基于NB-IoT技術(shù)的環(huán)境監(jiān)測(cè)系統(tǒng)優(yōu)化設(shè)計(jì)

摘 要：為進(jìn)一步提升工業(yè)生產(chǎn)過(guò)程的安全系數(shù)，提出一種基于窄帶物聯(lián)網(wǎng)NB-IoT的環(huán)境監(jiān)測(cè)系統(tǒng)。其中，以NB-IoT技術(shù)作為系統(tǒng)的主要通信，以傳感器為主要的環(huán)境數(shù)據(jù)采集工具，以改進(jìn)的BP神經(jīng)網(wǎng)絡(luò)作為預(yù)測(cè)方法進(jìn)行環(huán)境風(fēng)險(xiǎn)預(yù)測(cè)。實(shí)驗(yàn)結(jié)果表明，與傳統(tǒng)的BP神經(jīng)網(wǎng)絡(luò)相比，經(jīng)過(guò)粒子群算法PSO優(yōu)化的BP神經(jīng)網(wǎng)絡(luò)具有更高的預(yù)測(cè)精度，且穩(wěn)定性較好，將其應(yīng)用于環(huán)境風(fēng)險(xiǎn)的預(yù)測(cè)時(shí)誤差始終保持在1%的誤差范圍內(nèi)。設(shè)計(jì)的基于NB-IoT的環(huán)境監(jiān)測(cè)系統(tǒng)能夠進(jìn)行準(zhǔn)確的數(shù)據(jù)采集和風(fēng)險(xiǎn)預(yù)測(cè)，能夠進(jìn)一步保障生產(chǎn)安全，可行性較高。

關(guān)鍵詞：環(huán)境監(jiān)測(cè)；NB-IoT技術(shù)；BP神經(jīng)網(wǎng)絡(luò)；PSO算法

中圖分類(lèi)號(hào)：TP391；X84

文獻(xiàn)標(biāo)志碼：A文章編號(hào)：1001-5922（2024）03-0185-04

Optimization design of environmental monitoring system based on NB-IoT technology

SU Xinglong

（Shaanxi Polytechnic Institute，Xianyang 712000，Shaanxi China）

Abstract：

In order to further improve the safety factor of industrial production process，an environmental monitoring system based on narrowband Internet of Things NB IoT was proposed.Among them，NB IoT technology was used as the main communication method of the system，sensors were used as the main environmental data collection tool，and BP neural network was used as the basic prediction method for environmental risk prediction.The experimental results showed that compared with traditional BP neural networks，the BP neural network optimized by particle swarm optimization algorithm PSO had higher prediction accuracy and better stability.When applied to environmental risk prediction，the error was always within the 1% error range.The designed NB IoT based environmental monitoring system can accurately collect data and predict risks，further ensuring production safety，and has high feasibility.

Key words：environmental monitoring;NB IoT technology;BP neural network;PSO algorithm

為了實(shí)現(xiàn)對(duì)生產(chǎn)過(guò)程的實(shí)時(shí)監(jiān)測(cè)，許多學(xué)者進(jìn)行了環(huán)境監(jiān)測(cè)系統(tǒng)的設(shè)計(jì)，如針對(duì)礦井下工作環(huán)境復(fù)雜且通信較困難的問(wèn)題，提出了一種基于LoRa和物聯(lián)網(wǎng)技術(shù)的礦井環(huán)境監(jiān)測(cè)系統(tǒng)［1-3］；為保證山區(qū)稻田的正常生產(chǎn)，針對(duì)其環(huán)境的特殊性，設(shè)計(jì)了一種基于ZigBee無(wú)線傳感網(wǎng)絡(luò)技術(shù)的農(nóng)田環(huán)境監(jiān)測(cè)系統(tǒng)［4-5］；為實(shí)現(xiàn)對(duì)室內(nèi)環(huán)境數(shù)據(jù)的準(zhǔn)確監(jiān)測(cè)，嘗試將STM32與ESP8266無(wú)線模塊相結(jié)合，構(gòu)建一種室內(nèi)環(huán)境監(jiān)測(cè)系統(tǒng)［6-7］。綜合上述研究，結(jié)合國(guó)內(nèi)外研究現(xiàn)狀可知，當(dāng)前大部分的環(huán)境檢測(cè)系統(tǒng)僅停留在數(shù)據(jù)采集階段，缺乏對(duì)環(huán)境變化的預(yù)見(jiàn)性，因此，嘗試設(shè)計(jì)一種能夠進(jìn)行環(huán)境風(fēng)險(xiǎn)預(yù)測(cè)的監(jiān)測(cè)系統(tǒng)，實(shí)現(xiàn)更加全面的環(huán)境監(jiān)測(cè)。

1 系統(tǒng)整體設(shè)計(jì)

設(shè)計(jì)環(huán)境檢測(cè)系統(tǒng)中，以窄帶物聯(lián)網(wǎng)（NB-IoT）技術(shù)作為模塊之間的通信技術(shù)，與傳統(tǒng)2G網(wǎng)絡(luò)對(duì)比，NB-IoT具有更高的峰值速率；與其他無(wú)線通信方式相比，具有超低功耗，成本低的優(yōu)點(diǎn)［8-9］。以NB-IoT作為基礎(chǔ)的通信技術(shù)，初步構(gòu)建的間環(huán)境監(jiān)測(cè)系統(tǒng)整體框架如圖1所示。

設(shè)計(jì)的環(huán)境檢測(cè)系統(tǒng)在進(jìn)行環(huán)境檢測(cè)時(shí)，首先通過(guò)傳感器進(jìn)行環(huán)境數(shù)據(jù)的采集，設(shè)計(jì)主要采集的環(huán)境數(shù)據(jù)為環(huán)境中的溫濕度、氣壓情況以及甲烷濃度；再將傳感器采集到的環(huán)境數(shù)據(jù)傳輸至采集終端，采集終端以單片機(jī)作為主控芯片，進(jìn)行采集到的環(huán)境數(shù)據(jù)的初步處理；然后將采集終端處理得到的環(huán)境數(shù)據(jù)通過(guò)NB-IoT技術(shù)傳輸至系統(tǒng)云平臺(tái)，以便通過(guò)Android客戶端進(jìn)行環(huán)境數(shù)據(jù)的查看，或者通過(guò)風(fēng)險(xiǎn)預(yù)測(cè)模塊進(jìn)行環(huán)境風(fēng)險(xiǎn)的預(yù)測(cè)。

2 硬件設(shè)計(jì)

根據(jù)設(shè)計(jì)的系統(tǒng)總體框架進(jìn)行幾個(gè)主要模塊的硬件選擇與設(shè)計(jì)。

（1）主控模塊設(shè)計(jì)。

主要芯片為單片機(jī)芯片，選擇的單片機(jī)型號(hào)為STM32F系列芯片，該系列芯片可以同時(shí)處理16位數(shù)據(jù)，功耗低，性價(jià)比高，靈活便捷；

（2）數(shù)據(jù)采集模塊設(shè)計(jì)。

設(shè)計(jì)的監(jiān)測(cè)系統(tǒng)的數(shù)據(jù)采集部分使用的主要元件為傳感器，由于需要進(jìn)行3個(gè)類(lèi)型的環(huán)境數(shù)據(jù)的采集，故選擇的傳感器類(lèi)型也為3個(gè)類(lèi)型：①溫濕度傳感器電路設(shè)計(jì)。溫、濕度是最為常見(jiàn)的環(huán)境數(shù)據(jù)，在進(jìn)行傳感器型號(hào)的選擇時(shí)主要考慮低功耗及性價(jià)比的原則，綜合考慮下選用DHT11傳感器進(jìn)行溫濕度數(shù)據(jù)的采集，與同類(lèi)傳感器相比，它在測(cè)量范圍、測(cè)量精度方面都更加有優(yōu)勢(shì)，而且功耗超低，體積小、反應(yīng)快。②甲烷濃度采集傳感器電路設(shè)計(jì)。甲烷在工業(yè)生產(chǎn)中使用十分廣泛，主要作為燃料進(jìn)行使用，而在日常生產(chǎn)過(guò)程中，甲烷濃度過(guò)高會(huì)威脅到工作人員的安全。設(shè)計(jì)選的甲烷濃度采集傳感器信號(hào)為MQ-2煙霧傳感器，該信號(hào)的傳感器具有性價(jià)比高、低功耗、抗干擾能力強(qiáng)的優(yōu)點(diǎn)，可以采集煙霧濃度、甲烷等其他可燃?xì)怏w。③氣壓采集傳感器電路設(shè)計(jì)。遵循高性價(jià)比低功耗的需求，設(shè)計(jì)選取的氣壓傳感器類(lèi)型為BMP180氣壓傳感器，該傳感器是一款高精度、小體積、超低能耗的壓力傳感器，絕對(duì)精度最低可以達(dá)到0.03 hPa，并且耗電極低；

（3）NB-IoT通訊模塊設(shè)計(jì)。作為設(shè)計(jì)的環(huán)境監(jiān)測(cè)系統(tǒng)的主要通信方式，NB-IoT通訊模塊同樣遵循高性價(jià)比低功耗設(shè)計(jì)需求，選擇的元件型號(hào)為M5311芯片，該芯片具有低功耗，體積小，穩(wěn)定性較好的優(yōu)點(diǎn)。

3 軟件設(shè)計(jì)

根據(jù)系統(tǒng)的整體設(shè)計(jì)，將各個(gè)功能模塊通過(guò)通訊方式進(jìn)行連接，實(shí)現(xiàn)系統(tǒng)的完整功能，對(duì)應(yīng)的系統(tǒng)軟件設(shè)計(jì)的總體流程如圖2所示。

4 基于PSO-BP的環(huán)境風(fēng)險(xiǎn)預(yù)測(cè)模型的構(gòu)建

4.1 BP神經(jīng)網(wǎng)絡(luò)基本原理

BP神經(jīng)網(wǎng)絡(luò)是一種前饋型神經(jīng)網(wǎng)絡(luò)，由輸出層，輸入層，隱含層組成，以3層神經(jīng)網(wǎng)絡(luò)即為1層的神經(jīng)網(wǎng)絡(luò)［10］。結(jié)構(gòu)圖如圖3所示。

將數(shù)據(jù)導(dǎo)入輸入層，在網(wǎng)絡(luò)中產(chǎn)生激勵(lì)后經(jīng)過(guò)隱含層，達(dá)到最后的輸出層，對(duì)比輸出層的值與真實(shí)值，兩者之間的不同稱為誤差判斷是否符合預(yù)期，不符合則將信號(hào)進(jìn)行反向傳播，反向傳播的過(guò)程是將誤差的數(shù)據(jù)按梯度下降的方法調(diào)整修改各層連接的權(quán)值和閾值，重復(fù)循環(huán)，直到達(dá)到預(yù)期值與期望值誤差達(dá)到滿意的效果為止，進(jìn)而得到最終模型［11］。

設(shè)置x、y、z分別為網(wǎng)絡(luò)中輸入層、輸出層、隱含層的節(jié)點(diǎn)個(gè)數(shù)。通過(guò)激活函數(shù)θ（z）=11+e－z對(duì)BP神經(jīng)網(wǎng)絡(luò)的各個(gè)神經(jīng)元初始化。然后將訓(xùn)練樣本輸入，求出隱含層的輸入和輸出如式（1）所示。

zj_input=∑mi=1wijxi+bj j=1，z

zj_output=θ（zj_input）（1）

利用隱含層的輸出計(jì)算輸出層的輸入和輸出如式（2）所示。

yk_input=∑nj=1wjkθ（zj_output）+bk k=1，y

yk_output=θ（yk_input） （2）

對(duì)比輸出值和實(shí)際輸出值計(jì)算輸出的誤差cpl，由式（3）計(jì)算得：

cpl=（ypl－gopl）gol（1－gol）

l=（1，2，…，s） p=（1，2，…，m）（3）

由式（4）計(jì)算可得隱含層各神經(jīng)元的誤差epz：

epz=∑si=1Xizcpl（1－h(huán)oz）

z=（1，2，…，t），p=（1，2，…，m）（4）

利用誤差使用式（5）、式（6）對(duì)神經(jīng)元之間的權(quán)值和閾值進(jìn)行賦值。

隱含層：

Δbz=aepz，

Δwiz=aepzupi

d=（1，2，…，t），i=（1，2，…，n），a=（0，1）（5）

輸出層：

Δrl=μcpl，

ΔXlz=μcplhopz

p=（1，2，…，m），z=（1，2，…，t），μ=（0，1）（6）

按式（7）得該BP神經(jīng)網(wǎng)絡(luò)的全局誤差值：

E=12∑si=1（yi－gol）2（7）

通過(guò)對(duì)多種函數(shù)的對(duì)比，本文選擇使用ReLU函數(shù)，導(dǎo)數(shù)是常數(shù)1，函數(shù)中梯度不會(huì)消失，不會(huì)由于梯度消失導(dǎo)致訓(xùn)練提前結(jié)束的情況發(fā)生，同時(shí)收斂速率大。函數(shù)表達(dá)式為式（8）：

ReLU（x）=x，x≥0

0，x<0（8）

確定好函數(shù)后，指標(biāo)可以根據(jù)采集端采集的數(shù)據(jù)設(shè)置，滿足“即插即用”，本文有4項(xiàng)數(shù)據(jù)，所以輸入層節(jié)點(diǎn)數(shù)為4，輸出層為預(yù)警指標(biāo)個(gè)數(shù)，因?yàn)槲覀冎挥妙A(yù)警風(fēng)險(xiǎn)，所以指標(biāo)個(gè)數(shù)為1，隱含層節(jié)點(diǎn)數(shù)由經(jīng)驗(yàn)式（9）確立。

z=x+y+n（9）

式中：x和y代表輸入輸出節(jié)點(diǎn)個(gè)數(shù)；n為1～10任意常數(shù)。通過(guò)訓(xùn)練樣本找到最優(yōu)解確定隱含層節(jié)點(diǎn)個(gè)數(shù)為6。

4.2 改進(jìn)的BP神經(jīng)網(wǎng)絡(luò)

粒子群優(yōu)化算法PSO是一種基于鳥(niǎo)群覓食行為的優(yōu)化算法，將每只鳥(niǎo)類(lèi)比為一個(gè)粒子，該粒子由其速度和位置共同決定，通過(guò)進(jìn)行不斷的位置更新尋找到空間內(nèi)的最優(yōu)位置，即為粒子的最優(yōu)值，對(duì)應(yīng)在BP神經(jīng)網(wǎng)絡(luò)中即為最優(yōu)的網(wǎng)絡(luò)權(quán)值和閾值［12-14］。PSO算法的計(jì)算流程如下：

設(shè)空間中一個(gè)隨機(jī)粒子i在維度為d的位置為xi=（xi1，xi2，…，xid），速度為vi=（vi1，vi2，…，vid），粒子的個(gè)體最優(yōu)值設(shè)置為Pid；粒子群的全局最優(yōu)值設(shè)置為Gid，則粒子在進(jìn)行自身位置和速度更新時(shí)的計(jì)算公式分別為［14］：

xk+1id=xkid+vk+1id（1）

vkid=wvkid+c1×rand1×（Pkid－xkid）+c2×

rand2×（Gkid－xkid）（2）

式中：i（1，…，M）為種群規(guī)模；ω為慣性因子；c1、c2為學(xué)習(xí)因子；rand1、rand2為（0，1）之間的隨機(jī)數(shù)。

PSO算法的基本流程如下：

（1）進(jìn)行粒子群的初始化。進(jìn)行初始化的參數(shù)包括，粒子群的速度、位置、個(gè)體最優(yōu)值、群體最優(yōu)值、種群規(guī)模，并設(shè)定好算法的學(xué)習(xí)因子、慣性因子、當(dāng)前進(jìn)化代數(shù)和最大進(jìn)化代數(shù)等；

（2）進(jìn)行適應(yīng)度值計(jì)算。根據(jù)實(shí)際解決問(wèn)題進(jìn)行適應(yīng)度函數(shù)的設(shè)計(jì)，進(jìn)行每個(gè)粒子的適應(yīng)度值計(jì)算，適應(yīng)度值是評(píng)價(jià)粒子質(zhì)量?jī)?yōu)劣的直接指標(biāo)；

（3）進(jìn)行個(gè)體最優(yōu)值的更新。將粒子當(dāng)前的個(gè)體最優(yōu)值與計(jì)算所得適應(yīng)度值進(jìn)行比較，將適應(yīng)度值更優(yōu)的粒子保留作為新的個(gè)體最優(yōu)值；

（4）進(jìn)行群體最優(yōu)值的更新。將當(dāng)前粒子計(jì)算所得適應(yīng)度值與當(dāng)前的群體最優(yōu)值進(jìn)行比較，更優(yōu)者作為新的群體最優(yōu)值；

（5）進(jìn)行粒子的位置和速度的更新；

（6）當(dāng)算法滿足終止條件時(shí)停止迭代，輸出此時(shí)的最優(yōu)粒子即為最優(yōu)值，否則返回步驟（2）進(jìn)行計(jì)算運(yùn)算，直至滿足終止條件。

4.3 基于PSO-BP神經(jīng)網(wǎng)絡(luò)的預(yù)測(cè)模型

BP神經(jīng)網(wǎng)絡(luò)可應(yīng)用到很多有風(fēng)險(xiǎn)發(fā)生概率的地方做預(yù)測(cè)，不停的收集訓(xùn)練得到的結(jié)果和預(yù)期結(jié)果產(chǎn)生的誤差分析，并且將這些誤差傳遞給輸出值，進(jìn)而修改權(quán)值和閾值，經(jīng)過(guò)不停的收集誤差，直到得到輸出和預(yù)想結(jié)果一致的模型，達(dá)到監(jiān)測(cè)預(yù)警的效果。

在云平臺(tái)中提取數(shù)據(jù)記錄成數(shù)據(jù)集，按3∶7的比例分別用于測(cè)試和訓(xùn)練，模型經(jīng)過(guò)大比例數(shù)據(jù)訓(xùn)練出來(lái)的結(jié)果就是最優(yōu)值，測(cè)試時(shí)就能和訓(xùn)練模型做預(yù)測(cè)對(duì)比。訓(xùn)練學(xué)習(xí)過(guò)程如圖4所示。

5 實(shí)驗(yàn)驗(yàn)證與結(jié)果分析

5.1 實(shí)驗(yàn)環(huán)境搭建

將選擇的各個(gè)功能元件進(jìn)行連接，數(shù)據(jù)采集軟件終端與云平臺(tái)之間通過(guò)NB-IoT技術(shù)進(jìn)行通信，云平臺(tái)與客戶端之間通過(guò)MQTT協(xié)議進(jìn)行通信建立。

設(shè)計(jì)的環(huán)境風(fēng)險(xiǎn)監(jiān)測(cè)模型的驗(yàn)證在MATLAB軟件上進(jìn)行，同時(shí)在該軟件上進(jìn)行環(huán)境風(fēng)險(xiǎn)預(yù)測(cè)的模擬。

5.2 參數(shù)設(shè)置

設(shè)計(jì)主要針對(duì)預(yù)測(cè)模型進(jìn)行參數(shù)設(shè)置，使用的BP神經(jīng)網(wǎng)絡(luò)的輸入層節(jié)點(diǎn)數(shù)設(shè)置為4，隱含層節(jié)點(diǎn)設(shè)置為6，輸出層節(jié)點(diǎn)數(shù)設(shè)置為1；粒子群算法的種群數(shù)量設(shè)置為20，最大迭代次數(shù)設(shè)置為50；模型的學(xué)習(xí)速率設(shè)置為0.01，最大訓(xùn)練次數(shù)設(shè)置為1 000。

5.3 數(shù)據(jù)來(lái)源與評(píng)價(jià)指標(biāo)

在5個(gè)不同場(chǎng)景內(nèi)進(jìn)行環(huán)境數(shù)據(jù)的采集，每個(gè)參數(shù)每次采集10組數(shù)據(jù)，將10組數(shù)值的平均值作為該時(shí)刻采集到的最終數(shù)據(jù)，采集間隔為12 min，每個(gè)參數(shù)均采集到120組參數(shù)，將其中的100組作為訓(xùn)練樣本，剩余的20組作為測(cè)試樣本。

為了對(duì)預(yù)測(cè)模型的預(yù)測(cè)性能進(jìn)行更加直觀的評(píng)價(jià)，引入一種常見(jiàn)評(píng)價(jià)指標(biāo)均方根誤差（RMSE）對(duì)預(yù)測(cè)模型的預(yù)測(cè)結(jié)果進(jìn)行評(píng)價(jià)，對(duì)應(yīng)的計(jì)算公式為［15

-17］：

RMSE=1a∑ai=1（h（i）－y（i））2 （3）

式中：h（i）為預(yù)測(cè)輸出值；y（i）為真實(shí)值；a為樣本數(shù)量。

5.4 環(huán)境風(fēng)險(xiǎn)預(yù)測(cè)模型驗(yàn)證

5.4.1 模型訓(xùn)練結(jié)果

按照實(shí)驗(yàn)設(shè)置，首先進(jìn)行模型的訓(xùn)練，得到如圖5所示的模型訓(xùn)練情況。

由圖5可知，隨著訓(xùn)練次數(shù)的逐漸增加，模型的誤差逐漸減小，僅需800次訓(xùn)練即可達(dá)到設(shè)定的10－4的誤差，這表明該模型性能較優(yōu)，可用于環(huán)境檢測(cè)系統(tǒng)中的環(huán)境風(fēng)險(xiǎn)預(yù)測(cè)。

5.4.2 模型對(duì)比測(cè)試

為了驗(yàn)證設(shè)計(jì)對(duì)BP神經(jīng)網(wǎng)絡(luò)預(yù)測(cè)模型進(jìn)行改進(jìn)的實(shí)際效果，在實(shí)驗(yàn)測(cè)試集中隨機(jī)選取10組數(shù)據(jù)進(jìn)行改進(jìn)前后模型的預(yù)測(cè)情況對(duì)比測(cè)試，得到對(duì)比測(cè)試結(jié)果［18-19］。

從圖6、圖7中可以看出，

與傳統(tǒng)的BP神經(jīng)網(wǎng)絡(luò)相比，經(jīng)過(guò)PSO優(yōu)化后的BP神經(jīng)網(wǎng)絡(luò)在進(jìn)行預(yù)測(cè)的過(guò)程中，預(yù)測(cè)誤差明顯更小，同時(shí)始終保持在較低的誤差范圍內(nèi)，并且穩(wěn)定性更好，更加適用于環(huán)境風(fēng)險(xiǎn)的預(yù)測(cè)。

6 系統(tǒng)性能測(cè)試

首先進(jìn)行數(shù)據(jù)采集功能的測(cè)試，設(shè)計(jì)選擇部分采集的環(huán)境數(shù)值進(jìn)行展示，得到如圖8所示的環(huán)境參數(shù)變化曲線。

從圖8中可以看出，設(shè)計(jì)環(huán)境檢測(cè)系統(tǒng)能夠進(jìn)行準(zhǔn)確的環(huán)境數(shù)據(jù)采集，且能夠進(jìn)行參數(shù)變化情況的準(zhǔn)確描述。

為了對(duì)環(huán)境風(fēng)險(xiǎn)進(jìn)行更加具體的描述，根據(jù)國(guó)家規(guī)定的環(huán)境評(píng)估方法設(shè)定風(fēng)險(xiǎn)等級(jí)分類(lèi)為：風(fēng)險(xiǎn)概率是在區(qū)間［0，0.15）時(shí)為低風(fēng)險(xiǎn)，在區(qū)間［0.15，0.3）時(shí)為一般風(fēng)險(xiǎn)，在區(qū)間［0.3，0.45）時(shí)為中風(fēng)險(xiǎn)，在區(qū)間［0.45，1］時(shí)為高風(fēng)險(xiǎn)。根據(jù)以上風(fēng)險(xiǎn)等級(jí)劃分，使用設(shè)計(jì)的環(huán)境風(fēng)險(xiǎn)預(yù)測(cè)模型進(jìn)行5個(gè)區(qū)域（A，B，C，D，E）的環(huán)境風(fēng)險(xiǎn)預(yù)測(cè)，得到如表1所示的風(fēng)險(xiǎn)概率預(yù)測(cè)結(jié)果。

由表1可知，環(huán)境風(fēng)險(xiǎn)預(yù)測(cè)模塊能夠進(jìn)行較為準(zhǔn)確的風(fēng)險(xiǎn)概率預(yù)測(cè)，且誤差穩(wěn)定在1%左右。

7 結(jié)語(yǔ)

綜上所述，設(shè)計(jì)的基于NB-LoT的環(huán)境監(jiān)測(cè)系統(tǒng)性能良好，能夠進(jìn)行較為準(zhǔn)確的環(huán)境數(shù)據(jù)采集，系統(tǒng)中設(shè)計(jì)的基于PSO-BP神經(jīng)網(wǎng)絡(luò)的環(huán)境風(fēng)險(xiǎn)預(yù)測(cè)模型的預(yù)測(cè)精度明顯優(yōu)于傳統(tǒng)的BP神經(jīng)網(wǎng)絡(luò)，將其應(yīng)用于環(huán)境風(fēng)險(xiǎn)的預(yù)測(cè)時(shí)能夠保持較低的誤差，這表明其能夠進(jìn)行良好的環(huán)境監(jiān)測(cè)。但設(shè)計(jì)依然存在一定的可優(yōu)化空間，例如并未考慮到系統(tǒng)整體的功耗，導(dǎo)致系統(tǒng)可能出現(xiàn)非必要的功耗問(wèn)題，因此在下一步的研究中可進(jìn)行進(jìn)一步改進(jìn)。

【參考文獻(xiàn)】

［1］

藍(lán)升傳，陶干強(qiáng)，房智恒，等.基于LoRa和物聯(lián)網(wǎng)技術(shù)的礦井環(huán)境監(jiān)測(cè)系統(tǒng)設(shè)計(jì)［J］.黃金科學(xué)技術(shù)，2023，31（1）：144-152.

［2］ 劉艷峰.基于ZigBee的礦井環(huán)境監(jiān)測(cè)系統(tǒng)的設(shè)計(jì)［J］.電子產(chǎn)品世界，2023，30（6）：35-38.

［3］ 楊柳，李川，蔣洛鋒，等.基于物聯(lián)網(wǎng)的菜園環(huán)境監(jiān)測(cè)系統(tǒng)設(shè)計(jì)［J］.山東工業(yè)技術(shù)，2023（3）：34-38.

［4］ 曹旨昊，張辛欣，牟少敏，等.基于ZigBee的山區(qū)農(nóng)田環(huán)境監(jiān)測(cè)系統(tǒng)設(shè)計(jì)［J］.計(jì)算機(jī)應(yīng)用與軟件，2023，40（3）：66-71.

［5］ 王武英，魏霖靜.基于數(shù)字孿生的智慧農(nóng)業(yè)環(huán)境監(jiān)測(cè)系統(tǒng)設(shè)計(jì)與實(shí)現(xiàn)［J］.智能計(jì)算機(jī)與應(yīng)用，2023，13（4）：181-185.

［6］ 錢(qián)平，齊賽賽，孫遜.基于STM32與ESP8266室內(nèi)環(huán)境監(jiān)測(cè)系統(tǒng)的設(shè)計(jì)［J］.無(wú)線互聯(lián)科技，2023，20（9）：80-82.

［7］ 高晉，喬記平，武媛，等.基于壓縮感知的冷鏈環(huán)境監(jiān)測(cè)系統(tǒng)設(shè)計(jì)［J］.傳感器與微系統(tǒng)，2023，42（7）：106-109.

［8］ 程長(zhǎng)流，田倩.一種基于NB-IOT網(wǎng)絡(luò)低功耗環(huán)境監(jiān)測(cè)系統(tǒng)設(shè)計(jì)［J］.電子制作，2023，31（5）：96-100.

［9］ 董瑩，孫擁軍.基于NB-IoT的室外環(huán)境空氣質(zhì)量在線監(jiān)測(cè)系統(tǒng)設(shè)計(jì)［J］.計(jì)算機(jī)測(cè)量與控制，2023，31（2）：28-33.

［10］ 楊朝永，趙冬青，賈曉雪，等.基于BP神經(jīng)網(wǎng)絡(luò)的WiFi/地磁定位方法［J］.測(cè)繪工程，2023，32（3）：14-18.

［11］ 侯小秋，李麗華.基于BP神經(jīng)網(wǎng)絡(luò)辨識(shí)的預(yù)測(cè)濾波PID控制［J］.黃河科技學(xué)院學(xué)報(bào)，2023，25（5）：26-31.

［12］ 黃曠，張曉龍，胡建杭，等.基于FA-PSO-RBF神經(jīng)網(wǎng)絡(luò)的富氧底吹銅锍品位預(yù)測(cè)模型［J］.有色金屬（冶煉部分），2023（6）：61-68.

［13］ 李翠芹.虛擬儀器在沼氣發(fā)酵環(huán)境監(jiān)控系統(tǒng)設(shè)計(jì)中的應(yīng)用［J］.粘接.2021，48（11）：53-55.

［14］ 劉洋，張鴻，徐娟，等.改進(jìn)PSO的SVM回歸模型及在氣溫預(yù)測(cè)中的應(yīng)用［J］.計(jì)算機(jī)系統(tǒng)應(yīng)用，2023，32（9）： 203-210.

［15］ 郁凌華，邢程，荀靜，等.基于PSO-SVR模型的小麥赤霉病病穗率預(yù)測(cè)方法［J］.麥類(lèi)作物學(xué)報(bào)，2023，43 （11

）： 1434-1445.

［16］ 李馨諾.基于LabVIEW軟件的多種場(chǎng)景環(huán)境信息實(shí)時(shí)監(jiān)測(cè)系統(tǒng)研究［J］.粘接.2020，44（10）：87-90.

收稿日期：2023-11-27；修回日期：2024-01-26

作者簡(jiǎn)介：蘇興龍（1983-），男，碩士，副教授，研究方向：

計(jì)算機(jī)教學(xué)及信息化建設(shè)應(yīng)用；E-mail：sxl8353@163.com。

基金項(xiàng)目：浙江省科技廳“尖兵”“領(lǐng)雁”研發(fā)攻關(guān)計(jì)劃項(xiàng)目（項(xiàng)目編號(hào)：2022C01SA371625）。

引文格式：蘇興龍.基于NB-IoT技術(shù)的環(huán)境監(jiān)測(cè)系統(tǒng)優(yōu)化設(shè)計(jì)［J］.粘接，2024，51（3）：185-188.