论文部分内容阅读
谷物测产工作是精准农业(Precision Agriculture,简称PA)中最为关键的核心环节之一,通过谷物产量信息,能够准确快捷的获取影响作物生长因素等信息,并结合精准农业的其他重要环节,能够使精准农业向着定时、定位、定量的新型农业方向发展。在谷物测产中,由于受谷物收割机自身振动等而引发的机械噪声将夹杂在谷物测产信号中,势必会影响谷物的测产精度。现阶段,国内外研究人员针对提高谷物测产精度的研究主要集中在去噪算法上,虽然有一定的去噪效果,但因算法复杂且算法在分解信号过程中的自适应性不足够好,导致谷物测产精度还有待进一步提高。本文针对该问题,引入一种基于集合经验模态分解算法(Ensemble Empirical Mode Decomposition,简称EEMD)的小波阈值去噪算法,即自适应EEMD小波阈值去噪算法,EEMD是一种新型数据驱动算法,无需事先确定基函数与分解层数,只需要根据信号自身特点实现自适应分解,将信号分解为由高频至低频各阶IMF分量,通过连续均方误差准则确定高低频IMF的分界点,本文创新性的将其与小波阈值去噪算法的优势相结合,对信噪比较低的高频IMF分量进行去噪处理,避免直接剔除高频IMF分量而引发的有用信号的丢失,最后进行信号的重构,试验结果表明去噪效果明显,有效地提高了谷物测产精度。本文首先对谷物测产的研究背景及国内外探究现状等进行了简单介绍;然后论述了小波及EEMD的基础理论;并重点设计了去噪处理方案;最后在Matlab/Simulink中搭建仿真模型,对原谷物测产信号做相应的算法处理,并验证算法的有效性。搭建以STM32F103C8T6控制器为核心的试验平台,设计信号采集与控制部分、数据显示与输出部分的硬件电路,对各硬件设备做出选型,并进行硬件调试。本文通过田间试验验证,其平均误差是1.911%,且最大相对误差小于3%,试验证明本文采用的自适应EEMD小波阈值去噪算法去噪效果良好,提高了测产精度,充分表明本文的谷物测产系统能够满足测产需要,可以为今后测产工作的研究提供一些新思路。