CN114385965A - 适用于智能终端的温度快速预测方法、装置与设备 - Google Patents
适用于智能终端的温度快速预测方法、装置与设备 Download PDFInfo
- Publication number
- CN114385965A CN114385965A CN202111561292.2A CN202111561292A CN114385965A CN 114385965 A CN114385965 A CN 114385965A CN 202111561292 A CN202111561292 A CN 202111561292A CN 114385965 A CN114385965 A CN 114385965A
- Authority
- CN
- China
- Prior art keywords
- temperature
- function
- time
- data
- prediction
- 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.)
- Withdrawn
Links
- 238000000034 method Methods 0.000 title claims abstract description 34
- 238000012887 quadratic function Methods 0.000 claims abstract description 30
- 238000005259 measurement Methods 0.000 claims abstract description 23
- 238000012888 cubic function Methods 0.000 claims abstract description 21
- 238000012360 testing method Methods 0.000 claims abstract description 4
- 238000005070 sampling Methods 0.000 claims description 46
- 230000006870 function Effects 0.000 claims description 26
- 238000009529 body temperature measurement Methods 0.000 claims description 19
- 238000001514 detection method Methods 0.000 claims description 12
- 238000004590 computer program Methods 0.000 claims description 6
- 230000015654 memory Effects 0.000 claims description 6
- 238000006467 substitution reaction Methods 0.000 claims description 5
- 230000001052 transient effect Effects 0.000 abstract description 4
- 238000002474 experimental method Methods 0.000 abstract description 2
- 230000001419 dependent effect Effects 0.000 abstract 1
- 238000004422 calculation algorithm Methods 0.000 description 19
- 238000010801 machine learning Methods 0.000 description 11
- 230000000875 corresponding effect Effects 0.000 description 8
- 238000013528 artificial neural network Methods 0.000 description 2
- 238000010586 diagram Methods 0.000 description 2
- 230000000694 effects Effects 0.000 description 2
- BASFCYQUMIYNBI-UHFFFAOYSA-N platinum Chemical compound [Pt] BASFCYQUMIYNBI-UHFFFAOYSA-N 0.000 description 2
- 238000007637 random forest analysis Methods 0.000 description 2
- 238000011160 research Methods 0.000 description 2
- 208000019901 Anxiety disease Diseases 0.000 description 1
- 230000003044 adaptive effect Effects 0.000 description 1
- 230000032683 aging Effects 0.000 description 1
- 238000012271 agricultural production Methods 0.000 description 1
- 230000036506 anxiety Effects 0.000 description 1
- 238000004364 calculation method Methods 0.000 description 1
- 230000002596 correlated effect Effects 0.000 description 1
- 238000013480 data collection Methods 0.000 description 1
- 230000003111 delayed effect Effects 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 230000037213 diet Effects 0.000 description 1
- 235000005911 diet Nutrition 0.000 description 1
- 230000007613 environmental effect Effects 0.000 description 1
- 230000003699 hair surface Effects 0.000 description 1
- 238000009776 industrial production Methods 0.000 description 1
- 238000012886 linear function Methods 0.000 description 1
- 238000012417 linear regression Methods 0.000 description 1
- 210000002569 neuron Anatomy 0.000 description 1
- 230000007935 neutral effect Effects 0.000 description 1
- -1 nickel-chromium-nickel-aluminum Chemical compound 0.000 description 1
- 229910052697 platinum Inorganic materials 0.000 description 1
- 238000012545 processing Methods 0.000 description 1
- 210000000664 rectum Anatomy 0.000 description 1
- 230000000630 rising effect Effects 0.000 description 1
- 230000006403 short-term memory Effects 0.000 description 1
- 239000013589 supplement Substances 0.000 description 1
- 238000004861 thermometry Methods 0.000 description 1
- 238000012795 verification Methods 0.000 description 1
Images
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
- G06F17/11—Complex mathematical operations for solving equations, e.g. nonlinear equations, general mathematical optimization problems
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01K—MEASURING TEMPERATURE; MEASURING QUANTITY OF HEAT; THERMALLY-SENSITIVE ELEMENTS NOT OTHERWISE PROVIDED FOR
- G01K3/00—Thermometers giving results other than momentary value of temperature
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Mathematical Physics (AREA)
- Pure & Applied Mathematics (AREA)
- Mathematical Optimization (AREA)
- Mathematical Analysis (AREA)
- Computational Mathematics (AREA)
- Data Mining & Analysis (AREA)
- Theoretical Computer Science (AREA)
- Operations Research (AREA)
- Algebra (AREA)
- Databases & Information Systems (AREA)
- Software Systems (AREA)
- General Engineering & Computer Science (AREA)
- Investigating Or Analyzing Materials Using Thermal Means (AREA)
Abstract
本发明公开了一种适用于智能终端的温度快速预测方法、装置与设备,能做到基于一组较少的瞬态测量数据预测其稳态测量数据。本发明首先设三次函数c(t)拟合采样温度数据,这些数据是在tn‑k到tn的极短时间内由测量产生的;然后让二次函数f(t)作为一个预测函数,通过点(tn,c(tn)),并共享在该点的同一斜率的sn;最后尝试找到下一个点(tn+m,f(tn+m)),其中斜率满足sn+m=sn/2,其中m强烈依赖于sn,通过一个经验公式得到。f(t)可由(tn,c(tn)),sn和sn+m确定。实验表明,对于90%的二十个以上的检测样本其f(t)的最大值很好地接近被测对象的稳态温度,误差很小。
Description
技术领域
本发明属于数据处理技术领域,具体涉及一种适用于智能终端的温度快速预测方法、装置与设备。
背景技术
在工农业生产、科学研究、医疗服务以及日常生活领域中,温度测量是人们最频繁又是最重要的活动,然而,由于传感器与测量对象之间的热平衡需要经历一定的时间,因此温度测量往往具有输出结果延时的特性,因而往往带来不适和不便。例如常见的体温测量要求测量时间不少于数分钟,若测量对象是人体往往会带来焦虑,若测量对象是动物,由于缺乏耐力或惧怕测量仪器,往往更困难。红外测温装置可能是一种解决方案,但毛发和皮毛覆盖可能会产生较大的误差。又例如,铂热电偶的温度范围大致在0~1600℃,镍铬-镍铝热电偶的温度范围大致在-200~1300℃,若被测对象的温度变化范围很大,达到-200~1600℃,则要求用两种传感器进行切换,增加测量成本。
现有的温度预测方法的研究主要专注于机器学习(ML)的方法。如文献[Morishima,S.,Xu,Y.,Urashima,A.et al.Human body skin temperature predictionbased on machine learning.Artif Life Robotics 26,103–108(2021)]采用基于长短期记忆(LSTM)网络的ML来预测皮肤温度。它采用皮肤温度的历史采集值和当前环境温度、湿度、大气压力作为输入,但在数据采集阶段消除了个体差异、活动、饮食等因素。采样3分钟的数据形成输入向量,在LSTM网络内部使用20个神经元,得到当前皮肤温度的预测结果作为输出。采用自适应矩估计优化器中的均方误差(MSE)作为损失函数,得到均方根误差(RMS)为0.315℃,均方根百分比误差(PE)为0.90%。而用33~37℃的数据预测24~31℃范围内的温度时,RMS误差和RMS PE分别为0.543℃和1.52%。
文献[Gorczyca,M.T.,et al."Machine learning algorithms to predictcore,skin,and hair-coat temperatures of piglets."Computers and Electronics inAgriculture151(2018):286-294.]测试了四种不同的ML算法,以测量时间点、补充热量(不同功率的灯照射)、空气温度和黑球温度为输入,预测仔猪的核心温度(直肠)和皮肤温度(裸面和毛面)。对基于前馈深度神经网络(DNN)、梯度增强机(GBM)、随机森林(RF)和广义线性回归(GLM)的四种算法进行了性能评价。在上述算法中,直肠温度、皮肤表面温度和毛发表面温度的最佳平均绝对熵分别达到0.36%、0.62%和1.35%。结果表明,前三种算法对大范围的输入具有较强的鲁棒性,而后一种算法的鲁棒性较差。
如前所述,现有的研究大多依赖于基于ML的神经网络来预测温度,有些已经取得了准确的结果,但代价是难以忍受的时间消耗。如果让这些算法在普通的个人电脑(PC)上运行,上述算法所占用的时间从几十分钟到几个小时不等。如果在以手机为主的智能终端执行,计算能力肯定会比PC差很多,耗时肯定会更长。对于上述问题,如何能做到基于一组较少的瞬态测量数据快速预测其稳态测量数据,以适用于计算能力较弱的便携式智能终端,是值得研究的课题。
发明内容
发明目的:针对现有技术中存在的问题,本发明目的在于提供一种适用于智能终端的温度快速预测方法、装置与设备,能够以较少的瞬态测量数据快速预测其稳态测量数据,使其能够适用于大众普及化更高的便携式设备。
技术方案:为实现上述发明目的,本发明采用如下技术方案:
一种适用于智能终端的温度快速预测方法,所述方法以三次函数c(t)拟合采样温度数据,并以二次函数f(t)作为预测函数;所述二次函数与所述三次函数在温度采样点tn满足f(tn)=c(tn),并共享同一斜率sn;以所述二次函数最大值作为稳态温度预测值;其中t表示时间,n为预设的拟合三次函数c(t)与预测二次函数f(t)相切的采样点的索引号;所述方法具体包括如下步骤:
实时采集检测对象的温度,至少获得第n个采样点及之前的若干个采样点的温度测量值;
将实时采集到的数据进行三次函数拟合,得到多项式系数,并将第n个采样点对应的时间tn代入拟合的函数的导数函数以计算斜率sn;
将对检测对象的实时采集数据对应的tn和sn代入tn+m关于tn的经验公式计算得到tn+m,并根据如下公式得到二次函数f(t)=a2t2+a1t+a0的各项系数:
其中Tn为tn时刻的温度测量采集样本值;所述tn+m关于tn的经验公式根据温度测量的历史记录数据样本集确定,tn+m为二次函数f(t)上斜率为sn/2的采样时间,其中m>0;
作为优选,所述tn+m关于tn的经验公式根据如下方法确定:tn+m>tn,且tn+m随sn增加而单调增加,增加的幅度由单调增函数确定,其中单调增函数由指数函数和线性函数组合而成,指数函数的指数以及线性函数的线性增长速率由检测对象同类对象的温度测量的历史记录数据样本集确定。
作为优选,所述tn+m关于tn在采样频率为10Hz下的经验公式表示为tn+m=tn+10(100sn)1/αβ,其中,参数α和β基于历史记录数据样本集确定。
作为优选,根据温度测量的历史记录数据样本集确定tn+m关于tn的经验公式中的参数的方法为:基于第j个与检测对象同类对象的历史记录数据样本集{(ti,Ti)|t0≤ti≤ts}得到拟合函数cj(t)及其导数c′j(t),其中j∈{1…J},[t0,ts]为测量时间范围,J为同类对象数量;将tn代入c′j(t)得到cj(t)在tn的斜率sn=c′j(t),将tn和sn代入经验公式并调节参数,直至tn+m代入关于预测函数fj(t)的各项系数公式进而求得a2和a1,对所有同类对象的历史记录数据样本集重复上述步骤,直至对中的x%个体满足f′j(tn)-f′j(tn+m)/2<∈,其中f′j(t)为fj(t)的导数,x%为预设的百分比,∈为预设的阈值。
作为优选,对实时采集到的数据进行三次函数拟合时,去除测量温度上升初始阶段的不稳定采样点后,选择tn-k到tn,k>0的数据进行拟合。
作为优选,n和k根据如下方法确定:n在满足要求的预测精度条件下尽可能小,且满足n<n2,n-k>n1,其中n1选择温度上升初始阶段不稳定采样点的温度采集样本的最大索引号,n2选择满足的温度拟合样本的最小索引号,其中δ为预设的温度差值。
基于相同的发明构思,本发明提供的一种适用于智能终端的温度快速预测装置,包括:
采集模块,用于实时采集检测对象的温度,至少获得第n个采样点及之前的若干个采样点的温度测量值;其中n为预设的对温度采集样本数据拟合的三次函数c(t)与用于预测的二次函数f(t)相切的同一温度采样点的索引号,在该采样点二次函数f(t)与三次函数c(t)共享同一斜率sn;t表示时间;
温度预测模块,用于将实时采集到的数据进行三次函数拟合,得到多项式系数,并将第n个采样点对应的时间tn代入拟合的函数的导数函数以计算斜率sn;以及将实时采集数据对应的tn和sn代入tn+m关于tn的经验公式计算得到tn+m,并根据如下公式得到二次函数f(t)=a2t2+a1t+a0的各项系数:
其中Tn为tn时刻的温度测量采集样本值;所述tn+m关于tn的经验公式根据温度测量的历史记录数据样本集确定,tn+m为二次函数f(t)上斜率为sn/2的采样时间,其中m>0;
作为优选,所述采集模块的采样频率在10Hz以上,实时采集的时间少于30秒。
基于相同的发明构思,本发明提供的一种电子设备,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,所述计算机程序被加载至处理器时实现所述的适用于智能终端的温度快速预测方法。
进一步地,所述电子设备还包括温度采集器件,用于测量检测对象的温度,以10Hz以上的采样频率输出温度采样数据。
有益效果:本发明提出的温度快速预测方法,可以快速预测稳态温度,只需要目前流行的基于机器学习的方法通常需要的最多十分之一的测量时间(主要包括采样时间和计算时间)。本发明首先用三次函数c(t)拟合采样温度数据,这些数据是在tn-k到tn的极短时间内由测量产生的;然后让二次函数f(t)=a2t2+a1t+a0作为一个预测函数,通过点(tn,c(tn)),并与c(t)共享同一斜率的sn;再尝试找到下一个点(tn+m,f(tn+m)),使斜率满足sn+m=sn/2,m强烈依赖于sn,可通过经验公式确定。最后f(t)可由(tn,c(tn)),sn和tn+m确定,f(t)的最大值很好地接近被测对象的稳态温度,误差很小。在移动终端(手机)上使用本发明只需要最长30秒的测量时间,比目前流行的基于机器学习的方法运行快得多。实验表明,本发明方法在精度和速度方面都有优势,特别适用于便携式移动终端。
附图说明
图1为本发明实施例中基于瞬态温度测量数据预测稳态温度的原理图。
图2为本发明实施例的验证结果图。
具体实施方式
下面结合附图和具体实施例,对本发明做进一步的说明。
在理想条件下,采样的温度值随采样时间的增加而单调上升。在非理想条件下,可以有波动上升,但总体上升趋势仍然是单调的。然而,在单调递增曲线中寻找一个特殊的点作为预测值是比较困难的。因此,我们使用凹函数而不是单调递增函数作为替代。
如图1所示,实测温度曲线反映了其单调性,而抛物线则用于预测。由于测量温度沿曲线往往存在一定的波动,因而用单调递增曲线拟合测量温度值以求温度变化曲线光滑。需要注意的是,由于要求快速测量,可用于曲线拟合的实测值非常有限,位于[tn-k,tn]的一个小区域内,而不是如图1所示的[t0,ts]的整个范围内。这种局限性正是本发明所提算法的价值所在,它依赖于尽可能短的温度测量持续时间来预测最终的稳态温度。测量时间越短,越有价值。
本发明算法的主要思想是,抛物线包含或多或少的实际测量温度变化曲线的信息,如果它们是相关的。它们关联得越充分,它包含的此类信息就越多。本发明算法的目标是让抛物线包含关于最终稳定状态温度的足够信息,即图1中标记的Ts。如图1所示,此时则可认为抛物线的最大值Tp是Ts的预测值。
本发明实施例公开的一种适用于智能终端的温度快速预测方法,在上述思想的基础上,首先设一个在[tn-k,ts]内凹且单调递增的三次函数c(t)
c(t)=p3t3+p2t2+p1t+p0, (1)
以拟合在持续时间[tn-k,tn]内获得的离散测量样本。合理选择n和k的数值有助于在尽可能少的测量时间范围内满足预测精度,可根据如下方法确定取值范围:n在满足要求的预测精度条件下尽可能小,且满足n<n2,n-k>n1即k<n-n1,其中n1选择温度上升初始阶段严重不稳定采样点的温度采集样本的最大索引号,n2选择满足的温度拟合样本的最小索引号,其中δ为预设的很小的温度差值,例如可将其预设为0.1。
c(t)的系数,P=[p3,p2,p1,p0],应满足https://neutrium.net/mathematics/least-squares-fitting-of-a-polynomial/所给出的方程组:
对于式(1),c(t)在t=tn的斜率sn,如下导出:
令如下二次函数f(t):
f(t)=a2t2+a1t+a0, (4)
作为预测函数预测图1中的Ts,即c(t)的稳态值.为了达到这个目的,令f(t)满足如下三方程:
首先,令f(t)通过点(tn,Tn),即满足如下方程:
其次,令f(t)在点(tn,Tn)与c(t)的斜率相等,即满足如下方程:
f′(tn)=2a2tn+a1=sn,(6)
然后,令f(t)在点(tn+m,Tn+m)的斜率等于其在点(tn,Tn)的斜率的一半,即满足如下方程:
f′(tn+m)=2a2tn+m+a1=sn/2, (7)
需要说明,选用温度变化曲线在点(tn,Tn)的斜率sn的一半所在点(tn+m,Tn+m),而非其它特殊(例如斜率等于或趋于0)的点,所基于的思想如下:在时间点tn温度上升得越快,即斜率sn越大,至后续温度上升速率降至0所需的时间必然越长,同时也意味着至后续温度上升速率降至sn/2所在的时间tn+m必然越远离tn。由于温度达到理想稳态所经历的时间太长,造成确定tn+m经验公式的参数α和β所需的与检测对象同类动物的历史记录数据集过于庞大,给实际应用造成障碍,为了避免此情况发生应该选用超前稳态点且落后tn不远的某个时间点,故而选用温度上升速率降至sn/2所在的时间点tn+m作为确定预测函数f(t)的依据之一。
其中tn+m为可设置变量,它是一个与sn+m强相关的变量,由于tn+m随sn增加而单调增加,增幅应由单调增函数确定,故而本实施例选用典型的单调增函数指数函数(以1/α为指数)和线性函数(以β为线性增长速率)组成的组合函数。在具体示例中,如为采样频率为10Hz时,tn+m关于tn的经验公式可表示为:
tn+m=tn+10(100sn)1/αβ, (8)
其中α和β基于被检测对象的同类对象温度测量的历史记录数据样本集{(ti,Ti)|t0≤ti≤ts}用如下方法确定:
假设现有与检测对象同类的对象集合{1…J}的温度测量历史记录数据集,不失一般性基于第j个对象的历史记录的数据集{(ti,Ti)|t0≤ti≤ts},得到拟合函数cj(t)及其导数c′j(t),将tn代入c′j(t)得到cj(t)在cn的斜率sn=c′j(t),将tn和sn代入公式(8),并联合调节参数α和β,直至tn+m代入关于预测函数fj(t)的各项系数公式进而求得a2和a1,再基于另一对象的历史记录的数据集{(ti,Ti)|t0≤ti≤ts}重复上述步骤,直至对中的x%个体满足f′j(tn)-f′j(tn+m)/2<∈,其中f′j(t)为fj(t)的导数,x%为预设的百分比,例如可设为90%,∈为预设的很小值,即满足2a2(2tn+m-tn)+a1≈0。
于是,如式(4)所示f(t)的最大值所在位置的导数应满足f′(t)=0,由此得到如下最大值公式:
其中a0,a1和a2通过求解如式(5)-(7)所示的方程组求解,结果如式(10)表示:
基于上述原理,设计算法的伪代码如表1所示:
表1温度测量快速预测伪代码
为了测试表1所示算法的精度和快速性,我们使用了一组通过标准温度计以10Hz的采样频率从特定温度范围的实验室热源中获取的数据。相关参数配置如下:n=300,k=50,α=9,β=37,测试结果如图2所示。根据我们的观察,在测量的初始阶段,温度可能显著不稳定,这可能是几乎水平或大幅波动,所以我们采用相当少的一部分数据,让k=50,也就是说,记录的数据的三次函数拟合是选择索引号从250到300,就像图2中所示末端带有圆圈标志的实线中一段粗线那样。基于温度计测量的数据范围如此之小情况下,确定了一个二次函数,它能够预测以圆圈为标志的即将到来的稳定状态温度。预测的温度正好位于抛物线曲线的顶点,正如三角形标志所示。显然,预测误差就是三角形标志的高度与圆形标志的高度之差。结果表明,采用实验室热源,在32~48℃的范围内,对90%的检测样本预测误差不大于0.2℃,在精度上不低于前述的大多数基于ML的算法。同时,在Matlab2019b平台上显示,本发明算法的执行时间小于0.3秒,在执行速度上优于基于ML的算法。由此可见,基于表1所示的算法较基于ML的算法在复杂度上具压倒性优势,对于以手机为代表的便携终端,尤为适用。
基于相同的发明构思,本发明实施例提供的一种适用于智能终端的温度快速预测装置,包括:采集模块,用于实时采集检测对象的温度,至少获得第n个采样点及之前的若干个采样点的温度测量值;温度预测模块,用于将实时采集到的数据进行三次函数拟合,得到多项式系数,并将第n个采样点对应的时间tn代入拟合的函数的导数函数以计算斜率sn;以及将实时采集数据对应的tn和sn代入tn+m关于tn的经验公式计算得到tn+m,并根据如下公式得到二次函数f(t)=a2t2+a1t+a0的各项系数:
基于相同的发明构思,本发明提供的一种电子设备,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,所述计算机程序被加载至处理器时实现所述的适用于智能终端的温度快速预测方法。进一步地可还包括温度采集器件,用于测量检测对象的温度,以10Hz以上的采样频率输出温度采样数据。
Claims (10)
1.一种适用于智能终端的温度快速预测方法,其特征在于,所述方法以三次函数c(t)拟合采样温度数据,并以二次函数f(t)作为预测函数;所述二次函数与所述三次函数在温度采样点tn满足f(tn)=c(tn),并共享同一斜率sn;以所述二次函数最大值作为稳态温度预测值;其中t表示时间,n为预设的拟合三次函数c(t)与预测二次函数f(t)相切的采样点的索引号;所述方法具体包括如下步骤:
实时采集检测对象的温度,至少获得第n个采样点及之前的若干个采样点的温度测量值;
将实时采集到的数据进行三次函数拟合,得到多项式系数,并将第n个采样点对应的时间tn代入拟合的函数的导数函数以计算斜率sn;
将对检测对象的实时采集数据对应的tn和sn代入tn+m关于tn的经验公式计算得到tn+m,并根据如下公式得到二次函数f(t)=a2t2+a1t+a0的各项系数:
其中Tn为tn时刻的温度测量采集样本值;所述tn+m关于tn的经验公式根据温度测量的历史记录数据样本集确定,tn+m为二次函数f(t)上斜率为sn/2的采样时间,其中m>0;
2.根据权利要求1所述的适用于智能终端的温度快速预测方法,其特征在于,所述tn+m关于tn的经验公式根据如下方法确定:tn+m>tn,且tn+m随sn增加而单调增加,增加的幅度由单调增函数确定,其中单调增函数由指数函数和线性函数组合而成,指数函数的指数以及线性函数的线性增长速率由检测对象同类对象的温度测量的历史记录数据样本集确定。
3.根据权利要求2所述的适用于智能终端的温度快速预测方法,其特征在于,所述tn+m关于tn在采样频率为10Hz下的经验公式表示为tn+m=tn+10(100sn)1/αβ,其中,参数α和β基于历史记录数据样本集确定。
4.根据权利要求1所述的适用于智能终端的温度快速预测方法,其特征在于,根据温度测量的历史记录数据样本集确定tn+m关于tn的经验公式中的参数的方法为:基于第j个与检测对象同类对象的历史记录数据样本集{(ti,Ti)|t0≤ti≤ts}得到拟合函数cj(t)及其导数c′j(t),其中j∈{1…J},[t0,ts]为测量时间范围,J为同类对象数量;将tn代入c′j(t)得到cj(t)在tn的斜率sn=c′j(t),将tn和sn代入经验公式并调节参数,直至tn+m代入关于预测函数fj(t)的各项系数公式进而求得a2和a1,对所有同类对象的历史记录数据样本集重复上述步骤,直至对中的x%个体满足f′j(tn)-f′j(tn+m)/2<∈,其中f′j(t)为fj(t)的导数,x%为预设的百分比,∈为预设的阈值。
5.根据权利要求1所述的适用于智能终端的温度快速预测方法,其特征在于,对实时采集到的数据进行三次函数拟合时,去除测量温度上升初始阶段的不稳定采样点后,选择tn-k到tn,k>0的数据进行拟合。
7.一种适用于智能终端的温度快速预测装置,其特征在于,包括:
采集模块,用于实时采集检测对象的温度,至少获得第n个采样点及之前的若干个采样点的温度测量值;其中n为预设的对温度采集样本数据拟合的三次函数c(t)与用于预测的二次函数f(t)相切的同一温度采样点的索引号,在该采样点二次函数f(t)与三次函数c(t)共享同一斜率sn;t表示时间;
温度预测模块,用于将实时采集到的数据进行三次函数拟合,得到多项式系数,并将第n个采样点对应的时间tn代入拟合的函数的导数函数以计算斜率sn;以及将实时采集数据对应的tn和sn代入tn+m关于tn的经验公式计算得到tn+m,并根据如下公式得到二次函数f(t)=a2t2+a1t+a0的各项系数:
其中Tn为tn时刻的温度测量采集样本值;所述tn+m关于tn的经验公式根据温度测量的历史记录数据样本集确定,tn+m为二次函数f(t)上斜率为sn/2的采样时间,其中m>0;
8.根据权利要求7所述的适用于智能终端的温度快速预测装置,其特征在于,所述采集模块的采样频率在10Hz以上,实时采集的时间少于30秒。
9.一种电子设备,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,所述计算机程序被加载至处理器时实现根据权利要求1-6任一项所述的适用于智能终端的温度快速预测方法。
10.根据权利要求9所述的电子设备,其特征在于,还包括温度采集器件,用于测量检测对象的温度,以10Hz以上的采样频率输出温度采样数据。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202111561292.2A CN114385965A (zh) | 2021-12-17 | 2021-12-17 | 适用于智能终端的温度快速预测方法、装置与设备 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202111561292.2A CN114385965A (zh) | 2021-12-17 | 2021-12-17 | 适用于智能终端的温度快速预测方法、装置与设备 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN114385965A true CN114385965A (zh) | 2022-04-22 |
Family
ID=81198062
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202111561292.2A Withdrawn CN114385965A (zh) | 2021-12-17 | 2021-12-17 | 适用于智能终端的温度快速预测方法、装置与设备 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN114385965A (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN116979570A (zh) * | 2023-09-20 | 2023-10-31 | 天津电力工程监理有限公司 | 微电网混合型储能方法、系统及装置 |
-
2021
- 2021-12-17 CN CN202111561292.2A patent/CN114385965A/zh not_active Withdrawn
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN116979570A (zh) * | 2023-09-20 | 2023-10-31 | 天津电力工程监理有限公司 | 微电网混合型储能方法、系统及装置 |
CN116979570B (zh) * | 2023-09-20 | 2024-01-05 | 天津电力工程监理有限公司 | 微电网混合型储能方法、系统及装置 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
US20170303819A1 (en) | Method and system for alcohol sensing device characterization | |
Djedidi et al. | Accurate detection and discrimination of pollutant gases using a temperature modulated MOX sensor combined with feature extraction and support vector classification | |
CN102722197A (zh) | 一种自校准的温度控制装置及方法 | |
CN112946484A (zh) | 一种基于bp神经网络的soc估计方法、系统、终端设备及可读存储介质 | |
CN110514322A (zh) | 一种高精度温度传感器 | |
CN110006829A (zh) | 一种基于最小二乘法的微型光谱仪标定方法 | |
CN114385965A (zh) | 适用于智能终端的温度快速预测方法、装置与设备 | |
CN104545870A (zh) | 用于心率检测的床垫和心率检测方法 | |
US20230172555A1 (en) | Sensor error mitigation | |
Shaout et al. | Low cost embedded weather station with intelligent system | |
CN114879770B (zh) | 一种基于线性回归预测的恒温控制方法 | |
CN110598336B (zh) | 热水器用水量预测方法及装置、热水器及电子设备 | |
Hsu et al. | A machine-learning assisted sensor for chemo-physical dual sensing based on ion-sensitive field-effect transistor architecture | |
CN111780892A (zh) | 一种温度检测设备的校准方法及装置 | |
Nasution et al. | Predict the percentage error of LM35 temperature sensor readings using simple linear regression analysis | |
Giriraj Kumar et al. | Particle swarm optimization technique based design of Pi controller for a real-time non-linear process | |
CN113646625A (zh) | 用于使用谐波关系监测分析物浓度的方法和设备 | |
CN109324941B (zh) | 一种温度采集方法、终端及存储介质 | |
WO2014144337A1 (en) | Neural network solar irradiance sensor | |
CN110537900A (zh) | 体温数据处理装置及其体温数据处理方法 | |
CN117249922A (zh) | 一种用于温度测试仪的温度校准方法及系统 | |
CN104897966A (zh) | 一种氮氧传感器芯片铂电阻零度阻值检测系统及方法 | |
Ma et al. | OL-SVR based soft-sensor for real-time estimation of solar irradiance | |
CN115265805A (zh) | 一种基于热电堆的温度标定方法、存储介质及相关设备 | |
CN114444543A (zh) | 一种光谱数据处理方法、装置、存储介质及电子设备 |
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 | ||
WW01 | Invention patent application withdrawn after publication |
Application publication date: 20220422 |
|
WW01 | Invention patent application withdrawn after publication |