LMS ПРОГНОЗУВАННЯ ТА ФІЛЬТРАЦІЯ КАЛМАНА ДЛЯ ЙМОВІРНОСТІ ВИНИКНЕННЯ ХВОРОБ КУКУРУДЗИ
DOI:
https://doi.org/10.32782/IT/2024-4-8Ключові слова:
Фільтрація Калмана, LMS прогнозування, ймовірність виникнення хвороби кукурудзи.Анотація
Стаття присвячена такій актуальній проблемі сільського господарства, як прогнозування захворювання кукурудзи. Використані в роботі дані для ймовірності виникнення хвороби кукурудзи взяті з набору даних професійних метеостанцій Metos від Pessl Instruments за допомогою платформи FieldClimate IoT, доступ до якої надає ТОВ «Метос Україна». Дані збирались з вересня 2022 року по вересень 2023 року з інтервалом в 1 годину для Дніпропетровської області. У наших останніх роботах прогнозування даних зроблено на основі нейронних мереж. Слід підкреслити, що дані містять розриви, тому виникає питання, чи може згладжування даних покращити прогнозування. У наших нещодавніх роботах ми використовували алгоритм згладжування, який базується на штучному експоненційному спаді, який використовується для згладжування розривів даних. Однак такий підхід є досить штучним. Тому виникає питання, чи може стандартний алгоритм згладжування, наприклад, такий як алгоритм Калмана, покращити прогнозування даних. Для простоти в цій статті ми обмежимося дослідженням LMS прогнозуванням для згладжених та незгладжених даних. Показано, що фільтрація Калмана може трохи покращити деякі показники LMS прогнозування. Відповідне дослідження для прогнозування на основы нейронних мереж може бути планом на майбутнє. Метою роботи є дослідити LMS прогнозування ймовірності виникнення хвороби кукурудзи у випадку незгладжених даних та у випадку згладжених даних на основі алгоритму Калмана. Методологія полягає у фільтрації Калмана та LMS прогнозуванні даних для ймовірності виникнення хвороби кукурудзи. Наукова новизна полягає у використанні фільтрації Калмана даних для ймовірності виникнення хвороби кукурудзи з метою покращення прогнозування даних. Висновки є такими. Фільтрація даних на основі алгоритму Калмана може дещо покращити деякі показники LMS прогнозування.
Посилання
Laktionov I., Diachenko G., Rutkowska D., Kisiel-Dorohinick M., An Explainable AI Approach to Agrotechnical Monitoring and Crop Diseases Prediction in Dnipro Region of Ukraine. Journal of Artificial Intelligence and Soft Computing Research. 2023. Vol. 13, issue 4, p. 247–272. doi: 10.2478/jaiscr-2023-0018
Diachenko G., Laktionov I., Vizniuk A., Gorev V., Kashtan V., Khabarlak K., Shedlovska Y., An Improved Approach to Prediction of Maize Disease Occurrence Based on Weather Monitoring and Machine Learning: a Case of the Forest-Steppe and Northern Steppe of Ukraine. Engineering Applications of Artificial Intelligence, 2024, under review.
Lai X., Yang T., Wang Z., Peng C. IoT Implementation of Kalman Filter to Improve Accuracy of Air Quality Monitoring and Prediction. Applied Sciences. 2019. Vol. 9, issue 9, 1831 (23 pages). doi: 10.3390/app9091831
Tajdari T. Adaptive method to predict an track unknown system behaviors using LMS and RLS algorithms. Facta Universitatis, Series: Electronics and Energetics. 2021. Vol. 34, issue 1, pp. 133–140. doi: 10.2298/FUEE2101133T
Prasetyowati S. A. D., Arifin В., Ardalli J., Ismail M., Subroto I. M. I., Purnomo M. H. A Hybrid FLC-LMS Algorithm for Predicting Sediment Volume in the River. International Journal of Intelligent Engineering and Systems. 2021. Vol. 14, issue 2, pp. 395–409. doi: 10.22266/ijies2021.0430.36
Gusev O. Yu., Gorev V. M., Korniienko V. I. Theory of adaptive filtration: tutorial. Dnipro: NTU “DP”, 156 p, 2019.
