本發(fā)明涉及深度學(xué)習(xí)中糧倉害蟲檢測，具體涉及一種基于氣味傳感器的糧倉害蟲預(yù)測系統(tǒng)和方法。

背景技術(shù)：

1、倉儲害蟲高頻爆發(fā)對糧食和物資安全構(gòu)嚴重威脅，造成重大經(jīng)濟損失。因此，準確、及時地發(fā)現(xiàn)蟲害，降低害蟲對儲存的影響，對指導(dǎo)倉儲科學(xué)作業(yè)，推進倉儲行業(yè)向著高質(zhì)量、高產(chǎn)量的方向不斷發(fā)展具有重要意義。傳統(tǒng)的倉儲害蟲檢測任務(wù)需要倉庫管理員實地作業(yè)，但倉儲面積大，害蟲種類多，存在費時、費力、害蟲防治專家不足等問題。隨著機器學(xué)習(xí)和深度學(xué)習(xí)的發(fā)展，一些新技術(shù)逐漸取代原始的人工檢測方法。然而機器學(xué)習(xí)需要依靠人工提取害蟲特征信息，容易受到主觀因素影響所提取的特征魯棒性較差，導(dǎo)致檢測結(jié)果準確率不高。例如公布號為cn106919204a的中國專利公開了倉儲害蟲生境調(diào)控系統(tǒng)和方法；授權(quán)公告號為cn101701906b的中國專利公開了基于近紅外超光譜成像技術(shù)的倉儲害蟲檢測方法和裝置；公布號為cn102706870a的中國專利公開了一種倉儲害蟲發(fā)生信息實時監(jiān)測方法及系統(tǒng)。

2、因此，提供一種特征提取能力和檢測精度方面均有極大地提高的基于氣味傳感器的糧倉害蟲預(yù)測系統(tǒng)和方法，已是一個值得研究的問題。

技術(shù)實現(xiàn)思路

1、本發(fā)明的目的是提供一種特征提取能力和檢測精度方面均有極大地提高的基于氣味傳感器的糧倉害蟲預(yù)測系統(tǒng)和方法，本發(fā)明的基于氣味傳感器的糧倉預(yù)測系統(tǒng)時監(jiān)測和預(yù)警，為糧食儲存管理提供了重要的技術(shù)支持和保障。

2、本發(fā)明的目的是這樣實現(xiàn)的：

3、一種基于氣味傳感器的糧倉害蟲預(yù)測系統(tǒng)，包括變分模態(tài)分解模塊，用于將糧倉中的數(shù)據(jù)分解為多個振動模態(tài)，通過提取糧倉內(nèi)部潛在的害蟲活動信號，實現(xiàn)對害蟲行為的有效捕捉和提?。?/p>

4、深度極限學(xué)習(xí)機模塊，用于接收變分模態(tài)分解模塊輸出的振動模態(tài)數(shù)據(jù)，并通過麻雀搜索算法進行優(yōu)化，從而訓(xùn)練出預(yù)測模型；

5、預(yù)測模型評估模塊，用于對訓(xùn)練得出的預(yù)測模型進行全面評估，包括驗證預(yù)測模型的準確性、穩(wěn)健性和泛化能力，確保預(yù)測模型在實際糧倉環(huán)境中的可靠性和有效性。

6、所述變分模態(tài)分解模塊接收并處理糧倉的多維數(shù)據(jù)，所述多維數(shù)據(jù)包括溫度、濕度、氣壓和氣體成分。

7、所述深度極限學(xué)習(xí)機模塊包括多個深度極限學(xué)習(xí)機網(wǎng)絡(luò)，所述每個深度極限學(xué)習(xí)機網(wǎng)絡(luò)用于處理變分模態(tài)分解模塊輸出的一個振動模態(tài)；采用麻雀搜索算法優(yōu)化深度極限學(xué)習(xí)機網(wǎng)絡(luò)的參數(shù)，以提高預(yù)測模型的精度和泛化能力。

8、所述預(yù)測模型評估模塊中，采用交叉驗證方法對訓(xùn)練得出的預(yù)測模型進行評估，以驗證其在不同數(shù)據(jù)集上的預(yù)測性能；提供模型性能指標；用于客觀評估預(yù)測模型的質(zhì)量。

9、一種基于氣味傳感器的糧倉害蟲預(yù)測方法，包括以下步驟：

10、步驟1：信號采集分布點設(shè)置：在糧倉內(nèi)布置多個傳感器節(jié)點；以達到整倉覆蓋以確保采集信號不遺漏，又實現(xiàn)滿足檢測需求基礎(chǔ)上經(jīng)濟合理的目的；

11、步驟2：數(shù)據(jù)采集；傳感器網(wǎng)絡(luò)覆蓋糧倉內(nèi)各個區(qū)域，以實時采集糧倉內(nèi)部環(huán)境數(shù)據(jù)；數(shù)據(jù)采集頻率根據(jù)實際情況設(shè)置，以保證數(shù)據(jù)的及時性和準確性；

12、步驟3：采集信號處理；對步驟2中采集到的數(shù)據(jù)進行預(yù)處理并得到處理后的數(shù)據(jù)，對采集到的數(shù)據(jù)進行預(yù)處理包括去除異常值和降噪處理；

13、步驟4：處理后信號計算公式；對步驟3中預(yù)處理后的數(shù)據(jù)，采用變分模態(tài)分解算法分解提取數(shù)據(jù)的多個模態(tài)，以將源信號樣本分離成多個特征信號組合。

14、步驟5：模型訓(xùn)練；將經(jīng)過步驟4變分模態(tài)分解的數(shù)據(jù)樣本劃分為訓(xùn)練集和測試集，將訓(xùn)練集放入改進麻雀算法優(yōu)化深度極限學(xué)習(xí)機模塊訓(xùn)練；

15、步驟6：實倉檢測，將訓(xùn)練好的步驟5的深度極限學(xué)習(xí)機模塊對糧倉氣味樣本進行蟲害預(yù)測；將糧倉中采集到的數(shù)據(jù)輸入至害蟲預(yù)測模型中，獲得倉儲害蟲的預(yù)測結(jié)果。

16、所述步驟4中，每個模態(tài)的迭代公式是

17、

18、其中，uk(n)表示第n次迭代中的第k個模態(tài),δ(t)為dirac函數(shù)，λ代表懲罰項系數(shù)，用于控制頻率分離的約束強度,ωk代表第k個模塊的中心頻率；

19、通過上述的迭代更新，算法能夠自適應(yīng)地調(diào)整每個模態(tài)的中心頻率和帶寬，從而準確地提取出信號中的各個模態(tài)成分；下式描述了頻率調(diào)整的過程：

20、

21、式中，代表模塊k第n次迭代的中心頻率，μ代表步長參數(shù)，代表第n次迭代中第k個模態(tài)的狀態(tài)或值；

22、信號的每個模態(tài)在迭代過程中根據(jù)迭代公式進行更新，確保模態(tài)之間的頻率分離，并維持每個模態(tài)的帶寬平滑，模態(tài)的中心頻率根據(jù)式(2)進行調(diào)整，以尋找最佳的頻率表示；迭代過程中的算法收斂依賴于公式：

23、

24、式中μk(n)代表第n次迭代中第k個模態(tài)的狀態(tài)或值,ε表示設(shè)置的最小閾值，用于判斷算法的收斂條件；maxk||uk(n+1)-uk(n)||＜ε表示當(dāng)所有的模態(tài)的變化都小于閾值后，就說明算法收斂；n>nmax表示當(dāng)?shù)螖?shù)大于等于所設(shè)置的最大迭代次數(shù)的時候，算法停止迭代。

25、所述步驟5中，利用麻雀搜索算法改進的改進麻雀算法優(yōu)化深度極限學(xué)習(xí)機模塊的超參數(shù)包括如下步驟：

26、初始化麻雀種群，包括種群規(guī)模、發(fā)現(xiàn)者數(shù)量、預(yù)警的麻雀數(shù)量、目標函數(shù)的維數(shù)、參數(shù)的上下界、最大迭代次數(shù)、求解精度；

27、對每只麻雀計算適應(yīng)度值，并記錄當(dāng)前最優(yōu)適應(yīng)度值及其對應(yīng)的位置以及最差適應(yīng)度值及其對應(yīng)的位置；在麻雀種群中隨機選擇麻雀作為預(yù)警的麻雀；其中探索者，其擁有著更大的覓食范圍，引導(dǎo)著種群的覓食方向，它的位置如下式的方式進行更新：

28、

29、式中，m為最大迭代次數(shù)；xai，j為種群中第a代中第i只麻雀在第j維度的定位信息；α為(0,1]之間的隨機數(shù)；q為滿足正態(tài)分布的隨機數(shù)；l為大小是i×d、元素都為1的矩陣；r2∈[0，1]，st∈[0.5，1]，分別為預(yù)警值和安全值；

30、進行一次迭代，更新所有麻雀的位置信息，并重新計算每只麻雀的適應(yīng)度值；當(dāng)r2≥st，表示一些麻雀發(fā)現(xiàn)了威脅，發(fā)現(xiàn)者值收斂且向安全位置移動；r2＜st，意為發(fā)現(xiàn)者可以擴大搜索范圍，應(yīng)到麻雀個體每一維的值都將減少；當(dāng)麻雀處于饑餓狀態(tài)時，控制其取值符合正態(tài)分布；否則在最優(yōu)位置附近取值，取值比較穩(wěn)定。加入者的位置更新方式如下式所示：

31、

32、式中:xija+1為第a+1輪迭代時發(fā)現(xiàn)者占據(jù)的最優(yōu)位置，為第a輪迭代時的全局最差位置，a為一個各元素為1或－1的一行多維矩陣；

33、當(dāng)警戒者占比為種群總數(shù)的10％至20％時，警戒者的位置更新方式如下式：

34、

35、式中，為當(dāng)前全局最優(yōu)位置；β為步長參數(shù)；k為[－1,1]之間的隨機數(shù)，為麻雀移動方向的步長控制參數(shù)；fg為當(dāng)前個體的適應(yīng)度值；fg和fw分別為全局最優(yōu)適應(yīng)度和全局最差適應(yīng)度；ε為常數(shù)，起到避免分母為0的作用；當(dāng)fi＞fg時，表示該麻雀處于種群邊緣，易受到天敵的威脅，需要向中間靠攏；當(dāng)fi＝fg，意味著種群中間的麻雀受到了威脅，此時它會隨機向其他方向的麻雀靠攏；

36、根據(jù)麻雀種群的當(dāng)前狀態(tài)，更新整個種群的最優(yōu)、最差位置和適應(yīng)度值；判斷是否達到最大迭代次數(shù)或者求解條件，如果是，則輸出最優(yōu)值，否則返回對每只麻雀重新計算適應(yīng)度；

37、進行迭代操作直到達到最大迭代次數(shù),得到全局最優(yōu)解和最佳適應(yīng)度值；

38、得到全局最優(yōu)值和最佳適應(yīng)度值作為delm算法的輸入,利用訓(xùn)練集不斷訓(xùn)練delm網(wǎng)絡(luò),直到總誤差小于期望誤差；

39、其中，delm的網(wǎng)絡(luò)由多個elm-ae堆棧組成；在訓(xùn)練過程中，初始階段，訓(xùn)練數(shù)據(jù)x被作為第一個elm-ae的目標輸出x1＝x，進而求第一層的輸出權(quán)重β1；接著，將第一層elm-ae的隱藏層的輸出矩陣h1當(dāng)做下一個elm-ae的輸入與目標輸出，以此類推；最后一層使用elm來訓(xùn)練，其中hi+1是最后一個隱藏層的輸出矩陣，t是樣本標簽；每一層隱藏層的輸入權(quán)重矩陣為wi+1＝βti+1；求解delm的最后一個隱藏層的輸出權(quán)重βi+1公式為：

40、

41、式中：c為正則化參數(shù)；i是單位矩陣，維度與hth相同；h為隱層輸出矩陣，包含所有訓(xùn)練樣本通過輸入層到隱層的激活函數(shù)后的輸出，每行對應(yīng)一個訓(xùn)練樣本的隱層輸出；x是訓(xùn)練樣本的目標值矩陣或向量，每行對應(yīng)一個訓(xùn)練樣本的目標值。

42、本發(fā)明的有益效果是：本發(fā)明的基于氣味傳感器的糧倉預(yù)測系統(tǒng)可應(yīng)用于各類糧倉環(huán)境中害蟲的預(yù)測與監(jiān)測，實現(xiàn)了對糧倉內(nèi)害蟲種群動態(tài)的實時監(jiān)測和預(yù)警，為糧食儲存管理提供了重要的技術(shù)支持和保障；變分模態(tài)分解模塊用于對糧倉內(nèi)部環(huán)境數(shù)據(jù)進行振動模態(tài)分解，通過提取糧倉內(nèi)部潛在的害蟲活動信號，實現(xiàn)對害蟲行為的有效捕捉和提取；麻雀搜索算法優(yōu)化的深度極限學(xué)習(xí)機模塊接收變分模態(tài)分解模塊提取的特征數(shù)據(jù)，利用麻雀搜索算法對深度極限學(xué)習(xí)機進行參數(shù)優(yōu)化，以提高模型的預(yù)測性能和泛化能力；預(yù)測模型評估模塊用于對訓(xùn)練得出的預(yù)測模型進行全面評估，包括驗證模型的準確性、穩(wěn)健性和泛化能力，確保模型在實際糧倉環(huán)境中的可靠性和有效性。