基于深度学习的粮食安全信息融合技术研究

作为世界上最大的粮食生产及消费大国,我国粮食在产后的储存安全方面显得尤为重要。针对多种储粮信息的安全状况分析,采用数据融合技术是获得全面、准确结果的有效方式。数据融合通过对粮食多源信息的综合分析,以获取安全评估的一致性解释和描述。深度学习则是提取数据深层特征的有力工具,因此基于深度学习的多源数据融合方法能够充分发挥数据关联与潜在价值,更加稳定的做出准确判断和决策。本文首先根据相关文献综述数据融合的产生与发展;并对传统数据融合方法应用以及现代数据融合研究成果进行分类对比,分析深度学习在数据融合中的优势,进而提出深度学习在粮食信息融合处理中的可行性;最后结合粮情处理现状,提出一种基于深度学习的粮情二级融合框架,采用温度、湿度、水分、虫害四种储粮信息的融合,对其在储粮安全评估中的应用做出研究和展望。

基于Transformer的粮食安全信息融合算法研究

粮情监测和环境控制对保证粮库安全具有重要意义,但是由于粮库环境复杂,令相关工作人员对其的实时监测十分困难。这就出现了对粮库多源数据融合分析的需求,特别是对异质传感器信息的融合,即对多传感器时间序列数据进行有效的异常检测。但是如何提高数据融合结果的准确度和稳定性一直是个问题。为了能够实现准确的多源异质数据融合,提高粮库监控的智能化,以自注意力机制为切入口,提出了一种基于无监督的Transformer深度学习模型来进行粮库安全信息融合,该模型能够广泛适用于不同的粮库安全监测场景。实验结果表明,本文基于自注意力机制的信息融合模型具有更好的粮情监控能力,能够及时有效的发现粮库的存储问题,保证储粮安全。