[0024] 1、系统总体功能的设计
[0025] 本发明基于无线传感器网络的牛舍环境氨气智能检测系统，实现对牛舍环境因子参数进行检测和对牛舍环境氨气进行智能检测，该系统由基于无线传感器网络的牛舍环境参数智能检测平台和牛舍环境氨气智能检测模型组成。基于无线传感器网络的牛舍环境参数智能检测平台包括牛舍环境参数的检测节点1和调节牛舍环境参数的控制节点2，它们分别采用NRF2401结合MSP430系列微处理器实现检测节点1、控制节点2和现场监控端3之间的无线通信；检测节点1和控制节点2安装在被监测牛舍环境区域内以自组织的形式构成网络，最终和现场监控端3进行信息交互。检测节点1将检测的牛舍环境参数发送给现场监控端3并对传感器数据进行初步处理；现场监控端3把控制信息传输到检测节点1和控制节点2。整个系统结构见图1所示。
[0026] 2、检测节点的设计
[0027] 采用大量基于无线传感器网络的检测节点1作为牛舍环境参数感知终端，检测节点1和控制节点2通过自组织无线网络实现现场监控端3之间的信息相互交互。检测节点1包括采集牛舍环境温度、湿度、风速和氨气参数的传感器和对应的信号调理电路、MSP430微处理器和NRF2401无线传输模块；检测节点的软件主要实现无线通信和牛舍环境参数的采集与预处理。软件采用C语言程序设计，兼容程度高，大大提高了软件设计开发的工作效率，增强了程序代码的可靠性、可读性和可移植性。检测节点结构见图3。
[0028] 3、控制节点的设计
[0029] 控制节点2在输出通路设计了4路D/A转换电路实现对温度、湿度、风速和氨气的调节输出量、继电器控制电路、MSP430微处理器和无线通信模块接口，实现对牛舍环境控制设备进行控制，控制节点见图4。
[0030] 4、现场监控端的软件设计
[0031] 现场监控端3是一台工业控制计算机，现场监控端3主要实现对牛舍环境参数进行采集与氨气进行测量，实现与检测节点1与控制节点2的信息交互，现场监控端3主要功能为通信参数设置、数据分析与数据管理和牛舍环境氨气智能检测模型，它包括基于遗传算法(GA)的模糊C均值聚类(FCM)分类器、模糊小波神经网络氨气模型和基于欧氏距离的氨气浓度值融合模型等设计与实现。该管理软件选择了Microsoft Visual++6.0作为开发工具，调用系统的Mscomm通信控件来设计通讯程序，现场监控端软件功能见图5。
[0032] ⑴、基于遗传算法(GA)的模糊C均值的聚类(FCM)分类器
[0033] ①、FCM聚类算法
[0034] 设有限集X＝{x1,x2,…xn}是n个样本组成的集合,它们分别是影响牛舍环境氨气浓度的温度、湿度、风速和光照度，C为预定的类别,mi(i＝1,2,…c)是每一个聚类的中心,μj(xi)是第i个样本关于第j类的隶属度,聚类准则函数由隶属函数定义为:
[0035]
[0036] 式中:||xi-mj||是xixi到mj之间的欧氏距离；b是模糊加权幂指数,是可以控制聚类结果模糊程度的参数；M是X的模糊C划分矩阵,V是X的聚类中心集合,FCM聚类算法的结果就是要获得使准则函数达到最小的M和V。在模糊C均值聚类方法中,要求样本对各个聚类的隶属度之和为1,即:
[0037]
[0038] 在式(2)的条件下求式(1)的极小值,令J(M,V)J(M,V)对mj和μj(xi)偏导数为0,可得极小值的必要条件为:
[0039]
[0040]
[0041] FCM算法可以按照以下迭代步骤完成:
[0042] A、设定聚类数目c和参数b,算法终止阈值ε,迭代次数t＝1,允许最大迭代数为tmax；
[0043] B、初始化各个聚类中心mi；
[0044] C、用当前聚类中心根据式(4)计算隶属函数；
[0045] D、用当前隶属函数按式(3)更新各类聚类中心；
[0046] E、选取合适的矩阵范数,如果||V(t+1)-V(t)||≤ε或者t≥tmax,停止运算；否则,t＝t+1,返回步骤C。
[0047] 当算法收敛时,得到各类的聚类中心和各个样本对于各类的隶属度,完成模糊聚类划分。最后将模糊聚类结果进行去模糊化,将模糊聚类转变为确定性分类,实现最终的聚类分割。
[0048] ②、GA算法的FCM算法
[0049] 遗传算法(GA)寻求问题的最优解是通过对多个个体的迭代搜索来完成的。该算法首先初始化群体，随机生成一定规模的染色体集合X；之后计算各个体的适应值；依据选种算子Ts进行复制操作；依据交叉算子Tc进行交叉操作；依据变异算子Tm进行变异操作；再判断是否满足终止条件，满足则输出最优解，反之则重复上述初始化之后的操作。
[0050] ⑵、模糊小波神经网络氨气模型设计
[0051] 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,构建一种新型的模糊小波网络(Fuzzy Wavelet Network,FWNN)作为测量模型。这种基于FWNN的智能测量控制器,理论上具备很好的智能性、鲁棒性、稳定性和指标跟踪快速性,可以达到牛舍氨气精确测量目的。小波模糊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。本文所构建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1。一旦决定了输入n和规则M的数目,就决定了FWN模型的结构,等效结构如图2所示。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；wik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；它的值是：
[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,模糊小波神经网络输出公式如下:
[0054]
[0055] 取n＝2,M＝7,故各层的网络节点数分别为2,14,7,7,1,构建FWN小波函数选择正交Daubechies小波。
[0056] ⑶、基于欧氏距离的氨气浓度值融合模型设计
[0057] 该牛舍氨气测量参数样本有n个，通过基于遗传算法的模糊c-均值聚类分类器分为C个类别，则每个参数样本类别的模糊小波神经网络氨气模型输出为y1,y2,…yc。以欧氏距离表示牛舍每个参数样本类别的模糊小波神经网络氨气模型输出之间的差异性，从而构建牛舍环境不同类样本之间氨气浓度测量值之间的差异度度，根据于欧氏距离定义牛舍环境不同类样本之间测量的氨气浓度值之间的差异度的具体数学定义如下：
[0058]
[0059] 牛舍环境不同类样本之间氨气浓度测量值之间的差异度δij反映了不同类样本之间测量氨气浓度测量值结果之间的差异程度。显然差异程度越小，支持度呈指数级别增大，则两者之间的相互支持度越高，从而可以达到弱化差异度较大的结果在测量牛舍环境氨气中的作用。因此建立牛舍环境不同样本测量牛舍环境氨气浓度值之间的支持度公式如下：
[0060]
[0061] 设牛舍环境有C类测量牛舍环境氨气浓度的模糊小波神经网络输出，则根据每类模糊小波神经网络输出值之间的支持度，构建各类模糊小波神经网络输出值的支持度矩阵：
[0062]
[0063] 根据各类模糊小波神经网络输出值之间的支持度矩阵，可以计算每类模糊小波神经网络输出值的支持度占所有C类模糊小波神经网络输出值支持度和的比作为该类模糊小波神经网络输出值在牛舍环境氨气浓度测量值融合中的权重，公式如下：
[0064]
[0065] 则牛舍环境氨气浓度测量值输出为：
[0066] u(t)＝β1y1+β2y2+…βcyc (11)
[0067] 5、牛舍环境氨气智能检测系统的设计举例
[0068] 根据牛舍环境的状况，系统布置了检测节点1和控制节点2和现场监控端3的平面布置安装图，其中检测节点1均衡布置在被检测牛舍环境中，整个系统平面布置见图6，通过该系统实现对牛舍环境参数的采集与牛舍环境氨气的智能化测量。
[0069] 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。
