唐湘滟，蔡宽麒，程杰仁,3，刘博艺,4

(1.海南大学信息科学技术学院，海南 海口 570228；2.海南大学机电工程学院，海南 海口 570228； 3.海南大学南海海洋资源利用国家重点实验室，海南 海口 570228;4.中国科学院大学，北京 100000)

1 引言

橡胶不仅是重要的工业原料，也是经济建设的原料[1]，由于其在交通运输和国防等诸多领域展现出的不可替代性和可再生性，使橡胶产业成为热带国家和地区经济的重要组成部分[2]。割胶则是橡胶生产过程中的中心环节和唯一手段。胶工对割胶技术的掌握程度决定了割胶过程中橡胶的产量，然而新胶工难以在短时间内学会割胶技术，这就使其在割胶过程中，由于割胶深度不足或太深导致橡胶树产胶量下降甚至不产胶，严重影响橡胶产业的发展[2]。针对这一问题，本文设计和实现了一种割胶技术智能辅助学习仪，用以实时评价胶工割胶技术，帮助初学者更快地掌握割胶技术。

2 研究现状

目前，国内为了能够提高橡胶产量，降低技术壁垒，对割胶工具进行了改进，但此类改进大部分是通过对割胶刀具的改进，例如西双版纳州农机研究所所研制的电动割胶刀，其原理是通过电机减少人力输出从而做到割胶速度快、效率高，比传统割胶刀省力，但其存在一些如刀片不稳定、安全系数低等问题。再比如海南大学所研制的一种智能割胶刀，其优点在于将以往的经验转化为割胶深度并可视化，此款割胶刀在一定程度上提高了割胶产量但是其功能较少，并且无法从根源上提升胶工的割胶水平。

本文针对割胶技术难以掌握的问题，提出了一种可以实时对胶工的割胶技术进行评价的方法，并设计出一种割胶技术智能辅助学习仪。该学习仪通过收集处理传感器传来的信号可实时监测割胶厚度和割胶环境，并且将胶工工作时所测得的割胶深度数据进行储存，通过处理后对胶工技术进行评价，从而达到促进胶工学习的目的；其次它还拥有语音控制和人体感应等功能，以期改善由于割胶技术门槛高使得新胶工割胶技术学习过慢而导致割胶过程中产胶量低下或橡胶树死亡等问题。

3 评估体系的结构

3.1 评估体系的结构

如图1所示，割胶技术智能辅助学习仪主要由智能辅助学习模块和割胶模块组成，割胶模块包含割胶刀主体，而智能模块则由显示屏、温湿度检测装置、照明系统、可拆卸装置、传感器模块和内部的Arduino Mega 2560[3]开发板组成。

Figure 1 Structure and principle diagram of the intelligent tapping technology auxiliary learning instrument图1 割胶技术智能辅助学习仪整机结构和工作原理示意图

如图2所示，该机器通过采集数据、分析处理数据、显示处理结果三个阶段与胶工进行人机交互，从而促进胶工快速掌握割胶技术。割胶技术智能辅助学习仪的两个模块由L型环套和固定臂相连。当胶工的割胶水平到达一定高度时，可将学习模块取下，学习模块的取下不会破坏刀具的完整性，并且学习模块能够多次使用。学习仪内部的Arduino Mega 2560 开发板被铝合金外壳所包裹，以防止在凌晨较为恶劣的割胶环境下电子元件的短路。铝合金外壳一方面起到保护作用，另一方面起到支撑传感器系统的作用。照明系统位于外壳的顶部，其由1.2 W、5 V的LED灯组成，并且其具有声控功能，胶工通过声音即可做到对LED灯光亮暗的控制，此方法简单、便捷，避免了胶工在漆黑环境下找不到灯的开关的困扰。并且在外壳的下方安装位移传感器，位移传感器的末端与刀具竖直面平行，通过传感器实时反馈的数据可以实时监测割胶厚度。在外壳的正面还安装有人体传感器，用以节约胶工工作后忘记关机带来的能耗。温湿度等传感器收集外界不同的信号并传递给处理器，处理后的数据通过显示屏和喇叭与胶工进行信息传递，并且该学习仪还可针对不同层次的使用者给出不同评价。

Figure 2 Three-dimensional model of the intelligent tapping technology auxiliary learning instrument图2 割胶技术智能辅助学习仪三维模型

3.2 割胶模块的工作原理和技术参数

使用前将智能辅助学习模块和普通割胶刀具结合，调整位移传感器头部滚珠的位置。使用时胶工打开启动按钮，在听到后置的声音输出装置传出的MP3提示音后，屏幕亮起，传感器将采集数据发送至开发板，开发板处理后在屏幕上显示出时间、温湿度、已割厚度、还需割厚度、胶工的工作评分信息，随后胶工只需要在声音传感器前说“开灯”即可打开LED灯光，胶工进行割胶时，要使位移传感器的头部滚珠紧贴树皮，并且在行刀过程中应注意使位移传感器与刀具平行。机器在刀口切入树干过程中，弹簧受到橡胶树表皮阻挡而压缩，由于树皮对弹簧的压缩量与胶工所割的厚度相等，因此可以间接求出瞬时割胶厚度，并且实时反映在显示屏上；与此同时，该机器还能记录以往胶工所割的厚度，通过Arduino Mega 2560 开发板内的算法进行相应的评估并给出意见，通过声音输出装置将评估分数告诉胶农，为胶工下次割胶提供数据参照，促使胶工割胶技术的增长，达到学习的目的。整机主要性能指标和技术参数如表 1 所示。

Table 1 Main technical parameters of the intelligent

3.3 可拆卸设备的设计

为了能够在不破坏刀具的完整性的前提下将智能辅助学习模块和普通割胶刀具结合牢固，本文设计了L型环套，环套的三维图如图3所示。

Figure 3 L-shaped loop overlapping map图3 L型环套图

由于割胶刀的首尾厚度变化大，而刀身处厚度较为平缓，因此本文分别设计两个尺寸不同的中空的L型环套，环套的一端通过固定臂与智能辅助学习模块相连，为了使得智能辅助学习模块和割胶刀具的连接处结构简单、承载能力大、承受冲击性能好，因此在安装L型环套时，利用热胀冷缩的特性，将L型环套的内孔加热，趁孔径扩大，迅速套到割胶刀上，待冷却收缩后两个零件就紧紧配合成一体，完成过盈配合。考虑到L型环套在潮湿、恶劣的割胶环境下不能因为腐蚀使得两个模块脱落，并且结合轻量化考虑，因此选用铝合金作为L型环套的材料。其参数如表2所示。

Table 2 Parameters of the L-shaped loop overlapping

4 基于智能算法的技术等级评估方法

4.1 评估指标体系

4.1.1 基于德尔菲法的数据采集

胶工割胶水平评价属于信息系统效益评价，为了能较好地处理信息系统多因素、模糊性以及主观判断等问题，本文将原来的定性评价定量化。首先需要确定的是影响胶工割胶水平的评价指标，由于当前并没有完善的认可度高的评价体系或者数据可以参考，因此本文采用德尔菲法[4 - 6]对指标进行设定。

(1)平均割胶厚度。橡胶树树皮从外到里分为粗皮、砂皮、黄皮、水囊皮、形成层五层，而橡胶大都储存于黄皮、水囊皮，但割胶的深度过浅时，则会导致橡胶树的产胶量较少，而割胶深度过深，则可能割伤橡胶树导致其产胶量下降甚至不能产胶[7]。因此，本文认为割胶的深浅与割胶水平的好坏有可能相关。

(2)割胶温度。由于胶树的光合作用在15 ℃以下时大为减弱，在10 ℃以下时则完全停止，而光合作用的减弱则会减少橡胶合成的原料来源，影响橡胶的产量，而清晨气温为19～24 ℃时利于橡胶的产胶和排胶，一个割胶水平高的胶工应能对割胶环境温度进行判断，选取在合适的温度下割胶，因此本文认为割胶的温度与割胶水平的好坏有可能相关。

(3)割胶湿度(RH)。当割胶的湿度达到80%以上时，对排胶有利，如下降到75%时则会因分割间封闭较快而使得排胶时间缩短，因此当胶工选择RH≥80%时割胶的橡胶产量大于RH≤75%时，所以本文认为割胶的湿度与割胶水平的好坏有可能相关。

(4)割胶厚度波动程度(P)。胶工在割胶过程中的实时割胶厚度各不相同，为了防止因外界因素产生误差，本文提出通过对整个割胶过程中计算胶工每次割胶厚度与最适割胶厚度的最近值的偏离大小的平方作为波动程度，用它来衡量胶工整个割胶过程中的数据波动大小。在样本容量相同的情况下，波动程度越大，说明胶工在割胶过程中偏离最佳割胶越远，技术水平较低，所以本文认为割胶厚度波动程度与割胶水平的好坏有可能相关。

(5)停顿次数(TD)。在割胶过程中，可能会出现顿刀、空刀，此时就会出现停顿现象，而这些现象正是割胶技术还不够成熟的表现，所以本文认为胶工割一棵橡胶树的停顿次数与割胶水平的好坏有可能相关。

(6)割胶最佳厚度所占比例(%)。在割胶过程中由于胶工刀口所割的深度不同，割胶厚度处于最适范围的次数越多，所割破的乳管就越多，产胶量就越高，因此本文认为割胶最佳厚度所占比例与割胶水平的好坏有可能相关。

(7)割胶时间系数(t0)。在割胶过程中，对于割胶技术尚未成熟的年轻胶工在割胶的同时难免会出现摇手、重刀、乱刀等现象，本文发现这些现象在割胶的过程中影响最为明显的是割胶时间的长短。一个技术娴熟的老胶工割一棵橡胶树的最短时间约为36 s，因此本文认为胶工平均割胶时间长短有可能作为胶工割胶技术的评价之一。

(8)超越危险厚度次数(F)。割胶过程中割胶厚度超越危险厚度即触及形成层时则会导致产胶量减少，经过本文调研，危险厚度值约为19 mm，超越危险厚度次数越少则对树的伤害越小。为此本文认为超越危险厚度次数有可能作为胶工割胶技术的评价之一。

(9)最深割胶厚度(Dmax)。割胶的最深厚度可以作为割胶伤树程度的评价指标，若割胶最深厚度远超过危险厚度时会增加死皮数和割面病害的蔓延，从而影响产胶量，为此本文认为割胶最深厚度有可能作为胶工割胶技术的评价之一。

(10)稳定性(M)。为了能更全面衡量胶工在整个工作过程中所展现的割胶水平，本文利用一段时间割胶深度的方差来度量割胶深度和其数学期望(即均值)之间的偏离程度。本文认为方差越大，稳定值越大，胶工的技术水平越精湛。

4.1.2 基于灰色关联度分析的指标体系建立

为了能准确把握影响胶工割胶技术较大的关键指标，达到对胶工进行正确引导的目的，从而促使胶工快速掌握割胶技术，本文对上文所述的10个指标进行综合评价。综合评价方法根据权重的确定可分为主观赋权法和客观赋权法，目前主流的综合评价和决策方法有主成分分析、TOPSIS(Technique for Order Preference by Similarity to Ideal Solution)、层次分析等方法。由于割胶过程中有大量的不确定因素及其相互关系，因此本文选用灰色关联分析法[8]，将定性和定量的方法结合起来，通过确定参考数据列和若干个比较数据列的几何形状相似程度来判断其联系是否紧密，并反映了曲线间的关联程度，该算法计算简便，在一定程度上可减小决策者的主观任意性。

本文除了从机理方面进行研究外，还通过实验获取影响因素的数据并结合灰色关联度分析进行指标体系建立，其步骤如下：

Step1确定分析数列。

设参考数列(又称母序列)为：

x0={x0(k)|k=1,2,…,n}=

(x0(1),x0(2),…,x0(n))

(1)

比较数列(又称子序列)为：

xi={xi(k)|k=1,2,…,n}=

(xi(1),xi(2),…,xi(n)),i=1,2,…,m

(2)

其中，参考数列x0为可能影响胶工割胶水平的因素的割胶厚度、割胶温度、割胶湿度、割胶厚度波动程度、停顿次数、割胶最佳厚度所占比例、割胶时间系数、超越危险厚度次数、割胶最深厚度和稳定性所构成的数列；比较数列xi为胶工的割胶水平的得分。

Step2数据的百分比变换：

(3)

其中，x(k)为数列中的单个元素。f(x(k))的值为单个元素对该行最大值的比值，由于系统中影响割胶技术水平的各因素列中的数据量纲不同，不便于比较，因此在进行灰色关联度分析前，本文对数据进行百分比变换。

Step3计算关联系数。

计算比较数列xi对参考数列x0在k时的关联系数：

(4)

Step4计算关联度:

(5)

关联系数计算式是描述各影响因素与割胶技术关联程度的一种指标。由于不同的k值都有一个关联数，因此信息显得过于分散，不便于比较，所以使用关联度ri将影响割胶水平的某个指标的关联系数相加求平均作为描述指标对割胶水平的得分的关联度。

Step5关联度排序。

将各影响指标的关联度按大小排序，关联度越大，则表示该指标对割胶水平的影响越大。

4.1.3 评估指标权重计算

目前权重的确定主要有AHP(Analytic Hierarchy Process)法、变异系数法、德尔菲法等。为了增加精度，本文选择客观性强的熵权法[9]作为割胶技术影响指标的赋权方法。熵权法根据影响割胶技术灰色关联度分析后选取7个评价指标的变异程度，利用信息熵计算出各指标的熵权，接着利用熵权对各指标的权重进行调整，从而得出可信度较高的指标权重。熵权法确定权重在目标识别等领域[10]有着广泛的应用。

Step1形成数据矩阵。

M=(M1,M2,…,Mm)

(6)

D=(D1,D2,D3,…,Dn)

(7)

(8)

其中,M为参与实验的胶工割胶水平得分数列，D为通过灰色关联度分析所筛选出来的已量纲化处理的割胶水平影响指标数列，xij表示某一割胶水平下对应某一割胶技术影响指标的值。

Step2特征比重。

将Step 1所形成的数据矩阵代入式(9)中，计算出第j项割胶技术影响指标下，第i个割胶技术水平对象的特征比重Pij，由于0≤xij≤1，所以0≤Pij≤1，通过式(9)可求出各割胶技术水平下的某一指标出现的概率。

(9)

Step3计算指标的熵值:

(10)

其中,Pij为Step 2所求出的特征比重;ej为第j项割胶水平影响指标的熵值，该值越小则反映了该指标在对胶工割胶水平进行评价时提供的信息越多，所起的作用越大。

Step4计算各指标熵权:

dj=1-ej

(11)

(12)

其中，dj为差异系数，Wj为各个指标在对胶工进行技术评价时的权重。

Step5将各个权重作为系数可以列出关于胶工割胶水平得分的线性函数，若将一名胶工各指标的值代入函数中即可求得对胶工割胶水平定量化的得分评价。

4.1.4 技术等级分类模型构建

本文采用云模型作为技术等级的分类模型。云模型[11]是1995年由中国工程院院士李德毅提出的，该模型用于处理定性概念与定量描述的不确定转换[12]。设U为精确数值表示的割胶技术优劣的定量论域，即C是U上的模糊性描述即割胶水平初级、中级、高级的评价，若其中一次评分x为胶工割胶水平的得分U中的一次随机实现，x相对于C稳定倾向的随机数，此时可称x为云滴，x在定量论域的分布为云(Cloud)。本文利用逆向云发生器[13]实现胶工获得的评价分数向割胶技术好坏的转化，其步骤如下：

Step1每个胶工作为一个云滴，其割胶技术得分为定量值xi其隶属度为yi，进而一个云滴的表达方式为(xi,yi)。

Step3样本均值即所求的期望值Ex，期望值是割胶技术定性转定量的最典型样本。

4.1.5 技术等级识别算法

聚类算法有k-means聚类算法、层次方法中的凝聚型层次聚类算法、基于模型方法的神经网络聚类算法，为了能减少算法运算时间，本文选用运算效率高的k-means聚类[14]法来进行不同割胶水平中心点的计算，以便于进行技术与等级的识别。

Step1先选取3名胶工作为初级胶工、中级胶工、高级胶工三类簇的中心点，其中每个中心点都包含胶工期望、熵和超熵3个指标，在3个初始类簇中心点的情况下，把对每名测试胶工的期望、熵和超熵分到离其最近的类簇中心点所代表的类簇中。

Step2所有分数分配完毕之后，根据一个类簇内的所有期望、熵和超熵分别取平均值来重新计算该类簇的中心点。

Step3迭代进行分配点和更新类簇中心点的步骤，直至误差小到某个值或者到达一定的迭代步数，误差不变。通过上述聚类可以使得同一水平的胶工得分越近，不同水平胶工的得分越远，最终形成3个较为合理的类簇中心点。

最小欧氏距离确定类别[15,16]:

Step1输入一名测试胶工的期望、熵和超熵x(x1，x2，x3)三个指标。设3个特征集合为初级胶工、中级胶工、高级胶工，其中初级胶工的期望、熵和超熵所构成的向量为v1，其向量表示为v(v11，v12，v13)；中级胶工的期望、熵和超熵所构成的向量为v2，其向量表示为v(v21，v22，v23)；高级胶工的期望、熵和超熵所构成的向量为v3，其向量表示为v(v31，v32，v33)。

Step2求x与三个特征之间的距离，其公式如下：

d=|x-v|2

Step3该测试胶工的割胶水平越趋近于距离小的特征集合。

5 实验结果与分析

5.1 实验环境

在完成了割胶技术辅助学习仪的机械设计部分和算法设计与实现后，完成了割胶技术辅助学习仪的技术验证机的实物研制，并于9月15日在海南省儋州市割胶队中进行了实地实验，部分实验实时截图如图4所示。实验过程中，共有24名胶工进行了技术验证机的实验测试，其中高级胶工、中级胶工和初级胶工各8名，有高级、中级、初级各1名胶工的验证机割胶数据作为样本数据来源，其余的作为测试数据。实验共获得各项数据2 310个，共330个评价数据，其中样本数据30个，测试数据300个。

在海南省儋州市橡胶林进行实验，分别将割胶智能辅助学习仪分给刚结束割胶培训的学徒、从事割胶工作达3年的胶工和割胶工作达10年的割胶辅导员各自进行为期7天的割胶实验，三种不同的胶工代表割胶技术的初、中、高三个级别，并采集影响因素的数据，采集的数据如表3所示。

Figure 4 Experiment screenshot图4 实验截图

表3中割胶温度、湿度数据是利用安装在割胶技术智能辅助学习仪上的温湿度传感器(DHT11[17])进行采集的。

5.2 评价模型实验

Step1基于灰色关联度模型和样本数据，对本文提出的10项割胶技术水平评价指标进行关联度分析。其中样本数据如表4所示，各指标与割胶技术水平的关联度数据如表5所示，各指标关联度比较如图5所示。

Table 4 Worker’s scores in the sample data

Table 5 Results of the correlationanalysis of each evaluation index

根据上文所述的实验数据结果，本文对评价指

Table 3 Average tapping thickness

标进行了筛选，最后选定平均割胶厚度、割胶厚度波动程度、停顿次数、割胶最佳厚度所占比例、割胶时间系数、超越危险厚度次数和稳定性这7个评价指标。

Step2利用上文中所述熵权法和样本数据，确定各指标权重，如表6所示。根据表6的权重和实时获得的数据，便可得到胶工的割胶成绩。

Figure 5 Comparison of the correlation degree of each index图5 各指标关联度比较

%

Step3根据5.2节的样本数据实验结果，可以得到胶工割胶成绩的计算方法。然后本文利用同样的这三名胶工的数据，进行了基于逆向云发生器的定性转化实验。如表7所示是得到的三名胶工割胶成绩云模型的期望、熵和超熵。

Table 7 Parameters of the cloudmodel of three rubber workers’ scores

根据三名胶工成绩云模型的参数所生成的云滴图像如图6所示。从图6中可以看出，高级胶工的期望值最高，而且成绩分布比较集中，初级胶工和中级胶工的成绩分布都相对分散，成绩不够稳定。依次类推，根据三名胶工长时间实验得到的数据，三种级别的胶工所有成绩所对应的矩阵散点图[19]如图7所示，可以看出期望、熵和超熵的对应关系。

Figure 6 Cloud maps of the scores of the rubber workers with different tapping levels图6 不同割胶水平的胶工成绩所对应的云图

Figure 7 Scatter plot of tapping scores图7 胶工割胶成绩散点图

Step4对三名胶工长时间实验得到的不同单位时间段对应的云模型的期望、熵和超熵进行聚类分析，本文采用k-means聚类法，实验结果如图8所示。

根据聚类得到的三个聚类中心点为：高级胶工：(7.7，0.85，0);中级胶工：(6，1.8，0.2);初级胶工：(1.78，3.45，0.44)。

Figure 8 Cluster diagram of cloud model parameters corresponding to different tapping levels图8 不同割胶水平对应的云模型参数聚类图

5.3 结果分析

在得到三个水平的聚类中心之后，根据最小欧氏距离法，本文用测试数据进行了实验验证，实验结果如图9所示。

如图9所示，有300个测试数据节点，其中较细连线表示正确的实验数据节点，加粗的连线连接的节点表示错误的评价结果对应的数据节点。错误的数据点共有6个，因此实验得到的割胶技术辅助学习仪的割胶水平评价正确率为98%。

样机实验结果表明，该学习仪的正确率高，能够达到实际使用的要求。

Figure 9 Experimental results图9 实验测试结果图

6 结束语

本文结合德尔菲法、灰色关联度分析、熵权法和云模型，提出了一种割胶技术等级评估方法，该方法能够实时显示割胶厚度，并对胶工割胶技术进行实时评价和打分，从而促进胶工割胶技术的提升，在割胶技术评价领域具备较高参考价值，可应用于不同胶工的实时评价。同时，本文设计并研制了割胶技术智能辅助学习仪，该学习仪满足胶工割胶时的所需功能，并且经过实验验证该学习仪实时性强、技术评价精准度高，对提高胶工割胶水平与橡胶产量有极大的促进作用。

[1] Hebbard G M,Powell S T,Rostenbach R E.Rubber industry[J].Industrial & Engineering Chemistry,1947,39(5):589-595.

[2] Musikavong C,Gheewala S H.Assessing ecological footprints of products from the rubber industry and palm oil mills in Thailand[J].Journal of Cleaner Production,2016,142:1148-1157.

[3] Elsamanty M,Khalifa A,Fanni M,et al.Methodology for identifying quadrotor parameters,attitude estimation and control[C]∥Proc of 2013 IEEE/ASME International Conference on Advanced Intelligent Mechatronics (AIM),2013:1343-1348.

[4] Linstone H A,Turoff M.The Delphi method:Techniques and applications[J].Journal of Marketing Research,1975,18(3):363-364.

[5] Strand J,Carson R T,Navrud S,et al.Using the Delphi method to value protection of the Amazon rainforest[J].Ecological Economics,2017,131:475-484.

[6] Weir A,Hölmich P,Schache A G,et al.Terminology and definitions on groin pain in athletes:Building agreement using a short Delphi method.[J].British Journal of Sports Medicine,2015,49(12):825-827.

[7] Golbon R,Ogutu J O,Cotter M,et al.Rubber yield prediction by meteorological conditions using mixed models and multi-model inference techniques[J].International Journal of Biometeorology,2015,59(12):1747-1759.

[8] Rajesh R, Ravi V. Supplier selection in resilient supply chains:A grey relational analysis approach[J].Journal of Cleaner Production,2015,86(1):343-359.

[9] Tang P,Chen D,Hou Y.Entropy method combined with extreme learning machine method for the short-term photovoltaic power generation forecasting[J].Chaos Solitons & Fractals,2016,89:243-248.

[10] Liu Bo-yi,Cheng Jie-ren,Tang Xiang-yan,et al.Moving vehicles recognition in complex dynamic environment[J].Journal of Frontiers of Computer Science & Technology,2017,11(1):134-143.(in Chinese)

[11] Wang J Q,Peng J J,Zhang H Y,et al.An uncertain linguistic multi-criteria group decision-making method based on a cloud model[J].Group Decision and Negotiation,2015,24(1):171-192.

[12] Wang G,Xu C,Li D.Generic normal cloud model[J].Information Sciences,2014,280(280):1-15.

[13] Xiahou J,Lin F,Huang Q H,et al.Multi-datacenter cloud storage service selection strategy based on AHP and backward cloud generator model[J].Neural Computing & Applications,Publish online:14 July 2016,2016:1-15.

[14] Shahrivari S, Jalili S.Single-pass and linear-timek-means clustering based on MapReduce[J].Information Systems,2016,60(C):1-12.

[15] Bermanis A, Wolf G, Averbuch A.Diffusion-based kernel methods on Euclidean metric measure spaces[J].Applied & Computational Harmonic Analysis,2016,41(1):190-213.

[16] Dokmanic I,Parhizkar R,Ranieri J,et al.Euclidean distance matrices:Essential theory,algorithms,and applications[J].IEEE Signal Processing Magazine,2015,32(6):12-30.

[17] Krishnamurthi K,Thapa S,Kothari L,et al.Arduino based weather monitoring system[J].International Journal of Engineering Research and General Science,2015,3(2):452-458.

[18] Nordhausen K,Oja H.Independent subspace analysis using three scatter matrices[J].Austrian Journal of Statistics,2016,40(1&2):93-101.

附中文参考文献：

[10] 刘博艺,程杰仁,唐湘滟,等.复杂动态环境下运动车辆的识别方法[J].计算机科学与探索,2017,11(1):134-143.