CN111723858A - 基于svm的料堆质量估算方法、装置、电子设备和介质 - Google Patents

基于svm的料堆质量估算方法、装置、电子设备和介质 Download PDF

Info

Publication number
CN111723858A
CN111723858A CN202010549412.6A CN202010549412A CN111723858A CN 111723858 A CN111723858 A CN 111723858A CN 202010549412 A CN202010549412 A CN 202010549412A CN 111723858 A CN111723858 A CN 111723858A
Authority
CN
China
Prior art keywords
sample data
quality
material pile
model
sample
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
Application number
CN202010549412.6A
Other languages
English (en)
Other versions
CN111723858B (zh
Inventor
柴彬
陈耀忠
周晓峰
周俊明
李伟伟
张开友
王建军
胥菊英
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.)
MCC Baosteel Technology Services Co Ltd
Original Assignee
MCC Baosteel Technology Services 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 MCC Baosteel Technology Services Co Ltd filed Critical MCC Baosteel Technology Services Co Ltd
Priority to CN202010549412.6A priority Critical patent/CN111723858B/zh
Publication of CN111723858A publication Critical patent/CN111723858A/zh
Application granted granted Critical
Publication of CN111723858B publication Critical patent/CN111723858B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • 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
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N20/00—Machine learning
    • 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
    • G06Q10/06—Resources, workflows, human or project management; Enterprise or organisation planning; Enterprise or organisation modelling
    • G06Q10/063—Operations research, analysis or management
    • G06Q10/0639—Performance analysis of employees; Performance analysis of enterprise or organisation operations
    • G06Q10/06395—Quality analysis or management
    • Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
    • Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
    • Y02P—CLIMATE CHANGE MITIGATION TECHNOLOGIES IN THE PRODUCTION OR PROCESSING OF GOODS
    • Y02P90/00—Enabling technologies with a potential contribution to greenhouse gas [GHG] emissions mitigation
    • Y02P90/30—Computing systems specially adapted for manufacturing

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Business, Economics & Management (AREA)
  • Data Mining & Analysis (AREA)
  • Human Resources & Organizations (AREA)
  • General Physics & Mathematics (AREA)
  • Physics & Mathematics (AREA)
  • Artificial Intelligence (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Evolutionary Computation (AREA)
  • General Engineering & Computer Science (AREA)
  • Software Systems (AREA)
  • Strategic Management (AREA)
  • Evolutionary Biology (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Entrepreneurship & Innovation (AREA)
  • Economics (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Development Economics (AREA)
  • Educational Administration (AREA)
  • Mathematical Physics (AREA)
  • Computing Systems (AREA)
  • Game Theory and Decision Science (AREA)
  • Medical Informatics (AREA)
  • Marketing (AREA)
  • Operations Research (AREA)
  • Quality & Reliability (AREA)
  • Tourism & Hospitality (AREA)
  • General Business, Economics & Management (AREA)
  • Management, Administration, Business Operations System, And Electronic Commerce (AREA)

Abstract

本发明提供一种基于SVM的料堆质量估算方法、装置、电子设备和计算机可读存储介质，提取多个与料堆质量相关的参数作为料堆的特征参数，结合对应的料堆质量，建立料堆的样本数据集，并且通过SVM算法构建料堆的质量估算初始模型，利用所述样本数据集训练所述质量估算初始模型模型，进而根据训练结果优化所述质量估算初始模型；基于优化后的所述质量估算优化模型和料堆的特征参数，实现对料堆质量的估算；本发明不仅可以有效地提高料堆质量估的准确度和精度，还可以更加方便、快捷和高效地估算料堆的质量，降低了人力成本，避免了人工去现场进行质量估算的不便和潜在的危险。

Description

基于SVM的料堆质量估算方法、装置、电子设备和介质
技术领域
本发明涉及计算机领域，尤其涉及一种基于SVM的料堆质量估算方法、装置、电子设备和介质。
背景技术
矿料场作为矿料存储和中转的场所，需要不定期地估算矿料质量，以便于对料场内的各料堆进行合堆、分拨等处理，从而提高料场空间的利用率。目前，常用的料堆质量估算方法往往是采用人工现场观察料堆的面积、料堆高度等，并结合经验进行估算。然后，通过这种方式估算料堆质量时，受工作人员估算经验的影响明显，容易产生较大的估算误差，进而造成大量人工、油费等资源浪费以及运营成本的增加；且由于料堆质量估算对工作人员的估算经验要求较高，也增加了人力成本；此外，工作人员需要进行现场目测估料，而堆场工作环境存在粉尘、噪音、机械作业等影响危害工人身体健康的因素，对安全生产不利。
因此，如何快速、便捷地实现料堆质量估算以及提高料堆质量估算的精准度，已成为目前亟待解决的技术问题。
发明内容
鉴于以上所述现有技术的缺点，本发明的目的在于实现快速、便捷的料堆质量估算以及提高料堆质量估算的精准度。
为实现上述目的及其他相关目的，本发明于第一方面提供一种基于SVM的料堆质量估算方法，其特征在于，所述方法包括：获取料堆的样本数据；通过提取所述样本数据中的料堆质量参数作为所述各样本的特征参数，并结合所述样本数据中的料堆质量，建立样本数据集；所述料堆质量参数至少包括一个料堆体积相关参数，和一个料堆密度相关参数；基于SVM算法，通过选择核函数为径向基核函数，以及引用松弛参数，构建料堆的质量估算初始模型；利用所述样本数据集对所述质量估算初始模型进行训练，获得训练后的质量估算模型；利用所述样本数据集，采用交叉验证法对所述训练后的质量估算模型进行优化，获得质量估算优模型；基于所述质量估算优化模型，对待测试料堆进行质量估算，获得所述待测试料堆的质量。
于本发明一实施例中，所述通过提取所述样本数据中的料堆质量参数作为所述各样本的特征参数，并结合所述样本数据中的料堆质量，建立样本数据集，包括：所述料堆质量参数包括料堆体积相关参数、料堆密度相关参数、料堆含水相关参数和时间相关参数，分别于所述料堆体积相关参数、所述料堆密度相关参数、所述料堆含水相关参数和所述时间相关参数中，各提取至少1个参数，作为所述样本数据的特征参数，并结合所述样本数据中的料堆质量，建立样本数据集。
于本发明一实施例中，所述通过提取所述样本数据中的料堆质量参数作为所述各样本的特征参数，并结合所述样本数据中的料堆质量，建立样本数据集，包括：提取料堆体积、高度、料堆比重、含水量、空气湿度、堆放时间和测量月份作为所述样本数据集中各样本的特征参数，并结合所述样本数据中的料堆质量，建立样本数据集。
于本发明一实施例中，所述建立料堆的样本数据集，还包括：对各样本数据中的各特征参数进行标准化处理。
于本发明一实施例中，所述基于SVM算法，通过选择核函数为径向基核函数，以及引用松弛参数，构建料堆的质量估算初始模型，包括：建立SVM模型的超平面函数：
Figure BDA0002541914300000021
其中，X为样本数据，
Figure BDA0002541914300000022
为关于X的非线性函数，ω为未知的权值向量，b为未知的常数；
构建目标函数：
Figure BDA0002541914300000023
Figure BDA0002541914300000024
其中，C是常数；N为样本数据个数；Lε是不敏感的损失函数；Yi为样本数据的料堆质量；ε是精度参数；
于所述目标函数中，引入第一松弛变量ξi和第二松弛变量ξi*，将所述目标函数转换为：
Figure BDA0002541914300000025
Figure BDA0002541914300000026
通过将所述目标函数转换为对应的拉格朗日函数，和将所述拉格朗日函数转换为对偶问题，并通过对所述对偶问题求解，获得最优的超平面函数：
Figure BDA0002541914300000027
其中，K(Xi,Xj)为核函数；设置所述核函数为径向基函数核：
Figure BDA0002541914300000031
其中，σ为径向基函数核的带宽；
设置σ为0.1～0.5；设置ε为0.5～1.0；设置C为1.0～10。
于本发明一实施例中，所述方法还包括：存储所述质量估算优化模型，当所述样本数据集更新后，基于所述新的样本数据集对所述质量估算优化模型进行再优化，并更新所述质量估算优化模型。
本发明于第二方面提供一种基于SVM的料堆质量估算装置，所述装置包括：输入单元，用于接收料堆的各样本数据，和用于优化模型的各组模型参数；样本单元：用于利用所述输入单元中的料堆的样本数据，通过提取所述样本数据中的料堆质量参数作为所述各样本的特征参数，并结合所述样本数据中的料堆质量，建立样本数据集；所述料堆质量参数至少包括一个料堆体积相关参数，和一个料堆密度相关参数；模型建立单元：用于基于SVM算法，通过选择核函数为径向基核函数，以及引用松弛参数，构建料堆的质量估算初始模型，构建料堆的质量估算初始模型；模型训练单元：用于利用所述样本单元中的所述样本数据集，训练所述模型建立单元中的所述质量估算初始模型，获得训练后的质量估算模型；利用所述样本数据集，采用交叉验证法对所述训练后的质量估算模型进行优化，以获得质量估算优化模型；预测单元：用于基于所述模型训练单元中的所述质量估算优化模型，对待测试料堆进行质量估算，获得所述待测试料堆的质量。
于本发明一实施例中，所述样本单元用于通过提取所述样本数据中的料堆质量参数作为所述各样本的特征参数，并结合所述样本数据中的料堆质量，建立样本数据集，包括：所述样本单元用于从所述与料堆质量相关的参数中，提取料堆体积、高度、料堆比重、含水量、空气湿度、堆放时间和测量月份作为所述样本数据集中各样本的特征参数，并结合所述样本数据中的料堆质量，建立样本数据集。
本发明于第三方面提供种一种电子设备，包括：处理器及存储器；所述存储器用于存储计算机程序，所述处理器用于执行所述存储器存储的计算机程序，以使所述电子设备执行如上所述基于SVM的料堆质量估算方法中的各个步骤。
本发明于第四方面提供种一种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所述基于SVM的料堆质量估算方法中的各个步骤。
如上所述，本发明提供的所述基于SVM的料堆质量估算方法、装置、电子设备和计算机可读存储介质，通过提取包括与料堆质量相关的料堆比重、含水量、料堆体积等多个参数，作为料堆的特征参数，结合对应的料堆质量，建立料堆的样本数据集；并且通过基于SVM算法，和选择核函数为径向基核函数，以及引用松弛参数，构建料堆的质量估算初始模型；利用所述样本数据集训练所述质量估算初始模型模型，进而根据训练结果优化所述质量估算初始模型；基于优化后获取的所述质量估算优化模型和料堆的特征参数，预测该料堆的质量；相比于现有的通过人工经验估算的方式，不仅可以有效地提高料堆质量估的准确度和精度，还可以更加方便、快捷和高效地估算料堆的质量，降低了人力成本，避免了人工去现场进行质量估算的不便和潜在的危险；此外，本发明还可以通过新增的料堆样本数据不断训练和优化模型质量估算模型，从而进一步提高料堆质量估的准确度和精度。
附图说明
图1本发明中所述基于SVM的料堆质量估算方法于一实施例中的流程示意图
图2本发明中所述基于SVM的料堆质量估算装置于一实施例中的结构示意图
元件标号说明
200 基于SVM的料堆质量估算装置
210 输入单元
220 样本单元
230 模型建立单元
240 模型训练单元
250 预测单元
具体实施方式
本发明的名称解释：
SVM：Support Vector Machine，支持向量机，是一种定义特征空间上的间隔最大的线性分类器，通过找出一个超平面将两类数据进行最大程度的划分；随着损失函数的加入，SVM开始广泛用于回归分析中。SVM基于结构风险最小化原则，可以提高学习机的泛化能力，并且可以得到较小的误差。
料堆：贮存于地面上的一堆物资、如矿砂、煤矿、歼石和废石等。
料堆的商检值：为料堆通过商品检验所获得的质量数值大小。
以下通过特定的具体实例说明本发明的实施方式，本领域技术人员可由本说明书所揭露的内容轻易地了解本发明的其他优点与功效。本发明还可以通过另外不同的具体实施方式加以实施或应用，本说明书中的各项细节也可以基于不同观点与应用，在没有背离本发明的精神下进行各种修饰或改变。需说明的是，在不冲突的情况下，以下实施例及实施例中的特征可以相互组合。
需要说明的是，以下实施例中所提供的图示仅以示意方式说明本发明的基本构想，遂图式中仅显示与本发明中有关的组件而非按照实际实施时的组件数目、形状及尺寸绘制，其实际实施时各组件的型态、数量及比例可为一种随意的改变，且其组件布局型态也可能更为复杂。
实施例1
本发明提供一种基于SVM的料堆质量估算方法，采用SVM机器学习方法实现对料堆质量的估算。
请参阅图1，显示为本发明中所述基于SVM的料场质量估算方法的流程示意图，如图1所示，所述方法包括以下步骤：
S101，获取料堆的多个样本数据；通过提取所述样本数据中的料堆质量参数作为所述各样本数据的特征参数，并结合所述样本数据中的料堆质量，建立样本数据集。
具体的，每个所述样本数据中包含所述料堆质量参数，以及与该料堆质量参数对应的料堆质量；其中，所述料堆质量参数为与料堆质量相关的参数，包括但不限于料堆体积相关参数、料堆密度相关参数、料堆含水相关参数、堆放环境相关参数和时间相关参数。
所述料堆体积相关参数为与料堆的体积相关的参数，包括但不限于料堆的高度、料堆体积、底面积、料堆坡度等。
所述料堆密度相关参数为与料堆的密度相关的参数，包括但不限于料堆密度、料堆比重等。
所述料堆含水相关参数为与料堆的含水情况相关的参数，包括但不限于料堆含水量、料堆含水率等。
所述堆放环境相关参数为与料堆堆放环境相关的参数，包括但不限于空气湿度，温度等。
所述时间相关参数为与料堆堆放时间和质量估算时间相关的参数，包括但不限于堆放时间、季节、测量月份等。
通过提取所述样本数据中的所述料堆质量参数作为所述各样本数据的特征参数，结合料堆质量，从而建立料堆的样本数据集。其中，所述料堆质量采用料堆的商检值表示；所述提取的料堆质量参数中至少包括一个所述料堆体积相关参数，和一个所述料堆密度相关参数。可以根据经验人为设置提取哪些料堆质量相关参数，也可以通过主成分分析等机器学习方法自动确定提取哪些料堆质量相关参数。
现有的料堆估算方法，大部分是基于料堆密度恒定的前提下，通过获取料堆的空间大小来估算料堆质量，这种估算方法缺少考虑料堆的含水量、堆放时间等因素对料堆密度和/或体积影响。例如，对于矿石料堆，即使是同一种材质，对于不同季节，不同高度，不同堆放时间的同种类型的料堆密度和体积都不尽相同，并且，料堆体积与料堆密度成非线性的耦合关系。因此，仅依据料堆体积和料堆密度来估算料堆质量，会影响料堆质量估算结果的准确性。
为了进一步提高料堆质量估算的准确性，于本发明中的所述样本数据集建立时，综合选取多种影响料堆密度和/或料堆体积的参数，作为与料堆质量相关的参数，并于这些参数中选取部分参数，作为样本数据的特征参数，加入样本数据集中。
进一步的，所述通过提取所述样本数据中的料堆质量参数作为所述样本数据的特征参数，并结合所述样本数据中的料堆质量，建立样本数据集，包括：分别于所述料堆体积相关参数、所述料堆密度相关参数、所述料堆含水相关参数和所述时间相关参数中，各提取至少1个参数，作为所述样本数据的特征参数，并结合所述样本数据中的料堆质量，建立样本数据集。
进一步的，所述通过提取所述样本数据中的料堆质量参数作为所述各样本的特征参数，并结合所述样本数据中的料堆质量，建立样本数据集，包括：提取料堆体积、高度、料堆比重、含水量、空气湿度、堆放时间和测量月份，共7个参数作为所述样本数据集中各样本的特征参数，并结合所述样本数据中的料堆质量，建立样本数据集。
进一步的，所述S101，于所述通过提取所述样本数据中的料堆质量参数作为所述样本数据的特征参数后，还包括对各所述特征参数进行标准化处理。
具体的，由于不同特征参数具有不同的量纲和数量级，为使各参数更好地参与模型学习，保证模型的可靠性，需要对原始的各参数数据进行标准化处理，以实现各参数的量纲和数据级相一致。
所述样本数据的全部特征参数组成一个向量，称为所述样本数据的特征向量。
S102，基于SVM算法，通过选择核函数为径向基核函数，以及引用松弛参数，构建料堆的质量估算初始模型。
具体的，所述基于SVM算法，通过选择核函数为径向基核函数，以及引用松弛参数，构建料堆的质量估算初始模型的实现方式，包括：
1.建立SVM模型的超平面函数，即：
Figure BDA0002541914300000061
其中，X为样本点，即样本数据的特征向量；
Figure BDA0002541914300000062
为关于X的非线性函数，用于将样本点X映射至高维空间，以进行超平面的最优决策计算；ω为权值向量，b为常数，且ω和b均为未知参数。
2.为获取所述超平面函数中的未知参数ω和b，构建目标函数，为：
Figure BDA0002541914300000071
Figure BDA0002541914300000072
其中，C是常数，用以平衡模型概括能力和训练误差；N为样本点个数，；Lε是不敏感的损失函数；Yi为样本点的实际料堆质量，于本实施例中，采用料堆的商检值表示所述实际料堆质量；ε是精度参数，用于限制样本点与超平面的距离。
3.引入松弛变量至所述目标函数中；
于样本数据集中，会存在一些异常点，为了减少异常点引起的误差，于SVM算法中引入松弛变量。当SVM用于回归分析时，需要数据都靠近超平面，这与用于分类时的远离超平面不同。因此，于所述目标函数中引入第一松弛变量ξi和第二松弛变量ξi*，将所述目标函数转换为：
Figure BDA0002541914300000073
Figure BDA0002541914300000074
若|Yi-f(Xi)|≤ε，即Yi位于超平面设定范围内，则
Figure BDA0002541914300000075
4.求取所述超平面函数的最优问题
将所述目标函数(公式2)转换为拉格朗日函数，即：
Figure BDA0002541914300000076
Figure BDA0002541914300000077
其中，αi,
Figure BDA0002541914300000078
ηi,
Figure BDA0002541914300000079
均为拉格朗日乘子。
将公式6转化成对偶问题，即：
Figure BDA00025419143000000710
Figure BDA0002541914300000081
上述公式7和公式8为所述SVM模型超平面函数经回归分析后获得的函数。
其中，K(Xi,Xj)为核函数，也为拉格朗日系数，根据Mercer定理，核函数满足
Figure BDA0002541914300000082
Figure BDA0002541914300000083
Xj为不同于Xi的另一个样本点；αj和
Figure BDA0002541914300000084
为变换过程中用于区别αi和
Figure BDA0002541914300000085
的另外一组参数，用角标j表示加以区分。
5.获取最终的超平面函数
于所述公式7对ω求偏导数，得到：
Figure BDA0002541914300000086
将公式9带入所述公式1中，获得所述超平面函数的最终表达式，为
Figure BDA0002541914300000087
于本实施例中，对于上述模型，需要预设的模型参数包括核函数K，精度参数ε，和参数C，即核函数K，精度参数ε，和参数C为上述模型的模型预设参数。其中在核函数的选取上，使用的是常用的RBF(Radial Basis Function，径向基函数核)，具有非线性、参数相对较少和可以映射到空间高维度等优点，即
Figure BDA0002541914300000088
其中，σ为径向基核的带宽。
优选的，设置σ为0.1～0.5；
优选的，设置ε为0.5～1.0；
优选的，设置C为1.0～10。
S103，利用所述样本数据集对所述质量估算初始模型进行训练，获得训练后的质量估算模型；利用所述样本数据集，采用交叉验证法对所述训练后的质量估算模型进行优化，获得质量估算优化模型。
具体的，基于所述样本数据集对所述质量估算初始模型进行训练，获得训练后的质量估算模型；所述质量估算模型中包含经模型训练后所获得的各模型参数的初始值。于本实施例中，所述基于所述样本数据集对所述质量估算初始模型进行训练的方法为现有的模型训练方法，在此不再赘述。
基于所述质量估算模型，利用所述样本数据集，采用交叉验证法进行模型的参数寻优，以优化所述质量估算模型中的所述各模型参数，进而获得质量估算优化模型。于本实施例中，所述采用交叉验证法进行模型的参数寻优的方法，为现有的方法，在此不再赘述。
S104，基于所述质量估算优化模型，和待测试料堆的特征参数，对待测试料堆进行质量估算，获得所述待测试料堆的质量。
进一步的，本发明所述基于SVM的料堆质量估算方法，还包括：
S105，存储所述质量估算优化模型，当所述样本数据集更新后，基于所述新的样本数据集对所述质量估算优化模型进行再优化，并更新所述质量估算优化模型。
具体的，于每次模型训练后，存储训练获得的所述质量估算优化模型；当样本数据更新后，则重新训练所述质量估算优化模型，基于所述模型训练结果再次优化所述质量估算优化模型，获得新的所述质量估算优化模型，并覆盖原有的模型，从而实现所述质量估算优化模型的更新。
为进一步说明本发明所述基于SVM的料堆质量估算方法的有益效果，将一料堆数据集共包含13种矿料，堆比重在2.3-2.8t/m3之间，水分含量在3％-8％之间，商检的质量范围在20070t-116986t；于所述料堆数据集中随机选取8组数据，采用本发明所述方法的模型进行质量估算，以及基于人工经验对该8组数据对应的料堆进行人工估算，通过本方法的模型估算和通过人工经验估算获得的估算结果和误差统计结果如下表所示。其中，通过本方法的模型估算的料堆质量误差均小于4.5％，而人工估算的误差为20％左右；即本方法的模型估算的误差，相比于人工经验估算，提升了3倍以上的估算精度。并且，通过算法模型原理可知，随着时间的推移，当积累的数据样本越多，SVM模型估算精度越高，则料堆质量的估算误差会越来越小。
表1测试验证人工经验与模型估算误差统计
Figure BDA0002541914300000091
本实施例提供的所述基于SVM的料堆质量估算方法，通过提取包括与料堆质量相关的料堆比重、含水量、料堆体积等多个参数，作为料堆的特征参数，结合对应的料堆质量，建立料堆的样本数据集；并且通过基于SVM算法，和选择核函数为径向基核函数，以及引用松弛参数，构建料堆的质量估算初始模型；利用所述样本数据集训练所述质量估算初始模型模型，进而根据训练结果优化所述质量估算初始模型；基于优化后获取的所述质量估算优化模型和料堆的特征参数，预测该料堆的质量；相比于现有的通过人工经验估算的方式，不仅可以有效地提高料堆质量估的准确度和精度，还可以更加方便、快捷和高效地估算料堆的质量，降低了人力成本，避免了人工去现场进行质量估算的不便和潜在的危险；此外，本发明还可以通过新增的料堆样本数据不断训练和优化模型质量估算模型，从而进一步提高料堆质量估的准确度和精度。
实施例2
请参阅图2，显示为本发明于实施例2提供的一种基于SVM的料堆质量估算装置的结构示意图，用于根据料堆的样本数据实现对料堆质量的估算。
如图2所示，所述基于SVM的料堆质量估算装置200，包括：
输入单元210，用于接收料堆的各样本数据，和用于优化模型的各组模型参数；
样本单元220，用于利用所述输入单元210中的料堆的样本数据，通过提取所述样本数据中的料堆质量参数作为所述各样本的特征参数，并结合所述样本数据中的料堆质量，建立样本数据集；所述料堆质量参数至少包括一个料堆体积相关参数，和一个料堆密度相关参数；
模型建立单元230，用于基于SVM算法，通过选择核函数为径向基核函数，以及引用松弛参数，构建料堆的质量估算初始模型，构建料堆的质量估算初始模型；
模型训练单元240，用于利用所述样本单元220中的所述样本数据集，训练所述模型建立单元230中的所述质量估算初始模型，获得训练后的质量估算模型；利用所述样本数据集，采用交叉验证法对所述训练后的质量估算模型进行优化，获得质量估算优化模型；
预测单元250：用于基于所述模型训练单元240中的所述质量估算优化模型，对待测试料堆进行质量估算，获得所述待测试料堆的质量。
于本实施例中，所述样本单元220，用于接收料堆的样本数据，所述样本数据中包含所述料堆质量参数，以及与该样本数据对应的料堆质量；其中，所述料堆质量参数为与料堆质量相关的参数，包括但不限于料堆体积相关参数、料堆密度相关参数、料堆含水相关参数、堆放环境相关参数和时间相关参数。
所述料堆体积相关参数为与料堆的体积相关的参数，包括但不限于料堆的高度、料堆体积、底面积、料堆坡度等；
所述料堆密度相关参数为与料堆的密度相关的参数，包括但不限于料堆密度、料堆比重等；
所述料堆含水相关参数为与料堆的含水情况相关的参数，包括但不限于料堆含水量、料堆含水率等；
所述堆放环境相关参数为与料堆堆放环境的相关的参数，包括但不限于空气湿度，温度等；
所述时间相关参数为与料堆堆放时间和质量估算时间相关的参数，包括但不限于堆放时间、季节、测量月份等。
所述样本单元220，用于提取所述样本数据中的料堆质量参数作为所述各样本的特征参数，并结合所述样本数据中的料堆质量，从而建立样本数据集。其中，所述料堆质量采用料堆的商检值表示；所述料堆质量参数中至少包括一个所述料堆体积相关参数，和一个所述料堆密度相关参数。
优选的，所述样本单元220，用于分别于所述料堆体积相关参数、所述料堆密度相关参数、所述料堆含水相关参数和所述时间相关参数中，各提取至少1个参数，作为所述样本数据的特征参数，并结合所述样本数据中的料堆质量，建立样本数据集。
优选的，所述样本单元220，用于提取料堆体积、高度、料堆比重、含水量、空气湿度、堆放时间和测量月份，共7个参数作为所述样本数据集中各样本的特征参数，并结合所述样本数据中的料堆质量，建立样本数据集。
于本实施例中，所述模型建立单元230，用于基于SVM算法，通过选择核函数为径向基核函数，以及引用松弛参数，构建料堆的质量估算初始模型，构建料堆的质量估算初始模型，包括：
令SVM模型的超平面函数，为：
Figure BDA0002541914300000111
其中，X为样本点，即样本数据的特征向量，
Figure BDA0002541914300000112
为关于X的非线性函数，用于将样本点X映射至高维空间，以进行超平面的最优决策计算；ω为权值向量，b为常数，且ω和b均为未知参数。
令用于获取未知参数ω和b的目标函数为：
Figure BDA0002541914300000113
Figure BDA0002541914300000121
其中，C是常数，用以平衡模型概括能力和训练误差；N为样本点个数，；Lε是不敏感的损失函数；Yi为样本点的实际料堆质量，于本实施例中，采用料堆的商检值表示所述实际料堆质量；ε是精度参数，用于限制样本点与超平面的距离。
于所述目标函数中，引入第一松弛变量ξi和第二松弛变量ξi*，将所述目标函数转换为：
Figure BDA0002541914300000122
Figure BDA0002541914300000123
若|Yi-f(Xi)|≤ε，即Yi位于超平面设定范围内，则
Figure BDA0002541914300000124
求取所述超平面函数的最优问题，包括：
将所述目标函数(公式2)转换为拉格朗日函数，即：
Figure BDA0002541914300000125
Figure BDA0002541914300000126
其中，αi,
Figure BDA0002541914300000127
ηi,
Figure BDA0002541914300000128
均为拉格朗日乘子；
将公式6转化成对偶问题，即：
Figure BDA0002541914300000129
Figure BDA00025419143000001210
上述公式7和公式8为所述SVM模型超平面函数经回归分析后获得的函数。
其中，K(Xi,Xj)为核函数，也为拉格朗日系数，根据Mercer定理，核函数满足
Figure BDA00025419143000001211
Figure BDA00025419143000001212
Xj为不同于Xi的另一个样本点；αj和
Figure BDA00025419143000001213
为变换过程中用于区别αi和
Figure BDA00025419143000001214
的另外一组参数，用角标j表示加以区分。
获得最终的所述超平面函数，包括：
于所述公式7对ω求偏导数，得到：
Figure BDA0002541914300000131
将公式9带入所述公式1中，获得所述超平面函数的最终表达式，为
Figure BDA0002541914300000132
所述模型建立单元230中，需要预设的参数包括核函数K，精度参数ε，参数C。
于本实施例中，所述模型建立单元230，令核函数为RBF(Radial Basis Function，径向基函数核)，具有非线性、参数相对较少和可以映射到空间高维度等优点，即：
Figure BDA0002541914300000133
其中，σ为径向基核的带宽。
优选的，设置σ为0.1～0.5；
优选的，设置ε为0.5～1.0；
优选的，设置C为1.0～10。
于本实施例中，所述模型训练单元240，用于利用所述样本数据集对所述质量估算初始模型进行训练，获得训练后的质量估算模型；利用所述样本数据集，采用交叉验证法对所述训练后的质量估算模型进行优化，获得质量估算优化模型，包括：基于所述样本数据集对所述质量估算初始模型进行训练，获得训练后的质量估算模型；所述质量估算模型中包含经模型训练后所获得的各模型参数的初始值；以及，基于所述质量估算模型，利用所述样本数据集，采用交叉验证法进行模型的参数寻优，以优化所述质量估算模型中的所述各模型参数，进而获得质量估算优化模型。
进一步的，于本实施例中，所述装置还包括模型更新单元250，用于存储所述质量估算优化模型，当所述样本数据集更新后，基于所述新的样本数据集对所述质量估算优化模型进行再优化，并更新所述质量估算优化模型。
具体的，所述模型更新单元250存储所述模型训练单元240中的所述质量估算优化模型；当所述样本单元220中的样本数据更新后，重新训练所述质量估算优化模型，基于所述模型训练结果再次优化所述质量估算优化模型，获得新的所述质量估算优化模型，并覆盖原有的模型，从而实现所述质量估算优化模型的更新。
实施例3
本发明提供一种电子设备，所述设备包括：处理器、存储器、收发器、通信接口和系统总线；存储器和通信接口通过系统总线与处理器和收发器连接并完成相互间的通信；存储器用于存储计算机程序，通信接口用于和其他设备进行通信，处理器和收发器用于运行计算机程序，使处理设备执行如图1所示的所述基于SVM的料堆质量估算方法中的各个步骤。
上述的处理器可以是通用处理器，包括中央处理器(Central Processing Unit，简称CPU)、网络处理器(Network Processor，简称NP)等；还可以是数字信号处理器(Digital Signal Processing，简称DSP)、专用集成电路(Application SpecificIntegrated Circuit，简称ASIC)、现场可编程门阵列(Field Programmable Gate Array，简称FPGA)或者其他可编程逻辑器件、分立门或者晶体管逻辑器件、分立硬件组件。
实施例4
本发明还提供一种计算机可读存储介质，为计算机可读存储介质，存储有计算机程序，该程序被处理器调用时实现如图1所示的所述基于SVM的料堆质量估算方法中的各个步骤。所述计算机可读存储介质可能包含随机存取存储器(Random Access Memory，简称RAM)，也可能还包括非易失性存储器(non-volatile memory)，例如至少一个磁盘存储器。
综上所述，本发明提供的所述基于SVM的料堆质量估算方法、装置、电子设备和计算机可读存储介质，通过选取料堆比重、含水量、料堆体积等与料堆质量相关的多个参数作为样本数据的特征参数，参与基于SVM算法构建的质量估算模型的训练和模型优化中，从而使训练后的模型更拟合料堆质量估算的过程；相比于现有的通过人工经验估算的方式，不仅可以有效地提高料堆质量估的准确度和精度，还可以更加方便、快捷和高效地估算料堆的质量，降低了人力成本，避免了人工去现场进行质量估算的不便和潜在的危险；此外，本发明还可以通过新增的料堆样本数据不断训练和优化模型质量估算模型，从而进一步提高料堆质量估的准确度和精度。
上述实施例仅例示性说明本发明的原理及其功效，而非用于限制本发明。任何熟悉此技术的人士皆可在不违背本发明的精神及范畴下，对上述实施例进行修饰或改变。因此，举凡所属技术领域中具有通常知识者在未脱离本发明所揭示的精神与技术思想下所完成的一切等效修饰或改变，仍应由本发明的权利要求所涵盖。

Claims (10)

1.一种基于SVM的料堆质量估算方法，其特征在于，所述方法包括：
获取料堆的样本数据；通过提取所述样本数据中的料堆质量参数作为所述各样本的特征参数，并结合所述样本数据中的料堆质量，建立样本数据集；所述料堆质量参数至少包括一个料堆体积相关参数，和一个料堆密度相关参数；
基于SVM算法，通过选择核函数为径向基核函数，以及引用松弛参数，构建料堆的质量估算初始模型；
利用所述样本数据集对所述质量估算初始模型进行训练，获得训练后的质量估算模型；利用所述样本数据集，采用交叉验证法对所述训练后的质量估算模型进行优化，获得质量估算优模型；
基于所述质量估算优化模型，对待测试料堆进行质量估算，获得所述待测试料堆的质量。
2.根据权利要求1所述的基于SVM的料堆质量估算方法，其特征在于，所述通过提取所述样本数据中的料堆质量参数作为所述各样本的特征参数，并结合所述样本数据中的料堆质量，建立样本数据集，包括：
所述料堆质量参数包括料堆体积相关参数、料堆密度相关参数、料堆含水相关参数和时间相关参数，分别于所述料堆体积相关参数、所述料堆密度相关参数、所述料堆含水相关参数和所述时间相关参数中，各提取至少1个参数，作为所述样本数据的特征参数，并结合所述样本数据中的料堆质量，建立样本数据集。
3.根据权利要求1所述的基于SVM的料堆质量估算方法，其特征在于，所述通过提取所述样本数据中的料堆质量参数作为所述各样本的特征参数，并结合所述样本数据中的料堆质量，建立样本数据集，包括：
提取料堆体积、高度、料堆比重、含水量、空气湿度、堆放时间和测量月份作为所述样本数据集中各样本的特征参数，并结合所述样本数据中的料堆质量，建立样本数据集。
4.根据权利要求2至3中任一所述的基于SVM的料堆质量估算方法，其特征在于，所述建立料堆的样本数据集，还包括：对各样本数据中的各特征参数进行标准化处理。
5.根据权利要求1所述的基于SVM的料堆质量估算方法，其特征在于，所述基于SVM算法，通过选择核函数为径向基核函数，以及引用松弛参数，构建料堆的质量估算初始模型，包括：
建立SVM模型的超平面函数：
Figure FDA0002541914290000011
其中，X为样本数据，
Figure FDA0002541914290000021
为关于X的非线性函数，ω为未知的权值向量，b为未知的常数；
构建目标函数：
Figure FDA0002541914290000022
Figure FDA0002541914290000023
其中，C是常数；N为样本数据个数；Lε是不敏感的损失函数；Yi为样本数据的料堆质量；ε是精度参数；
于所述目标函数中，引入第一松弛变量ξi和第二松弛变量ξi*，将所述目标函数转换为：
Figure FDA0002541914290000024
Figure FDA0002541914290000025
通过将所述目标函数转换为对应的拉格朗日函数，和将所述拉格朗日函数转换为对偶问题，并通过对所述对偶问题求解，获得最优的超平面函数：
Figure FDA0002541914290000026
其中，K(Xi,Xj)为核函数；设置所述核函数为径向基函数核：
Figure FDA0002541914290000027
其中，σ为径向基函数核的带宽；
设置σ为0.1～0.5；设置ε为0.5～1.0；设置C为1.0～10。
6.根据权利要求1所述的基于SVM的料堆质量估算方法，其特征在于，所述方法还包括：存储所述质量估算优化模型，当所述样本数据集更新后，基于所述新的样本数据集对所述质量估算优化模型进行再优化，并更新所述质量估算优化模型。
7.一种基于SVM的料堆质量估算装置，其特征在于，所述装置包括：
输入单元，用于接收料堆的各样本数据，和用于优化模型的各组模型参数；
样本单元：用于利用所述输入单元中的料堆的样本数据，通过提取所述样本数据中的料堆质量参数作为所述各样本的特征参数，并结合所述样本数据中的料堆质量，建立样本数据集；所述料堆质量参数至少包括一个料堆体积相关参数，和一个料堆密度相关参数；
模型建立单元：用于基于SVM算法，通过选择核函数为径向基核函数，以及引用松弛参数，构建料堆的质量估算初始模型，构建料堆的质量估算初始模型；
模型训练单元：用于利用所述样本单元中的所述样本数据集，训练所述模型建立单元中的所述质量估算初始模型，获得训练后的质量估算模型；利用所述样本数据集，采用交叉验证法对所述训练后的质量估算模型进行优化，以获得质量估算优化模型；
预测单元：用于基于所述模型训练单元中的所述质量估算优化模型，对待测试料堆进行质量估算，获得所述待测试料堆的质量。
8.根据权利要求7所述的基于SVM的料堆质量估算装置，其特征在于，所述样本单元用于通过提取所述样本数据中的料堆质量参数作为所述各样本的特征参数，并结合所述样本数据中的料堆质量，建立样本数据集，包括：所述样本单元用于从所述与料堆质量相关的参数中，提取料堆体积、高度、料堆比重、含水量、空气湿度、堆放时间和测量月份作为所述样本数据集中各样本的特征参数，并结合所述样本数据中的料堆质量，建立样本数据集。
9.一种电子设备，其特征在于，包括：处理器及存储器；
所述存储器用于存储计算机程序，所述处理器用于执行所述存储器存储的计算机程序，以使所述电子设备执行如权利要求1至6中任一项所述基于SVM的料堆质量估算方法。
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至6中任一项所述基于SVM的料堆质量估算方法。
CN202010549412.6A 2020-06-16 2020-06-16 基于svm的料堆质量估算方法、装置、电子设备和介质 Active CN111723858B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202010549412.6A CN111723858B (zh) 2020-06-16 2020-06-16 基于svm的料堆质量估算方法、装置、电子设备和介质

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202010549412.6A CN111723858B (zh) 2020-06-16 2020-06-16 基于svm的料堆质量估算方法、装置、电子设备和介质

Publications (2)

Publication Number Publication Date
CN111723858A true CN111723858A (zh) 2020-09-29
CN111723858B CN111723858B (zh) 2023-07-11

Family

ID=72566901

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202010549412.6A Active CN111723858B (zh) 2020-06-16 2020-06-16 基于svm的料堆质量估算方法、装置、电子设备和介质

Country Status (1)

Country Link
CN (1) CN111723858B (zh)

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN114565231A (zh) * 2022-02-07 2022-05-31 三一汽车制造有限公司 作业方量确定方法、装置、设备、存储介质及作业机械
CN116993528A (zh) * 2023-09-27 2023-11-03 深圳市金新农科技股份有限公司 一种用于生猪饲料生产的原料投放管理方法

Citations (8)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN1975705A (zh) * 2005-11-28 2007-06-06 颐中烟草(集团)有限公司 基于回归函数估计svm的卷烟内在质量指标评估方法
CN103336090A (zh) * 2013-05-14 2013-10-02 湖南中烟工业有限责任公司 一种预测卷烟感官质量指标的支持向量机svm方法
US20160332384A1 (en) * 2014-01-16 2016-11-17 Hewlett-Packard Development Company, L.P. Generating three-dimensional objects
CN107657287A (zh) * 2017-10-26 2018-02-02 贵州电网有限责任公司电力科学研究院 一种变压器油酸值多频超声波测试回归预测方法
CN108549770A (zh) * 2018-04-13 2018-09-18 西安理工大学 基于qga-mmrvm的堆石坝材料参数自适应反演方法
CN109598180A (zh) * 2017-09-30 2019-04-09 深圳市岩尚科技有限公司 光电容积脉搏波的质量评估方法
CN110717301A (zh) * 2019-09-19 2020-01-21 中国石油大学(华东) 一种基于支持向量机算法的流动单元信息分类识别方法
CN111027257A (zh) * 2019-11-19 2020-04-17 中国矿业大学 一种利用神经网络预测粉煤覆盖煤堆安全堆储时间的方法

Patent Citations (8)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN1975705A (zh) * 2005-11-28 2007-06-06 颐中烟草(集团)有限公司 基于回归函数估计svm的卷烟内在质量指标评估方法
CN103336090A (zh) * 2013-05-14 2013-10-02 湖南中烟工业有限责任公司 一种预测卷烟感官质量指标的支持向量机svm方法
US20160332384A1 (en) * 2014-01-16 2016-11-17 Hewlett-Packard Development Company, L.P. Generating three-dimensional objects
CN109598180A (zh) * 2017-09-30 2019-04-09 深圳市岩尚科技有限公司 光电容积脉搏波的质量评估方法
CN107657287A (zh) * 2017-10-26 2018-02-02 贵州电网有限责任公司电力科学研究院 一种变压器油酸值多频超声波测试回归预测方法
CN108549770A (zh) * 2018-04-13 2018-09-18 西安理工大学 基于qga-mmrvm的堆石坝材料参数自适应反演方法
CN110717301A (zh) * 2019-09-19 2020-01-21 中国石油大学(华东) 一种基于支持向量机算法的流动单元信息分类识别方法
CN111027257A (zh) * 2019-11-19 2020-04-17 中国矿业大学 一种利用神经网络预测粉煤覆盖煤堆安全堆储时间的方法

Non-Patent Citations (5)

* Cited by examiner, † Cited by third party
Title
YANNING CAI ET AL.: ""Uncoupled mixture probability density estimation based on an improved support vector machine model"", 《2012 8TH INTERNATIONAL CONFERENCE ON NATURAL COMPUTATION》 *
李刚等: ""大型港口铁矿石堆积技法"", 《起重运输机械》, no. 06 *
王建国等: ""支持向量回归机核参数优化研究"", 《内蒙古科技大学学报》, no. 03 *
翟飞跃等: ""煤料堆测量系统的研究"", 《工业控制计算机》, vol. 28, no. 5, pages 12 - 13 *
陈耀忠等: ""大型散货码头卸船机械湿料卸载技术"", 《起重运输机械》, no. 10 *

Cited By (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN114565231A (zh) * 2022-02-07 2022-05-31 三一汽车制造有限公司 作业方量确定方法、装置、设备、存储介质及作业机械
CN116993528A (zh) * 2023-09-27 2023-11-03 深圳市金新农科技股份有限公司 一种用于生猪饲料生产的原料投放管理方法
CN116993528B (zh) * 2023-09-27 2024-01-12 深圳市金新农科技股份有限公司 一种用于生猪饲料生产的原料投放管理方法

Also Published As

Publication number Publication date
CN111723858B (zh) 2023-07-11

Similar Documents

Publication Publication Date Title
Hamze-Ziabari et al. Improving the prediction of ground motion parameters based on an efficient bagging ensemble model of M5′ and CART algorithms
Pathiraja et al. Data‐driven model uncertainty estimation in hydrologic data assimilation
Shiri et al. Comparison of heuristic and empirical approaches for estimating reference evapotranspiration from limited inputs in Iran
De Lannoy et al. Assessment of model uncertainty for soil moisture through ensemble verification
CN110570021B (zh) 径流模拟方法、装置以及计算机设备
Roodposhti et al. Towards automatic calibration of neighbourhood influence in cellular automata land-use models
CN104700118A (zh) 基于卷积神经网络的肺结节良恶性预测方法
Poterjoy et al. Efficient assimilation of simulated observations in a high-dimensional geophysical system using a localized particle filter
CN111723858A (zh) 基于svm的料堆质量估算方法、装置、电子设备和介质
CN105243394A (zh) 一种类不平衡对分类模型性能影响程度的评价方法
CN110736400B (zh) 一种考虑岩石内部构造的水下钻孔爆破振速计算方法
CN106127330A (zh) 基于最小二乘支持向量机的脉动风速预测方法
CN109829494A (zh) 一种基于加权相似性度量的聚类集成方法
Lintz et al. Quantifying ecological thresholds from response surfaces
CN107291994A (zh) 一种基于Elman神经网络模型的秸秆热值预测方法
Lamorski et al. Modelling soil water retention using support vector machines with genetic algorithm optimisation
CN111783516A (zh) 一种基于深度学习的耕地质量自然等级评价方法
CN102601881A (zh) 一种橡胶硬度的在线质量监控和预测模型更新的方法
CN113674087A (zh) 企业信用等级评定方法、装置、电子设备和介质
CN111079810A (zh) 基于支持向量机的隧道围岩等级预测方法
CN115858609A (zh) 电动汽车充电桩状态监测方法、故障鉴定方法及电子设备
Viji et al. Predictions on compaction characteristics of fly ashes using regression analysis and artificial neural network analysis
Adde et al. Too many candidates: Embedded covariate selection procedure for species distribution modelling with the covsel R package
CN110852415B (zh) 基于神经网络算法的植被指数预测方法、系统及设备
Ismayilov et al. Mathematical models of fertility for the soils of Azerbaijan

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