适用于智能终端的温度快速预测方法、装置与设备制造方法及图纸

本发明专利技术公开了一种适用于智能终端的温度快速预测方法、装置与设备，能做到基于一组较少的瞬态测量数据预测其稳态测量数据。本发明专利技术首先设三次函数c(t)拟合采样温度数据，这些数据是在t

【技术实现步骤摘要】
适用于智能终端的温度快速预测方法、装置与设备


[0001]本专利技术属于数据处理
，具体涉及一种适用于智能终端的温度快速预测方法、装置与设备。

技术介绍

[0002]在工农业生产、科学研究、医疗服务以及日常生活领域中，温度测量是人们最频繁又是最重要的活动，然而，由于传感器与测量对象之间的热平衡需要经历一定的时间，因此温度测量往往具有输出结果延时的特性，因而往往带来不适和不便。例如常见的体温测量要求测量时间不少于数分钟，若测量对象是人体往往会带来焦虑，若测量对象是动物，由于缺乏耐力或惧怕测量仪器，往往更困难。红外测温装置可能是一种解决方案，但毛发和皮毛覆盖可能会产生较大的误差。又例如，铂热电偶的温度范围大致在0～1600℃，镍铬
‑
镍铝热电偶的温度范围大致在
‑
200～1300℃，若被测对象的温度变化范围很大，达到
‑
200～1600℃，则要求用两种传感器进行切换，增加测量成本。
[0003]现有的温度预测方法的研究主要专注于机器学习(ML)的方法。如文献[Morishima,S.,Xu,Y.,Urashima,A.et al.Human body skin temperature prediction based on machine learning.Artif Life Robotics 26,103
–
108(2021)]采用基于长短期记忆(LSTM)网络的ML来预测皮肤温度。它采用皮肤温度的历史采集值和当前环境温度、湿度、大气压力作为输入，但在数据采集阶段消除了个体差异、活动、饮食等因素。采样3分钟的数据形成输入向量，在LSTM网络内部使用20个神经元，得到当前皮肤温度的预测结果作为输出。采用自适应矩估计优化器中的均方误差(MSE)作为损失函数，得到均方根误差(RMS)为0.315℃，均方根百分比误差(PE)为0.90％。而用33～37℃的数据预测24～31℃范围内的温度时，RMS误差和RMS PE分别为0.543℃和1.52％。
[0004]文献[Gorczyca,M.T.,et al."Machine learning algorithms to predict core,skin,and hair
‑
coat temperatures of piglets."Computers and Electronics in Agriculture151(2018):286
‑
294.]测试了四种不同的ML算法，以测量时间点、补充热量(不同功率的灯照射)、空气温度和黑球温度为输入，预测仔猪的核心温度(直肠)和皮肤温度(裸面和毛面)。对基于前馈深度神经网络(DNN)、梯度增强机(GBM)、随机森林(RF)和广义线性回归(GLM)的四种算法进行了性能评价。在上述算法中，直肠温度、皮肤表面温度和毛发表面温度的最佳平均绝对熵分别达到0.36％、0.62％和1.35％。结果表明，前三种算法对大范围的输入具有较强的鲁棒性，而后一种算法的鲁棒性较差。
[0005]如前所述，现有的研究大多依赖于基于ML的神经网络来预测温度，有些已经取得了准确的结果，但代价是难以忍受的时间消耗。如果让这些算法在普通的个人电脑(PC)上运行，上述算法所占用的时间从几十分钟到几个小时不等。如果在以手机为主的智能终端执行，计算能力肯定会比PC差很多，耗时肯定会更长。对于上述问题，如何能做到基于一组较少的瞬态测量数据快速预测其稳态测量数据，以适用于计算能力较弱的便携式智能终端，是值得研究的课题。

技术实现思路

[0006]专利技术目的：针对现有技术中存在的问题，本专利技术目的在于提供一种适用于智能终端的温度快速预测方法、装置与设备，能够以较少的瞬态测量数据快速预测其稳态测量数据，使其能够适用于大众普及化更高的便携式设备。
[0007]技术方案：为实现上述专利技术目的，本专利技术采用如下技术方案：
[0008]一种适用于智能终端的温度快速预测方法，所述方法以三次函数c(t)拟合采样温度数据，并以二次函数f(t)作为预测函数；所述二次函数与所述三次函数在温度采样点t
n
满足f(t
n
)＝c(t
n
)，并共享同一斜率s
n
；以所述二次函数最大值作为稳态温度预测值；其中t表示时间，n为预设的拟合三次函数c(t)与预测二次函数f(t)相切的采样点的索引号；所述方法具体包括如下步骤：
[0009]实时采集检测对象的温度，至少获得第n个采样点及之前的若干个采样点的温度测量值；
[0010]将实时采集到的数据进行三次函数拟合，得到多项式系数，并将第n个采样点对应的时间t
n
代入拟合的函数的导数函数以计算斜率s
n
；
[0011]将对检测对象的实时采集数据对应的t
n
和s
n
代入t
n+m
关于t
n
的经验公式计算得到t
n+m
，并根据如下公式得到二次函数f(t)＝a2t2+a1t+a0的各项系数：
[0012][0013]其中T
n
为t
n
时刻的温度测量采集样本值；所述t
n+m
关于t
n
的经验公式根据温度测量的历史记录数据样本集确定，t
n+m
为二次函数f(t)上斜率为s
n
/2的采样时间，其中m＞0；
[0014]输出二次函数f(t)的最大值作为稳态温度预测值。
[0015]作为优选，所述t
n+m
关于t
n
的经验公式根据如下方法确定：t
n+m
＞t
n
，且t
n+m
随s
n
增加而单调增加，增加的幅度由单调增函数确定，其中单调增函数由指数函数和线性函数组合而成，指数函数的指数以及线性函数的线性增长速率由检测对象同类对象的温度测量的历史记录数据样本集确定。
[0016]作为优选，所述t
n+m
关于t
n
在采样频率为10Hz下的经验公式表示为t
n+m
＝t
n
+10(100s
n
)
1/α
β，其中，参数α和β基于历史记录数据样本集确定。
[0017]作为优选，根据温度测量的历史记录数据样本集确定t
n+m
关于t
n
的经验公式中的参数的方法为：基于第j个与检测对象同类对象的历史记录数据样本集{(t
i
,T
i
)|t0≤t
i
≤t
s
}得到拟合函数c
j
(t)及其导数c
′
j
(t)，其中j∈{1
…
J}，[t0,t<本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种适用于智能终端的温度快速预测方法，其特征在于，所述方法以三次函数c(t)拟合采样温度数据，并以二次函数f(t)作为预测函数；所述二次函数与所述三次函数在温度采样点t
n
满足f(t
n
)＝c(t
n
)，并共享同一斜率s
n
；以所述二次函数最大值作为稳态温度预测值；其中t表示时间，n为预设的拟合三次函数c(t)与预测二次函数f(t)相切的采样点的索引号；所述方法具体包括如下步骤：实时采集检测对象的温度，至少获得第n个采样点及之前的若干个采样点的温度测量值；将实时采集到的数据进行三次函数拟合，得到多项式系数，并将第n个采样点对应的时间t
n
代入拟合的函数的导数函数以计算斜率s
n
；将对检测对象的实时采集数据对应的t
n
和s
n
代入t
n+m
关于t
n
的经验公式计算得到t
n+m
，并根据如下公式得到二次函数f(t)＝a2t2+a1t+a0的各项系数：其中T
n
为t
n
时刻的温度测量采集样本值；所述t
n+m
关于t
n
的经验公式根据温度测量的历史记录数据样本集确定，t
n+m
为二次函数f(t)上斜率为s
n
/2的采样时间，其中m＞0；输出二次函数f(t)的最大值作为稳态温度预测值。2.根据权利要求1所述的适用于智能终端的温度快速预测方法，其特征在于，所述t
n+m
关于t
n
的经验公式根据如下方法确定：t
n+m
＞t
n
，且t
n+m
随s
n
增加而单调增加，增加的幅度由单调增函数确定，其中单调增函数由指数函数和线性函数组合而成，指数函数的指数以及线性函数的线性增长速率由检测对象同类对象的温度测量的历史记录数据样本集确定。3.根据权利要求2所述的适用于智能终端的温度快速预测方法，其特征在于，所述t
n+m
关于t
n
在采样频率为10Hz下的经验公式表示为t
n+m
＝t
n
+10(100s
n
)
1/α
β，其中，参数α和β基于历史记录数据样本集确定。4.根据权利要求1所述的适用于智能终端的温度快速预测方法，其特征在于，根据温度测量的历史记录数据样本集确定t
n+m
关于t
n
的经验公式中的参数的方法为：基于第j个与检测对象同类对象的历史记录数据样本集{(t
i
,T
i
)|t0≤t
i
≤t
s
}得到拟合函数c
j
(t)及其导数c
′
j
(t)，其中j∈{1
…
J}，[t0,t
s
]为测量时间范围，J为同类对象数量；将t
n
代入c
′
j
(t)得到c
j
(t)在t
n
的斜率s...

【专利技术属性】
技术研发人员：顾斌，朱启文，嵇亮，孙冬，刘豫东，于宝明，
申请(专利权)人：南京信息职业技术学院，
类型：发明
国别省市：