物联网,云计算,大数据和人工智能有什么关系

物联网,云计算,大数据和人工智能有什么关系,第1张

云计算、大数据人工智能这三者的发展不能分开来讲,三者是有着紧密联系的,互相联系,互相依托的,脱离了谁都不能更好的发展,让我们具体来看一下!
一、大数据
大数据指无法在一定时间范围内用常规软件工具进行捕捉、管理和处理的数据集合,是需要新处理模式才能具有更强的决策力、洞察发现力和流程优化能力的海量、高增长率和多样化的信息资产。
在维克托·迈尔-舍恩伯格及肯尼斯·库克耶编写的《大数据时代》中大数据指不用随机分析法(抽样调查)这样捷径,而采用所有数据进行分析处理。大数据的5V特点(IBM提出):Volume(大量)、Velocity(高速)、Variety(多样)、Value(低价值密度)、Veracity(真实性)。
数据每天都在产生,各行各业都有,数据量也是相当之大,但如何整合数据,清洗数据,然后实现数据价值,这才是当今大数据行业的研究重点。大数据最后要实现的是数据超融合,应用到应用场景,大数据的价值才会体现出来。
人工智能就是大数据应用的体现。
二、云计算
云计算(cloud computing)是基于互联网的相关服务的增加、使用和交付模式,通常涉及通过互联网来提供动态易扩展且经常是虚拟化的资源。云是网络、互联网的一种比喻说法。过去在图中往往用云来表示电信网,后来也用来表示互联网和底层基础设施的抽象。因此,云计算甚至可以让你体验每秒10万亿次的运算能力,拥有这么强大的计算能力可以模拟核爆炸、预测气候变化和市场发展趋势。用户通过电脑、笔记本、手机等方式接入数据中心,按自己的需求进行运算。
对云计算的定义有多种说法。对于到底什么是云计算,至少可以找到100种解释。现阶段广为接受的是美国国家标准与技术研究院(NIST)定义:云计算是一种按使用量付费的模式,这种模式提供可用的、便捷的、按需的网络访问, 进入可配置的计算资源共享池(资源包括网络,服务器,存储,应用软件,服务),这些资源能够被快速提供,只需投入很少的管理工作,或与服务供应商进行很少的交互。
说白了,云计算计算的是什么?云存储存储的是什么?还是大数据!所以离开大数据谈云计算,离开云计算谈大数据,这都是不科学的。
三、人工智能
人工智能(Artificial Intelligence),英文缩写为AI。它是研究、开发用于模拟、延伸和扩展人的智能的理论、方法、技术及应用系统的一门新的技术科学。人工智能是对人的意识、思维的信息过程的模拟。人工智能不是人的智能,但能像人那样思考、也可能超过人的智能。
人工智能是一门极富挑战性的科学,从事这项工作的人必须懂得计算机知识,心理学和哲学。人工智能是包括十分广泛的科学,它由不同的领域组成,如机器学习,计算机视觉等等,总的说来,人工智能研究的一个主要目标是使机器能够胜任一些通常需要人类智能才能完成的复杂工作。但不同的时代、不同的人对这种复杂工作的理解是不同的。
人工智能其实就是大数据、云计算的应用场景。
现在已经比较火热的VR,沉浸式体验,就是依赖与大数据与云计算,让用户能够由更加真切的体验,并且VR技术是可以使用到各行各业的。
人工智能不同于传统的机器人,传统机器人只是代替人类做一些已经输入好的指令工作,而人工智能则包含了机器学习,从被动到主动,从模式化实行指令,到自主判断根据情况实行不同的指令,这就是区别。
大数据的概念在前几年已经炒得火热,但是也就是近两年才开始慢慢落地,依赖于云计算的发展,以及人们对人工智能的预期。

常见的大数据术语表(中英对照简版):
A
聚合(Aggregation) – 搜索、合并、显示数据的过程
算法(Algorithms) – 可以完成某种数据分析的数学公式
分析法(Analytics) – 用于发现数据的内在涵义
异常检测(Anomaly detection) –
在数据集中搜索与预期模式或行为不匹配的数据项。除了“Anomalies”,用来表示异常的词有以下几种:outliers, exceptions,
surprises, contaminants他们通常可提供关键的可执行信息
匿名化(Anonymization) – 使数据匿名,即移除所有与个人隐私相关的数据
应用(Application) – 实现某种特定功能的计算机软件
人工智能(Artificial Intelligence) –
研发智能机器和智能软件,这些智能设备能够感知周遭的环境,并根据要求作出相应的反应,甚至能自我学习
B
行为分析法(Behavioural Analytics) –
这种分析法是根据用户的行为如“怎么做”,“为什么这么做”,以及“做了什么”来得出结论,而不是仅仅针对人物和时间的一门分析学科,它着眼于数据中的人性化模式
大数据科学家(Big Data Scientist) – 能够设计大数据算法使得大数据变得有用的人
大数据创业公司(Big data startup) – 指研发最新大数据技术的新兴公司
生物测定术(Biometrics) – 根据个人的特征进行身份识别
B字节 (BB: Brontobytes) – 约等于1000 YB(Yottabytes),相当于未来数字化宇宙的大小。1
B字节包含了27个0!
商业智能(Business Intelligence) – 是一系列理论、方法学和过程,使得数据更容易被理解
C
分类分析(Classification analysis) – 从数据中获得重要的相关性信息的系统化过程; 这类数据也被称为元数据(meta
data),是描述数据的数据
云计算(Cloud computing) – 构建在网络上的分布式计算系统,数据是存储于机房外的(即云端)
聚类分析(Clustering analysis) –
它是将相似的对象聚合在一起,每类相似的对象组合成一个聚类(也叫作簇)的过程。这种分析方法的目的在于分析数据间的差异和相似性
冷数据存储(Cold data storage) – 在低功耗服务器上存储那些几乎不被使用的旧数据。但这些数据检索起来将会很耗时
对比分析(Comparative analysis) – 在非常大的数据集中进行模式匹配时,进行一步步的对比和计算过程得到分析结果
复杂结构的数据(Complex structured data) –
由两个或多个复杂而相互关联部分组成的数据,这类数据不能简单地由结构化查询语言或工具(SQL)解析
计算机产生的数据(Computer generated data) – 如日志文件这类由计算机生成的数据
并发(Concurrency) – 同时执行多个任务或运行多个进程
相关性分析(Correlation analysis) – 是一种数据分析方法,用于分析变量之间是否存在正相关,或者负相关
客户关系管理(CRM: Customer Relationship Management) –
用于管理销售、业务过程的一种技术,大数据将影响公司的客户关系管理的策略
D
仪表板(Dashboard) – 使用算法分析数据,并将结果用图表方式显示于仪表板中
数据聚合工具(Data aggregation tools) – 将分散于众多数据源的数据转化成一个全新数据源的过程
数据分析师(Data analyst) – 从事数据分析、建模、清理、处理的专业人员
数据库(Database) – 一个以某种特定的技术来存储数据集合的仓库
数据库即服务(Database-as-a-Service) – 部署在云端的数据库,即用即付,例如亚马逊云服务(AWS: Amazon Web
Services)
数据库管理系统(DBMS: Database Management System) – 收集、存储数据,并提供数据的访问
数据中心(Data centre) – 一个实体地点,放置了用来存储数据的服务器
数据清洗(Data cleansing) – 对数据进行重新审查和校验的过程,目的在于删除重复信息、纠正存在的错误,并提供数据一致性
数据管理员(Data custodian) – 负责维护数据存储所需技术环境的专业技术人员
数据道德准则(Data ethical guidelines) – 这些准则有助于组织机构使其数据透明化,保证数据的简洁、安全及隐私
数据订阅(Data feed) – 一种数据流,例如Twitter订阅和RSS
数据集市(Data marketplace) – 进行数据集买卖的在线交易场所
数据挖掘(Data mining) – 从数据集中发掘特定模式或信息的过程
数据建模(Data modelling) – 使用数据建模技术来分析数据对象,以此洞悉数据的内在涵义
数据集(Data set) – 大量数据的集合
数据虚拟化(Data virtualization) –
数据整合的过程,以此获得更多的数据信息,这个过程通常会引入其他技术,例如数据库,应用程序,文件系统,网页技术,大数据技术等等
去身份识别(De-identification) – 也称为匿名化(anonymization),确保个人不会通过数据被识别
判别分析(Discriminant analysis) –
将数据分类;按不同的分类方式,可将数据分配到不同的群组,类别或者目录。是一种统计分析法,可以对数据中某些群组或集群的已知信息进行分析,并从中获取分类规则。
分布式文件系统(Distributed File System) – 提供简化的,高可用的方式来存储、分析、处理数据的系统
文件存贮数据库(Document Store Databases) – 又称为文档数据库(document-oriented database),
为存储、管理、恢复文档数据而专门设计的数据库,这类文档数据也称为半结构化数据
E
探索性分析(Exploratory analysis) –
在没有标准的流程或方法的情况下从数据中发掘模式。是一种发掘数据和数据集主要特性的一种方法
E字节(EB: Exabytes) – 约等于1000 PB(petabytes), 约等于1百万 GB。如今全球每天所制造的新信息量大约为1
EB
提取-转换-加载(ETL: Extract, Transform and Load) –
是一种用于数据库或者数据仓库的处理过程。即从各种不同的数据源提取(E)数据,并转换(T)成能满足业务需要的数据,最后将其加载(L)到数据库
F
故障切换(Failover) – 当系统中某个服务器发生故障时,能自动地将运行任务切换到另一个可用服务器或节点
容错设计(Fault-tolerant design) – 一个支持容错设计的系统应该能够做到当某一部分出现故障也能继续运行
G
游戏化(Gamification) –
在其他非游戏领域中运用游戏的思维和机制,这种方法可以以一种十分友好的方式进行数据的创建和侦测,非常有效。
图形数据库(Graph Databases) –
运用图形结构(例如,一组有限的有序对,或者某种实体)来存储数据,这种图形存储结构包括边缘、属性和节点。它提供了相邻节点间的自由索引功能,也就是说,数据库中每个元素间都与其他相邻元素直接关联。
网格计算(Grid computing) – 将许多分布在不同地点的计算机连接在一起,用以处理某个特定问题,通常是通过云将计算机相连在一起。
H
Hadoop – 一个开源的分布式系统基础框架,可用于开发分布式程序,进行大数据的运算与存储。
Hadoop数据库(HBase) – 一个开源的、非关系型、分布式数据库,与Hadoop框架共同使用
HDFS – Hadoop分布式文件系统(Hadoop Distributed File
System);是一个被设计成适合运行在通用硬件(commodity hardware)上的分布式文件系统
高性能计算(HPC: High-Performance-Computing) – 使用超级计算机来解决极其复杂的计算问题
I
内存数据库(IMDB: In-memory) –
一种数据库管理系统,与普通数据库管理系统不同之处在于,它用主存来存储数据,而非硬盘。其特点在于能高速地进行数据的处理和存取。
物联网(Internet of Things) – 在普通的设备中装上传感器,使这些设备能够在任何时间任何地点与网络相连。
J
法律上的数据一致性(Juridical data compliance) –
当你使用的云计算解决方案,将你的数据存储于不同的国家或不同的大陆时,就会与这个概念扯上关系了。你需要留意这些存储在不同国家的数据是否符合当地的法律。
K
键值数据库(KeyValue Databases) –
数据的存储方式是使用一个特定的键,指向一个特定的数据记录,这种方式使得数据的查找更加方便快捷。键值数据库中所存的数据通常为编程语言中基本数据类型的数据。
L
延迟(Latency) – 表示系统时间的延迟
遗留系统(Legacy system) – 是一种旧的应用程序,或是旧的技术,或是旧的计算系统,现在已经不再支持了。
负载均衡(Load balancing) – 将工作量分配到多台电脑或服务器上,以获得最优结果和最大的系统利用率。
位置信息(Location data) – GPS信息,即地理位置信息。
日志文件(Log file) – 由计算机系统自动生成的文件,记录系统的运行过程。
M
M2M数据(Machine2Machine data) – 两台或多台机器间交流与传输的内容
机器数据(Machine data) – 由传感器或算法在机器上产生的数据
机器学习(Machine learning) –
人工智能的一部分,指的是机器能够从它们所完成的任务中进行自我学习,通过长期的累积实现自我改进。
MapReduce – 是处理大规模数据的一种软件框架(Map: 映射,Reduce: 归纳)。
大规模并行处理(MPP: Massively Parallel Processing) –
同时使用多个处理器(或多台计算机)处理同一个计算任务。
元数据(Metadata) – 被称为描述数据的数据,即描述数据数据属性(数据是什么)的信息。
MongoDB – 一种开源的非关系型数据库(NoSQL database)
多维数据库(Multi-Dimensional Databases) – 用于优化数据联机分析处理(OLAP)程序,优化数据仓库的一种数据库。
多值数据库(MultiValue Databases) – 是一种非关系型数据库(NoSQL),
一种特殊的多维数据库:能处理3个维度的数据。主要针对非常长的字符串,能够完美地处理HTML和XML中的字串。
N
自然语言处理(Natural Language Processing) –
是计算机科学的一个分支领域,它研究如何实现计算机与人类语言之间的交互。
网络分析(Network analysis) – 分析网络或图论中节点间的关系,即分析网络中节点间的连接和强度关系。
NewSQL – 一个优雅的、定义良好的数据库系统,比SQL更易学习和使用,比NoSQL更晚提出的新型数据库
NoSQL –
顾名思义,就是“不使用SQL”的数据库。这类数据库泛指传统关系型数据库以外的其他类型的数据库。这类数据库有更强的一致性,能处理超大规模和高并发的数据。
O
对象数据库(Object Databases) –
(也称为面象对象数据库)以对象的形式存储数据,用于面向对象编程。它不同于关系型数据库和图形数据库,大部分对象数据库都提供一种查询语言,允许使用声明式编程(declarative
programming)访问对象
基于对象图像分析(Object-based Image Analysis) –
数字图像分析方法是对每一个像素的数据进行分析,而基于对象的图像分析方法则只分析相关像素的数据,这些相关像素被称为对象或图像对象。
*** 作型数据库(Operational Databases) –
这类数据库可以完成一个组织机构的常规 *** 作,对商业运营非常重要,一般使用在线事务处理,允许用户访问 、收集、检索公司内部的具体信息。
优化分析(Optimization analysis) –
在产品设计周期依靠算法来实现的优化过程,在这一过程中,公司可以设计各种各样的产品并测试这些产品是否满足预设值。
本体论(Ontology) – 表示知识本体,用于定义一个领域中的概念集及概念之间的关系的一种哲学思想。(译者注:
数据被提高到哲学的高度,被赋予了世界本体的意义,成为一个独立的客观数据世界)
异常值检测(Outlier detection) –
异常值是指严重偏离一个数据集或一个数据组合总平均值的对象,该对象与数据集中的其他它相去甚远,因此,异常值的出现意味着系统发生问题,需要对此另加分析。
P
模式识别(Pattern Recognition) – 通过算法来识别数据中的模式,并对同一数据源中的新数据作出预测
P字节(PB: Petabytes) – 约等于1000 TB(terabytes), 约等于1百万 GB
(gigabytes)。欧洲核子研究中心(CERN)大型强子对撞机每秒产生的粒子个数就约为1 PB
平台即服务(PaaS: Platform-as-a-Service) – 为云计算解决方案提供所有必需的基础平台的一种服务
预测分析(Predictive analysis) –
大数据分析方法中最有价值的一种分析方法,这种方法有助于预测个人未来(近期)的行为,例如某人很可能会买某些商品,可能会访问某些网站,做某些事情或者产生某种行为。通过使用各种不同的数据集,例如历史数据,事务数据,社交数据,或者客户的个人信息数据,来识别风险和机遇
隐私(Privacy) – 把具有可识别出个人信息的数据与其他数据分离开,以确保用户隐私。
公共数据(Public data) – 由公共基金创建的公共信息或公共数据集。
Q
数字化自我(Quantified Self) – 使用应用程序跟踪用户一天的一举一动,从而更好地理解其相关的行为
查询(Query) – 查找某个问题答案的相关信息
R
再识别(Re-identification) – 将多个数据集合并在一起,从匿名化的数据中识别出个人信息
回归分析(Regression analysis) –
确定两个变量间的依赖关系。这种方法假设两个变量之间存在单向的因果关系(译者注:自变量,因变量,二者不可互换)
RFID – 射频识别; 这种识别技术使用一种无线非接触式射频电磁场传感器来传输数据
实时数据(Real-time data) – 指在几毫秒内被创建、处理、存储、分析并显示的数据
推荐引擎(Recommendation engine) – 推荐引擎算法根据用户之前的购买行为或其他购买行为向用户推荐某种产品
路径分析(Routing analysis) –
针对某种运输方法通过使用多种不同的变量分析从而找到一条最优路径,以达到降低燃料费用,提高效率的目的
S
半结构化数据(Semi-structured data) –
半结构化数据并不具有结构化数据严格的存储结构,但它可以使用标签或其他形式的标记方式以保证数据的层次结构
情感分析(Sentiment Analysis) – 通过算法分析出人们是如何看待某些话题
信号分析(Signal analysis) – 指通过度量随时间或空间变化的物理量来分析产品的性能。特别是使用传感器数据。
相似性搜索(Similarity searches) – 在数据库中查询最相似的对象,这里所说的数据对象可以是任意类型的数据
仿真分析(Simulation analysis) –
仿真是指模拟真实环境中进程或系统的 *** 作。仿真分析可以在仿真时考虑多种不同的变量,确保产品性能达到最优
智能网格(Smart grid) – 是指在能源网中使用传感器实时监控其运行状态,有助于提高效率
软件即服务(SaaS: Software-as-a-Service) – 基于Web的通过浏览器使用的一种应用软件
空间分析(Spatial analysis) – 空间分析法分析地理信息或拓扑信息这类空间数据,从中得出分布在地理空间中的数据的模式和规律
SQL – 在关系型数据库中,用于检索数据的一种编程语言
结构化数据(Structured data)
-可以组织成行列结构,可识别的数据。这类数据通常是一条记录,或者一个文件,或者是被正确标记过的数据中的某一个字段,并且可以被精确地定位到。
T
T字节(TB: Terabytes) – 约等于1000 GB(gigabytes)。1 TB容量可以存储约300小时的高清视频。
时序分析(Time series analysis) –
分析在重复测量时间里获得的定义良好的数据。分析的数据必须是良好定义的,并且要取自相同时间间隔的连续时间点。
拓扑数据分析(Topological Data Analysis) –
拓扑数据分析主要关注三点:复合数据模型、集群的识别、以及数据的统计学意义。
交易数据(Transactional data) – 随时间变化的动态数据
透明性(Transparency) – 消费者想要知道他们的数据有什么作用、被作何处理,而组织机构则把这些信息都透明化了。
U
非结构化数据(Un-structured data) – 非结构化数据一般被认为是大量纯文本数据,其中还可能包含日期,数字和实例。
V
价值(Value) – (译者注:大数据4V特点之一)
所有可用的数据,能为组织机构、社会、消费者创造出巨大的价值。这意味着各大企业及整个产业都将从大数据中获益。
可变性(Variability) – 也就是说,数据的含义总是在(快速)变化的。例如,一个词在相同的推文中可以有完全不同的意思。
多样(Variety) – (译者注:大数据4V特点之一)
数据总是以各种不同的形式呈现,如结构化数据,半结构化数据,非结构化数据,甚至还有复杂结构化数据
高速(Velocity) – (译者注:大数据4V特点之一) 在大数据时代,数据的创建、存储、分析、虚拟化都要求被高速处理。
真实性(Veracity) – 组织机构需要确保数据的真实性,才能保证数据分析的正确性。因此,真实性(Veracity)是指数据的正确性。
可视化(Visualization) –
只有正确的可视化,原始数据才可被投入使用。这里的“可视化”并非普通的图型或饼图,可视化指是的复杂的图表,图表中包含大量的数据信息,但可以被很容易地理解和阅读。
大量(Volume) – (译者注:大数据4V特点之一) 指数据量,范围从Megabytes至Brontobytes
W
天气数据(Weather data) – 是一种重要的开放公共数据来源,如果与其他数据来源合成在一起,可以为相关组织机构提供深入分析的依据
X
XML数据库(XML Databases) –
XML数据库是一种以XML格式存储数据的数据库。XML数据库通常与面向文档型数据库相关联,开发人员可以对XML数据库的数据进行查询,导出以及按指定的格式序列化
Y
Y字节 (Yottabytes) – 约等于1000 ZB (Zettabytes),
约等于250万亿张DVD的数据容量。现今,整个数字化宇宙的数据量为1 YB, 并且将每18年翻一番。
Z
Z字节 (ZB: Zettabytes) – 约等于1000 EB (Exabytes), 约等于1百万
TB。据预测,到2016年全球范围内每天网络上通过的信息大约能达到1 ZB。
附:存储容量单位换算表:
1 Bit(比特) = Binary Digit
8 Bits = 1 Byte(字节)
1,000 Bytes = 1 Kilobyte
1,000 Kilobytes = 1 Megabyte
1,000 Megabytes = 1 Gigabyte
1,000 Gigabytes = 1 Terabyte
1,000 Terabytes = 1 Petabyte
1,000 Petabytes = 1 Exabyte
1,000 Exabytes = 1 Zettabyte
1,000 Zettabytes = 1 Yottabyte
1,000 Yottabytes = 1 Brontobyte
1,000 Brontobytes = 1 Geopbyte

如果是管理层次的,比如智能仓库、智能车库等可能需要算法,但相对是比较简单的。
物联网主要目的是将各种带传感器的物体联系起来,集中信息、集中控制,重点是信息的汇总和智能控制,对算法要求不高,强调信息的实时性和联网的稳定、有效和组网的性价比。
一般用c语言程序设计就可以完成,基本上不涉及汇编;普通物联网设计都是拿基础模块“搭积木”,这些模块的接口都力求简单(比如用标准串口、SPI等),一般是别人做好的模块,你拿来用就是,例程也准备好的,你综合一下就可搭建网络和系统了。

物联网技术是允许日常使用的有形物体能够连接到互联网中,通过算法传输数据并更好地为客户提供服务。目前物联网技术的快速发展最直观的体现是电视、家具、吸尘器等智能设备的激增。目前,已经有智能家居完全是由内置的算法 *** 作。
区块链是分布式数据存储、点对点传输、共识机制、加密算法等计算机技术的新型应用模式。
区块链的分布式特性意味着它可以抵御大多数安全问题。区块链系统与传统的客户端-服务器系统相比,它的高级加密性提供了更好的防黑客保护。这就是使用虚拟货币进行在线交易非常安全的原因。

本专题我共整理了10篇文章,来自中国农业科学院农业质量标准与检测技术研究所、南京农业大学、英国林肯大学、华南农业大学、江南大学、国家农业智能装备工程技术研究中心、浙江大学、中国科学院、吉林农业大学、西北农林 科技 大学、国家信息农业工程技术中心等单位。

文章包含农产品质量安全纳米传感器、太阳能杀虫灯、分簇路由算法、农田物联网混合多跳路由算法、水产养殖溶解氧传感器研制、土壤养分近场遥测方法、农机远程智能管理平台、水肥浓度智能感知与精准配比、果园多机器人通信等内容,供大家阅读、参考。

专题--农业传感器与物联网

Topic--Agricultural Sensor and Internet of Things

[1]王培龙, 唐智勇 农产品质量安全纳米传感应用研究分析与展望[J] 智慧农业(中英文), 2020, 2(2): 1-10

WANG Peilong , TANG Zhiyong Application analysis and prospect of nanosensor in the quality and safety of agricultural products[J] Smart Agriculture, 2020, 2(2): 1-10

知网阅读

[2]杨星, 舒磊, 黄凯, 李凯亮, 霍志强, 王彦飞, 王心怡, 卢巧玲, 张亚成 太阳能杀虫灯物联网故障诊断特征分析及潜在挑战[J] 智慧农业(中英文), 2020, 2(2): 11-27

YANG Xing, SHU Lei, HUANG Kai, LI Kailiang, HUO Zhiqiang, WANG Yanfei, WANG Xinyi, LU Qiaoling, ZHANG Yacheng Characteristics analysis and challenges for fault diagnosis in solar insecticidal lamps Internet of Things[J] Smart Agriculture, 2020, 2(2): 11-27

摘要: 太阳能杀虫灯物联网(SIL-IoTs)是一种基于农业场景与物联网技术的新型物理农业虫害防治工具,通过无线传输太阳能杀虫灯组件状态数据,用户可后台实时查看太阳能杀虫灯运行状态,具有杀虫计数、虫害区域定位、辅助农情监测等功能。但随着SIL-IoTs快速发展与广泛应用,故障诊断难和维护难等矛盾日益突出。基于此,本研究首先阐述了SIL-IoTs的结构和研究现状,分析了故障诊断的重要性,指出了故障诊断是保障其可靠性的主要手段。接着介绍了目前太阳能杀虫灯节点自身存在的故障及其在无线传感网络(WSNs)中的体现,并进一步对WSNs中的故障进行分类,包括基于行为、基于时间、基于组件以及基于影响区域的故障四类。随后讨论了统计方法、概率方法、层次路由方法、机器学习方法、拓扑控制方法和移动基站方法等目前主要使用的WSNs故障诊断方法。此外,还探讨了SIL-IoTs故障诊断策略,将故障诊断从行为上分为主动型诊断与被动型诊断策略,从监测类型上分为连续诊断、定期诊断、直接诊断与间接诊断策略,从设备上分为集中式、分布式与混合式策略。在以上故障诊断方法与策略的基础上,介绍了后台数据异常、部分节点通信异常、整个网络通信异常和未诊断出异常但实际存在异常四种故障现象下适用的WSNs故障诊断调试工具,如Sympathy、Clairvoyant、SNIF和Dustminer。最后,强调了SIL-IoTs的特性对故障诊断带来的潜在挑战,包括部署环境复杂、节点任务冲突、连续性区域节点无法传输数据和多种故障诊断失效等情形,并针对这些潜在挑战指出了合理的研究方向。由于SIL-IoTs为农业物联网中典型应用,因此本研究可扩展至其它农业物联网中,并为这些农业物联网的故障诊断提供参考。

知网阅读

[3]汪进鸿, 韩宇星 用于作物表型信息边缘计算采集的认知无线传感器网络分簇路由算法[J] 智慧农业(中英文), 2020, 2(2): 28-47

WANG Jinhong, HAN Yuxing Cognitive radio sensor networks clustering routing algorithm for crop phenotypic information edge computing collection[J] Smart Agriculture, 2020, 2(2): 28-47

摘要: 随着无线终端数量的快速增长和多媒体图像等高带宽传输业务需求的增加,农业物联网相关领域可预见地会出现无线频谱资源紧缺问题。针对基于传统物联网的作物表型信息采集系统中存在由于节点密集部署导致数据传输过程容易出现频谱竞争、数据拥堵的现象以及固定电池的网络由于能耗不均衡引起监测周期缩减等诸多问题,本研究建立了一个认知无线传感器网络(CRSN)作物表型信息采集模型,并针对模型提出一种引入边缘计算机制的动态频谱和能耗均衡(DSEB)的事件驱动分簇路由算法。算法包括:(1)动态频谱感知分簇,采用层次聚类算法结合频谱感知获取的可用信道、节点间的距离、剩余能量和邻居节点度为相似度对被监控区域内的节点进行聚类分簇并选取簇头,构建分簇拓扑的过程对各分簇大小的均衡性引入奖励和惩罚因子,提升网络各分簇平均频谱利用率;(2)融入边缘计算的事件触发数据路由,根据构建的分簇拓扑结构,将待检测各区域变化异常表型信息触发事件以簇内汇聚和簇间中继交替迭代方式转发至汇聚节点,簇内汇聚包括直传和簇内中继,簇间中继包括主网关节点和次网关节点-主网关节点两种情况;(3)基于频谱变化和通信服务质量(QoS)的自适应重新分簇:基于主用户行为变化引起的可用信道改变,或分簇效果不佳对通信服务质量产生的干扰,触发CRSN进行自适应重新分簇。此外,本研究还提出了一种新的能耗均衡策略去能量消耗中心化(假设sink为中心),即在网关或簇头节点选取计算式中引入与节点到sink的距离成正比的权重系数。算法仿真结果表明,与采用K-medoid分簇和能量感知的事件驱动分簇(ERP)路由方案相比,在CRSN节点数为定值的前提下,基于DSEB的分簇路由算法在网络生存期与能效等方面均具有一定的改进;在主用户节点数为定值时,所提算法比其它两种算法具有更高频谱利用率。

知网阅读

[4]顾浩, 王志强, 吴昊, 蒋永年, 郭亚 基于荧光法的溶解氧传感器研制及试验[J] 智慧农业(中英文), 2020, 2(2): 48-58

GU Hao, WANG Zhiqiang, WU Hao, JIANG Yongnian, GUO Ya A fluorescence based dissolved oxygen sensor[J] Smart Agriculture, 2020, 2(2): 48-58

摘要:溶解氧含量的测量对水产养殖具有极其重要的意义,但目前中国市面上的溶解氧传感器存在价格昂贵、不能持续在线测量及更新部件维护困难等问题,难以在水产养殖物联网中大规模推广和发挥作用。本研究基于荧光淬灭原理,利用水中溶解氧浓度与荧光信号相位差的关系进行低成本、易维护溶解氧传感器的研发。首先利用自制备溶氧敏感膜,经激发光照射后产生红色荧光,该荧光寿命可由溶解氧浓度调节;然后利用光信号敏感器件设计光电转化电路实现光信号感知;再以STM32F103微处理器作为主控芯片,编写下位机程序实现激发光脉冲产生,利用相敏检波原理以及快速傅里叶变换(FFT)计算激发光与参照光的相位差,进而转化为溶解氧浓度,实现溶解氧的测量。荧光探测部分与系统主控部分采用分离式设计思想,利用屏蔽排线直接插拔连接,便于传感器探测头的拆卸、更换、维护以及实现远距离在线测量。经测试,本溶解氧传感器的测量范围是0~20 mg/L,响应延迟小于2 s,溶氧敏感膜使用寿命约1年,可以实时不间断地对溶解氧浓度进行测量。同时,本传感器具有测量方便、制作成本低、体积小等特点,为中国水产养殖低成本溶解氧传感器的研发与市场化奠定了良好的基础。

知网阅读

[5]矫雷子, 董大明, 赵贤德, 田宏武 基于调制近红外反射光谱的土壤养分近场遥测方法研究[J] 智慧农业(中英文), 2020, 2(2): 59-66

JIAO Leizi, DONG Daming, ZHAO Xiande, TIAN Hongwu Near-field telemetry detection of soil nutrient based on modulated near-infrared reflectance spectrum[J] Smart Agriculture, 2020, 2(2): 59-66

摘要: 土壤养分作为农业生产的重要指标,含量过少会降低农作物产量,过多则会造成环境污染。因此,快速、准确检测土壤养分对于精准施肥和提高作物产量具有重要意义。基于取样和化学分析的传统方法能够全面准确地检测土壤养分,但检测过程中土壤的取样及预处理过程繁琐、 *** 作复杂、费时费力,不能实现土壤养分的原位快速检测。本研究基于调制近红外光谱,提出了一种土壤养分主动式近场遥测方法,可有效避免土壤反射自然光的干扰。该方法使用波长范围1260~1610 nm的8通道窄带激光二极管作为近红外光源,通过测量8通道激光光束的土壤反射率,建立土壤养分中氮(N)关于土壤反射率的计量模型,实现了N的快速检测。在74组已知N含量的土壤样品中,选取54组作为训练集,20组作为预测集。基于一般线性模型,对训练集中土壤N含量与土壤反射率的定量化参数进行训练,筛选显著波段后的计量模型R2达到097。基于建立的计量模型,预测集中土壤N含量预测值与参考值的决定系数R2达到09,结果表明该方法具有土壤养分现场快速检测的能力。

知网阅读

[6]朱登胜, 方慧, 胡韶明, 王文权, 周延锁, 王红艳, 刘飞, 何勇 农机远程智能管理平台研发及其应用[J] 智慧农业(中英文), 2020, 2(2): 67-81

ZHU Dengsheng, FANG Hui, HU Shaoming, WANG Wenquan, ZHOU Yansuo, WANG Hongyan, LIU Fei, HE Yong Development and application of an intelligent remote management platform for agricultural machinery[J] Smart Agriculture, 2020, 2(2): 67-81

摘要: 本研究针对农机管理实时数据少、农机实时作业监管困难、服务信息不对称等问题,首先提出专业化远程管理平台设计时应具有五大原则:专业化、标准化、云平台、模块化以及开放性。基于这些原则,本研究设计了基于大田作业智能传感技术、物联网技术、定位技术、遥感技术和地理信息系统的可定制化的通用农机远程智能管理平台。平台分别为各级政府管理部门、农机合作社、农机手、农户设计并实现了基于WebGIS 的农机信息库及农机位置服务、农机作业实时监测与管理、农田基础信息管理、田间作物基本信息管理、农机调度管理、农机补贴管理、农机作业订单管理等多个实用模块。研究着重分析了在当前的技术背景下,平台部分关键技术的实现方法,包括采用低精度GNSS定位系统前提下的作业面积的计算方法、GNSS定位数据处理过程中的数据问题分析、农机调度算法、作业传感器信息的集成等,并提出了以地块为核心的管理平台建设思路;同时提出农机作业管理平台将逐步从简单作业管理转向大田农机综合管理。本平台对同类型管理平台的研发具有一定的参考与借鉴作用。

知网阅读

[7]金洲, 张俊卿, 郭红燕, 胡宜敏, 陈翔宇, 黄河, 王红艳 水肥浓度智能感知与精准配比系统研制与试验[J] 智慧农业(中英文), 2020, 2(2): 82-93

JIN Zhou, ZHANG Junqing, GUO Hongyan, HU Yimin, CHEN Xiangyu, HUANG He, WANG Hongyan Development and testing of intelligent sensing and precision proportioning system of water and fertilizer concentration[J] Smart Agriculture, 2020, 2(2): 82-93

摘要: 为解决农场当地当时的复合肥料精准化配料问题,本研究将水肥一体化智能灌溉施肥系统作为研究对象,构建了水肥浓度智能感知与精准配比系统。首先提出现场在线水肥溶液智能感知模型的快速建立方法,利用数据分析算法从传感器实时监测的一系列浓度梯度的肥料溶液中挖掘出模型。其次基于上述模型设计水肥浓度智能感知与精准配比系统的框架结构,阐述系统工作原理;并通过三种水体模拟在线配肥验证了该系统原位指导水肥浓度配比的有效性,同时评价了水体电导率对水肥配比浓度的干扰。试验结果表明,正则化条件下二阶的多项式拟合曲线是表达溶液电导率与水肥浓度的变化关系最优的模型,相关系数R2均大于0999,由此模型可得出用户关心的复合肥各指标浓度。三种水体模拟在线配肥结果表明,水体会干扰电导率导致无法准确反演水肥配比的浓度,相对偏差值超过了01。因此,本研究提出的在线水肥智能感知与精准配比系统实现了消除当地水体电导率对水肥配比准确性的干扰,通过模型计算实现复合肥精准化配比,并得出各指标浓度。该系统结构简单,配比精准,易与现有水肥一体机或者人工配肥系统结合使用,可广泛应用于设施农业栽培、果园栽培和大田经济作物栽培等环境下的精准智能施肥。

知网阅读

[8]孙浩然, 孙琳, 毕春光, 于合龙 基于粒子群与模拟退火协同优化的农田物联网混合多跳路由算法[J] 智慧农业(中英文), 2020, 2(3): 98-107

SUN Haoran, SUN Lin, BI Chunguang, YU Helong Hybrid multi-hop routing algorithm for farmland IoT based on particle swarm and simulated annealing collaborative optimization method[J] Smart Agriculture, 2020, 2(3): 98-107

摘要: 农业无线传感器网络对农田土壤、环境和作物生长的多源异构信息的获取起关键作用。针对传感器在农田中非均匀分布且受到能量制约等问题,本研究提出了一种基于粒子群和模拟退火协同优化的农田物联网混合多跳路由算法(PSMR)。首先,通过节点剩余能量和节点度加权选择簇首,采用成簇结构实现异构网络高效动态组网。然后通过簇首间多跳数据结构解决簇首远距离传输能耗过高问题,利用粒子群与模拟退火协同优化方法提高算法收敛速度,实现sink节点加速采集簇首中的聚合数据。对算法的仿真试验结果表明,PSMR算法与基于能量有效负载均衡的多路径路由策略方法(EMR)相比,无线传感器网络生命周期提升了57%;与贪婪外围无状态路由算法(GPSR-A)相比,在相同的网络生命周期内,第1个死亡传感器节点推迟了两轮,剩余能量标准差减少了004 J,具有良好的网络能耗均衡性。本研究提出的PSMR算法通过簇首间多跳降低远端簇首额外能耗,提高了不同距离簇首的能耗均衡性能,为实现大规模农田复杂环境的长时间、高效、稳定地数据采集监测提供了技术基础,可提高农业物联网的资源利用效率。

知网阅读

[9]毛文菊, 刘恒, 王东飞, 杨福增, 刘志杰 面向果园多机器人通信的AODV路由协议改进设计与测试[J] 智慧农业(中英文), 2021, 3(1): 96-108

MAO Wenju, LIU Heng, WANG Dongfei, YANG Fuzeng, LIU Zhijie Improved AODV routing protocol for multi-robot communication in orchard[J] Smart Agriculture, 2021, 3(1): 96-108

摘要: 针对多机器人在果园中作业时的通信需求,本研究基于Wi-Fi信号在桃园内接收强度预测模型,提出了一种引入优先节点和路径信号强度阈值的改进无线自组网按需平面距离向量路由协议(AODV-SP)。对AODV-SP报文进行设计,并利用NS2仿真软件对比了无线自组网按需平面距离向量路由协议(AODV)和AODV-SP在发起频率、路由开销、平均端到端时延及分组投递率4个方面的性能。仿真试验结果表明,本研究提出的AODV-SP路由协议在发起频率、路由开销、平均端到端时延及分组投递率4个方面的性能均优于AODV协议,其中节点的移动速度为5 m/s时,AODV-SP的路由发起频率和路由开销较AODV分别降低了365%和709%,节点的移动速度为8 m/s时,AODV-SP的分组投递率提高了059%,平均端到端时延降低了1309%。为进一步验证AODV-SP协议的性能,在实验室环境中搭建了基于领航-跟随法的小型多机器人无线通信物理平台并将AODV-SP在此平台应用,并进行了静态丢包率和动态测试。测试结果表明,节点相距25 m时静态丢包率为0,距离100 m时丢包率为2101%;动态行驶时能使机器人维持链状拓扑结构。本研究可为果园多机器人在实际环境中通信系统的搭建提供参考。

知网阅读

[10]黄凯, 舒磊, 李凯亮, 杨星, 朱艳, 汪小旵, 苏勤 太阳能杀虫灯物联网节点的防盗防破坏设计及展望[J] 智慧农业(中英文), 2021, 3(1): 129-143

HUANG Kai, SHU Lei, LI Kailiang, YANG Xing, ZHU Yan, WANG Xiaochan, SU Qin Design and prospect for anti-theft and anti-destruction of nodes in Solar Insecticidal Lamps Internet of Things[J] Smart Agriculture, 2021, 3(1): 129-143

摘要: 太阳能杀虫灯在有效控制虫害的同时,可减少农药施药量。随着其部署数量的增加,被盗被破坏的报道也越来越多,严重影响了虫害防治效果并造成了较大的经济损失。为有效地解决太阳能杀虫灯物联网节点被盗被破坏问题,本研究以太阳能杀虫灯物联网为应用场景,对太阳能杀虫灯硬件进行改造设计以获取更多的传感信息;提出了太阳能杀虫灯辅助设备——无人机杀虫灯,用以被盗被破坏出现后的部署、追踪和巡检等应急应用。通过上述硬件层面的改造设计和增加辅助设备,可以获取更为全面的信息以判断太阳能杀虫灯物联网节点被盗被破坏情况。但考虑到被盗被破坏发生时间短,仅改造硬件层面还不足以实现快速准确判断。因此,本研究进一步从内部硬件、软件算法和外形结构设计三个层面,探讨了设备防盗防破坏的优化设计、设备防盗防破坏判断规则的建立、设备被盗被破坏的快速准确判断、设备被盗被破坏的应急措施、设备被盗被破坏的预测与防控,以及优化计算以降低网络数据传输负荷六个关键研究问题,并对设备防盗防破坏技术在太阳能杀虫灯物联网场景中的应用进行了展望。

知网阅读

微信交流服务群

为方便农业科学领域读者、作者和审稿专家学术交流,促进智慧农业发展,为更好地服务广大读者、作者和审稿人,编辑部建立了微信交流服务群,有关专业领域内的问题讨论、投稿相关的问题均可在群里咨询。

入群方法: 加我微信 331760296 备注: 姓名、单位、研究方向 ,我拉您进群,机构营销广告人员勿扰。

信息发布

科研团队介绍及招聘信息、学术会议及相关活动 的宣传推广

我觉得二者相辅相成,但物联网可能更适应社会发展需求。原因如下

人工智能类似软件,需要物联网作为载体,物联网类似个硬件,是需要人工智能来驱动的。人工智能需要落地的应用作为载体,物联网就是一个最重要的载体。

物联网的英文是Internet of things简称IOT,翻译过来就是,,物物相连,万物互联,简单来说,即是物与物相连互联的互联网,但其实,物联网在我们的生活中已经无处不在,从我们在上学期间使用的校园一卡通,到高速上的ETC,再到近些年流行的智能手环可穿戴设备等等,都是物联网运用的例子,另外,随着AI技术的发展,物联网+AI带来了更多的可能性。

传统家居产品的智能化就是一个很好的例子,互联网时代,我们使用手机等设备获取输出信息,d属于人机交互模型,是以人为主体在网络上传输数据和信息,物联网主要分为3个组成部分,网络连接(connectivity)、数据处理,(device)、网络连接,传感器被安装在各种产品中,它们就是万物互联的物,这些传感器或者是芯片,让产品拥有感知能力和数据处理能力。

同时物联网感知设备每天可以收集产生大量的数据,如何利用这些数据并且分析数据,就成为难题,随着人工智能的发展,一些人工智能的分析方法就可以引入进来,人工智能为物联网面临的数据难题提供了最好的解决方案,人工智能通过强大的数据分析能力,在人类的帮助下做出最佳的决策,人工智能与物联网相融合,利用人工智能实时分析数据的物联网设备终端正在走入我们的千家万户。
最简单的设备例子:语音音箱和手机端语音助手,就是建立在自然语音处理的技术之上的物联网终端设备,物联网家庭摄像头也极大的依赖计算机视觉技术实施监控功能。这些物联网设备也只有借助人工智能技术的加持才能真正的发挥其优越性。物联网和人工智能 的关系就是一种相辅相成,携手并进,互相依赖的关系。


但人工智能的周期发展还是很长的,而目前很多大学把人工智能的核心的内容在研究生阶段培养,本科阶段用来测验学生是否有学习的潜力和能力。同时人工智能专业对教学设备和教学师资有过高的要求,而人工智能行业但凡有独特认知和能力的人才基本上在大型企业,没有在学校。人工智能对学历要求比较高。
物联网工程的市场庞大,因此就业前景也非常好。毕业生可从事信息传播时代内容方面的深度、综合、跨学科的信息传播工作,同时也能在新闻传播技术方面从事设计、制作等方面的传播技术类工作或者在政府管理部门、科学研究机构、设计院、咨询公司、建筑工程公司、物业及能源管理、建筑节能设备及产品制造生产企业等单位从事建筑节能的研究、设计、施工、运行、监测与管理工作等等。


欢迎分享,转载请注明来源:内存溢出

原文地址: http://outofmemory.cn/dianzi/10555513.html

(0)
打赏 微信扫一扫 微信扫一扫 支付宝扫一扫 支付宝扫一扫
上一篇 2023-05-09
下一篇 2023-05-09

发表评论

登录后才能评论

评论列表(0条)

保存