CN105387913A - 基于指数关系和支持向量回归的粮仓重量检测方法及装置 - Google Patents

Abstract

本发明涉及一种基于指数关系和支持向量回归的粮仓重量检测方法及装置，本发明通过在粮仓底面上布置两组压力传感器，一组为内圈压力传感器，一组为外圈压力传感器；建立粮仓重量检测模型检测各传感器输出值，依据所建立的检测模型，实现对粮仓重量的检测。本发明所建立的检测模型是基于底面、侧面压强均值分别与内圈压力传感器、外圈压力传感器输出均值之间的指数关系估计和支持向量回归检测模型，因此所建模型具有精度高，对传感器性能要求低、适应性和鲁棒性强、便于远程在线粮仓数量检测和粮仓状态监测等特点，本发明的检测方法适应于多种粮仓结构类型的储粮数量检测，具有巨大的应用价值，为保障国家粮食数量安全提供了新的技术手段。

Description

基于指数关系和支持向量回归的粮仓重量检测方法及装置

技术领域

本发明涉及一种基于指数关系和支持向量回归的粮仓重量检测方法及装置，属于粮食重量检测技术领域。

背景技术

粮食安全包括数量安全和质量安全。粮食数量在线检测技术与系统研究应用是国家粮食数量安全的重要保障技术，开展这方面的研究与应用事关国家粮食安全，具有重要的意义，并将产生巨大的社会经济效益。由于粮食在国家安全中的重要地位，要求粮堆数量在线检测准确、快速和可靠。同时由于粮食数量巨大，价格低，要求粮堆数量在线检测设备成本低、简单方便。因此检测的高精度与检测系统的低成本是粮仓数量在线检测方法开发必需解决的关键问题。

申请号为201410101693.5的专利申请，提供了一种基于结构自适应检测模型的粮仓储粮数量检测方法，该检测方法在粮仓底面上布置两圈压力传感器，检测各传感器的输出值，依据所建立的检测模型计算粮仓重量估计，所建立的检测模型为该检测模型通过将侧面压强、底面压强分别估计为关于外圈压力传感器、内圈压力传感器输出均值的多项式得到。

发明内容

本发明的目的是提供一种基于指数关系和支持向量回归的粮仓重量检测方法及装置，以提供一种新的粮仓重量检测方式。

本发明为实现上述目的提供了一种基于指数关系和支持向量回归的粮仓重量检测方法，该检测方法包括以下步骤：

1)在粮仓底面上布置两组压力传感器，一组为内圈传感器，一组为外圈传感器，外圈传感器靠近侧面墙间隔布置，内圈传感器距离侧面墙设定距离且间隔布置；

2)依据步骤1)中传感器的布置方式，建立基于指数关系估计和支持向量回归的粮仓重量检测模型为：

$\hat{W}=A_B\[\underset{j=1}{\overset{l}{\Σ}}{\mathrm{\β}}_j\exp (-\mathrm{\γ}||Q_{BM}-Q_{BM}^j|{|}^2)+b\]$

其中A_B为粮堆底面面积，C_B为底面周长，Q_BM＝(ψ(1),ψ(2),ψ(3))， $\mathrm{\ψ}\left(1\right)=\exp \[K_B{\stackrel{\‾}{Q}}_B\left(s_{Inner}\right)\],\mathrm{\ψ}\left(2\right)=-K_c^{2}ln\[1-K_p{\stackrel{\‾}{Q}}_{BF}\left(s\right)\],\mathrm{\ψ}\left(3\right)=\mathrm{\ψ}\left(2\right)\exp \[K_F{\stackrel{\‾}{Q}}_B\left(s_{Outer}\right)\]$

为内圈传感器输出均值，为外圈传感器输出均值，K_P、K_B和K_F为参数，β_j,b为通过支持向量机训练所获得的参数，β_j≠0，为相应的支持向量点，l为支持向量的个数j＝1,...,l；

3)检测步骤1)中各传感器的输出值，依据步骤2)中的检测模型计算被检测粮仓重量的估计值

所述步骤2)所建检测模型中各参数的标定如下：

A.在多于6个粮仓中布置压力传感器，进粮至满仓，待压力传感器输出值稳定后，采集各仓的压力传感器输出值，根据内外圈压力传感器检测值计算出相应内外圈均值和以及相应项序列 形成样本集其中为第k次检测的粮仓底面面积，K为样本数，并将取值以及的各项值分别规范到[-1,1]；

B.将样本集S分为两个部分，优化与支持向量机建模样本集S_M和测试样本S_T；

C.任意选定一组参数K_P、K_B和K_F，利用支持向量机建模样本S_M和支持向量机训练算法建立相应的支持向量机模型；

D.采用百分比误差模型计算K_P、K_B和K_F

$Min\underset{i\∈S_M}{\Σ}(1-{\frac{{\hat{W}}_i}{W_i}}^2)$

约束条件：K_P＞0

$1-K_p{\stackrel{\‾}{Q}}_{BF}\left(s\right)>0$

KB＞0

KF＞0

其中，为样本点i的粮堆重量预测值。

所述的检测模型是在粮仓重量理论检测模型的基础上得到的，粮仓重量理论检测模型为：

$\hat{W}=A_B\{{\stackrel{\‾}{Q}}_B\left(s\right)-\frac{K_c^2}{K}ln\[1-K_{\mathrm{\∞}}{\stackrel{\‾}{Q}}_B\left(s\right)\]{\stackrel{\‾}{Q}}_F\left(s\right)\}$

其中，为粮堆重量估计，A_B为粮堆底面面积，C_B为底面周长，Q_B(s)、Q_F(s)分别为粮堆底面和侧面中s点的压强，为粮堆远高于一定高度时的底面压强饱和值。

所述底面压强均值与内圈传感器输出值均值具有近似指数关系，同样侧面压强均值与外圈传感器输出值均值也具有近似关系，即

${\widehat{\stackrel{\‾}{Q}}}_B\left(s\right)=b_{B0}+b_{B1}\exp \[K_B{\stackrel{\‾}{Q}}_B\left(s_{Inner}\right)\]$

$\frac{1}{K}{\widehat{\stackrel{\‾}{Q}}}_F\left(s\right)=b_{F0}+b_{F1}\exp \[K_F{\stackrel{\‾}{Q}}_B\left(s_{Outer}\right)\]$

其中b_B0、b_B1、b_F0和b_F1分别为估计项的系数。

所述外圈传感器距离侧面墙距离d大于0小于1米，内圈传感器距离侧面墙距离D大于2米。

本发明还提供了一种基于指数关系和支持向量回归的粮仓重量检测装置，该检测装置包括检测单元以及与检测单元连接且设置在粮仓底面的压力传感器，所述压力传感器分两组布置，一组为内圈传感器，一组为外圈传感器，外圈传感器靠近粮仓侧面墙间隔布置，内圈传感器距离粮仓侧面墙设定距离且间隔布置，所述检测单元中执行有一个或多个模块，所述一个或多个模块用于执行以下步骤：

1)建立基于指数关系和支持向量回归的粮仓重量检测模型：

$\hat{W}=A_B\[\underset{j=1}{\overset{l}{\Σ}}{\mathrm{\β}}_j\exp (-\mathrm{\γ}||Q_{BM}-Q_{BM}^j|{|}^2)+b\]$

其中A_B为粮堆底面面积，C_B为底面周长，Q_BM＝(ψ(1),ψ(2),ψ(3))， $\mathrm{\ψ}\left(1\right)=\exp \[K_B{\stackrel{\‾}{Q}}_B\left(s_{Inner}\right)\],\mathrm{\ψ}\left(2\right)=-K_c^{2}ln\[1-K_p{\stackrel{\‾}{Q}}_{BF}\left(s\right)\],\mathrm{\ψ}\left(3\right)=\mathrm{\ψ}\left(2\right)\exp \[K_F{\stackrel{\‾}{Q}}_B\left(s_{Outer}\right)\]$

为内圈传感器输出均值，为外圈传感器输出均值，K_P、K_B和K_F为参数，β_j,b为通过支持向量机训练所获得的参数，β_j≠0，为相应的支持向量点，l为支持向量的个数j＝1,...,l；

2)检测各传感器的输出值，根据步骤1)中的检测模型计算被检测粮仓重量的估计值

所述建立的检测模型中各参数的标定如下：

A.在多于6个粮仓中布置压力传感器，进粮至满仓，待压力传感器输出值稳定后，采集各仓的压力传感器输出值，根据内外圈压力传感器检测值计算出相应内外圈均值和以及相应项序列 $Q_{BM}^k=\left({\mathrm{\ψ}}^k\right(1),{\mathrm{\ψ}}^k(2),{\mathrm{\ψ}}^k(3\left)\right),$ 形成样本集 $S={\left\{(Q_{BM}^k,W_k/A_B^k)\right\}}_{k=1}^K,$ 其中为第k次检测的粮仓底面面积，K为样本数，并将取值以及的各项值分别规范到[-1,1]；

B.将样本集S分为两个部分，优化与支持向量机建模样本集S_M和测试样本S_T；

C.任意选定一组参数K_P、K_B和K_F，利用支持向量机建模样本S_M和支持向量机训练算法建立相应的支持向量机模型；

D.采用百分比误差模型计算K_P、K_B和K_F

$Min\underset{i\∈S_M}{\Σ}(1-{\frac{{\hat{W}}_i}{W_i}}^2)$ 约束条件：K_P＞0

$1-K_p{\stackrel{\‾}{Q}}_{BF}\left(s\right)>0$

K_B＞0

K_F＞0

其中，为样本点i的粮堆重量预测值。

所述的检测模型是在粮仓重量理论检测模型的基础上得到的，粮仓重量理论检测模型为：

$\hat{W}=A_B\{{\stackrel{\‾}{Q}}_B\left(s\right)-\frac{K_c^2}{K}ln\[1-K_{\mathrm{\∞}}{\stackrel{\‾}{Q}}_B\left(s\right)\]{\stackrel{\‾}{Q}}_F\left(s\right)\}$

其中，为粮堆重量估计，A_B为粮堆底面面积，C_B为底面周长， ${\stackrel{\‾}{Q}}_B\left(s\right)=\frac{1}{n_B}\underset{i=0}{\overset{n_B}{\Σ}}{Q}_B\left(s_i\right),{\stackrel{\‾}{Q}}_F\left(s\right)=\frac{1}{n_F}\underset{j=0}{\overset{n_F}{\Σ}}{Q}_F\left(s_j\right),$ Q_B(s)、Q_F(s)分别为粮堆底面和侧面中s点的压强，为粮堆远高于一定高度时的底面压强饱和值。

所述底面压强均值与内圈传感器输出值均值具有近似指数关系，同样侧面压强均值与外圈传感器输出值均值也具有近似关系，即

${\widehat{\stackrel{\‾}{Q}}}_B\left(s\right)=b_{B0}+b_{B1}\exp \[K_B{\stackrel{\‾}{Q}}_B\left(s_{Inner}\right)\]$

$\frac{1}{K}{\widehat{\stackrel{\‾}{Q}}}_F\left(s\right)=b_{F0}+b_{F1}\exp \[K_F{\stackrel{\‾}{Q}}_B\left(s_{Outer}\right)\]$

其中b_B0、b_B1、b_F0和b_F1分别为估计项的系数。

所述外圈传感器距离侧面墙距离d大于0小于1米，内圈传感器距离侧面墙距离D大于2米。

本发明的有益效果是:本发明通过在粮仓底面上布置两组压力传感器，一组为内圈压力传感器，一组为外圈压力传感器；建立粮仓重量检测模型检测各传感器输出值，依据所建立的检测模型，实现对粮仓重量的检测。本发明所建立的检测模型是基于底面、侧面压强均值分别与内圈压力传感器、外圈压力传感器输出均值之间的近似指数关系和支持向量回归算法，因此所建模型具有精度高，对传感器性能要求低、适应性和鲁棒性强、便于远程在线粮仓数量检测和粮仓状态监测等特点，本发明的检测方法适应于多种粮仓结构类型的储粮数量检测，具有巨大的应用价值，为保障国家粮食数量安全提供了新的技术手段。

附图说明

图1是平房仓底面压力传感器布置模型示意图；

图2是筒仓底面压力传感器布置模型示意图；

图3是本发明所建立的检测模型示意图；

图4是本发明检测实例2中采用建模样本进行重量预测的误差示意图；

图5是本发明检测实例2中采用所有样本进行重量预测的误差示意图；

图6是本发明粮仓重量检测方法的实施流程图。

具体实施方式

下面结合附图对本发明的具体实施方式做进一步的说明。

一、基于指数关系和支持向量回归的粮仓重量检测方法的实施例

本发明的基于指数关系和支持向量回归的粮仓重量检测方法通过建立相应的粮仓重量检测模型，依据所建立的粮仓重量检测模型计算粮仓重量，关于该模型获得的理论前提、对应的粮仓传感器布置、模型推导和参数标定，下面依次具体介绍。

1.粮仓重量理论检测模型

通常使用的粮仓有平房仓、浅圆仓、筒仓等类型，粮食入仓后，粮堆顶部要求摊平，平房仓粮堆形状大致上为不同尺寸的立方体，浅圆仓、筒仓粮堆形状大致上为不同尺寸的圆柱体，通过粮堆受力分析可知，粮仓粮堆重量与粮仓压强分布具有下式所示的关系。

$\hat{W}=A_B\{{\stackrel{\‾}{Q}}_B\left(s\right)-\frac{K_c^2}{K}ln\[1-K_{\mathrm{\∞}}{\stackrel{\‾}{Q}}_B\left(s\right)\]{\stackrel{\‾}{Q}}_F\left(s\right)\}---\left(1\right)$

其中，为粮堆重量估计，A_B为粮堆底面面积，C_B为底面周长， ${\stackrel{\‾}{Q}}_B\left(s\right)=\frac{1}{n_B}\underset{i=0}{\overset{n_B}{\Σ}}{Q}_B\left(s_i\right),{\stackrel{\‾}{Q}}_F\left(s\right)=\frac{1}{n_F}\underset{j=0}{\overset{n_F}{\Σ}}{Q}_F\left(s_j\right),$ Q_B(s)、Q_F(s)分别为粮堆底面和侧面中s点的压强，为粮堆远高于一定高度时的底面压强饱和值。

2.粮仓传感器布置

对于通常使用的平房仓和筒仓，本发明在粮仓底面按外圈和内圈两圈布置压力传感器，如图1和图2所示，圆圈为压力传感器布置位置，所有外圈压力传感器与侧面墙的距离均为d，所有内圈压力传感器与侧面墙的距离均为D。显然，当d＝0时，外圈处底面压强也是侧面底部的压强，因此可利用外圈压力传感器输出值描述侧面底部压强的大小，利用内圈压力传感器输出值描述底面压强的大小。

实际实验表明，外圈压力传感器与侧面墙距离d＝0时，其压力传感器输出值描述侧面压强均值的准确性提高，但输出值的波动性也明显增大，从而影响检测模型精度，为保证模型精度，本发明可取d>0且d<1米。内圈传感器与侧面墙距离D越大，压力传感器输出值描述底面压强均值的有效性提高，因此在方便装卸粮食的条件下，应适当增大D，本发明中D>2米，一般可取3米左右。为了保证检测模型的通用性，各粮仓的内圈压力传感器与侧面墙距离D均相同，各粮仓外圈压力传感器与侧面墙距离d均相同，两圈传感器个数均为6-10个，各传感器减距应不小于1米。

3.基于指数关系和支持向量回归的粮仓重量检测模型推导

采用图1、图2所示的粮仓底面两圈传感器布置模型，利用外圈压力传感器输出值均值构建粮仓侧面压强估计，利用内圈压力传感器输出均值构建粮仓底面压强估计。对于式(1)所述的粮仓重量检测理论模型，令

$H_{\mathrm{\&infin;}}=\ln \&lsqb;1-K_{\mathrm{\&infin;}}{\stackrel{\&OverBar;}{Q}}_B\left(s\right)\&rsqb;---\left(2\right)$

令 ${\stackrel{\&OverBar;}{Q}}_{BF}\left(s\right)=\&lsqb;{\stackrel{\&OverBar;}{Q}}_B\left(s_{Inner}\right)+{\stackrel{\&OverBar;}{Q}}_B\left(s_{Outer}\right)\&rsqb;/2,$ 构建式(2)中的估计为

${\widehat{\stackrel{\&OverBar;}{Q}}}_B\left(s\right)=b_{BF}{\stackrel{\&OverBar;}{Q}}_{BF}\left(s\right)---\left(3\right)$

则H_∞估计为

${\hat{H}}_{\mathrm{\&infin;}}=ln\&lsqb;1-K_P{\stackrel{\&OverBar;}{Q}}_{BF}\left(s\right)\&rsqb;---\left(4\right)$

其中K_P＝K_∞b_BF。则由式(1)可得

$\hat{W}=A_B\{{\stackrel{\&OverBar;}{Q}}_B\left(s\right)-\frac{K_c^2}{K}ln\&lsqb;1-K_P{\stackrel{\&OverBar;}{Q}}_{BF}\left(s\right)\&rsqb;{\stackrel{\&OverBar;}{Q}}_F\left(s\right)\}---\left(5\right)$

理论分析和实验均表明，式(1)中底面压强均值与内圈压力传感器输出均值具有近似指数关系，同样侧面压强均值与外圈压力传感器输出均值也具有这种近似指数关系，因此本发明采用与 的指数关系构建估计为

${\widehat{\stackrel{\&OverBar;}{Q}}}_B\left(s\right)=b_{B0}+b_{B1}\exp \&lsqb;K_B{\stackrel{\&OverBar;}{Q}}_B\left(s_{Inner}\right)\&rsqb;---\left(6\right)$

$\frac{1}{K}{\widehat{\stackrel{\&OverBar;}{Q}}}_F\left(s\right)=b_{F0}+b_{F1}\exp \&lsqb;K_F{\stackrel{\&OverBar;}{Q}}_B\left(s_{outer}\right)\&rsqb;---\left(7\right)$

其中，K_B、K_F为参数，K_B＞0，K_F＞0；b_B0、b_B1、b_F0和b_F1分别为估计项的系数。将式(6)和式(7)代入式(5)，整理后可得

$\hat{W}=A_B\{a_0+a_1\exp \&lsqb;K_B{\stackrel{\&OverBar;}{Q}}_B\left(s_{Inner}\right)\&rsqb;-K_c^{2}ln\&lsqb;1-K_P{\stackrel{\&OverBar;}{Q}}_{BF}\left(s\right)\&rsqb;\{a_2+a_3\exp \&lsqb;K_F{\stackrel{\&OverBar;}{Q}}_B\left(s_{Outer}\right)\&rsqb;\left\}\right\}---\left(8\right)$

其中，a_i为模型系数，i＝0,1,2,3。

粮仓通风等作业会引起和在一定程度上的波动，易导致基于式(8)所示检测模型的粮仓重量检测误差也在一定程度上波动。为了提高检测模型的鲁棒性和检测精度，下面建立基于指数关系估计的支持向量回归检测模型。

令

$\mathrm{\&psi;}\left(1\right)=\exp \&lsqb;K_B{\stackrel{\&OverBar;}{Q}}_B\left(s_{Inner}\right)\&rsqb;---\left(9\right)$

$\mathrm{\&psi;}\left(2\right)=-K_c^{2}ln\&lsqb;1-K_p{\stackrel{\&OverBar;}{Q}}_{BF}\left(s\right)\&rsqb;---\left(10\right)$

$\mathrm{\&psi;}\left(3\right)=\mathrm{\&psi;}\left(2\right)\exp \&lsqb;K_F{\stackrel{\&OverBar;}{Q}}_B\left(s_{Outer}\right)\&rsqb;---\left(11\right)$

则由式(8)有

$\hat{W}=f\left(\mathrm{\&psi;}\right(1),\mathrm{\&psi;}(2),\mathrm{\&psi;}(3\left)\right)---\left(12\right)$

对于式(12)，按照ψ(1)、ψ(2)、ψ(3)的顺序构造一个项序列Q_BM，Q_BM＝(ψ(1),ψ(2),ψ(3))，以项序列Q_BM的3项作为支持向量机的输入，以粮仓储粮重量作为支持向量机的输出，则可构造基于支持向量回归的粮仓重量检测模型为如下式所示。

$\hat{W}=A_B\&lsqb;\underset{j=1}{\overset{l}{\&Sigma;}}{\mathrm{\&beta;}}_j\exp (-\mathrm{\&gamma;}||Q_{BM}-Q_{BM}^j|{|}^2)+b\&rsqb;---\left(13\right)$

其中，β_j,b为通过SVM训练所获得的参数，β_j≠0；为相应的支持向量点，l为支持向量的个数j＝1,...,l。式(13)即本发明所建立的基于指数关系估计和支持向量回归的检测模型，如图3所示。该检测模型利用支持向量机的结构风险最小化的特性，有助于减少和波动对检测精度的影响，提高模型的鲁棒性和预测能力。

4.检测模型参数标定

对于给定的传感器、粮食种类以及仓型，需要对所建立的粮仓重量检测模型进行标定，即求解式(13)中的各项参数，具体过程如下：

A.在多于6个粮仓中布置压力传感器，进粮至满仓，待压力传感器输出值稳定后，采集各仓的压力传感器输出值，根据内外圈压力传感器检测值计算出相应内外圈均值和以及相应项序列 $Q_{BM}^k=\left({\mathrm{\&psi;}}^k\right(1),{\mathrm{\&psi;}}^k(2),{\mathrm{\&psi;}}^k(3\left)\right),$ 形成样本集 $S={\left\{(Q_{BM}^k,W_k/A_B^k)\right\}}_{k=1}^K,$ 其中为第k次检测的粮仓底面面积，K为样本数，并将取值以及的各项值分别规范到[-1,1]。

B.将样本集S分为两个部分，优化与支持向量机建模样本集S_M和测试样本S_T。

C.对于式(13)，任意选定一组参数K_P、K_B和K_F，利用支持向量机建模样本S_M和支持向量机训练算法可获得相应的支持向量机模型。因此对于给定的样本集，可以通过K_P、K_B和K_F参数优化和支持向量机训练相结合的方法个构建式(13)所示的检测模型。

K_P、K_B和K_F优化采用百分比误差模型，优化模型为

$Min\underset{i\&Element;S_M}{\&Sigma;}{(1-\frac{{\hat{W}}_i}{W_i})}^2---\left(14\right)$

约束条件：K_P＞0(15)

$1-K_p{\stackrel{\&OverBar;}{Q}}_{BF}\left(s\right)>0---\left(16\right)$

K_B＞0(17)

K_F＞0(18)

其中，为样本点i的粮堆重量预测值，本发明采用复合型法进行参数K_P、K_B和K_F优化。

二、基于指数关系和支持向量回归的粮仓重量检测装置的实施例

本实施例中的检测装置包括检测单元以及与检测单元连接且设置在粮仓底面的压力传感器，其中压力传感器分两组布置，一组为内圈传感器，一组为外圈传感器，外圈传感器靠近粮仓侧面墙间隔布置，内圈传感器距离粮仓侧面墙设定距离且间隔布置，如图1、图2所示。这里的检测单元可以采用单片机、DSP、PLC或MCU等，检测单元中执行有一个或多个模块，这里的模块可以位于RAM存储器、闪存、ROM存储器、EPROM存储器、EEPROM存储器、寄存器、硬盘、移动磁盘、CD-ROM或者本领域已知的任何其他形式的存储介质，可以将该存储介质耦接至检测单元，使检测单元能够从该存储介质读取信息，或者该存储介质可以是检测单元的组成部分。一个或多个模块用于执行以下步骤：

1.建立基于指数关系和支持向量回归的粮仓重量检测模型：

$\hat{W}=A_B\&lsqb;\underset{j=1}{\overset{l}{\&Sigma;}}{\mathrm{\&beta;}}_j\exp (-\mathrm{\&gamma;}||Q_{BM}-Q_{BM}^j|{|}^2)+b\&rsqb;$

其中A_B为粮堆底面面积，C_B为底面周长，Q_BM＝(ψ(1),ψ(2),ψ(3))， $\mathrm{\&psi;}\left(1\right)=\exp \&lsqb;K_B{\stackrel{\&OverBar;}{Q}}_B\left(s_{Inner}\right)\&rsqb;,\mathrm{\&psi;}\left(2\right)=-K_c^2\ln \&lsqb;1-K_p{\stackrel{\&OverBar;}{Q}}_{BF}\left(s\right)\&rsqb;,\mathrm{\&psi;}\left(3\right)=\mathrm{\&psi;}\left(2\right)\exp \&lsqb;K_F{\stackrel{\&OverBar;}{Q}}_B\left(s_{Outer}\right)\&rsqb;$

为内圈传感器输出均值，为外圈传感器输出均值，K_P、K_B和K_F为参数，β_j,b为通过SVM训练所获得的参数，β_j≠0，为相应的支持向量点，l为支持向量的个数j＝1,...,l；

2.检测各传感器的输出值，根据步骤1)中的检测模型计算被检测粮仓重量的估计值

其中模型的推导和模型参数的标定过程已在上个实施例中进行详细说明，这里不再赘述。

三、检测实例与结果分析

检测实例1

本检测实例采用的平房仓长9米，宽4.2米，面积为37.8平方米，C_B/A_B≈0.698，所采用的粮仓属于小型粮仓，C_B/A_B相对较大。根据图1所示的压力传感器布置方式进行布置，对于该平房仓，压力传感器分2圈布置，内圈8个，外圈10个，共18个压力传感器，实验粮食种类为玉米，重量约160吨，共进行4次试验。由于样本过少，以1-3次实验为优化与支持向量机建模样本集S_M，以实验4作为测试样本。根据式(13)所示的基于指数关系估计和支持向量回归检测模型，令支持向量机训练参数C＝100000，γ＝0.02，最佳参数K_P、K_B和K_F如表1所示，训练后获得14个支持向量点。根据所获得的检测模型，各次实验的粮仓重量计算结果如表2-表5所示，其中表2为实验1储量重量计算结果，表3为实验3储量重量计算结果，表4为实验3储量重量计算结果，表5为实验4储量重量计算结果。

表1

由表2至表5可知，4次实验的总预测误差为48.196，因此，采用本发明所给出的基于指数关系估计和支持向量回归的检测模型具有理想的建模精度和预测精度。

检测实例2

该检测实例采用洪泽和齐河的3个粮仓，储粮种类为小麦和稻谷，储粮重量分别为2455.6吨、2009.98吨和2100吨。采用和检测实例1不同的传感器，经检测获得检测样本501个。选取197个作为建模样本S_M，其他作为测试样本S_T。根据本发明所给出的模型(式13)，令支持向量机训练参数C＝5000，γ＝0.4，最佳参数K_P、K_B和K_F如表6所示，训练后获得39个支持向量点，采用本发明的检测模型(式13)的重量预测结果如图4和图5所示，其中图4为采用建模样本进行重量预测的误差示意图，图5为采用所有样本进行重量预测的误差示意图，从图4和图5可以看出，所有检测点的预测误差均小于0.07％，可以满足粮仓储粮重量检测的要求，这也证明了本发明所提出的基于指数关系估计和支持向量回归检测模型(式13)的有效性。

表6

具体的，本发明所提出的基于指数关系和支持向量回归的粮仓重量检测方法及装置可按图6所示实施方式实施，具体步骤实施如下：

(1)系统配置

选定具体压力传感器，并配置相应的数据采集、数据传输等系统。

(2)底面压力传感器安装

平房仓传感器布置如图1所示，筒仓如图2所示，底面压力传感器按外圈和内圈两圈布置，外圈压力传感器均与侧面墙距离为d＞0且d＜1米，内圈传感器均与侧面墙距离D>2米。两圈传感器个数均为6-10，传感器间距应不小于1m。

(3)模型参数标定

对于给定的传感器、粮食种类以及仓型，如果模型参数尚未有标定，则在多于6个粮仓中布置压力传感器，进粮至满仓，压力传感器输出值稳定后，采集各仓的压力传感器输出值，根据内外圈压力传感器检测值计算出相应内外圈均值和以及相应项序列 $Q_{BM}^k=\left({\mathrm{\&psi;}}^k\right(1),{\mathrm{\&psi;}}^k(2),{\mathrm{\&psi;}}^k(3\left)\right),$ 形成样本集其中为第k次检测的粮仓底面面积，K为样本数，并将取值以及的各项值分别规范到[-1,1]。

将样本集S分为两个部分，优化与支持向量机建模样本集S_M和测试样本S_T。根据支持向量机建模样本S_M，利用式(14)至式(18)所示的优化模型K_P、K_B和K_F。由最佳K_P、K_B、K_F和支持向量机建模样本S_M，利用支持向量机训练算法则可构建式(13)所示的基于指数关系估计的支持向量回归检测模型。

(4)实仓重量检测。

如果模型参数已标定，检测底面压力传感器输出并利用式(13)所示模型进行粮仓储粮数量检测。

以上给出了具体的实施方式，但本发明不局限于所描述的实施方式，本发明的基本思路在于基本的建模和标定方案，对本领域普通技术人员而言，根据本发明的教导，设计出各种变形的模型、公式、参数并不需要花费创造性劳动，在不脱离本发明的原理和精神的情况下对实施方式进行的变化、修改、替换和变型仍落在本发明的保护范围内。

Claims (10)

1.基于指数关系和支持向量回归的粮仓重量检测方法，其特征在于，该检测方法包括以下步骤：

1)在粮仓底面上布置两组压力传感器，一组为内圈传感器，一组为外圈传感器，外圈传感器靠近侧面墙间隔布置，内圈传感器距离侧面墙设定距离且间隔布置；

2)依据步骤1)中传感器的布置方式，建立基于指数关系估计和支持向量回归的粮仓重量检测模型为：

$\hat{W}=A_B\&lsqb;\underset{j=1}{\overset{l}{\&Sigma;}}{\mathrm{\&beta;}}_j\exp (-\mathrm{\&gamma;}||Q_{BM}-Q_{BM}^j|{|}^2)+b\&rsqb;$

其中A_B为粮堆底面面积，C_B为底面周长，Q_BM＝(ψ(1),ψ(2),ψ(3))， $\mathrm{\&psi;}\left(1\right)=\exp \&lsqb;K_B{\stackrel{\&OverBar;}{Q}}_B\left(s_{Inner}\right)\&rsqb;,\mathrm{\&psi;}\left(2\right)=-K_c^{2}ln\&lsqb;1-K_p{\stackrel{\&OverBar;}{Q}}_{BF}\left(s\right)\&rsqb;,\mathrm{\&psi;}\left(3\right)=\mathrm{\&psi;}\left(2\right)\exp \&lsqb;K_F{\stackrel{\&OverBar;}{Q}}_B\left(s_{Outer}\right)\&rsqb;$ 为内圈传感器输出均值，为外圈传感器输出均值，K_P、K_B和K_F为参数，β_j,b为通过支持向量机训练所获得的参数，β_j≠0，为相应的支持向量点，l为支持向量的个数j＝1,...,l；

3)检测步骤1)中各传感器的输出值，依据步骤2)中的检测模型计算被检测粮仓重量的估计值

2.根据权利要求1所述的基于指数关系和支持向量回归的粮仓重量检测方法，其特征在于，所述步骤2)所建检测模型中各参数的标定如下：

A.在多于6个粮仓中布置压力传感器，进粮至满仓，待压力传感器输出值稳定后，采集各仓的压力传感器输出值，根据内外圈压力传感器检测值计算出相应内外圈均值和以及相应项序列形成样本集其中为第k次检测的粮仓底面面积，K为样本数，并将取值以及的各项值分别规范到[-1,1]；

B.将样本集S分为两个部分，优化与支持向量机建模样本集S_M和测试样本S_T；

C.任意选定一组参数K_P、K_B和K_F，利用支持向量机建模样本S_M和支持向量机训练算法建立相应的支持向量机模型；

D.采用百分比误差模型计算K_P、K_B和K_F

$Min\underset{i\&Element;S_M}{\&Sigma;}\left(1-{\frac{{\hat{W}}_i}{W_i}}^2\right)$

约束条件：K_P＞0

$1-K_p{\stackrel{\&OverBar;}{Q}}_{BF}\left(s\right)>0$

K_B＞0

K_F＞0

其中，为样本点i的粮堆重量预测值。

3.根据权利要求2所述的基于指数关系和支持向量回归的粮仓重量检测方法，其特征在于，所述的检测模型是在粮仓重量理论检测模型的基础上得到的，粮仓重量理论检测模型为：

$\hat{W}=A_B\{{\stackrel{\&OverBar;}{Q}}_B\left(s\right)-\frac{K_c^2}{K}\ln \&lsqb;1-K_{\mathrm{\&infin;}}{\stackrel{\&OverBar;}{Q}}_B\left(s\right)\&rsqb;{\stackrel{\&OverBar;}{Q}}_F\left(s\right)\}$

其中，为粮堆重量估计，A_B为粮堆底面面积，C_B为底面周长，Q_B(s)、Q_F(s)分别为粮堆底面和侧面中s点的压强，为粮堆远高于一定高度时的底面压强饱和值。

4.根据权利要求3所述的基于指数关系和支持向量回归的粮仓重量检测方法，其特征在于，所述底面压强均值与内圈传感器输出值均值具有近似指数关系，同样侧面压强均值与外圈传感器输出值均值也具有近似关系，即

${\widehat{\stackrel{\&OverBar;}{Q}}}_B\left(s\right)=b_{B0}+b_{B1}\exp \&lsqb;K_B{\stackrel{\&OverBar;}{Q}}_B\left(s_{Inner}\right)\&rsqb;$

$\frac{1}{K}{\widehat{\stackrel{\&OverBar;}{Q}}}_F\left(s\right)=b_{F0}+b_{F1}\exp \&lsqb;K_F{\stackrel{\&OverBar;}{Q}}_B\left(s_{Outer}\right)\&rsqb;$

其中b_B0、b_B1、b_F0和b_F1分别为估计项的系数。

5.根据权利要求1所述的基于指数关系和支持向量回归的粮仓重量检测方法，其特征在于，所述外圈传感器距离侧面墙距离d大于0小于1米，内圈传感器距离侧面墙距离D大于2米。

6.一种基于指数关系和支持向量回归的粮仓重量检测装置，其特征在于，该检测装置包括检测单元以及与检测单元连接且设置在粮仓底面的压力传感器，所述压力传感器分两组布置，一组为内圈传感器，一组为外圈传感器，外圈传感器靠近粮仓侧面墙间隔布置，内圈传感器距离粮仓侧面墙设定距离且间隔布置，所述检测单元中执行有一个或多个模块，所述一个或多个模块用于执行以下步骤：

1)建立基于指数关系和支持向量回归的粮仓重量检测模型：

$\hat{W}=A_B\&lsqb;\underset{j=1}{\overset{l}{\&Sigma;}}{\mathrm{\&beta;}}_j\exp (-\mathrm{\&gamma;}||Q_{BM}-Q_{BM}^j|{|}^2)+b\&rsqb;$

其中A_B为粮堆底面面积，C_B为底面周长，Q_BM＝(ψ(1),ψ(2),ψ(3))， $\mathrm{\&psi;}\left(1\right)=\exp \&lsqb;K_B{\stackrel{\&OverBar;}{Q}}_B\left(s_{Inner}\right)\&rsqb;,\mathrm{\&psi;}\left(2\right)=-K_c^{2}ln\&lsqb;1-K_p{\stackrel{\&OverBar;}{Q}}_{BF}\left(s\right)\&rsqb;,\mathrm{\&psi;}\left(3\right)=\mathrm{\&psi;}\left(2\right)\exp \&lsqb;K_F{\stackrel{\&OverBar;}{Q}}_B\left(s_{Outer}\right)\&rsqb;$

为内圈传感器输出均值，为外圈传感器输出均值，K_P、K_B和K_F为参数，β_j,b为通过支持向量机训练所获得的参数，β_j≠0，为相应的支持向量点，l为支持向量的个数j＝1,...,l；

2)检测各传感器的输出值，根据步骤1)中的检测模型计算被检测粮仓重量的估计值

7.根据权利要求6所述的基于指数关系和支持向量回归的粮仓重量检测装置，其特征在于，所述建立的检测模型中各参数的标定如下：

A.在多于6个粮仓中布置压力传感器，进粮至满仓，待压力传感器输出值稳定后，采集各仓的压力传感器输出值，根据内外圈压力传感器检测值计算出相应内外圈均值和以及相应项序列 $Q_{BM}^k=\left({\mathrm{\&psi;}}^k\right(1),{\mathrm{\&psi;}}^k(2),{\mathrm{\&psi;}}^k(3\left)\right),$ 形成样本集 $S={\left\{(Q_{BM}^k,W_k/A_B^k)\right\}}_{k=1}^K,$ 其中为第k次检测的粮仓底面面积，K为样本数，并将取值以及的各项值分别规范到[-1,1]；

B.将样本集S分为两个部分，优化与支持向量机建模样本集S_M和测试样本S_T；

C.任意选定一组参数K_P、K_B和K_F，利用支持向量机建模样本S_M和支持向量机训练算法建立相应的支持向量机模型；

D.采用百分比误差模型计算K_P、K_B和K_F

$Min\underset{i\&Element;S_M}{\&Sigma;}\left(1-{\frac{{\hat{W}}_i}{W_i}}^2\right)$ 约束条件：K_P＞0

$1-K_p{\stackrel{\&OverBar;}{Q}}_{BF}\left(s\right)>0$

K_B＞0

K_F＞0

其中，为样本点i的粮堆重量预测值。

8.根据权利要求7所述的基于指数关系和支持向量回归的粮仓重量检测装置，其特征在于，所述的检测模型是在粮仓重量理论检测模型的基础上得到的，粮仓重量理论检测模型为：

$\hat{W}=A_B\{{\stackrel{\&OverBar;}{Q}}_B\left(s\right)-\frac{K_c^2}{K}\ln \&lsqb;1-K_{\mathrm{\&infin;}}{\stackrel{\&OverBar;}{Q}}_B\left(s\right)\&rsqb;{\stackrel{\&OverBar;}{Q}}_F\left(s\right)\}$

其中，为粮堆重量估计，A_B为粮堆底面面积，C_B为底面周长， ${\stackrel{\&OverBar;}{Q}}_B\left(s\right)=\frac{1}{n_B}\underset{i=0}{\overset{n_B}{\&Sigma;}}{Q}_B\left(s_i\right),{\stackrel{\&OverBar;}{Q}}_F\left(s\right)=\frac{1}{n_F}\underset{j=0}{\overset{n_F}{\&Sigma;}}{Q}_F\left(s_j\right),$ Q_B(s)、Q_F(s)分别为粮堆底面和侧面中s点的压强，为粮堆远高于一定高度时的底面压强饱和值。

9.根据权利要求8所述的基于指数关系和支持向量回归的粮仓重量检测装置，其特征在于，所述底面压强均值与内圈传感器输出值均值具有近似指数关系，同样侧面压强均值与外圈传感器输出值均值也具有近似关系，即

${\widehat{\stackrel{\&OverBar;}{Q}}}_B\left(s\right)=b_{B0}+b_{B1}\exp \&lsqb;K_B{\stackrel{\&OverBar;}{Q}}_B\left(s_{Inner}\right)\&rsqb;$

$\frac{1}{K}{\widehat{\stackrel{\&OverBar;}{Q}}}_F\left(s\right)=b_{F0}+b_{F1}\exp \&lsqb;K_F{\stackrel{\&OverBar;}{Q}}_B\left(s_{Outer}\right)\&rsqb;$

其中b_B0、b_B1、b_F0和b_F1分别为估计项的系数。

10.根据权利要求6所述的基于指数关系和支持向量回归的粮仓重量检测装置，其特征在于，所述外圈传感器距离侧面墙距离d大于0小于1米，内圈传感器距离侧面墙距离D大于2米。