[发明专利]一种基于迁移学习的仓储粮食温度场估计方法

摘要

本发明公布了一种基于迁移学习的仓储三维粮食温度场估计方法，建立热力学模型与迁移学习模型相结合的混合效应模型框架，将三维粮食温度场在时空点(s,t)的温度值ym(s,t)表示为温度场的全局温度变化项、温度场的局部温度变化项、和由随机或不可控因素引起的噪声项的加和，通过热力学模型描述和估计粮食温度场的全局变化，通过通过多任务学习和自相关时间序列方法相结合建立时空温度场的迁移学习模型描述和估计粮食温度场的局部变化，实现对仓储三维粮食温度场的准确估计，由此获得仓储粮食温度。本发明能够解决传感器数据不足、观测数据部分缺失无法获得精准粮食温度场信息的问题，得到粮食温度场全面而准确的信息。

主权项

1.一种基于迁移学习的仓储三维粮食温度场估计方法，实现对仓储三维粮食温度场的准确估计，由此获得仓储粮食温度；包括如下步骤：1)建立混合效应模型，将三维粮食温度场在时空点(s,t)的温度值ym(s,t)表示为温度场的全局温度变化项、温度场的局部温度变化项、和由随机或不可控因素引起噪声项的加和；对于粮食温度场估计任务m，m＝1,…,M，共有M个任务，三维粮食温度场的温度值由表示全局温度变化的均值函数项、表示局部温度变化的局部变化项和随机噪声项组成，建立的混合效应模型表示为式1：ym(s,t)＝um(s,t)+bm(s,t)+εm(s,t).  (式1)其中，y^m(s,t)表示三维粮食温度场在时空点(s,t)的温度值；s和t分别表示空间和时间的自变量；u^m(s,t)是任务m在时空点(s,t)处的均值函数项，表示温度场的全局温度变化情况；b^m(s,t)是任务m在时空点(s,t)处的局部变化项，表示温度场的局部温度变化情况；ε^m(s,t)是任务m在时空点(s,t)处的随机噪声项，表示由随机或不可控因素引起的温度变化情况；设ε^m(s,t)在任意时刻均服从正态分布表示在t时刻ε^m(s,t)(m＝1,…,M)所服从的正态分布的方差；2)对温度场的全局温度变化项μm(s,t)建模，执行如下操作：在笛卡尔坐标系下，对um(s,t)建立三维非稳态傅里叶传热模型，表示为式2：式2中，um(x,y,z,t)表示任务m在笛卡尔坐标系下的均值函数项，其中空间坐标s＝{x,y,z}，x、y和z分别表示在X、Y和Z方向的坐标；ρ表示粮食的密度，c表示粮食的比热容，λx，λy和λz分别表示在三维笛卡尔坐标系下粮食沿x，y和z方向的热导率；给定初始粮食温度及边界条件，采用有限差分法对式2求解；3)对温度场的局部温度变化项bm(s,t)建模，表示为式3：式3中，将任务m在时空点(s,t)处的局部变化项b^m(s,t)表示为采用自相关时间序列模型表示t时刻的局部变化项与其之前的L时间内的局部变化项的时间相关性；表示t时刻的局部变化项与t‑l时刻的局部变化项的相关性参数；表示在t时刻的局部变化项相比于前t‑L时刻产生的变化；假定是均值为零的高斯过程，采用多任务学习模型表示任务m与其他M‑1个任务之间的关于的空间相关性，并估计得到多任务学习模型和自相关时间序列模型的参数；4)对时空温度场进行估计：对于任务m，通过式15估计粮食温度场中时刻为t、空间为位置s的温度值：其中，和分别表示自相关时间序列模型和多任务学习模型的参数估计值；由此得到具有时空属性的粮食温度值。