Система розумного поливу для присадибного господарства з використанням регресійного дерева рішень

Abstract

UA: Об`єктом дослідження є керування системами розумного поливу для присадибних ділянок з використанням методів машинного навчання.

Метою кваліфікаційної роботи є створення прототипу апаратно- програмної системи розумного поливу, яка автоматично визначає режим поливу

та час, потрібний на полив за алгоритмами дерева рішень класифікації та регресійним деревом рішень. Система дозволяє також віддаленe керування системою поливу за потреби. Методи дослідження в роботі включають аналіз та синтез моделей розумних системи поливу. В роботі використані засоби UML діаграм для побудови концептуальної, та, логічної та фізичної моделей системи. Уточнення моделей реалізовано за допомогою моделювання нечіткої когнітивної карти системи в Mental Modeler та нечіткої системи керування за алгоритмом Сугено в MATLAB. Фізична модель уточнена створенням топології апаратного прототипа системи в середовищі Fritzing. Сформована динамічна модель програмно-апаратної системи розумного поливу в середовищі Node-RED, що дозволило інтегрувати модуль мониторінгу показників середовища, модуль навчання та тестування системи за алгоритмами дерев рішень на основі синтетичних даних та модуль віддаленого керування системою поливу. Подальший розвиток спроектованої системи розумного поливу передбачає подальше тестування системи з використанням реальних даних.

EN: The object of the study is the control of smart irrigation systems for homestead farming using machine learning methods.

The purpose of the qualification work is to create a prototype of a hardware- software system of smart irrigation, which automatically determines the irrigation

mode, and the time required for irrigation using the algorithms of the classification decision tree and the regression decision tree. The system also allows remote control of the irrigation system if necessary. The research methods in the work include the analysis and synthesis of models of smart irrigation systems. The work uses UML diagram tools to build conceptual, logical and physical models of the system. The refinement of the models is implemented by modelling a fuzzy cognitive map of the system in Mental Modeler and a fuzzy control system using the Sugeno algorithm in MATLAB. The physical model is refined by creating the topology of the hardware prototype of the system in the Fritzing environment. A dynamic model of the software and hardware system of smart irrigation was formed in the Node-RED environment, which allowed integrating the module for monitoring environmental indicators, the module for training and testing the system using decision tree algorithms based on synthetic data, and the module for remote control of the irrigation system. Further development of the designed smart irrigation system involves further testing of the system using real data.