专利汇可以提供一种基于机器学习的智能粮仓管控方法及终端专利检索,专利查询,专利分析的服务。并且本 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。,下面是一种基于机器学习的智能粮仓管控方法及终端专利的具体信息内容。
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:
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 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:
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:
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 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:
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。
标题 | 发布/更新时间 | 阅读量 |
---|---|---|
一种含在线修正的航空发动机智能多变量控制方法 | 2020-05-12 | 138 |
一种舰载机导引路径规划方法 | 2020-05-12 | 403 |
基于神经计算的短波单站多目标地理坐标快速估计方法 | 2020-05-08 | 756 |
一种利用基于图论的多重交互网络机制解决视频问答问题的方法 | 2020-05-11 | 839 |
一种基于深度去噪神经网络的空间调制系统的工作方法 | 2020-05-13 | 47 |
一种基于动态注意力机制的多事件视频描述方法 | 2020-05-14 | 931 |
一种基于代码更改关键类判定的代码提交注释预测方法 | 2020-05-14 | 417 |
一种基于用户动态偏好与注意力机制的兴趣点推荐方法 | 2020-05-13 | 369 |
文本处理模型的运行方法、装置、电子设备、及存储介质 | 2020-05-14 | 95 |
具有学习教练的异步代理以及在不降低性能的情况下在结构上修改深度神经网络 | 2020-05-15 | 71 |
高效检索全球专利专利汇是专利免费检索,专利查询,专利分析-国家发明专利查询检索分析平台,是提供专利分析,专利查询,专利检索等数据服务功能的知识产权数据服务商。
我们的产品包含105个国家的1.26亿组数据,免费查、免费专利分析。
专利汇分析报告产品可以对行业情报数据进行梳理分析,涉及维度包括行业专利基本状况分析、地域分析、技术分析、发明人分析、申请人分析、专利权人分析、失效分析、核心专利分析、法律分析、研发重点分析、企业专利处境分析、技术处境分析、专利寿命分析、企业定位分析、引证分析等超过60个分析角度,系统通过AI智能系统对图表进行解读,只需1分钟,一键生成行业专利分析报告。