实现要素：

3.本发明提供一种智能水分调节与环境参数物联网大数据系统，本发明有效解决了现有水分检测与调节没有根据环境参数变化的非线性、大滞后和环境面积大参数变化复杂等对水分含量的影响，没有对水分参数进行预测和对水分进行精确调节，从而极大的影响水分的精确精确、调节和智能化管理问题。
4.本发明通过以下技术方案实现：
5.环境参数物联网大数据检测和水分智能调节系统由环境与水分参数监控平台和环境参数检测与水分调节子系统两部分组成，环境与水分参数监控平台包括测节点、网关节点、现场监控端、云平台和移动端app，实现对环境与水分参数检测与管理；环境参数检测与水分调节子系统实现对环境与水分参数处理和水分调节，提高环境与水分参数检测和水分调节精确性以及可靠性。
6.本发明进一步技术改进方案是：
7.环境与水分参数监控平台包括检测环境与水分的多个检测节点、控制节点、网关节点、现场监控端、云平台和移动端app组成，检测节点、控制节点和网关节点以自组织方式构建成无线测控网络来实现检测节点、控制节点和网关节点之间的无线通信；检测节点将检测的环境与水分参数通过网关节点的rs232接口发送给现场监控端，现场监控端对环境与水分参数进行处理；控制节点控制水分调节装置并接收网关节点发送的控制信息，网关节点通过nb-iot模块与云平台之间和云平台通过5g网络与移动端app之间实现环境与水分参数的双向传输。环境与水分参数监控平台结构见图1所示。
8.本发明进一步技术改进方案是：
9.环境参数检测与水分调节子系统由lstm神经网络模型、参数检测模块、控制模块、pi控制器、aann自联想神经网络模型和水分调节装置组成，多组温度、湿度、光照度和风速传感器输出作为对应的参数检测模块输入，参数检测模块输出、aann自联想神经网络模型输出和水分设定值作为lstm神经网络模型输入，lstm神经网络模型输出与aann自联想神经网络模型输出水分等级误差和误差变化率作为控制模块输入，每个区域水分传感器输出的时间序列值作为对应的参数检测模块的输入，多个参数检测模块输出作为aann自联想神经网络模型的对应输入，控制模块输出与多个对应参数检测模块输出的误差和误差变化率作为对应的pi控制器输入，多个pi控制器输出作为对应的水分调节装置的控制量，多个pi控制器输出作为对应的水分调节装置的控制量，每个区域对应的参数检测模块和水分调节装置实现该区域水分进行检测与调节，lstm神经网络模型、控制模块和aann自联想神经网络模型实现对整个区域的水分进行精确与均衡调节，环境参数检测与水分调节子系统对每个区域水分进行单独检测与调节和整个区域进行精确与均衡调节相结合。环境参数检测与水分调节子系统结构与功能见图2所示。
10.本发明进一步技术改进方案是：
11.控制模块由pid控制器、pi控制器、参数自调整因子模糊控制器和模糊小波神经网络模型组成，被控制量误差和误差变化率分别作为控制模块的pid控制器、pi控制器和参数自调整因子模糊控制器的输入，pid控制器输出作为narx神经网络模型输入，narx神经网络模型、参数自调整因子模糊控制器和pi控制器的输出作为模糊小波神经网络模型的对应输入，模糊小波神经网络模型输出作为控制模块输出。控制模块结构与功能见图3所示。
12.本发明进一步技术改进方案是：
13.参数检测模块由narx神经网络模型、adaline神经网络模型、k-means聚类分类器、cnn卷积-lstm神经网络模型、vague集的模糊小波神经网络模型和按拍延迟线tdl组成；参数传感器感知被检测环境的时间序列参数值分别作为对应的narx神经网络模型和adaline神经网络模型的输入，narx神经网络模型与adaline神经网络模型输出的差作为被检测环境的参数波动值，多个时间序列参数波动值和多个adaline神经网络模型输出分别作为对应的k-means聚类分类器的输入，2个k-means聚类分类器输出的多个类型的时间序列参数波动值和adaline神经网络模型输出分别作为对应的cnn-递归模糊神经网络的输入，多个cnn卷积-lstm神经网络模型输出作为vague集的模糊小波神经网络模型的对应输入，vague集的模糊小波神经网络模型输出的三个参数分别为x、t和1-f，x为被检测参数的实数值，t为可信度，f为不可信度，1-f-t为不确定度，x、t和1-f构成被检测参数vague集的数值为[x，(t，1-f)]，vague集的模糊小波神经网络模型输出作为按拍延迟线tdl输入，按拍延迟线tdl输出作为参数检测模块的输出。参数检测模块结构与功能见图4所示。
[0014]
本发明与现有技术相比，具有以下明显优点：
[0015]
一、本发明针对参数测量过程中，传感器精度误差、干扰和测量异常等问题存在的不确定性和随机性，本发明专利通过参数检测模块将传感器测量的参数值转化为检测参数vague集的数值形式表示，有效地处理了传感器测量参数的模糊性、动态性和不确定性，提高了传感器检测参数的客观性和可信度。
[0016]
二、本发明lstm神经网络模型是一种在重复网络中具有4个相互作用层的循环神经网络。它不仅能够像标准循环神经网络那样从水分设定值的序列数据中提取信息，还能
够保留来自于先前较远步骤的水分设定值的长期相关性的信息，水分设定值存在长期空间和时间上的相关性，而lstm神经网络模型有足够的长期记忆来处理先前较远步骤的水分设定值之间的时空关系，提高处理先前较远步骤的水分设定值的准确性和鲁棒性。
[0017]
三、本发明用narx神经网络模型是一种通过引入参数传感器输出特征参数的延时模块及narx神经网络模型输出反馈实现来建立narx神经网络模型的动态递归网络，它是沿着参数传感器输出特征参数在时间轴方向拓展的多个时间输入特征参数和narx神经网络模型输出的序列来实现函数模拟功能的数据关联性建模思想，该方法通过一段时间内参数传感器输出特征参数和narx神经网络模型输出来建立预测输出值的组合模型，narx神经网络模型输出参数在反馈作用中被作为输入而闭循环训练提高narx神经网络模型输出的计算精确度和鲁棒性。
[0018]
四、本发明采用cnn卷积-lstm神经网络模型中，cnn卷积神经网络是一种深度前馈神经网络，其典型结构由输入层、卷积层、池化层与全连接层构成，cnn卷积神经网络是对输入数据上进行卷积和池化等操作，通过建立多个滤波器来提取数据的局部特征，得到具有平移旋转不变性的鲁棒特征。lstm神经网络是包括输入层、隐藏层和输出层，由于隐藏层的各神经单元中加入了记忆单元，可以控制时间序列上的信息被遗忘或输出，解决了rnn中梯度爆炸和梯度消失的问题，在处理长序列数据时远比rnn表现得优异，cnn卷积神经网络输出时间序列上的特征信息能够有效地被lstm神经网络提取，cnn卷积-lstm神经网络模型能够充分挖掘cnn卷积神经网络输出数据各变量间的空间特征关系，提取cnn卷积神经网络输出历史数据的时序性特征信息，致使cnn卷积-lstm神经网络模型具有较强的学习和泛化能力。
[0019]
五、本发明采用k-means对输入数据进行聚类分析，以聚类分析得到的聚类中心把输入数据进行分类分别作为对应的cnn卷积-lstm神经网络模型输入，对不同类型的输入数据采用对应的cnn卷积-lstm神经网络模型进行分别预测，提高检测和预测输入数据的精确度。
附图说明
[0020]
图1为本发明的环境与水分参数监控平台；
[0021]
图2为本发明的环境参数检测与水分调节子系统；
[0022]
图3为本发明的控制模块；
[0023]
图4为本发明的参数检测模块；
[0024]
图5为本发明的检测节点；
[0025]
图6为本发明的控制节点；
[0026]
图7为本发明的网关节点；
[0027]
图8为本发明的现场监控端软件。
具体实施方式
[0028]
结合附图1-8，对本发明技术方案作进一步描述：
[0029]
一、系统总体功能的设计
[0030]
本发明实现对环境与水分参数进行检测和水分进行调节，该系统由环境与水分参
gate)。其中，输入门能控制lstm神经网络模型输入新信息的加入或滤出；遗忘门能忘记需要丢掉的lstm神经网络模型输入信息以及保留过去有用的信息；输出门能使记忆单元只输出与当前时间步相关的lstm神经网络模型输入信息。这3个门结构在记忆单元中进行矩阵乘法和非线性求和等运算，使得记忆在不断的迭代中仍然不会衰减。长短期记忆单元(lstm)结构单元由单元(cell)，输入门(input gate)，输出门(output gate)和忘记门(forget gate)组成。lstm神经网络模型是可以持续较长时间短期记忆模型适合用预测时间序列lstm神经网络模型输入量的变化，lstm神经网络网络模型有效防止了rnn训练时的梯度消失，长短期记忆(lstm)网络是一种特殊的rnn。lstm神经网络模型可以学习长期的检测lstm神经网络模型输入依赖信息，同时避免梯度消失问题。lstm在神经元内部结构rnn的隐藏层的神经节点中增加了一种被称为记忆单元(memory cell)的结构用来记忆过去的lstm神经网络模型输入的动态变化信息，并增加了三种门(input、forget、output)结构来控制lstm神经网络模型输入历史信息的使用。设输入为检测lstm神经网络模型输入量的时间序列值为(x1，x2，
…
，x
t
)，隐含层状态为(h1，h2，
…
，h
t
)，则t时刻有：
[0041]it
＝sigmoid(w
hiht-1
w
xi
x
t
)
ꢀꢀꢀ
(1)
[0042]ft
＝sigmoid(w
hfht-1
w
hf
x
t
)
ꢀꢀꢀ
(2)
[0043]ct
＝f
t
⊙ct-1
i
t
⊙
tanh(w
hcht-1
w
xc
x
t
)
ꢀꢀꢀ
(3)
[0044]ot
＝sigmoid(w
hoht-1
w
hx
x
t
w
coct
)
ꢀꢀꢀ
(4)
[0045]ht
＝o
t
⊙
tanh(c
t
)
ꢀꢀꢀ
(5)
[0046]
其中i
t
、f
t
、o
t
代表input门、forget门和output门，c
t
代表cell单元，wh代表递归连接的权重，w
x
代表输入层到隐含层的权重，sigmoid与tanh为两种激活函数，lstm神经网络模型输出为被检测区域水分等级非线性值。
[0047]
2、控制模块设计
[0048]
lstm神经网络模型输出与aann自联想神经网络模型输出水分等级误差和误差变化率作为控制模块输入；控制模块由pid控制器、pi控制器、参数自调整因子模糊控制器和模糊小波神经网络模型组成，被控制量误差和误差变化率分别作为控制模块的pid控制器、pi控制器和参数自调整因子模糊控制器的输入，pid控制器输出作为narx神经网络模型输入，narx神经网络模型、参数自调整因子模糊控制器和pi控制器的输出作为模糊小波神经网络模型的对应输入，模糊小波神经网络模型输出作为控制模块输出。
[0049]
(1)、参数自调整因子模糊控制器设计
[0050]
参数自调整因子模糊控制器由模糊控制和积分作用两部分并联组成，通过采用自调整因子来改变模糊控制器控制规则，使用更优的控制规则来进行控制，通过对自调整因子的调节从而提高模糊控制器的性能，当水分等级误差较大时，控制系统的主要任务是消除误差，这时使自调整因子取较大值尽快消除水分等级误差的存在；当误差比较小的时候，系统已经接近稳态，主要控制因素是使系统尽快稳定，系统的上升速度加快，为减小系统的超调，应突出对水分等级误差变化的控制作用，自调整因子应选取较小值；当系统响应接近期望值时，由于此时误差及其变化都较小，二者可取相同的权重。
[0051]
(2)、模糊小波网络模型(fuzzy wavelet network，fwnn)，这种基于fwnn具备很好的智能性、鲁棒性、稳定性和指标跟踪快速性，模糊小波神经网络包含两部分：模糊神经网络(fnn)和小波神经网络(wnn)。模糊神经网络包含4个基本层：第一层是输入层，每个输入
向量对应一个神经元；第二层的每个神经元代表一个语言变量值；第三层的每个神经元代表一条模糊规则；第四层是归一化层。同时，模糊神经网络的输入作为小波神经网络的输入，每一条模糊规则对应一个小波网络。小波基函数是由小波函数经过平移得到的小波基组，因此，不同尺度函数产生的小波神经网络能够捕捉不同时域和频域的特征，不同的模糊推理选择相应的小波网络。小波具有多分辨分析的特点，若用小波函数作为神经网络神经元的激励函数，则由于每个神经元的伸缩和平移都可以调节，选用低尺度参数可以学习光滑函数，提高尺度能以较高精度学习局部奇异函数，比相同神经元数和参数的ann精度高。本专利的模糊小波网络由输入、模糊化、推理、小波网络层和解模糊层5个基本层实现，各层神经网络节点数目分别是n，n
×
m，m，m和3。一旦决定了输入n和规则m的数目，就决定了fwnn模型的结构。其中模糊小波神经网络的输入为x＝[x1，x2，
…
xn]，ti是第i个规则对应的小波数量；w
ik
是权值系数；是小波函数，是规则i对应的局部模型小波网络线性组合的输出值是：
[0052][0053]
第一层为输入层：该层的各个节点直接与输入向量的各分量xj连接，将输入值x＝[x1，x2，
…
xn]传递到下一层；第二层计算每一个输入变量对应的隶属函数值；第三层计算每条规则的适用度；第四层是小波网络层输出，主要用于输出补偿；第五层为控制信号输出层，也称反模糊化层，在这一层进行解模糊计算。
[0054]
3、aann自联想神经网络模型设计
[0055]
参数检测模块输出、aann自联想神经网络模型输出和水分设定值作为lstm神经网络模型输入，lstm神经网络模型输出与aann自联想神经网络模型输出水分等级误差和误差变化率作为控制模块输入，每个区域水分传感器输出的时间序列值作为对应的参数检测模块的输入；aann自联想神经网络模型是一种特殊结构的前馈自联想自联想神经网(auto-associative neural networ，aann)，aann自联想神经网络模型结构包括一个输入层、一定数量的隐含层和一个输出层。首先通过输入参数的输入层、映射层以及瓶颈层实现了输入数据信息的压缩，从输入参数的高维参数空间中提取了反映输入参数系统结构的最具代表性的低维子空间，同时有效地滤去了输入参数数据中的噪声和测量误差，再通过瓶颈层、解映射层和输出层实现输入参数的解压缩，将前面压缩的信息还原到各个参数值，从而实现各输入参数数据的重构。为了达到输入参数信息压缩的目的，aann自联想神经网络络模型瓶颈层节点数目明显小于输入层，又为了防止形成输入参数的输入与输出层之间的简单单一映射，除了输出层激励函数采用线形函数外，其它各层均采用非线形的激励函数。从本质来讲，aann自联想神经网络模型的隐含层第一层叫作映射层，映射层的节点传递函数可能是s型函数也可能是其他类似的非线性函数；隐含层第二层叫做瓶颈层，瓶颈层的维数是网络中最小的，它的传递函数可能是线性的或者是非线性，瓶颈层避免了那种很容易实现的一对一的输出和输入相等的映射关系，它使网络对输入参数信号进行编码和压缩得到输入数据的相关模型，并在瓶颈层后进行输入参数解码和解压缩以产生输入参数信号的估计值；隐含层第三层或最后一层叫做解映射层，解映射层的节点传递函数是通常是非线性的s型函数，自联想神经网用误差反向传播算法来训练。
[0056]
4、参数检测模块设计
[0057]
参数检测模块由narx神经网络模型、adaline神经网络模型、k-means聚类分类器、cnn卷积-lstm神经网络模型、vague集的模糊小波神经网络模型和按拍延迟线tdl组成；
[0058]
(1)、narx神经网络模型设计
[0059]
参数传感器感知被检测环境的时间序列参数值分别作为对应的narx神经网络模型和adaline神经网络模型的输入，narx神经网络模型与adaline神经网络模型输出的差作为被检测环境的参数波动值；narx神经网络模型是一种带输出反馈连接的动态递归神经网络，在拓扑连接关系上可等效为有输入时延的bp神经网络加上输出到输入的时延反馈连接，其结构由输入层、时延层、隐层和输出层构成，其中输入层节点用于信号输入，时延层节点用于输入信号和输出反馈信号的时间延迟，隐层节点利用激活函数对时延后的信号做非线性运算，输出层节点则用于将隐层输出做线性加权获得最终网络输出。narx神经网络模型第i个隐层节点的输出hi为：
[0060][0061]
narx神经网络第j个输出层节点输出oj为：
[0062][0063]
(2)、adaline神经网络模型设计
[0064]
参数传感器感知被检测环境的时间序列参数值分别作为对应的narx神经网络模型和adaline神经网络模型的输入，narx神经网络模型与adaline神经网络模型输出的差作为被检测环境的参数波动值；adaline神经网络模型的自适应线性单元(adaptive linear element)是早期的神经网络模型之一，该模型的输入信号可写成向量的形式：x(k)＝[x0(k)，x1(k)，
…
xn(k)]
t
，每一组输入信号对应有一组权值向量相对应表示为：w(k)＝[k0(k)，k1(k)，
…
k(k)]，x0(k)等于负1时是adaline神经网络模型的偏置值决定神经元的兴奋或抑制状态，可根据adaline神经网络模型的输入向量和权值向量定义网络输出为：
[0065][0066]
在adaline神经网络模型中，有一特殊输入即理想响应输出d(k)，把它送入adaline神经网络模型中，然后通过网络的输出y(k)进行比较，将差值送到学习算法机制中，以调整权向量直到获得最佳权向量，y(k)与d(k)趋向一致，权向量的调整过程即为网络的学习过程，学习算法是学习过程的核心部分，adaline神经网络模型的权值优化搜索算法采用lms算法最小二乘法，adaline神经网络模型输出被检测参数的线性值。
[0067]
(3)、k-means聚类分类器设计
[0068]
多个时间序列参数波动值和多个adaline神经网络模型输出分别作为对应的k-means聚类分类器的输入，2个k-means聚类分类器输出的多个类型的时间序列参数波动值和adaline神经网络模型输出分别作为对应的cnn卷积-lstm神经网络模型的输入；k-means聚类算法核心思想将n个数据对象划分为k个类，并且使每类中的所有数据对象到该类的聚类中心点的平方和最小，但其聚类时间比较长，为实现对数据的快速聚类，保留k-means聚类分类器的效率同时将k-means聚类分类器的应用范围扩大到离散数据，其k-means聚类分
类器的计算过程如下：
[0069]
(a)从整个样本x中，令i＝1，在x中随机挑选k个数据对象作为初始聚类中心mj(i)，其中j＝1，2，
…
，k。
[0070]
(b)设d(i，j)代表k个聚类中心mj(i)与大数据样本x中每个对象xi之间的距离，即为：
[0071][0072]
利用式(10)寻找d(i，j)的所有(i，j)取值对应的欧式距离中最小的欧式距离d，在聚类中心mj(i)相同的簇sj中存储对象xi。设mj(i 1)代表新聚类中心点，其计算式为：
[0073][0074]
公式(11)中nj代表数据对象在第j个类中的数目。
[0075]
(c)设置判断准则，判断是否满足准则，如果满足则进行下一步，如果不满足则转到步骤(b)中。
[0076]
(d)输出大数据的聚类结果，通常情况下利用判断准则对是否终止循环进行确定，即当第1次迭代和第1-1次迭代获得的划分结果相同时，认为划分合理，结束迭代。
[0077]
(4)、cnn卷积-lstm神经网络模型设计
[0078]
2个k-means聚类分类器输出的多个类型的时间序列参数波动值和adaline神经网络模型输出分别作为对应的cnn卷积-lstm神经网络模型的输入；cnn卷积-lstm神经网络模型为cnn卷积神经网络的输出作为lstm神经网络模型的输入，cnn卷积神经网络模型能够直接从大量的时间序列输入参数信息中自动挖掘提取出表征时间序列输入参数信息的敏感空间特征，cnn卷积神经网络模型结构主要包括4个部分：
①
输入层(input)。输入层即为cnn卷积神经网络模型的输入，一般将时间序列参数直接输入。
②
卷积层(conv)。由于输入层数据维度较大，cnn卷积神经网络模型难以直接全面感知所有时间序列输入参数信息，需要将输入数据分为若干部分进行局部感知，再通过权值共享得到全局信息，同时降低cnn卷积神经网络模型结构的复杂度，这一过程即卷积层的主要功能，具体流程是利用特定尺寸的卷积核以固定步长对时间序列输入参数信号进行遍历和卷积运算，从而实现对时间序列输入参数信号敏感特征的挖掘与提取。
③
池化层(pool，又称降采样层)。由于卷积操作之后所得的数据样本维度依旧很大，需要压缩数据量并提取关键信息来避免模型训练时间过长及出现过拟合，因此，在卷积层后接一个池化层来降低维度。考虑到缺陷特征的峰值特性，采用最大值池化法进行降采样。
④
、全连接层。经过所有的卷积运算和池化操作后，时间序列输入参数特征提取进入到全连接层，该层中的每个神经层与其前一层的所有神经元进行全连接，将卷积层和池化层提取到的时间序列输入参数值的局部特征信息进行整合。同时，为避免过拟合现象，在该层中加入丢失数据(dropout)技术，经过最后一层全连接层的输出值会传递到输出层，将最后一层的池化结果按照首尾相连的方式连接在一起形成输出层并作为lstm神经网络模型的输入，lstm神经网络模型参照本专利的步骤1中lstm神经网络模型的设计过程。
[0079]
(5)、vague集的模糊小波神经网络模型设计
[0080]
多个cnn卷积-lstm神经网络模型输出作为vague集的模糊小波神经网络模型的对
应输入，vague集的模糊小波神经网络模型输出的三个参数分别为x、t和1-f，x为被检测参数的实数值，t为可信度，f为不可信度，1-f-t为不确定度，x、t和1-f构成被检测参数vague集的数值为[x，(t，1-f)]，vague集的模糊小波神经网络模型输出作为按拍延迟线tdl输入，按拍延迟线tdl输出作为参数检测模块的输出。本专利应用模糊神经网络进行模糊推理，并结合小波的多分辨分析的特点，将小波函数作为神经网络神经元的激励函数，构建vague集的模糊小波网络(fuzzy wavelet network，fwnn)。这种基于fwnn具备很好的智能性、鲁棒性、稳定性和指标跟踪快速性，vague集的模糊小波神经网络包含两部分：模糊神经网络(fnn)和小波神经网络(wnn)。vague集的模糊神经网络包含4个基本层：第一层是输入层，每个输入向量对应一个神经元；第二层的每个神经元代表一个语言变量值；第三层的每个神经元代表一条模糊规则；第四层是归一化层。同时，模糊神经网络的输入作为小波神经网络的输入，每一条模糊规则对应一个小波网络。小波基函数是由小波函数经过平移得到的小波基组，因此，不同尺度函数产生的小波神经网络能够捕捉不同时域和频域的特征，不同的模糊推理选择相应的小波网络。小波具有多分辨分析的特点，若用小波函数作为神经网络神经元的激励函数，则由于每个神经元的伸缩和平移都可以调节，选用低尺度参数可以学习光滑函数，提高尺度能以较高精度学习局部奇异函数，比相同神经元数和参数的ann精度高。本专利的模糊小波网络由输入、模糊化、推理、小波网络层和解模糊层5个基本层实现，各层神经网络节点数目分别是n，n
×
m，m，m和3。一旦决定了输入n和规则m的数目，就决定了fwnn模型的结构。其中vague集的模糊小波神经网络的输入为x＝[x1，x2，
…
xn]，ti是第i个规则对应的小波数量；w
ik
是权值系数；是小波函数，是规则i对应的局部模型小波网络线性组合的输出值是：
[0081][0082]
第一层为输入层：该层的各个节点直接与输入向量的各分量xj连接，将输入值x＝[x1，x2，
…
xn]传递到下一层；第二层计算每一个输入变量对应的隶属函数值；第三层计算每条规则的适用度；第四层是小波网络层输出，主要用于输出补偿；第五层为控制信号输出层，也称反模糊化层，在这一层进行解模糊计算，vague集的模糊小波神经网络模型输出的三个参数分别为x、t和1-f，x为被检测风速的实数值，t为可信度，1-f-t为不确定度，f为不可信度，x、t和1-f构成被检测风速的vague集的数值为[x，(t，1-f)]；
[0083]
六、环境与水分参数监控平台的设计举例
[0084]
根据环境与水分大数据检测和水分调节系统的实际状况，系统布置了环境与水分参数采集与水分监控平台的检测节点、控制节点、网关节点和现场监控端的平面布置安装图，其中检测节点的传感器根据检测的需要均衡布置在被检测环境的各个方位，通过该系统实现对被检测环境参数和水分参数的处理与控制。
[0085]
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。