CN105547499A - 预测温度的方法及其系统 - Google Patents
预测温度的方法及其系统 Download PDFInfo
- Publication number
- CN105547499A CN105547499A CN201511024424.2A CN201511024424A CN105547499A CN 105547499 A CN105547499 A CN 105547499A CN 201511024424 A CN201511024424 A CN 201511024424A CN 105547499 A CN105547499 A CN 105547499A
- Authority
- CN
- China
- Prior art keywords
- temperature
- value
- predicted
- prediction
- sampling value
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Granted
Links
Classifications
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01K—MEASURING TEMPERATURE; MEASURING QUANTITY OF HEAT; THERMALLY-SENSITIVE ELEMENTS NOT OTHERWISE PROVIDED FOR
- G01K1/00—Details of thermometers not specially adapted for particular types of thermometer
- G01K1/02—Means for indicating or recording specially adapted for thermometers
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F17/00—Digital computing or data processing equipment or methods, specially adapted for specific functions
- G06F17/10—Complex mathematical operations
Abstract
本发明提供一种预测温度的方法及其系统,采用基于对数的温度拟合曲线,计算温度拟合曲线的拟合参数,并用优化参数对所述拟合参数进行优化;计算当前的温度采样值在所述温度拟合曲线中的位置,根据所述位置、优化参数得出预测时间点;根据优化后的拟合参数和所述预测时间点,通过所述温度拟合曲线得出本次的温度预测值,从而能够加快温度的测量。
Description
技术领域
本发明涉及温度检测领域,特别是一种预测温度的方法及其系统。
背景技术
相比传统的水银玻璃温度计,电子温度计具有读数方便、对人体及周围环境无害(不含水银)的优点,适合于家庭使用。但是由于感温探头的尺寸限制,人体运动和用户佩戴的方式的不同,可穿戴式电子温度计在某些情况下需要较长的时间才能达到热平衡,测量出稳定温度。
发明内容
针对上述现有技术中存在的问题,本发明提供一种预测温度的方法及其系统,能够加快温度的测量。
本发明的预测温度的方法,技术方案如下,包括:
采集被测物体的温度值,得到温度采样值,根据当前的温度采样值判断是否暂停温度预测,若否,获取被测物体的历史温度采样值,从中确定出若干个温度采样值作为预测温度的拟合数据;
通过所述拟合数据计算温度拟合曲线的拟合参数;
根据历史温度采样值与对应的历史温度预测值确定优化参数,用所述优化参数对所述拟合参数进行优化;
计算当前的温度采样值在所述温度拟合曲线中的位置,根据所述位置、优化参数得出预测时间点;
根据优化后的拟合参数和所述预测时间点,通过所述温度拟合曲线得出本次的温度预测值,并输出所述温度预测值。
本发明还提供一种预测温度的系统,包括:
拟合数据确定模块,用于采集被测物体的温度值,得到温度采样值,根据当前的温度采样值判断是否暂停温度预测,若否,获取被测物体的历史温度采样值,从中确定出若干个温度采样值作为预测温度的拟合数据;
拟合参数计算模块,用于通过所述拟合数据计算温度拟合曲线的拟合参数;
拟合参数优化模块,用于根据历史温度采样值与对应的历史温度预测值确定优化参数,用所述优化参数对所述拟合参数进行优化;
时间点预测模块,用于计算当前的温度采样值在所述温度拟合曲线中的位置,根据所述位置、优化参数得出预测时间点;以及
温度预测模块,用于根据优化后的拟合参数和所述预测时间点,通过所述温度拟合曲线得出本次的温度预测值,并输出所述温度预测值。
本发明的预测温度的方法及其系统,采用基于对数的温度拟合曲线,计算温度拟合曲线的拟合参数,并用优化参数对所述拟合参数进行优化,计算当前的温度采样值在所述温度拟合曲线中的位置,根据所述位置、优化参数得出预测时间点,根据优化后的拟合参数和所述预测时间点,通过所述温度拟合曲线得出本次的温度预测值,从而能够加快温度的测量。
附图说明
图1为一个实施例的预测温度的方法的流程示意图;
图2为一个具体实现方式的预测温度算法的流程示意图;
图3为一个实施例的预测温度的系统的结构示意图。
具体实施方式
为了使本发明的目的、技术方案和优点更加清楚,下面将结合附图对本发明作进一步地详细描述。
请参阅图1中一个实施例的预测温度的方法的流程示意图,包括步骤S101至步骤S106:
S101,采集被测物体的温度值,得到温度采样值,根据当前的温度采样值判断是否暂停温度预测。
该步骤通过采集被测物体的温度值,得到温度采样值,并监测所述温度值,根据当前的温度采样值判断是否暂停温度预测,从而快速判断是否进入温度预测。
进一步地,在步骤S101之前,还包括设置启动温度预测模式的条件为:
当前的温度采样值大于第二设定值,并且当前的温度采样值及其之前预设数量的历史温度采样值的一阶导数均小于第一设定值、二阶导数均小于0;根据当前的温度采样值判断是否满足所述启动温度预测模式的条件,若是,则启动温度预测模式。
通过提前设置启动温度预测模式的条件,若检测到满足所述启动温度预测模式的条件,启动温度预测模式;否则,直接输出当前的温度采样值,从而进一步提高温度预测的效率。
进一步地,在所述根据当前的温度采样值判断是否暂停温度预测之前,还包括设置暂停温度预测的条件为:与上一次的温度采样值比较,当前的温度采样值的变化幅度大于第一温度设定值;并且当前的温度采样值及其之前预设数量的温度采样值为连续下降、且下降的幅度大于第二温度设定值。所述根据当前的温度采样值判断是否暂停温度预测,包括根据当前的温度采样值判断是否满足所述暂停温度预测的条件,若满足,则暂停温度预测,并输出当前的温度采样值。通过上述设置的暂停温度预测的条件,可提高暂停温度预测的准确度。
S102,若当前的温度采样值不满足暂停温度预测的条件,获取被测物体的历史温度采样值,从中确定出若干个温度采样值作为预测温度的拟合数据。
若当前的温度采样值不满足暂停温度预测的条件,继续进行温度预测。从被测物体的各历史温度采样值中选取若干个温度采样值作为预测温度的拟合数据,可以根据具体情况,适当增加或减少参与拟合的数据数量,从而在提高拟合精确度的同时,减少拟合计算占用的硬件资源,提高数据拟合的效率。
进一步地,可以通过以下方式从获取的被测物体的各历史温度采样值中确定出若干个温度采样值,作为预测温度的拟合数据:获取被测物体的历史温度采样值,根据所述历史温度采样值得到历史温度采样值的一阶导数的均值以及标准差;根据所述均值以及标准差计算离群点判别的阈值上限和阈值下限,分别为:
thre_upper=k_mean+2.5*k_std,
thre_low=k_mean-2.5*k_std,
其中,thre_upper为所述阈值上限,thre_low为所述阈值下限,k_mean为所述均值,k_std为所述标准差;根据所述离群点判别的阈值上限和阈值下限,从所述历史温度采样值中筛选出一阶导数小于等于所述阈值上限且大于等于所述阈值下限的、设定数量的温度采样值,将所述设定数量的温度采样值作为预测温度的拟合数据。
其中,所述离群点为受外界因素的影响而导致温度采样值有较大变化,误差大于设定值的温度采样值。通过上述方式确定预测温度的拟合数据可进一步提高数据拟合的精确度。
S103,通过所述拟合数据计算温度拟合曲线的拟合参数k和b,所述温度拟合曲线为:y=k×ln(x)+b。
由上述公式可知,所述温度拟合曲线的函数为对数函数,在计算时,对数函数的拟合可以转化成直线函数的拟合,如以下公式所示:
y=k×t+b,t=ln(x),
通过该温度拟合曲线计算预测温度,使得计算占用较少的硬件资源,在较低的硬件配置下亦能运行,从而节省硬件成本。
进一步地,为了提高计算拟合参数k和b的计算精确度,可根据所述拟合数据通过求最小二乘法的最优解来计算温度拟合曲线的拟合参数k和b,如以下公式所示:
其中,yi为第i个拟合数据的温度采样值,xi为第i个拟合数据的预测时间点,n为拟合数据的数量。
S104,根据历史温度采样值与对应的历史温度预测值确定优化参数,用所述优化参数对所述拟合参数k和b进行优化。
具体地,根据预设数量的历史温度采样值斜率之和与对应的历史温度预测值斜率之和的差,确定优化参数,公式为:
其中,γ为预设的优化参数,diff为预设数量的历史温度采样值斜率之和与对应的历史温度预测值斜率之和的差,可通过以下公式对所述拟合参数k和b进行优化:
k'=k×γ,b'=b×γ,其中,k'、b'为优化后的拟合参数。
由于通过测量得到的温度采样值的二阶导数通常小于预测得到的温度预测值的二阶导数,亦即直接利用拟合参数k和b计算得到的温度预测值通常大于通过测量得到的实际温度值,因此,利用预设的优化参数γ对拟合参数k和b进行优化,提高了温度拟合曲线的拟合参数k和b精确度,从而进一步降低了温度预测的误差。
S105,计算当前的温度采样值在所述温度拟合曲线中的位置,根据所述位置、优化参数得出预测时间点x。
具体地,计算当前的温度采样值y0在拟合曲线中的位置x0为:
其中,k为当前的温度采样值y0在拟合曲线中的斜率;根据预设参数β、优化参数γ以及所述位置x0求得预测时间点x为:
x=x0+β×γ,β=1200。
本步骤通过计算当前的温度采样值在所述温度拟合曲线中的位置,根据所述位置、优化参数得出预测时间点,从而为计算当前采样点的预测温度值提供精确的数据,进一步提高预测温度的精确度。
S106,根据优化后的拟合参数k、b和所述预测时间点x,通过所述温度拟合曲线得出本次的温度预测值,并输出所述温度预测值。
通过计算得到温度拟合曲线的全部变量后,代入所述温度拟合曲线即可得到本次的温度预测值,对所述本次的温度预测值进行输出显示。
为了提高对所述本次的温度预测值进行输出显示的平滑效果,进一步提高本次的温度预测值的精确度,进一步地,可以通过所述温度拟合曲线得出原始温度预测值;利用上一次的输出温度值对所述原始温度预测值进行优化,将优化后的温度值作为本次的温度预测值。
进一步地,所述利用上一次的温度输出值对所述原始温度预测值进行优化,将优化后的温度值作为本次的温度预测值,包括通过上一次的温度输出值和所述原始温度预测值的加权平均,得到本次的温度预测值:
yi+1=yi×(1-w)+yp×w,
其中,yi+1为本次的温度预测值,yi为上一次的温度输出值,yp为本次的原始温度预测值,w为预设的权重。
因此,利用上一次的温度输出值对所述原始温度预测值进行优化,一方面进一步提高了本次的温度预测值的精确度;另一方面,通过调整所述预设的权重值,提高了温度预测的速度,从而提高温度预测的效率。优选地,权重w的值预设为0.05。
由上述实施例的预测温度的方法可知,采用基于对数的温度拟合曲线,计算温度拟合曲线的拟合参数,并用优化参数对所述拟合参数进行优化,计算当前的温度采样值在所述温度拟合曲线中的位置,根据所述位置、优化参数得出预测时间点,根据优化后的拟合参数和所述预测时间点,通过所述温度拟合曲线得出本次的温度预测值,从而能够加快温度的测量。
为了更好的理解上述实施例的预测温度方法,下面给出了一具体的实现方式,实现过程包括:
对被测物体进行温度采样,判断采集的温度数据是否满足以下三个启动温度预测模式的条件:(1)当前的温度采样值高于32度;(2)温度采样值的一阶导数低于0.07;(3)温度采样值的二阶导数小于0。条件(2)和(3)的判断对象为包含当前的温度采样值在内的前30个历史温度采样值。如果同时满足上述三个条件则启动温度预测模式,并且在整个预测周期内不再判断是否启动温度预测模式,否则直接输出当前的温度采样值进行显示。
如果温度预测模式已经被启动,在每一次温度采样后,根据以下两个条件判断是否暂停执行温度预测:(1)当前的温度采样值跟上一次的温度采样值相比,温度采样值的一阶导数的绝对值大于0.15;(2)距离当前的温度采样值最近的10个历史温度采样值是否为连续下降,且下降的幅度超过0.1度。如果同时满足上述两个条件,则暂停执行温度预测,并直接输出当前的温度采样值,否则执行温度预测。
以下为该实现方式中执行温度预测的具体算法,请参阅图2的温度预测算法的流程图,包括步骤S201至步骤S206:
S201,选择拟合数据。
根据各历史温度采样值,选择合适的历史温度采样值作为拟合数据。一方面,选择长度合适的历史温度采样值进行数据拟合,优选地,选择包括当前的温度采样值在内的前25个历史温度采样值作为拟合数据,使得拟合结果精确度高,能准确地反映温度变化的趋势。另一方面,由于外界因素的影响,历史温度采样值可能会有较大的变化,误差较大的历史温度采样值被认为是离群点,对离群点进行处理,进而进一步提高拟合结果的精确度。具体地,通过计算拟合数据的一阶导数的均值k_mean及标准差k_std,再根据得到的均值及标准差分别计算离群点的判断阈值的上限thre_upper和下限thre_low,如以下公式所示:
thre_upper=k_mean+2.5*k_std,
thre_low=k_mean-2.5*k_std,
如果温度采样值的一阶导数大于上限或者小于下限,则被视为离群点,不参与拟合。
S202,计算拟合参数。
通过所述拟合数据计算温度拟合曲线y=k×ln(x)+b的拟合参数k和b。在选择了拟合数据之后,通过求最小二乘法的最优解来计算温度拟合曲线的拟合参数k和b,如以下公式:
其中,yi为第i个拟合数据的温度采样值,xi为第i个拟合数据的预测时间点,n为拟合数据的数量。
S203,优化拟合参数。
根据历史温度采样值与对应的历史温度预测值确定优化参数,用所述优化参数对所述拟合参数k和b进行优化。具体地,根据预设数量的历史温度采样值斜率之和与对应的历史温度预测值斜率之和的差,确定优化参数,公式为:
其中,γ为预设的优化参数,diff为预设数量的历史温度采样值斜率之和与对应的历史温度预测值斜率之和的差,可通过以下公式对所述拟合参数k和b进行优化:
k'=k×γ,b'=b×γ,其中,k'、b'为优化后的拟合参数。
S204,计算需要预测的时间。
计算当前的温度采样值在所述温度拟合曲线中的位置,根据所述位置、优化参数得出预测时间点x。
具体地,计算当前的温度采样值y0在拟合曲线中的位置x0为:
其中,k为当前的温度采样值y0在拟合曲线中的斜率;根据预设参数β、优化参数γ以及所述位置x0求得预测时间点x为:
x=x0+β×γ,β=1200。
S205,计算预测温度。
根据优化后的拟合参数k、b和所述预测时间点x,通过所述温度拟合曲线得出本次的温度预测值,并输出所述温度预测值。
由上述预测温度的方法的具体实现方式可知,采用基于对数的温度拟合曲线,计算温度拟合曲线的拟合参数,并用优化参数对所述拟合参数进行优化,计算当前的温度采样值在所述温度拟合曲线中的位置,根据所述位置、优化参数得出预测时间点,根据优化后的拟合参数和所述预测时间点,通过所述温度拟合曲线得出本次的温度预测值,从而能够加快温度的测量。
本发明还提供一种预测温度的系统,如图3所示,包括拟合数据确定模块301、拟合参数计算模块302、拟合参数优化模块303、时间点预测模块304以及温度预测模块305。
所述拟合数据确定模块301用于采集被测物体的温度值,得到温度采样值,根据当前的温度采样值判断是否暂停温度预测,若否,获取被测物体的历史温度采样值,从中确定出若干个温度采样值作为预测温度的拟合数据。
所述拟合参数计算模块302用于通过所述拟合数据计算温度拟合曲线的拟合参数k和b,所述温度拟合曲线为:y=k×ln(x)+b。所述温度拟合曲线的函数为对数函数,在计算时,对数函数的拟合可以转化成直线函数的拟合,计算预测温度是占用较少的硬件资源,在较低的硬件配置下亦能运行,从而节省硬件成本。
所述拟合参数优化模块303用于根据历史温度采样值与对应的历史温度预测值确定优化参数,用所述优化参数对所述拟合参数k和b进行优化。通过对所述拟合参数k和b进行优化,提高了温度拟合曲线的拟合参数k和b精确度,从而进一步降低了温度预测的误差。
所述时间点预测模块304用于计算当前的温度采样值在所述温度拟合曲线中的位置,根据所述位置、优化参数得出预测时间点x。所述时间点预测模块304通过计算当前的温度采样值在所述温度拟合曲线中的位置,根据所述位置、优化参数得出预测时间点,从而为计算当前采样点的预测温度值提供精确的数据,进一步提高预测温度的精确度。以及
所述温度预测模块305用于根据优化后的拟合参数k、b和所述预测时间点x,通过所述温度拟合曲线得出本次的温度预测值,并输出所述温度预测值。所述温度预测模块305通过计算得到温度拟合曲线的全部变量后,代入所述温度拟合曲线即可得到当前采样点的预测温度值。
本实施例的预测温度的系统,采用基于对数的温度拟合曲线,计算温度拟合曲线的拟合参数,并用优化参数对所述拟合参数进行优化,计算当前的温度采样值在所述温度拟合曲线中的位置,根据所述位置、优化参数得出预测时间点,根据优化后的拟合参数和所述预测时间点,通过所述温度拟合曲线得出本次的温度预测值,从而能够加快温度的测量。
在其中一个实施例中,所述拟合数据确定模块301包括拟合数据确定子模块,用于获取被测物体的历史温度采样值,根据所述历史温度采样值得到历史温度采样值的一阶导数的均值以及标准差;根据所述均值以及标准差计算离群点判别的阈值上限和阈值下限,分别为:
thre_upper=k_mean+2.5*k_std,
thre_low=k_mean-2.5*k_std,
其中,thre_upper为所述阈值上限,thre_low为所述阈值下限,k_mean为所述均值,k_std为所述标准差;根据所述离群点判别的阈值上限和阈值下限,从所述历史温度采样值中筛选出一阶导数小于等于所述阈值上限且大于等于所述阈值下限的、设定数量的温度采样值,将所述设定数量的温度采样值作为预测温度的拟合数据。
其中,所述离群点为受外界因素的影响而导致温度采样值有较大变化,误差大于设定值的温度采样值。通过该实施例确定预测温度的拟合数据可进一步提高数据拟合的精确度。
在其中一个实施例中,所述拟合数据确定模块301还包括温度预测暂停子模块,用于设置暂停温度预测的条件为:与上一次的温度采样值比较,当前的温度采样值的变化幅度大于第一温度设定值;并且当前的温度采样值及其之前预设数量的温度采样值为连续下降、且下降的幅度大于第二温度设定值。所述根据当前的温度采样值判断是否暂停温度预测,包括根据当前的温度采样值判断是否满足所述暂停温度预测的条件,若满足,则暂停温度预测,并输出当前的温度采样值。通过上述设置的暂停温度预测的条件,可提高暂停温度预测的准确度。
在其中一个实施例中,所述拟合数据确定模块301还包括温度预测设置子模块,用于设置启动温度预测模式的条件为:当前的温度采样值大于第二设定值,并且当前的温度采样值及其之前预设数量的历史温度采样值的一阶导数均小于第一设定值、二阶导数均小于0。根据当前的温度采样值判断是否满足所述启动温度预测模式的条件,若是,则启动温度预测模式。
通过提前设置启动温度预测模式的条件,若检测到满足所述启动温度预测模式的条件,启动温度预测模式;否则,直接输出当前的温度采样值,从而进一步提高温度预测的效率。
在其中一个实施例中,所述拟合参数计算模块302包括拟合参数计算子模块,用于根据所述拟合数据通过最小二乘法的最优解计算温度拟合曲线的拟合参数k和b:
其中,yi为第i个拟合数据的温度采样值,xi为第i个拟合数据的预测时间点,n为拟合数据的数量。
在其中一个实施例中,所述时间点预测模块304包括时间点计算子模块,用于计算当前的温度采样值y0在拟合曲线中的位置x0为:根据预设参数β、优化参数γ以及所述位置x0求得预测时间点x为:x=x0+β×γ。
在其中一个实施例中,所述温度预测模块305包括温度预测子模块和温度优化子模块。
所述温度预测子模块用于通过所述温度拟合曲线得出原始温度预测值;利用上一次的输出温度值对所述原始温度预测值进行优化,将优化后的温度值作为本次的温度预测值。通过该实施例,提高了对所述本次的温度预测值进行输出显示的平滑效果,进一步提高本次的温度预测值的精确度。
所述温度优化子模块用于通过上一次的温度输出值和所述原始温度预测值的加权平均,得到本次的温度预测值:yi+1=yi×(1-w)+yp×w,其中,yi+1为本次的温度预测值,yi为上一次的温度输出值,yp为本次的原始温度预测值,w为预设的权重。
可知,利用上一次的温度输出值对所述原始温度预测值进行优化,一方面进一步提高了本次的温度预测值的精确度;另一方面,通过调整所述预设的权重值,提高了温度预测的速度,从而提高温度预测的效率。优选地,权重w的值预设为0.05。
以上所述实施例的各技术特征可以进行任意的组合,为使描述简洁,未对上述实施例中的各个技术特征所有可能的组合都进行描述,然而,只要这些技术特征的组合不存在矛盾,都应当认为是本说明书记载的范围。
以上所述实施例仅表达了本发明的几种实施方式,其描述较为具体和详细,但并不能因此而理解为对本发明专利范围的限制。应当指出的是,对于本领域的普通技术人员来说,在不脱离本发明构思的前提下,还可以做出若干变形和改进,这些都属于本发明的保护范围。因此,本发明专利的保护范围应以所附权利要求为准。
Claims (10)
1.一种预测温度的方法,其特征在于,包括:
采集被测物体的温度值,得到温度采样值,根据当前的温度采样值判断是否暂停温度预测,若否,获取被测物体的历史温度采样值,从中确定出若干个温度采样值作为预测温度的拟合数据;
通过所述拟合数据计算温度拟合曲线的拟合参数;
根据历史温度采样值与对应的历史温度预测值确定优化参数,用所述优化参数对所述拟合参数进行优化;
计算当前的温度采样值在所述温度拟合曲线中的位置,根据所述位置、优化参数得出预测时间点;
根据优化后的拟合参数和所述预测时间点,通过所述温度拟合曲线得出本次的温度预测值,并输出所述温度预测值。
2.根据权利要求1所述的预测温度的方法,其特征在于,所述温度拟合曲线为:
y=k×ln(x)+b,
其中,x为预测时间点,y为温度采样值,k和b为所述拟合参数;
所述通过所述拟合数据计算温度拟合曲线的拟合参数,包括:
根据所述拟合数据通过最小二乘法的最优解计算温度拟合曲线的拟合参数:
其中,yi为第i个拟合数据的温度采样值,xi为第i个拟合数据的预测时间点,n为拟合数据的数量,k和b为所述拟合参数。
3.根据权利要求1所述的预测温度的方法,其特征在于,所述计算当前的温度采样值在所述温度拟合曲线中的位置,根据所述位置、优化参数得出预测时间点x,包括:
计算当前的温度采样值y0在拟合曲线中的位置x0为:
根据预设参数β、优化参数γ以及所述位置x0求得预测时间点x为:
x=x0+β×γ。
4.根据权利要求1所述的预测温度的方法,其特征在于,所述通过所述温度拟合曲线得出本次的温度预测值,包括:
通过所述温度拟合曲线得出原始温度预测值;
利用上一次的输出温度值对所述原始温度预测值进行优化,将优化后的温度值作为本次的温度预测值。
5.根据权利要求4所述的预测温度的方法,其特征在于,所述利用上一次的温度输出值对所述原始温度预测值进行优化,将优化后的温度值作为本次的温度预测值,包括:
通过上一次的温度输出值和所述原始温度预测值的加权平均,得到本次的温度预测值:
yi+1=yi×(1-w)+yp×w,
其中,yi+1为本次的温度预测值,yi为上一次的温度输出值,yp为本次的原始温度预测值,w为预设的权重。
6.根据权利要求1所述的预测温度的方法,其特征在于,所述获取被测物体的历史温度采样值,从中确定出若干个温度采样值作为预测温度的拟合数据,包括:
获取被测物体的历史温度采样值,根据所述历史温度采样值得到历史温度采样值的一阶导数的均值以及标准差;
根据所述均值以及标准差计算离群点判别的阈值上限和阈值下限,分别为:
thre_upper=k_mean+2.5*k_std,
thre_low=k_mean-2.5*k_std,
其中,thre_upper为所述阈值上限,thre_low为所述阈值下限,k_mean为所述均值,k_std为所述标准差;
根据所述离群点判别的阈值上限和阈值下限,从所述历史温度采样值中筛选出一阶导数小于等于所述阈值上限且大于等于所述阈值下限的、设定数量的温度采样值,将所述设定数量的温度采样值作为预测温度的拟合数据。
7.根据权利要求1所述的预测温度的方法,其特征在于,所述根据当前的温度采样值判断是否暂停温度预测之前,包括:
设置暂停温度预测的条件为:
与上一次的温度采样值比较,当前的温度采样值的变化幅度大于第一温度设定值;并且当前的温度采样值及其之前预设数量的温度采样值为连续下降、且下降的幅度大于第二温度设定值;
所述根据当前的温度采样值判断是否暂停温度预测,包括:
根据当前的温度采样值判断是否满足所述暂停温度预测的条件,若满足,则暂停温度预测,并输出当前的温度采样值。
8.根据权利要求1所述的预测温度的方法,其特征在于,所述采集被测物体的温度值,得到温度采样值,根据当前的温度采样值判断是否暂停温度预测之前,还包括:
设置启动温度预测模式的条件为:
当前的温度采样值大于第二设定值,并且当前的温度采样值及其之前预设数量的历史温度采样值的一阶导数均小于第一设定值、二阶导数均小于0;
根据当前的温度采样值判断是否满足所述启动温度预测模式的条件,若是,则启动温度预测模式。
9.一种预测温度的系统,其特征在于,包括:
拟合数据确定模块,用于采集被测物体的温度值,得到温度采样值,根据当前的温度采样值判断是否暂停温度预测,若否,获取被测物体的历史温度采样值,从中确定出若干个温度采样值作为预测温度的拟合数据;
拟合参数计算模块,用于通过所述拟合数据计算温度拟合曲线的拟合参数;
拟合参数优化模块,用于根据历史温度采样值与对应的历史温度预测值确定优化参数,用所述优化参数对所述拟合参数进行优化;
时间点预测模块,用于计算当前的温度采样值在所述温度拟合曲线中的位置,根据所述位置、优化参数得出预测时间点;以及
温度预测模块,用于根据优化后的拟合参数和所述预测时间点,通过所述温度拟合曲线得出本次的温度预测值,并输出所述温度预测值。
10.根据权利要求9所述的预测温度的系统,其特征在于,所述温度预测模块包括:
温度预测子模块,用于通过所述温度拟合曲线得出原始温度预测值;利用上一次的输出温度值对所述原始温度预测值进行优化,将优化后的温度值作为本次的温度预测值。
Priority Applications (2)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201511024424.2A CN105547499B (zh) | 2015-12-29 | 2015-12-29 | 预测温度的方法及其系统 |
PCT/CN2016/098236 WO2017113875A1 (zh) | 2015-12-29 | 2016-09-06 | 预测温度的方法及其系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201511024424.2A CN105547499B (zh) | 2015-12-29 | 2015-12-29 | 预测温度的方法及其系统 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN105547499A true CN105547499A (zh) | 2016-05-04 |
CN105547499B CN105547499B (zh) | 2018-05-25 |
Family
ID=55826849
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201511024424.2A Active CN105547499B (zh) | 2015-12-29 | 2015-12-29 | 预测温度的方法及其系统 |
Country Status (2)
Country | Link |
---|---|
CN (1) | CN105547499B (zh) |
WO (1) | WO2017113875A1 (zh) |
Cited By (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN106037676A (zh) * | 2016-05-19 | 2016-10-26 | 广州视源电子科技股份有限公司 | 体温测量方法和装置 |
CN106092371A (zh) * | 2016-06-06 | 2016-11-09 | 广州视源电子科技股份有限公司 | 预测温度的方法及其装置 |
CN106095836A (zh) * | 2016-06-01 | 2016-11-09 | 新奥泛能网络科技股份有限公司 | 一种动态参数自适应拟合方法及装置 |
WO2017113875A1 (zh) * | 2015-12-29 | 2017-07-06 | 广州视源电子科技股份有限公司 | 预测温度的方法及其系统 |
CN108981942A (zh) * | 2018-05-29 | 2018-12-11 | 武汉智味来创新科技股份有限公司 | 一种炒菜锅的温度监测装置及其温度监测方法 |
CN109405989A (zh) * | 2018-10-16 | 2019-03-01 | 天津百腾信科技有限公司 | 一种高温升温环境下石墨坩埚温场的延展测量方法 |
CN111096649A (zh) * | 2018-10-26 | 2020-05-05 | 佛山市顺德区美的电热电器制造有限公司 | 运行控制方法、装置、烹饪器具和计算机可读存储介质 |
CN112556878A (zh) * | 2020-12-07 | 2021-03-26 | 安徽仕联电气有限公司 | 一种高温回转炉温度监测预警系统 |
CN113243873A (zh) * | 2021-03-12 | 2021-08-13 | 佛山市百斯特电器科技有限公司 | 一种洗涤设备的控制方法及洗涤设备 |
Families Citing this family (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111328211B (zh) * | 2018-12-14 | 2023-03-14 | 英业达科技有限公司 | 温度曲线预测系统及其方法 |
CN112834912A (zh) * | 2021-01-08 | 2021-05-25 | 胜达克半导体科技(上海)有限公司 | 一种芯片测试机上利用曲线拟合方式测量芯片内阻的方法 |
CN112901548B (zh) * | 2021-05-10 | 2021-08-27 | 北京中航电科科技有限公司 | 一种用于风扇转速控制的温度估算方法及装置 |
CN116595806B (zh) * | 2023-07-14 | 2023-10-10 | 江西师范大学 | 一种自适应温度数据补全方法 |
Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20020003832A1 (en) * | 1999-05-18 | 2002-01-10 | Siefert Robert J. | Predictive temperature measurement system |
CN101115979A (zh) * | 2005-03-29 | 2008-01-30 | 西铁城控股株式会社 | 电子体温计 |
CN101199414A (zh) * | 2006-12-11 | 2008-06-18 | 深圳迈瑞生物医疗电子股份有限公司 | 一种快速体温测量装置及其温度测量方法 |
CN101435727A (zh) * | 2007-11-12 | 2009-05-20 | 深圳迈瑞生物医疗电子股份有限公司 | 温度预测方法及装置 |
US20150300888A1 (en) * | 2014-04-21 | 2015-10-22 | National Taiwan University | Temperature prediction system and method thereof |
Family Cites Families (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN105547499B (zh) * | 2015-12-29 | 2018-05-25 | 广州视源电子科技股份有限公司 | 预测温度的方法及其系统 |
-
2015
- 2015-12-29 CN CN201511024424.2A patent/CN105547499B/zh active Active
-
2016
- 2016-09-06 WO PCT/CN2016/098236 patent/WO2017113875A1/zh active Application Filing
Patent Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20020003832A1 (en) * | 1999-05-18 | 2002-01-10 | Siefert Robert J. | Predictive temperature measurement system |
CN101115979A (zh) * | 2005-03-29 | 2008-01-30 | 西铁城控股株式会社 | 电子体温计 |
CN101199414A (zh) * | 2006-12-11 | 2008-06-18 | 深圳迈瑞生物医疗电子股份有限公司 | 一种快速体温测量装置及其温度测量方法 |
CN101435727A (zh) * | 2007-11-12 | 2009-05-20 | 深圳迈瑞生物医疗电子股份有限公司 | 温度预测方法及装置 |
US20150300888A1 (en) * | 2014-04-21 | 2015-10-22 | National Taiwan University | Temperature prediction system and method thereof |
Cited By (14)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2017113875A1 (zh) * | 2015-12-29 | 2017-07-06 | 广州视源电子科技股份有限公司 | 预测温度的方法及其系统 |
WO2017197891A1 (zh) * | 2016-05-19 | 2017-11-23 | 广州视源电子科技股份有限公司 | 体温测量方法和装置 |
CN106037676B (zh) * | 2016-05-19 | 2018-11-27 | 广州视源电子科技股份有限公司 | 体温测量方法和装置 |
CN106037676A (zh) * | 2016-05-19 | 2016-10-26 | 广州视源电子科技股份有限公司 | 体温测量方法和装置 |
CN106095836A (zh) * | 2016-06-01 | 2016-11-09 | 新奥泛能网络科技股份有限公司 | 一种动态参数自适应拟合方法及装置 |
CN106092371B (zh) * | 2016-06-06 | 2019-05-14 | 广州视源电子科技股份有限公司 | 预测温度的方法及其装置 |
CN106092371A (zh) * | 2016-06-06 | 2016-11-09 | 广州视源电子科技股份有限公司 | 预测温度的方法及其装置 |
CN108981942A (zh) * | 2018-05-29 | 2018-12-11 | 武汉智味来创新科技股份有限公司 | 一种炒菜锅的温度监测装置及其温度监测方法 |
CN109405989A (zh) * | 2018-10-16 | 2019-03-01 | 天津百腾信科技有限公司 | 一种高温升温环境下石墨坩埚温场的延展测量方法 |
CN111096649A (zh) * | 2018-10-26 | 2020-05-05 | 佛山市顺德区美的电热电器制造有限公司 | 运行控制方法、装置、烹饪器具和计算机可读存储介质 |
CN111096649B (zh) * | 2018-10-26 | 2021-11-19 | 佛山市顺德区美的电热电器制造有限公司 | 运行控制方法、装置、烹饪器具和计算机可读存储介质 |
CN112556878A (zh) * | 2020-12-07 | 2021-03-26 | 安徽仕联电气有限公司 | 一种高温回转炉温度监测预警系统 |
CN113243873A (zh) * | 2021-03-12 | 2021-08-13 | 佛山市百斯特电器科技有限公司 | 一种洗涤设备的控制方法及洗涤设备 |
CN113243873B (zh) * | 2021-03-12 | 2022-07-15 | 佛山市百斯特电器科技有限公司 | 一种洗涤设备的控制方法、控制装置、洗涤设备及存储介质 |
Also Published As
Publication number | Publication date |
---|---|
CN105547499B (zh) | 2018-05-25 |
WO2017113875A1 (zh) | 2017-07-06 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN105547499A (zh) | 预测温度的方法及其系统 | |
CN104702680B (zh) | 一种资源监测方法及系统 | |
CN103454140B (zh) | 一种测量金属材料疲劳裂纹扩展门槛值的简易方法 | |
CN104537198B (zh) | 一种气体流量计的数据检测方法 | |
CN107944156B (zh) | 波高阈值的选取方法 | |
CN106405280B (zh) | 一种智能变电站在线监测参数趋势预警方法 | |
CN110046152A (zh) | 一种处理用电数据缺失值的方法 | |
CN105466928A (zh) | 一种浊度传感器的标定处理方法 | |
CN106092371B (zh) | 预测温度的方法及其装置 | |
CN102135563B (zh) | 一种电能的计算方法、系统及电能表 | |
CN116906313B (zh) | 一种建筑节能给排水智能控制系统 | |
CN109374686B (zh) | 一种气体传感器 | |
CN109060060B (zh) | 一种基于温度补偿的燃气计量方法及装置 | |
CN112013910A (zh) | 一种排水管网流量检测方法、装置、服务器和存储介质 | |
CN116784852A (zh) | 一种疲劳状态确定方法、装置、智能床垫及介质 | |
CN109915867B (zh) | 一种油烟传感器的数据处理方法 | |
CN106600449B (zh) | 一种自动的功率趋势识别方法 | |
CN109379479A (zh) | 一种移动终端内置传感器性能测试方法及装置 | |
CN111658006A (zh) | 一种预测女性生理周期的方法和装置 | |
CN108334710A (zh) | 重力波参数的计算方法、装置及终端 | |
CN109444957B (zh) | 基于决策树评价的水合物储层地震预测方法及处理终端 | |
CN109635481B (zh) | 一种用于穿戴设备的数据分析系统 | |
CN105929464A (zh) | 一种应用于气象监测的系统 | |
CN112700039A (zh) | 一种火电厂负荷运行数据的稳态检测与提取方法 | |
CN108007839A (zh) | 阻尼检测仪控制方法、计算机可读存储介质及阻尼检测仪 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
C06 | Publication | ||
PB01 | Publication | ||
C10 | Entry into substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
GR01 | Patent grant | ||
GR01 | Patent grant |