[发明专利]冷链物流中气体感知的校准方法及多源感知装置

权利要求书

1.一种基于ELM神经网络的冷链物流中气体感知校准方法，该方法包括如下步骤：

S1、获取动态冷链物流环境要素测量值、气体测量电压信号以及气体实际浓度值的多组监测数据，所述环境要素至少包括温度和湿度；

S2、将S1获取的多组监测数据作为ELM神经网络模型的训练样本，以环境要素测量值、气体测量电压信号为模型输入样本，气体实际浓度值作为模型输出样本，训练前对输入样本和输出样本进行归一化预处理；

S3、随机生成输入层权重和隐含层偏置值，基于最小二乘算法，利用Moore-Penrose广义逆矩阵计算输出层权重，得到校准ELM神经网络模型；所述步骤S3随机生成输入层权重，和隐含层偏置值，隐含层输出通过下式计算：

， （2）

， （3）

式中，为隐含层输出矩阵，为线性激活函数；

其中，当输出层权重矩阵表示如下式：

， （4）

则，输出样本矩阵可通过下式计算：

， （5）

根据式（5），未知的输出层权重值通过最小二乘法计算，如下式：

， （6）

式中，为矩阵的Moore-Penrose广义逆矩阵；

S4、对S3得到的ELM神经网络模型输出值进行反归一化回归处理，通过回归和期望输出对比，计算回归相对误差和回归标准差；

S5、获取目标冷链物流环境动态测量值和动态气体测量电压信号输入所述校准ELM神经网络模型，输出气体校准值。

2.根据权利要求1所述的校准方法，其特征在于，该方法还包括对所述校准ELM神经网络模型的泛化测试，其利用新的冷链环境多要素监测样本测试校准ELM神经网络模型的性能，通过气体浓度实际样本值和预测输出值对比，计算均方根误差RMSE以量化模型精度。

3.根据权利要求1所述的校准方法，其特征在于，所述方法中的环境要素还包括光照度和/或风速。

4.根据权利要求1所述的校准方法，其特征在于，所述步骤S2选择组训练数据样本，对输入样本，输出样本，进行归一化预处理，如下式：

， （1）

式中，，，，。

5.根据权利要求1所述的校准方法，其特征在于，所述步骤S4模型输出值反归一化回归处理公式如下：

， （7）。

6.根据权利要求2所述的校准方法，其特征在于，所述泛化测试利用新的冷链环境多要素监测样本测试建立模型的性能，通过气体浓度实际样本值和预测输出值对比，计算均方根误差RMSE以量化模型精度，如下式：

，（8）。

7.一种冷链物流的多源智能感知装置，该装置包括：

多源数据采集模块，所述多源数据采集模块包括温度传感器、湿度传感器和气体传感器，用于感知冷链物流环境要素，获取环境要素测量值及气体测量电压信号；

气体分析校准模块，所述模块包括MCU，在MCU中内置了包含权利要求1-6任一项校准方法的计算模块，用于生成所述校准ELM神经网络模型，校准并输出气体浓度。

8.根据权利要求7所述的感知装置，其特征在于，所述多源智能感知装置还包括数据传输模块，其包括LoRa射频芯片和USB-UART转换器。

9.根据权利要求7所述的感知装置，所述多源数据采集模块还包括光照度和/或风速传感器。