第1章 緒論 1
1.1農(nóng)業(yè)物聯(lián)網(wǎng)架構 1
1.2農(nóng)業(yè)物聯(lián)網(wǎng)研究現(xiàn)狀 4
1.2.1國外研究現(xiàn)狀 5
1.2.2國內(nèi)研究現(xiàn)狀 7
1.3農(nóng)業(yè)物聯(lián)網(wǎng)關鍵技術 8
1.3.1時空數(shù)據(jù)采集 9
1.3.2數(shù)據(jù)提取與預處理 9
1.3.3冗余數(shù)據(jù)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(shù)據(jù)融合 13
1.3.9宕機預測 13
1.4研究內(nèi)容與總體結構 14
1.4.1研究內(nèi)容 14
1.4.2總體結構 15

第2章 農(nóng)業(yè)物聯(lián)網(wǎng)中的數(shù)據(jù)采集模型 17
2.1 概述 17
2.2數(shù)據(jù)采集技術 18
2.2.1機器學習 18
2.2.2人工神經(jīng)網(wǎng)絡 20
2.2.3深度學習 20
2.2.4卷積神經(jīng)網(wǎng)絡 20
2.2.5長短期記憶網(wǎng)絡 21
2.3時空數(shù)據(jù)模型構建 21
2.4時空數(shù)據(jù)模型結構與設計 22
2.4.1時空數(shù)據(jù)采集設計 24
2.4.2輸入層構造 24
2.4.3卷積神經(jīng)網(wǎng)絡構造 24
2.4.4長短期記憶網(wǎng)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(xiàn)與結果分析 28
2.5.1時空數(shù)據(jù)的采集與實現(xiàn) 28
2.5.2數(shù)據(jù)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(nóng)業(yè)物聯(lián)網(wǎng)中的數(shù)據(jù)提取模型 44
3.1 概述 44
3.2數(shù)據(jù)提取與預處理技術 45
3.2.1數(shù)據(jù)提取技術 46
3.2.2數(shù)據(jù)預處理技術 48
3.3模型構建 50
3.3.1數(shù)據(jù)提取模型構建 50
3.3.2 基于 KNN算法的數(shù)據(jù)清洗 52
3.3.3基于數(shù)據(jù)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(xiàn)與結果分析 57
3.4.1實驗環(huán)境 57
3.4.2數(shù)據(jù)集 58
3.4.3數(shù)據(jù)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(nóng)業(yè)物聯(lián)網(wǎng)中的冗余數(shù)據(jù)處理 64
4.1 概述 64
4.2數(shù)據(jù)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(shù)據(jù)過濾 74
4.3.5無效數(shù)據(jù)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(nóng)業(yè)物聯(lián)網(wǎng)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(nóng)業(yè)物聯(lián)網(wǎng)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(shù)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(shù)學模型 107
6.2.3改進的蟻群算法 107
6.3算法實現(xiàn)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(nóng)業(yè)物聯(lián)網(wǎng)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(shù)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(shù)階算子 GM（1,1）灰色預測模型 117
7.4基于改進分數(shù)階累加的灰色軌跡預測模型 119
7.4.1分數(shù)階累加灰色軌跡預測模型 119
7.4.2參數(shù)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(shù)據(jù)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(nóng)業(yè)物聯(lián)網(wǎng)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(nóng)業(yè)物聯(lián)網(wǎng)中的數(shù)據(jù)融合技術 144
9.1 概述 144
9.2研究現(xiàn)狀 144
9.3數(shù)據(jù)融合理論 145
9.3.1多模態(tài)數(shù)據(jù)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(shù)據(jù)的融合與分析 152
9.5實驗結果與分析 158
9.5.1數(shù)據(jù)清洗 158
9.5.2基于卡爾曼濾波的數(shù)據(jù)融合 159
9.5.3基于樸素貝葉斯的數(shù)據(jù)分析 161
9.5.4結果分析 164
9.6本章小結 164

第10章 農(nóng)業(yè)物聯(lián)網(wǎng)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(shù)據(jù)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(xiàn)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(nóng)業(yè)物聯(lián)網(wǎng)典型應用 182
11.1智慧農(nóng)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