]
(1)
[0068] 其中，#为粮堆重量估计，
，AB为粮堆底面面积，CBS底面周 长
分别为粮堆底面和侧面中s点的压 强，&为粮堆远高于一定高度时的底面压强饱和值。
[0069] 2.粮仓传感器布置
[0070] 对于通常使用的平房仓和筒仓，本发明在粮仓底面按外圈和内圈两圈布置压力传 感器，如图1和图2所示，圆圈为压力传感器布置位置，所有外圈压力传感器与侧面墙的距 离均为d，所有内圈压力传感器与侧面墙的距离均为D。显然，当d= 0时，外圈处底面压强 也是侧面底部的压强，因此可利用外圈压力传感器输出值描述侧面底部压强岛^)的大小， 利用内圈压力传感器输出值描述底面压强&如的大小。
[0071] 实际实验表明，外圈压力传感器与侧面墙距离d= 0时，其压力传感器输出值描 述侧面压强均值泛,(λ〇的准确性提高，但输出值的波动性也明显增大，从而影响检测模型精 度，为保证模型精度，本发明可取d>0且d〈l米。内圈传感器与侧面墙距离D越大，压力传 感器输出值描述底面压强均值&(4的有效性提高，因此在方便装卸粮食的条件下，应适当 增大D，本发明中D>2米，一般可取3米左右。为了保证检测模型的通用性，各粮仓的内圈压 力传感器与侧面墙距离D均相同，各粮仓外圈压力传感器与侧面墙距离d均相同，两圈传感 器个数均为6-10个，各传感器减距应不小于1米。
[0072] 3.基于指数关系和支持向量回归的粮仓重量检测模型推导
[0073] 采用图1、图2所示的粮仓底面两圈传感器布置模型，利用外圈压力传感器输出值 均值瓦(&_)构建粮仓侧面压强估计，利用内圈压力传感器输出均值构建粮仓底 面压强估计。对于式（1)所述的粮仓重量检测理论模型，令
[0074]
：(2^
[0075] 令包^)=[包(~,"".) +氐(~^)]/2,构建式⑵中氐⑷的估计为
[0076]
(3)
[0077] 则H"估计为
[0078]
(4)
[0079] 其中KP=K"bBF。则由式⑴可得
[0080]
(5)
[0081] 理论分析和实验均表明，式（1)中底面压强均值&办)与内圈压力传感器输出 均值.&(&_)具有近似指数关系，同样侧面压强均值&⑷与外圈压力传感器输出均值 氐(&_.)也具有这种近似指数关系，因此本发明采用与氐(士_.)、&(%_)的指数关系构 建仏⑴7认⑴估计为A
[0082]
[0083]
[0084] 其中，KB、心为参数，KB> 0,KF> 0;bB。、bB1、bF。和bF1分别为估计项的系数。将式 (6)和式（7)代入式（5)，整理后可得
[0085]
[0086] 其中，ai为模型系数，i= 0, 1，2,3。
[0087]粮仓通风等作业会引起&〇_·)和在一定程度上的波动，易导致基于式 (8)所示检测模型的粮仓重量检测误差也在一定程度上波动。为了提高检测模型的鲁棒性 和检测精度，下面建立基于指数关系估计的支持向量回归检测模型。
[0088] 令
[0089]
[0090]
[0091]
[0092] 则由式⑶有
[0093]
[0094] 对于式（12)，按照Φ(1)、Φ(2)、Φ⑶的顺序构造一个项序列Qbm，Qbm= (Φ(1)，Φ(2)，Φ(3))，以项序列Qbm的3项作为支持向量机的输入，以粮仓储粮重量作为支 持向量机的输出，则可构造基于支持向量回归的粮仓重量检测模型为如下式所示。
[0095]
[0096] 其中，β_j,b为通过SVM训练所获得的参数，β卢0 ; 04/为相应的支持向量点，1 为支持向量的个数j= 1，...，1。式（13)即本发明所建立的基于指数关系估计和支持向量 回归的检测模型，如图3所示。该检测模型利用支持向量机的结构风险最小化的特性，有助 于减少&(心,_.)和&(心_.)波动对检测精度的影响，提高模型的鲁棒性和预测能力。
[0097] 4.检测模型参数标定
[0098] 对于给定的传感器、粮食种类以及仓型，需要对所建立的粮仓重量检测模型进行 标定，即求解式（13)中的各项参数，具体过程如下：
[0099]A.在多于6个粮仓中布置压力传感器，进粮至满仓，待压力传感器输出值稳定 后，采集各仓的压力传感器输出值，根据内外圈压力传感器检测值计算出相应内外圈均 和&(~_.m及相应项序列& =(^/(1)_,<(2)，<(3))，形成样本集 ，其中名为第k次检测的粮仓底面面积，K为样本数，并将焉/名取 值以及的各项值分别规范到[-1，1]。
[0100] B.将样本集S分为两个部分，优化与支持向量机建模样本集SM和测试样本Sτ。
[0101] C.对于式（13)，任意选定一组参数ΚΡ、心和KF，利用支持向量机建模样本SM和支 持向量机训练算法可获得相应的支持向量机模型。因此对于给定的样本集，可以通过Kp、KB 和1参数优化和支持向量机训练相结合的方法个构建式（13)所示的检测模型。
[0102] KP、K@KF优化采用百分比误差模型，优化模型为
[0103]
(M)
[0104]约束条件：KP>0(15)
[0105] 卜/：,/；7""(.ν)>() (?6)
[0106] ΚΒ> 0 (17)
[0107] KF> 0 (18)
[0108] 其中，氓为样本点i的粮堆重量预测值，本发明采用复合型法进行参数KP、KjPKF 优化。
[0109] 二、基于指数关系和支持向量回归的粮仓重量检测装置的实施例
[0110] 本实施例中的检测装置包括检测单元以及与检测单元连接且设置在粮仓底面的 压力传感器，其中压力传感器分两组布置，一组为内圈传感器，一组为外圈传感器，外圈传 感器靠近粮仓侧面墙间隔布置，内圈传感器距离粮仓侧面墙设定距离且间隔布置，如图1、 图2所示。这里的检测单元可以采用单片机、DSP、PLC或MCU等，检测单元中执行有一个或 多个模块，这里的模块可以位于RAM存储器、闪存、ROM存储器、EPROM存储器、EEPR0M存储 器、寄存器、硬盘、移动磁盘、CD-ROM或者本领域已知的任何其他形式的存储介质，可以将该 存储介质親接至检测单元，使检测单元能够从该存储介质读取信息，或者该存储介质可以 是检测单元的组成部分。一个或多个模块用于执行以下步骤：
[0111] 1.建立基于指数关系和支持向量回归的粮仓重量检测模型：
[0112]
[0113] 其中ΑΒ为粮堆底面面积，< CB为底面周长，QBM=(Φ(1)，Φ(2)，Φ⑶）， ab
[0114] 为内圈传感器输出均值，为外圈传感器输出均值，
、KB和KA参数，βj，b为通过SVM训练所获得的参 数，β卢0，L?iw为相应的支持向量点，1为支持向量的个数j= 1，...，1 ;
[0115] 2.检测各传感器的输出值，根据步骤1)中的检测模型计算被检测粮仓重量的估 计值
[0116] 其中模型的推导和模型参数的标定过程已在上个实施例中进行详细说明，这里不 再赘述。
[0117] 三、检测实例与结果分析
[0118] 检测实例1
[0119] 本检测实例采用的平房仓长9米，宽4. 2米，面积为37. 8平方米，CB/AB~0. 698， 所采用的粮仓属于小型粮仓，(^/\相对较大。根据图1所示的压力传感器布置方式进行布 置，对于该平房仓，压力传感器分2圈布置，内圈8个，外圈10个，共18个压力传感器，实验 粮食种类为玉米，重量约160吨，共进行4次试验。由于样本过少，以1-3次实验为优化与 支持向量机建模样本集SM，以实验4作为测试样本。根据式（13)所示的基于指数关系估计 和支持向量回归检测模型，令支持向量机训练参数C= 100000,γ=0.02,最佳参数KP、KB 和KF如表1所示，训练后获得14个支持向量点。根据所获得的检测模型，各次实验的粮仓 重量计算结果如表2-表5所示，其中表2为实验1储量重量计算结果，表3为实验3储量 重量计算结果，表4为实验3储量重量计算结果，表5为实验4储量重量计算结果。
[0120] 表 1
[0121]
[0122]
[0123]由表2至表5可知，4次实验的总预测误差为48. 196,因此，采用本发明所给出的 基于指数关系估计和支持向量回归的检测模型具有理想的建模精度和预测精度。
[0124] 检测实例2
[0125] 该检测实例采用洪泽和齐河的3个粮仓，储粮种类为小麦和稻谷，储粮重量分别 为2455. 6吨、2009. 98吨和2100吨。采用和检测实例1不同的传感器，经检测获得检测样 本501个。选取197个作为建模样本SM，其他作为测试样本ST。根据本发明所给出的模型 (式13)，令支持向量机训练参数C= 5000,γ= 0. 4,最佳参数KpJjPKF如表6所示，训 练后获得39个支持向量点，采用本发明的检测模型（式13)的重量预测结果如图4和图5 所示，其中图4为采用建模样本进行重量预测的误差示意图，图5为采用所有样本进行重量 预测的误差示意图，从图4和图5可以看出，所有检测点的预测