[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

说明书

本发明提供了一种冷链物流中气体感知的校准方法及多源感知装置，本发明方法基于冷链物流环境多要素信息补偿机制，以环境多要素测量值、气体测量电压信号为模型输入，气体实际浓度值作为模型输出，建立气体感知校准ELM神经网络模型。该模型通过随机选择输入层权重，提高了学习效率；利用Moore‑Penrose广义逆矩阵计算输出层权重，保证了网络的泛化能力。本发明气体校准方法可以支撑冷链物流气体的在线精准监测；多源感知装置可以满足冷链物流环境的全面感知。该发明能更有效还原冷链物流过程，能为冷链管理者提供更高效的服务，提高决策效率及调控精度，增强生鲜农产品的品质可信度。

技术领域

本发明涉及环境感知测量技术领域，具体涉及到冷链物流中气体感知的校准方法及多源感知装置。

背景技术

冷链物流可有效维持易腐农产品品质、保障质量安全、降低过程损耗。通过冷链环境监测及调控，管理者可以极大提高生鲜农产品的市场竞争力。对于冷链环境监控要素，温湿度是核心，但一些特殊气体，如O₂, CO₂, 乙烯等，同样与产品品质具有深刻的相互作用。特殊气体变化不仅可以直接表征生鲜农产品代谢状况，也会反馈诱导其生理反应。气体要素感知是冷链发挥效率的重要基础。

随着信息技术的发展，信号智能化处理方法已被逐渐融入气体传感装置，从准确性、实时性、可靠性以及抗干扰能力等方面改进其感知性能。利用智能传感器技术进行冷链气体要素监测，在一定程度上突破了传感器自身物理局限，可以为冷链上层调控提供更高效的决策信息。其中，基于多源信息补偿机制的气体传感器协同校准，已成为保障气体智能高效感知的重要手段。

现有技术中对于多源信息补偿机制的气体传感器协同校准多采用BP(backpropagation)神经网络进行标定，BP神经网络是1986年由Rumelhart和McClelland为首的科学家提出的概念，是一种按照误差逆向传播算法训练的多层前馈神经网络，是应用最广泛的神经网络模型之一。例如中国专利申请“基于BP神经网络的二氧化碳传感器的标定方法及其系统”（CN112683836A，申请号202110038327）、“气体传感器温度补偿模型建立、气体浓度测量方法及装置”（CN111948273A，申请号2020108485627）均是基于BP神经网络对BP神经网络进行优化、训练，建立模型进行标定。

为全面感知农产品冷链物流环境，多要素协同监测已经成为趋势。然而，冷链物流多源感知装置大多侧重于温湿度等要素集成开发，复杂气体要素很少被纳入监测。一方面，气体基础传感器中气敏材料大多会受到温湿度环境差异化影响，存在监测漂移现象；另一方面，基于传统迭代模型的信号校准方法，如上述已公开专利中BP神经网络、优化算法等，存在训练效率局限，难以保障复杂气体在线校准和实时精准监测。针对冷链实际动态环境进行气体感知智能化实时校准，并集成环境多源感知装置，能有效提高农产品冷链多要素在线精准监测性能。因此，本发明提出了新的冷链物流中气体感知校准方法及多源感知装置。

发明内容

本发明的第一个目的在于提供一种基于ELM神经网络的冷链物流中气体感知校准方法，实现不同冷链环境条件下气体的在线自适应校准；

本发明的第二个目的在于提供一种冷链物流多源要素感知装置，用于全面监测冷链环境动态变化，主要包括多源数据采集，感知数据传输和气体分析校准模块。

为实现上述目的，本发明采用如下技术方案：

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多要素测量值、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；