Model of an intelligent control system for an irrigation complex
DOI:
https://doi.org/10.28983/asj.y2021i2pp103-108Keywords:
intelligent control, artificial neural network, irrigation, modelAbstract
The article presents the results of modeling an intelligent control system for an irrigation complex. The introduction of precision irrigation technologies requires the development of new approaches to technical support. Traditional approaches based on simple process automation often do not lead to effective solutions. An approach based on the model of intellectualization of automated control systems is proposed. The structure of the intelligent control system for the irrigation complex is substantiated, which is based on an artificial neural network.
Downloads
References
Аль-Бареда Я.С., Пупков К.А. Алгоритм решения задачи синтеза управления методом искусственных нейронных сетей // Вестник РУДН. Серия инженерные исследования. – 2016. – №2. – С. 7-15.
Дьяконов В.П. MATLAB. Полный самоучитель. – М.: ДМК Пресс, 2012. – 768 с.
Каталог Кситал. – Режим доступа: https://ksytal.ru/
Ольгаренко Г. В. Реализация программы импортозамещения в области производства техники полива в Российской Федерации / Г. В. Ольгаренко // Мелиорация и водное хозяйство. – 2018. – №1. – С. 44–47.
Ресурсосберегающие эффективные экологически безопасные технологии и технические средства орошения: справочник / Г.В. Ольгаренко [и др.]. – М.: ФГБНУ «Росинформагротех», 2015. – 264 с.
Степанов М.Ф., Степанов А.М. Математическое моделирование интеллектуальных самоорганизующихся систем: исследование механизма планирования действий. // Информационные технологии и нанотехнологии (ИТНТ-2017): сб. материалов Междунар. конф. и молодеж. шк., 17-19 мая 2016 г. – Самара, 2017. – С. 1419–1424.
Технический уровень отечественного и зарубежного оборудования, применяемого в мелиорации: Информационный сборник / ФГНУ ЦНТИ «Мелиоводинформ». – М.: ФГНУ ЦНТИ «Мелиоводинформ».- 2011. – 215 с.
Труфляк Е.В., Курченко Н.Ю., Дайбова Л.А. Мониторинг и прогнозирование научно-технологического развития АПК в области точного сельского хозяйства, автоматизации и роботизации. – Краснодар : КубГАУ, 2017. – 199 с.
Чернодуб А., Дзюба Д. Обзор методов нейроуправления // Проблемы программирования. – 2011. – № 2. – С. 79–94.
Beale M., Hagan M., Demuth H. Neural Network ToolboxTM User’s Guide. The Math Works, Inc, 2015. – 406 p.
Davis Instruments. VantagePro2. – Режим доступа: https://www.davisinstruments.com/vantage-pro2/
Kamilaris A., Prenafeta-Bold? FX. Deep learning in agriculture: a survey// Computers and Electronics in Agriculture. 2018. Vol. 147. P. 70–90.
Schmidhuber J. Deep Learning in neural networks: An overview,” // Neural Networks. -2015. Vol. 61. Р. 85–117.
Stepanov M., Stepanov A., Pakhomov M., Salikhova A., Mikhaylova L. Development Tools of the intellectual self-organized systems of automatic control. // Information technology and Nanotechnology (ITNT-2016): Proceedings of the International conference Information technology and nanotechnology, Samara, Russian, May 17-19, 2016. P. 674–680.
Soloviev D., Zhuravleva L., Bakirov S. Robotic Irrigative Complex with Intellectual Control System "CASCADE" // XVIII International Scientific and Practical Conference "Modern Trends in Agricultural Production in the World Economy". 2019. P. 145–156.
Downloads
Published
Issue
Section
License
Copyright (c) 2021 The Agrarian Scientific Journal
This work is licensed under a Creative Commons Attribution-NonCommercial 4.0 International License.
