CN105387919B - 一种基于Janssen模型的支持向量回归粮仓重量检测方法及装置 - Google Patents

Abstract

本发明涉及一种基于Janssen模型的支持向量回归粮仓重量检测方法及装置，属于粮食重量检测技术领域。本发明通过在粮仓底面上布置两组压力传感器，建立支持向量回归粮仓重量检测模型 $\hat{W}=A_B\left(\underset{j=1}{\overset{l}{\Σ}}{\mathrm{\β}}_j\exp \right(-\mathrm{\γ}\left|\right|Q_{BM}-Q_{BM}^j|{|}^2)+b),$ 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。本发明所提出的检测模型是基于Janssen模型的支持向量回归检测模型，因此所建模型具有检测精度高，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，可满足通常使用粮仓储粮数量远程在线检测的需要，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

一种基于Janssen模型的支持向量回归粮仓重量检测方法及 装置

技术领域

本发明涉及一种基于Janssen模型的支持向量回归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Janssen模型的支持向量回归粮仓重量检测方法及装置，是一种新的储量检测思路。

本发明为实现上述目的提供了一种基于Janssen模型的支持向量回归粮仓重量检测方法，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，建立支持向量回归粮仓重量检测模型：

该模型采用项序列作为支持向量机的输入，其中， 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，A_B为粮堆底面面积，C_B为底面周长，为内圈传感器输出均值，为外圈传感器输出均值，b_B(m)和b_F(n)分别为和估计项的系数，m＝0,...,N_B，n＝0,...,N_F，N_B和N_F分别为和估计的多项式阶数，

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)中支持向量回归粮仓重量检测模型中各参数的标定如下：

A.在多于6个粮仓中按照步骤1)的方式布置压力传感器，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，形成样本集其中i为样本点号，i＝1,2,3,...,M，M为样本个数；分别为第i个样本点的和值；W_i为样本点i的实际进粮重量，为相应的粮仓面积；

B.将样本集S分为三个部分，支持向量机建模样本S_M、和项最大阶数选择样本S_O以及测试样本S_T；

C.选定一组(N_B,N_F)和参数K_P，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支持向量机模型；

D.根据优化与多元回归样本集S_M，采用以下优化模型优化参数K_P，

约束条件：K_P＞0

E.根据所建立的支持向量机模型和最大阶数选择样本集S_O，依据百分比误差模型样本集S_O和S_M的预测误差E(N_B,N_F)

设定N_B选择范围[1，MaxN_B],N_F选择范围[1，MaxN_F]，若

则即为检测模型的和项所求的最佳最大阶数。

所述步骤E中的MaxN_B和MaxN_F的值为4-10。

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：

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Janssen模型的支持向量回归粮仓重量检测装置，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)建立支持向量回归粮仓重量检测模型：

该模型采用项序列作为支持向量机的输入，其中， 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，A_B为粮堆底面面积，C_B为底面周长，为内圈传感器输出均值，为外圈传感器输出均值，b_B(m)和b_F(n)分别为和估计项的系数，m＝0,...,N_B，n＝0,...,N_F，N_B和N_F分别为和估计的多项式阶数，

2)检测各传感器的输出值，依据所建立的支持向量回归粮仓重量检测模型计算被检测粮仓重量的估计值

所述支持向量回归粮仓重量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，形成样本集其中i为样本点号，i＝1,2,3,...,M，M为样本个数；分别为第i个样本点的和值；W_i为样本点i的实际进粮重量，为相应的粮仓面积；

B.将样本集S分为三个部分，支持向量机建模样本S_M、和项最大阶数选择样本S_O以及测试样本S_T；

C.选定一组(N_B,N_F)和参数K_P，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支持向量机模型；

D.根据优化与多元回归样本集S_M，采用以下优化模型优化参数K_P，

约束条件：K_P＞0

E.根据所建立的支持向量机模型和最大阶数选择样本集S_O，依据百分比误差模型样本集S_O和S_M的预测误差E(N_B,N_F)

设定N_B选择范围[1，MaxN_B],N_F选择范围[1，MaxN_F]，若

则即为检测模型的和项所求的最佳最大阶数。

所述MaxN_B和MaxN_F的值为4-10。

所述的支持向量回归粮仓重量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：

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，建立支持向量回归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。本发明所提出的检测方法具有检测精度高，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，可满足通常使用粮仓储粮数量远程在线检测的需要，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是本发明所建立的支持向量回归粮仓重量检测模型的示意图；

图4是本发明检测实例2中建模样本重量预测误差示意图；

图5是本发明检测实例2中所有样本重量预测误差示意图；

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、本发明的基于Janssen模型的支持向量回归粮仓重量检测方法的实施例

本发明的基于Janssen模型的支持向量回归粮仓重量检测方法通过建立相应的支持向量回归粮仓重量检测模型，依据所建立的支持向量回归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以得出，粮仓粮堆重量与粮仓压强分布具有下式所示的关系，即粮仓重量的理论检测模型。

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。

2.粮仓传感器布置

对于同时使用的平房仓和筒仓，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，外圈压力传感器均与侧面墙距离为d，内圈传感器均与侧面墙距离为D。当d＝0时，外圈处底面压强就是侧面底部的压强，因此可利用外圈压力传感器输出值描述粮堆侧面压强平均值的大小，利用内圈压力传感器输出值描述粮堆底面压强平均值的大小。

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，从而影响检测模型的精度，因此为保证模型的精度，可取d>0米且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的有效性提高，因此，在方便装卸粮食的条件下，应适当的增大D，因此可取D>2米，一般取3米左右。为了保证检测模型的通用性，各粮仓的内外圈压力传感器与侧面墙距离d和D应相同，两圈传感器个数均为6-10个，传感器间距应不小于1米。

3.支持向量回归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，利用外圈传感器输出值均值构建粮仓侧面压强估计，利用内圈传感器输出值均值构建粮仓底面压强估计，对于式(1)所示的粮仓重量检测理论模型，令

令构建式(2)中的估计为

则H_∞估计为

其中K_P＝K_∞b_BF。将式(4)代入式(1)可得

对于式(5)，采用多项式构建估计为

其中，b_B(m)和b_F(n)分别为和估计项的系数，m＝0,...,N_B，n＝0,...,N_F，N_B和N_F分别为和估计的多项式阶数。将式(6)和式(7)代入式(5)，则有

粮仓通风等作业会引起和在一定程度上波动，从而导致式(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，下面采用支持向量回归的方式对式(8)进行改进，已建立基于Janssen模型的支持向量回归粮仓重量检测模型。

令 则由式(8)有

对于给定的和项最佳最大阶数式(9)的总项数为对于式(9)，按照ψ(1)、ψ(2)、...、的顺序构造一个项序列Q_BM，以项序列Q_BM的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。

其中，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，j＝1,...,l，l为支持向量的个数，该模型示意图如图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.模型参数标定

对于给定的传感器、粮食种类以及仓型，

A.在多于6个粮仓中按照图1、图2的方式布置压力传感器，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分为三个部分，分别为支持向量机建模样本S_M、和项最大阶数选择样本S_O以及测试样本S_T。

C.任意选定一组(N_B,N_F)和参数K_P，利用支持向量机建模样本和支持向量机算法获得相应的支持向量机模型。

D.根据样本S_M

约束条件：K_P＞0(12)

其中，为样本点i的粮堆重量预测值。在发明中采用复合型法进行K_P优化。

E.对于所构建的支持向量机模型和所选择最大阶数选择样本集S_O，依据下式所示的百分比误差模型计算样本集S_O和S_M的预测误差为E(N_B,N_F)，

设定N_B选择范围[1，MaxN_B],N_F选择范围[1，MaxN_F],在本发明研究中，一般取MaxN_B和MaxN_F为4-10。若

则为和项最佳最大阶数。由最佳最大阶数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(10)所示的基于支持向量回归检测模型。

二、本发明的基于Janssen模型的支持向量回归粮仓重量检测装置的实施例

本发明所提供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。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，可以将该存储介质藕接至检测单元，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)建立支持向量回归粮仓重量检测模型：

该模型采用项序列作为支持向量机的输入，其中， 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，A_B为粮堆底面面积，C_B为底面周长，为内圈传感器输出均值，为外圈传感器输出均值，b_B(m)和b_F(n)分别为和估计项的系数，m＝0,...,N_B，n＝0,...,N_F，N_B和N_F分别为和估计的多项式阶数，

2)检测各传感器的输出值，依据所建立的支持向量回归粮仓重量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

本实验所采用的平房仓长9米，宽4.2米，面积为37.82m²，C_B/A_B≈0.698。粮仓均属于小型粮仓，相对较大，根据图1所示的压力传感器布置模型，对于平房仓，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。本实验中所选用的粮食种类为玉米，重量约160吨，共进行4次实验。其中MaxN_B＝10和MaxN_F＝10。

由于样本过少，以1-3次实验为支持向量机建模样本S_M，以实验4作为项最高次阶数选择样本S_O和测试样本S_T。根据式(10)给出的支持向量回归检测模型，取支持向量机训练参数C＝10000,γ＝0.02，最佳最大阶数和参数K_P如表1所示，训练后获得18个支持向量点，根据所获得的计算模型，各次实验的粮仓储粮重量计算结果如表2至表5所示，其中表2为实验1储量重量计算结果，表3为实验2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，4次实验的总预测误差为47.68。

表1

由表2至表5可以看出，采用本发明所给出的基于Janssen模型的支持向量回归粮仓重量检测模型进行检测具有理想的建模精度和预测精度，在储粮重量大于50吨时，检测误差均小于3％。

检测实例2

本检测实例选用洪泽和齐河的3个粮仓，储粮种类为小麦和稻谷，储量重量分别为2455.6吨、2009.98吨和2100吨，采用和检测实例1中不同的传感器，检测获得检测样本501个。选取297个作为支持向量机建模样本S_M，100个作为和项最高次阶数选择样本S_O，其他作为测试样本S_T。根据式(10)所示的模型，取支持向量机参数C＝100000，γ＝0.2，最佳最大阶数和以及参数K_p如表6所示，训练后获得32个支持向量点，所建模型的重量预测结果如图4和图5所示，其中图4为建模样本重量预测误差，图5为所有样本重量预测误差。从图5和图6中可以明确看出，所有检测点的预测误差均小于0.05％，可以满足粮仓储粮重量检测的要求，进一步证明了本发明所提供的检测方法的有效性。

表6

具体的，本发明所提出的基于Janssen模型的支持向量回归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 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分为三个部分，支持向量机建模样本S_M、和项最大阶数选择样本S_O以及测试样本S_T。根据支持向量机建模样本S_M，利用式(11)至式(13)所示的优化模型优化参数K_P。根据项最大阶数选择样本S_O，依据式(14)和式(15)优化获得最佳和项最大阶数由最佳最大阶数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(10)所示的基于支持向量回归检测模型。

(4)实仓重量检测。

如果模型已标定，检测底面压力传感器输出并利用式(10)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 (8)

1.一种基于Janssen模型的支持向量回归粮仓重量检测方法，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，建立支持向量回归粮仓重量检测模型：

<mrow> <mover> <mi>W</mi> <mo>^</mo> </mover> <mo>=</mo> <msub> <mi>A</mi> <mi>B</mi> </msub> <mrow> <mo>(</mo> <munderover> <mo>&amp;Sigma;</mo> <mrow> <mi>j</mi> <mo>=</mo> <mn>1</mn> </mrow> <mi>l</mi> </munderover> <msub> <mi>&amp;beta;</mi> <mi>j</mi> </msub> <mi>exp</mi> <mo>(</mo> <mrow> <mo>-</mo> <mi>&amp;gamma;</mi> <mo>|</mo> <mo>|</mo> <msub> <mi>Q</mi> <mrow> <mi>B</mi> <mi>M</mi> </mrow> </msub> <mo>-</mo> <msubsup> <mi>Q</mi> <mrow> <mi>B</mi> <mi>M</mi> </mrow> <mi>j</mi> </msubsup> <mo>|</mo> <msup> <mo>|</mo> <mn>2</mn> </msup> </mrow> <mo>)</mo> <mo>+</mo> <mi>b</mi> <mo>)</mo> </mrow> </mrow>

该模型采用项序列作为支持向量机的输入，其中，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，A_B为粮堆底面面积，C_B为底面周长，为内圈传感器输出均值，为外圈传感器输出均值，b_B(m)和b_F(n)分别为和估计项的系数，m＝0,...,N_B，n＝0,...,N_F，N_B和N_F分别为和估计的多项式阶数，其中j＝1,...,l，l为支持向量的个数，γ为支持向量机径向基核函数参数，K_p为模型参数；

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)中支持向量回归粮仓重量检测模型中各参数的标定如下：

A.在多于6个粮仓中按照步骤1)的方式布置压力传感器，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，形成样本集其中i为样本点号，i＝1,2,3,...,M，M为样本个数；分别为第i个样本点的和值；W_i为样本点i的实际进粮重量，为相应的粮仓面积；

B.将样本集S分为三个部分，支持向量机建模样本S_M、和项最大阶数选择样本S_O以及测试样本S_T；

C.选定一组(N_B,N_F)和参数K_P，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支持向量机模型；

D.根据优化与多元回归样本集S_M，采用以下优化模型优化参数K_P，

<mrow> <mi>M</mi> <mi>i</mi> <mi>n</mi> <munder> <mo>&amp;Sigma;</mo> <mrow> <mi>i</mi> <mo>&amp;Element;</mo> <msub> <mi>S</mi> <mi>M</mi> </msub> </mrow> </munder> <msup> <mrow> <mo>(</mo> <mn>1</mn> <mo>-</mo> <mfrac> <msub> <mover> <mi>W</mi> <mo>^</mo> </mover> <mi>i</mi> </msub> <msub> <mi>W</mi> <mi>i</mi> </msub> </mfrac> <mo>)</mo> </mrow> <mn>2</mn> </msup> </mrow>

约束条件：K_P＞0

<mrow> <mn>1</mn> <mo>-</mo> <msub> <mi>K</mi> <mi>p</mi> </msub> <msub> <mover> <mi>Q</mi> <mo>&amp;OverBar;</mo> </mover> <mrow> <mi>B</mi> <mi>F</mi> </mrow> </msub> <mrow> <mo>(</mo> <mi>s</mi> <mo>)</mo> </mrow> <mo>&gt;</mo> <mn>0</mn> <mo>;</mo> </mrow>

E.根据所建立的支持向量机模型和最大阶数选择样本集S_O，依据百分比误差模型样本集S_O和S_M的预测误差E(N_B,N_F)

<mrow> <mi>E</mi> <mrow> <mo>(</mo> <msub> <mi>N</mi> <mi>B</mi> </msub> <mo>,</mo> <msub> <mi>N</mi> <mi>F</mi> </msub> <mo>)</mo> </mrow> <mo>=</mo> <munder> <mo>&amp;Sigma;</mo> <mrow> <mi>i</mi> <mo>&amp;Element;</mo> <msub> <mi>S</mi> <mi>o</mi> </msub> <mo>&amp;cup;</mo> <msub> <mi>S</mi> <mi>M</mi> </msub> </mrow> </munder> <mfrac> <mrow> <mo>|</mo> <mrow> <msub> <mi>W</mi> <mi>i</mi> </msub> <mo>-</mo> <msub> <mover> <mi>W</mi> <mo>^</mo> </mover> <mi>i</mi> </msub> </mrow> <mo>|</mo> </mrow> <msub> <mi>W</mi> <mi>i</mi> </msub> </mfrac> </mrow>

设定N_B选择范围[1，MaxN_B],N_F选择范围[1，MaxN_F]，若

<mrow> <mi>E</mi> <mrow> <mo>(</mo> <msubsup> <mi>N</mi> <mi>B</mi> <mo>*</mo> </msubsup> <mo>,</mo> <msubsup> <mi>N</mi> <mi>F</mi> <mo>*</mo> </msubsup> <mo>)</mo> </mrow> <mo>=</mo> <munder> <munder> <mi>min</mi> <mrow> <mn>1</mn> <mo>&amp;le;</mo> <msub> <mi>N</mi> <mi>B</mi> </msub> <mo>&amp;le;</mo> <msub> <mi>MaxN</mi> <mi>B</mi> </msub> </mrow> </munder> <mrow> <mn>1</mn> <mo>&amp;le;</mo> <msub> <mi>N</mi> <mi>F</mi> </msub> <mo>&amp;le;</mo> <msub> <mi>MaxN</mi> <mi>F</mi> </msub> </mrow> </munder> <mi>E</mi> <mrow> <mo>(</mo> <msub> <mi>N</mi> <mi>B</mi> </msub> <mo>,</mo> <msub> <mi>N</mi> <mi>F</mi> </msub> <mo>)</mo> </mrow> </mrow>

则即为检测模型的和项所求的最佳最大阶数。

2.根据权利要求1所述的基于Janssen模型的支持向量回归粮仓重量检测方法，其特征在于，所述步骤E中的MaxN_B和MaxN_F的值为4-10。

3.根据权利要求2所述的基于Janssen模型的支持向量回归粮仓重量检测方法，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：

<mrow> <mover> <mi>W</mi> <mo>^</mo> </mover> <mo>=</mo> <msub> <mi>A</mi> <mi>B</mi> </msub> <mo>{</mo> <msub> <mover> <mi>Q</mi> <mo>&amp;OverBar;</mo> </mover> <mi>B</mi> </msub> <mrow> <mo>(</mo> <mi>s</mi> <mo>)</mo> </mrow> <mo>-</mo> <mfrac> <msubsup> <mi>K</mi> <mi>c</mi> <mn>2</mn> </msubsup> <mi>K</mi> </mfrac> <mi>l</mi> <mi>n</mi> <mo>&amp;lsqb;</mo> <mn>1</mn> <mo>-</mo> <msub> <mi>K</mi> <mi>&amp;infin;</mi> </msub> <msub> <mover> <mi>Q</mi> <mo>&amp;OverBar;</mo> </mover> <mi>B</mi> </msub> <mrow> <mo>(</mo> <mi>s</mi> <mo>)</mo> </mrow> <mo>&amp;rsqb;</mo> <msub> <mover> <mi>Q</mi> <mo>&amp;OverBar;</mo> </mover> <mi>F</mi> </msub> <mrow> <mo>(</mo> <mi>s</mi> <mo>)</mo> </mrow> <mo>}</mo> </mrow>

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，K为压力转向系数。

4.根据权利要求1所述的基于Janssen模型的支持向量回归粮仓重量检测方法，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。

5.一种基于Janssen模型的支持向量回归粮仓重量检测装置，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)建立支持向量回归粮仓重量检测模型：

<mrow> <mover> <mi>W</mi> <mo>^</mo> </mover> <mo>=</mo> <msub> <mi>A</mi> <mi>B</mi> </msub> <mrow> <mo>(</mo> <munderover> <mo>&amp;Sigma;</mo> <mrow> <mi>j</mi> <mo>=</mo> <mn>1</mn> </mrow> <mi>l</mi> </munderover> <msub> <mi>&amp;beta;</mi> <mi>j</mi> </msub> <mi>exp</mi> <mo>(</mo> <mrow> <mo>-</mo> <mi>&amp;gamma;</mi> <mo>|</mo> <mo>|</mo> <msub> <mi>Q</mi> <mrow> <mi>B</mi> <mi>M</mi> </mrow> </msub> <mo>-</mo> <msubsup> <mi>Q</mi> <mrow> <mi>B</mi> <mi>M</mi> </mrow> <mi>j</mi> </msubsup> <mo>|</mo> <msup> <mo>|</mo> <mn>2</mn> </msup> </mrow> <mo>)</mo> <mo>+</mo> <mi>b</mi> <mo>)</mo> </mrow> </mrow>

该模型采用项序列作为支持向量机的输入，其中，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，A_B为粮堆底面面积，C_B为底面周长，为内圈传感器输出均值，为外圈传感器输出均值，b_B(m)和b_F(n)分别为和估计项的系数，m＝0,...,N_B，n＝0,...,N_F，N_B和N_F分别为和估计的多项式阶数，其中j＝1,...,l，l为支持向量的个数，γ为支持向量机径向基核函数参数，K_p为模型参数；

2)检测各传感器的输出值，依据所建立的支持向量回归粮仓重量检测模型计算被检测粮仓重量的估计值

所述支持向量回归粮仓重量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，形成样本集其中i为样本点号，i＝1,2,3,...,M，M为样本个数；分别为第i个样本点的和值；W_i为样本点i的实际进粮重量，为相应的粮仓面积；

B.将样本集S分为三个部分，支持向量机建模样本S_M、和项最大阶数选择样本S_O以及测试样本S_T；

C.选定一组(N_B,N_F)和参数K_P，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支持向量机模型；

D.根据优化与多元回归样本集S_M，采用以下优化模型优化参数K_P，

<mrow> <mi>M</mi> <mi>i</mi> <mi>n</mi> <munder> <mo>&amp;Sigma;</mo> <mrow> <mi>i</mi> <mo>&amp;Element;</mo> <msub> <mi>S</mi> <mi>M</mi> </msub> </mrow> </munder> <msup> <mrow> <mo>(</mo> <mn>1</mn> <mo>-</mo> <mfrac> <msub> <mover> <mi>W</mi> <mo>^</mo> </mover> <mi>i</mi> </msub> <msub> <mi>W</mi> <mi>i</mi> </msub> </mfrac> <mo>)</mo> </mrow> <mn>2</mn> </msup> </mrow>

约束条件：K_P＞0

<mrow> <mn>1</mn> <mo>-</mo> <msub> <mi>K</mi> <mi>p</mi> </msub> <msub> <mover> <mi>Q</mi> <mo>&amp;OverBar;</mo> </mover> <mrow> <mi>B</mi> <mi>F</mi> </mrow> </msub> <mrow> <mo>(</mo> <mi>s</mi> <mo>)</mo> </mrow> <mo>&gt;</mo> <mn>0</mn> <mo>;</mo> </mrow>

E.根据所建立的支持向量机模型和最大阶数选择样本集S_O，依据百分比误差模型样本集S_O和S_M的预测误差E(N_B,N_F)

<mrow> <mi>E</mi> <mrow> <mo>(</mo> <msub> <mi>N</mi> <mi>B</mi> </msub> <mo>,</mo> <msub> <mi>N</mi> <mi>F</mi> </msub> <mo>)</mo> </mrow> <mo>=</mo> <munder> <mo>&amp;Sigma;</mo> <mrow> <mi>i</mi> <mo>&amp;Element;</mo> <msub> <mi>S</mi> <mi>o</mi> </msub> <mo>&amp;cup;</mo> <msub> <mi>S</mi> <mi>M</mi> </msub> </mrow> </munder> <mfrac> <mrow> <mo>|</mo> <mrow> <msub> <mi>W</mi> <mi>i</mi> </msub> <mo>-</mo> <msub> <mover> <mi>W</mi> <mo>^</mo> </mover> <mi>i</mi> </msub> </mrow> <mo>|</mo> </mrow> <msub> <mi>W</mi> <mi>i</mi> </msub> </mfrac> </mrow>

设定N_B选择范围[1，MaxN_B],N_F选择范围[1，MaxN_F]，若

<mrow> <mi>E</mi> <mrow> <mo>(</mo> <msubsup> <mi>N</mi> <mi>B</mi> <mo>*</mo> </msubsup> <mo>,</mo> <msubsup> <mi>N</mi> <mi>F</mi> <mo>*</mo> </msubsup> <mo>)</mo> </mrow> <mo>=</mo> <munder> <munder> <mi>min</mi> <mrow> <mn>1</mn> <mo>&amp;le;</mo> <msub> <mi>N</mi> <mi>B</mi> </msub> <mo>&amp;le;</mo> <msub> <mi>MaxN</mi> <mi>B</mi> </msub> </mrow> </munder> <mrow> <mn>1</mn> <mo>&amp;le;</mo> <msub> <mi>N</mi> <mi>F</mi> </msub> <mo>&amp;le;</mo> <msub> <mi>MaxN</mi> <mi>F</mi> </msub> </mrow> </munder> <mi>E</mi> <mrow> <mo>(</mo> <msub> <mi>N</mi> <mi>B</mi> </msub> <mo>,</mo> <msub> <mi>N</mi> <mi>F</mi> </msub> <mo>)</mo> </mrow> </mrow>

则即为检测模型的和项所求的最佳最大阶数。

6.根据权利要求5所述的基于Janssen模型的支持向量回归粮仓重量检测装置，其特征在于，所述MaxN_B和MaxN_F的值为4-10。

7.根据权利要求6所述的基于Janssen模型的支持向量回归粮仓重量检测装置，其特征在于，所述的支持向量回归粮仓重量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：

<mrow> <mover> <mi>W</mi> <mo>^</mo> </mover> <mo>=</mo> <msub> <mi>A</mi> <mi>B</mi> </msub> <mo>{</mo> <msub> <mover> <mi>Q</mi> <mo>&amp;OverBar;</mo> </mover> <mi>B</mi> </msub> <mrow> <mo>(</mo> <mi>s</mi> <mo>)</mo> </mrow> <mo>-</mo> <mfrac> <msubsup> <mi>K</mi> <mi>c</mi> <mn>2</mn> </msubsup> <mi>K</mi> </mfrac> <mi>l</mi> <mi>n</mi> <mo>&amp;lsqb;</mo> <mn>1</mn> <mo>-</mo> <msub> <mi>K</mi> <mi>&amp;infin;</mi> </msub> <msub> <mover> <mi>Q</mi> <mo>&amp;OverBar;</mo> </mover> <mi>B</mi> </msub> <mrow> <mo>(</mo> <mi>s</mi> <mo>)</mo> </mrow> <mo>&amp;rsqb;</mo> <msub> <mover> <mi>Q</mi> <mo>&amp;OverBar;</mo> </mover> <mi>F</mi> </msub> <mrow> <mo>(</mo> <mi>s</mi> <mo>)</mo> </mrow> <mo>}</mo> </mrow>

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，K为压力转向系数。

8.根据权利要求5所述的基于Janssen模型的支持向量回归粮仓重量检测装置，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。