Entwurf Und Entwicklung Eines Zuverlässigen Und Automatisierten Hydrokultursystems

Der Erfolg von L sungen f r das Internet der Dinge erm glichte die Einf hrung neuer Anwendungen wie die intelligente hydroponische Landwirtschaft. Ein typisches Problem bei einer solchen Anwendung ist die schnelle Verschlechterung der eingesetzten Sensoren. Traditionell wird dieses Problem durch h ufige manuelle Wartung gel st, die als ineffektiv angesehen wird und den Pflanzen auf lange Sicht schaden kann. Das Hauptziel dieser Arbeit war es, einen maschinellen Lernansatz f r die automatische Erkennung von Sensorfehlern vorzuschlagen. Dar ber hinaus wurde die Funktionsf higkeit der L sung in einer Cloud-Computing-Umgebung im Hinblick auf die Reaktionszeit untersucht. In dieser Arbeit wird ein Erkennungsalgorithmus vorgeschlagen, der NN zur Vorhersage von Sensordrifts aus Zeitseriendatenstr men verwendet. Der Erkennungsalgorithmus wurde sp ter benannt; CNN und NB wurden entwickelt, um Sensorabweichungen mithilfe von Vorhersage- und Klassifizierungstechniken vorherzusagen. Die Algorithmen wurden im Hinblick auf relevante Genauigkeitsmetriken f r Vorhersage und Klassifizierung miteinander verglichen. Die Funktionsf higkeit der L sung wurde durch die Entwicklung eines Webservers untersucht, der den Algorithmus auf einer Thing-Speak-Computing-Instanz hostete.