CN111027908A - 一种基于机器学习的智能粮仓管控方法及终端 - Google Patents

一种基于机器学习的智能粮仓管控方法及终端 Download PDF

Info

Publication number
CN111027908A
CN111027908A CN201911257299.8A CN201911257299A CN111027908A CN 111027908 A CN111027908 A CN 111027908A CN 201911257299 A CN201911257299 A CN 201911257299A CN 111027908 A CN111027908 A CN 111027908A
Authority
CN
China
Prior art keywords
sampling inspection
personnel
sampling
input
neural network
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
Application number
CN201911257299.8A
Other languages
English (en)
Inventor
蒋维
潘虹飞
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Fujian Ruida Precision Co ltd
Original Assignee
Fujian Ruida Precision Co ltd
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Fujian Ruida Precision Co ltd filed Critical Fujian Ruida Precision Co ltd
Priority to CN201911257299.8A priority Critical patent/CN111027908A/zh
Publication of CN111027908A publication Critical patent/CN111027908A/zh
Pending legal-status Critical Current

Links

Images

Classifications

    • 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
    • G06Q10/08—Logistics, e.g. warehousing, loading or distribution; Inventory or stock management
    • G06Q10/087—Inventory or stock management, e.g. order filling, procurement or balancing against orders
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N20/00—Machine learning
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/04—Architecture, e.g. interconnection topology
    • G06N3/044—Recurrent networks, e.g. Hopfield networks
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/04—Architecture, e.g. interconnection topology
    • G06N3/045—Combinations of networks
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/08—Learning methods
    • G06N3/084—Backpropagation, e.g. using gradient descent
    • 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
    • G06Q50/00—Information and communication technology [ICT] specially adapted for implementation of business processes of specific business sectors, e.g. utilities or tourism
    • G06Q50/02—Agriculture; Fishing; Forestry; Mining

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Business, Economics & Management (AREA)
  • Software Systems (AREA)
  • Mathematical Physics (AREA)
  • General Engineering & Computer Science (AREA)
  • Data Mining & Analysis (AREA)
  • Evolutionary Computation (AREA)
  • General Health & Medical Sciences (AREA)
  • Health & Medical Sciences (AREA)
  • Computing Systems (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Artificial Intelligence (AREA)
  • Biomedical Technology (AREA)
  • Biophysics (AREA)
  • Computational Linguistics (AREA)
  • Molecular Biology (AREA)
  • Economics (AREA)
  • Marketing (AREA)
  • Human Resources & Organizations (AREA)
  • General Business, Economics & Management (AREA)
  • Tourism & Hospitality (AREA)
  • Strategic Management (AREA)
  • Quality & Reliability (AREA)
  • Finance (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Operations Research (AREA)
  • Accounting & Taxation (AREA)
  • Medical Informatics (AREA)
  • Development Economics (AREA)
  • Entrepreneurship & Innovation (AREA)
  • Agronomy & Crop Science (AREA)
  • Animal Husbandry (AREA)
  • Marine Sciences & Fisheries (AREA)
  • Mining & Mineral Resources (AREA)
  • Primary Health Care (AREA)
  • Feedback Control In General (AREA)

Abstract

本发明公开了一种基于机器学习的智能粮仓管控方法及终端，获取智能粮仓的待预测输入因子，将待预测输入因子发送至粮仓分析决策模型中，以得到人员调度策略，粮仓分析决策模型包括使用误差逆向传播算法训练的多层前馈神经网络所建立的前馈模型，人员调度策略包括抽检人员、抽检对象和抽检时间；本发明通过对历史数据进行学习以得到粮仓分析决策模型，采用误差逆向传播算法训练的多层前馈神经网络所建立的前馈模型，使网络的输出误差不断减小，从而呈现出更精细的预测和溯源结果；基于上述模型来找到最佳的人工调度策略，从而为政府粮食部门和仓储企业进行粮食管理的人员调配，提供了直观、清晰的有效手段，以实现最优化的人工调度。

Description

一种基于机器学习的智能粮仓管控方法及终端
技术领域
本发明涉及智能粮仓管理领域，特别涉及一种基于机器学习的智能粮仓管控方法及终端。
背景技术
粮食是国家的三大战略资源之一，维持一定数量、品种和品质粮食的储备，是保证国家粮食安全必不可少的措施，粮食仓储技术一直受国家战备物资的重视，我国目前共有各类粮库27000余家。
储粮仓中的粮食与储粮仓外的环境气体温湿度等条件是息息相关。由于粮食具有自发热特性，粮堆的温度、湿度随外界的季节性变化，会引起粮食发热霉变，造成粮食的品质变化。而低温保存，会使得储粮仓的湿度调节功能变差。
传统方式采用人工定期进仓检查。作业人员必须三人以上一起进仓，且每次进仓连续不能超过半个小时，在低氧的仓内环境下，需人工带上空气呼吸器，筛具进仓检查，这种方式不仅效率低，而且由于抽样不彻底。
近年以来，通过温湿度传感器的智能粮仓越来越多得到应用。小的储粮设备一般采用小型测温仪检测粮温，大型储粮设备已经逐步配备微机测温系统。但是不论使用哪种系统，都无法避免如下问题：粮食是一种不良导体，测温传感器采集的环境温度是传感器周围的温度，随着季节等因素，不同类型、不同堆积密度的粮食自发热聚集程度不同，测温传感器获取的温度具有一定的滞后性。
发明内容
本发明所要解决的技术问题是：提供一种基于机器学习的智能粮仓管控方法及终端，以实现精确的预测效果和最优化的人工调度。
为了解决上述技术问题，本发明采用的技术方案为：
一种基于机器学习的智能粮仓管控方法，包括步骤：
S1、获取智能粮仓的待预测输入因子，将所述待预测输入因子发送至粮仓分析决策模型中，以得到人员调度策略，所述粮仓分析决策模型包括使用误差逆向传播算法训练的多层前馈神经网络所建立的前馈模型，所述人员调度策略包括抽检人员、抽检对象、抽检时间以及抽检路径。
为了解决上述技术问题，本发明采用的另一种技术方案为：
一种基于机器学习的智能粮仓管控终端，包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序，所述处理器执行所述计算机程序时实现以下步骤：
S1、获取智能粮仓的待预测输入因子，将所述待预测输入因子发送至粮仓分析决策模型中，以得到人员调度策略，所述粮仓分析决策模型包括使用误差逆向传播算法训练的多层前馈神经网络所建立的前馈模型，所述人员调度策略包括抽检人员、抽检对象、抽检时间以及抽检路径。
本发明的有益效果在于：一种基于机器学习的智能粮仓管控方法及终端，通过对历史数据进行学习以得到粮仓分析决策模型，采用误差逆向传播算法训练的多层前馈神经网络所建立的前馈模型，使网络的输出误差不断减小，从而呈现出更精细的预测和溯源结果；基于上述模型来找到最佳的人工调度策略，从而为政府粮食部门和仓储企业进行粮食管理的人员调配，提供了直观、清晰的有效手段，以实现最优化的人工调度。
附图说明
图1为本发明实施例的一种基于机器学习的智能粮仓管控方法的流程示意图；
图2为本发明实施例的一种基于机器学习的智能粮仓管控终端的结构示意图。
标号说明：
1、一种基于机器学习的智能粮仓管控终端；2、处理器；3、存储器。
具体实施方式
为详细说明本发明的技术内容、所实现目的及效果，以下结合实施方式并配合附图予以说明。
请参照图1，一种基于机器学习的智能粮仓管控方法，包括步骤：
S1、获取智能粮仓的待预测输入因子，将所述待预测输入因子发送至粮仓分析决策模型中，以得到人员调度策略，所述粮仓分析决策模型包括使用误差逆向传播算法训练的多层前馈神经网络所建立的前馈模型，所述人员调度策略包括抽检人员、抽检对象、抽检时间以及抽检路径。
从上述描述可知，本发明的有益效果在于：通过对历史数据进行学习以得到粮仓分析决策模型，采用误差逆向传播算法训练的多层前馈神经网络所建立的前馈模型，使网络的输出误差不断减小，从而呈现出更精细的预测和溯源结果；基于上述模型来找到最佳的人工调度策略，从而为政府粮食部门和仓储企业进行粮食管理的人员调配，提供了直观、清晰的有效手段，以实现最优化的人工调度。
进一步地，得到所述步骤S1中的前馈模型的具体步骤为：
S11、构建初始化BP神经网络模型，所述初始化BP神经网络模型包括输入层、隐含层和输出层；
S12、获取历史数据，将所述历史数据分为训练集和测试集，使用所述训练集中的样本数据对所述初始化BP神经网络模型进行训练，得到已训练BP神经网络模型；
S13、使用所述测试集中的样本数据对已训练BP神经网络模型进行测试，在测试通过后输出为前馈模型。
从上述描述可知，提供一种得到前馈模型的较佳实施例，通过划分测试集和训练集，使得在样本足够多的情况下不会改变训练集和测试集的数据分布，而测试集上预测准确度能够更好的衡量整个模型的准确情况。
进一步地，所述BP神经网络模型的输入因子包括对象因子和人员因子，所述对象因子包括粮食品种、堆垛内部温度、堆垛外部温度、堆垛内部湿度、堆垛外部温度、大气温度、大气湿度、季节以及堆垛压力，所述人员因子包括内部年龄、性别、各类型堆垛平均工作时长以及预设时间内抽检作业评率；
所述步骤S12中“使用所述训练集中的样本数据对所述初始化BP神经网络模型进行训练”包括：
S121、选用Sigmoid函数作为所述BP神经网络模型的激活函数；
S122、将输入层的第P个训练样本输入到隐含层的BP网络神经单元上，通过所述Sigmoid函数以得到隐含层第j个神经元的输出信息为：
Figure BDA0002310638580000041
所述Wij为输入层第i个神经元到隐含层第j个神经元的权重值，所述XP为第P个训练样本在输入层的第i个输入值，所述
Figure BDA0002310638580000042
为隐含层第j个神经元的阈值，所述输入层的每一个神经元对应一个输入因子，所述Wij的取值范围为(-1，1)；
S123、使用所述训练集中的样本数据进行训练，对每一个样本数据执行步骤S124；
S124、将样本数据作为输入层的输入信号，依次经隐含层、输出层，以得到实际输出结果，判断所述实际输出结果与所述样本数据中所对应的期望输出结果是否存在误差，若是，则得到误差信号，将所述误差信号由输出端开始逐层回传，同时按照预设规则与所述误差信号对每一个神经单元的权重值和阈值进行调整，所述误差信号为所述实际输出结果与所述期望输出结果之间的差值。
从上述描述可知，对具有多因素性、不确定性、随机性、非线性的空气污染历史数据作为输入训练因子，使用误差性能函数的最速下降法，通过误差的反向传播来逐渐调整网络的权值和阈值，使网络的输出误差不断减小，从而呈现出更精细的预测和溯源结果。
进一步地，所述步骤S12中“获取历史数据”还包括以下步骤：
通过SVM分类器对所述历史数据中的输入因子进行适应度评估，以得到输入因子的关键特征。
从上述描述可知，随着样本量的增加，SVM分类器能够自适应不断优化完善，每次输入新的样本，根据交叉验证法原理，计算SVM分类器识别率，进行适应度评估，不设定遗传算法的终止值，终止条件采用比高法，如果训练的识别率高于现有则设为最优参数，否则，执行选择、交叉和变异等操作进一步优化训练参数，从而在保留有效的关键特征的同时降低数据的处理量。
进一步地，训练所述粮仓分析决策模型还包括以下步骤：
获取样本数据中的抽检对象、抽检时间和抽检人员，得到所有样本数据的抽检对象均值S1、抽检时间均值S2以及抽检人员均值S3；
对所述抽检对象均值S1、抽检时间均值S2以及抽检人员均值S3进行小波变换以得到小波熵，记为特征向量P1；对所述抽检对象均值S1、抽检时间均值S2以及抽检人员均值S3进行希尔伯特黄变换以得到Hilbert-Huang熵，记为特征向量P2；对所述抽检对象均值S1、抽检时间均值S2以及抽检人员均值S3进行奇异值分解得到奇异值第一主成分，记为特征向量P3；
通过Welch算法计算所述抽检对象的自功率谱密度，记为Pxx(f1)，通过Welch算法计算所述抽检人员的自功率谱密度，记为Pyy(f2)，通过Welch算法计算所述抽检对象与所述抽检人员的互功率谱密度，记为Pxy(f1f2)，根据相干函数得到所述抽检对象与所述抽检人员的相干系数C1，依次获得所述抽检对象与所述抽检时间的相干系数C2以及所述抽检时间与所述抽检人员的相干系数C3；
结合所述特征向量P1、特征向量P2、特征向量P3、相干系数C1、相干系数C2、相干系数C3以及评分函数对每一次所述抽检对象和抽检时间进行评分；
所述相干函数为：Cohxy(f1f2)＝|Pxy(f1f2)|2/[Pxx(f1)*Pyy(f2)]；
所述评分函数为：
Figure BDA0002310638580000051
所述S1i、S2i、S3i分别为样本数据中第i个数据的抽检对象、抽检时间、抽检人员，所述N为样本数量。
从上述描述可知，建立个性化的抽检对象、抽检时间与抽检人员所形成的三角环境处理效率采集与评估模型，从而实现最优化的人员调度策略。
请参照图2，一种基于机器学习的智能粮仓管控终端，包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序，所述处理器执行所述计算机程序时实现以下步骤：
S1、获取智能粮仓的待预测输入因子，将所述待预测输入因子发送至粮仓分析决策模型中，以得到人员调度策略，所述粮仓分析决策模型包括使用误差逆向传播算法训练的多层前馈神经网络所建立的前馈模型，所述人员调度策略包括抽检人员、抽检对象、抽检时间以及抽检路径。
从上述描述可知，本发明的有益效果在于：通过对历史数据进行学习以得到粮仓分析决策模型，采用误差逆向传播算法训练的多层前馈神经网络所建立的前馈模型，使网络的输出误差不断减小，从而呈现出更精细的预测和溯源结果；基于上述模型来找到最佳的人工调度策略，从而为政府粮食部门和仓储企业进行粮食管理的人员调配，提供了直观、清晰的有效手段，以实现最优化的人工调度。
进一步地，得到所述步骤S1中的前馈模型中，所述处理器执行所述计算机程序时具体实现以下步骤：
S11、构建初始化BP神经网络模型，所述初始化BP神经网络模型包括输入层、隐含层和输出层；
S12、获取历史数据，将所述历史数据分为训练集和测试集，使用所述训练集中的样本数据对所述初始化BP神经网络模型进行训练，得到已训练BP神经网络模型；
S13、使用所述测试集中的样本数据对已训练BP神经网络模型进行测试，在测试通过后输出为前馈模型。
从上述描述可知，提供一种得到前馈模型的较佳实施例，通过划分测试集和训练集，使得在样本足够多的情况下不会改变训练集和测试集的数据分布，而测试集上预测准确度能够更好的衡量整个模型的准确情况。
进一步地，所述BP神经网络模型的输入因子包括对象因子和人员因子，所述对象因子包括粮食品种、堆垛内部温度、堆垛外部温度、堆垛内部湿度、堆垛外部温度、大气温度、大气湿度、季节以及堆垛压力，所述人员因子包括内部年龄、性别、各类型堆垛平均工作时长以及预设时间内抽检作业评率；
所述步骤S12中“使用所述训练集中的样本数据对所述初始化BP神经网络模型进行训练”包括：
S121、选用Sigmoid函数作为所述BP神经网络模型的激活函数；
S122、将输入层的第P个训练样本输入到隐含层的BP网络神经单元上，通过所述Sigmoid函数以得到隐含层第j个神经元的输出信息为：
Figure BDA0002310638580000071
所述Wij为输入层第i个神经元到隐含层第j个神经元的权重值，所述XP为第P个训练样本在输入层的第i个输入值，所述
Figure BDA0002310638580000072
为隐含层第j个神经元的阈值，所述输入层的每一个神经元对应一个输入因子，所述Wij的取值范围为(-1，1)；
S123、使用所述训练集中的样本数据进行训练，对每一个样本数据执行步骤S124；
S124、将样本数据作为输入层的输入信号，依次经隐含层、输出层，以得到实际输出结果，判断所述实际输出结果与所述样本数据中所对应的期望输出结果是否存在误差，若是，则得到误差信号，将所述误差信号由输出端开始逐层回传，同时按照预设规则与所述误差信号对每一个神经单元的权重值和阈值进行调整，所述误差信号为所述实际输出结果与所述期望输出结果之间的差值。
从上述描述可知，对具有多因素性、不确定性、随机性、非线性的空气污染历史数据作为输入训练因子，使用误差性能函数的最速下降法，通过误差的反向传播来逐渐调整网络的权值和阈值，使网络的输出误差不断减小，从而呈现出更精细的预测和溯源结果。
进一步地，所述步骤S12中“获取历史数据”还包括以下步骤：
通过SVM分类器对所述历史数据中的输入因子进行适应度评估，以得到输入因子的关键特征。
从上述描述可知，随着样本量的增加，SVM分类器能够自适应不断优化完善，每次输入新的样本，根据交叉验证法原理，计算SVM分类器识别率，进行适应度评估，不设定遗传算法的终止值，终止条件采用比高法，如果训练的识别率高于现有则设为最优参数，否则，执行选择、交叉和变异等操作进一步优化训练参数，从而在保留有效的关键特征的同时降低数据的处理量。
进一步地，训练所述粮仓分析决策模型还包括以下步骤：
获取样本数据中的抽检对象、抽检时间和抽检人员，得到所有样本数据的抽检对象均值S1、抽检时间均值S2以及抽检人员均值S3；
对所述抽检对象均值S1、抽检时间均值S2以及抽检人员均值S3进行小波变换以得到小波熵，记为特征向量P1；对所述抽检对象均值S1、抽检时间均值S2以及抽检人员均值S3进行希尔伯特黄变换以得到Hilbert-Huang熵，记为特征向量P2；对所述抽检对象均值S1、抽检时间均值S2以及抽检人员均值S3进行奇异值分解得到奇异值第一主成分，记为特征向量P3；
通过Welch算法计算所述抽检对象的自功率谱密度，记为Pxx(f1)，通过Welch算法计算所述抽检人员的自功率谱密度，记为Pyy(f2)，通过Welch算法计算所述抽检对象与所述抽检人员的互功率谱密度，记为Pxy(f1f2)，根据相干函数得到所述抽检对象与所述抽检人员的相干系数C1，依次获得所述抽检对象与所述抽检时间的相干系数C2以及所述抽检时间与所述抽检人员的相干系数C3；
结合所述特征向量P1、特征向量P2、特征向量P3、相干系数C1、相干系数C2、相干系数C3以及评分函数对每一次所述抽检对象和抽检时间进行评分；
所述相干函数为：Cohxy(f1f2)＝|Pxy(f1f2)|2/[Pxx(f1)*Pyy(f2)]；
所述评分函数为：
Figure BDA0002310638580000081
所述S1i、S2i、S3i分别为样本数据中第i个数据的抽检对象、抽检时间、抽检人员，所述N为样本数量。
从上述描述可知，建立个性化的抽检对象、抽检时间与抽检人员所形成的三角环境处理效率采集与评估模型，从而实现最优化的人员调度策略。
请参照图1，本发明的实施例一为：
一种基于机器学习的智能粮仓管控方法，包括步骤：
S1、获取智能粮仓的待预测输入因子，将待预测输入因子发送至粮仓分析决策模型中，以得到人员调度策略，粮仓分析决策模型包括使用误差逆向传播算法训练的多层前馈神经网络所建立的前馈模型，人员调度策略包括抽检人员、抽检对象、抽检时间以及抽检路径。
其中，得到步骤S1中的前馈模型的具体步骤为：
S11、构建初始化BP神经网络模型，初始化BP神经网络模型包括输入层、隐含层和输出层；
S12、获取历史数据，将历史数据分为训练集和测试集，使用训练集中的样本数据对初始化BP神经网络模型进行训练，得到已训练BP神经网络模型；
S13、使用测试集中的样本数据对已训练BP神经网络模型进行测试，在测试通过后输出为前馈模型。
其中，BP神经网络模型的输入因子包括对象因子和人员因子，对象因子包括粮食品种、堆垛内部温度、堆垛外部温度、堆垛内部湿度、堆垛外部温度、大气温度、大气湿度、季节以及堆垛压力，人员因子包括内部年龄、性别、各类型堆垛平均工作时长以及预设时间内抽检作业评率；
步骤S12中“使用训练集中的样本数据对初始化BP神经网络模型进行训练”包括：
S121、选用Sigmoid函数作为BP神经网络模型的激活函数；
S122、将输入层的第P个训练样本输入到隐含层的BP网络神经单元上，通过Sigmoid函数以得到隐含层第j个神经元的输出信息为：
Figure BDA0002310638580000091
Wij为输入层第i个神经元到隐含层第j个神经元的权重值，XP为第P个训练样本在输入层的第i个输入值，
Figure BDA0002310638580000092
为隐含层第j个神经元的阈值，输入层的每一个神经元对应一个输入因子，Wij的取值范围为(-1，1)；
S123、使用训练集中的样本数据进行训练，对每一个样本数据执行步骤S124；
S124、将样本数据作为输入层的输入信号，依次经隐含层、输出层，以得到实际输出结果，判断实际输出结果与样本数据中所对应的期望输出结果是否存在误差，若是，则得到误差信号，将误差信号由输出端开始逐层回传，同时按照预设规则与误差信号对每一个神经单元的权重值和阈值进行调整，误差信号为实际输出结果与期望输出结果之间的差值。
其中，步骤S12中“获取历史数据”还包括以下步骤：
通过SVM分类器对历史数据中的输入因子进行适应度评估，以得到输入因子的关键特征。
其中，步骤S12中“使用训练集中的样本数据对初始化BP神经网络模型进行训练”中还包括以下步骤：
获取样本数据中的抽检对象、抽检时间和抽检人员，得到所有样本数据的抽检对象均值S1、抽检时间均值S2以及抽检人员均值S3；
对抽检对象均值S1、抽检时间均值S2以及抽检人员均值S3进行小波变换以得到小波熵，记为特征向量P1；对抽检对象均值S1、抽检时间均值S2以及抽检人员均值S3进行希尔伯特黄变换以得到Hilbert-Huang熵，记为特征向量P2；对抽检对象均值S1、抽检时间均值S2以及抽检人员均值S3进行奇异值分解得到奇异值第一主成分，记为特征向量P3；
通过Welch算法计算抽检对象的自功率谱密度，记为Pxx(f1)，通过Welch算法计算抽检人员的自功率谱密度，记为Pyy(f2)，通过Welch算法计算抽检对象与抽检人员的互功率谱密度，记为Pxy(f1f2)，根据相干函数得到抽检对象与抽检人员的相干系数C1，依次获得抽检对象与抽检时间的相干系数C2以及抽检时间与抽检人员的相干系数C3；
结合特征向量P1、特征向量P2、特征向量P3、相干系数C1、相干系数C2、相干系数C3以及评分函数对每一次抽检对象和抽检时间进行评分；
相干函数为：Cohxy(f1f2)＝|Pxy(f1f2)|2/[Pxx(f1)*Pyy(f2)]
评分函数为：
Figure BDA0002310638580000111
S1i、S2i、S3i分别为样本数据中第i个数据的抽检对象、抽检时间、抽检人员，N为样本数量。
再针对评分最高的抽检对象和抽检时间的情况下，训练出评分最高的抽检路径，从而得到抽检人员最高效的抽检对象、抽检时间以及抽检路径。
由此可见，本申请的前预模型用来预测发热预警聚类，根据发热预警聚类，进行有效合理的作业人工调度，通过误差的反向传播来逐渐调整网络的权值和阈值，使网络的输出误差不断减小，通过遗传算法进行模型的关联校正，通过呈现出更精细的预测结果；通过蚁群算法+神经网络方式，找到抽检人员最高效的抽检对象、抽检时间以及抽检路径，从而实现最优化的人员调度策略。
请参照图2，本发明的实施例二为：
一种基于机器学习的智能粮仓管控终端1，包括存储器3、处理器2及存储在存储器3上并可在处理器2上运行的计算机程序，处理器2执行计算机程序时实现上述实施例一中的步骤。
综上所述，本发明提供的一种基于机器学习的智能粮仓管控方法及终端，通过对历史数据进行学习以得到粮仓分析决策模型，通过划分测试集和训练集，使得在样本足够多的情况下不会改变训练集和测试集的数据分布，而测试集上预测准确度能够更好的衡量整个模型的准确情况；对具有多因素性、不确定性、随机性、非线性的空气污染历史数据作为输入训练因子，并通过SVM分类器来实现在保留有效的关键特征的同时降低数据的处理量；使用误差性能函数的最速下降法，通过误差的反向传播来逐渐调整网络的权值和阈值，使网络的输出误差不断减小，从而呈现出更精细的预测和溯源结果；基于上述模型，通过建立个性化的抽检对象、抽检时间与抽检人员所形成的三角环境处理效率采集与评估模型，来找到最佳的人工调度策略，从而为政府粮食部门和仓储企业进行粮食管理的人员调配，提供了直观、清晰的有效手段，以实现最优化的人工调度。
以上所述仅为本发明的实施例，并非因此限制本发明的专利范围，凡是利用本发明说明书及附图内容所作的等同变换，或直接或间接运用在相关的技术领域，均同理包括在本发明的专利保护范围内。

Claims (10)

1.一种基于机器学习的智能粮仓管控方法，其特征在于，包括步骤：
S1、获取智能粮仓的待预测输入因子，将所述待预测输入因子发送至粮仓分析决策模型中，以得到人员调度策略，所述粮仓分析决策模型包括使用误差逆向传播算法训练的多层前馈神经网络所建立的前馈模型，所述人员调度策略包括抽检人员、抽检对象、抽检时间以及抽检路径。
2.根据权利要求1所述的一种基于机器学习的智能粮仓管控方法，其特征在于，得到所述步骤S1中的前馈模型的具体步骤为：
S11、构建初始化BP神经网络模型，所述初始化BP神经网络模型包括输入层、隐含层和输出层；
S12、获取历史数据，将所述历史数据分为训练集和测试集，使用所述训练集中的样本数据对所述初始化BP神经网络模型进行训练，得到已训练BP神经网络模型；
S13、使用所述测试集中的样本数据对已训练BP神经网络模型进行测试，在测试通过后输出为前馈模型。
3.根据权利要求2所述的一种基于机器学习的智能粮仓管控方法，其特征在于，所述BP神经网络模型的输入因子包括对象因子和人员因子，所述对象因子包括粮食品种、堆垛内部温度、堆垛外部温度、堆垛内部湿度、堆垛外部温度、大气温度、大气湿度、季节以及堆垛压力，所述人员因子包括内部年龄、性别、各类型堆垛平均工作时长以及预设时间内抽检作业评率；
所述步骤S12中“使用所述训练集中的样本数据对所述初始化BP神经网络模型进行训练”包括：
S121、选用Sigmoid函数作为所述BP神经网络模型的激活函数；
S122、将输入层的第P个训练样本输入到隐含层的BP网络神经单元上，通过所述Sigmoid函数以得到隐含层第j个神经元的输出信息为：
Figure FDA0002310638570000011
所述Wij为输入层第i个神经元到隐含层第j个神经元的权重值，所述XP为第P个训练样本在输入层的第i个输入值，所述
Figure FDA0002310638570000012
为隐含层第j个神经元的阈值，所述输入层的每一个神经元对应一个输入因子，所述Wij的取值范围为(-1，1)；
S123、使用所述训练集中的样本数据进行训练，对每一个样本数据执行步骤S124；
S124、将样本数据作为输入层的输入信号，依次经隐含层、输出层，以得到实际输出结果，判断所述实际输出结果与所述样本数据中所对应的期望输出结果是否存在误差，若是，则得到误差信号，将所述误差信号由输出端开始逐层回传，同时按照预设规则与所述误差信号对每一个神经单元的权重值和阈值进行调整，所述误差信号为所述实际输出结果与所述期望输出结果之间的差值。
4.根据权利要求3所述的一种基于机器学习的智能粮仓管控方法，其特征在于，所述步骤S12中“获取历史数据”还包括以下步骤：
通过SVM分类器对所述历史数据中的输入因子进行适应度评估，以得到输入因子的关键特征。
5.根据权利要求2所述的一种基于机器学习的智能粮仓管控方法，其特征在于，训练所述粮仓分析决策模型还包括以下步骤：
获取样本数据中的抽检对象、抽检时间和抽检人员，得到所有样本数据的抽检对象均值S1、抽检时间均值S2以及抽检人员均值S3；
对所述抽检对象均值S1、抽检时间均值S2以及抽检人员均值S3进行小波变换以得到小波熵，记为特征向量P1；对所述抽检对象均值S1、抽检时间均值S2以及抽检人员均值S3进行希尔伯特黄变换以得到Hilbert-Huang熵，记为特征向量P2；对所述抽检对象均值S1、抽检时间均值S2以及抽检人员均值S3进行奇异值分解得到奇异值第一主成分，记为特征向量P3；
通过Welch算法计算所述抽检对象的自功率谱密度，记为Pxx(f1)，通过Welch算法计算所述抽检人员的自功率谱密度，记为Pyy(f2)，通过Welch算法计算所述抽检对象与所述抽检人员的互功率谱密度，记为Pxy(f1f2)，根据相干函数得到所述抽检对象与所述抽检人员的相干系数C1，依次获得所述抽检对象与所述抽检时间的相干系数C2以及所述抽检时间与所述抽检人员的相干系数C3；
结合所述特征向量P1、特征向量P2、特征向量P3、相干系数C1、相干系数C2、相干系数C3以及评分函数对每一次所述抽检对象和抽检时间进行评分；
所述相干函数为：Cohxy(f1f2)＝|Pxy(f1f2)|2/[Pxx(f1)*Pyy(f2)]；
所述评分函数为：
Figure FDA0002310638570000031
所述S1i、S2i、S3i分别为样本数据中第i个数据的抽检对象、抽检时间、抽检人员，所述N为样本数量。
6.一种基于机器学习的智能粮仓管控终端，包括存储器、处理器及存储在存储器上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计算机程序时实现以下步骤：
S1、获取智能粮仓的待预测输入因子，将所述待预测输入因子发送至粮仓分析决策模型中，以得到人员调度策略，所述粮仓分析决策模型包括使用误差逆向传播算法训练的多层前馈神经网络所建立的前馈模型，所述人员调度策略包括抽检人员、抽检对象、抽检时间以及抽检路径。
7.根据权利要求6所述的一种基于机器学习的智能粮仓管控终端，其特征在于，得到所述步骤S1中的前馈模型中，所述处理器执行所述计算机程序时具体实现以下步骤：
S11、构建初始化BP神经网络模型，所述初始化BP神经网络模型包括输入层、隐含层和输出层；
S12、获取历史数据，将所述历史数据分为训练集和测试集，使用所述训练集中的样本数据对所述初始化BP神经网络模型进行训练，得到已训练BP神经网络模型；
S13、使用所述测试集中的样本数据对已训练BP神经网络模型进行测试，在测试通过后输出为前馈模型。
8.根据权利要求7所述的一种基于机器学习的智能粮仓管控终端，其特征在于，所述BP神经网络模型的输入因子包括对象因子和人员因子，所述对象因子包括粮食品种、堆垛内部温度、堆垛外部温度、堆垛内部湿度、堆垛外部温度、大气温度、大气湿度、季节以及堆垛压力，所述人员因子包括内部年龄、性别、各类型堆垛平均工作时长以及预设时间内抽检作业评率；
所述步骤S12中“使用所述训练集中的样本数据对所述初始化BP神经网络模型进行训练”包括：
S121、选用Sigmoid函数作为所述BP神经网络模型的激活函数；
S122、将输入层的第P个训练样本输入到隐含层的BP网络神经单元上，通过所述Sigmoid函数以得到隐含层第j个神经元的输出信息为：
Figure FDA0002310638570000041
所述Wij为输入层第i个神经元到隐含层第j个神经元的权重值，所述XP为第P个训练样本在输入层的第i个输入值，所述
Figure FDA0002310638570000042
为隐含层第j个神经元的阈值，所述输入层的每一个神经元对应一个输入因子，所述Wij的取值范围为(-1，1)；
S123、使用所述训练集中的样本数据进行训练，对每一个样本数据执行步骤S124；
S124、将样本数据作为输入层的输入信号，依次经隐含层、输出层，以得到实际输出结果，判断所述实际输出结果与所述样本数据中所对应的期望输出结果是否存在误差，若是，则得到误差信号，将所述误差信号由输出端开始逐层回传，同时按照预设规则与所述误差信号对每一个神经单元的权重值和阈值进行调整，所述误差信号为所述实际输出结果与所述期望输出结果之间的差值。
9.根据权利要求8所述的一种基于机器学习的智能粮仓管控终端，其特征在于，所述步骤S12中“获取历史数据”还包括以下步骤：
通过SVM分类器对所述历史数据中的输入因子进行适应度评估，以得到输入因子的关键特征。
10.根据权利要求7所述的一种基于机器学习的智能粮仓管控终端，其特征在于，训练所述粮仓分析决策模型还包括以下步骤：
获取样本数据中的抽检对象、抽检时间和抽检人员，得到所有样本数据的抽检对象均值S1、抽检时间均值S2以及抽检人员均值S3；
对所述抽检对象均值S1、抽检时间均值S2以及抽检人员均值S3进行小波变换以得到小波熵，记为特征向量P1；对所述抽检对象均值S1、抽检时间均值S2以及抽检人员均值S3进行希尔伯特黄变换以得到Hilbert-Huang熵，记为特征向量P2；对所述抽检对象均值S1、抽检时间均值S2以及抽检人员均值S3进行奇异值分解得到奇异值第一主成分，记为特征向量P3；
通过Welch算法计算所述抽检对象的自功率谱密度，记为Pxx(f1)，通过Welch算法计算所述抽检人员的自功率谱密度，记为Pyy(f2)，通过Welch算法计算所述抽检对象与所述抽检人员的互功率谱密度，记为Pxy(f1f2)，根据相干函数得到所述抽检对象与所述抽检人员的相干系数C1，依次获得所述抽检对象与所述抽检时间的相干系数C2以及所述抽检时间与所述抽检人员的相干系数C3；
结合所述特征向量P1、特征向量P2、特征向量P3、相干系数C1、相干系数C2、相干系数C3以及评分函数对每一次所述抽检对象和抽检时间进行评分；
所述相干函数为：Cohxy(f1f2)＝|Pxy(f1f2)|2/[Pxx(f1)*Pyy(f2)]；
所述评分函数为：
Figure FDA0002310638570000051
所述S1i、S2i、S3i分别为样本数据中第i个数据的抽检对象、抽检时间、抽检人员，所述N为样本数量。
CN201911257299.8A 2019-12-10 2019-12-10 一种基于机器学习的智能粮仓管控方法及终端 Pending CN111027908A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201911257299.8A CN111027908A (zh) 2019-12-10 2019-12-10 一种基于机器学习的智能粮仓管控方法及终端

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201911257299.8A CN111027908A (zh) 2019-12-10 2019-12-10 一种基于机器学习的智能粮仓管控方法及终端

Publications (1)

Publication Number Publication Date
CN111027908A true CN111027908A (zh) 2020-04-17

Family

ID=70208906

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201911257299.8A Pending CN111027908A (zh) 2019-12-10 2019-12-10 一种基于机器学习的智能粮仓管控方法及终端

Country Status (1)

Country Link
CN (1) CN111027908A (zh)

Cited By (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN112101819A (zh) * 2020-10-28 2020-12-18 平安国际智慧城市科技股份有限公司 食品风险预测方法、装置、设备及存储介质
CN112598116A (zh) * 2020-12-22 2021-04-02 王槐林 一种宠物食欲评价方法、装置、设备及存储介质
CN113053041A (zh) * 2021-03-18 2021-06-29 中国工商银行股份有限公司 业务流程的识别方法、装置及系统
CN113361768A (zh) * 2021-06-04 2021-09-07 重庆科技学院 一种粮食库健康状况预测方法，存储设备及服务器
CN113657757A (zh) * 2021-08-17 2021-11-16 厦门汇银通达数字科技有限公司 一种基于机器学习的化工仓储调度优化方法、介质及设备

Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20170091615A1 (en) * 2015-09-28 2017-03-30 Siemens Aktiengesellschaft System and method for predicting power plant operational parameters utilizing artificial neural network deep learning methodologies
CN107341576A (zh) * 2017-07-14 2017-11-10 河北百斛环保科技有限公司 一种大数据可视化的空气污染溯源和走向预测方法
CN107679743A (zh) * 2017-09-29 2018-02-09 河北百斛环保科技有限公司 一种基于大数据的环保智能执法应急溯源调度管理方法

Patent Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20170091615A1 (en) * 2015-09-28 2017-03-30 Siemens Aktiengesellschaft System and method for predicting power plant operational parameters utilizing artificial neural network deep learning methodologies
CN107341576A (zh) * 2017-07-14 2017-11-10 河北百斛环保科技有限公司 一种大数据可视化的空气污染溯源和走向预测方法
CN107679743A (zh) * 2017-09-29 2018-02-09 河北百斛环保科技有限公司 一种基于大数据的环保智能执法应急溯源调度管理方法

Cited By (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN112101819A (zh) * 2020-10-28 2020-12-18 平安国际智慧城市科技股份有限公司 食品风险预测方法、装置、设备及存储介质
CN112598116A (zh) * 2020-12-22 2021-04-02 王槐林 一种宠物食欲评价方法、装置、设备及存储介质
CN113053041A (zh) * 2021-03-18 2021-06-29 中国工商银行股份有限公司 业务流程的识别方法、装置及系统
CN113361768A (zh) * 2021-06-04 2021-09-07 重庆科技学院 一种粮食库健康状况预测方法，存储设备及服务器
CN113657757A (zh) * 2021-08-17 2021-11-16 厦门汇银通达数字科技有限公司 一种基于机器学习的化工仓储调度优化方法、介质及设备

Similar Documents

Publication Publication Date Title
CN111027908A (zh) 一种基于机器学习的智能粮仓管控方法及终端
Bhatt et al. Automatic apple grading model development based on back propagation neural network and machine vision, and its performance evaluation
Khatri et al. Wheat seed classification: utilizing ensemble machine learning approach
CN111126575A (zh) 基于机器学习的气体传感器阵列混合气体检测方法及装置
CN111144552B (zh) 一种粮食品质多指标预测方法及装置
CN108090628A (zh) 一种基于pso-lssvm算法的粮情安全检测分析方法
CN111598167B (zh) 基于图学习的小样本图像识别方法及系统
CN111736125A (zh) 基于注意力机制和双向堆叠循环神经网络的雷达目标识别方法
CN116862320B (zh) 一种农村生态环境评估监管方法、系统及存储介质
CN113139594A (zh) 一种机载图像无人机目标自适应检测方法
CN115348074A (zh) 深度时空混合的云数据中心网络流量实时检测方法
CN110531039B (zh) 一种基于WiFi设备的粮食霉变检测方法及装置
Guan et al. Application of a novel PNN evaluation algorithm to a greenhouse monitoring system
CN110858289B (zh) 一种基于深度学习的粮食水分检测方法及系统
CN112541530B (zh) 针对聚类模型的数据预处理方法及装置
CN116972913B (zh) 一种冷链设备运行状态在线监测方法及系统
Wei et al. Fruit Freshness Detection Based on YOLOv8 and SE attention Mechanism
CN111669820B (zh) 一种密度峰值异常检测方法及智能无源室内定位方法
CN113177578A (zh) 一种基于lstm的农产品品质分类方法
CN108985315A (zh) 一种距离映射模式分类方法
Lobo et al. Exploiting the stimuli encoding scheme of evolving spiking neural networks for stream learning
CN112308426A (zh) 食品重金属污染风险评估模型训练方法、评估方法及装置
CN113496324A (zh) 喷涂质量预测方法、装置、电子设备以及存储介质
CN115604025A (zh) 一种基于pli4da的网络入侵检测方法
CN110069783B (zh) 一种答题内容评测方法及装置

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: 20200417