在基于物联网的WSNs中,使用基于串行指数牛顿元启发算法的卷积神经网络进行肥料预测
1Computer Science and Engineering, Mar Ephraem College of Engineering and Technology, Elavuvilai, Marthandam, KanniyakumariDist, Tamil Nadu 629171, India; Computer Science and Engineering, Mar Ephraem College of Engineering and Technology, Elavuvilai, Marthandam, Kanniyakumari Dist, Tamil Nadu, India.
Computational biology and chemistry
|June 26, 2025
概括
本研究介绍了一个深度学习模型用于物联网无线传感器网络中的肥料预测. 新的SExpNMA算法提高了1D CNN的性能,在预测肥料需求方面实现了高精度.
科学领域:
- 农业技术 农业技术
- 机器学习 机器学习
- 无线传感器网络 无线传感器网络
背景情况:
- 优化肥料的应用对于可持续的农业和作物产量至关重要.
- 基于物联网的无线传感器网络 (WSN) 产生了大量用于农业监测的数据.
- 现有的肥料预测方法在复杂的WSN环境中可能缺乏效率和准确性.
研究的目的:
- 开发和评估深度学习模型,以使用基于物联网的WSN数据准确预测肥料.
- 为优化路由和分类器参数引入一种新的元启发式算法 (SExpNMA).
- 通过先进的数据处理和特征融合技术,提高肥料预测模型的性能.
主要方法:
- 序列指数牛顿元启发算法 (SExpNMA) 用于集群头的选择和路由.
- 牛顿元启发算法 (NMA) 和序列指数加权移动平均线 (SEWMA) 的集成.
- 数据预处理包括规范化,清洁和增强.
- 基于特征相关性,使用双向长短期存储器 (BiLSTM) 进行特征融合.
- 使用由SExpNMA训练的1D卷积神经网络 (1D CNN) 进行肥料预测.
主要成果:
- 与传统模型相比,基于SExpNMA的1D CNN模型表现出优异的性能.
- 实现了高预测指标:94.2%的特异性,94.8%的灵敏性和94.5%的准确性.
- 通过规范化,清洁和增强来有效处理数据,提高了模型的稳定性.
结论:
- 提出的深度学习方法,利用SExpNMA和1D CNN,为WSN的肥料预测提供了一个高度准确的解决方案.
- 该SExpNMA算法有效优化WSN路由,并提高分类器的性能.
- 这项研究有助于精准农业,通过使肥料管理更加有效和数据驱动.
