基于窄帶物聯(lián)網(wǎng)的中藥材種植智能測控系統(tǒng)設(shè)計

張凈 張濤 郭洪波

摘要：針對目前市場上中藥質(zhì)量良莠不齊的問題，設(shè)計了一種基于窄帶物聯(lián)網(wǎng)（NB-IoT）的中藥材種植智能測控系統(tǒng)，該系統(tǒng)主要采用了窄帶物聯(lián)網(wǎng)技術(shù)，結(jié)合STM32微處理器和無線通信技術(shù)，能夠?qū)崟r監(jiān)測中藥材種植過程中影響中藥材生長的土壤溫度、土壤濕度、土壤酸堿度和土壤鹽分含量等參數(shù)。首先運用層次分析法，并結(jié)合藥農(nóng)種植經(jīng)驗確定中藥材種植的土壤適宜性等級，然后運用K均值聚類算法（K-means）去除原始的噪聲數(shù)據(jù)，再通過廣義回歸神經(jīng)網(wǎng)絡(luò)（GRNN）算法對中藥材生長土壤環(huán)境進(jìn)行綜合評估，實現(xiàn)中草藥的溯源，且能起到預(yù)警作用，輔助藥農(nóng)及時調(diào)整種植環(huán)境。本系統(tǒng)既可應(yīng)用在戶外（荒山野嶺）進(jìn)行規(guī)?；胁菟幏N植，亦可以應(yīng)用在室內(nèi)（大棚）進(jìn)行小規(guī)模名貴藥材種植。

關(guān)鍵詞：中藥材;窄帶物聯(lián)網(wǎng)技術(shù);STM32微處理器;層次分析法;K均值聚類算法;GRNN

中圖分類號： S126文獻(xiàn)標(biāo)志碼： A文章編號：1002-1302（2020）13-0256-09

收稿日期：2019-04-18

基金項目：鎮(zhèn)江市2017年經(jīng)信委軟件產(chǎn)業(yè)發(fā)展專項資金“水培蔬菜測控系統(tǒng)應(yīng)用開發(fā)及產(chǎn)業(yè)化”。

作者簡介：張凈（1975—），女，江蘇鎮(zhèn)江人，博士，副教授，主要從事計算機(jī)應(yīng)用研究。E-mail：jszj08062000@163.com。

通信作者：張濤，碩士，主要從事電子與通信技術(shù)研究。E-mail：nanshenstudy@163.com。隨著國際上對中醫(yī)藥重視程度的提高以及越來越多的人對中醫(yī)的認(rèn)可，中藥材的需求量不斷增加。由于目前各種食品安全問題的不斷出現(xiàn)，中草藥在種植過程中所遇到的安全問題越來越受到重視，人們對良心藥的需求日益凸顯。為了保障中藥材產(chǎn)品的質(zhì)量及其標(biāo)準(zhǔn)化數(shù)據(jù)的準(zhǔn)確性，促進(jìn)中醫(yī)藥產(chǎn)業(yè)的蓬勃發(fā)展，需要使用新一代的物聯(lián)網(wǎng)技術(shù)提高和增強(qiáng)溯源中藥材產(chǎn)品的質(zhì)量，加強(qiáng)中藥材的質(zhì)量安全控制，建立并完善中藥材種植從幼苗期、生長期到成熟期的溯源規(guī)范。

目前中藥材溯源設(shè)備還不完善，大部分中藥材的種植還停留在人工播種、人工施肥階段，機(jī)械化水平低，導(dǎo)致生產(chǎn)效率低下，直接影響藥農(nóng)種植面積，大部分個體藥農(nóng)的種植并未形成規(guī)?；图s化，并且大部分藥農(nóng)的文化程度不高，雖然目前國家對于農(nóng)藥、化肥的使用量進(jìn)行了嚴(yán)格把控，但是由于藥農(nóng)本身對農(nóng)藥殘留、重金屬殘留等知識了解較少，仍盲目施肥，過分依賴化工產(chǎn)品的使用，注重中藥材的產(chǎn)量而不注重其質(zhì)量，導(dǎo)致市場上收購的中藥材在檢測時通過率低，造成利潤損失，市場上銷售的中藥材質(zhì)量良莠不齊[1]。基于此，本研究提出一種基于窄帶物聯(lián)網(wǎng)（NB-IoT）的中藥材種植測控系統(tǒng)，使中藥材的生長環(huán)境更符合規(guī)范要求，進(jìn)而更好地協(xié)助藥農(nóng)種植中藥材。

1系統(tǒng)總體設(shè)計

基于窄帶物聯(lián)網(wǎng)的中藥材種植測控系統(tǒng)的體系架構(gòu)見圖1，主要包括感知與傳輸層、智能決策層和應(yīng)用層[2]。其中感知與傳輸層中的感知層由傳感器、執(zhí)行設(shè)備和嵌入式網(wǎng)關(guān)組成。傳輸層（網(wǎng)絡(luò)層）主要包括 NB-IoT無線通信模塊、嵌入式模塊、NB-IoT物聯(lián)網(wǎng)專用卡、運營商基站、核心網(wǎng)以及物聯(lián)網(wǎng)與平臺等[3]。每一塊NB-IoT終端模組直接和運營商基站連接，在現(xiàn)有運營商基站部署條件的支持下，解決了城域及更大范圍區(qū)域的物聯(lián)網(wǎng)節(jié)點組網(wǎng)難題，對于中藥材種植系統(tǒng)來說，實現(xiàn)了單跳通信。嵌入式網(wǎng)關(guān)通過RS485串口直接和傳感器連接，微處理器通過發(fā)送指令讀取土壤溫度、濕度、pH值、鹽分等數(shù)字傳感器上的參數(shù)值或控制執(zhí)行設(shè)備，并進(jìn)一步對返回信息進(jìn)行分析和處理，提取出需要的數(shù)據(jù)，然后通過串口通信將采集到的中藥材種植環(huán)境數(shù)據(jù)發(fā)送給NB-IoT模塊。NB-IoT模塊接收到中藥材種植環(huán)境數(shù)據(jù)后通過運營商NB-IoT網(wǎng)絡(luò)將數(shù)據(jù)傳輸至遠(yuǎn)程服務(wù)器端[4]。智能決策層主要包括中藥材生長環(huán)境監(jiān)測服務(wù)端和遠(yuǎn)程服務(wù)端。中藥材生長環(huán)境環(huán)境監(jiān)測服務(wù)端主要對上傳的信息進(jìn)行分析和存儲，提供查詢接口給客戶端，通過廣義回歸神經(jīng)網(wǎng)絡(luò)（GRNN）算法對中藥材的種植環(huán)境進(jìn)行判斷和預(yù)測，并構(gòu)建中藥材種植環(huán)境的適宜性評價模型，最后按照統(tǒng)一格式將采集的信息和測控系統(tǒng)的分析結(jié)果儲存至數(shù)據(jù)庫中。應(yīng)用層主要實現(xiàn)測控系統(tǒng)與用戶的交互工作，遠(yuǎn)程用戶可以通過手機(jī)和電腦登錄瀏覽器查看中藥材測控系統(tǒng)平臺上的實時數(shù)據(jù)、土壤環(huán)境等級、中藥材的成長狀況和訪問歷史數(shù)據(jù)。

2系統(tǒng)硬件設(shè)計

2.1傳感器模塊

對于不同中藥材種植環(huán)境的監(jiān)測所需要的傳感器種類不同，具體傳感器的選取，可根據(jù)與具體藥材種類生長最相關(guān)的信息參數(shù)來確定。對于生長在室內(nèi)或室外的同種藥材所選擇的控制設(shè)備也不相同。俗話說“施肥不測土，浪費白辛苦;酸堿不改良，施肥也白忙”。所以土壤環(huán)境參數(shù)的記錄、存儲對于中藥材的種植是必不可少的一項工作，本研究系統(tǒng)采用的土壤水分溫濕度傳感器、土壤酸堿度傳感器、土壤鹽分傳感器等是最具有代表性的傳感器，適用于絕大多數(shù)中藥材的生長測量。本研究系統(tǒng)所采用的土壤水分溫濕度傳感器可檢測中草藥生長過程中周圍土壤的溫度和濕度，然后對比所種植草藥品種生度的適宜溫濕度范圍，從而確定是否需要澆水或遮陽，降水時也可以實時監(jiān)測土壤溫濕度，如果降水量過大，則需要開啟擋雨工具進(jìn)行擋雨，以保證中草藥在適宜溫濕度范圍內(nèi)生長。土壤酸堿度傳感器和土壤鹽分傳感器用于實時測量中藥材生長過程中土壤的pH值和鹽分含量。

2.2網(wǎng)關(guān)模塊

嵌入式網(wǎng)關(guān)位于整個測控系統(tǒng)的底層，是系統(tǒng)信息采集、通信、傳輸和控制過程中的關(guān)鍵環(huán)節(jié)，采用太陽能電池板供電，主要實現(xiàn)傳感器采集數(shù)據(jù)的讀取和處理，控制感知層的電磁閥以及NB-IoT模塊與遠(yuǎn)程服務(wù)器端的通信。網(wǎng)關(guān)節(jié)點首先通過RS485總線接口讀取土壤溫度、濕度、酸堿度、鹽分等數(shù)字傳感器中的數(shù)值，并對讀取的信息進(jìn)行處理，最后通過串口通信傳送給NB-IoT模塊，再由NB-IoT模塊傳送到服務(wù)器端。網(wǎng)關(guān)模塊可以同時接收和解析通信服務(wù)器下發(fā)的指令，控制繼電器的開啟和閉合。網(wǎng)關(guān)模塊的處理芯片是STM32f03VB處理器。本研究系統(tǒng)傳輸層選用的是基于蜂窩的窄帶物聯(lián)網(wǎng)技術(shù)，它相對于傳統(tǒng)物聯(lián)網(wǎng)技術(shù)具有廣覆蓋、低功耗、大連接、低成本、穩(wěn)定可靠等優(yōu)勢[5]。網(wǎng)關(guān)節(jié)點實物如圖2所示。

3系統(tǒng)軟件設(shè)計

3.1嵌入式模塊

嵌入式模塊主要實現(xiàn)5個功能：（1）根據(jù)藥材種類設(shè)置數(shù)據(jù)采集時間間隔，控制系統(tǒng)執(zhí)行條件等參數(shù);（2）按設(shè)定的程序或指令進(jìn)行數(shù)據(jù)采集并將其存儲在數(shù)據(jù)庫中;（3）根據(jù)中藥材的品種不同，每個環(huán)境參數(shù)可獨立設(shè)定，適應(yīng)于不同的季節(jié)、生長期，方便靈活;（4）系統(tǒng)具備報警和實時遠(yuǎn)程監(jiān)測功能，當(dāng)某項環(huán)境指標(biāo)參數(shù)超過或者低于極限值時，系統(tǒng)可以發(fā)出警報提醒相關(guān)人員進(jìn)行實時處理，管理人員也可以通過網(wǎng)絡(luò)，實時觀察中藥材生長的環(huán)境參數(shù);（5）利用該系統(tǒng)收集到的數(shù)據(jù)創(chuàng)建的相關(guān)中草藥生長參數(shù)數(shù)據(jù)庫，可作為研究根據(jù)及生產(chǎn)指導(dǎo)依據(jù)，輔助中藥材的種植農(nóng)戶積累種植經(jīng)驗，使種植管理全過程高效化、工廠化。

3.2服務(wù)器模塊

本研究系統(tǒng)的服務(wù)器模塊所采用的是數(shù)據(jù)服務(wù)器和通信服務(wù)器分離的方式，降低了數(shù)據(jù)和通信之間的耦合性，提高了執(zhí)行效率和響應(yīng)速度，可保證通信的穩(wěn)定可靠，同時能保證數(shù)據(jù)的響應(yīng)速度。數(shù)據(jù)服務(wù)器系統(tǒng)主要負(fù)責(zé)接收存儲傳感器數(shù)據(jù)、提供歷史數(shù)據(jù)查詢接口。通信服務(wù)器主要負(fù)責(zé)應(yīng)用層和感知層之間的實時通信。

3.3系統(tǒng)智能決策模塊

中藥材種植環(huán)境測控系統(tǒng)的目標(biāo)是在中草藥采摘銷售之前（包括幼苗期、生長期），根據(jù)該藥材生長的環(huán)境判斷該種中草藥質(zhì)量是否合格，能否采摘及銷售到市場上。所以對中藥材種植環(huán)境進(jìn)行準(zhǔn)確的分析評價，既有助于及時調(diào)整環(huán)境參數(shù)，又能實現(xiàn)產(chǎn)品溯源[6]，更好地讓老百姓吃到放心藥，是本研究系統(tǒng)需要進(jìn)行的基礎(chǔ)性工作。

3.3.1智能決策方案分析目前，對種植環(huán)境評價常用的方法有遺傳算法、反向傳播（BP）神經(jīng)網(wǎng)絡(luò)算法、模糊評價法、蟻群算法等，其中遺傳算法收斂速度慢，且容易陷入局部最小值的問題;BP神經(jīng)網(wǎng)絡(luò)算法受初始權(quán)值影響大，且收斂速度慢;模糊評價法計算過程復(fù)雜且主觀性強(qiáng);蟻群算法是一種仿生的優(yōu)化算法，還存在一定的缺陷，可能會存在搜索時間過長、在搜索過程中停滯不前、過早收斂等問題，致使得到的最終解并不是最優(yōu)解，而僅是局部最優(yōu)解。本研究提出的GRNN算法，剛好彌補以上算法在模型預(yù)測中會呈現(xiàn)的鋸齒現(xiàn)象，使得預(yù)測準(zhǔn)確率比較高，并且GRNN是一種高度并行徑向基神經(jīng)網(wǎng)絡(luò)，GNRR算法具有訓(xùn)練速度快、局部逼近能力強(qiáng)、預(yù)測結(jié)果和評價準(zhǔn)確率高等特點[7]。整個智能決策層的算法流程見圖3。

3.3.1.1評價指標(biāo)體系構(gòu)建在進(jìn)行預(yù)測評價之前，須先對要預(yù)測的中藥材種植土壤進(jìn)行適宜性評價，不同中藥材種植土壤影響因素不同，以四川麥冬為例，影響其生長的土壤指標(biāo)主要有土壤pH值、鹽分含量、溫度、濕度4項指標(biāo)[8]。

3.3.1.2評價指標(biāo)權(quán)值計算目前，關(guān)于適宜性指標(biāo)權(quán)值確定的方法較多，如模糊評價法、回歸分析法、層次分析法等。本研究針對四川麥冬的種植條件，根據(jù)專家、藥農(nóng)種植經(jīng)驗，結(jié)合層次分析法求取各指標(biāo)因子的權(quán)重[9]。

由表1可見，組合權(quán)重最高的是土壤鹽分含量，

表1麥冬種植土壤適宜性評價體系與權(quán)重

目標(biāo)層指標(biāo)層單因子權(quán)重組合權(quán)重土壤種植麥冬適宜性土壤溫度0.4000.211土壤濕度0.4000.211土壤pH值0.5000.263土壤鹽分含量0.6000.315

之后依次是土壤pH值、土壤溫度、土壤濕度。

3.3.1.3評價模型評價模型的科學(xué)合理性對于最后的評價結(jié)果有直接影響，結(jié)合中藥材麥冬種植的實際情況，最終確定用加權(quán)指數(shù)和模型作為種植評價分析模型[10]。加權(quán)指數(shù)和評價的本質(zhì)是將評價單元各指標(biāo)權(quán)重累加求和，按照求得的評價單元總分值來進(jìn)行土壤的適宜性等級劃分。

N=∑mi=1wiEij。（1）

式中：N為評價單元最終指數(shù)和;Eij為第i個因子中第j個等級的評分值;wi為第i項評價指標(biāo)的權(quán)重;m為評價指標(biāo)的數(shù)量。

將4個評價指標(biāo)量化分級賦權(quán)值后的圖層進(jìn)行疊加，對各個因子的權(quán)重進(jìn)行累加求和，最終求得各個評價單元的總分值。在獲得評價單元總分值的基礎(chǔ)上，運用等差序列法來確定種植過程中各土壤參數(shù)適宜性等級的臨界值，并根據(jù)各個臨界值對評價單元進(jìn)行分級評價。其中采用等差序列法劃分麥冬種植土壤參數(shù)適宜性等級臨界值的具體方法如下：

先確定各評價區(qū)間的平均值，具體公式為

S=Lmax-Lminn;（2）

Lmax=∑mi=1max[wiEij（i=1，2，3，…，k）];（3）

Lmin=∑mi=1min[wiEij（i=1，2，3，…，k）]。（4）

式中：S為各個區(qū)間平均指數(shù)值;n為劃分區(qū)間數(shù)量;Lmax為每個指標(biāo)各項等級最大指數(shù)和;Lmin為每個指標(biāo)各項等級的最小指數(shù)和。

各區(qū)間適宜性上下限為

Si=S1（Lmax，Lmax-S）

S2（Lmax-S，Lmax-2S）

Sn[Lmax-（n-1）S，Lmin]。（5）

式中：Si為種植麥冬土壤的平均等級。

根據(jù)以往麥冬的長勢情況并結(jié)合藥農(nóng)的種植經(jīng)驗將麥冬種植土壤適宜性劃分為4級，分別為優(yōu)、良、中、差（表2）。

表2麥冬種植土壤適宜性評價結(jié)果與分區(qū)

適宜性分級適宜性區(qū)間藥材長勢描述優(yōu)（75，100]周期短、產(chǎn)量大、藥效好良（56，75]周期較短、產(chǎn)量較大、藥效好中（35，56]周期長、產(chǎn)量一般、藥效較好差[0，35]產(chǎn)量小或沒有、藥效差

3.3.2基于K-means算法的降噪原始數(shù)據(jù)往往不太準(zhǔn)確或存在一些問題，比如在不同系統(tǒng)中采集的數(shù)據(jù)由于缺少統(tǒng)一的定義會產(chǎn)生不一致問題，即使在同一系統(tǒng)中，對某一客觀實物也常常會存在幾種不同的描述，這種現(xiàn)象經(jīng)常會導(dǎo)致數(shù)據(jù)的重復(fù)和冗余，除此之外，使用過程中的一些人為因素或其他一些不可靠因素也會使數(shù)據(jù)出現(xiàn)屬性值缺失或異?，F(xiàn)象。噪聲數(shù)據(jù)指的是存在錯誤或異常的數(shù)據(jù)，與需求不相關(guān)的數(shù)據(jù)或者沒有意義的數(shù)據(jù)，本研究系統(tǒng)噪聲數(shù)據(jù)產(chǎn)生的原因有采集數(shù)據(jù)的設(shè)備出現(xiàn)故障、數(shù)據(jù)在傳輸?shù)倪^程中出錯或輸入數(shù)據(jù)錯誤等。

為了解決上述問題，本研究提出使用K-means聚類算法去除噪聲數(shù)據(jù)。K-means算法是處理聚類問題的經(jīng)典算法，具有簡單、快速等特點，對解決大數(shù)據(jù)集，該算法具有可伸縮性和高效性;當(dāng)簇接近高斯分布時，其效果較好。K-means算法采用迭代的方法，在迭代過程中不斷將數(shù)據(jù)對象指派到離它最近的簇中，直到聚類函數(shù)收斂為止[11]。

算法的輸入、輸出以及工作步驟如下：

（1）輸入初始數(shù)據(jù)集Data和簇的數(shù)目K;

（2）將每個對象分配給離它最近的聚類中心所在的簇;

（3）更新所有簇的均值中心作為新的聚類中心，直到聚類中心不再發(fā)生變化;

（4）輸出K個簇

以中藥材四川麥冬為例，由于在麥冬種植過程中收集到的數(shù)據(jù)量龐大，這里選取一部分?jǐn)?shù)據(jù)進(jìn)行測試，以小時為單位選取150組數(shù)據(jù)每組數(shù)據(jù)中均包括土壤溫度、土壤濕度、土壤pH值、土壤鹽分含量。對原始數(shù)據(jù)和K-means算法處理后的數(shù)據(jù)分別進(jìn)行Matlab仿真。

從圖4、圖5可以看出，原始數(shù)據(jù)中土壤溫度聚集在13～14 ℃之間，但有幾個數(shù)據(jù)存在波動，達(dá)到19 ℃以上，通過降噪后，數(shù)據(jù)聚集在13～14 ℃之間。

從圖6、圖7可以看出，原始數(shù)據(jù)中土壤濕度聚集在52～54 ℃之間，由于個別數(shù)據(jù)波動大，致使其他時間數(shù)據(jù)像分布在一條水平直線上不直觀，通過降噪后土壤濕度聚集在 53.0～54.2 ℃之間，在小范圍內(nèi)波動。

由圖8、圖9可知，在原始數(shù)據(jù)中土壤pH值主要維持在8～9之間，存在個別異常pH值，通過去噪后土壤pH值穩(wěn)定在8.60～8.85 之間。

由圖10、圖11可知，土壤鹽分含量集中在16～18 mg/L之間，存在個別異常值，通過去噪后土壤鹽分含量穩(wěn)定在17～18 mg/L之間。

綜上，原始數(shù)據(jù)中常存在噪聲數(shù)據(jù)，使得數(shù)據(jù)波動范圍過大，影響后續(xù)對數(shù)據(jù)的處理，通過 K-menas 聚類算法處理后數(shù)據(jù)變得更加密集和精確。

3.3.3基于GRNN算法的評價預(yù)測首先通過層次分析法確定中藥材生長環(huán)境中各個參數(shù)指標(biāo)的等級范圍，然后通過感知層收集影響該種中藥材種植的環(huán)境參數(shù)。本研究主要對從中藥材種植到采收

階段的數(shù)據(jù)進(jìn)行評價預(yù)測，由于中藥材種植的特殊性，與普通植物種植不同的是，大多數(shù)中藥材種植周期比較長，感知層模塊收集的數(shù)據(jù)量比較大，將數(shù)據(jù)庫里的數(shù)據(jù)通過K-means算法處理后去除異常數(shù)據(jù)，得到正確的中藥材種植過程中的環(huán)境數(shù)據(jù)，再對數(shù)據(jù)進(jìn)行歸一化處理。

為了構(gòu)建中藥材質(zhì)量等級評價模型，本研究選用的是廣義回歸神經(jīng)網(wǎng)絡(luò)算法，它是一種基于非線性回歸理論的前饋式神經(jīng)網(wǎng)絡(luò)模型[12]，其結(jié)構(gòu)見圖12。

GRNN的輸入向量經(jīng)過高斯函數(shù)激活后，傳遞給隱含層。其輸出表達(dá)式為

同，本研究系統(tǒng)設(shè)備見圖14，選擇的測試地點為位四川省綿陽市種植基地（圖15），其生長周期為1年左右。本研究測試時間為2018年4月2日至2019年3月25日，共有4個測試點，每個測試點放置1個設(shè)備。

首先系統(tǒng)對土壤溫度、土壤濕度、土壤pH值、土壤鹽分含量進(jìn)行采集，并存儲到數(shù)據(jù)庫中，供用戶查看。其次對數(shù)據(jù)庫里的數(shù)據(jù)進(jìn)行分析，為便于用戶查看，利用java、mysql、html語言建立一個中藥材種植溯源信息管理平臺，以網(wǎng)頁形式表達(dá)種植環(huán)境信息，圖16為中藥材種植環(huán)境信息和分析結(jié)果頁面。

5結(jié)論

本研究系統(tǒng)采用太陽能為其供電，節(jié)能環(huán)保，且解決了在山區(qū)空曠土壤無電的問題，采用了傳感器技術(shù)、物聯(lián)網(wǎng)技術(shù)，選擇土壤溫度、土壤濕度、土壤pH值及土壤鹽分含量為參數(shù)，在確定藥材種類后，利用層析分析法結(jié)合專家經(jīng)驗確定藥材種植適宜性土壤標(biāo)準(zhǔn)，建立了GRNN模型，并將其應(yīng)用在中藥材測控系統(tǒng)中，對麥冬的種植環(huán)境進(jìn)行評價和預(yù)測估計。經(jīng)仿真驗證，本研究系統(tǒng)對中藥材種植環(huán)境的評價和預(yù)測符合標(biāo)準(zhǔn)。本研究系統(tǒng)使得中藥材種植過程可測控，使種植管理全過程高效化、工廠化，且可根據(jù)收集到的數(shù)據(jù)創(chuàng)建相關(guān)中藥材生長數(shù)據(jù)庫，為研究及生產(chǎn)指導(dǎo)提供依據(jù)。

參考文獻(xiàn)：

[1]李晉宏，李文鵬. 中藥種植過程溯源系統(tǒng)的設(shè)計[J]. 計算機(jī)光盤軟件與應(yīng)用，2014（8）：231-232.

[2]劉君，晏國生，柳平增，等. 基于物聯(lián)網(wǎng)的農(nóng)作物生產(chǎn)智能測控系統(tǒng)的研究與應(yīng)用[J]. 農(nóng)業(yè)網(wǎng)絡(luò)信息，2011（2）：17-20.

[3]王純龍，李賀強(qiáng). NB-IoT的關(guān)鍵技術(shù)及在農(nóng)業(yè)物聯(lián)網(wǎng)中的應(yīng)用[J]. 電子技術(shù)與軟件工程，2017（16）：20.

[4]Oh S M，Shin J S. An efficient small data transmission scheme in the 3GPP NB-IoT system[J]. IEEE Communications Letters，2017，21

（3）：660-663.

[5]Kim T，Kim D M，Pratas N，et al. An enhanced access reservation protocol with a partial preamble transmission mechanism in NB-IoT systems[J]. IEEE Communications Letters，2017，21（10）：2270-2273.

[6]張辰露，梁宗鎖，馮自立，等. 我國中藥材溯源體系建設(shè)進(jìn)展與啟示[J]. 中國藥房，2015，26（16）：2295-2298.

[7]張婭莉，喇果彥. GRNN神經(jīng)網(wǎng)絡(luò)在信息分析預(yù)測中的應(yīng)用[J]. 數(shù)據(jù)采集與處理，2009，24（增刊1）：100-103.

[8]黃虹. 麥冬高產(chǎn)栽培要點[J]. 安徽林業(yè)，2006（2）：36.

[9]龔亞君，張潔，項志南，等. 中藥麥冬本草溯源釋疑[J]. 中國藥師，2017，20（2）：229-231.

[10]唐雪香，王桂保，劉軒. 基于GIS的種植棗樹耕地適宜性評價與品種區(qū)劃[J]. 江蘇農(nóng)業(yè)科學(xué)，2015，43（8）：179-182.

[11]楊柳. K-means 聚類算法性能分析與優(yōu)化研究[J]. 火控雷達(dá)技術(shù)，2019，48（2）：16-19.

[12]Zhang Y，Sheng L. Transformer fault diagnosis based on GRNN and FCM[J]. High Voltage Apparatus，2016，52（5）：116-120.胡艷海，周林飛. 石佛寺水庫二維水動力數(shù)值模擬[J]. 江蘇農(nóng)業(yè)科學(xué)，2020，48（13）：265-271.doi：10.15889/j.issn.1002-1302.2020.13.053