CN110348520A - 一种基于气象数据预测仓储粮堆表层温度的方法和系统 - Google Patents
一种基于气象数据预测仓储粮堆表层温度的方法和系统 Download PDFInfo
- Publication number
- CN110348520A CN110348520A CN201910631385.4A CN201910631385A CN110348520A CN 110348520 A CN110348520 A CN 110348520A CN 201910631385 A CN201910631385 A CN 201910631385A CN 110348520 A CN110348520 A CN 110348520A
- Authority
- CN
- China
- Prior art keywords
- meteorological data
- grain heap
- heap surface
- temperature
- mean temperature
- 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.)
- Pending
Links
Classifications
-
- 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
- G06F17/18—Complex mathematical operations for evaluating statistical data, e.g. average values, frequency distributions, probability functions, regression analysis
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
- G06F18/214—Generating training patterns; Bootstrap methods, e.g. bagging or boosting
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/24—Classification techniques
- G06F18/241—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches
- G06F18/2411—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches based on the proximity to a decision surface, e.g. support vector machines
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q10/00—Administration; Management
- G06Q10/04—Forecasting or optimisation specially adapted for administrative or management purposes, e.g. linear programming or "cutting stock problem"
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- Theoretical Computer Science (AREA)
- General Physics & Mathematics (AREA)
- General Engineering & Computer Science (AREA)
- Life Sciences & Earth Sciences (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Bioinformatics & Computational Biology (AREA)
- Evolutionary Biology (AREA)
- Business, Economics & Management (AREA)
- Human Resources & Organizations (AREA)
- Computational Mathematics (AREA)
- Pure & Applied Mathematics (AREA)
- Evolutionary Computation (AREA)
- Mathematical Physics (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Artificial Intelligence (AREA)
- Operations Research (AREA)
- Mathematical Optimization (AREA)
- Mathematical Analysis (AREA)
- Strategic Management (AREA)
- Economics (AREA)
- Software Systems (AREA)
- Game Theory and Decision Science (AREA)
- Development Economics (AREA)
- Entrepreneurship & Innovation (AREA)
- Marketing (AREA)
- Quality & Reliability (AREA)
- Tourism & Hospitality (AREA)
- General Business, Economics & Management (AREA)
- Probability & Statistics with Applications (AREA)
- Databases & Information Systems (AREA)
- Algebra (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明涉及粮储管理技术领域,特别是一种基于气象数据预测仓储粮堆表层温度的方法和系统。该方法通过获取设定时间段内的气象数据及与气象数据的时间对应的粮堆表层平均温度,再对已有的气象数据及其对应的粮堆表层平均温度进行相应的处理并训练得到能够表征粮堆表层平均温度与气象数据的关系的模型,即为预测模型,再根据未来某一时刻的预测的气象数据即可得到该未来某一时刻的粮堆表层平均温度,从而实现了根据气象提前预测粮堆表层平均温度,并能够知道未来一段时间内的温度变化情况,有利于提前做好预防工作,提早开展粮情控制,防止霉变、生虫等问题的发生,有效地保障了粮食安全。
Description
技术领域
本发明涉及粮储管理技术领域,特别是一种基于气象数据预测仓储粮堆表层温度的方法和系统。
背景技术
粮食的高水分和高粮温为霉菌和储量害虫的滋生提供了有利条件,而储粮害虫和霉菌是造成粮堆发热点的重要因素,粮堆中发热点的不断发展,会导致发热点内粮食的损坏。智能仓储工作的主要目的是显著提高粮食储存能力,如有效控制储存温度和水分等。粮食籽粒在储藏过程中,其生命活动从未停止,仍为活的有机体,它受自身呼吸作用和外界温度、湿度、气体成分等环境因子的影响,这些内外因素与粮食安全储存密切相关。粮食的安全储存可以通过控制两个重要的物理因素来实现:温度和水分含量。粮食温度是粮食状态的重要指标,其检测和控制技术是粮情测控的主要技术之一。在粮情检测系统中,储粮温度的检测是一项比较成熟的技术,已在国家储备中得到广泛应用。
虽然现有技术能够实时监控储粮粮堆的温度,但实时的检测并不能很好的预防温度快速变化带来的霉变、生虫等问题,不能够提前做好预防工作,不利于更早的、更加及时的开展粮情控制工作。
发明内容
本发明的目的是提供一种基于气象数据预测仓储粮堆表层温度的方法和系统,用以解决现有技术不能预测粮堆温度导致粮情控制工作开展不及时的问题。
为了实现上述目的,本发明提供一种基于气象数据预测仓储粮堆表层温度的方法,包括以下步骤:
1)获取设定时间段内的气象数据及与气象数据的时间对应的粮堆表层平均温度,气象数据包括气压、气温、相对湿度、降水量、蒸发量、风速、日照时数和0cm地面温度;
2)对气象数据及粮堆表层平均温度数据进行预处理,去除异常的数据点;
3)对预处理后的气象数据及粮堆表层平均温度数据进行标准化处理;
4)对标准化后的气象数据及对应的粮堆表层平均温度训练得到粮堆表层平均温度与气象数据的关系模型;
5)获取待预测时刻的预测气象数据,并根据所述关系模型确定待预测时刻的粮堆表层平均温度。
有益效果是,通过已有的气象数据及其对应的粮堆表层平均温度进行相应的处理并训练得到能够表征粮堆表层平均温度与气象数据的关系的模型,即为预测模型,再根据未来某一时刻的预测的气象数据即可得到该未来某一时刻的粮堆表层平均温度,从而实现了根据气象提前预测粮堆表层平均温度,并能够知道为了一段时间内的温度变化情况,有利于提前做好预防工作,提早开展粮情控制,防止霉变、生虫等问题的发生,有效地保障了粮食安全。
进一步地,为了简单得到预测模型,步骤4)中对标准化后的气象数据及对应的粮堆表层平均温度利用线性最小二乘回归方法训练得到粮堆表层平均温度与气象数据的关系模型。
进一步地,由于不同气象因素之间也有相互影响,考虑综合所有因素的复杂性,步骤4)中对标准化后的气象数据及对应的粮堆表层平均温度利用支持向量机训练得到粮堆表层平均温度与气象数据的关系模型。
进一步地,为了得到更精准的预测模型,所述支持向量机中采用的核函数为线性核函数、多项式核函数或者高斯径向基核函数。
进一步地,为了简单实现异常数据点的剔除,避免这些点造成的损失,所述预处理采用Pauta准则方法。
进一步地,为了简单、准确实现标准化,所述标准化处理采用z-score标准化方法。
本发明提供一种基于气象数据预测仓储粮堆表层温度的系统,包括存储器、处理器以及存储在存储器中并可在处理器上运行的计算机程序,所述处理器执行所述程序时实现以下步骤:
1)获取设定时间段内的气象数据及与气象数据的时间对应的粮堆表层平均温度,气象数据包括气压、气温、相对湿度、降水量、蒸发量、风速、日照时数和0cm地面温度;
2)对气象数据及粮堆表层平均温度数据进行预处理,去除异常的数据点;
3)对预处理后的气象数据及粮堆表层平均温度数据进行标准化处理;
4)对标准化后的气象数据及对应的粮堆表层平均温度训练得到粮堆表层平均温度与气象数据的关系模型;
5)获取待预测时刻的预测气象数据,并根据所述关系模型确定待预测时刻的粮堆表层平均温度。
有益效果是,通过已有的气象数据及其对应的粮堆表层平均温度进行相应的处理并训练得到能够表征粮堆表层平均温度与气象数据的关系的模型,即为预测模型,再根据未来某一时刻的预测的气象数据即可得到该未来某一时刻的粮堆表层平均温度,从而实现了根据气象提前预测粮堆表层平均温度,并能够知道为了一段时间内的温度变化情况,有利于提前做好预防工作,提早开展粮情控制,防止霉变、生虫等问题的发生,有效地保障了粮食安全。
进一步地,为了简单得到预测模型,该系统的步骤4)中对标准化后的气象数据及对应的粮堆表层平均温度利用线性最小二乘回归方法训练得到粮堆表层平均温度与气象数据的关系模型。
进一步地,由于不同气象因素之间也有相互影响,考虑综合所有因素的复杂性,该系统的步骤4)中对标准化后的气象数据及对应的粮堆表层平均温度利用支持向量机训练得到粮堆表层平均温度与气象数据的关系模型。
进一步地,为了得到更精准的预测模型,该系统中所述支持向量机中采用的核函数为线性核函数、多项式核函数或者高斯径向基核函数。
进一步地,为了简单实现异常数据点的剔除,避免这些点造成的损失,该系统中所述预处理采用Pauta准则方法。
进一步地,为了简单、准确实现标准化,该系统中所述标准化处理采用 z-score标准化方法。
附图说明
图1是本发明的一种基于气象数据预测仓储粮堆表层温度的方法的流程图;
图2是本发明的一段时间内气温与粮堆表层平均温度的变化趋势图;
图3是本发明的气温对粮堆表层平均温度的影响示意图;
图4是本发明的相对湿度对粮堆表层平均温度的影响示意图;
图5是本发明的0cm地面温度对粮堆表层平均温度的影响示意图;
图6是本发明的气压对粮堆表层平均温度的影响示意图;
图7是本发明的降水量对粮堆表层平均温度的影响示意图;
图8是本发明的日照时数对粮堆表层平均温度的影响示意图;
图9是本发明的气温与0cm地面温度之间的相互影响示意图;
图10是本发明的气温与相对湿度之间的相互关系影响示意图;
图11是本发明的相对湿度与日照时数之间的相互关系影响示意图;
图12是本发明的线性最小二乘回归方法的预测结果对比图;
图13是本发明的SVM线性核函数的预测结果对比图;
图14是本发明的SVM多项式核函数的预测结果对比图;
图15是本发明的SVM高斯径向基函数核函数的预测结果对比图;
图16是本发明的四种预测结果的均方根误差对比图。
具体实施方式
下面结合附图对本发明做进一步详细的说明。
方法实施例:
本发明提供一种基于气象数据预测仓储粮堆表层温度的方法,如图1所示,包括以下步骤:
1)获取设定时间段内的气象数据及与气象数据的时间对应的粮堆表层平均温度。
研究某区域一个高大平房仓小麦粮堆423天的气象数据及对应的粮堆表层平均温度,该区域的气象数据从气象数据网上获得,本实施例中气象数据包括气压、气温、相对湿度、降水量、蒸发量、风速、日照时数和0cm地面温度;作为其他实施方式,还可以存在其他气象因素的数据,当然,也可以选取上述 8个气象因素中的几个作为研究对象。
粮堆表层平均温度可以通过设在粮堆表层不同位置的多组温度传感器实时监控,并经过平均计算得到。温度传感器采用一线总线通信协议,封装在一种电缆内部,敷设在粮堆内部。本实施例中粮温记录时间为每日上午9~10时,温度采样频率为每日一次;作为其他实施方式,也可以监控一天内其他时间点的温度,或者一天采集多个时间点的温度。
2)对气象数据及粮堆表层平均温度数据进行预处理,去除异常的数据点。
一般通过传感器检测的数据都会记录一些异常值。在数据处理中,异常点的出现会使得函数的梯度出现奇异梯度,这就导致算法的终止,从而影响研究变量之间的函数关系。为了有效的避免这些异常点造成的损失,在本实施例中,采用Pauta准则方法来检测和去除异常值,详细过程如下。
步骤1:令Xi,i=1,2,...,n,为第i个检测数据值,计算某特征的样本均值为:
步骤2:计算样本的残差和样本标准差:
步骤3:对于所有Xi,i=1,2,...,n,如果|ei|>3σ,将该Xi视为异常值,并将其替换为算术平均值
步骤4:重复上述3个步骤,直到遍历所有值。
3)对预处理后的气象数据及粮堆表层平均温度数据进行标准化处理。
由于上述各气象因素数据具有不同的量纲和数量级,如果直接用原始数据对粮堆表层平均温度进行预测,就会突出数值较高的指标在综合分析中的作用,相对削弱数值水平较低指标的作用。因此,为了保证预测结果的准确性,对原始数据进行标准化处理。本实施例中使用z-score标准化方法,标准化过程如下:
其中,为某样本的所有样本数据的均值,σ为该样本的所有样本数据的标准差。
如图2所示,为粮堆表层平均温度与气温随时间的变化规律。可以看出粮堆表层温度和气温的变化趋势一致,但随气温变化有一定的延迟,气温的最大值是在6月份,而粮堆表层平均温度的最大值在9月份。其原因可能是因为粮食籽粒本身的不良导热性以及储粮粮仓仓壁具有较好的隔热性能。
如图3-图8所示,分析了粮堆表层平均温度与各气象因素变化之间的相会作用,显示了不同的气象因素对粮堆表层温度的影响,由图可以看出粮堆表层平均温度和气象因素中的气温,0cm地温,相对湿度呈现较强的正相关关系,和其他因素相关性较弱。如图9-图11所示,为几个气象因素之间的相互作用,显示了不同气象因素之间的相互影响,可以看出,气温与0cm地温呈现较强的正相关性,气温和相对湿度、日照时数和相对湿度呈现一定的负相关性。数据分析的目的是为了直观了解粮堆表层温度是如何依赖多种气象组合指标变化的,而不是从单一气象指标去预测。
4)对标准化后的气象数据及对应的粮堆表层平均温度训练得到粮堆表层平均温度与气象数据的关系模型。
把获取的粮堆表层平均温度及气象数据作为随季节变化的时间序列,通过分析建立时间序列模型。在时间序列模型中探索气象8个因素和粮堆表层平均温度之间的函数关系模型,表示为粮堆表层平均温度=F(气压,气温,相对湿度,降水量,蒸发量,风速,日照时数,0cm地面温度),F是使用不同回归方法确定的函数。其中,通过z-score标准化方法的逆过程把粮堆表层平均温度反缩放回原始值。
保留每个变量指标的单位:气压单位为hPa,气温单位为摄氏度,相对湿度百分比介于0%至100%之间,降水量单位为毫米,蒸发量单位为毫米,风速单位为米/秒,日照时数单位为小时,0cm的地温单位为摄氏度。
采用的回归方法不唯一,例如,线性最小二乘回归方法、支持向量机回归方法等,其中支持向量机回归方法中还可以根据不同的核函数得到不同的函数关系模型。
5)获取待预测时刻的预测气象数据,并根据关系模型确定待预测时刻的粮堆表层平均温度。
通过预测的气象数据,结合关系模型即可得到对应的粮堆表层平均温度,实现了温度的预测。
本发明将上述采集的数据分为训练集和测试集,对不同的回归方法进行了关系模型的训练和对关系模型的测试,过程如下:
1、线性最小二乘回归方法:
最小二乘是在欧氏距离为误差度量的情况下,由系数矩阵所张成的向量空间内对于观测向量的最佳逼近点,拟合函数是光滑函数,因此首先应用线性最小二乘回归方法来预测粮堆表层温度,最小二乘回归使通过气象因素预测的粮堆表层温度均值与真实值之间的平方差总和最小。用最小二乘法进行曲线拟合,得到的拟合函数为:
粮堆表层平均温度=0.29*气压+1.09*气温+0.41*相对湿度+0.01*降水量+0.02*日照时长-0.02*蒸发量-0.04*风速-0.56*0cm地温。
预测结果和实际结果的对比,如图12所示。在线性最小二乘预测模型中,由于不同气象因素对粮堆表层均温的影响程度不同,不同气象表现出不同的权重,气温、0cm地温、相对湿度的系数较大,系数较小的气象因素对粮堆表层均温的影响程度也较小。
2、支持向量机回归方法:
由于不同气象因素之间也有相互影响,考虑综合所有因素的复杂性,一些样本不能在二维空间中线性划分,将样本映射到高维空间,可以实现更好的可分离性表现。支持向量机(SVM)回归的准确性取决于适当的核函数和参数的选择。本发明分别采用支持向量机中的线性核函数、多项式核函数和高斯径向基函数(RBF)核函数作为核函数,将数据从输入空间转换为高维数据特征空间来预测粮堆表层平均温度。
对于线性核,特征空间到输入空间的维度是一样的,其参数少且速度快。把收集到的423天的气象数据及粮堆表层平均温度做数据样本,每一天的粮堆表层平均温度对应同一天的气象8个因素,随机选取80%的样本做训练集,20%的样本做测试集,预测结果与实际结果的对比如图13所示。由于粮食储藏过程中的通风及翻仓作业,收集到一个周期内的样本量有限,且特征维数较少,多项式核函数可以实现将低维的输入空间映射到高维的特征空间,相应的计算复杂度也会增加。
用多项式核函数得到的对粮堆表层平均温度的预测结果与实际结果的对比如图14所示。
高斯径向基核函数是一种局部性强的核函数,其可以将一个样本映射到一个更高维的空间内,该核函数是应用最广的一个,无论大样本还是小样本都有较好的性能,而且相对于多项式核函数参数要少,利用高斯径向基核函数对粮堆表层平均温度得到的预测结果与实际结果的对比如图15所示。
本发明定量分析不同核函数及线性最小二乘回归所对应模型的有效性,用均方根误差作为评价指标,均方根误差是用来衡量观测值同真值之间的偏差,它对一组测量中的特大或特小误差反映非常敏感,所以,标准误差能够很好地反映出测量的精密度,因此,选用均方根误差作为评价指标,对比结果如图16 所示。线性最小二乘预测的均方根误差与SVM中线性核函数预测的均方根误差相近,分别为5.243和5.249,SVM中多项式核函数预测和RBF核函数预测的均方根误差分别为4.69和4.45。由此可知气象因素与粮堆表层平均温度之间并非简单的线性关系,而是综合多因素的复杂预测问题,由于高斯径向基核函数相对较好的性能,其预测结果也最优。
系统实施例:
本发明提供一种基于气象数据预测仓储粮堆表层温度的系统,包括存储器、处理器以及存储在存储器中并可在处理器上运行的计算机程序,处理器执行程序时实现上述的基于气象数据预测仓储粮堆表层温度的方法,该方法已在上述方法实施例中具体说明,在此不再赘述。
以上给出了本发明涉及的具体实施方式,但本发明不局限于所描述的实施方式。在本发明给出的思路下,采用对本领域技术人员而言容易想到的方式对上述实施例中的技术手段进行变换、替换、修改,并且起到的作用与本发明中的相应技术手段基本相同、实现的发明目的也基本相同,这样形成的技术方案是对上述实施例进行微调形成的,这种技术方案仍落入本发明的保护范围内。
Claims (7)
1.一种基于气象数据预测仓储粮堆表层温度的方法,其特征在于,包括以下步骤:
1)获取设定时间段内的气象数据及与气象数据的时间对应的粮堆表层平均温度,气象数据包括气压、气温、相对湿度、降水量、蒸发量、风速、日照时数和0cm地面温度;
2)对气象数据及粮堆表层平均温度数据进行预处理,去除异常的数据点;
3)对预处理后的气象数据及粮堆表层平均温度数据进行标准化处理;
4)对标准化后的气象数据及对应的粮堆表层平均温度训练得到粮堆表层平均温度与气象数据的关系模型;
5)获取待预测时刻的预测气象数据,并根据所述关系模型确定待预测时刻的粮堆表层平均温度。
2.根据权利要求1所述的基于气象数据预测仓储粮堆表层温度的方法,其特征在于,步骤4)中对标准化后的气象数据及对应的粮堆表层平均温度利用线性最小二乘回归方法训练得到粮堆表层平均温度与气象数据的关系模型。
3.根据权利要求1所述的基于气象数据预测仓储粮堆表层温度的方法,其特征在于,步骤4)中对标准化后的气象数据及对应的粮堆表层平均温度利用支持向量机训练得到粮堆表层平均温度与气象数据的关系模型。
4.根据权利要求3所述的基于气象数据预测仓储粮堆表层温度的方法,其特征在于,所述支持向量机中采用的核函数为线性核函数、多项式核函数或者高斯径向基核函数。
5.根据权利要求1、2、3或4所述的基于气象数据预测仓储粮堆表层温度的方法,其特征在于,所述预处理采用Pauta准则方法。
6.根据权利要求1、2、3或4所述的基于气象数据预测仓储粮堆表层温度的方法,其特征在于,所述标准化处理采用z-score标准化方法。
7.一种基于气象数据预测仓储粮堆表层温度的系统,包括存储器、处理器以及存储在存储器中并可在处理器上运行的计算机程序,其特征在于,所述处理器执行所述程序时实现权利要求1-6中任一项所述的基于气象数据预测仓储粮堆表层温度的方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910631385.4A CN110348520A (zh) | 2019-07-12 | 2019-07-12 | 一种基于气象数据预测仓储粮堆表层温度的方法和系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910631385.4A CN110348520A (zh) | 2019-07-12 | 2019-07-12 | 一种基于气象数据预测仓储粮堆表层温度的方法和系统 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN110348520A true CN110348520A (zh) | 2019-10-18 |
Family
ID=68175207
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201910631385.4A Pending CN110348520A (zh) | 2019-07-12 | 2019-07-12 | 一种基于气象数据预测仓储粮堆表层温度的方法和系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN110348520A (zh) |
Cited By (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110850043A (zh) * | 2019-10-24 | 2020-02-28 | 江苏周髀云算数据技术有限公司 | 一种基于gra-bpnn的粮食温湿度预测方法 |
CN112884219A (zh) * | 2021-02-07 | 2021-06-01 | 上海眼控科技股份有限公司 | 地面结冰预测方法、装置、电子设备和存储介质 |
CN114814130A (zh) * | 2022-03-04 | 2022-07-29 | 北京工业大学 | 一种基于非奇异梯度下降算法的区间二型模糊神经网络的出水总氮智能检测方法 |
Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102110243A (zh) * | 2009-12-23 | 2011-06-29 | 新奥特(北京)视频技术有限公司 | 一种人体舒适度的预测方法 |
CN105426956A (zh) * | 2015-11-06 | 2016-03-23 | 国家电网公司 | 一种超短期光伏预测方法 |
US20180165552A1 (en) * | 2016-12-12 | 2018-06-14 | National Chung Shan Institute Of Science And Technology | All-weather thermal-image pedestrian detection method |
CN109242159A (zh) * | 2018-08-17 | 2019-01-18 | 华北电力大学 | 一种新型输电线路覆冰预测方法 |
-
2019
- 2019-07-12 CN CN201910631385.4A patent/CN110348520A/zh active Pending
Patent Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102110243A (zh) * | 2009-12-23 | 2011-06-29 | 新奥特(北京)视频技术有限公司 | 一种人体舒适度的预测方法 |
CN105426956A (zh) * | 2015-11-06 | 2016-03-23 | 国家电网公司 | 一种超短期光伏预测方法 |
US20180165552A1 (en) * | 2016-12-12 | 2018-06-14 | National Chung Shan Institute Of Science And Technology | All-weather thermal-image pedestrian detection method |
CN109242159A (zh) * | 2018-08-17 | 2019-01-18 | 华北电力大学 | 一种新型输电线路覆冰预测方法 |
Non-Patent Citations (3)
Title |
---|
彭延铭等: "《数值计算》", 30 June 1999, 北京:高等教育出版社 * |
湖北省粮食局教育基层处编: "《粮店经营与管理》", 31 October 1987, 中国商业出版社 * |
胡向阳: "《生活中的晴雨表:应用气象》", 30 September 1998, 北京:中国建材工业出版社 * |
Cited By (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110850043A (zh) * | 2019-10-24 | 2020-02-28 | 江苏周髀云算数据技术有限公司 | 一种基于gra-bpnn的粮食温湿度预测方法 |
CN112884219A (zh) * | 2021-02-07 | 2021-06-01 | 上海眼控科技股份有限公司 | 地面结冰预测方法、装置、电子设备和存储介质 |
CN114814130A (zh) * | 2022-03-04 | 2022-07-29 | 北京工业大学 | 一种基于非奇异梯度下降算法的区间二型模糊神经网络的出水总氮智能检测方法 |
CN114814130B (zh) * | 2022-03-04 | 2024-04-26 | 北京工业大学 | 一种基于非奇异梯度下降算法的区间二型模糊神经网络的出水总氮智能检测方法 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN110348520A (zh) | 一种基于气象数据预测仓储粮堆表层温度的方法和系统 | |
CN105518432B (zh) | 检测设备、检测方法以及计算机可读介质 | |
CN102072922A (zh) | 基于粒子群优化神经网络模型的木材含水率检测方法 | |
CN104598654A (zh) | 点火提前角预测系统及其方法 | |
CN111126662A (zh) | 基于大数据的灌溉决策制定方法、装置、服务器和介质 | |
CN114417954B (zh) | 一种提升食品检测效果的信息处理方法及系统 | |
CN113435593B (zh) | 基于传感器时序数据分析的制冷设备结霜预测方法 | |
CN117007984B (zh) | 一种电池包运行故障动态监测方法及系统 | |
CN109959765A (zh) | 三文鱼新鲜度检测系统及方法 | |
CN103575764B (zh) | 一种基于支持向量机算法优化的蜂蜜检测方法 | |
CN112232387A (zh) | 基于lselm-rfe的粮食作物病害症状的有效特征识别方法 | |
Hamidisepehr et al. | Moisture content classification of soil and stalk residue samples from spectral data using machine learning | |
Dell’Aquila | Computerised seed imaging: a new tool to evaluate germination quality | |
CN110531039A (zh) | 一种基于WiFi设备的粮食霉变检测方法及装置 | |
CN116894514A (zh) | 一种基于土壤质量指标的作物产量预测方法及系统 | |
Zhou et al. | Analyzing nitrogen effects on rice panicle development by panicle detection and time-series tracking | |
CN113962638B (zh) | 一种智能果蔬质量检测方法及系统 | |
CN115310648A (zh) | 一种基于多气象变量模型识别的中长期风电功率组合预测方法 | |
CN113933334B (zh) | 一种基于特征选择和机器学习算法的洋槐蜜真伪鉴别方法 | |
Kusbandhini et al. | Rice shelf-life prediction using support vector regression algorithm based on electronic nose dataset | |
CN113553708A (zh) | 一种溯源仿真模型关键影响因素的方法和装置 | |
CN110414583A (zh) | 一种基于可拓关联函数的改进密度峰值聚类方法 | |
Qing-Dao-Er-Ji et al. | Research on data mining algorithm of meteorological observation based on data quality control algorithm | |
CN113349020B (zh) | 一种设施蔬菜精准浇水的方法、装置和电子设备 | |
CN108009647A (zh) | 设备记录处理方法、装置、计算机设备和存储介质 |
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 | ||
RJ01 | Rejection of invention patent application after publication | ||
RJ01 | Rejection of invention patent application after publication |
Application publication date: 20191018 |