[发明专利]苹果贮藏期的快速预测方法及系统、气调贮藏监控系统

权利要求书

1.一种苹果贮藏期的快速预测方法，其特征在于，所述苹果贮藏期的快速预测方法基于可见/近红外光谱检测技术，利用获取的苹果反射光谱数据，以及实测的苹果硬度、总糖含量、可滴定酸度含量，利用下式，建立基于遗传支持向量机分析方法的成熟度分类模型：

式中，RPI为成熟指数，F为硬度，TA为总糖含量，TSS为可滴定酸度含量；

以入库成熟度、实时多元感知环境因子信息为输入，采用非线性动态神经网络的贮藏期成熟度时序动态预测方法，实现贮藏时间目标值动态预测；

所述贮藏时间目标值动态预测的方法具体包括：基于苹果贮藏期成熟度时序预测模型，获取贮藏期成熟度连续预测数据序列，利用曲率理论对时间序列数据进行特征点提取；

曲率描述曲线弯曲程度的，曲率越大，表明曲线在该点的弯曲程度也就越大；贮藏期成熟度的连续预测数据序列是随时间变化的一条曲线，曲线的弯曲程度代表的含义是成熟度对贮藏时间的影响，根据曲率的概念和意义，曲线上曲率最大点就代表着成熟度对贮藏时间影响的拐点；

所述贮藏时间目标值动态预测的方法进一步包括：对时间序列数据进行归一化，构建归一化后的贮藏成熟度时序曲线；对时序曲线进行求导处理，得到时序曲线求导后的曲率曲线；对曲率曲线进行反归一化，在进行曲率曲线寻优处理，得到曲率的最大值点，获取苹果贮藏条件下的呼吸跃变顶峰特征点，得到贮藏时间目标值；

进一步包括：

首先，对数据进行归一化，对数据采用线性函数变换的归一化方法进行归一化处理，线性归一化原理：

y＝(y_max-y_min)*(x-x_min)/(x_max-x_min)+y_min；

式中：x_max、x_min分别为归一化前数据的最大值和最小值，y_max、y_min分别为归一化前数据的上限和下限，x、y分别为归一化前和归一化后的数据；

其次，对所获取的贮藏成熟度时序曲线进行求导；将贮藏时间目标值函数定义为符号函数，求归一化后贮藏成熟度时序曲线的曲率；

最后，求取的曲率曲线反归一化，对曲率曲线进行寻优，得到曲率的最大值点，在将曲率曲线中的最大值点横坐标对应到原贮藏成熟度时序曲线中，可得到曲率最大点对应的横纵坐标，最佳贮藏时间和贮藏成熟度。

2.一种如权利要求1所述苹果贮藏期的快速预测方法的苹果贮藏时间预测的成熟度无损分类模型的建立方法，其特征在于，所述苹果贮藏时间预测的成熟度无损分类模型的建立方法包括：

(1)融合实例化模型，构建贮藏过程中的苹果贮藏成熟度的非线性自回归时间序列预测函数为：

y(t)＝f(x(t),x(t-1),...,x(t-m),y(t-1),...,y(t-n))；

式中，x(t)为测点在t时刻的贮藏环境影响因子，y(t)为测点对应时刻的苹果成熟度值；x(t)、x(t-1),…x(t-m),y(t-1)…y(t-n)作为网络输入，y(t)作为网络输出；

(2)选取神经网络的参数，包括输入和输出的时延阶数、隐含层和输出层神经元个数、最大迭代次数；非线性神经网络隐藏层的激活函数选取lgsig函数输出层激活函数选取purelin函数y＝ax_i+b；

(3)将样本分为训练集和验证集，对训练集样本进行网络训练，进行训练，通过多次迭代，实现各层权值调整，不断缩小真实数据与网络输出数据的误差；重复直到完成轮训，网络总误差达到精度要求，或达到训练次数上限，训练结束保存网络，得到以贮藏成熟度的贮藏时间调控时间序列预测模型。

3.一种如权利要求1所述苹果贮藏期的快速预测方法的苹果贮藏期的快速预测系统，其特征在于，所述苹果贮藏期的快速预测系统包括：

模型建立模块，用于采用基于遗传支持向量机的苹果成熟度分类建模方法，实现多元大样本数据分类，建立苹果贮藏时间预测的成熟度无损分类模型；

预测模块，用于以入库成熟度、实时多元感知环境因子信息为输入，采用非线性动态神经网络的贮藏期成熟度时序动态预测方法，实现贮藏时间目标值动态预测。

4.一种应用权利要求1～2任意一项所述苹果贮藏期的快速预测方法的气调贮藏监控系统。