江 蘇 農(nóng)業(yè)學報 Jiangsu J of Agr Sci 2021 37 4 854 860 http jsnyxb jaas ac cn 趙 睿 程 鑫 徐 曉 輝 等 基于 PSO SV 模型的溫室病害預(yù)警防治系統(tǒng) J 江蘇農(nóng)業(yè)學報 2021 37 4 854 860 doi 10 3969 j issn 1000 4440 2021 04 006 基 于 PSO SV 模型的溫室病害預(yù)警防治系統(tǒng) 趙 睿 程 鑫 徐 曉 輝 宋 濤 孫圓龍 河北工業(yè)大學電子信息工程學院 天津 300401 收 稿 日期 2020 12 15 基金項目 河北省重點研發(fā)計劃項目 19227212D 20327201D 石家 莊市重點研發(fā)計劃項目 191490144A 191130154A 作者簡介 趙 睿 1995 女 河北邢臺人 碩士研究生 研究方向 為電子技術(shù)與智能系統(tǒng) E mail Zhao ruiGZ 163 com 通訊作者 徐曉輝 E mail xxh hebut edu cn 摘 要 為了解決溫室植 物病害預(yù)警 防治不及時的問題 設(shè)計了一種基于粒子群優(yōu)化的支持向量機 PSO SV 模型的溫室物聯(lián)網(wǎng)預(yù)警系統(tǒng) 系統(tǒng)通過對觀測數(shù)據(jù)進行分析訓(xùn)練 進而建立起植物病害預(yù)警模型 根據(jù)預(yù)測 結(jié)果 結(jié)合易產(chǎn)生黃瓜病害的環(huán)境參數(shù)范圍選擇是否向用戶發(fā)出預(yù)警警報 利用溫室物聯(lián)網(wǎng)控制技術(shù)實現(xiàn)對植物 病害的生態(tài)防治 同時系統(tǒng)可以向搭載 Android 平臺的設(shè)備發(fā)送提醒消息 并可以進行遠程監(jiān)控 該系統(tǒng)利用 Wi Fi 技術(shù)將傳感器系統(tǒng)和嵌入式設(shè)備組成星型網(wǎng)絡(luò) 根據(jù)傳感器返回的有效環(huán)境參數(shù)數(shù)據(jù) 通過 PSO SV 模型對溫 室溫度 濕度參數(shù)進行預(yù)測 預(yù)測準確率分別為 97 6 96 8 可以用作理論指導(dǎo) 測試結(jié)果表明 該系統(tǒng)響應(yīng)時 間短 運行穩(wěn)定 可有效地監(jiān)測并預(yù)測溫室環(huán)境參數(shù) 對于植物病害的防治有較好的實際作用 關(guān)鍵詞 PSO SV 模型 BF 核函數(shù) 參數(shù)預(yù)測 預(yù)警模型 中圖分類號 S126 文獻標識碼 A 文章編號 1000 4440 2021 04 0854 07 Early warning and prevention system for plant diseases in the greenhouse based on particle swarm optimization support vector regression PSO SV model ZHAO ui CHENG Xin XU Xiao hui SONG Tao SUN Yuan long School of Electronic and Information Engineering Hebei University of Technology Tianjin 300401 China Abstract To solve the problems of lags in early warning and plant diseases prevention in the greenhouse an early warning system of internet of things in the greenhouse based on particle swarm optimization support vector machine PSO SV model was designed Early warning model of plant diseases was established by the system through analyzing and training of the observed data According to the predicted results and the scope of environmental parameters which were easy to cause cucumber diseases the system could select whether to send early warnings to the users or not by control technology for internet of things in the greenhouse to realize ecological control of the plant diseases At the same time the system could send reminding messages to devices equipped with the Android platform and could perform remote monitoring and control The system used Wi Fi technology to form the star network with the sensor system and the embedded device According to the effective environmental parameter data returned by the sensor the PSO SV model was used to predict the greenhouse temperature and humidity and the prediction accuracies were 97 6 and 96 8 respectively which could be used as theo retical direction Test results showed that the system responses with small time and is stable in operation and can monitor and predict greenhouse environmental parameters effectively which has a good practical effect on the prevention and control of plant diseases Key words particle swarm optimization support vector regression PSO SV model BF kernel function parameter prediction early warning model 溫 室 作為我國設(shè)施農(nóng)業(yè)的主要應(yīng)用場所 被廣 泛應(yīng)用于果蔬 花卉等農(nóng)作物的生產(chǎn)中 建設(shè)現(xiàn)代 458 化溫室的主要目的是實現(xiàn)不同季節(jié)農(nóng)產(chǎn)品的持續(xù)供 應(yīng) 對 于 溫室環(huán)境的監(jiān)測與控制一直是研究重點之 一 1 目 前 現(xiàn)代化溫室主要利用物聯(lián)網(wǎng)技術(shù)實現(xiàn)對環(huán) 境的監(jiān)測 國外已經(jīng)實現(xiàn)連棟式現(xiàn)代化大型溫室 如 日本農(nóng)戶可以通過 NEC 日立等公司研發(fā)的物聯(lián)網(wǎng)技 術(shù) 在家中的電腦或手機上實現(xiàn)溫室環(huán)境數(shù)據(jù)監(jiān)測和 控制 2 3 國 內(nèi) 對于溫室物聯(lián)網(wǎng)的研究也趨于成熟 楊文奇等 4 研發(fā)了一種溫室物聯(lián)網(wǎng)實時 監(jiān) 測系統(tǒng) 可 以監(jiān)控溫室環(huán)境因子 朱均超等 5 建 立 了基于物聯(lián) 網(wǎng)的大棚遠程檢測系統(tǒng) 可以對農(nóng)業(yè)大棚的環(huán)境參數(shù) 進行遠程監(jiān)測 綜上所述 目前中國的溫室物聯(lián)網(wǎng)已 經(jīng)具備了對環(huán)境的實時 遠程監(jiān)控功能 但是目前我國對于環(huán)境參數(shù)的利用還多停留在 監(jiān)測階段 不能為生產(chǎn)環(huán)境的變化提供指導(dǎo) 6 對 于預(yù)警方法也多停留在根據(jù)當前溫室環(huán)境參數(shù)發(fā)出 警 報 階段 這樣的預(yù)警方式不僅效率低 而且不夠 智能化 7 許多 學者在溫室內(nèi)部環(huán)境參數(shù)的預(yù)測 方面取得了一定進展 并且應(yīng)用到了預(yù)警方法 中 8 10 本研究在已有溫室 環(huán)境參數(shù)的實時 監(jiān)測基 礎(chǔ)上 增加環(huán)境參數(shù)預(yù)測功能 利用粒子群優(yōu)化的支 持向量機 PSO SV 模型建立預(yù)警方法 并利用物 聯(lián)網(wǎng)技術(shù)實現(xiàn)自動化生態(tài)防治 1 系統(tǒng)組成和工作原理 1 1 總 體 設(shè)計 本系統(tǒng)主要利用溫室物聯(lián)網(wǎng)技術(shù) 11 12 系 統(tǒng) 的 總體設(shè)計如圖 1 所示 GP S 通用無線分組業(yè)務(wù) 圖 1 預(yù) 警 系統(tǒng)設(shè)計 Fig 1 Design of early warning system 系統(tǒng)通過在農(nóng)業(yè)設(shè)施現(xiàn)場布置的環(huán)境數(shù)據(jù)采集 節(jié)點收集環(huán)境數(shù)據(jù) 通過網(wǎng)關(guān)傳給遠程嵌入式設(shè)備 搭 載 Android 的嵌入式設(shè)備通過 PSO SV 模型進行 溫濕度預(yù)測 當溫濕度達到閾值時發(fā)出預(yù)警警報并 558趙 睿 等 基 于 PSO SV 模型的溫室病害預(yù)警防治系統(tǒng) 將信息傳遞至移動設(shè)備 系統(tǒng)同時可以進行自動溫 濕 度 調(diào)控 在發(fā)出預(yù)警警報后 可自動進行升溫除 濕 也可以選擇關(guān)閉該功能 對其進行手動控制 1 2 數(shù)據(jù)采集節(jié)點 數(shù)據(jù)采集節(jié)點框圖如圖 2 所示 圖 2 數(shù) 據(jù) 采集節(jié)點框圖 Fig 2 Block diagram of data acquisition node 數(shù)據(jù)采集節(jié)點處理 器 采用 STC8A8K64S4A12 芯片 Wi Fi 模塊選用低功耗 體積小 穩(wěn)定性高的 US C215 模塊 支持 802 11 b g n標準 傳輸距離 為 200 300 m 空氣溫度傳感器選用 DS18B20 模塊 測量范圍 為 55 125 測量精準度為 0 5 空氣濕度傳 感器選用 DHT11 模塊 測量范圍為 20 95 測量 精準度為 5 土壤溫濕度傳感器選用 ZZ S GTH C 模塊 測量精準度分別為 0 5 3 0 光照度傳感 器選用 BH1750FVI 模塊 測量范圍為 0 65 535 lx CO 2 體積比傳感器選用 MG811 模 塊 測 量范圍為 0 10 000 l L 1 3 數(shù)據(jù)去噪 在溫室環(huán)境中 環(huán)境參數(shù)傳感器內(nèi)部損壞 電源 波動 電路噪聲等原因 可能會導(dǎo)致其輸出信號發(fā)生 變化 產(chǎn)生不準確的輸出 本系統(tǒng)采用一種基于 Greubbs 檢驗的均值法 降低噪聲干擾 圖 3 1 4 通信方式 整個系統(tǒng)的通信可以分為 2 個部分 以嵌入式 設(shè)備為分界點 上層嵌入式設(shè)備 云服務(wù)中心 移動 設(shè)備為基于 HTTP 協(xié)議的 B S 通信方式 嵌入式設(shè) 備和下位機之間為基于 SOCKET TCP 的 C S 通信 方式 13 14 2 溫 室 預(yù)警方法 2 1 PSO SV 模 型 SV 是使用 SVM Support vector machine 支持 圖 3 數(shù) 據(jù) 去噪流程圖 Fig 3 Flow chart of data denoising 向 量 機 擬合曲線的一種方法 15 常 用 作回歸分 析 具有小樣本 非線性 高維模式識別等特點 16 PSO 屬 于 群體優(yōu)化算法 PSO 算法流程如圖 4 所 示 圖 4 PSO 算 法 流程 Fig 4 Flow chart of particle swarm optimization PSO algo rithm 使 用 PSO 算法對 SV 的懲罰參數(shù) c 和核函數(shù) 參數(shù) g 進行尋優(yōu) 提高模型的魯棒性 降低訓(xùn)練的復(fù) 雜度 PSO SV 模型的建立流程如圖 5 所示 658 江 蘇 農(nóng) 業(yè) 學 報 2021 年 第 37 卷 第 4 期 圖 5 PSO SV 模 型 建立流程 Fig 5 Flow chart of particle swarm optimization support vec tor regression PSO SV model establishment 2 2 PSO SV 模型的輸入與預(yù)處理 模 型 的輸入采用滑動窗口模型 如圖 6 所示 將數(shù)據(jù)按照時間序列形成數(shù)據(jù)流 滑動窗口模型的 核心是保持窗口尺寸不變 窗口內(nèi)的時間序列數(shù)據(jù) 為參與的自變量 窗口右側(cè)始終為預(yù)測值 通過試 驗 選取窗口長度為 4 圖 6 滑 動 窗口模型 Fig 6 Sliding window model 滑 動 窗口模型將數(shù)據(jù)標準化后 再使用 min max 方法進行歸一化處理 其表達式為 x x min x max x min x 2 3 PSO SV 模 型 的訓(xùn)練 測試及分析 對天津市某黃瓜溫室 2019 年 10 月 1 日至 2019 年 10 月 31 日的溫濕度數(shù)據(jù)進行訓(xùn)練研究 分為 427 組訓(xùn)練數(shù)據(jù)和 44 組測試數(shù)據(jù) 訓(xùn)練數(shù)據(jù)為每日 中 2 h 數(shù)據(jù) 具體數(shù)據(jù)如圖 7 圖 8 所示 PSO 利用 Matlab 環(huán)境下的 Libsvm FarutoUlti mate 工具包 設(shè)置局部搜索能力 c 1 1 5 全 局 搜索 能力 c 2 1 7 慣 性 權(quán)重因子 w 1 最大種群數(shù)量 siz epop 20 和最大進化數(shù)量 maxgen 200 尋優(yōu)得到 如下結(jié)果 c 32 g 0 93 圖 7 溫 度 訓(xùn)練數(shù)據(jù) Fig 7 Temperature training data 圖 8 濕 度 訓(xùn)練數(shù)據(jù) Fig 8 Humidity training data SV 模型使用的是臺灣林智仁 Chih Jen Lin 教 授 等開發(fā)的軟件包 LIBSVM 需要設(shè)置的參數(shù)除 了經(jīng)過 PSO 尋優(yōu)得到的懲罰參數(shù) c 核函數(shù)參數(shù) g 還有核函數(shù)類型 核函數(shù)的數(shù)學表達式如表 1 所示 表 1 核函數(shù)的數(shù)學表達式 Table 1 Mathematical expressions of kernel functions 核 函 數(shù)名稱 數(shù)學表達式 線 性 核函數(shù) Linear K x y x y 多 項 式核函數(shù) Polynomial K x y x y 1 d 徑 向 基函數(shù) BF K x y exp x y 2 2 激 活 函數(shù) Sigmoid K x y tan h v x y c 分 別 使用 4 種核函數(shù)進行試驗 將訓(xùn)練和測試 后的準確性指標 MSE Mean squared error 均方誤 差 和 2 Squared correlation coefficient 決 定 系數(shù) 的平均值進行對比 結(jié)果如表 2 所示 經(jīng)過對比可以看出 選用 BF 核函數(shù)時 模型 效果最好 擬合度最高 通過分析測試值和實際值 可知 溫度平均相對誤差為 2 4 濕度平均相對誤 差為 3 2 預(yù)測準確率分別為 97 6 和 96 8 測試值和實際值的曲線對比如圖 9 圖 10 所示 758趙 睿 等 基 于 PSO SV 模型的溫室病害預(yù)警防治系統(tǒng) 表 2 不 同 核函數(shù)試驗結(jié)果對比 Table 2 Comparison of test results of different kernel functions 核函數(shù)類型 溫 度 MSE 2 濕 度 MSE 2 線 性 核函數(shù) Linear 0 15 0 95 0 17 0 93 多 項 式核 Polynomial 1 85 0 84 1 33 0 87 徑向基函數(shù)核 BF 0 12 0 99 0 14 0 98 激活函數(shù) Sigmoid 0 29 0 94 0 27 0 92 MSE 均 方 誤差 2 決 定 系數(shù) 1 45 組 別 圖 9 溫 度測試結(jié)果曲線對比 Fig 9 Curve comparison of temperature test results 1 45 組 別 圖 10 濕 度測試結(jié)果曲線對比 Fig 10 Curve comparison of humidity test results 2 4 溫室環(huán)境預(yù)警方法 結(jié) 合 韓振榮 17 的 研 究結(jié)果 建立了溫室黃瓜霜 霉病 角斑病 白粉病 3 種病害的溫濕度預(yù)警模型 警報分為黃色警報 橙色警報和紅色警報 表 3 系統(tǒng)每 30 min 收集 1 次環(huán)境參數(shù)數(shù)據(jù) 若當前 環(huán)境參數(shù)和預(yù)測環(huán)境參數(shù)均達到預(yù)警模型閾值 則 發(fā)出相應(yīng)的預(yù)警提醒 通知用戶及早對病態(tài)植株進 行隔離或者治療 在警報為橙色或紅色時系統(tǒng)作出 相應(yīng)的自動控制決策 白天升溫至 25 30 夜間 除濕至 35 40 將環(huán)境條件控制在適宜病害發(fā) 生的范圍之外 做到生態(tài)防治 預(yù)警方法流程如圖 11 所示 表 3 黃瓜病害環(huán)境參數(shù)預(yù)警模型 Table 3 Early warning model of environmental parameters of cu cumber diseases 病 害 種 類 警報等級 黃 色 警報 橙色警報 紅色警報 霜 霉 病 空氣溫度 15 20 空氣溫度 20 25 空氣溫度 20 25 空 氣 濕度 85 空氣濕度 60 85 空氣濕度 85 角斑病 空氣溫度 15 25 空氣溫度 15 25 空氣溫度 15 25 空氣濕度 75 空氣濕度 75 90 空氣濕度 90 白粉病 空氣溫度 16 24 空氣溫度 16 24 空氣溫度 16 24 空氣濕度 40 空氣溫度 40 60 空氣濕度 60 75 圖 11 溫室環(huán)境參數(shù)預(yù) 警 方法流程 Fig 11 Flowchart of the early warning method for greenhouse environmental parameters 3 結(jié) 果 與分析 3 1 嵌入式設(shè)備開發(fā) 本 系 統(tǒng)的嵌入式設(shè)備選用搭載 Android 平臺的 開發(fā)板 處理器為三星 Exynos4412 四核心 主頻為 1 6 GHz 搭載 1 GB 的雙通道 DD 3 運行內(nèi)存 4 GB 固態(tài)硬盤 EMMC 存儲 開發(fā)環(huán)境選取 Android Stu dio 2 3 3 Java JDK Java development kit 版本為 1 8 0 數(shù)據(jù)庫管理選用 Android SDK 的 platform tools 目錄下的 sqlite3 exe 文件 可以執(zhí)行類似 MySQL 提 供的命令行窗口 858 江 蘇 農(nóng) 業(yè) 學 報 2021 年 第 37 卷 第 4 期 APP 客戶端的開發(fā)模式 選 用 Android 常用的 MVP 模式 在軟件開發(fā)中 通常使用 MVC 模式 但 是在 Android 開發(fā)中 Activity 的存在不能明確地區(qū) 分 View 和 Controller 因為其本身具有 View 和 Con troller 二者的性質(zhì) 如果采取 MVC 模式開發(fā) 會使 Activity 的耦合性變得很高 當后期維護時 可能需 要改動整個 APP 代碼 MVP 模式較好地解決了 MVC 的弊端 Model 和 View 通過 Presenter 進行交互 這時 Activity 基本完 全充當了 View 的角色 View 和 Model 不直接進行 交互 這樣使二者的改動更方便 解耦性更強 不會 對整個 APP 進行大量的變動 圖 12 圖 12 MVC 模 式 與 MVP 模式開發(fā)對比 Fig 12 Comparison of MVC model and MVP model 利 用 Matlab 和 Android 混合編程 首先利用 Matlab 軟件實現(xiàn) PSO SV 模型搭建 并對模型進行 完整訓(xùn)練及網(wǎng)絡(luò)測試 得到優(yōu)化后的預(yù)測模型 將 模型的函數(shù) 訓(xùn)練結(jié)果及訓(xùn)練數(shù)據(jù)打包成 jar 包 將 其添加為 Android 的外部依賴 在 Android 工程中編 寫調(diào)用該 jar 包的接口調(diào)用函數(shù) 通過傳入輸入變量 得到結(jié)果 APP 客戶端的主界面采用 Android 自帶的 sup port v7 包中的 CardView 作為內(nèi)容填充 界面簡潔美 觀 在主界面進行下拉刷新即可刷新環(huán)境數(shù)據(jù) 當 達到預(yù)警范圍時 系統(tǒng)會出現(xiàn) Notification 主界面 效果如圖 13 所示 點擊 Notification 會進入預(yù)警系統(tǒng)界面 顯示易生 病害警報等級 點擊病害會跳轉(zhuǎn)至病害百科界面 顯示 病害的百度百科 預(yù)警界面顯示效果如圖 14 所示 點擊主界面的卡片 會進入數(shù)據(jù)可視化界面 本 系統(tǒng)利用 MPAndroidChart 框架 實現(xiàn)了當日和昨日 的數(shù)據(jù)顯示 可以切換折線圖和柱狀圖 圖表的下 方顯示 PSO SV 模型預(yù)測結(jié)果 即 30 min 和 60 min 后的預(yù)測結(jié)果 可視化界面效果如圖 15 所示 圖 13 APP 客戶端主界面效果 Fig 13 Main interfacial effect of the APP 圖 14 預(yù) 警 界面效果 Fig 14 Interfacial effect of the early warning system 圖 15 可 視 化界面效果 Fig 15 Visual interface effect 3 2 系 統(tǒng) 測試 系統(tǒng)測試主要分為功能測試和性能測試 均為 黑盒測試 功能測試采用常用的 Monkey 測試法 對運行 在 Android 設(shè)備或者模擬機上的 Android 應(yīng)用進行 模擬點擊測試 在指定次數(shù)的情況下模擬用戶點擊 事件 從而測試應(yīng)用系統(tǒng)的穩(wěn)定性 試驗次數(shù)設(shè)定 為 5 000次 在測試期間沒有出現(xiàn) AN Application not responding 現(xiàn)象和 FC Force close 現(xiàn)象 全部功 能運行正常無卡頓 Monkey 測試結(jié)果表明 APP 在 958趙 睿 等 基 于 PSO SV 模型的溫室病害預(yù)警防治系統(tǒng) 運行期間有著良好的穩(wěn)定性 性 能 測試利用 Android Studio 選項卡中的 An droid Monitor 自帶的 Monitors 監(jiān)測程序運行期間的 Memory 內(nèi)存占用率 和 CPU 處理器占用率 情 況 從而測試應(yīng)用在運行期間的整體性能 在 Mon key 測試的同時 觀察 Android Studio 的 Monitors 選 項卡 其中 Memory 最高占有率為 85 68 MB 平均為 47 56 MB CPU 最高占用率為 42 平均為 27 4 結(jié) 論 為 了實現(xiàn)溫室數(shù)據(jù)的有效利用 做 到病害的早 預(yù)警 早防治 本系統(tǒng)設(shè)計了一種基于 PSO SV 模 型的溫室病害預(yù)警系統(tǒng) 可對溫室環(huán)境參數(shù)進行充 分的利用 系統(tǒng)基于溫室物聯(lián)網(wǎng)技術(shù) 實現(xiàn)了數(shù)據(jù) 采集 數(shù)據(jù)去噪和遠程控制功能 系統(tǒng)基于收集到 的溫室環(huán)境數(shù)據(jù) 通過 PSO SV 模型進行參數(shù)預(yù) 測 溫 濕度預(yù)測準確率分別為 97 6 96 8 結(jié)合 預(yù)警模型 能夠有效地提醒用戶作出相應(yīng)措施 并能 實現(xiàn)自動生態(tài)防治 系統(tǒng)客戶端基于 Android 平 臺 實現(xiàn)了可視化監(jiān)測 操作界面友好 運行穩(wěn)定 參考文獻 1 秦 志 偉 農(nóng)業(yè) 4 0 已露尖尖角 J 農(nóng)村 農(nóng)業(yè) 農(nóng)民 B 版 2015 9 4 6 2 李燈 華 李哲敏 許世衛(wèi) 等 先進國家農(nóng)業(yè)物聯(lián)網(wǎng)的最新進展 及對我國的啟示 J 江蘇農(nóng)業(yè)科學 2016 44 10 1 5 3 劉聰 鋒 戴嘯濤 儲成祥 國外農(nóng)業(yè)物聯(lián)網(wǎng)發(fā)展經(jīng)驗借鑒 J 通信企業(yè)管理 2015 1 62 64 4 楊文 奇 劉希光 郭彥克 等 溫室環(huán)境物聯(lián)網(wǎng)監(jiān)測系統(tǒng)的設(shè)計 J 中國農(nóng)機化學報 2017 38 4 105 108 140 5 朱均 超 張 強 趙 巖 基于物聯(lián)網(wǎng)的農(nóng)業(yè)大棚環(huán)境監(jiān)測系 統(tǒng)設(shè)計 J 中國農(nóng)機化學報 2018 39 9 76 80 6 葛文 杰 趙春江 農(nóng)業(yè)物聯(lián)網(wǎng)研究與應(yīng)用現(xiàn)狀及發(fā)展對策研究 J 農(nóng)業(yè)機械學報 2014 45 7 222 227 7 范 瓊 張 武 張雪 花 等 溫室小氣候環(huán)境監(jiān)測預(yù)警技術(shù)及 應(yīng)用研究 J 中國農(nóng)機化學報 2016 37 5 71 75 8 吳久 江 汪 星 李 群 等 簡易草莓大棚智慧管理系統(tǒng)設(shè)計 與性能分析 J 農(nóng)業(yè)機械學報 2019 50 12 295 303 9 楊俊 成 李淑霞 李 亮 基于物聯(lián)網(wǎng)與人工神經(jīng)網(wǎng)絡(luò)的溫室 監(jiān)控方案 J 控制工程 2020 27 9 1649 1656 10 郁瑩 珺 徐達宇 壽國忠 等 基于經(jīng)驗?zāi)B(tài)分解和小波神經(jīng)網(wǎng) 絡(luò)的溫室溫濕度預(yù)測 J 江蘇農(nóng)業(yè)科學 2019 47 1 211 216 11 劉 源 宋 濤 徐曉 輝 等 基于多元回歸模型的精準光照系 統(tǒng) J 中國農(nóng)機化學報 2019 40 6 162 166 12 張傳 帥 徐嵐俊 李小龍 等 日光溫室主要環(huán)境參數(shù)對番茄本 體長勢的影響 J 中國農(nóng)業(yè)大學學報 2019 24 10 118 124 13 LAI Y C AHSAN A SHOH AB H M et al Performance model ing and analysis of TCP and UDP flows over software defined net works J Journal of Network and Computer Applications 2019 130 76 88 14 WILLIAM D G Using node and socket information to implement MPI Cartesian topologies J Parallel Computing 2019 85 98 108 15 李 飛 蔣敏 蘭 基于支持向量機回歸的蛋雞產(chǎn)蛋率預(yù)測模型 J 江蘇農(nóng)業(yè)科學 2019 47 13 249 252 16 程 鑫 徐曉 輝 宋 濤 等 基于 PSO SV 模型的溫室智能 補光系統(tǒng)研究 J 中國農(nóng)機化學報 2020 41 6 64 68 82 17 韓振 榮 溫室黃瓜病蟲害監(jiān)測預(yù)警系統(tǒng)研究與實現(xiàn) D 泰安 山東農(nóng)業(yè)大學 2017 責 任 編輯 張震林 068 江 蘇 農(nóng) 業(yè) 學 報 2021 年 第 37 卷 第 4 期