赵 刚，饶 元，王 文，姜 敏，江朝晖

(安徽农业大学信息与计算机学院，合肥 230036)

农业物联网系统已成为农业大数据最重要的数据源之一[1]。通过将具有感知、通信和计算能力的微型传感器部署应用于农业生产管理中，全面、准确、高效地监测土壤-植物-大气连续体，能够有效推进“互联网+”现代农业行动，为精准农业的实现提供重要支撑[2-3]。农业物联网设备往往长期工作在复杂的生产环境中，受设备制造技术、工艺与成本以及网络传输的影响，数据收集过程中不可避免地产生远离序列一般水平的极大值或极小值，即异常数据[4-5]。如何实时有效地检测异常数据，保证采集的原始数据质量是开展高价值农业生产分析和实现物联网设备智能调控的根本前提。

Lo 等[6]提出一种基于分布式模型的非线性传感器异常诊断算法，具有较高的检测率，且开销低于集中式算法。Ludeña-Choez 等[7]提出基于非负矩阵分解的机器学习方法提取农业土壤墒情数据特征，再使用逻辑回归和支持向量机进行训练和检测，性能优于基于主成分分析和多尺度主成分分析的检测模型。通过建立回归模型来检测异常数据得到了研究者们的广泛关注。段青玲等[8]采用滑动窗口机制动态更新训练数据集构建基于支持向量回归的畜禽养殖物联网数据预测模型，通过比较预测数据和实际数据的差异判断是否出现异常。但该方法中预测模型与异常值判断区间的频繁更新造成计算开销较大，且异常数据的判断条件较为复杂。……