CN111121939B - 一种高精度车载区域称重方法 - Google Patents

Abstract

本发明提供一种高精度车载区域称重方法，包括如下步骤：获取车辆车桥上安装的应变计数值；划分称重区域，将称重区域划分为至少两个子区域；采用测试标准砝码依次加载在每个所述子区域，得到每个所述子区域的测试标准砝码重量构成的向量和对应应变计数值构成的矩阵；采用KNN建模识别当前称重货物所在的所述子区域；根据每个所述子区域的所述测试标准砝码重量构成的向量和所述对应应变计数值构成的矩阵利用高斯过程回归建立应变计数值与实际重量的映射关系。称重精度达到1.5％，真正意义上实现高精度的车载称重，完全满足当前物流行业对车载称重的精度要求；完全克服普通车载称重方案带来的偏载问题。

Description

一种高精度车载区域称重方法

技术领域

本发明涉及车载区域称重技术领域，尤其涉及一种高精度车载区域称重方法。

背景技术

物流行业支线收、送货车，均采用4米2车型，常见的江铃、跃进、东风等类型，目前几大物流公司圆通、德邦、跨越等旗下均有数以万计该类车型的车辆。

当前物流行业在收送货时对货物的计重，均采取电子秤或者地磅的形式。车辆携带的电子秤有量程小、易丢失、称量的体积小等明显缺点，而地磅称重只能在收运外场才能称重，无法在客户现场计重，收运司机只能先将客户邮寄的物流大件运回外场称重计费，再将计费单返回给客户，此种称重方式产生严重的滞后性、不透明性，与客户易出现计费上的纠纷，造成退单现象。

在已有的车载称重领域，已有的技术包括基于应变计形变、多元线性拟合的整车称重方法、基于胎压形变的线性拟合车载称重方法，这些方法虽各有所长，但普遍存在以下缺点：在处理物流车辆等小量程称重方面误差过高(>10％)的缺陷；基于胎压形变的线性拟合车载称重方法等，严重依赖车辆的本身设备状态。

现有技术中缺乏一种高精度的车载区域称重方法。

发明内容

本发明为了解决现有的问题，提供一种高精度车载区域称重方法。

为了解决上述问题，本发明采用的技术方案如下所述：

一种高精度车载区域称重方法，包括如下步骤：S1：获取车辆车桥上安装的应变计数值；S2：选取车厢靠车尾方向的矩形区域作为称重区域，所述矩形区域的一条边与所述车厢的尾部边界线重合；将所述称重区域划分为至少两个子区域；S3：采用测试标准砝码依次加载在每个所述子区域，得到每个所述子区域的测试标准砝码重量构成的向量Y_i(i∈1,...,N)和对应应变计数值构成的矩阵X_i,j(i∈1,2,3,...,N；j∈1,2,3,...,M)，其中，N代表单个所述子区域加载所述测试标准砝码的总数，M代表所述应变计的个数；S4：采用KNN建模识别当前称重货物所在的所述子区域；S5：根据每个所述子区域的所述测试标准砝码重量构成的向量和所述对应应变计数值构成的矩阵利用高斯过程回归建立应变计数值与实际重量的映射关系。

优选地，所述应变计在前、后车桥对称的安装偶数个。

优选地，将所述称重区域划分为9个均等的子区域。

优选地，单个所述子区域加载所述测试标准砝码的总数至少50个，所述应变计的个数至少为6个。

优选地，采用KNN建模识别当前称重货物所在的所述子区域包括：将单个所述测试标准砝码加载到所述子区域后产生的应变计数值和所述测试标准砝码的重量作为单个样本，两个特征空间中相似度用两个所述样本的应变计数值之间的距离来描述，所述距离是欧式距离：

其中，T代表所述样本的总数，x代表所述样本的应变计数值向量。

优选地，采用KNN建模识别当前称重货物所在的所述子区域包括选择K＝N。

优选地，采用KNN建模识别当前称重货物所在的所述子区域包括：根据经验风险最小化策略，采取多数表决的分类决策规则，对输入新样本的邻域内所有所述样本进行统计数目，以概率最大的类别为所述新样本的类别。

优选地，根据选择的K值来决定邻域的大小，假设新样本为(x^*,y^*)，则在K值为K^*的KNN模型上预测类别为c类的概率为：

其中，S为邻域内的样本总数目，I(y＝c)表示若y＝c值为1，否则为0。

优选地，步骤S5包括在所述子区域分别建立高斯过程回归；在所述子区域中第k个区域的建立高斯过程回归包括：训练数据采用在第k个区域采集的所述应变计数值构成的矩阵X^(k)和所述测试标准砝码重量构成的向量Y^(k)，建立带噪声的高斯回归模型，将每个所述测试标准砝码重量y建模为所述应变计数值的函数f(x)加上一个均值为0、方差为σ²的高斯噪声，即

y＝f(x)+N(0,σ²)

其中，f(x)假定给予一个高斯过程先验，如下

f(x)～GP(μ,Conv)

其中，设置μ＝0，协方差函数Conv＝c(x,x′)选择二次指数型，

其中，d＝x-x'，l是超参数，设置为1；对于测试数据(x^*,y^*)由高斯过程y＝f(x)+N(0,σ²)联合分布可得，

对有上述联合分布取y^*的边缘分布，由边缘分布的性质可得，

P(y^*|y,x,x^*)～N(m,D)

其中，m、D分别表示均值和方差，

由正态分布性质，测试数据(x^*,y^*)的重量y^*即用均值m表示。

本发明还提供一种计算机可读存储介质，所述计算机可读存储介质存储有计算机程序，所述计算机程序被处理器执行时实现如上任一所述方法的步骤。

本发明的有益效果为：提供一种高精度车载区域称重方法，通过应变计采集的形变特征向量，标记称重区域并划分为至少两个小区域，在每个子区域建立非线性、高泛化能力的高斯过程模型，利用KNN模型来识别货物所在的区域，最后通过高斯过程回归实现高精度的重量预测。称重精度达到1.5％，真正意义上实现高精度的车载称重，完全满足当前物流行业对车载称重的精度要求；完全克服普通车载称重方案带来的偏载问题。

附图说明

图1是本发明实施例中一种高精度车载区域称重方法流程图。

图2是本发明实施例中一种车辆的示意图。

图3是本发明实施例中又一种车辆的示意图。

图4是本发明实施例中识别模型KNN关于K值选择示意图。

图5是本发明实施例中一种高精度车载区域称重方法的解释示意图。

图6(a)-图6(b)是本发明实施例中高斯过程回归、多元线性回归在分区/不分区域情况下的结果对比图。

其中，1-车头，2-车厢，3-前车桥，4-后车桥，5、5A、5B-应变计，6-称重区域，7-子区域。

具体实施方式

为了使本发明实施例所要解决的技术问题、技术方案及有益效果更加清楚明白，以下结合附图及实施例，对本发明进行进一步详细说明。应当理解，此处所描述的具体实施例仅仅用以解释本发明，并不用于限定本发明。

需要说明的是，当元件被称为“固定于”或“设置于”另一个元件，它可以直接在另一个元件上或者间接在该另一个元件上。当一个元件被称为是“连接于”另一个元件，它可以是直接连接到另一个元件或间接连接至该另一个元件上。另外，连接既可以是用于固定作用也可以是用于电路连通作用。

需要理解的是，术语“长度”、“宽度”、“上”、“下”、“前”、“后”、“左”、“右”、“竖直”、“水平”、“顶”、“底”“内”、“外”等指示的方位或位置关系为基于附图所示的方位或位置关系，仅是为了便于描述本发明实施例和简化描述，而不是指示或暗示所指的装置或元件必须具有特定的方位、以特定的方位构造和操作，因此不能理解为对本发明的限制。

此外，术语“第一”、“第二”仅用于描述目的，而不能理解为指示或暗示相对重要性或者隐含指明所指示的技术特征的数量。由此，限定有“第一”、“第二”的特征可以明示或者隐含地包括一个或者更多该特征。在本发明实施例的描述中，“多个”的含义是两个或两个以上，除非另有明确具体的限定。

相关名词解释：

车载称重：是指一种利用物体对车辆本身特性产生的变化，通过复杂模型系统，将该变化映射到物体重量上的一种称重方法。

4米2车型：是指一种载重量为1.5吨、车厢尺寸为长是4.2米，宽是1.8米的厢式货车；具有机动灵活、操作方便、工作高效、运输量大、充分利用空间及安全、可靠等优点。它是全天候的，既可以在市际各种公路上，也可在城市市区内完成运输任务。广泛适用于运输各类货物，特别随着当前物流行业的蓬勃发展，4米2箱式货车被各大物流公司广泛使用，成为收、送货车运输的中流砥柱。下述说明中我们将以4米2车型为例来进行说明，但本发明的技术方案也适用于其他类似车型。

KNN模型：(kNN，k-NearestNeighbor)是一种经典的分类算法，作为监督学习，KNN模型需要的是有标签的训练数据，对于新样本的类别由与新样本距离最近的k个训练样本点按照分类决策规则决定。KNN分三个要点(三要素)：1、距离度量；2、k值的选择；3、分类决策规则。在KNN中，当训练数据集和三要素确定后，相当于将特征空间划分成一些子空间，对于每个训练实例，距离该点比距离其它点更近的所有点组成了一个区域，每个区域的类别由决策规则确定且唯一，从而将整个区域划分。对于任何一个测试点，找到其所属的子空间，其类别即为该子空间的类别。KNN具有时间复杂度低、分类准确度高、对异常点不敏感等优点，特别适合类域的交叉或重叠较多的待分样本集。

高斯过程：(Gaussian Process,GP)是概率论和数理统计中随机过程(stochasticprocess)的一种，是一系列服从正态分布的随机变量(random variable)在一指数集(index set)内的组合。高斯过程可以看做是多维高斯分布向无限维的扩展，对高斯过程的刻画，如同高斯分布一样，也是用均值和方差来刻画。

高斯过程回归模型：(Gaussian Process Regression,GPR)是使用高斯过程(Gaussian Process,GP)先验对数据进行回归分析的非参数模型(non-parametericmodel).高斯回归的本质其实就是通过一个映射把自变量从低维空间映射到高维空间(类似于支持向量机中的核函数将低维线性不可分映射为高维线性可分)，只需找到合适的核函数，就可以知道p(f|x,X,y)的分布，最常用的就是高斯核函数。处理高维度、小样本、非线性等复杂问题具有很好的适用性，且泛化能力强，与神经网络等算法相比GPR具有容易实现、超参数自适应获取、非参数推断灵活以及输出具有概率意义的优点。

如图1所示，本发明提供一种高精度车载区域称重方法，包括如下步骤：

S1：获取车辆车桥上安装的应变计数值；

S2：选取车厢靠车尾方向的矩形区域作为称重区域，所述矩形区域的一条边与所述车厢的尾部边界线重合；将所述称重区域划分为至少两个子区域；

S3：采用测试标准砝码依次加载在每个所述子区域，得到每个所述子区域的测试标准砝码重量构成的向量Y_i(i∈1,...,N)和对应应变计数值构成的矩阵X_i,j(i∈1,2,3,...,N；j∈1,2,3,...,M)，其中，N代表单个所述子区域加载所述测试标准砝码的总数，M代表所述应变计的个数；

S4：采用KNN建模识别当前称重货物所在的所述子区域；

S5：根据每个所述子区域的所述测试标准砝码重量构成的向量和所述对应应变计数值构成的矩阵利用高斯过程回归建立应变计数值与实际重量的映射关系。

如图2所示，应变计在前、后车桥对称的安装偶数个，比如6个。车头1后面连接车厢2，两个应变计5装在前车桥3的正上方，两个应变计5A装在后车桥4的正上方，两个应变计5B装在后车桥4的后侧方。

在本发明的一种实施例中，应变计可以在前、后车桥对称地安装偶数数量，可以多于6个；通过应变计将车桥形变大小转化为应变计模拟信号值，作为模型输入的特征值。在前、后车桥部分，对称地安装偶数个数的应变计可以均匀地获取到由货物带给车厢的受力，避免受力不均衡带来的形变扑捉丢失的情况，造成精度的丧失。

如图3所示，在一个实施例中，将称重区域6划分为9个均等的子区域7。图中仅仅是示例性的，可以理解为，将整个称重区域均等的划分为9个子区域。在划分子区域的时候主要考虑两个因素：1、称重精度的提高；2、划分区域带来的砝码标定工作量。本发明人发现，采用本实施例的方法时，子区域数量少于9个的时候，子区域的数量越多，精度越高，在子区域为9个时精度达到极高点。实验证实，在选择GRP模型时，分9个子区域比不分区域达标率提高15％(以误差率1.5％为标准)；当子区域数量大于9时，精度提高很小，甚至有所下降，反而测试标准砝码标定工作量剧增。综合上述，在平衡精度和标定工作量两个因素情况下，选择划分9个区域。

划分子区域主要是考虑到偏载问题的影响，车载称重偏载问题是指：相同货物放在车厢不同位置，所预测的重量不同。实测发现，位置之间距离越近，其重量大小相差的越小。因此通过划分子区域，在每一个子区域都做一个精准称重模型，来减少偏载问题的影响，从而提高精度。

结合物流收运的实际应用场景，对于4米2型的厢式货车，在厢式货车车厢靠车尾方向，标记长：1.2米，宽：0.8米的矩形称重区域，在进行称重时，货物重心即放在该区域；并将称重区域均匀地划分为9个小区域。即使不同品牌车辆的车厢大小、形状应基本一致，其位置必须是车厢靠车尾方向位置，大小可适当调整。

在称重区域的每个子区域，依次加载所述测试标准砝码的总数至少50个，在本发明一种具体的实施例中，测试标准砝码是50个10kg的标准砝码，记录每次加载砝码的砝码总重量和应变计的数值，就可以得到每个子区域的测试标准砝码重量构成的向量Y_i(i∈1,...,N)和对应应变计数值构成的矩阵X_i,j(i∈1,2,3,...,N；j∈1,2,3,...,M)，其中，N代表单个所述子区域加载所述测试标准砝码的总数，M代表所述应变计的个数，在一种实施例中，N＝50，M＝6，将每个小区域采集的X，Y依次标记类别1,2,3，…,9。

然后将得到的每个子区域的测试标准砝码实际重量和对应的应变计数值输入到KNN分类模型和高斯过程回归模型中，确定模型的参数；至此，当在标记的称重区域放入一个货物时，应变计即可获取到形变大小值，该值输入到KNN分类模型和高斯过程回归模型即可获取到当前货物的重量值。

KNN建模分三个要点：1、距离度量；2、K值的选择；3、分类决策规则。

将单个所述测试标准砝码加载到所述子区域后产生的应变计数值和所述测试标准砝码的重量作为单个样本。

1、距离度量

特征空间中相似度用两个所述样本的应变计数值之间的距离来描述，所距离是欧式距离：

其中，T代表所述样本的总数，x代表所述样本的应变计数值向量。

2、K值的选择

关于K值的选择，对模型的分类结果会产生很大的影响，过小的K值，模型输入样本点会对近邻的训练样本点十分敏感，对噪声的容忍度非常小，会使模型产生过拟合现象。过大的K值，会使邻域内的其他类别样本的样本点对输入样本点产生干扰，导致样本点拟合的偏差，特别当K＝N的时候，预测类别会和训练样本点中出现概率最大的类别保持一致。本发明采用设定隔间的方式来选择。

如图4所示，是识别模型KNN关于K值选择示意图。本实施例选择K值为20时，KNN识别货物重心所在的区域，预测准确率最大达到98％，故选取K＝20。

3、分类决策规则

采用KNN建模识别当前称重货物所在的所述子区域包括：根据经验风险最小化策略，采取多数表决的分类决策规则，对输入新样本的邻域内所有所述样本进行统计数目，以概率最大的类别为所述新样本的类别。

根据选择的K值来决定邻域的大小，假设新样本为(x^*,y^*)，则在K值为K^*的KNN模型上预测类别为c类的概率为：

其中，S为邻域内的样本总数目，I(y＝c)表示若y＝c值为1，否则为0。

根据上述本发明中对KNN三要素的阐述，具体使用KNN步骤为：

1.输入由称重货物产生的应变计数值向量x；

2.以S3采集的数据为训练样本，求取x与训练样本的欧式距离；

3.取K＝20的领域，分别计算领域内1,2,3，…,9类别的概率；

4.根据多数表决分类决策规则，取概率最大的类别所对应的区域，为当前称重货物的区域。

步骤S5包括在所述子区域分别建立高斯过程回归；在所述子区域中第k个区域的建立高斯过程回归包括：

训练数据采用在第k个区域采集的所述应变计数值构成的矩阵X^(k)和所述测试标准砝码重量构成的向量Y^(k)，建立带噪声的高斯回归模型，将每个所述测试标准砝码重量y建模为所述应变计数值的函数f(x)加上一个均值为0、方差为σ²的高斯噪声，即

y＝f(x)+N(0,σ²)

其中，f(x)假定给予一个高斯过程先验，如下

f(x)～GP(μ,Conv)

其中，设置μ＝0，协方差函数Conv＝c(x,x′)选择二次指数型，

其中，d＝x-x'，l是超参数，设置为1；对于测试数据(x^*,y^*)由高斯过程y＝f(x)+N(0,σ²)联合分布可得，

对有上述联合分布取y^*的边缘分布，由边缘分布的性质可得，

P(y^*|y,x,x^*)～N(m,D)

其中，m、D分别表示均值和方差，

由正态分布性质，测试数据(x^*,y^*)的重量y^*即用均值m表示。

综合上述对高斯过程回归模型阐述，具体使用高斯过程回归步骤为：

1.输入由称重货物产生的应变计数值向量x^*和由下述S3中针对每个区域采集的数据；

2.根据应变计数值向量x^*，通过KNN模型识别称重货物所在区域k；

3.选取第k个区域标定数据：应变计数值矩阵X^(k)、砝码重量数组Y^(k)；

4.预测值y^*由条件概率P(y^*|y,x,x^*)～N(m,D)中均值代表

本发明是基于感应车辆车桥部位形变的应变计，通过划分精准称重区域，使用KNN分类和高斯过程回归建立应变计数据和实际重量的复杂映射关系，实现高精度车载区域称重的方法及系统。应变计是基于测量物体受力变形所产生的形变的一种应变计，本发明采用的是电阻应变片，它是一种能将车辆结构上应变的变化转换为电阻变化的传感元件，实现了将物理形变转化为电信号；基于实际物流称重的高精度、便捷、使用大重量、大体积的需求，在车厢靠车尾方向的尾部区域，用明显颜色的漆标记出称重区域框，在进行称重时，货物重心即放在该区域；将标记的称重区域均匀地划分为至少两个子区域，在每一个子区域依次加载测试标准砝码，并记录测试标准砝码实际重量和对应的应变计数值，将得到的每个子区域砝码实际重量和对应的应变计数值输入到KNN分类模型和高斯过程回归模型中，确定模型的参数；至此，当在标记的称重区域放入一个货物时，应变计即可获取到形变大小值，该值输入到KNN分类模型和高斯过程回归模型即可获取到当前货物的重量值。

本发明在称重区域可精准地识别到当前货物的实际重量，而且称重区域位于车厢位置、称重面积大，非常便捷、可称量大量程、大体积货物，在物流收运重量计重过程中，可发挥着巨大的效益，大大提高运作效率。

本发明针对物流行业的高精度要求，通过标定称重区域的形式，在称重区域均匀划分至少两个子区域，在每个区域建立非线性、高泛化能力的高斯过程模型，实现对货物重量的高精度预测。不同于一般方法对整个车厢进行的粗糙线性拟合，我们通过标记称重区域，对称重区域均匀划分并分别建立非线性的高泛化模型，从而大大提高了称重精度，实现高精度区域称重。

本发明实现上述实施例方法中的全部或部分流程，也可以通过计算机程序来指令相关的硬件来完成，所述的计算机程序可存储于一计算机可读存储介质中，该计算机程序在被处理器执行时，可实现上述各个方法实施例的步骤。其中，所述计算机程序包括计算机程序代码，所述计算机程序代码可以为源代码形式、对象代码形式、可执行文件或某些中间形式等。所述计算机可读介质可以包括：能够携带所述计算机程序代码的任何实体或装置、记录介质、U盘、移动硬盘、磁碟、光盘、计算机存储器、只读存储器(ROM，Read-OnlyMemory)、随机存取存储器(RAM，Random Access Memory)、电载波信号、电信信号以及软件分发介质等。需要说明的是，所述计算机可读介质包含的内容可以根据司法管辖区内立法和专利实践的要求进行适当的增减，例如在某些司法管辖区，根据立法和专利实践，计算机可读介质不包括电载波信号和电信信号。

如图5所示，是本发明一种高精度车载区域称重方法的示意图。

具体的，在本发明中利用应变计采集的形变特征向量，标记车厢称重区域，将称重区域划分为9个小区域分别建立高斯过程回归模型将应变计特征向量映射到重量，并利用KNN模型来识别货物所在的区域，实现高精度的重量预测。

针对9个小区域，每个区域采集5组砝码数据，每组砝码50个数据，一共9*5*50＝2250个数据，随机打乱整个数据，数据50％划分为训练数据，50％划分为测试数据。下面给出在称重区域划分小区域分别建立高斯过程模型称重和不分小区域高斯过程建模称重的测试数据效果对比：

表1 模型划分、不划分小区域的对比结果表

从上表可以看出来，模型划分9个小区域达标率达到95.2％，最大误差7.51kg，不划分区域达标率为79.4％，最大误差15.28kg，由此可以看出来模型划分区域较不划分区域达标率提高15％，最大误差减少7kg。本发明称重精度达到1.5％，真正意义上实现高精度的车载称重，完全满足当前物流行业对车载称重的精度要求；完全克服普通车载称重方案带来的偏载问题。

如图6(a)和图6(b)所示，是高斯过程回归、多元线性回归在分、不分区域情况下的结果对比图。图6(a)中从上至下依次为高斯过程回归分区域、不分区域，多元线性回归分区域、不分区域四个模型达标率曲线；图6(b)在每一个重量段上的四个条形，从左至右依次为高斯过程回归分区域、不分区域，多元线性回归分区域、不分区域四个模型的最大误差。经过高斯过程回归、多元线性回归在分、不分区域情况下的结果对比，图6(a)是达标率统计，图6(b)是最大误差统计。结果显示，无论是在分区域还是不分区域情况下，高斯过程回归在达标率和最大误差两个指标上均优于多元线性回归，体现其优越的性能。

以上内容是结合具体的优选实施方式对本发明所做的进一步详细说明，不能认定本发明的具体实施只局限于这些说明。对于本发明所属技术领域的技术人员来说，在不脱离本发明构思的前提下，还可以做出若干等同替代或明显变型，而且性能或用途相同，都应当视为属于本发明的保护范围。

Claims (10)

1.一种高精度车载区域称重方法，其特征在于，包括如下步骤：

S1：获取车辆车桥上安装的应变计数值；

S2：选取车厢靠车尾方向的矩形区域作为称重区域，所述矩形区域的一条边与所述车厢的尾部边界线重合；将所述称重区域划分为至少两个子区域；

S3：在每个所述子区域建立称重模型，包括：采用测试标准砝码依次加载在每个所述子区域，得到每个所述子区域的测试标准砝码重量构成的向量Y_i，i∈1,...,N和对应应变计数值构成的矩阵X_i,j，i∈1,2,3,...,N；j∈1,2,3,...,M；其中，N代表单个所述子区域加载所述测试标准砝码的总数，M代表所述应变计的个数；

S4：采用KNN建模识别当前称重货物所在的所述子区域；

S5：根据每个所述子区域的所述测试标准砝码重量构成的向量和所述对应应变计数值构成的矩阵利用高斯过程回归建立应变计数值与实际重量的映射关系；

S6：在所述子区域放入货物时，所述应变计即可获取到形变大小值，该值输入到KNN分类模型和高斯过程回归模型即可获取到当前货物的重量值。

2.如权利要求1所述的高精度车载区域称重方法，其特征在于，所述应变计在前、后车桥对称的安装偶数个。

3.如权利要求1所述的高精度车载区域称重方法，其特征在于，将所述称重区域划分为9个均等的子区域。

4.如权利要求1所述的高精度车载区域称重方法，其特征在于，单个所述子区域加载所述测试标准砝码的总数至少50个，所述应变计的个数至少为6个。

5.如权利要求1所述的高精度车载区域称重方法，其特征在于，采用KNN建模识别当前称重货物所在的所述子区域包括：

将单个所述测试标准砝码加载到所述子区域后产生的应变计数值和所述测试标准砝码的重量作为单个样本，两个特征空间中相似度用两个所述样本的应变计数值之间的距离来描述，所述距离是欧式距离：

其中，T代表所述样本的总数，x代表所述样本的应变计数值向量。

6.如权利要求1所述的高精度车载区域称重方法，其特征在于，采用KNN建模识别当前称重货物所在的所述子区域包括选择K＝N。

7.如权利要求1所述的高精度车载区域称重方法，其特征在于，采用KNN建模识别当前称重货物所在的所述子区域包括：根据经验风险最小化策略，采取多数表决的分类决策规则，对输入新样本的邻域内所有所述样本进行统计数目，以概率最大的类别为所述新样本的类别。

8.如权利要求7所述的高精度车载区域称重方法，其特征在于，根据选择的K值来决定邻域的大小，假设新样本为(x^*,y^*)，则在K值为K^*的KNN模型上预测类别为c类的概率为：

其中，S为邻域内的样本总数目，I(y＝c)表示若y＝c值为1，否则为0。

9.如权利要求1所述的高精度车载区域称重方法，其特征在于，步骤S5包括在所述子区域分别建立高斯过程回归；在所述子区域中第k个区域的建立高斯过程回归包括：

训练数据采用在第k个区域采集的所述应变计数值构成的矩阵X^(k)和所述测试标准砝码重量构成的向量Y^(k)，建立带噪声的高斯回归模型，将每个所述测试标准砝码重量y建模为所述应变计数值的函数f(x)加上一个均值为0、方差为σ²的高斯噪声，即

y＝f(x)+N(0,σ²)

其中，f(x)假定给予一个高斯过程先验，如下

f(x)～GP(μ,Conv)

其中，设置μ＝0，协方差函数Conv＝c(x,x′)选择二次指数型，

其中，d＝x-x'，l是超参数，设置为1；对于测试数据(x^*,y^*)由高斯过程y＝f(x)+N(0,σ²)联合分布可得，

对上述联合分布取y^*的边缘分布，由边缘分布的性质可得，

P(y^*|y,x,x^*)～N(m,D)

其中，m、D分别表示均值和方差，

由正态分布性质，测试数据(x^*,y^*)的重量y^*即用均值m表示。

10.一种计算机可读存储介质，所述计算机可读存储介质存储有计算机程序，其特征在于，所述计算机程序被处理器执行时实现如权利要求1-9任一所述方法的步骤。

Images