| 【中文题名】 | 禽畜饲养场环境测控系统及数据处理的研究 |
| 【英文题名】 | Research on the Environment Measure and Control System in Livestock Breeding Field & the Data Processing |
| 【学科专业】 | 农业电气化与自动化 |
| 【论文级别】 | 硕士论文 |
| 【投稿时间】 | 2006-12-14 |
| 【中关键词】 | 禽畜舍,测控系统,虚拟仪器,神经网络,数据处理,软件设计 |
| 【英关键词】 | livestock house,measure and control system,virtual instrument,neural network,data processing,software design, |
| 【分类导航】 | 农业科学>畜牧、动物医学、狩猎、蚕、蜂>普通畜牧学>畜牧业电气化和自动化>新技术在畜牧业中的应用> |
| 【论文摘要】 | 禽畜饲养场环境的智能化测量和控制技术是21世纪禽畜养殖业发展的一个重要方向，它将推动粗放型低效禽畜养殖业向知识型、技术型、现代化的高效禽畜养殖业转变，在发达国家已被认为是新世纪禽畜生产管理的一场革命，国内外许多专家学者对禽畜饲养场环境测控技术进行了大量的研究和实践。禽畜饲养场环境测控的核心是针对禽畜的生长环境，实施精确的测量和控制管理措施。结合课题的实际情况，本文重点研究了基于传感器阵列、虚拟仪器和计算机的现场信息获取及历史数据处理，主要内容如下：
在分析粉尘测量原理和有害气体测量方法的基础上，针对禽畜舍内的粉尘和有害气体污染设计了测量和控制系统。针对禽畜饲养现场信息采集的特点，研究了禽畜舍环境信息的采样方案，认为应根据具体的测量要求采用不同的采样方案，提出了动态信息采样策略。根据模块化的软件设计思想，采用NI的LabVIEW7.1开发了相应的现场测控软件，并对现场信号的采集过程进行了仿真试验。
数据处理的目的是为了精确计算出有害气体的排放量，分析产生这些有害气体的原因，从而采取措施减少这些有害气体的排放。来源于禽畜饲养场数据库的历史数据是分析的基础，也是生产管理者进行现场调控... |
| 【论文题纲】 |
|
摘要 |
5-6 |
|
ABSTRACT |
6-11 |
|
第一章 绪论 |
11-15 |
|
1.1 国内外禽畜饲养场环境测控技术研究状况 |
11-12 |
|
1.2 现代测控技术的发展 |
12-13 |
|
1.3 本文完成的工作 |
13-14 |
|
1.4 课题来源 |
14-15 |
|
第二章 禽畜饲养场环境测控系统 |
15-25 |
|
2.1 禽畜饲养场环境监测参数的确定 |
15 |
|
2.2 禽畜饲养场粉尘测量系统 |
15-18 |
|
2.2.1 粉尘测量基本原理 |
16-17 |
|
2.2.2 粉尘测量系统设计 |
17-18 |
|
2.3 禽畜饲养场有害气体测控系统设计 |
18-25 |
|
2.3.1 系统工作原理 |
19 |
|
2.3.2 系统设计的难点和重点 |
19 |
|
2.3.3 气敏传感器阵列和气敏传感器的选择 |
19-21 |
|
2.3.4 数据采集方法 |
21-22 |
|
2.3.5 测控系统硬件结构组成 |
22-23 |
|
2.3.6 有害气体测量系统设计 |
23-25 |
|
第三章 系统测控软件设计 |
25-35 |
|
3.1 软件设计概述 |
25-26 |
|
3.2 软件系统设计 |
26-29 |
|
3.2.1 体系结构设计 |
26-27 |
|
3.2.2 模块设计 |
27-28 |
|
3.2.3 数据结构与算法设计 |
28 |
|
3.2.4 用户界面设计 |
28-29 |
|
3.2.5 软件测试 |
29 |
|
3.3 测控系统软件设计 |
29-35 |
|
3.3.1 测控系统软件组成 |
30-31 |
|
3.3.2 测控系统软件设计内容 |
31-32 |
|
3.3.3 测控系统软件设计实现 |
32-35 |
|
第四章 应用神经网络预测有害气体浓度 |
35-46 |
|
4.1 人工神经网络概述 |
35-36 |
|
4.2 前向型神经网络 |
36-41 |
|
4.2.1 径向基神经网络 |
37-39 |
|
4.2.2 RBF网络的学习算法 |
39-41 |
|
4.2.3 RBF网络的特点及应用 |
41 |
|
4.3 有害气体浓度数据预测 |
41-46 |
|
4.3.1 预测原理 |
42 |
|
4.3.2 数据划分方法和归一化处理 |
42-44 |
|
4.3.3 RBF网络的设计 |
44-45 |
|
4.3.4 预测效果分析 |
45-46 |
|
第五章 历史数据分析与处理 |
46-61 |
|
5.1 数据的纠错和平滑处理 |
46 |
|
5.2 坏数据调整的基本思路 |
46-47 |
|
5.3 历史数据曲线模式聚类 |
47-54 |
|
5.3.1 简单的竞争学习 |
48-49 |
|
5.3.2 自组织映射神经网络的聚类分析 |
49-51 |
|
5.3.3 自组织映射神经网络模型 |
51 |
|
5.3.4 自组织映射学习算法 |
51-54 |
|
5.3.5 采用SOM网实现数据曲线聚类 |
54 |
|
5.4 含有坏数据的曲线模式识别 |
54-56 |
|
5.4.1 用特征曲线数据产生RBF网络训练样本集 |
54-55 |
|
5.4.2 RBF网络的训练 |
55-56 |
|
5.5 坏数据辨识的组合神经网络模型 |
56 |
|
5.6 基于特征曲线的坏数据的调整 |
56-57 |
|
5.7 实例分析 |
57-61 |
|
5.7.1 组合神经网络训练样本集的产生 |
57-58 |
|
5.7.2 SOM网络设计与运算 |
58-59 |
|
5.7.3 坏数据调整结果 |
59-61 |
|
第六章 数据处理软件 |
61-75 |
|
6.1 数据处理软件设计 |
61-66 |
|
6.1.1 用户管理 |
62-65 |
|
6.1.2 主窗体的界面设计 |
65-66 |
|
6.2 数据库设计 |
66-67 |
|
6.3 数据处理软件与MATLAB接口设计 |
67-69 |
|
6.4 数据处理软件设计时的注意事项 |
69 |
|
6.5 数据处理软件概述 |
69-75 |
|
6.5.1 输入和转换 |
70-71 |
|
6.5.2 标记和校正处理 |
71-73 |
|
6.5.3 计算与预测处理 |
73-74 |
|
6.5.4 显示 |
74-75 |
|
第七章 结论与展望 |
75-77 |
|
7.1 总结 |
75-76 |
|
7.2 进一步研究的内容 |
76-77 |
|
致谢 |
77-78 |
|
参考文献 |
78-81 |
|
附录 |
81-83 |
|
| 【DOI】 | LunWen.ID:2.2008.163434 |
