基于深度学习的油菜籽储藏品质指标的协同预测与风险评估方法

本发明属于农业与深度学习交叉，具体涉及一种基于深度学习的油菜籽储藏品质指标的协同预测与风险评估方法。

背景技术：

1、做好油菜籽仓储品质管控，对保障其加工价值、种用性能及后续产品质量十分重要，在存放的阶段当中，油菜籽面临多种影响关键品质指标方面的风险：湿度太高会造成水分含量超标，加速发生霉变；温度与氧气条件不合适会抑制种子活力，造成发芽率明显下降；湿热积累以及微生物的活动能促进脂肪水解，造成游离脂肪酸含量攀升，从而加速油脂酸败发生，要是这些问题没有被有效管制，将对种植户的收益以及食用油产业原料稳定性带来较大影响。

2、当下阶段油菜籽仓储品质管控在实际应用当中仍面临突出问题，传统品质管理主要利用人工抽样检测和经验判断开展有关活动，具有采样不及时、检测时长较长、主观影响大等缺陷，不容易及时抓住关键指标的动态变迁，造成品质劣变不能在初期被发现与干预。仓储环境中是可以部署温湿度、氧气、二氧化碳等传感器的，然而这些设备多为独立运行，造成缺乏和品质指标的关联建模能力，多源数据做融合分析有困难，不能做到对品质演变趋势的深度研判，管理人员要应对巨量、异构的检测数据，不太容易快速准确断定不同批次、不同区域的品质等次，也不能开展有针对性的分级调控。

3、为改善油菜籽仓储品质预警的效果和精准程度，研究人员着手引入各类智能技术，囊括基于传感器数据的规则引擎途径、机器学习途径和深度学习途径，目前所使用的预测模型和方法在应用于油菜籽仓储品质预警时仍有以下技术问题，模型训练较多依赖实验室环境所采集的理想化样本数据，而实际仓储环境下，温度、湿度、气体浓度等参数分布没有头绪，噪声干扰巨大，造成模型于真实场景下泛化能力不够好，预测精确程度有大幅的降低。诸多模型运用静态学习结构，不能基于仓储进程中新增的在线检测数据做到在线更新和自适应调节，对突发劣变事件的应对本事欠佳，现有的方式对多源异构传感器数据融合利用不充分，欠缺可行的数据清洗及特征提取办法，不易发掘不同数据源相互的深层纽带，大部分模型只是对单一时间点的状态做鉴别，没有开展品质演变趋势长期动态建模的能力，难以对应分级预警跟闭环调控的实际要求。

4、油菜籽仓储品质风险事件的智能预警及应对是一个有着独特性和复杂性的系统问题，当下模型与方法尚难以开展对仓储品质状况的有效、精确预测，十分需要发展更智能的方法，以改善油菜籽仓储品质管理的科学性和时效性，驱动从被动应对向主动预警转变、从经验预估向数据驱动调控转变。

技术实现思路

1、为解决上述技术问题，本发明采用了一种基于基于深度学习的油菜籽储藏品质指标的协同预测与风险评估方法。

2、第一方面，本发明提出一种基于深度学习的油菜籽储藏品质指标的协同预测与风险评估方法，所述方法包括：

3、构建基于油菜籽储藏品质指标的标准化特征向量；所述品质指标包括油菜籽水分含量、发芽率、游离脂肪酸含量；每一品质指标均对应多个样本；

4、基于k-means++规则对标准化特征向量初始化选取多个初始聚类中心；计算不同品质指标的分数阶指数；计算多个样本的局部方差与簇中心方差的比值，并通过sigmoid将比值映射生成动态模糊指数；利用所述分数阶指数及动态模糊指数，计算所述标准化特征向量隶属于各聚类中心的隶属度；采用包含显式阻尼项的动量更新公式，基于所述隶属度对聚类中心进行迭代优化；迭代直至目标函数收敛，将目标函数收敛后的聚类中心按照品质优劣顺序映射为品质等级，输出携带品质等级的聚类中心矩阵及劣变阶段隶属度；

5、构建时序预测模型，将所述劣变阶段隶属度与标准化特征向量拼接后输入所述时序预测模型，最终输出经时滞互相关校正的最终预测序列；

6、基于所述聚类中心矩阵与劣变阶段隶属度构建双模混合距离度量函数；使用所述双模混合距离度量函数，基于最终预测序列，计算动态混合权重系数；利用所述权重系数计算最终预测序列到各聚类中心的混合加权距离，取所述混合加权距离的最小值对应的聚类中心映射的品质等级作为最终品质等级，当所述最终品质等级达到预设的风险等级阈值时，触发预警。

7、本发明的有益效果在于：

8、（1）本发明打破了传统“先检测后判断”的被动模式，通过将数阶指数及动态模糊指数相结合，依据样本数据自主构建聚类中心矩阵作为等级基准，并输出劣变阶段隶属度作为物理先验。该方法能够基于历史演变规律预先判定未来品质等级的变化趋势，在劣变实际发生前启动干预，实现了从事后处理到事前主动预防的模式升级。

9、（2）本发明针对仓储环境噪声干扰及指标动力学特性差异的痛点，本发明在聚类阶段为各品质指标配置独立的分数阶指数，在预测阶段构建时序预测模型，并引入自适应滞回死区与一阶惯性阻尼机制。上述使得时序预测模型在面对瞬时波动或局部异常值时，仍能维持劣变阶段隶属度的稳定性，从而在源头处降低了虚警与漏报的发生比率。

10、（3）本发明将聚类所得的劣变阶段隶属度注入双模混合距离度量函数中，利用动态混合权重系数自适应调整曼哈顿距离与欧氏距离的占比。同时，通过自适应分块聚焦等幅变化片段，利用幅频可学习离散余弦变换实现频率位置的动态调制与幅度增强，并基于时滞互相关通道校正获取指标间的领先-滞后联系。上述三域协同机制，使得系统能够依据混合加权距离精准判定未来品质等级，实现了从单一指标数值预测向多指标分级预警的提升，显著降低了储藏品质的损耗风险。

1.一种基于深度学习的油菜籽储藏品质指标的协同预测与风险评估方法，其特征在于，所述方法包括：

2.根据权利要求1所述的基于深度学习的油菜籽储藏品质指标的协同预测与风险评估方法，其特征在于，在迭代优化过程中，将簇间排斥正则项加入目标函数以强制拉大各聚类中心间距，所述目标函数由簇内加权紧致度项减去簇间排斥正则项构成；

3.根据权利要求2所述的基于深度学习的油菜籽储藏品质指标的协同预测与风险评估方法，其特征在于，计算所述标准化特征向量隶属于各聚类中心的隶属度的方法包括：

4.根据权利要求3所述的基于深度学习的油菜籽储藏品质指标的协同预测与风险评估方法，其特征在于，采用包含显式阻尼项的动量更新公式，基于所述隶属度对聚类中心进行迭代优化包括：

5.根据权利要求4所述的基于深度学习的油菜籽储藏品质指标的协同预测与风险评估方法，其特征在于，输出聚类中心矩阵及劣变阶段隶属度包括：

6.根据权利要求5所述的基于深度学习的油菜籽储藏品质指标的协同预测与风险评估方法，其特征在于，所述物理时频协同时序预测模型由自适应分块层、幅频可学习离散余弦变换层、惯性阻尼交叉注意力融合层及波动感知指数注意力编码器级联而成；

7.根据权利要求6所述的基于深度学习的油菜籽储藏品质指标的协同预测与风险评估方法，其特征在于，输出惯性校正后的融合特征的过程包括：

8.根据权利要求7所述的基于深度学习的油菜籽储藏品质指标的协同预测与风险评估方法，其特征在于，基于惯性校正后的融合特征输出最终预测序列的过程包括：

9.根据权利要求8所述的基于深度学习的油菜籽储藏品质指标的协同预测与风险评估方法，其特征在于，使用所述双模混合距离度量函数，基于最终预测序列，计算动态混合权重系数包括：

10.根据权利要求9所述的基于深度学习的油菜籽储藏品质指标的协同预测与风险评估方法，其特征在于，利用所述权重系数计算最终预测序列到各聚类中心的混合加权距离，取距离最小值对应的等级作为未来品质等级判定结果，当判定等级超过预设阈值时触发预警；取距离最小值对应的等级作为未来品质等级判定结果的过程包括：