1 引言

快速、准确地获得储粮的重量与区域分布是保障国家粮食数量安全的关键技术之一.目前粮仓储粮重量检测方法主要包括称重法和测量计算法[1,2].在大规模的清仓查库中这些方法存在工作量大、成本高等诸多缺点.亟待开发方便、快捷、准确的在线及网络化国家粮食储藏数量监测技术.

粮仓数量在线检测一般要求检测误差小于±3%，连续监测时间大于3年，同时要求检测系统成本低、安装维护简便.针对这些需求，本文着重研究基于支持向量回归的粮仓数量在线检测模型和具体建模方法.

2 相关研究工作

近年来，颗粒物质的静态性质、振动行为、流动特性等研究受到了国内外学者的广泛关注[3～7].在粮仓储粮重量检测领域，国内外研究学者提出了基于三维激光扫描[8～13]、电磁波探测[14～19]、双目立体视觉[20]等技术的储粮重量检测方法.由于这些方法在实际应用中的局限性，基于压力传感器的粮仓重量检测方法逐步受到关注[21，22].

由于散粮堆底部压力分布的随机性与波动性,本文将探索基于支持向量回归(Support Vector Regression，SVR)的粮仓储粮重量检测模型.SVR模型形式如式(1)所示.

采用SPSS 16.0软件对数据进行分析处理，患者的年龄、药物使用天数、置管成本等为计量资料，以（均数±标准差）表示，采用t检验（方差齐）及秩和检验（方差不齐）进行数据分析；性别、导管相关并发症发生率等为计数资料，计数资料以（n，%）表示，采用χ2检验，当n＜40，或T＜1时，用四格表资料的Fisher确切概率法。以P＜0.05表示差异具有统计学意义。

(1)

其中，K(·,·)为核函数；βj,b为通过SVM训练所获得的参数，βj≠0；xj为相应的支持向量点，j=1,…,l.核函数一般取为如下式所示径向基函数.

(2)

其中γ为大于0的参数.

3 粮仓重量与粮仓压强的理论关系

基于积分中值定理，由式(3)可以推出

(3)

式(10)为基于多项式展开的粮仓储粮重量检测模型.由于粮仓通风作业所引起的振动等因素会引起和在一定程度上波动，从而导致基于式(10)所示检测模型的粮仓重量检测误差也在一定程度上波动.因此，下面构建基于SVR的粮仓储粮重量检测模型.

粮仓有平房仓、浅圆仓、筒仓等类型.粮食入仓后粮堆顶部要求摊平，在这种条件下，通过粮堆受力分析可以得出，粮仓粮堆重量与粮仓压强分布具有下式所示的关系.

(4)

其中AB为粮堆底面面积，CB为粮堆底面周长；H为粮堆高度；为粮堆底面压强均值，为粮堆侧面压强均值，

式(4)为本文所提出的粮仓重量与粮仓压强的理论关系模型.可以看出，对于给定的粮仓和粮食种类，粮堆与粮仓侧面之间的平均摩擦系数fF为常数，粮堆重量与且仅与粮堆底面压强均值侧面压强均值以及粮堆高度H有关.

4 粮仓粮堆压强分布特征

理论分析与实际实验表明：(1)对于给定高度的粮堆，粮堆底面压强均值与粮堆侧面压强均值会相互转化，减少会导致增大，反之亦然.因此需要分别采用不同传感器来检测估计和粮仓内粮食颗粒有成拱的特性，粮食颗粒中的力通过不均匀力链传递，不像固体和液体中的应力会均匀分布 [3-4]，且这种不均匀力链的形成具有随机性，从而导致粮堆压强不均匀分布的随机性.

5 基于SVR的粮仓重量检测模型

5.1 粮仓底面压力传感器布置模型

根据粮仓粮堆的压强分布特性，本文提出仅在粮仓底面布置内外圈两圈压力传感器来测量粮仓底面和侧面的压力分布和其布置模型如图1所示.不同类型仓型可采用类似的方式布置.以通常使用的平房仓和筒仓为例，压力传感器在粮仓底面按外圈和内圈两圈布置，每圈随机布置10～15个压力传感器.外圈压力传感器均与侧面墙距离为d，内圈传感器均与侧面墙距离为D.可取d<1m(在本文研究中取1m)，D>2m(在本文研究中取3m).为了保证检测模型的通用性，不同粮仓的d和D应相同.

上述压力传感器布置模型的根本出发点旨在利用外圈传感器输出值均值构建粮仓侧面压强估计，利用内圈传感器输出值均值构建粮仓底面压强估计，以有效消除粮仓底面压强分布的不均匀性和随机性的影响,并有效减少传感器数量.

5.2 基于SVR的粮仓重量检测模型推导

整理式(9)，并限制项的最大阶数为NB，限制项的最大阶数为NF，可以得出:

(5)

针对式(5)，采用多项式构建和H的估计为

(6)

(7)

(8)

对于任意给定的检测粮仓，假设对于第k次检测，粮仓储粮重量为Wk，根据内外圈压力传感器检测值计算出相应的内外圈压强均值和项序列则建模样本集可表示为其中为第k次检测的粮仓底面面积，K为样本数，并将取值以及的各项值分别规范到[-1,1].将样本集S分为三个部分，SVR模型建模样本集和项最大阶数选择样本集SO以及测试样本集ST.

(9)

由式(4)，令Kc=CB/AB，则有

(10)

其中，aB(m)、aF(n,m)为估计项的系数，m=0,…,NB，n=1,…,NF，NB、NF分别为多项式的最大阶数.

其中，W为粮堆重量；SB、SF分别为粮堆底面和侧面；QB(s)、QF(s)分别为粮堆底面SB和侧面SF中s点的压强；fF(s)为粮堆与粮仓侧面之间的摩擦系数.式(3)右边第一项为粮堆底面压力作用项，第二项为粮堆侧面摩擦力作用项.

在式(10)中，令

在针对城乡进行规划和具体设计的时候，为了保证城乡规划的科学性和合理性，首先要做的一点就是要树立具有生态文明特征的规划理念，并且在实践中可以将该理念落实到实处。也就是说在实践中，要采取有针对性的措施，尽可能保证遵循人与自然环境相互协调的基础发展原则。首先，要采取有针对性的措施，尽可能降低CO2的排放力度，同时还要使用一些具有清洁性功能特征的能源。这样不仅能够针对城乡规划相关措施具体落实过程中的一些污染问题进行有针对性的处理，而且还能够保证生态文明城市理念在实践中的有效落实。

老年人常见的疾病包括糖尿病、关节炎、眼疾（老花眼、白内障、青光眼）、失禁、冠心病、脑血管病（中风）、老年人痴呆症、帕金森症等，简单了解这些疾病的基本特征及注意事项，以避免在护理时犯不必要的错误。随时注意老年人的细节变化，如冷、热、咳嗽、口渴、方便等问题，以便及时给予服务。

(11)

(12)

根据上述，式(15)所示的基于SVR的粮仓重量检测模型的建模算法及步骤描述如下：

《上海护理》杂志设有专家视点、论坛、论著、专科护理、护理管理、综述、护理教育、社区护理、经验交流和小革新等栏目，每期还精心策划专业主题。让您一册在手，纵览国内外护理领域新动态、新信息;足不出户，掌握护理领域新知识、新技术。

φ(1,0),φ(1,1),…,φ(NF,NB))

(13)

对于给定的和项最大阶数(NB,NF)，式(13)的总项数为NB+NF(NB+1).式(13)表明，粮仓重量估计与且仅与ψ(m)和φ(n,m)有关，m=0,…,NB，n=1,…,NF，仅是ψ(m)和φ(n,m)的函数.因此，可按照ψ(1)、ψ(2)、…、ψ(NB)、 φ(1,0)、φ(1,1)、…、φ(NF,NB)的顺序构造一个项序列QBM.

(14)

以项序列QBM的NB+NF(NB+1)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SVR的粮仓重量检测模型为如下式所示.

(15)

其中，βj,b，γ为通过SVR训练所获得的参数，为相应的支持向量点，j=1,…,l，l为支持向量的个数.图2为基于SVR的的粮仓重量检测模型示意图.

医疗行业是一个知识密集型、技术密集型的行业，医院为发展其自身的核心竞争力，必须不断开展医疗活动相关的各类科研创新活动。科研活动属于知识密集型的创新活动，相互间差异性较大，存在着很大的不确定性，管理上有一定难度。随着科研项目数量与金额的快速增长，对医院科研项目经费管理提出了更高的要求。且由于科研经费来源不一，相关的管理制度不同，更增强了科研经费管理的复杂性；因此，若科研经费管理不当，会引起使用浪费和资产流失，严重的会影响医院目标的实现和顺利的发展。故科研经费的支出是需要医院实施内部控制的一个重要对象。

式(15)为本文提出的基于SVR的粮仓重量检测模型.从式(15)可以看出，对于给定的模型参数，模型的粮仓储粮重量预测值仅取决于值的大小，为SVR输入项序列与支持向量点的距离，支持向量点为典型的样本点，因此这种检测模型具有基于模板的模式识别特征，具有良好的鲁棒性和预测能力.

5.3 基于SVR的检测模型建模及算法

其中，bB(m)、bH(j)、bF(n)分别为和估计项的系数，m=0,…,NB，j=0,…,NH，n=0,…,NF，NB、NH、NF分别为和估计的多项式阶数.将式(6)至式(8)代入式(5)，则有:

对于式(15)，任意选定一组多项式的最大阶数(NB,NF)，则可利用SVR模型建模样本SM和支持向量机训练算法获得相应的SVR模型.对于所建立的SVR模型和最大阶数选择样本集SO，依据下式所示的百分比误差模型计算最大阶数选择样本集SO和SVR模型建模样本集SM的预测误差E(NB,NF).

(16)

其中，为样本点i的粮堆重量预测值.设定NB选择范围[1,MaxNB],NF选择范围[1,MaxNF],在本项目研究中，一般取MaxNB和MaxNF为6～10.若

不同气候条件的播种深度。在干旱雨涝的不同情况下，播种深度不同。在干旱的情况下，土壤表层墒情较差，影响种子发芽，要适当深播。据试验，深播的种子发芽较好，根系分布深，苗期较抗旱，干旱时次生根数较多。成熟时黄枯叶少、绿叶多，产量高。浅播的种子根系分布在土壤表层，苗期不抗旱，加上分蘖节较浅，干旱时次生根少，使植株出现未老先衰现象。在干旱的情况下，粘性土保水性好，播深则浅于3寸。砂性土保水性差，播深可稍大于3寸。

外在的压迫并不可怕，可怕的是思想的奴役。思想警察是这种思想监控的手段之一，他们可能存在于社会的每一个角落，也可能随时变换身份，比如伪装成旧货店老板的乔灵顿，他们随时监视着党员及人民是否犯有思想罪。其次是“新潮语”，创造新潮语目的就是为了缩小思想的范围，最终杜绝思想犯罪。此外，“英社”还不断修改过去的文学作品、党的书籍中的内容等，以改变整个社会的思想氛围。再次是“双重思想”，让一个人在思想中，同时拥有并且接受两种截然相反的认识能力，并利用这一能力进行选择性地“忘记”。

作为中国钾肥事业的参与者、传播者和守望者，中国农资传媒“钾肥观察家”对于当前中国钾肥市场也有一定的思考。我们认为，钾肥联合谈判机制是中国市场的必然选择，应当由各行业组织牵头，以听证会的方式进行摸底，听取下游用户企业建议，形成共识、协调采购。供给方面跟踪国内资源勘探信息、采集国内钾肥企业产量化数据，需求方面了解复合肥企业采购意愿、针对生产规模调研和摸底。

(17)

则为和项最佳最大阶数.上述利用SVR模型建模样本集和项最大阶数选择样本集SO进行建模，通过样本集SO限制模型阶数，自动调整模型结构.

则有

6 实验与分析

6.1 实验粮仓检测模型建模与预测结果

实验所采用的平房仓的传感器布置如图3所示，实验粮食种类为玉米，共进行4次实验.以1～3次实验为回归样本，以实验4作为项最高阶数选择样本和测试样本.根据式(13)，取支持向量机训练参数C=10000,γ=0.01，并采用基于式(10)所示模型和回归算法的最佳最大阶数优化方法，获得为为2，SVR检测模型训练后获得17个支持向量点，重量预测结果如表1至表4所示，4次实验的平均相对误差为1.23%.

表1 实验1储粮重量计算结果

粮食重量(T)预测值(T)误差(T)误差百分比(%)56.701886.6046116.196145.061162.457.439286.0056116.898145.758161.7150.73745-0.598950.702060.69732-0.685161.30058-0.691590.60420.48071-0.42189

表2 实验2储粮重量计算结果

粮食重量(T)预测值(T)误差(T)误差百分比(%)5785.5113.5138.7161.957.719186.2112114.885139.445162.6510.719070.711251.385010.745090.750611.261530.831871.220270.537190.46363

表3 实验3储粮重量计算结果

粮食重量(T)预测值(T)误差(T)误差百分比(%)55.782.4111.6137.7161.754.498981.6113108.744136.212160.967-1.20109-0.78873-2.85634-1.48766-0.73333-2.15636-0.95719-2.55944-1.08036-0.45352

表4 实验4储粮重量计算结果

粮食重量(T)预测值(T)误差(T)误差百分比(%)59.086887.9646116.74146.027161.957.705586.7124113.61142.078162.713-1.38131-1.25217-3.1295-3.948640.81319-2.33776-1.42349-2.68075-2.704050.50228

6.2 实仓检测模型建模与预测结果

对于通州粮库的5个粮仓，储粮种类为玉米和稻谷，储粮重量分别为4145吨、7539吨、7959吨、7500吨和6351吨.经长期在线检测，获得检测样本3290个.选取703个作为建模样本，其中，463个作为SVR模型建模样本集SM，240个作为和项最大阶数选择样本SO，其它作为测试样本.根据式(15)，取支持向量机训练参数C=1000,γ=0.5，并采用基于式(10)所示模型和回归算法的最佳最大阶数优化方法，获得最大阶数为为4，SVR检测模型训练后获得259个支持向量点，粮仓储粮重量预测结果如图4和图5所示，所有检测点的预测误差均小于0.4%.

采用类似方法可以建立式(10)所示的基于多项式展开的粮仓储粮重量检测模型，图6和图7为所建立模型的预测结果，所有检测点的预测误差小于2%.比较以上两种模型的预测结果可以看出，基于SVR的粮仓重量检测模型具有更高的鲁棒性和检测精度.

7 结论

本文的主要工作具体表现在：

(1)针对粮堆散粒体特性，给出了粮仓储粮重量与粮仓底面和侧面压强的数学关系，证明了基于压力传感器的粮仓数量在线检测的可行性.

(2)建立了基于内外圈两圈布置的压力传感器布置模型，提出了基于多项式展开的粮仓储粮重量检测模型，并针对实仓检测中内外圈传感器输出值均值存在较大波动的问题，提出了基于SVR的粮仓储粮重量检测模型，给出了SVR输入项序列的具体提取方法，设计了具体的建模算法.

系统设置有完备的日志管理功能，网站管理员登录站群后台后的每一步操作，都有详细的记录。如谁，在什么时间，用什么IP，发布了什么内容，上传了什么图片、附件、视频等。对操作记录的完备管理，是实现站群系统安全管理的重要辅助。

中国家用电器研究院测试技术研究所所长鲁建国则通过家用电器国家标准的演变阐述了我国家电消费者需求的演变历程。他指出，目前我国家用电器国家标准已处于“创新引领”阶段，家电安全健康等各项围绕消费者使用体验的标准相继落地，而且更多创新的国家标准的起草工作已经全面展开。

(3)实际粮仓重量检测结果表明所提出的粮仓储粮重量检测检测模型的检测误差远小于±3%，证明了所提出的模型与方法的有效性.

参考文献

[1]任正晓.粮食库存检查实务[M].北京:中国商业出版社,2007．

Ren Zhengxiao.Transaction in the Warehouse Inventory Inspection[M].Beijing: China Commercial Publishing House,2007.(in Chinese)

[2]李凯.粮仓储粮体积测量中激光点云数据处理技术[D].北京:首都师范大学,2011.

Li Kai.The methods of calculating the granary volume applying 3D laser scan technology[D].Beijing: Capital Normal University,2011.(in Chinese)

[3]陆坤权,刘寄星.颗粒物质(上)[J].物理,2004,33(9):629-635.

Lu Kunquan,Liu Jixing.Granular matter(PartⅠ)[J].Physics.2004,33(9): 629-635.(in Chinese)

[4]陆坤权,刘寄星.颗粒物质(下)[J].物理,2004,33(10):713-721.

Lu Kunquan,Liu Jixing.Granular matter(PartⅡ)[J].Physics.2004,33(10):713-721.(in Chinese)

[5]马征,李耀明,徐立章.农业工程领域颗粒运动研究综述[J].农业机械学报,2013,44(2): 22-29.

Ma Zheng,Li Yaoming,Xu Lizhang.Summarize of particle movements research in agricultural engineering realm [J].Transactions of the Chinese Society of Agricultural Machinery,2013,44(2):22-29.(in Chinese)

[6]王录民,刘永超,许启铿,等.散粮堆底部压力实测研究[J].河南工业大学学报(自然科学版),2013,34(4):1-4.

Wang Lumin,Liu Yongchao,Xu Qikeng,et al.Research on site measurement of base pressure of bulk grain pile[J].Journal of Henan University of Technology(Natural Science Edition),2013,34(4),1-4.(in Chinese)

[7]陈家豪,韩阳,许启铿,等.高大平房仓散装粮粮堆底部压力的试验研究[J].河南工业大学学报(自然科学版),2016,37(2):22-25.

Chen Jiahao,Han Yang,Xu Qikeng,et al.The bottom pressure of granular grain pile in large ware house[J].Journal of Henan University of Technology(Natural Science Edition),2016,37(2),22-25.(in Chinese)

[8]戴华阳,廉旭刚,陈炎.三维激光扫描技术在采动区房屋变形监测中的应用[J].测绘通报,2011,11(35):44-46.

Dai Huayang,Lian Xugang,Chen Yan.Study of the deformation of house induce by mining based on 3D laser scanning[J].Bulletin of Surveying and Mapping,2011,11(35):44-46.(in Chinese)

[9]Zhang Qingming,Leng Yuanbao,Yang Lei,et al.Research on three-dimensional laser scanning and three-dimensional geological modeling techniques for engineering investigation[J].Progress in Geophysics,2009,24(3):1149-1153.

[10]李鹏.粮仓储量三维激光扫描快速测量技术研究[D].北京:清华大学,2010.

Li Peng.Research on rapid measurement technology for grain storage volume based on three dimensional laser scanning[D].Beijing:Tsinghua University,2010.(in Chinese)

[11]董秀军.三维激光扫描技术获取高精度DTM的应用研究[J].工程地质学报,2007,15(3): 428-432.

Dong Xiujun.Research on application of 3D laser scanning technology in acquiring DTM with high accuracy and resolution[J].Journal of Engineering Geology,2007,15(3):428-432.(in Chinese)

[12]董秀军,黄润秋.三维激光扫描技术在高陡边坡地质调查中的应用[J].岩石力学与工程学报,2006,25(10):3629-3635.

Dong Xiujun,Huang Runqiu.Application of 3D laser scanning technology to geologic survey of high and steep slope[J].Chinese Journal of Rock Mechanics and Engineering,2006,25(10):3629-3635.(in Chinese)

[13]Sholts S B,Wärmländer S K T S,Folres L M,et al.Variation in the measurement of cranial volume and surface area using 3D laser scanning technology[J].Journal of Forensic Sciences,2010,55(4):871-876.

[14]秦瑶,陈洁,方广有.粮仓储量信息无损探测技术研究[J].中国粮油学报,2010,2012(4): 51-55.

Qin Yao,Chen Jie,Fang Guangyou.Non-destructive detection of barn reserves information [J].Journal of the Chinese Cereals and Oils Association,2010,2012(4):51-55.(in Chinese)

[15]郭文川,吕俊峰,谷文超.微波频率和温度对食用植物油介电特性的影响[J].农业机械学报,2009,40(8):124-129.

Guo Wenchuan,Lu Junfeng,Gu Wenchao.Effect of frequency and temperature on microwave dielectric properties of edible vegetable oils[J].Transactions of the Chinese Society for Agricultural Machinery,2009,40(8):124-129.(in Chinese)

[16]王振宇，刘国华．走时层析成像的迭代Tikhonov正则化反演研究[J]．浙江大学学报(工学版),2005,39(2):259-263.

Wang Zhenyu,Liu Guohua.Study of travel time tomography by iterative Tikhonov regularization inversion[J].Journal of Zhejiang University(Engineering Science),2005,39(2):259-263.(in Chinese)

[17]Samir Trabelsi,Stuart O Nelson．On the accuracy of bulk density and moisture content prediction in wheat from near field free space measurements [J]．Technisches Messen，2007,74(5)：280-289.

[18]Venkatesh M S,Raghavan G S V.An overview of microwave processing and dielectric properties of agri-food materials[J]．Biosystes Engineering,2004,88(1):1-18.

[19]周飞.仓外探测小麦密度及数量的反演研究[D].郑州:河南工业大学,2010.

Zhou Fei.Inversion study on the density and quantity of wheat in the outside of the barn [D].Zhengzhou: Henan University of Technology,2010.(in Chinese)

[20]方兴林.基于双目立体视觉的储备粮数量智能识别算法研究[D].重庆交通大学，2009.

Fang Xinglin.Reserve grain quantity intelligent recognition algorithm research based on binocular stereo vision[D].Chongqing Jiaotong University,2009.(in Chinese)

[21]张德贤,杨铁军,傅洪亮,等.粮仓储粮数量在线检测模型[J].自动化学报,2014,40(10):2213-2220.

Zhang Dexian,Yang Tiejun,Fu Hongliang,et al.An online detection model of granary storage quantity[J].Acta Automatica Sinica.2014,40(10).2213-2220.(in Chinese)

[22]张德贤,杨铁军,傅洪亮,等.基于压力传感器的粮仓储粮数量在线检测方法[J].中国粮油学报,2014,29(4):98-103.

Zhang Dexian,Yang Tiejun,Fu Hongliang,et al.An on-line detection method of granary storage quantity based on pressure sensor[J].Journal of the Chinese Cereals and Oils Association.2014,29(4):98-103.(in Chinese)

[23]丁世飞，齐丙娟，谭红艳.支持向量机理论与算法研究综述[J].电子科技大学学报，2011，40(1)：2-10.

Ding Shifei,Qi Bingjuan,Tan Hongyan.An overview on theory and algorithm of support vector machines[J].Journal of University of Electronic Science and Technology of China.2011,40(1):2-10.(in Chinese)