CN107121215A - 重建储粮温度场的方法 - Google Patents
重建储粮温度场的方法 Download PDFInfo
- Publication number
- CN107121215A CN107121215A CN201710439983.2A CN201710439983A CN107121215A CN 107121215 A CN107121215 A CN 107121215A CN 201710439983 A CN201710439983 A CN 201710439983A CN 107121215 A CN107121215 A CN 107121215A
- Authority
- CN
- China
- Prior art keywords
- mrow
- msubsup
- bird
- msub
- flock
- 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
- G01K11/00—Measuring temperature based upon physical or chemical changes not covered by groups G01K3/00, G01K5/00, G01K7/00 or G01K9/00
- G01K11/22—Measuring temperature based upon physical or chemical changes not covered by groups G01K3/00, G01K5/00, G01K7/00 or G01K9/00 using measurement of acoustic effects
- G01K11/24—Measuring temperature based upon physical or chemical changes not covered by groups G01K3/00, G01K5/00, G01K7/00 or G01K9/00 using measurement of acoustic effects of the velocity of propagation of sound
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/004—Artificial life, i.e. computing arrangements simulating life
- G06N3/006—Artificial life, i.e. computing arrangements simulating life based on simulated virtual individual or collective life forms, e.g. social simulations or particle swarm optimisation [PSO]
Landscapes
- Physics & Mathematics (AREA)
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- General Physics & Mathematics (AREA)
- General Health & Medical Sciences (AREA)
- General Engineering & Computer Science (AREA)
- Biophysics (AREA)
- Computational Linguistics (AREA)
- Data Mining & Analysis (AREA)
- Evolutionary Computation (AREA)
- Artificial Intelligence (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- Biomedical Technology (AREA)
- Life Sciences & Earth Sciences (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Health & Medical Sciences (AREA)
- Acoustics & Sound (AREA)
- Coloring Foods And Improving Nutritive Qualities (AREA)
- Catching Or Destruction (AREA)
Abstract
一种重建储粮温度场的方法,由设置声波传感器、用自适应鸟群方法重建储粮温度场、确定被测储粮区域的温度场步骤组成。本发明采用自适应鸟群方法重建黄豆温度场,能准确地重建出所测黄豆区域的温度场分布,在鸟群的飞行行为中加入移动步长,并根据鸟的局部及全局极值,动态地改变学习因子的大小,使其在前期具有较强的自学能力,提高了全局搜索能力,后期强化鸟的社会学习能力,加快了收敛速度。本发明具有重建精度高、收敛速度快等优点,可用于重建储粮区域的温度场。
Description
技术领域
本发明涉及温度场重建技术领域,具体涉及到自适应鸟群方法用于粮食温度场的重建。
背景技术
中国人口众多,对粮食有很大的需求,因此,粮食的存储是头等大事。霉变、虫害、水分异常等都可能引起储粮温度的变化,储粮区域的温度直接反应该区域的粮食存储状况,因此,储粮区域的温度监测非常重要。目前国内外仓储粮食的温度检测多采用接触测温法,接触式测温方法简单直观,但测量时安全性较差,精度低,而且维护成本也高。非接触式测温是被测物体不需要与测量物体进行接触,通过一定的测量方式得到被测物体的温度。
王交锋等人利用声学法测温研究航空发动机的燃烧室出口的温度场,将16个声波收发器均匀放置在燃烧室的外壁,对数据进行采集,利用最小二乘法重建温度场,并对重建后的数据利用双三次插值法进行插值,获得更加细致的图像,取得了较好的温度场重建效果;沈国清等人提出将代数迭代重建法应用于温度场的重建,在实验条件下,利用重建法得到每个像素中心的温度值,利用双三次插值法进行插值,得到整个测量区域的温度场分布,得到的重建结果较为理想;田丰等人针对温度场重建法进行了深入研究,提出将高斯函数和正则化法相结合进行温度场重建,仿真实验表明,该法具有较强的抗噪能力;颜华等人提出正则化参数自适应选取的温度场重建法,该方法是一种像素数远多于声波路径数、且正则化参数可自适应调整,兼顾温度场细节重建和噪声抑制的声学CT温度场重建法,实验条件下,与常用的确定正则化参数的方法相比,该文中所使用的方法对应着更小的温度场重建误差,用于仓储粮食温度分布监测等对重建质量有较高要求的应用场合。
上述的温度场重建中所使用的最小二乘法、代数迭代重建法等传统方法重建速度慢。
发明内容
本发明所要解决的主要技术问题在于克服上述传统重建方法的不足,提供一种重建精度高、收敛速度快的重建储粮温度场的方法。
解决上述技术问题所采用的技术方案由下述步骤组成:
(1)设置声波传感器
在被测储粮区域的四周设置声波传感器,形成声波路径,采用快速互相关结合抽样率变换的时延法得到有效路径的声波传播时间。
(2)用自适应鸟群方法重建储粮温度场
1)建立适应度函数
其中,是系数矩阵,代表m×n的维权因子,amn表示第m条声波路径穿过第n个像素的长度,m、n为有限的正整数,X=(v1v2…vn)T在温度场求解中代表n维声速分布向量,vn代表声波穿过第n个像素的平均速度,b=(t1t2…tm)T在温度场求解中代表m维的各有效传播路径上的声波传播时间向量,tm代表第m条声波的声波传播时间。
2)根据迭代次数k和飞行频率FQ的关系确定鸟处于觅食、警戒状态或者处于飞行状态,k∈[1,...,M],最大迭代次数M取值1000,FQ为有限的正整数;
如果满足:k对FQ取余不为0,鸟处于觅食或警戒状态,执行步骤3),否则处于飞行状态,执行步骤4)。
3)在(0,1)内产生一个随机数,觅食概率R∈[0,1],当产生的随机数小于R时,鸟处于觅食状态,否则处于警戒状态。
鸟处于觅食状态时,其行为满足公式(2):
P=1+exp(-(1-pFitid/pFiti)) (3)
Q=1+exp(-(1-sumFit/pFiti)) (4)
其中i∈[1,...,N],鸟群数目N的值取为有限的正整数,j∈[1,...,D],D为有限的正整数,rand(0,1)表示在[0,1]范围内独立均匀分布的随机数,表示第i只鸟在第j维时第k次迭代的位置,pi,j表示鸟群中第i只鸟在第j维的最佳位置,P是认知加速因子,Q是社会加速因子,gj表示鸟群在第j维时的最佳位置,pFiti表示第i只鸟的最佳适应度值,pFitid表示第i只鸟局部极值的最佳适应度值,sumFit表示整个鸟群的最佳适应度值之和。
鸟处于警戒状态时,其行为满足公式为:
其中,h∈[1,...,N]且h≠i,rand(-1,1)表示在[-1,1]范围内独立均匀分布的随机数,meanj表示整个鸟群在第j维的平均位置,ε是一个极小的常数,用来避免分母出现0的情况,A1为一只鸟向鸟群中心移动过程中由环境引发的间接作用,A2为一只鸟向中间位置移动的直接影响因素,间接影响因子a1的值取0.001,直接影响因子a2的值取1。
确定鸟的个体适应度函数值,如果当前位置优于前次保留位置,则保留当前鸟的个体位置为最佳位置,并对鸟的位置进行更新。
4)鸟处于飞行行为时,鸟群分成生产者和乞讨者两类,生产者积极寻觅食物,乞讨者随机跟随一个生产者寻找食物,飞行行为中生产者和乞讨者的位置更新公式分别为:
其中,randn(0,1)代表产生服从均值为0,标准差为1的高斯分布的一个随机数,step表示移动步长,step∈[1,5],FL(FL∈[0,2])表示乞讨者跟随生产者寻找食物。
确定鸟的个体适应度函数值,如果当前位置优于前次保留位置,则保留当前鸟的个体位置为最佳位置,并对鸟的位置进行更新。
5)当达到最大迭代次数M时,获得鸟群的最佳位置,得到声波穿过温度场的声速分布向量X,根据粮食中声波传播速度cm与温度T的关系式:
其中Z为气体介质的声音常数,λ为声速转换因子,获得测量区域温度场每个像素中心的温度值。
(3)确定被测储粮区域的温度场
用四格点样条插值法进行插值,得到被测储粮区域的温度场分布。
在本发明的自适应鸟群方法重建储粮温度场步骤(2)的子步骤3)的公式(3)、(4)中,其中i∈[1,...,N],鸟群数目N的值取为40。
在本发明的自适应鸟群方法重建储粮温度场步骤(2)的子步骤4)的公式(8)中,step表示移动步长,step∈[1,5],step取值为2。
本发明采用自适应鸟群方法重建黄豆温度场,能准确地重建出所测黄豆区域的温度场分布,在鸟群的飞行行为中加入移动步长,并根据鸟的局部及全局极值,动态地改变学习因子的大小,使其在前期具有较强的自学能力,提高了全局搜索能力,后期强化鸟的社会学习能力,加快了收敛速度。本发明具有重建精度高、收敛速度快等优点,可用于重建储粮区域的温度场。
附图说明
图1是实施例1重建的被测黄豆区域的温度场的灰度图。
图2是实施例1重建的被测黄豆区域的温度场的等高线图。
具体实施方式
下面结合附图和实施例对本发明进一步详细说明,但本发明不限于这些实施例。
实施例1
以测量的黄豆区域为1.2m×1.2m的正方形区域,热点位置在区域中心,且为一个半径为20cm,中心点坐标为(0,0)的圆,温度为298K,被测黄豆区域的温度场重建方法如下:
1、设置声波传感器
在正方形被测储粮区域的四周均匀设置8个声波传感器,形成24条声波路径,被测储粮区域划分成16个像素,采用快速互相关结合抽样率变换的时延法得到有效路径的声波传播时间,快速互相关结合抽样率变换的时延法为已知方法,在声学法测温系统及声传播时间测量方法研究,沈阳工业大学,2009中公开。
2、自适应鸟群方法重建储粮温度场
1)建立适应度函数
其中,是系数矩阵,在温度场求解中代表m×n的维权因子,amn表示第m条声波路径穿过第n个像素的长度,m的值取24,n的值取16,X=(v1v2…vn)T在温度场求解中代表n维声速分布向量,vn代表声波穿过第n个像素的平均速度,b=(t1t2…tm)T在温度场求解中代表m维的各有效传播路径上的声波传播时间向量,tm代表第m条声波的声波传播时间。
2)根据迭代次数k和飞行频率FQ的关系确定鸟处于觅食、警戒状态或者处于飞行状态。k∈[1,...,M],最大迭代次数M取值1000,FQ取值10。
如果满足:k对FQ取余不为0,鸟处于觅食或警戒状态,执行步骤3),否则处于飞行状态,执行步骤4);
3)在(0,1)内产生一个随机数,觅食概率R∈[0,1],当产生的随机数小于R时,鸟处于觅食状态,否则处于警戒状态。
鸟处于觅食状态时,其行为满足公式:
P=1+exp(-(1-pFitid/pFiti)) (3)
Q=1+exp(-(1-sumFit/pFiti)) (4)
其中i∈[1,...,N],鸟群数目N的值取40,j∈[1,...,16],rand(0,1)表示在[0,1]范围内独立均匀分布的随机数,表示第i只鸟在第j维时第k次迭代的位置,pi,j表示鸟群中第i只鸟在第j维的最佳位置,P是认知加速因子,Q是社会加速因子,gj表示鸟群在第j维时的最佳位置,pFiti表示第i只鸟的最佳适应度值,pFitid表示第i只鸟局部极值的最佳适应度值,sumFit表示整个鸟群的最佳适应度值之和。
鸟处于警戒状态时,其行为满足公式为:
其中,h∈[1,...,40]且h≠i,rand(-1,1)表示在[-1,1]范围内独立均匀分布的随机数,meanj表示整个鸟群在第j维的平均位置,ε是一个极小的常数,用来避免分母出现0的情况,A1为一只鸟向鸟群中心移动过程中由环境引发的间接作用,A2为一只鸟向中间位置移动的直接影响因素,间接影响因子a1的值取0.001,直接影响因子a2的值取1。
确定鸟的个体适应度函数值,如果当前位置优于前次保留位置,则保留当前鸟的个体位置为最佳位置,并对鸟的位置进行更新。
4)鸟处于飞行行为时,鸟群分成生产者和乞讨者两类,生产者积极寻觅食物,乞讨者随机跟随一个生产者寻找食物,飞行行为中生产者和乞讨者的位置更新公式分别为:
其中,randn(0,1)代表产生服从均值为0,标准差为1的高斯分布的一个随机数,step表示移动步长,step的值为2,FL(FL∈[0,2])表示乞讨者跟随生产者寻找食物。
确定鸟的个体适应度函数值,如果当前位置优于前次保留位置,则保留当前鸟的个体位置为最佳位置,并对鸟的位置进行更新。
5)当达到最大迭代次数M时,获得鸟群的最佳位置,得到声波穿过温度场的声速分布向量X,根据粮食中声波传播速度cm与温度T的关系式:
粮食中声波传播速度cm与温度T的关系式为已知关系式,在声学法仓储粮食温度检测关键技术的研究,沈阳工业大学,2012中公开,其中Z为气体介质的声音常数,λ为声速转换因子,获得测量区域温度场每个像素中心的温度值。
3、确定被测储粮区域的温度场
在Matlab软件中调用四格点样条插值法进行插值,得到被测储粮区域的温度场分布,重建效果以伪彩图和等高线图的形式展现出来,见图1、图2。由图1、2可见本发明能有效地重建出所测黄豆区域的温度场,准确地检测出所测区域的热点区域。
实施例2
以测量的黄豆区域为1.2m×1.2m的正方形区域,热点位置在区域中心,且为一个半径为20cm,中心点坐标为(0,0)的圆,温度为298K,被测黄豆区域的温度场重建方法如下:
1、设置声波传感器
设置声波传感器与实施例1相同。
步骤1与实施例1相同。
2、自适应鸟群方法重建储粮温度场
在自适应鸟群方法重建储粮温度场2的子步骤4)中,鸟处于飞行行为时,鸟群分成生产者和乞讨者两类,生产者积极寻觅食物,乞讨者随机跟随一个生产者寻找食物,飞行行为中生产者和乞讨者的位置更新公式分别为:
其中,randn(0,1)代表产生服从均值为0,标准差为1的高斯分布的一个随机数,step表示移动步长,step的值为1,FL(FL∈[0,2])表示乞讨者跟随生产者寻找食物。
确定鸟的个体适应度函数值,如果当前位置优于前次保留位置,则保留当前鸟的个体位置为最佳位置,并对鸟的位置进行更新。
该步骤的其它步骤与实施例1相同。
其它步骤与实施例1相同。
实施例3
以测量的黄豆区域为1.2m×1.2m的正方形区域,热点位置在区域中心,且为一个半径为20cm,中心点坐标为(0,0)的圆,温度为298K,被测黄豆区域的温度场重建方法如下:
1、设置声波传感器
设置声波传感器与实施例1相同。
步骤1与实施例1相同。
2、自适应鸟群方法重建储粮温度场
在自适应鸟群方法重建储粮温度场2的子步骤4)中,鸟处于飞行行为时,鸟群分成生产者和乞讨者两类,生产者积极寻觅食物,乞讨者随机跟随一个生产者寻找食物,飞行行为中生产者和乞讨者的位置更新公式分别为:
其中,randn(0,1)代表产生服从均值为0,标准差为1的高斯分布的一个随机数,step表示移动步长,step的值为5,FL(FL∈[0,2])表示乞讨者跟随生产者寻找食物。
确定鸟的个体适应度函数值,如果当前位置优于前次保留位置,则保留当前鸟的个体位置为最佳位置,并对鸟的位置进行更新。
该步骤的其它步骤与实施例1相同。
其它步骤与实施例1相同。
Claims (3)
1.一种重建储粮温度场的方法,其特征在于它是由下述步骤组成:
(1)设置声波传感器
在被测储粮区域的四周设置声波传感器,形成声波路径,采用快速互相关结合抽样率变换的时延法得到有效路径的声波传播时间;
(2)用自适应鸟群方法重建储粮温度场
1)建立适应度函数
<mrow>
<mi>m</mi>
<mi>i</mi>
<mi>n</mi>
<mo>|</mo>
<mo>|</mo>
<mi>A</mi>
<mi>X</mi>
<mo>-</mo>
<mi>b</mi>
<mo>|</mo>
<msubsup>
<mo>|</mo>
<mn>2</mn>
<mn>2</mn>
</msubsup>
<mo>-</mo>
<mo>-</mo>
<mo>-</mo>
<mrow>
<mo>(</mo>
<mn>1</mn>
<mo>)</mo>
</mrow>
</mrow>
其中,是系数矩阵,代表m×n的维权因子,amn表示第m条声波路径穿过第n个像素的长度,m、n为有限的正整数,X=(v1v2…vn)T在温度场求解中代表n维声速分布向量,vn代表声波穿过第n个像素的平均速度,b=(t1t2…tm)T在温度场求解中代表m维的各有效传播路径上的声波传播时间向量,tm代表第m条声波的声波传播时间;
2)根据迭代次数k和飞行频率FQ的关系确定鸟处于觅食、警戒状态或者处于飞行状态,k∈[1,...,M],最大迭代次数M取值1000,FQ为有限的正整数;
如果满足:k对FQ取余不为0,鸟处于觅食或警戒状态,执行步骤3),否则处于飞行状态,执行步骤4);
3)在(0,1)内产生一个随机数,觅食概率R∈[0,1],当产生的随机数小于R时,鸟处于觅食状态,否则处于警戒状态;
鸟处于觅食状态时,其行为满足公式(2):
<mrow>
<msubsup>
<mi>x</mi>
<mrow>
<mi>i</mi>
<mo>,</mo>
<mi>j</mi>
</mrow>
<mrow>
<mi>k</mi>
<mo>+</mo>
<mn>1</mn>
</mrow>
</msubsup>
<mo>=</mo>
<msubsup>
<mi>x</mi>
<mrow>
<mi>i</mi>
<mo>,</mo>
<mi>j</mi>
</mrow>
<mi>k</mi>
</msubsup>
<mo>+</mo>
<mrow>
<mo>(</mo>
<msub>
<mi>p</mi>
<mrow>
<mi>i</mi>
<mo>,</mo>
<mi>j</mi>
</mrow>
</msub>
<mo>-</mo>
<msubsup>
<mi>x</mi>
<mrow>
<mi>i</mi>
<mo>,</mo>
<mi>j</mi>
</mrow>
<mi>k</mi>
</msubsup>
<mo>)</mo>
</mrow>
<mo>&times;</mo>
<mi>P</mi>
<mo>&times;</mo>
<mi>r</mi>
<mi>a</mi>
<mi>n</mi>
<mi>d</mi>
<mrow>
<mo>(</mo>
<mn>0</mn>
<mo>,</mo>
<mn>1</mn>
<mo>)</mo>
</mrow>
<mo>+</mo>
<mrow>
<mo>(</mo>
<msub>
<mi>g</mi>
<mi>j</mi>
</msub>
<mo>-</mo>
<msubsup>
<mi>x</mi>
<mrow>
<mi>i</mi>
<mo>,</mo>
<mi>j</mi>
</mrow>
<mi>k</mi>
</msubsup>
<mo>)</mo>
</mrow>
<mo>&times;</mo>
<mi>Q</mi>
<mo>&times;</mo>
<mi>r</mi>
<mi>a</mi>
<mi>n</mi>
<mi>d</mi>
<mrow>
<mo>(</mo>
<mn>0</mn>
<mo>,</mo>
<mn>1</mn>
<mo>)</mo>
</mrow>
<mo>-</mo>
<mo>-</mo>
<mo>-</mo>
<mrow>
<mo>(</mo>
<mn>2</mn>
<mo>)</mo>
</mrow>
</mrow>
P=1+exp(-(1-pFitid/pFiti)) (3)
Q=1+exp(-(1-sumFit/pFiti)) (4)
其中i∈[1,...,N],鸟群数目N的值取为有限的正整数,j∈[1,...,D],D为有限的正整数,rand(0,1)表示在[0,1]范围内独立均匀分布的随机数,表示第i只鸟在第j维时第k次迭代的位置,pi,j表示鸟群中第i只鸟在第j维的最佳位置,P是认知加速因子,Q是社会加速因子,gj表示鸟群在第j维时的最佳位置,pFiti表示第i只鸟的最佳适应度值,pFitid表示第i只鸟局部极值的最佳适应度值,sumFit表示整个鸟群的最佳适应度值之和;
鸟处于警戒状态时,其行为满足公式为:
<mrow>
<msubsup>
<mi>x</mi>
<mrow>
<mi>i</mi>
<mo>,</mo>
<mi>j</mi>
</mrow>
<mrow>
<mi>k</mi>
<mo>+</mo>
<mn>1</mn>
</mrow>
</msubsup>
<mo>=</mo>
<msubsup>
<mi>x</mi>
<mrow>
<mi>i</mi>
<mo>,</mo>
<mi>j</mi>
</mrow>
<mi>k</mi>
</msubsup>
<mo>+</mo>
<mi>A</mi>
<mn>1</mn>
<mrow>
<mo>(</mo>
<msub>
<mi>mean</mi>
<mi>j</mi>
</msub>
<mo>-</mo>
<msubsup>
<mi>x</mi>
<mrow>
<mi>i</mi>
<mo>,</mo>
<mi>j</mi>
</mrow>
<mi>k</mi>
</msubsup>
<mo>)</mo>
</mrow>
<mo>&times;</mo>
<mi>r</mi>
<mi>a</mi>
<mi>n</mi>
<mi>d</mi>
<mrow>
<mo>(</mo>
<mn>0</mn>
<mo>,</mo>
<mn>1</mn>
<mo>)</mo>
</mrow>
<mo>+</mo>
<mi>A</mi>
<mn>2</mn>
<mrow>
<mo>(</mo>
<msub>
<mi>p</mi>
<mrow>
<mi>h</mi>
<mo>,</mo>
<mi>j</mi>
</mrow>
</msub>
<mo>-</mo>
<msubsup>
<mi>x</mi>
<mrow>
<mi>i</mi>
<mo>,</mo>
<mi>j</mi>
</mrow>
<mi>k</mi>
</msubsup>
<mo>)</mo>
</mrow>
<mo>&times;</mo>
<mi>r</mi>
<mi>a</mi>
<mi>n</mi>
<mi>d</mi>
<mrow>
<mo>(</mo>
<mo>-</mo>
<mn>1</mn>
<mo>,</mo>
<mn>1</mn>
<mo>)</mo>
</mrow>
<mo>-</mo>
<mo>-</mo>
<mo>-</mo>
<mrow>
<mo>(</mo>
<mn>5</mn>
<mo>)</mo>
</mrow>
</mrow>
<mrow>
<mi>A</mi>
<mn>1</mn>
<mo>=</mo>
<mi>a</mi>
<mn>1</mn>
<mo>&times;</mo>
<mi>exp</mi>
<mrow>
<mo>(</mo>
<mo>-</mo>
<mfrac>
<mrow>
<msub>
<mi>pFit</mi>
<mi>i</mi>
</msub>
</mrow>
<mrow>
<mi>s</mi>
<mi>u</mi>
<mi>m</mi>
<mi>F</mi>
<mi>i</mi>
<mi>t</mi>
<mo>+</mo>
<mi>&epsiv;</mi>
</mrow>
</mfrac>
<mo>&times;</mo>
<mi>N</mi>
<mo>)</mo>
</mrow>
<mo>-</mo>
<mo>-</mo>
<mo>-</mo>
<mrow>
<mo>(</mo>
<mn>6</mn>
<mo>)</mo>
</mrow>
</mrow>
<mrow>
<mi>A</mi>
<mn>2</mn>
<mo>=</mo>
<mi>a</mi>
<mn>2</mn>
<mo>&times;</mo>
<mi>exp</mi>
<mrow>
<mo>(</mo>
<mo>(</mo>
<mfrac>
<mrow>
<msub>
<mi>pFit</mi>
<mi>i</mi>
</msub>
<mo>-</mo>
<msub>
<mi>pFit</mi>
<mi>h</mi>
</msub>
</mrow>
<mrow>
<mo>|</mo>
<msub>
<mi>pFit</mi>
<mi>h</mi>
</msub>
<mo>-</mo>
<msub>
<mi>pFit</mi>
<mi>i</mi>
</msub>
<mo>|</mo>
<mo>+</mo>
<mi>&epsiv;</mi>
</mrow>
</mfrac>
<mo>)</mo>
<mfrac>
<mrow>
<mi>N</mi>
<mo>&times;</mo>
<msub>
<mi>pFit</mi>
<mi>h</mi>
</msub>
</mrow>
<mrow>
<mi>s</mi>
<mi>u</mi>
<mi>m</mi>
<mi>F</mi>
<mi>i</mi>
<mi>t</mi>
<mo>+</mo>
<mi>&epsiv;</mi>
</mrow>
</mfrac>
<mo>)</mo>
</mrow>
<mo>-</mo>
<mo>-</mo>
<mo>-</mo>
<mrow>
<mo>(</mo>
<mn>7</mn>
<mo>)</mo>
</mrow>
</mrow>
其中,h∈[1,...,N]且h≠i,rand(-1,1)表示在[-1,1]范围内独立均匀分布的随机数,meanj表示整个鸟群在第j维的平均位置,ε是一个极小的常数,用来避免分母出现0的情况,A1为一只鸟向鸟群中心移动过程中由环境引发的间接作用,A2为一只鸟向中间位置移动的直接影响因素,间接影响因子a1的值取0.001,直接影响因子a2的值取1;
确定鸟的个体适应度函数值,如果当前位置优于前次保留位置,则保留当前鸟的个体位置为最佳位置,并对鸟的位置进行更新;
4)鸟处于飞行行为时,鸟群分成生产者和乞讨者两类,生产者积极寻觅食物,乞讨者随机跟随一个生产者寻找食物,飞行行为中生产者和乞讨者的位置更新公式分别为:
<mrow>
<msubsup>
<mi>x</mi>
<mrow>
<mi>i</mi>
<mo>,</mo>
<mi>j</mi>
</mrow>
<mrow>
<mi>k</mi>
<mo>+</mo>
<mn>1</mn>
</mrow>
</msubsup>
<mo>=</mo>
<msubsup>
<mi>x</mi>
<mrow>
<mi>i</mi>
<mo>,</mo>
<mi>j</mi>
</mrow>
<mi>k</mi>
</msubsup>
<mo>+</mo>
<mi>s</mi>
<mi>t</mi>
<mi>e</mi>
<mi>p</mi>
<mo>&times;</mo>
<mi>r</mi>
<mi>a</mi>
<mi>n</mi>
<mi>d</mi>
<mi>n</mi>
<mrow>
<mo>(</mo>
<mn>0</mn>
<mo>,</mo>
<mn>1</mn>
<mo>)</mo>
</mrow>
<mo>&times;</mo>
<msubsup>
<mi>x</mi>
<mrow>
<mi>i</mi>
<mo>,</mo>
<mi>j</mi>
</mrow>
<mi>k</mi>
</msubsup>
<mo>-</mo>
<mo>-</mo>
<mo>-</mo>
<mrow>
<mo>(</mo>
<mn>8</mn>
<mo>)</mo>
</mrow>
</mrow>
<mrow>
<msubsup>
<mi>x</mi>
<mrow>
<mi>i</mi>
<mo>,</mo>
<mi>j</mi>
</mrow>
<mrow>
<mi>k</mi>
<mo>+</mo>
<mn>1</mn>
</mrow>
</msubsup>
<mo>=</mo>
<msubsup>
<mi>x</mi>
<mrow>
<mi>i</mi>
<mo>,</mo>
<mi>j</mi>
</mrow>
<mi>k</mi>
</msubsup>
<mo>+</mo>
<mrow>
<mo>(</mo>
<msubsup>
<mi>x</mi>
<mrow>
<mi>h</mi>
<mo>,</mo>
<mi>j</mi>
</mrow>
<mi>k</mi>
</msubsup>
<mo>-</mo>
<msubsup>
<mi>x</mi>
<mrow>
<mi>i</mi>
<mo>,</mo>
<mi>j</mi>
</mrow>
<mi>k</mi>
</msubsup>
<mo>)</mo>
</mrow>
<mo>&times;</mo>
<mi>F</mi>
<mi>L</mi>
<mo>&times;</mo>
<mi>r</mi>
<mi>a</mi>
<mi>n</mi>
<mi>d</mi>
<mrow>
<mo>(</mo>
<mn>0</mn>
<mo>,</mo>
<mn>1</mn>
<mo>)</mo>
</mrow>
<mo>-</mo>
<mo>-</mo>
<mo>-</mo>
<mrow>
<mo>(</mo>
<mn>9</mn>
<mo>)</mo>
</mrow>
</mrow>
其中,randn(0,1)代表产生服从均值为0,标准差为1的高斯分布的一个随机数,step表示移动步长,step∈[1,5],FL(FL∈[0,2])表示乞讨者跟随生产者寻找食物;
确定鸟的个体适应度函数值,如果当前位置优于前次保留位置,则保留当前鸟的个体位置为最佳位置,并对鸟的位置进行更新;
5)当达到最大迭代次数M时,获得鸟群的最佳位置,得到声波穿过温度场的声速分布向量X,根据粮食中声波传播速度cm与温度T的关系式:
<mrow>
<msub>
<mi>c</mi>
<mi>m</mi>
</msub>
<mo>=</mo>
<mi>Z</mi>
<msqrt>
<mi>T</mi>
</msqrt>
<mo>/</mo>
<mi>&lambda;</mi>
</mrow>
其中Z为气体介质的声音常数,λ为声速转换因子,获得测量区域温度场每个像素中心的温度值;
(3)确定被测储粮区域的温度场
用四格点样条插值法进行插值,得到被测储粮区域的温度场分布。
2.根据权利要求1所述的重建储粮温度场的方法,其特征在于:
在自适应鸟群方法重建储粮温度场步骤(2)的子步骤3)的公式(3)、(4)中,其中i∈[1,...,N],鸟群数目N的值取为40。
3.根据权利要求1所述的重建储粮温度场的方法,其特征在于:
在自适应鸟群方法重建储粮温度场步骤(2)的子步骤4)的公式(8)中,step表示移动步长,step∈[1,5],step取值为2。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201710439983.2A CN107121215B (zh) | 2017-06-12 | 2017-06-12 | 重建储粮温度场的方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201710439983.2A CN107121215B (zh) | 2017-06-12 | 2017-06-12 | 重建储粮温度场的方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN107121215A true CN107121215A (zh) | 2017-09-01 |
CN107121215B CN107121215B (zh) | 2019-10-25 |
Family
ID=59729899
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201710439983.2A Active CN107121215B (zh) | 2017-06-12 | 2017-06-12 | 重建储粮温度场的方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN107121215B (zh) |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110006550A (zh) * | 2019-02-02 | 2019-07-12 | 四川大学 | 一种声波传播路径自适应组网的温度场重建系统及其方法 |
CN110231102A (zh) * | 2019-06-28 | 2019-09-13 | 西安科技大学 | 一种基于声波速率测试松散煤体温度的方法 |
Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20110081050A1 (en) * | 2009-10-05 | 2011-04-07 | Wei Chen | System and Method for Estimating Velocity from Image Sequence with First Order Continuity |
CN102288324A (zh) * | 2011-07-26 | 2011-12-21 | 沈阳工业大学 | 仓储粮食温度分布声学监测法 |
CN104155030A (zh) * | 2014-08-13 | 2014-11-19 | 沈阳工业大学 | 一种考虑声线弯曲的声学ct温度场重建方法 |
US20150145717A1 (en) * | 2013-11-26 | 2015-05-28 | Korea Institute Of Construction Technology | Integrated rainfall estimation method using x-band dual-polarimetric radar measurement data |
-
2017
- 2017-06-12 CN CN201710439983.2A patent/CN107121215B/zh active Active
Patent Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20110081050A1 (en) * | 2009-10-05 | 2011-04-07 | Wei Chen | System and Method for Estimating Velocity from Image Sequence with First Order Continuity |
CN102288324A (zh) * | 2011-07-26 | 2011-12-21 | 沈阳工业大学 | 仓储粮食温度分布声学监测法 |
US20150145717A1 (en) * | 2013-11-26 | 2015-05-28 | Korea Institute Of Construction Technology | Integrated rainfall estimation method using x-band dual-polarimetric radar measurement data |
CN104155030A (zh) * | 2014-08-13 | 2014-11-19 | 沈阳工业大学 | 一种考虑声线弯曲的声学ct温度场重建方法 |
Non-Patent Citations (2)
Title |
---|
XIAN-BING MENG等: "A new bio-inspired optimisation algorithm:Bird Swarm Algorithm", 《JOURNAL OF EXPERIMENTAL & THEORETICAL》 * |
续颖: "声学法测温系统及声传播时间测量方法研究", 《中国优秀硕士学位论文全文数据库(电子期刊) 工程科技II辑》 * |
Cited By (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110006550A (zh) * | 2019-02-02 | 2019-07-12 | 四川大学 | 一种声波传播路径自适应组网的温度场重建系统及其方法 |
CN110006550B (zh) * | 2019-02-02 | 2024-02-23 | 四川大学 | 一种声波传播路径自适应组网的温度场重建系统及其方法 |
CN110231102A (zh) * | 2019-06-28 | 2019-09-13 | 西安科技大学 | 一种基于声波速率测试松散煤体温度的方法 |
Also Published As
Publication number | Publication date |
---|---|
CN107121215B (zh) | 2019-10-25 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN103792538B (zh) | 一种基于地基高光谱微波辐射计的大气廓线反演方法 | |
US11941866B2 (en) | Entropy field decomposition for analysis in a dynamic system | |
Niu et al. | A novel parametric level set method coupled with Tikhonov regularization for tomographic laser absorption reconstruction | |
CN107630697B (zh) | 基于随钻电磁波电阻率测井的地层电阻率联合反演方法 | |
CN107121215A (zh) | 重建储粮温度场的方法 | |
CN111551928B (zh) | 一种基于墙体低秩稀疏约束的穿墙雷达成像方法 | |
CN104990721B (zh) | 基于经验模态分解的应力应变重构方法 | |
CN113793318B (zh) | 一种多区域复杂损伤缺陷特征综合分析方法 | |
Si et al. | Hierarchical temperature imaging using pseudoinversed convolutional neural network aided TDLAS tomography | |
Guha et al. | Tomographic imaging of flames: assessment of reconstruction error based on simulated results | |
Kirshin et al. | Microwave radar and microwave-induced thermoacoustics: Dual-modality approach for breast cancer detection | |
Yang et al. | A hybrid quantum-behaved particle swarm optimization algorithm for solving inverse scattering problems | |
CN115808650A (zh) | 基于瞬时线化的电特性断层成像方法、系统、设备及介质 | |
Yang et al. | An FFT-accelerated particle swarm optimization method for solving far-field inverse scattering problems | |
Zhang et al. | Solving phaseless highly nonlinear inverse scattering problems with contraction integral equation for inversion | |
Zhang et al. | Optimization of transducer array for cross-sectional velocity field reconstruction in acoustic tomography | |
CN105527306A (zh) | 一种基于面阵式探测器太赫兹层析三维成像的方法 | |
CN109031292A (zh) | 一种sar与介电反演结合的成像方法 | |
CN110261472B (zh) | 小波基函数用于炉膛断面流场声波法测量重建的方法 | |
Amodio et al. | Investigating the ultimate accuracy of Doppler-broadening thermometry by means of a global fitting procedure | |
Sucipto et al. | Prediction of water content, sucrose and invert sugar of sugarcane using bioelectrical properties and artificial neural network. | |
Nadir et al. | Gaussian mixture prior models for imaging of flow cross sections from sparse hyperspectral measurements | |
CN114994674A (zh) | 智能微波凝视关联成像方法、设备及存储介质 | |
Edenhofer et al. | A Parsec-Scale Galactic 3D Dust Map out to 1.25 kpc from the Sun | |
Dolmatov et al. | Application of nonuniform Fourier transform to solving ultrasonic tomography problems with antenna arrays |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
GR01 | Patent grant | ||
GR01 | Patent grant |