CN111915246B - 一种粮仓储粮数量平行检测方法 - Google Patents
一种粮仓储粮数量平行检测方法 Download PDFInfo
- Publication number
- CN111915246B CN111915246B CN202010597484.8A CN202010597484A CN111915246B CN 111915246 B CN111915246 B CN 111915246B CN 202010597484 A CN202010597484 A CN 202010597484A CN 111915246 B CN111915246 B CN 111915246B
- Authority
- CN
- China
- Prior art keywords
- parallel detection
- virtual
- detection model
- real
- data
- 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.)
- Active
Links
- 238000001514 detection method Methods 0.000 title claims abstract description 139
- 238000003860 storage Methods 0.000 title claims abstract description 25
- 238000000034 method Methods 0.000 claims abstract description 68
- 230000003993 interaction Effects 0.000 claims abstract description 28
- 238000000354 decomposition reaction Methods 0.000 claims abstract description 26
- 238000000605 extraction Methods 0.000 claims abstract description 19
- 230000006870 function Effects 0.000 claims description 30
- 239000013598 vector Substances 0.000 claims description 25
- 238000012549 training Methods 0.000 claims description 15
- 238000013528 artificial neural network Methods 0.000 claims description 14
- 238000013136 deep learning model Methods 0.000 claims description 11
- 238000012545 processing Methods 0.000 claims description 6
- 238000002474 experimental method Methods 0.000 claims description 5
- 239000000203 mixture Substances 0.000 claims description 5
- 230000009466 transformation Effects 0.000 claims description 4
- 238000013461 design Methods 0.000 abstract description 8
- 230000008901 benefit Effects 0.000 abstract description 4
- 238000013473 artificial intelligence Methods 0.000 abstract description 3
- 239000000523 sample Substances 0.000 description 37
- 230000006978 adaptation Effects 0.000 description 19
- 239000003795 chemical substances by application Substances 0.000 description 19
- 230000004913 activation Effects 0.000 description 11
- 238000005457 optimization Methods 0.000 description 11
- 230000008569 process Effects 0.000 description 11
- 238000004422 calculation algorithm Methods 0.000 description 9
- 230000000739 chaotic effect Effects 0.000 description 7
- 238000009826 distribution Methods 0.000 description 6
- 230000010354 integration Effects 0.000 description 6
- 238000005259 measurement Methods 0.000 description 5
- 238000011160 research Methods 0.000 description 5
- LELOWRISYMNNSU-UHFFFAOYSA-N hydrogen cyanide Chemical compound N#C LELOWRISYMNNSU-UHFFFAOYSA-N 0.000 description 4
- 239000002245 particle Substances 0.000 description 4
- 238000010586 diagram Methods 0.000 description 3
- 238000011156 evaluation Methods 0.000 description 3
- 238000005070 sampling Methods 0.000 description 3
- 238000012360 testing method Methods 0.000 description 3
- 230000001133 acceleration Effects 0.000 description 2
- 230000000694 effects Effects 0.000 description 2
- 230000006872 improvement Effects 0.000 description 2
- 238000010801 machine learning Methods 0.000 description 2
- 238000013507 mapping Methods 0.000 description 2
- 210000004205 output neuron Anatomy 0.000 description 2
- 230000000717 retained effect Effects 0.000 description 2
- 238000009827 uniform distribution Methods 0.000 description 2
- 238000012935 Averaging Methods 0.000 description 1
- 241000544061 Cuculus canorus Species 0.000 description 1
- 230000003044 adaptive effect Effects 0.000 description 1
- 230000002776 aggregation Effects 0.000 description 1
- 238000004220 aggregation Methods 0.000 description 1
- 230000003042 antagnostic effect Effects 0.000 description 1
- 230000008485 antagonism Effects 0.000 description 1
- 238000013459 approach Methods 0.000 description 1
- 238000004364 calculation method Methods 0.000 description 1
- 238000004140 cleaning Methods 0.000 description 1
- 239000002131 composite material Substances 0.000 description 1
- 238000013527 convolutional neural network Methods 0.000 description 1
- 230000001419 dependent effect Effects 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 238000011478 gradient descent method Methods 0.000 description 1
- 239000011159 matrix material Substances 0.000 description 1
- 230000007246 mechanism Effects 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 210000002569 neuron Anatomy 0.000 description 1
- 238000010606 normalization Methods 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 238000005381 potential energy Methods 0.000 description 1
- 238000007781 pre-processing Methods 0.000 description 1
- 239000002243 precursor Substances 0.000 description 1
- 238000010845 search algorithm Methods 0.000 description 1
- 230000001131 transforming effect Effects 0.000 description 1
- 230000000007 visual effect Effects 0.000 description 1
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
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/08—Learning methods
Landscapes
- Engineering & Computer Science (AREA)
- Business, Economics & Management (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Economics (AREA)
- Software Systems (AREA)
- Accounting & Taxation (AREA)
- Data Mining & Analysis (AREA)
- Evolutionary Computation (AREA)
- General Health & Medical Sciences (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- General Engineering & Computer Science (AREA)
- Biophysics (AREA)
- Mathematical Physics (AREA)
- Biomedical Technology (AREA)
- Artificial Intelligence (AREA)
- Life Sciences & Earth Sciences (AREA)
- Computational Linguistics (AREA)
- Finance (AREA)
- Development Economics (AREA)
- Health & Medical Sciences (AREA)
- Entrepreneurship & Innovation (AREA)
- Human Resources & Organizations (AREA)
- Marketing (AREA)
- Operations Research (AREA)
- Quality & Reliability (AREA)
- Strategic Management (AREA)
- Tourism & Hospitality (AREA)
- General Business, Economics & Management (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明属于人工智能应用在粮食储藏技术领域，具体涉及一种粮仓储粮数量平行检测方法，首先，采用混合数据生成方法根据真实数据样本产生虚拟数据样本，然后，分别输入平行检测模型，其中初级层采用分解条件模糊推理进行特征抽取，经过特征共享层实现虚实数据特征互动，根据目标函数设计实现多层特征抽取，接着，经过回归层输出粮食数量；为进一步提高泛化能力，采用区间二型模糊集成的虚实互动平行检测模型，最终输出由真实数据驱动的区间二型模糊推理系统得到；本发明的粮仓储粮数量平行检测方法检测结果精度高、模型泛化能力强，具有重要技术应用和推广价值。
Description
技术领域
本发明属于人工智能应用在粮食储藏技术领域，具体涉及一种粮仓储粮数量平行检测方法。
背景技术
粮仓储粮数量是粮库检测的最核心部分。目前国内外学者主要探索和研究两种粮仓储粮数量检测方式，一种就是通过直接检测粮仓粮食的实际重量，进而获得直观的数据；另外一种就是通过测量粮仓粮堆的体积，以一定的运算规则进行计算获得粮堆重量。它们分别被称为直接法和间接法。直接法测量结果准确且操作方便，但是相关设备造价高昂，易受到人为干扰，对储粮的监管方面比较薄弱，不适于清仓查库。间接法根据使用的检测手段不同，分为激光扫描法、测距法、图像识别法和压力传感器法。其中压力传感器法以其准确的测量结果和低廉的使用成本得到广泛重视。岳智岫等建立基于Janssen原理的指数关系储粮数量检测模型，采用BP神经网络对数据进行预处理，构建基于指数关系项的多项式模型，降低检测系统的误差，使其可以实时有效地检测粮仓储粮数量。庞闻辉等分析了基于传感器中值均值与标准差的数据预处理方法，研究了基于改进的布谷鸟搜索算法优化Janssen神经网络检测模型的建模方法。李贝等着重研究了SVR算法在检测粮仓储粮数量方面的应用。通过使用压力传感器网络采集仓底压力,并利用SVR算法做储粮数量回归预测。张鑫等提出了一种深度受限玻尔兹曼机与支持向量回归机结合的储粮数量检测方法，该方法以内外圈压力传感器输出值均值作为输入，通过深度受限玻尔兹曼机对数据集进行重构，再利用支持向量回归进行拟合回归。在以上研究中，虽然取得了较之前方法更加准确的粮堆测重结果，但是其性能有限模型泛化能力不佳。
发明内容
为了解决现有技术中存在的问题，本发明提出了一种粮仓储粮数量平行检测方法，以粮仓储粮数量为研究对象，采用平行检测为研究手段，重点研究在真实实验样本数据获得成本较高条件下采用真实实验数据样本和生成的虚拟数据样本在特征空间的“互动”设计集成平行检测模型，实现了对粮仓储粮数量的高精度检测。
为解决上述技术问题，本发明采用以下的技术方案：
本发明提供的一种粮仓储粮数量平行检测方法，包含以下步骤：
采用混合数据生成方法根据真实数据样本产生虚拟数据样本；
构建基于特征共享的虚实互动平行检测模型，将真实数据样本和虚拟数据样本分别输入平行检测模型进行处理，输出粮食数量；
构建区间二型模糊集成的虚实互动平行检测模型，将多组平行检测模型的输出分别输入集成平行检测模型进行处理，得到最终输出粮食数量。
进一步地，混合数据生成方法采用基本数据生成方法和生成对抗网络混合模式。
进一步地，采用基本数据生成方法和生成对抗网络混合模式根据真实数据样本产生虚拟数据样本，包括：
对于真实数据样本训练得到随机函数连接分解模糊神经网络；
采用基本数据生成方法，对于高维压力传感器数据输入向量加入高斯噪声，初步生成多组虚拟输入数据样本；
采用生成对抗网络对上面初步生成的多组虚拟输入数据样本和真实实验输入数据样本通过对抗训练，最终生成多组虚拟输入数据样本；
将上面最终生成的多组虚拟输入数据样本输入之前训练好的随机函数连接分解模糊神经网络计算得到相应储粮数量标签。
进一步地，基于特征共享的虚实互动平行检测模型包括真实数据检测部分和虚拟数据检测部分，所述真实数据检测部分和虚拟数据检测部分均包括初级层、特征抽取层和回归层，在两部分之间设置特征共享层；
初级层采用分解条件模糊推理对虚拟数据或真实数据进行特征抽取；
通过线性/非线性变换得到的特征共享层实现虚实数据特征互动；
由特征共享层再到特征抽取层进行多层特征抽取；
最后经过回归层计算输出粮食数量。
进一步地，区间二型模糊集成的虚实互动平行检测模型分为同质集成平行检测模型或者异质集成平行检测模型，具体包括：
对于虚实互动的平行检测模型分为同质结构或者异质结构，当真实数据样本和虚拟数据样本输入的深度学习模型类型相同时，称为同质平行检测模型，当真实数据样本和虚拟数据样本采用的深度学习模型类型不同时，称为异质平行检测模型；
当由同质平行检测模型区间二型集成的平行检测模型是同质的，异质平行检测模型区间二型集成的平行检测模型是同质的或者异质的，如果每个异质平行检测模型包含的两种深度学习模型分别相同，则集成的平行检测模型也是同质的，否则，只要存在某个异质平行检测模型和其他异质平行检测模型的组成不同，集成的平行检测模型是异质的。
进一步地，区间二型模糊集成的虚实互动平行检测模型中个体平行检测模型的数量通过目标函数的满意值选择确定。
进一步地，对于个体平行检测模型的输出结果采用加权平均的方法计算出各自的输出；区间二型模糊集成的虚实互动平行检测模型的最终输出采用区间二型模糊推理系统实现。
与现有技术相比，本发明具有以下优点：
粮仓中压力传感器的有效合理的布置取决于检测成本和精度要求，如图1所示，在实际应用中，压力传感器由于其固有特性，在数值获取上稳定性稍有欠缺，通常采用多次测量求平均值的方法来降低因不能精确测量压力而带来的误差。从理论上讲，为了更好消除随机干扰带来的测量误差，需要重复实验多次得到一组样本数据，费时费力，成本较高；针对这一问题，本发明通过混合数据生成方法使用少量真实实验数据样本产生虚拟数据样本，作为真实实验数据样本的“虚拟同伴”，由于生成虚拟数据样本成本低廉质量可靠，将其和真实实验数据样本一起用于集成平行检测模型的训练，增加训练样本的多样性，有利于提高检测模型的检测效果，减少真实实验数据样本的采集数量，降低成本。
基于大数据驱动的机器学习模型的设计是人工智能领域的核心问题之一，由于实际问题属性不同导致模型具体需求的差异，至今没有一个统一有效的方法训练深度学习模型，完全依靠研究者的经验和不断的试验以及硬件计算能力的限制，具有局限性。本发明提出了粮仓储粮数量平行检测方法，首先，采用混合数据生成方法根据真实数据样本产生虚拟数据样本，然后，分别输入平行检测模型，其中初级层采用分解条件模糊推理进行特征抽取，经过特征共享层实现虚实数据特征互动，根据目标函数设计实现多层特征抽取，接着，经过回归层输出粮食数量；为进一步提高泛化能力，采用区间二型模糊集成的虚实互动平行检测模型，最终输出由真实数据驱动的区间二型模糊推理系统得到；本发明的粮仓储粮数量平行检测方法检测结果精度高、模型泛化能力强，具有重要技术应用和推广价值。
附图说明
为了更清楚地说明本发明实施例或现有技术中的技术方案，下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图是本发明的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其它的附图。
图1是粮仓压力传感器布置图，其中D表示内圈距离，d表示外圈距离；
图2是本发明实施例的判别器的结构示意图；
图3是本发明实施例的混合数据生成方法串联模式的流程图；
图4是本发明实施例的混合数据生成方法并联模式的流程图；
图5是本发明实施例的同质平行检测模型的结构示意图；
图6是本发明实施例的异质平行检测模型的结构示意图；
图7是本发明实施例的粮仓储粮数量平行检测方法的流程图。
具体实施方式
为使本发明实施例的目的、技术方案和优点更加清楚，下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例是本发明一部分实施例，而不是全部的实施例，基于本发明中的实施例，本领域普通技术人员在没有做出创造性劳动的前提下所获得的所有其他实施例，都属于本发明保护的范围。
如图7所示，本实施例的粮仓储粮数量平行检测方法，包含以下步骤：
步骤S101，采用混合数据生成方法根据真实数据样本产生虚拟数据样本；
步骤S102，构建基于特征共享的虚实互动平行检测模型，将真实数据样本和虚拟数据样本分别输入平行检测模型进行处理，输出粮食数量；
步骤S103，构建区间二型模糊集成的虚实互动平行检测模型，将多组个体平行检测模型的输出分别输入区间二型模糊推理系统进行集成处理，得到最终输出粮食数量。
粮仓压力传感器布置困难，真实实验数据采集费时费力，成本高，而丰富多样的数据样本对基于大数据驱动的机器学习模型的储粮数量检测模型的准确性和泛化能力起决定性作用，因此，本实施例中采用基本数据生成方法(噪声干扰、插值)和生成对抗网络((generative adversarial network，GAN))混合模式根据真实数据样本产生虚拟数据样本，如图3和图4所示，具体过程如下：
步骤S1011，对于真实实验数据样本(高维压力传感器数据输入向量Xk和对应的储粮数量标签yk)训练得到随机函数连接分解模糊神经网络(random function-linked decomposed fuzzy neural network，RFLDFNN)，即随机生成分解模糊子系统规则前件高斯隶属函数参数cij,σij和后件参数psj，有：
其中和/>分别表示分解的前件高斯隶属函数，/>表示第k个输入样本向量Xk的第i个分量。采用模糊推理计算模糊子系统j的输出/>即：
其中表示子系统j的输出，j＝1,…,M，M表示分解模糊子系统的数目，N表示输入样本数据数目，3n表示子系统中规则数目，n表示输入样本传感器数目，/>表示l、c或r分解隶属函数，/>表示三角范数，psj是取值在[-1,1]中的服从均匀分布的随机数。结合高维输入向量Xk构成输入特征矩阵Φ＝[X|Osfs]，其中：
输出权值Θ＝[Θ9 ΘO]T，其中则有ΦΘ＝Y，Y＝[y1 … yN]T。基于最小二乘原理采用广义逆方法计算输出权值向量，即
Θ＝Φ+Y，Φ+是Moore-Penrose广义逆。
步骤S1012，对于高维压力传感器数据输入向量采用基本数据生成方法，例如对于输入数据向量Xk加入均值为零，方差不等的高斯噪声N(0,σl)，l＝1,…,L生成多组虚拟输入数据样本/>
步骤S1013，采用本发明改进的粒子群优化生成对抗网络(improved particleswarm optimized generative adversarial network，IPSO-GAN)对步骤S1012生成的多组虚拟输入数据样本(包括真实实验输入数据样本)l＝0,1,…,L进行对抗训练，其中表示真实传感器实验数据。在这里采用深度条件模糊残差卷积神经网络作为生成对抗网络的判别器，网络结构如图2所示。
判别器是深度条件模糊残差卷积神经网络，它的初级层执行条件模糊推理过程，当输入信号是时，条件模糊集合隶属函数可以采用zslice定理表示，条件模糊集合/>的zslice为/>z∈[0,1]，即/>其中zslice的隶属函数对于第k个输入向量Xk的第i个分量xi k，xi k代替上面公式里的x，有：
其中表示三角范数，/>和/>表示条件高斯模糊集合在(xi k,z)处的隶属区间的下、上界。fj(Xk,z)表示模糊规则j的激活区间，当z取[0,1]时Fj(Xk)是相应规则的激活模糊集合，对于所有模糊规则激活集合，采用模糊集合的归一化(割集定理和KM迭代算法)计算归一化激活模糊集合Fj(Xk)，计算它的质心即为规则j的清晰输出/>所以有特征向量/>作为后续残差卷积层、全连接层和softmax层的输入向量，其中cj k是/>的简写。下面需要采用优化算法选择判别器的目标函数，使得生成样本判别输出均值和负对数梯度范数的加权和达到最大值，即：
其中η∈[0,1]是加权系数，NG是生成器产生的虚拟数据样本数量，N是真实传感器数据样本数量，||·||2表示向量-2范数，表示求判别器D参数的梯度，D(·)表示判别器的输出，Xk表示初步生成的虚拟输入样本数据和真实样本数据，G(Zk)表示生成器G(·)生成的虚拟样本数据。
下面通过改进的粒子群优化机制确定最优的生成对抗网络判别器。
A.产生初始种群。对于改进粒子群算法，随机生成初始种群P0，种群数目为NT，P0中智能体(agent)可以表示为[AC(1(0) AC(2(0) … AC(d(0)]，r＝1,…NT。其中ACr1表示加权系数，ACr1∈[0,1]，余下的ACr2～ACrd表示二进制串，它的位数取决于待选的目标函数的数目。对于初始种群中的每一智能体，经过混沌映射α，β>0，ACrt表示智能体ACr的第t个分量，得到对应的种群/>将各个分量变换到各自的取值范围内，得到种群Pn＝[AC(1(n) … AC(d(n)]。其中ACr(n)表示第n次混沌迭代的智能体，ACr1(n)表示单位区间内的实数，ACr2(n)-ACrd(n)是经过四舍五入得到的二进制数。由此得到候选初始种群P＝[P0…Pn]，它包括(n+1)NT个智能体。计算P中每一个智能体的适应值Fit，即对于智能体ACr∈P得到对应的目标函数，例如ACr2…ACrd＝0…1对应判别器D最小二乘目标函数：
其中N和NG分别表示真实传感器数据和虚拟样本数据数目，LX和LG(Z)表示样本对应的标签。根据公式(6)训练生成器G和判别器D，根据公式(5)计算适应值Fit。对于(n+1)NT个智能体得到适应值向量从中选取适应值最大的Nb个智能体备用，从余下的(n+1)NT-Nb个按照赌轮盘原理从中选择NT-Nb个智能体，形成由NT个智能体组成的初始种群Pint。保留初始种群中适应值最大的智能体ACmax，/>
B.初始化参数。c1,c2是加速因子；r1,r2,r3,r4∈[0,1]是均匀随机数；Maxiter表示最大迭代次数；T是周期，n是周期数目，w是惯性因子；iter表示迭代变量。
C.迭代寻优。当iter<Maxiter时，惯性权值w＝0.55(-0.5iter/Maxiter)。判断iter<(n-1)T+T/2是否成立，如果成立，则有
ACrt(iter+1)＝ACrt(iter)+velrt(iter+1) (7b)
其中ACrt(iter)表示第iter迭代智能体ACr的第t个分量；velrt(iter)表示智能体位置的导数。否则，如果(n-1)T+T/2≤iter≤nT成立，则有
ACrt(iter+1)＝velrt(iter+1) (8b)
其中加速因子c1＝c2＝1，r4、r5是服从均匀分布的[0,1]的随机数。当ACr1(iter+1)>1，取ACr1(iter+1)＝1；或ACr1(iter+1)<0时，取ACr1(iter+1)＝0。对于t＝2,…,d时，[ACrt(iter+1)]＝0或1，取最接近的整数。
D.评估每个智能体的适应值。对于新产生的各个智能体ACr(iter+1)，对应着不同的判别器D，分别进行对抗训练，得到各个生成对抗网络。根据公式(5)计算它们的适应值Fitr(iter+1)，判别它们各自到iter+1次迭代最好的智能体适应值，记录该适应值和对应的智能体/>记录目前迭代次数的最优适应值Fit(iter+1)，和历史最优智能体的适应值比较，如果优于历史最优值，则发生代替，即目前最优智能体代替历史最优智能体，相应的适应值也发生代替。
E.迭代过程继续，如果连续Td次迭代，历史最优值均未有大的改善，即
成立，ε是充分小的正数。则引入混沌算子修改智能体，使之更广泛分布于候选解空间，即其中cs表示混沌序列，例如logistic映射，Henon映射等，/>代替ACmin(iter+1)进行迭代，以增加种群的多样性。采用上面所述的方法对混沌干扰后的智能体进行取值限制检查，保证其在搜索空间内进行搜索。
F.迭代过程继续，判断iter>Maxiter成立与否，如果成立，迭代停止，否则，转到C继续迭代寻优过程。最后，得到最优的判别器Dbest，并使用其对应的生成对抗网络生成最优的多组虚拟输入传感器数据样本。
步骤S1014，将其作为输入样本数据输入之前训练好的随机函数连接分解模糊神经网络计算得到相应储粮数量标签。即对于虚拟输入样本其中分量/>是合成的第i维传感器数据。输入神经网络时，分解模糊子系统j规则前件隶属度为：
模糊规则的激活力是 表示l,c,r。子系统j内归一化模糊规则激活力为/>则子系统输出/> 最终输出标签为/> 表示模糊子系统规则后件，R表示子系统规则数目，wi和wj分别表示输出权值。当采用不同混合方式以及生成对抗网络及其变种产生虚拟数据时，数据样本的概率分布的变化情况将对结果产生复杂影响。
基于特征共享的虚实互动平行检测模型包括真实数据检测部分和虚拟数据检测部分，真实数据检测部分和虚拟数据检测部分均包括初级层、特征抽取层和回归层，在两部分之间设置特征共享层；过程如下：
步骤S1021，初级层采用分解条件模糊推理对虚拟数据和真实数据进行特征抽取；
步骤S1022，通过线性/非线性变换得到的特征共享层实现虚实数据特征互动，以便增强检测模型的表示能力改善检测准确性；
步骤S1023，由特征共享层再到特征抽取层进行多层特征抽取；
步骤S1024，最后经过回归层计算输出粮食数量。
对于虚实互动的平行检测模型分为同质结构或者异质结构，如图5所示，当真实数据样本和虚拟数据样本采用的深度学习模型(例如多层分解条件模糊神经网络)类型相同时，称为同质平行检测模型，如图6所示，当真实数据样本和虚拟数据样本采用的深度学习模型类型不同时，称为异质平行检测模型。
初级层特征抽取是采用分解条件模糊推理进行的，它由若干个分解条件模糊子系统构成，结构设计问题包括子系统的个数和每个子系统中模糊规则数目的确定。采用奇异值分解技术约简各个子系统中的规则数目以致确定子系统的数目。输入数据样本采用模糊c均值聚类，聚类数目为H，得到聚类中心/>对于属于某一聚类的数据样本/>计算它们到聚类中心的距离，得到距离集合/>计算它的均值/>和方差/>高斯条件模糊集合的半径是对称三角模糊集合Σ＝{a∑,b∑,c∑}，有b∑＝(a∑+c∑)/2，它的均值MΣ和方差SΣ分别表示为
当和/>时，三参数aΣ，bΣ，cΣ可以得到，半径参数Σ确定。在确定分解条件模糊推理规则前件参数的基础上，进行高斯条件模糊集合隶属函数分解，即
采用z切片表示法得到由此可得子系统模糊规则激活模糊集合/>采用割集定理对激活集合(一型模糊集合)在分解条件模糊子系统内进行归一化，即对于/>采用分解定理可得/> 对z∈[0,1]离散化可以得到归一化激活区间上下界矩阵，即
其中Nb是一批输入样本数据的数目，R表示分解子系统j的模糊规则数目，FS j(z)和分别表示z切片归一化激活区间上下界矩阵。采用奇异值分解技术对公式(13)中的FS j(z)和/>进行分解，根据能量占比(保留下来的奇异值占总的奇异值的比率)(ζ是根据实际问题确定的常数)，得到保留下来的奇异值的数目d以及相对应的规则编号集合/>或/>则最终保留的模糊规则编号/>则每个条件模糊子系统保留下来的规则激活模糊集合为/>r＝1,…,Ij。重新计算归一化激活模糊集合/>与后件/>加权求和可得子系统输出模糊集合/>计算输出模糊集合的质心/> 则输出初级特征向量为/>
经初级层特征抽取(对同质平行检测模型，真实传感器数据样本和虚拟传感器数据样本分别经过分解条件模糊推理)，得到的虚/实特征向量 和/>进行线性或非线性特征变换，其中虚/实特征向量分别采用权值和/或偏置参数共享(在减少内存占用的同时提高模型泛化能力)，即/>T＝(t1,…ts)共享特征向量，F是线性或非线性激活函数，Wv和Wr是连接权值向量，它的每一维是相等的实数/> 偏置/> 类似地，/> 归一化参数向量同理/>对于以上操作计算得到特征共享层输出神经元采用dropout方法动态控制训练过程中网络的正则化程度进一步提高其泛化能力。按照神经元采样概率ps(t)与训练过程中目标函数值的关系，即
选择确定dropout采样服从的概率分布具有的性质，例如单调性、对称性和全局最值等。因为没有一种采样概率分布适合于所有建模问题，本发明提出基于拉普拉斯采样分布的dropout在同质平行检测模型和异质(多层分解条件模糊神经网络和堆叠自动编码器/深度置信网络+回归层)平行检测模型上使用。
接着，确定特征共享层的数目是平行检测模型结构设计的重要问题。它们的确定受到多种因素影响，例如真实传感器数据样本和虚拟传感器数据样本分布的接近程度，同质或异质平行检测模型所选用的网络类型和拓扑连接、平行检测模型参数优化调节的方式等。从结构简单为目标的检测器设计理念(特征共享层数目越少越好)出发，采用自适应结构设计方法，从初级层开始设计特征共享层，由特征共享层再到各自特征抽取层进行特征抽取，经过回归层计算输出粮食数量评估训练误差，采用梯度下降法调整优化参数，训练结束后，采用真实传感器样本作为测试数据计算测试误差评估泛化能力，达到要求即停止，否则增加新的特征共享层，循环以上过程直到满足终止条件。
为进一步提高平行检测模型的泛化能力，采用区间二型模糊集成技术建立集成的虚实互动平行检测模型用以精准检测粮仓储粮数量。这里包括三个技术要点：采用同质或异质区间二型集成模型；集成模型中采用平行检测模型的数目；采用区间二型推理方法从个体平行检测模型的输出得到最终的检测结果(储粮数量)。
(1)在区间二型集成方法中，采用同质/异质集成是一个重要的问题，对于虚实互动的平行检测模型本身也分为同质/异构结构，当由同质平行检测模型区间二型集成的平行检测模型是同质的，异质平行检测模型区间二型集成的平行检测模型可能是同质的也可能是异质的，如果每个异质平行检测模型包含的两种深度学习模型分别相同，则集成的平行检测模型也是同质的，否则，只要存在某个异质平行检测模型和其他异质平行检测模型的组成不同，集成的平行检测模型是异质的。另外，平行检测模型和非平行检测模型组成的区间二型集成平行检测模型是异质的。
(2)同质/异质平行检测模型的组成和数量，通过目标函数的满意值选择确定，当满意值是ε时，区间二型集成模型选择最小数目的满足要求的同质/异质平行检测模型时实验效果最好。
(3)对于个体平行检测模型的输出采用加权平均的方法计算出各自的输出，其中平行的两个深度学习模型的输出权值(非负实数且和为1)通过优化学习确定。
区间二型模糊集成的虚实互动平行检测模型的最终输出采用区间二型模糊推理系统实现。在确定该最终输出推理系统时，为避免可能出现过拟合现象，采用不同于之前训练数据的全新的真实传感器数据样本作为训练数据，通过集成的若干个平行检测模型得到输出数据样本并以此作为区间二型模糊推理系统的后件输出Oc(Xk)＝(oc1(Xk),…,oc6(Xk))，采用相应的标注yk作为区间二型模糊推理系统的期望输出，该推理系统采用区间二型模糊集合作为规则前件，相较于传统模糊集合，由于同时拥有上、下隶属函数，其推理采用区间二型模糊推理得到前件输出和后件输出Oc(Xk)加权得到最后输出。在这里，区间二型隶属函数是sigmoid函数，即
其中是区间数。初始区间二型模糊规则通过量子聚类方法确定，采用量子聚类算法搜索使量子处于势能最小的位置作为聚类中心，规则数目等于聚类数目(根据经验公式确定)，规则前件初始参数根据聚类中心确定，在此基础上采用的初始参数优化算法是改进混沌供需优化算法，即：
A.随机产生初始价格(price)个体Pi和数量(quantity)个体Qi，i＝1,…,N。个体维数是D＝2nM，n是数据样本维数，M是模糊规则数。对于初始个体Pi和Qi使用混沌映射迭代产生新的个体，即
Pi(t)＝Ft(Pi) (16a)
Qi(t)＝Gt(Qi) (16b)
其中Ft和Gt分别表示t次复合混沌映射，t≥1。经过T次迭代后得到(T+1)N个价格个体和数量个体。
B.适应值评估。根据适应函数计算以上初始个体的适应值Fit。适应函数是目标函数的倒数，即
其中∈表示充分小正数。Fit是价格个体或数量个体的适应值。计算2(T+1)N个个体的适应值，得到价格适应值向量和数量适应值向量对以上两个适应值向量按从大到小排序，采用高斯分布概率p从中分别选择N个个体组成初始价格个体Pini和数量个体Qini。计算各自适应值最大值和/>及其对应价格个体/>和数量个体/>将其分别赋予历史最优价格个体和数量个体，即
其中和/>表示历史价格最优适应值和历史数量最优适应值，ph(0)和qh(0)分别表示初始历史最优价格个体和数量个体。
C.迭代优化。Tmax表示最大迭代次数，t表示迭代变量。当t≤Tmax时，价格群体和数量群体分别采用以下优化公式
其中表示平衡价格个体，它的确定要通过多次实验验证，对于不同问题有不同的最佳取值。wi(t)＝γwi(t-1)(1-wi(t-1))，wi(0)∈[0,1]，γ≥4，ci是取值范围[-1,1]中的随机数，s1和s2是取值在[1,4]中的随机数。/>表示t时刻数量个体qi(t)的历史最优个体。/>表示t时刻数量群体Q(t)的历史最优个体适应值相应的数量个体是t时刻历史最优个体qmax(t)。对t+1时刻的pi(t+1)和qi(t+1)进行适应值评估，当/> 时，qi(t+1)代替pi(t+1)，计算t+1时刻的价格个体和数量个体历史最优，即当/>时，则/>且同理，当/>时，则/> 且/>类似地，t+1时刻历史价格群体最优适应值相应的个体是历史价格最优值pmax(t+1)，同理可得历史数量最优值qmax(t+1)。因为/> 因此实际输出区间二型模糊推理前件最优参数向量用pmax(t+1)表示。当连续迭代十次最优参数向量仍未更新且迭代次数t≤75％Tmax时，采用对公式(19)产生的pi(t+1)和qi(t+1)加入噪声干扰助其离开局部极值。
D.输出最终粮食数量。当输入测试真实传感器样本时，区间二型模糊集成平行检测模型利用经过迭代寻优得到的规则前件参数向量/>即可得到规则激活力区间/>和相应的平行检测模型输出Oj(Xk)进行加权求和得到最终输出粮食数量
因为分母是区间数，可采用KM算法得到最终结果。
需要说明的是，在本发明中，术语“包括”、“包含”或者任何其它变体意在涵盖非排它性的包含，从而使得包括一系列要素的过程、方法、物品或者设备不仅包括那些要素，而且还包括没有明确列出的其它要素，或者是还包括为这种过程、方法、物品或者设备所固有的要素。
本领域普通技术人员可以理解：实现上述方法实施例的全部或部分步骤可以通过程序指令相关的硬件来完成，前述的程序可以存储在计算机可读取的存储介质中，该程序在执行时，执行包括上述方法实施例的步骤；而前述的存储介质包括：ROM、RAM、磁碟或者光盘等各种可以存储程序代码的介质中。
最后需要说明的是：以上所述仅为本发明的较佳实施例，仅用于说明本发明的技术方案，并非用于限定本发明的保护范围。凡在本发明的精神和原则之内所做的任何修改、等同替换、改进等，均包含在本发明的保护范围内。
Claims (3)
1.一种粮仓储粮数量平行检测方法，其特征在于，包含以下步骤：
步骤1、采用混合数据生成方法根据真实数据样本产生虚拟数据样本，其中混合数据生成方法采用基本数据生成方法和生成对抗网络混合模式；步骤1具体包括：
对于真实数据样本训练得到随机函数连接分解模糊神经网络；
采用基本数据生成方法，对于高维压力传感器数据输入向量加入高斯噪声，初步生成多组虚拟输入数据样本；
采用生成对抗网络对上面初步生成的多组虚拟输入数据样本和真实实验输入数据样本通过对抗训练，最终生成多组虚拟输入数据样本；
将上面最终生成的多组虚拟输入数据样本输入之前训练好的随机函数连接分解模糊神经网络计算得到相应储粮数量标签；
步骤2、构建基于特征共享的虚实互动平行检测模型，将真实数据样本和虚拟数据样本分别输入平行检测模型进行处理，输出粮食数量；
所述基于特征共享的虚实互动平行检测模型包括真实数据检测部分和虚拟数据检测部分，所述真实数据检测部分和虚拟数据检测部分均包括初级层、特征抽取层和回归层，在两部分之间设置特征共享层；
初级层采用分解条件模糊推理对虚拟数据或真实数据进行特征抽取；
通过线性/非线性变换得到的特征共享层实现虚实数据特征互动；
由特征共享层再到特征抽取层进行多层特征抽取；
最后经过回归层计算输出粮食数量；
步骤3、构建区间二型模糊集成的虚实互动平行检测模型，将多组平行检测模型的输出分别输入集成平行检测模型进行处理，得到最终输出粮食数量；
所述区间二型模糊集成的虚实互动平行检测模型分为同质集成平行检测模型或者异质集成平行检测模型，具体包括：
对于虚实互动的平行检测模型分为同质结构或者异质结构，当真实数据样本和虚拟数据样本输入的深度学习模型类型相同时，称为同质平行检测模型，当真实数据样本和虚拟数据样本采用的深度学习模型类型不同时，称为异质平行检测模型；
当由同质平行检测模型区间二型集成的平行检测模型是同质的，异质平行检测模型区间二型集成的平行检测模型是同质的或者异质的，如果每个异质平行检测模型包含的两种深度学习模型分别相同，则集成的平行检测模型也是同质的，否则，只要存在某个异质平行检测模型和其他异质平行检测模型的组成不同，集成的平行检测模型是异质的。
2.根据权利要求1所述的粮仓储粮数量平行检测方法，其特征在于，区间二型模糊集成的虚实互动平行检测模型中个体平行检测模型的数量通过目标函数的满意值选择确定。
3.根据权利要求2所述的粮仓储粮数量平行检测方法，其特征在于，对于个体平行检测模型的输出结果采用加权平均的方法计算出各自的输出；区间二型模糊集成的虚实互动平行检测模型的最终输出采用区间二型模糊推理系统实现。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202010597484.8A CN111915246B (zh) | 2020-06-28 | 2020-06-28 | 一种粮仓储粮数量平行检测方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202010597484.8A CN111915246B (zh) | 2020-06-28 | 2020-06-28 | 一种粮仓储粮数量平行检测方法 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN111915246A CN111915246A (zh) | 2020-11-10 |
| CN111915246B true CN111915246B (zh) | 2024-04-26 |
Family
ID=73227951
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202010597484.8A Active CN111915246B (zh) | 2020-06-28 | 2020-06-28 | 一种粮仓储粮数量平行检测方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN111915246B (zh) |
Families Citing this family (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN112367130B (zh) * | 2020-11-20 | 2023-04-07 | 河南工业大学 | 一种无线网络信号传输强度计算方法及计算机存储介质 |
| CN113552450A (zh) * | 2021-07-07 | 2021-10-26 | 上海交通大学 | 一种基于虚拟传感器的局部放电源定位方法 |
| CN114358244B (zh) * | 2021-12-20 | 2023-02-07 | 淮阴工学院 | 基于物联网的压力大数据智能检测系统 |
| CN114637206B (zh) * | 2022-03-18 | 2024-03-29 | 合肥工业大学 | 一种基于双聚类自适应模糊神经网络的重量控制方法 |
Citations (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN104330137A (zh) * | 2014-08-14 | 2015-02-04 | 河南工业大学 | 基于检测点压强值序列的粮仓储粮数量检测方法 |
| CN108985440A (zh) * | 2018-09-05 | 2018-12-11 | 河南工业大学 | 区间二型直觉模糊随机向量函数连接神经网络设计方法 |
| CN109598337A (zh) * | 2018-12-05 | 2019-04-09 | 河南工业大学 | 分解模糊神经网络优化方法及装置 |
| CN110823338A (zh) * | 2018-08-10 | 2020-02-21 | 河南工业大学 | 基于底面单圈标准差对数模型的粮仓检测方法及系统 |
-
2020
- 2020-06-28 CN CN202010597484.8A patent/CN111915246B/zh active Active
Patent Citations (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN104330137A (zh) * | 2014-08-14 | 2015-02-04 | 河南工业大学 | 基于检测点压强值序列的粮仓储粮数量检测方法 |
| CN110823338A (zh) * | 2018-08-10 | 2020-02-21 | 河南工业大学 | 基于底面单圈标准差对数模型的粮仓检测方法及系统 |
| CN108985440A (zh) * | 2018-09-05 | 2018-12-11 | 河南工业大学 | 区间二型直觉模糊随机向量函数连接神经网络设计方法 |
| CN109598337A (zh) * | 2018-12-05 | 2019-04-09 | 河南工业大学 | 分解模糊神经网络优化方法及装置 |
Also Published As
| Publication number | Publication date |
|---|---|
| CN111915246A (zh) | 2020-11-10 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN111915246B (zh) | 一种粮仓储粮数量平行检测方法 | |
| Isa et al. | Using the self organizing map for clustering of text documents | |
| Qiao et al. | Short-term traffic flow prediction based on 1DCNN-LSTM neural network structure | |
| CN106355192B (zh) | 一种基于混沌灰狼优化的支持向量机方法 | |
| CN115060497B (zh) | 基于ceemd能量熵和优化pnn的轴承故障诊断方法 | |
| Kuo et al. | Application of a hybrid of genetic algorithm and particle swarm optimization algorithm for order clustering | |
| Bala et al. | Applications of metaheuristics in reservoir computing techniques: a review | |
| Chen et al. | Adaptive feature selection-based AdaBoost-KNN with direct optimization for dynamic emotion recognition in human–robot interaction | |
| CN115096590B (zh) | 一种基于iwoa-elm的滚动轴承故障诊断方法 | |
| CN106022954B (zh) | 基于灰色关联度的多重bp神经网络负荷预测方法 | |
| CN111988329B (zh) | 一种基于深度学习的网络入侵检测方法 | |
| Gu et al. | Bayesian Takagi–Sugeno–Kang fuzzy model and its joint learning of structure identification and parameter estimation | |
| CN109472352A (zh) | 一种基于特征图统计特征的深度神经网络模型裁剪方法 | |
| CN116015967B (zh) | 基于改进鲸鱼算法优化delm的工业互联网入侵检测方法 | |
| CN114004383A (zh) | 时间序列预测模型的训练方法、时间序列预测方法及装置 | |
| CN112287592A (zh) | 一种基于深度置信网络的工业设备故障诊断方法及系统 | |
| Ma | An Efficient Optimization Method for Extreme Learning Machine Using Artificial Bee Colony. | |
| CN112529684A (zh) | 一种基于fwa_dbn的客户信用评估方法及系统 | |
| CN114220164B (zh) | 一种基于变分模态分解和支持向量机的手势识别方法 | |
| CN117273105A (zh) | 一种针对神经网络模型的模块构建方法及装置 | |
| Aik et al. | Distance weighted K-Means algorithm for center selection in training radial basis function networks | |
| Chouikhi et al. | Adaptive extreme learning machine for recurrent beta-basis function neural network training | |
| CN114841252A (zh) | 一种航空航天制造过程中多源异构大数据融合方法及系统 | |
| CN113836818A (zh) | 一种基于bp神经网络预测模型的洋流运动预测算法 | |
| Sineglazov et al. | Forecasting aircraft miles flown time series using a deep learning-based hybrid approach |
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 |