張凈 張濤 郭洪波

摘要：針對(duì)目前市場(chǎng)上中藥質(zhì)量良莠不齊的問(wèn)題，設(shè)計(jì)了一種基于窄帶物聯(lián)網(wǎng)（NB-IoT）的中藥材種植智能測(cè)控系統(tǒng)，該系統(tǒng)主要采用了窄帶物聯(lián)網(wǎng)技術(shù)，結(jié)合STM32微處理器和無(wú)線通信技術(shù)，能夠?qū)崟r(shí)監(jiān)測(cè)中藥材種植過(guò)程中影響中藥材生長(zhǎng)的土壤溫度、土壤濕度、土壤酸堿度和土壤鹽分含量等參數(shù)。首先運(yùn)用層次分析法，并結(jié)合藥農(nóng)種植經(jīng)驗(yàn)確定中藥材種植的土壤適宜性等級(jí)，然后運(yùn)用K均值聚類算法（K-means）去除原始的噪聲數(shù)據(jù)，再通過(guò)廣義回歸神經(jīng)網(wǎng)絡(luò)（GRNN）算法對(duì)中藥材生長(zhǎng)土壤環(huán)境進(jìn)行綜合評(píng)估，實(shí)現(xiàn)中草藥的溯源，且能起到預(yù)警作用，輔助藥農(nóng)及時(shí)調(diào)整種植環(huán)境。本系統(tǒng)既可應(yīng)用在戶外（荒山野嶺）進(jìn)行規(guī)?；胁菟幏N植，亦可以應(yīng)用在室內(nèi)（大棚）進(jìn)行小規(guī)模名貴藥材種植。

關(guān)鍵詞：中藥材;窄帶物聯(lián)網(wǎng)技術(shù);STM32微處理器;層次分析法;K均值聚類算法;GRNN

中圖分類號(hào)： S126文獻(xiàn)標(biāo)志碼： A文章編號(hào)：1002-1302（2020）13-0256-09

收稿日期：2019-04-18

基金項(xiàng)目：鎮(zhèn)江市2017年經(jīng)信委軟件產(chǎn)業(yè)發(fā)展專項(xiàng)資金“水培蔬菜測(cè)控系統(tǒng)應(yīng)用開(kāi)發(fā)及產(chǎn)業(yè)化”。

作者簡(jiǎn)介：張凈（1975—），女，江蘇鎮(zhèn)江人，博士，副教授，主要從事計(jì)算機(jī)應(yīng)用研究。E-mail：jszj08062000@163.com。

通信作者：張濤，碩士，主要從事電子與通信技術(shù)研究。E-mail：nanshenstudy@163.com。隨著國(guó)際上對(duì)中醫(yī)藥重視程度的提高以及越來(lái)越多的人對(duì)中醫(yī)的認(rèn)可，中藥材的需求量不斷增加。由于目前各種食品安全問(wèn)題的不斷出現(xiàn)，中草藥在種植過(guò)程中所遇到的安全問(wèn)題越來(lái)越受到重視，人們對(duì)良心藥的需求日益凸顯。為了保障中藥材產(chǎn)品的質(zhì)量及其標(biāo)準(zhǔn)化數(shù)據(jù)的準(zhǔn)確性，促進(jìn)中醫(yī)藥產(chǎn)業(yè)的蓬勃發(fā)展，需要使用新一代的物聯(lián)網(wǎng)技術(shù)提高和增強(qiáng)溯源中藥材產(chǎn)品的質(zhì)量，加強(qiáng)中藥材的質(zhì)量安全控制，建立并完善中藥材種植從幼苗期、生長(zhǎng)期到成熟期的溯源規(guī)范。

目前中藥材溯源設(shè)備還不完善，大部分中藥材的種植還停留在人工播種、人工施肥階段，機(jī)械化水平低，導(dǎo)致生產(chǎn)效率低下，直接影響藥農(nóng)種植面積，大部分個(gè)體藥農(nóng)的種植并未形成規(guī)模化和集約化，并且大部分藥農(nóng)的文化程度不高，雖然目前國(guó)家對(duì)于農(nóng)藥、化肥的使用量進(jìn)行了嚴(yán)格把控，但是由于藥農(nóng)本身對(duì)農(nóng)藥殘留、重金屬殘留等知識(shí)了解較少，仍盲目施肥，過(guò)分依賴化工產(chǎn)品的使用，注重中藥材的產(chǎn)量而不注重其質(zhì)量，導(dǎo)致市場(chǎng)上收購(gòu)的中藥材在檢測(cè)時(shí)通過(guò)率低，造成利潤(rùn)損失，市場(chǎng)上銷售的中藥材質(zhì)量良莠不齊[1]。基于此，本研究提出一種基于窄帶物聯(lián)網(wǎng)（NB-IoT）的中藥材種植測(cè)控系統(tǒng)，使中藥材的生長(zhǎng)環(huán)境更符合規(guī)范要求，進(jìn)而更好地協(xié)助藥農(nóng)種植中藥材。

1系統(tǒng)總體設(shè)計(jì)

基于窄帶物聯(lián)網(wǎng)的中藥材種植測(cè)控系統(tǒng)的體系架構(gòu)見(jiàn)圖1，主要包括感知與傳輸層、智能決策層和應(yīng)用層[2]。其中感知與傳輸層中的感知層由傳感器、執(zhí)行設(shè)備和嵌入式網(wǎng)關(guān)組成。傳輸層（網(wǎng)絡(luò)層）主要包括 NB-IoT無(wú)線通信模塊、嵌入式模塊、NB-IoT物聯(lián)網(wǎng)專用卡、運(yùn)營(yíng)商基站、核心網(wǎng)以及物聯(lián)網(wǎng)與平臺(tái)等[3]。每一塊NB-IoT終端模組直接和運(yùn)營(yíng)商基站連接，在現(xiàn)有運(yùn)營(yíng)商基站部署條件的支持下，解決了城域及更大范圍區(qū)域的物聯(lián)網(wǎng)節(jié)點(diǎn)組網(wǎng)難題，對(duì)于中藥材種植系統(tǒng)來(lái)說(shuō)，實(shí)現(xiàn)了單跳通信。嵌入式網(wǎng)關(guān)通過(guò)RS485串口直接和傳感器連接，微處理器通過(guò)發(fā)送指令讀取土壤溫度、濕度、pH值、鹽分等數(shù)字傳感器上的參數(shù)值或控制執(zhí)行設(shè)備，并進(jìn)一步對(duì)返回信息進(jìn)行分析和處理，提取出需要的數(shù)據(jù)，然后通過(guò)串口通信將采集到的中藥材種植環(huán)境數(shù)據(jù)發(fā)送給NB-IoT模塊。NB-IoT模塊接收到中藥材種植環(huán)境數(shù)據(jù)后通過(guò)運(yùn)營(yíng)商N(yùn)B-IoT網(wǎng)絡(luò)將數(shù)據(jù)傳輸至遠(yuǎn)程服務(wù)器端[4]。智能決策層主要包括中藥材生長(zhǎng)環(huán)境監(jiān)測(cè)服務(wù)端和遠(yuǎn)程服務(wù)端。中藥材生長(zhǎng)環(huán)境環(huán)境監(jiān)測(cè)服務(wù)端主要對(duì)上傳的信息進(jìn)行分析和存儲(chǔ)，提供查詢接口給客戶端，通過(guò)廣義回歸神經(jīng)網(wǎng)絡(luò)（GRNN）算法對(duì)中藥材的種植環(huán)境進(jìn)行判斷和預(yù)測(cè)，并構(gòu)建中藥材種植環(huán)境的適宜性評(píng)價(jià)模型，最后按照統(tǒng)一格式將采集的信息和測(cè)控系統(tǒng)的分析結(jié)果儲(chǔ)存至數(shù)據(jù)庫(kù)中。應(yīng)用層主要實(shí)現(xiàn)測(cè)控系統(tǒng)與用戶的交互工作，遠(yuǎn)程用戶可以通過(guò)手機(jī)和電腦登錄瀏覽器查看中藥材測(cè)控系統(tǒng)平臺(tái)上的實(shí)時(shí)數(shù)據(jù)、土壤環(huán)境等級(jí)、中藥材的成長(zhǎng)狀況和訪問(wèn)歷史數(shù)據(jù)。

2系統(tǒng)硬件設(shè)計(jì)

2.1傳感器模塊

對(duì)于不同中藥材種植環(huán)境的監(jiān)測(cè)所需要的傳感器種類不同，具體傳感器的選取，可根據(jù)與具體藥材種類生長(zhǎng)最相關(guān)的信息參數(shù)來(lái)確定。對(duì)于生長(zhǎng)在室內(nèi)或室外的同種藥材所選擇的控制設(shè)備也不相同。俗話說(shuō)“施肥不測(cè)土，浪費(fèi)白辛苦;酸堿不改良，施肥也白忙”。所以土壤環(huán)境參數(shù)的記錄、存儲(chǔ)對(duì)于中藥材的種植是必不可少的一項(xiàng)工作，本研究系統(tǒng)采用的土壤水分溫濕度傳感器、土壤酸堿度傳感器、土壤鹽分傳感器等是最具有代表性的傳感器，適用于絕大多數(shù)中藥材的生長(zhǎng)測(cè)量。本研究系統(tǒng)所采用的土壤水分溫濕度傳感器可檢測(cè)中草藥生長(zhǎng)過(guò)程中周圍土壤的溫度和濕度，然后對(duì)比所種植草藥品種生度的適宜溫濕度范圍，從而確定是否需要澆水或遮陽(yáng)，降水時(shí)也可以實(shí)時(shí)監(jiān)測(cè)土壤溫濕度，如果降水量過(guò)大，則需要開(kāi)啟擋雨工具進(jìn)行擋雨，以保證中草藥在適宜溫濕度范圍內(nèi)生長(zhǎng)。土壤酸堿度傳感器和土壤鹽分傳感器用于實(shí)時(shí)測(cè)量中藥材生長(zhǎng)過(guò)程中土壤的pH值和鹽分含量。

2.2網(wǎng)關(guān)模塊

嵌入式網(wǎng)關(guān)位于整個(gè)測(cè)控系統(tǒng)的底層，是系統(tǒng)信息采集、通信、傳輸和控制過(guò)程中的關(guān)鍵環(huán)節(jié)，采用太陽(yáng)能電池板供電，主要實(shí)現(xiàn)傳感器采集數(shù)據(jù)的讀取和處理，控制感知層的電磁閥以及NB-IoT模塊與遠(yuǎn)程服務(wù)器端的通信。網(wǎng)關(guān)節(jié)點(diǎn)首先通過(guò)RS485總線接口讀取土壤溫度、濕度、酸堿度、鹽分等數(shù)字傳感器中的數(shù)值，并對(duì)讀取的信息進(jìn)行處理，最后通過(guò)串口通信傳送給NB-IoT模塊，再由NB-IoT模塊傳送到服務(wù)器端。網(wǎng)關(guān)模塊可以同時(shí)接收和解析通信服務(wù)器下發(fā)的指令，控制繼電器的開(kāi)啟和閉合。網(wǎng)關(guān)模塊的處理芯片是STM32f03VB處理器。本研究系統(tǒng)傳輸層選用的是基于蜂窩的窄帶物聯(lián)網(wǎng)技術(shù)，它相對(duì)于傳統(tǒng)物聯(lián)網(wǎng)技術(shù)具有廣覆蓋、低功耗、大連接、低成本、穩(wěn)定可靠等優(yōu)勢(shì)[5]。網(wǎng)關(guān)節(jié)點(diǎn)實(shí)物如圖2所示。

3系統(tǒng)軟件設(shè)計(jì)

3.1嵌入式模塊

嵌入式模塊主要實(shí)現(xiàn)5個(gè)功能：（1）根據(jù)藥材種類設(shè)置數(shù)據(jù)采集時(shí)間間隔，控制系統(tǒng)執(zhí)行條件等參數(shù);（2）按設(shè)定的程序或指令進(jìn)行數(shù)據(jù)采集并將其存儲(chǔ)在數(shù)據(jù)庫(kù)中;（3）根據(jù)中藥材的品種不同，每個(gè)環(huán)境參數(shù)可獨(dú)立設(shè)定，適應(yīng)于不同的季節(jié)、生長(zhǎng)期，方便靈活;（4）系統(tǒng)具備報(bào)警和實(shí)時(shí)遠(yuǎn)程監(jiān)測(cè)功能，當(dāng)某項(xiàng)環(huán)境指標(biāo)參數(shù)超過(guò)或者低于極限值時(shí)，系統(tǒng)可以發(fā)出警報(bào)提醒相關(guān)人員進(jìn)行實(shí)時(shí)處理，管理人員也可以通過(guò)網(wǎng)絡(luò)，實(shí)時(shí)觀察中藥材生長(zhǎng)的環(huán)境參數(shù);（5）利用該系統(tǒng)收集到的數(shù)據(jù)創(chuàng)建的相關(guān)中草藥生長(zhǎng)參數(shù)數(shù)據(jù)庫(kù)，可作為研究根據(jù)及生產(chǎn)指導(dǎo)依據(jù)，輔助中藥材的種植農(nóng)戶積累種植經(jīng)驗(yàn)，使種植管理全過(guò)程高效化、工廠化。

3.2服務(wù)器模塊

本研究系統(tǒng)的服務(wù)器模塊所采用的是數(shù)據(jù)服務(wù)器和通信服務(wù)器分離的方式，降低了數(shù)據(jù)和通信之間的耦合性，提高了執(zhí)行效率和響應(yīng)速度，可保證通信的穩(wěn)定可靠，同時(shí)能保證數(shù)據(jù)的響應(yīng)速度。數(shù)據(jù)服務(wù)器系統(tǒng)主要負(fù)責(zé)接收存儲(chǔ)傳感器數(shù)據(jù)、提供歷史數(shù)據(jù)查詢接口。通信服務(wù)器主要負(fù)責(zé)應(yīng)用層和感知層之間的實(shí)時(shí)通信。

3.3系統(tǒng)智能決策模塊

中藥材種植環(huán)境測(cè)控系統(tǒng)的目標(biāo)是在中草藥采摘銷售之前（包括幼苗期、生長(zhǎng)期），根據(jù)該藥材生長(zhǎng)的環(huán)境判斷該種中草藥質(zhì)量是否合格，能否采摘及銷售到市場(chǎng)上。所以對(duì)中藥材種植環(huán)境進(jìn)行準(zhǔn)確的分析評(píng)價(jià)，既有助于及時(shí)調(diào)整環(huán)境參數(shù)，又能實(shí)現(xiàn)產(chǎn)品溯源[6]，更好地讓老百姓吃到放心藥，是本研究系統(tǒng)需要進(jìn)行的基礎(chǔ)性工作。

3.3.1智能決策方案分析目前，對(duì)種植環(huán)境評(píng)價(jià)常用的方法有遺傳算法、反向傳播（BP）神經(jīng)網(wǎng)絡(luò)算法、模糊評(píng)價(jià)法、蟻群算法等，其中遺傳算法收斂速度慢，且容易陷入局部最小值的問(wèn)題;BP神經(jīng)網(wǎng)絡(luò)算法受初始權(quán)值影響大，且收斂速度慢;模糊評(píng)價(jià)法計(jì)算過(guò)程復(fù)雜且主觀性強(qiáng);蟻群算法是一種仿生的優(yōu)化算法，還存在一定的缺陷，可能會(huì)存在搜索時(shí)間過(guò)長(zhǎng)、在搜索過(guò)程中停滯不前、過(guò)早收斂等問(wèn)題，致使得到的最終解并不是最優(yōu)解，而僅是局部最優(yōu)解。本研究提出的GRNN算法，剛好彌補(bǔ)以上算法在模型預(yù)測(cè)中會(huì)呈現(xiàn)的鋸齒現(xiàn)象，使得預(yù)測(cè)準(zhǔn)確率比較高，并且GRNN是一種高度并行徑向基神經(jīng)網(wǎng)絡(luò)，GNRR算法具有訓(xùn)練速度快、局部逼近能力強(qiáng)、預(yù)測(cè)結(jié)果和評(píng)價(jià)準(zhǔn)確率高等特點(diǎn)[7]。整個(gè)智能決策層的算法流程見(jiàn)圖3。

3.3.1.1評(píng)價(jià)指標(biāo)體系構(gòu)建在進(jìn)行預(yù)測(cè)評(píng)價(jià)之前，須先對(duì)要預(yù)測(cè)的中藥材種植土壤進(jìn)行適宜性評(píng)價(jià)，不同中藥材種植土壤影響因素不同，以四川麥冬為例，影響其生長(zhǎng)的土壤指標(biāo)主要有土壤pH值、鹽分含量、溫度、濕度4項(xiàng)指標(biāo)[8]。

3.3.1.2評(píng)價(jià)指標(biāo)權(quán)值計(jì)算目前，關(guān)于適宜性指標(biāo)權(quán)值確定的方法較多，如模糊評(píng)價(jià)法、回歸分析法、層次分析法等。本研究針對(duì)四川麥冬的種植條件，根據(jù)專家、藥農(nóng)種植經(jīng)驗(yàn)，結(jié)合層次分析法求取各指標(biāo)因子的權(quán)重[9]。

由表1可見(jiàn)，組合權(quán)重最高的是土壤鹽分含量，

表1麥冬種植土壤適宜性評(píng)價(jià)體系與權(quán)重

目標(biāo)層指標(biāo)層單因子權(quán)重組合權(quán)重土壤種植麥冬適宜性土壤溫度0.4000.211土壤濕度0.4000.211土壤pH值0.5000.263土壤鹽分含量0.6000.315

之后依次是土壤pH值、土壤溫度、土壤濕度。

3.3.1.3評(píng)價(jià)模型評(píng)價(jià)模型的科學(xué)合理性對(duì)于最后的評(píng)價(jià)結(jié)果有直接影響，結(jié)合中藥材麥冬種植的實(shí)際情況，最終確定用加權(quán)指數(shù)和模型作為種植評(píng)價(jià)分析模型[10]。加權(quán)指數(shù)和評(píng)價(jià)的本質(zhì)是將評(píng)價(jià)單元各指標(biāo)權(quán)重累加求和，按照求得的評(píng)價(jià)單元總分值來(lái)進(jìn)行土壤的適宜性等級(jí)劃分。

N=∑mi=1wiEij。（1）

式中：N為評(píng)價(jià)單元最終指數(shù)和;Eij為第i個(gè)因子中第j個(gè)等級(jí)的評(píng)分值;wi為第i項(xiàng)評(píng)價(jià)指標(biāo)的權(quán)重;m為評(píng)價(jià)指標(biāo)的數(shù)量。

將4個(gè)評(píng)價(jià)指標(biāo)量化分級(jí)賦權(quán)值后的圖層進(jìn)行疊加，對(duì)各個(gè)因子的權(quán)重進(jìn)行累加求和，最終求得各個(gè)評(píng)價(jià)單元的總分值。在獲得評(píng)價(jià)單元總分值的基礎(chǔ)上，運(yùn)用等差序列法來(lái)確定種植過(guò)程中各土壤參數(shù)適宜性等級(jí)的臨界值，并根據(jù)各個(gè)臨界值對(duì)評(píng)價(jià)單元進(jìn)行分級(jí)評(píng)價(jià)。其中采用等差序列法劃分麥冬種植土壤參數(shù)適宜性等級(jí)臨界值的具體方法如下：

先確定各評(píng)價(jià)區(qū)間的平均值，具體公式為

S=Lmax-Lminn;（2）

Lmax=∑mi=1max[wiEij（i=1，2，3，…，k）];（3）

Lmin=∑mi=1min[wiEij（i=1，2，3，…，k）]。（4）

式中：S為各個(gè)區(qū)間平均指數(shù)值;n為劃分區(qū)間數(shù)量;Lmax為每個(gè)指標(biāo)各項(xiàng)等級(jí)最大指數(shù)和;Lmin為每個(gè)指標(biāo)各項(xiàng)等級(jí)的最小指數(shù)和。

各區(qū)間適宜性上下限為

Si=S1（Lmax，Lmax-S）

S2（Lmax-S，Lmax-2S）

Sn[Lmax-（n-1）S，Lmin]。（5）

式中：Si為種植麥冬土壤的平均等級(jí)。

根據(jù)以往麥冬的長(zhǎng)勢(shì)情況并結(jié)合藥農(nóng)的種植經(jīng)驗(yàn)將麥冬種植土壤適宜性劃分為4級(jí)，分別為優(yōu)、良、中、差（表2）。

表2麥冬種植土壤適宜性評(píng)價(jià)結(jié)果與分區(qū)

適宜性分級(jí)適宜性區(qū)間藥材長(zhǎng)勢(shì)描述優(yōu)（75，100]周期短、產(chǎn)量大、藥效好良（56，75]周期較短、產(chǎn)量較大、藥效好中（35，56]周期長(zhǎng)、產(chǎn)量一般、藥效較好差[0，35]產(chǎn)量小或沒(méi)有、藥效差

3.3.2基于K-means算法的降噪原始數(shù)據(jù)往往不太準(zhǔn)確或存在一些問(wèn)題，比如在不同系統(tǒng)中采集的數(shù)據(jù)由于缺少統(tǒng)一的定義會(huì)產(chǎn)生不一致問(wèn)題，即使在同一系統(tǒng)中，對(duì)某一客觀實(shí)物也常常會(huì)存在幾種不同的描述，這種現(xiàn)象經(jīng)常會(huì)導(dǎo)致數(shù)據(jù)的重復(fù)和冗余，除此之外，使用過(guò)程中的一些人為因素或其他一些不可靠因素也會(huì)使數(shù)據(jù)出現(xiàn)屬性值缺失或異?，F(xiàn)象。噪聲數(shù)據(jù)指的是存在錯(cuò)誤或異常的數(shù)據(jù)，與需求不相關(guān)的數(shù)據(jù)或者沒(méi)有意義的數(shù)據(jù)，本研究系統(tǒng)噪聲數(shù)據(jù)產(chǎn)生的原因有采集數(shù)據(jù)的設(shè)備出現(xiàn)故障、數(shù)據(jù)在傳輸?shù)倪^(guò)程中出錯(cuò)或輸入數(shù)據(jù)錯(cuò)誤等。

為了解決上述問(wèn)題，本研究提出使用K-means聚類算法去除噪聲數(shù)據(jù)。K-means算法是處理聚類問(wèn)題的經(jīng)典算法，具有簡(jiǎn)單、快速等特點(diǎn)，對(duì)解決大數(shù)據(jù)集，該算法具有可伸縮性和高效性;當(dāng)簇接近高斯分布時(shí)，其效果較好。K-means算法采用迭代的方法，在迭代過(guò)程中不斷將數(shù)據(jù)對(duì)象指派到離它最近的簇中，直到聚類函數(shù)收斂為止[11]。

算法的輸入、輸出以及工作步驟如下：

（1）輸入初始數(shù)據(jù)集Data和簇的數(shù)目K;

（2）將每個(gè)對(duì)象分配給離它最近的聚類中心所在的簇;

（3）更新所有簇的均值中心作為新的聚類中心，直到聚類中心不再發(fā)生變化;

（4）輸出K個(gè)簇

以中藥材四川麥冬為例，由于在麥冬種植過(guò)程中收集到的數(shù)據(jù)量龐大，這里選取一部分?jǐn)?shù)據(jù)進(jìn)行測(cè)試，以小時(shí)為單位選取150組數(shù)據(jù)每組數(shù)據(jù)中均包括土壤溫度、土壤濕度、土壤pH值、土壤鹽分含量。對(duì)原始數(shù)據(jù)和K-means算法處理后的數(shù)據(jù)分別進(jìn)行Matlab仿真。

從圖4、圖5可以看出，原始數(shù)據(jù)中土壤溫度聚集在13～14 ℃之間，但有幾個(gè)數(shù)據(jù)存在波動(dòng)，達(dá)到19 ℃以上，通過(guò)降噪后，數(shù)據(jù)聚集在13～14 ℃之間。

從圖6、圖7可以看出，原始數(shù)據(jù)中土壤濕度聚集在52～54 ℃之間，由于個(gè)別數(shù)據(jù)波動(dòng)大，致使其他時(shí)間數(shù)據(jù)像分布在一條水平直線上不直觀，通過(guò)降噪后土壤濕度聚集在 53.0～54.2 ℃之間，在小范圍內(nèi)波動(dòng)。

由圖8、圖9可知，在原始數(shù)據(jù)中土壤pH值主要維持在8～9之間，存在個(gè)別異常pH值，通過(guò)去噪后土壤pH值穩(wěn)定在8.60～8.85 之間。

由圖10、圖11可知，土壤鹽分含量集中在16～18 mg/L之間，存在個(gè)別異常值，通過(guò)去噪后土壤鹽分含量穩(wěn)定在17～18 mg/L之間。

綜上，原始數(shù)據(jù)中常存在噪聲數(shù)據(jù)，使得數(shù)據(jù)波動(dòng)范圍過(guò)大，影響后續(xù)對(duì)數(shù)據(jù)的處理，通過(guò) K-menas 聚類算法處理后數(shù)據(jù)變得更加密集和精確。

3.3.3基于GRNN算法的評(píng)價(jià)預(yù)測(cè)首先通過(guò)層次分析法確定中藥材生長(zhǎng)環(huán)境中各個(gè)參數(shù)指標(biāo)的等級(jí)范圍，然后通過(guò)感知層收集影響該種中藥材種植的環(huán)境參數(shù)。本研究主要對(duì)從中藥材種植到采收

階段的數(shù)據(jù)進(jìn)行評(píng)價(jià)預(yù)測(cè)，由于中藥材種植的特殊性，與普通植物種植不同的是，大多數(shù)中藥材種植周期比較長(zhǎng)，感知層模塊收集的數(shù)據(jù)量比較大，將數(shù)據(jù)庫(kù)里的數(shù)據(jù)通過(guò)K-means算法處理后去除異常數(shù)據(jù)，得到正確的中藥材種植過(guò)程中的環(huán)境數(shù)據(jù)，再對(duì)數(shù)據(jù)進(jìn)行歸一化處理。

為了構(gòu)建中藥材質(zhì)量等級(jí)評(píng)價(jià)模型，本研究選用的是廣義回歸神經(jīng)網(wǎng)絡(luò)算法，它是一種基于非線性回歸理論的前饋式神經(jīng)網(wǎng)絡(luò)模型[12]，其結(jié)構(gòu)見(jiàn)圖12。

GRNN的輸入向量經(jīng)過(guò)高斯函數(shù)激活后，傳遞給隱含層。其輸出表達(dá)式為

同，本研究系統(tǒng)設(shè)備見(jiàn)圖14，選擇的測(cè)試地點(diǎn)為位四川省綿陽(yáng)市種植基地（圖15），其生長(zhǎng)周期為1年左右。本研究測(cè)試時(shí)間為2018年4月2日至2019年3月25日，共有4個(gè)測(cè)試點(diǎn)，每個(gè)測(cè)試點(diǎn)放置1個(gè)設(shè)備。

首先系統(tǒng)對(duì)土壤溫度、土壤濕度、土壤pH值、土壤鹽分含量進(jìn)行采集，并存儲(chǔ)到數(shù)據(jù)庫(kù)中，供用戶查看。其次對(duì)數(shù)據(jù)庫(kù)里的數(shù)據(jù)進(jìn)行分析，為便于用戶查看，利用java、mysql、html語(yǔ)言建立一個(gè)中藥材種植溯源信息管理平臺(tái)，以網(wǎng)頁(yè)形式表達(dá)種植環(huán)境信息，圖16為中藥材種植環(huán)境信息和分析結(jié)果頁(yè)面。

5結(jié)論

本研究系統(tǒng)采用太陽(yáng)能為其供電，節(jié)能環(huán)保，且解決了在山區(qū)空曠土壤無(wú)電的問(wèn)題，采用了傳感器技術(shù)、物聯(lián)網(wǎng)技術(shù)，選擇土壤溫度、土壤濕度、土壤pH值及土壤鹽分含量為參數(shù)，在確定藥材種類后，利用層析分析法結(jié)合專家經(jīng)驗(yàn)確定藥材種植適宜性土壤標(biāo)準(zhǔn)，建立了GRNN模型，并將其應(yīng)用在中藥材測(cè)控系統(tǒng)中，對(duì)麥冬的種植環(huán)境進(jìn)行評(píng)價(jià)和預(yù)測(cè)估計(jì)。經(jīng)仿真驗(yàn)證，本研究系統(tǒng)對(duì)中藥材種植環(huán)境的評(píng)價(jià)和預(yù)測(cè)符合標(biāo)準(zhǔn)。本研究系統(tǒng)使得中藥材種植過(guò)程可測(cè)控，使種植管理全過(guò)程高效化、工廠化，且可根據(jù)收集到的數(shù)據(jù)創(chuàng)建相關(guān)中藥材生長(zhǎng)數(shù)據(jù)庫(kù)，為研究及生產(chǎn)指導(dǎo)提供依據(jù)。

參考文獻(xiàn)：

[1]李晉宏，李文鵬. 中藥種植過(guò)程溯源系統(tǒng)的設(shè)計(jì)[J]. 計(jì)算機(jī)光盤軟件與應(yīng)用，2014（8）：231-232.

[2]劉君，晏國(guó)生，柳平增，等. 基于物聯(lián)網(wǎng)的農(nóng)作物生產(chǎn)智能測(cè)控系統(tǒng)的研究與應(yīng)用[J]. 農(nóng)業(yè)網(wǎng)絡(luò)信息，2011（2）：17-20.

[3]王純龍，李賀強(qiáng). NB-IoT的關(guān)鍵技術(shù)及在農(nóng)業(yè)物聯(lián)網(wǎng)中的應(yīng)用[J]. 電子技術(shù)與軟件工程，2017（16）：20.

[4]Oh S M，Shin J S. An efficient small data transmission scheme in the 3GPP NB-IoT system[J]. IEEE Communications Letters，2017，21

（3）：660-663.

[5]Kim T，Kim D M，Pratas N，et al. An enhanced access reservation protocol with a partial preamble transmission mechanism in NB-IoT systems[J]. IEEE Communications Letters，2017，21（10）：2270-2273.

[6]張辰露，梁宗鎖，馮自立，等. 我國(guó)中藥材溯源體系建設(shè)進(jìn)展與啟示[J]. 中國(guó)藥房，2015，26（16）：2295-2298.

[7]張婭莉，喇果彥. GRNN神經(jīng)網(wǎng)絡(luò)在信息分析預(yù)測(cè)中的應(yīng)用[J]. 數(shù)據(jù)采集與處理，2009，24（增刊1）：100-103.

[8]黃虹. 麥冬高產(chǎn)栽培要點(diǎn)[J]. 安徽林業(yè)，2006（2）：36.

[9]龔亞君，張潔，項(xiàng)志南，等. 中藥麥冬本草溯源釋疑[J]. 中國(guó)藥師，2017，20（2）：229-231.

[10]唐雪香，王桂保，劉軒. 基于GIS的種植棗樹耕地適宜性評(píng)價(jià)與品種區(qū)劃[J]. 江蘇農(nóng)業(yè)科學(xué)，2015，43（8）：179-182.

[11]楊柳. K-means 聚類算法性能分析與優(yōu)化研究[J]. 火控雷達(dá)技術(shù)，2019，48（2）：16-19.

[12]Zhang Y，Sheng L. Transformer fault diagnosis based on GRNN and FCM[J]. High Voltage Apparatus，2016，52（5）：116-120.胡艷海，周林飛. 石佛寺水庫(kù)二維水動(dòng)力數(shù)值模擬[J]. 江蘇農(nóng)業(yè)科學(xué)，2020，48（13）：265-271.doi：10.15889/j.issn.1002-1302.2020.13.053