一种基于推广型K-Means分类决策的动态称重的方法
【技术领域】
[0001] 本发明涉及一种动态称重的方法，尤其是基于推广型K-Means分类决策的动态称 重的方法。
【背景技术】
[0002] 动态称重，是指在测量数据不稳定时，通过一定的算法估算出真实的称重重量。此 类系统常用于汽车称重、牲畜称重等领域。
[0003] K-Means决策算法是基于原型的目标函数聚类方法，算法利用相似度度量将一组 数据通过不断的迭代得到K个聚类中心，并将数据分为K个类组。
[0004] 目前常用的动态数据求中心值算法主要为滑动平均算法。滑动平均算法根据滑动 窗口的大小可分为两种，固定窗口长度和可变窗口程度，其具体如下：
[0006] 其中，(I1, d2, . . .，4为原始数据值，K为数据个数。
[0007] 对于固定窗口长度算法，K为固定值。此算法适用于波动幅度较小的动态数据，实 时性好，但准确度低。
[0008] 对于可变窗口长度算法，K是可变的。每测量到一个数据，K的值增加1。随着K数 值的增加，数据接近稳定，求得动态数据中心值。此算法可用于波动幅度较大的动态数据， 准确度高，但延时较长，实时性差。
【发明内容】
[0009] 本发明所要解决的问题是提供一种动态称重的方法，能够实时有效而且高准确率 地估算出真实中心值。
[0010] 为解决上述问题，本发明从κ-means决策算法思想的角度出发，提出了一种基于 推广型K-Means决策算法的动态称重的方法，包括：
[0011] 步骤1、算法数据初始化，包括：
[0012] 1)建立特定长度的数据队列；
[0013] 2)获取特定宽度窗口内动态数据求取均值，作为初始中心点，并加入队列；
[0014] 步骤2、窗口依次扩大，加入新的原始数据，求取新的平均值并加入队列，若队列已 满，则遵循先进先出的原则覆盖已有值；
[0015] 步骤3、队列内数据均值作为新的类中心点，并求队列内数据相似度；
[0016] 步骤4、若数据相似度小于阈值则可锁定数据中心值，否则重复进行步骤2、3。
[0017] 优选的，步骤2中，求取新的平均值的具体算法为： CN 105117609 A 说明书 2/3 页
[0019] 其中，dN+1为新加入的原始数据，心为上一步已求得的N个数据的均值。
[0020] 优选的，步骤3中对内数据相似度的衡量方法的具体信息为：
[0023] 其中，K为队列长度，&&，···，&为队列内数据。
[0024] 本发明基于推广型K-Means决策算法的动态称重的方法，相比较于传统的滑动平 均估算算法，抛弃传统的滤波思想，从K-Means分类决策算法思想出发，将所有数据分为一 类，算法的目标由分类伸展为求解类中心。本发明兼顾了时间效率和准确度两个方面，可 以用较短的数据估算出准确的中心值数据，可用于具有大幅度波动的动态数据的中心值估 算。
【附图说明】
[0025] 图1为本发明优选实施例中第一组数据的原始数据分布图；
[0026] 图2为本发明优选实施例中第一组数据采用滑动平均算法后获得的动态称重数 据分布图；
[0027] 图3为本发明优选实施例中第一组数据采用本发明算法后获得的动态称重数据 分布图；
[0028] 图4为本发明优选实施例中第二组数据的原始数据分布图；
[0029] 图5为本发明优选实施例中第二组数据采用滑动平均算法后获得的动态称重数 据分布图；
[0030] 图6为本发明优选实施例中第二组数据采用本发明算法后获得的动态称重数据 分布图。
【具体实施方式】
[0031] 下面结合【附图说明】和仿真过程对本发明作进一步详细的说明：
[0032] 本发明基于推广型K-Means决策算法的动态称重的方法，该算法利用了 K-Means 的聚类思想，利用聚类的迭代和决策过程求取类中心，以此作为动态数据的中心值。该算法 的具体步骤如下：
[0033] 1.算法数据初始化，包括：
[0034] 1)建立长度为K的数据队列；
[0035] 2)获取特定宽度窗口 N。内动态数据求取均值^作为初始中心点，并加入队列； CN 105117609 A 兄明十ι 3/3 页
[0037] 2.窗口依次扩大，加入新的原始数据Cl1，求取新的平均值巧并加入队列 /7…..,?+[，若队列已满，则遵循先进先出的原则覆盖已有值；
[0038] 步骤3、队列内数据均值霞作为新的类中心点，并求队列内数据相似度distance ;
[0041] 步骤4、若数据相似度小于阈值则可锁定数据中心值，否则重复进行步骤2、3。
[0042] 如图1-6为两组数据的仿真结果，如图示所述，根据称重系统，一般Is获取10个 数据的实际延时需求，这里取滑动窗口初始大小N。= 20,队列长度K= 10。本仿真所用数 据波动较大，即实际中心值为D时，波动数据可在[0, 2D]的范围内波动。如图，对比可见， 滑动平均算法只能获取有一定误差的中心值数据，且在动态数据波动较大时，滑动平均算 法所估测的中心值也具有一定的波动，而本发明算法则可获取较为稳定的中心值数据。
[0043] 由图可见，在波动较大时，本发明可能出现数据无法锁定的状态（图示显示为恢 复零值）但本发明算法可在2s时间范围内重新锁定中心值数据，满足实际应用即时稳定的 需求。
[0044] 以上所述，仅为本发明较佳实施例而已，故不能依此限定本发明实施的范围，即依 本发明专利范围及说明书内容所作的等效变化与修饰，皆应仍属本发明涵盖的范围内。
【主权项】
1. 一种基于推广型K-Means分类决策的动态称重的方法，其特征在于包括： 步骤1、算法数据初始化，包括： 1) 建立特定长度的数据队列； 2) 获取特定宽度窗口内动态数据求取均值，作为初始中心点，并加入队列； 步骤2、窗口依次扩大，加入新的原始数据，求取新的平均值并加入队列，若队列已满， 则遵循先进先出的原则覆盖已有值； 步骤3、队列内数据均值作为新的类中心点，并求队列内数据相似度； 步骤4、若数据相似度小于阈值则可锁定数据中心值，否则重复进行步骤2、3。2. 如权利要求1所述的基于推广型K-Means分类决策的动态称重的方法，其特征在于： 步骤2中，求取新的平均值的具体算法为：其中，dN+1为新加入的原始数据，.为上一步已求得的N个数据的均值。3. 如权利要求1所述的基于推广型K-Means分类决策的动态称重的方法，其特征在于： 步骤3中对内数据相似度的衡量方法的具体信息为：其中，K为队列长度，A，i72,…為:为队列内数据。
【专利摘要】本发明公开了一种基于推广型K-Means分类决策的动态称重的方法。包括：步骤1、算法数据初始化，包括，①建立特定长度的数据队列，②获取特定宽度窗口内动态数据求取均值，作为初始中心点，并加入队列；步骤2、窗口依次后移，求取新的平均值并加入队列，若队列已满，则遵循先进先出的原则覆盖已有值；步骤3、队列内数据均值作为新的类中心点，并求队列内数据相似度；步骤4、若数据相似度小于阈值则可锁定数据中心值，否则重复进行步骤2、3。本发明能够有效实时准确地计算出具有幅度波动的动态称重系统中的正确称重重量，准确度高，实时性好，鲁棒性高。
【IPC分类】G06F19/00
【公开号】CN105117609
【申请号】CN201510598916
【发明人】林金田, 林剑青
【申请人】锐马（福建）电气制造有限公司
【公开日】2015年12月2日
【申请日】2015年9月18日