[发明专利]一种基于机器学习的智能粮仓管控方法及终端

权利要求书

1.一种基于机器学习的智能粮仓管控方法，其特征在于，包括步骤：

S1、获取智能粮仓的待预测输入因子，将所述待预测输入因子发送至粮仓分析决策模型中，以得到人员调度策略，所述粮仓分析决策模型包括使用误差逆向传播算法训练的多层前馈神经网络所建立的前馈模型，所述人员调度策略包括抽检人员、抽检对象、抽检时间以及抽检路径。

2.根据权利要求1所述的一种基于机器学习的智能粮仓管控方法，其特征在于，得到所述步骤S1中的前馈模型的具体步骤为：

S11、构建初始化BP神经网络模型，所述初始化BP神经网络模型包括输入层、隐含层和输出层；

S12、获取历史数据，将所述历史数据分为训练集和测试集，使用所述训练集中的样本数据对所述初始化BP神经网络模型进行训练，得到已训练BP神经网络模型；

S13、使用所述测试集中的样本数据对已训练BP神经网络模型进行测试，在测试通过后输出为前馈模型。

3.根据权利要求2所述的一种基于机器学习的智能粮仓管控方法，其特征在于，所述BP神经网络模型的输入因子包括对象因子和人员因子，所述对象因子包括粮食品种、堆垛内部温度、堆垛外部温度、堆垛内部湿度、堆垛外部温度、大气温度、大气湿度、季节以及堆垛压力，所述人员因子包括内部年龄、性别、各类型堆垛平均工作时长以及预设时间内抽检作业评率；

所述步骤S12中“使用所述训练集中的样本数据对所述初始化BP神经网络模型进行训练”包括：

S121、选用Sigmoid函数作为所述BP神经网络模型的激活函数；

S122、将输入层的第P个训练样本输入到隐含层的BP网络神经单元上，通过所述Sigmoid函数以得到隐含层第j个神经元的输出信息为：

所述W_ij为输入层第i个神经元到隐含层第j个神经元的权重值，所述X_P为第P个训练样本在输入层的第i个输入值，所述为隐含层第j个神经元的阈值，所述输入层的每一个神经元对应一个输入因子，所述W_ij的取值范围为(-1，1)；

S123、使用所述训练集中的样本数据进行训练，对每一个样本数据执行步骤S124；

S124、将样本数据作为输入层的输入信号，依次经隐含层、输出层，以得到实际输出结果，判断所述实际输出结果与所述样本数据中所对应的期望输出结果是否存在误差，若是，则得到误差信号，将所述误差信号由输出端开始逐层回传，同时按照预设规则与所述误差信号对每一个神经单元的权重值和阈值进行调整，所述误差信号为所述实际输出结果与所述期望输出结果之间的差值。

4.根据权利要求3所述的一种基于机器学习的智能粮仓管控方法，其特征在于，所述步骤S12中“获取历史数据”还包括以下步骤：

通过SVM分类器对所述历史数据中的输入因子进行适应度评估，以得到输入因子的关键特征。