[0027] 结合附图1‑6，对本发明技术方案作进一步描述：
[0028] 一、系统总体功能设计
[0029] 本发明一种食用菌环境温度检测系统实现对食用菌环境因子参数进行检测和预测食用菌产量，该系统由食用菌环境参数采集与控制平台和食用菌环境大数据处理子两部分组成。食用菌环境参数采集与控制平台包括食用菌环境参数的检测节点、控制节点、网关节点、现场监控端、云平台和移动端APP组成，检测节点和控制节点以自组织方式构建成ZigBee监测网络来实现检测节点、控制节点和网关节点之间的ZigBee通信；检测节点将检测的食用菌环境参数通过网关节点发送给现场监控端和云平台，网关节点、云平台实现现场监控端和移动端APP之间食用菌环境参数和相关控制信息的双向传输。手机app采用机智云提供的开源框架APP进行设计，只需在手机APP内集成机智云提供的APP SDK，就可以连接机智云平台并实现基于手机APP的远程检测与调控功能。云平台接入及手机app监测与调控运行稳定，通过人为干预模拟了食用菌环境温度、湿度和培养基水分含量异常等状况，基本可以满足食用菌种植环境监测与调控管理的基本需求。食用菌环境参数采集与控制平台结构见图1。
[0030] 二、检测节点的设计
[0031] 采用大量基于ZigBee传感器网络的检测节点作为食用菌环境参数感知终端，检测节点通过自组织ZigBee网络实现网关节点之间的信息相互交互。检测节点包括采集食用菌环境湿度、温度、水分和光照度参数的传感器和对应的信号调理电路、STM32微处理器和ZigBee通信模块CC2530；检测节点的软件主要实现ZigBee通信和食用菌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。
[0032] 三、控制节点的设计
[0033] 控制节点通过自组织ZigBee网络实现网关节点之间的信息相互交互，控制节点包括控制外部设备对应的4个数模转换电路、STM32微处理器、4个外部设备控制器和ZigBee通信模块CC2530；4个外部设备控制器分别为温度控制器、湿度控制器、风速控制器和光照控制器。控制节点结构见图4。
[0034] 四、网关节点设计
[0035] 网关节点包括CC2530模块、NB‑IoT模块、STM32单片机和RS232接口，网关节点包括CC2530模块实现与检测节点和控制节点之间的通信的自组织网络，NB‑IoT模块实现网关与云平台之间的数据双向交互，RS232接口连接现场监控端，实现网关与现场监控端之间的信息交互。网关节点结构见图5。
[0036] 五、现场监控端软件
[0037] 现场监控端是一台工业控制计算机，现场监控端3主要实现对食用菌环境参数进行采集和评价食用菌环境等级，实现与网关节点的信息交互，现场监控端主要功能为通信参数设置、数据分析与数据管理、食用菌环境大数据处理。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6。食用菌环境大数据处理子系统包括3个参数检测单元和评价单元，多个温度传感器、多个湿度传感器和多个水分传感器的输出分别是对应的3个参数检测单元的多个对应的按拍延迟线TDL的输入，3个参数检测单元输出的温度、湿度和水分的梯形模糊数分别是评价单元的3个对应的按拍延迟线TDL的输入，评价单元输出的梯形模糊数为对应食用菌环境参数等级值。参数检测单元和
[0038] 评价单元的设计过程如下：
[0039] 1、参数检测单元设计
[0040] 参数检测单元由多个延迟单元的按拍延迟线TDL(Tapped Delay Line)、多个Adaline神经网络模型、多个ARIMA预测模型、多个微分回路、1个GMDH神经网络模型和4个NARX神经网络模型组成，由2个微分算子D相串联构成1个微分回路，每个微分回路的2个微分算子连接端作为对应的GMDH神经网络模型的1个对应输入，每个微分回路的输出作为GMDH神经网络模型的1个对应输入；每个参数测量传感器输出分别作为对应的每个按拍延迟线TDL的输入，每个按拍延迟线TDL输出的一段时间的多个参数测量传感器值分别作为对应的1个Adaline神经网络模型的输入，每个Adaline神经网络模型的输出分别作为对应的每个ARIMA预测模型的输入，每个ARIMA预测模型的输出作为每个微分回路的输入和GMDH神经网络模型的对应的1个输入，GMDH神经网络模型的输出为代表一段时间参数测量传感器值大小的动态梯形模糊数为[a,b,c,d],[a,b,c,d]构成在一段时间内参数测量传感器值的动态梯形模糊数值，a、b、c和d分别代表参数测量传感器值的最小值、极小值、极大值和最大值，一段时间内a、b、c和d值分别作为4个对应的NARX神经网络模型的输入，4个NARX神经网络模型的输出分别作为一段时间内a、b、c和d值的预测值和参数检测单元的输出，参数检测单元把一段时间多个参数测量传感器值转换为被测量参数的梯形模糊数值。GMDH神经网络模型[a,b,c,d]代表测量传感器的梯形模糊数值，测量传感器的梯形模糊数值的动态梯形模糊数值可以描述为：
[0041] U(t)＝[a,b，c,d]＝F[X(t),X(t‑1)…,X(t‑n)] (1)
[0042] Adaline神经网络模型、ARIMA预测模型、GMDH神经网络模型和NARX神经网络模型设计过程如下：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),…xnT(K)] ，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：
[0043]
[0044] 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。
[0045] ARIMA预测模型是一种根据Adaline神经网络模型输出的历史数据预测测量传感器值的建模方法,它对Adaline神经网络模型输出的历史数据的时间序列进行分析。本专利采用Adaline神经网络模型输出的历史数据的时间序列对ARIMA预测模型的时间序列特征的自回归阶数(p)、差分次数(d)和移动平均阶数(q)进行研究。ARIMA预测模型被写作为：ARIMA(p,d,q)。以p、d、q为参数的ARIMA预测模型的残差的方程可以表示如下：
[0046]
[0047] Δdyt表示yt经d次差分转换之后的序列，εt是随机误差，方差为常量σ2的正态分布，φi(i＝1,2,…,p)和θj(j＝1,2,…,q)为ARIMA预测模型的待估计参数，p和q为ARIMA预测模型的上下限值残差模型的阶。残差本质上属于线性模型，建模与预测包含4个步骤:Ⅰ、序列平稳化处理，如果Adaline神经网络模型输出数据残差的历史数据序列是非平稳的,如存在一定的增长或下降趋势等,则需对Adaline神经网络模型输出残差的历史数据进行差分处理；Ⅱ、模型识别，通过自相关系数和偏自相关系数来确定Adaline神经网络模型输出数据残差模型的阶数p，d和q；Ⅲ、估计模型的参数和模型诊断，用极大似然估计得到Adaline神经网络模型输出数据残差模型中所有参数的估计值,并检验包括参数的显著性检验和残差的随机性检验,然后判断所建Adaline神经网络模型输出数据残差模型是否可取，利用选取合适参数的Adaline神经网络模型输出数据残差模型进行残差的预测；并在模型中进行检验,以判定该模型是否恰当,如果不恰当就重新估计参数；Ⅳ、利用具有合适参数模型进行Adaline神经网络模型输出数据残差的预测，本专利使用软件调用SPSS统计分析软件包中时间序列分析功能的ARIMA模块实现Adaline神经网络模型输出数据残差预测的整个建模过程。
[0048] GMDH神经网络模型的输出为代表一段时间畜禽舍环境多个温度传感器值大小的梯形模糊数，梯形模糊数为[a,b,c,d],[a,b,c,d]构成在一段时间内温度检测单元输出为多个温度传感器值的梯形模糊数值，a、b、c和d分别代表畜禽舍环境温度的最小值、极小值、极大值和最大值，温度检测单元把一段多个时间温度传感器值转换为温度梯形模糊数值。GMDH神经网络模型是一种自组织数据挖掘的算法，若该GMDH神经网络模型有m个输入变量x1,x2,…,xm和输出为Y。GMDH的目的就是要建立起输入与输出关系的系数待定和形式已知的函数关系f，可以通过应用用volterra级数展开的多项式去逼近f：
[0049]
[0050] GMDH神经网络模型主要用于处理小样本数据，通过自动寻找样本中各变量之间的相关性构建畜禽舍环境参数预测模型。首先根据参考函数的初始模型产生第一代中间候选模型，然后从第一代中间候选模型中筛选出若干项加上计算法则生成第二代中间候选模型，重复此过程直得出最优畜禽舍环境参数预测模型为止，因此GMDH神经网络模型能够根据自变量自适应的建立一个对因变量有解释能力的高阶多项式模型。设Rj为第j层最大神经元数量，xkl为第l个输入样本的第k维，yjkl为网络第j层中第k个神经元对第l个输入样本额预测值， 为网络第j层中第k个神经元的阀值均方根，Y为网络的预测值。GMDH神经网络模型采用自适应多层迭代的方法构建网络结构，通过最小偏差准则选择网络最优模型，并构建出基于Kolmogorov－Gabor多项式的输入和输出之间非线性映射。数据预处理将数据集划分为训练集和测试集；对输入量配对，并辨识得出局部多项式模型，从而生成竞争模型集，计算选择准则值作为下一层输入，直至选出最优复杂度模型为止。GMDH神经网络模型的学习进化过程如下：①设定网络各层最大神经元数量Rj和网络的初始变量个数d0，选择网络最小偏差准则。②根据输入数据维数构建只包含第1层神经元的初始网络。③依次计算每个神经元的阀值均方根 对于网络第j层，从大到小排序 取前Rj个 做为被选中神经元加以保留，其余做为未被选中的神经元。对于被选中的神经元，找出最小 并与上一层最小进行比较，如果 小于 则执行步骤④，否则执行步骤⑤。④根据当前被选中的神经元产生下一层神经元。⑤网络构建完毕。
[0051] 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：
[0052]
[0053] NARX神经网络模型第j个输出层节点输出oj为：
[0054]
[0055] 2、评价单元设计
[0056] 评价单元由3个具有多个延迟单元的按拍延迟线TDL(Tapped Delay Line)、3组BAM神经网络预测模型、3个自联想神经网络模型和T‑S模糊神经网络分类器组成，每组BAM神经网络预测模型包括多个BAM神经网络预测模型，3个参数检测单元输出的温度、湿度和水分的梯形模糊数分别是评价单元对应的3个按拍延迟线TDL的输入，3个按拍延迟线TDL输出一段时间的温度、湿度和水分的梯形模糊数作为对应组的多个BAM神经网络预测模型的输入，每组的多个BAM神经网络预测模型的输出作为对应的自联想神经网络模型的输入，3个自联想神经网络模型输出的梯形模糊数作为T‑S模糊神经网络分类器的输入，T‑S模糊神经网络分类器输出的梯形模糊数作为评价单元的输出，评价单元输出的梯形模糊数代表被检测食用菌环境参数等级值。BAM神经网络预测模型、3个自联想神经网络模型和T‑S模糊神经网络分类器的设计过程如下：BAM神经网络预测模型是一种反馈型的双向联想记忆神经网络，通过多次反馈训练的模式来进行食用菌环境参数的进一步预测，它具有联想记忆食品气味浓度值功能，自适应性能力强，自动提取食品气味浓度值的优点，并且预测误差较小，自出现以来便得到广泛应用；BAM神经网络预测模型拓扑结构中，网络输入端的初始模式为x(t)，通过权值矩阵W1加权后到达输出端y端，经过输出节点的转移特性fy的非线性变换和W2矩阵加权后返回到输入端x，再经过x端输出节点转移特性fx的非线性变换，变为输入端x的输出，反复这一运行过程，BAM神经网络预测模型状态转移方程见式(7)。
[0057]
[0058] 自联想神经网络模型(Auto‑associative neural network,AANN)，一种特殊结构的前馈神经网络，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。首先通过输入层、映射层以及瓶颈层实现了输入数据信息的压缩，从网络输入的高维参数空间中提取了反映系统结构的最具代表性的低维子空间，同时有效地滤去了食用菌环境参数的输入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数据的解压缩，将前面压缩的信息还原到各个参数值，从而实现各食用菌环境参数输入数据的重构。为了达到信息压缩的目的，自联想神经网络模型络瓶颈层节点数目明显小于输入层，又为了防止形成输入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,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,它使网络对食用菌环境参数信号进行编码和压缩得到输入传感器数据的相关模型,并在瓶颈层后进行解码和解压缩以产生食用菌环境参数输入信号的估计值；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，自联想神经网络模型用误差反向传播(back‑propagation,BP)算法来训练。
[0059] T‑S模糊神经网络分类器包括前件网络和后件网络，(1)、前件网络。第1层为输入层，该层的节点数为n。第2层为模糊化层，对输入数据进行模糊化，各神经元执行相应的隶属度函数 第3层为模糊规则层。第4层的结点数为m，该层实现归一化计算。(2)、后件网络。第1层是输入层，其中第0个节点的输入值x0＝1，它的作用是提供模糊规则后件的常数项。第2层有m个节点，它的作用是计算每一条规则后件：
[0060]
[0061] 第3层计算系统输出：
[0062]
[0063] 通过网络学习算法调整第2层的隶属度函数的中心值cj和宽度bj以及后件网络的连接权pjk，为了简化起见，将参数pjk固定，这时每条规则的后件在简化结构中变成了一层的连接权。该简化结构与常规模型的T‑S模糊神经网络分类器具有完全相同的结构，可套用常规模型计算结果。根据食用菌环境参数控制的工程实践，T‑S模糊神经网络分类器构建食用菌环境质量等级与5个梯形模糊数的对应关系表1，食用菌环境5种质量等级分别为质量一般、质量较好、质量好、质量较差和质量很差，计算T‑S模糊神经网络分类器输出的梯形模糊数与代表食用菌环境5种质量等级的5个梯形模糊数的相似度，其中相似度最大的梯形模糊数对应的食用菌环境质量等级确定为被检测食用菌生长环境质量等级。T‑S模糊神经网络分类器输入为3个自联想神经网络模型输出的3个梯形模糊数和代表食用菌种类的数值，其中杏鲍菇为1，蘑菇为2，海鲜菇为3，金针菇为4，平菇为5.
[0064] 表1食用菌生长环境质量等级与梯形模糊数对应关系表
[0065]序号 质量等级 区间数
1 质量一般 (0.0，0.05，0.15，0.3)
2 质量较好 (0.1，0.15，0.3,0.4)
3 质量好 (0.3，0.35，0.45，0.7)
4 质量较差 (0.6，0.75，0.8,0.9)
5 质量很差 (0.8，0.85,0.9,1.0)
[0066] 六、食用菌环境参数采集与控制平台的设计举例
[0067] 根据食用菌环境大数据检测系统的实际状况，系统布置了食用菌环境参数采集与控制平台的检测节点、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食用菌环境的各个方位，通过该系统实现对食用菌环境参数进行采集。
[0068] 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。
