第1章 緒論 1
1.1農業(yè)物聯網架構 1
1.2農業(yè)物聯網研究現狀 4
1.2.1國外研究現狀 5
1.2.2國內研究現狀 7
1.3農業(yè)物聯網關鍵技術 8
1.3.1時空數據采集 9
1.3.2數據提取與預處理 9
1.3.3冗余數據處理 9
1.3.4分簇優(yōu)化算法 10
1.3.5路徑規(guī)劃 11
1.3.6軌跡預測 11
1.3.7軌跡糾偏 12
1.3.8多模態(tài)數據融合 13
1.3.9宕機預測 13
1.4研究內容與總體結構 14
1.4.1研究內容 14
1.4.2總體結構 15
第2章 農業(yè)物聯網中的數據采集模型 17
2.1 概述 17
2.2數據采集技術 18
2.2.1機器學習 18
2.2.2人工神經網絡 20
2.2.3深度學習 20
2.2.4卷積神經網絡 20
2.2.5長短期記憶網絡 21
2.3時空數據模型構建 21
2.4時空數據模型結構與設計 22
2.4.1時空數據采集設計 24
2.4.2輸入層構造 24
2.4.3卷積神經網絡構造 24
2.4.4長短期記憶網絡構造 26
2.4.5全連接層構造 27
2.4.6輸出層構造 28
2.5模型實現與結果分析 28
2.5.1時空數據的采集與實現 28
2.5.2數據處理與模型訓練 32
2.5.3測試與訓練模型 38
2.5.4模型優(yōu)化與驗證 39
2.6本章小結 42
第3章 農業(yè)物聯網中的數據提取模型 44
3.1 概述 44
3.2數據提取與預處理技術 45
3.2.1數據提取技術 46
3.2.2數據預處理技術 48
3.3模型構建 50
3.3.1數據提取模型構建 50
3.3.2 基于 KNN算法的數據清洗 52
3.3.3基于數據規(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模型實現與結果分析 57
3.4.1實驗環(huán)境 57
3.4.2數據集 58
3.4.3數據提取分析 59
3.4.4實驗結果與分析 59
3.5本章小結 63
第4章 農業(yè)物聯網中的冗余數據處理 64
4.1 概述 64
4.2數據預處理 65
4.2.1 Bloom Filter 的介紹 65
4.2.2 標準 Bloom Filter 誤判概率的證明和計算 67
4.2.3設計和應用 Bloom Filter 69
4.2.4樸素貝葉斯分類介紹 70
4.3設計與實驗 72
4.3.1布隆過濾器的改進 72
4.3.2布隆過濾器和改進后的布隆過濾器流程圖 72
4.3.3實驗配置 74
4.3.4重復數據過濾 74
4.3.5無效數據分類 75
4.3.6 使用 Laplace Smoothing 優(yōu)化 76
4.4本章小結 77
第5章 農業(yè)物聯網中的分簇優(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 82
5.3.2能耗模型 83
5.3.3問題模型 84
5.4實驗與論證過程 91
5.5本章小結 96
第6章 農業(yè)物聯網中的路徑規(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基本蟻群算法的數學模型 103
6.2基于蟻群算法的無人駕駛拖拉機的路徑規(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學模型 107
6.2.3改進的蟻群算法 107
6.3算法實現與仿真 109
6.3.1 Matlab仿真與分析 110
6.3.2結果分析 110
6.4本章小結 111
第7章 農業(yè)物聯網中的軌跡預測模型 113
7.1 概述 113
7.2軌跡預測模型 114
7.3基于分數階累加的灰色模型理論 115
7.3.1灰色預測理論與模型 115
7.3.2分數階算子 GM（1,1）灰色預測模型 117
7.4基于改進分數階累加的灰色軌跡預測模型 119
7.4.1分數階累加灰色軌跡預測模型 119
7.4.2參數尋優(yōu)算法 121
7.4.3基于改進的粒子群優(yōu)化算法求解最優(yōu) r值及最優(yōu)背景值 121
7.5仿真驗證及分析 124
7.5.1數據集 124
7.5.2模型性能比較與分析
7.6本章小結 129
第8章 農業(yè)物聯網中的軌跡糾偏算法 130
8.1 概述 130
8.2軌跡糾偏模型 131
8.3基于環(huán)比的時間序列方法 132
8.3.1傳統(tǒng)的時間序列算法 132
8.3.2短期環(huán)比 133
8.3.3長期環(huán)比 133
8.3.4三次樣條插值 135
8.3.5算法步驟 135
8.4實驗仿真與結果分析 136
8.4.1短期環(huán)比算法 136
8.4.2長期環(huán)比算法 138
8.4.3三次樣條插值糾偏 141
8.4.4實驗對比與評價 142
8.5本章小結 143
第9章 農業(yè)物聯網中的數據融合技術 144
9.1 概述 144
9.2研究現狀 144
9.3數據融合理論 145
9.3.1多模態(tài)數據融合 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)數據的融合與分析 152
9.5實驗結果與分析 158
9.5.1數據清洗 158
9.5.2基于卡爾曼濾波的數據融合 159
9.5.3基于樸素貝葉斯的數據分析 161
9.5.4結果分析 164
9.6本章小結 164
第10章 農業(yè)物聯網中的宕機預測研究 165
10.1 概述 165
10.1.1 Hadoop 166
10.1.2分布式文件存儲系統(tǒng) 166
10.1.3流數據計算組件 Spark Streaming 168
10.1.4時間序列多元線性回歸算法 169
10.2研究現狀 170
10.3研究策略 171
10.3.1問題背景 171
10.3.2策略實施 171
10.4模型評估 179
10.5本章小結 180
第11章 農業(yè)物聯網典型應用 182
11.1智慧農機典型應用 184
11.2應用性能度量 186
11.3本章小結 187
參考文獻 188
書單推薦
