一种温场数学模型的训练方法
技术领域
本发明涉及人工智能
技术领域
，尤其涉及一种温场数学模型的训练方法。背景技术
相关技术中，大多数的蒸烤箱内腔通常设置有ntc型的温度传感器，用于感知内腔的温度变化，以便控制器根据温度变化采取相应控温措施。出于成本考虑，ntc温度传感器数量不宜过多，多数采用一个温度传感器，但带来的问题是只能检测到内腔某一点的温度，并不能反映出内腔整体温场的变化情况。而采用两个温度传感器可以检测到内腔某两点的温度，但蒸烤箱的温场情况是内腔的综合表现，与某两点的温度值不成严格的线性关系，所以，需要将两个温度传感器检测到某两点的温度，模拟成非线性数学模型，针对模型进行样本训练，使模型具备辨别温场表现的能力，并以此控制加热管组合开停。
发明内容
本发明旨在至少在一定程度上解决现有相关技术中存在的问题之一，为此，本发明提出一种温场数学模型的训练方法，其方法简单可行，可有效解决内胆里面无法准确检测整体温场变化情况的问题，同时还可智能判断食物当前的烹饪阶段。
上述目的是通过如下技术方案来实现的：
一种温场数学模型的训练方法，所述烹饪设备具有内胆，在所述内胆的内壁上分别间隔设置有第一温度传感器和第二温度传感器，所述第一温度传感器和所述第二温度传感器分别与控制器电性连接以分别对所述内胆A处和B处的温度进行检测，所述烹饪设备的控制方法包括如下步骤：
分别对所述内胆A处和B处的温度进行检测以获得第一温度值X1和第二温度值X2后，对所述第一温度值X1和所述第二温度值X2进行样本归一化处理；
构建包括输入层、隐藏层和输出层的数学模型；
获取训练样本库中的训练样本以对所述数学模型开始进行训练，通过所构建的数学模型对第一温度值X1和第二温度值X2进行计算处理；
对所述数学模型的参数进行计算以得到每个参数相对应的偏导数
通过计算公式进行计算以获得目标函数值E；
直至获取完所述训练样本库中的训练样本后，通过计算公式进行计算以获得目标函数均值H；
通过判断所述目标函数均值H是否满足预设训练条件以决定结束所述数学模型的训练工作。
在一些实施方式中，所述通过所构建的数学模型对第一温度值X1和第二温度值X2进行计算处理的步骤包括：
ω11x1+ω12x2+b1＝a1，引入非线性函数后则z1＝φ(a1)，
ω21x1+ω22x2+b2＝a2，引入非线性函数后则z2＝φ(a2)，
通过所构建的数学模型对z1和z2进行计算处理：
ω1z1+ω2z2+b＝y，
其中ω为所述数学模型隐藏层的加权重系数，x1为第一温度值，x2为第二温度值，b为所述数学模型隐藏层的预设阈值，a为每个温度值相对应的未知值，z为每个温度值相对应的边界信息，φ为sigmoid函数，y为实际烹饪程度值；
所述sigmoid函数φ的表达式为：
φ(x)＝1/(1+e-x)，
那么φ的导数的表达式则为：
Φ’(x)＝φ(x)[1-φ(x)]；
其中所述φ为sigmoid函数，所述e为设定值。
在一些实施方式中，所述对所述数学模型的参数进行计算以得到每个参数相对应的偏导数的步骤包括：
其中所述为偏导数，所述y为实际烹饪程度值，所述Y为预设烹饪程度值，φ为sigmoid函数，所述x1为第一温度值，x2为第二温度值。
在一些实施方式中，所述目标函数值E通过如下计算公式获得：
E＝(y-Y)2/2，其中所述E为目标函数值，所述y为实际烹饪程度值，所述Y为预设烹饪程度值。
在一些实施方式中，所述目标函数均值H通过如下计算公式获得：
H＝E/N，其中所述H为目标函数均值，所述E为目标函数值，所述N为所述训练样本库中训练样本的数量。
在一些实施方式中，所述通过判断所述目标函数均值H是否满足预设训练条件以决定结束所述数学模型的训练工作的步骤包括：
判断所述目标函数均值H是否满足预设训练条件；
若是，则结束所述数学模型的训练工作；
若否，则决定对所述数学模型的参数进行修正，并且对修正后的所述数学模型再次进行训练。
在一些实施方式中，所述预设训练条件为目标函数均值H是否小于预设训练系数K，所述训练系数K大于0且小于0.1。
在一些实施方式中，所述决定对所述数学模型的参数进行修正的步骤包括：
所述数学模型的参数包括所述数学模型隐藏层的加权重系数ω和所述数学模型隐藏层的预设阈值b；
根据所述数学模型当次训练的参数进行计算以获得所述数学模型下一次训练的参数，并将所述数学模型当次训练的参数修正为计算所得的所述数学模型下一次训练的参数；
所述数学模型下一次训练的参数通过如下计算公式获得：
其中所述ω(后)为所述数学模型下一次训练的加权重系数，所述ω(前)为所述数学模型当次训练的加权重系数，所述a为学习率，为偏导数；
其中所述b(后)为所述数学模型下一次训练的预设阈值，所述b(前)为所述数学模型当次训练的预设阈值，所述a为学习率，为偏导数。
在一些实施方式中，所述结束所述数学模型的训练后的步骤包括：
获取验证样本库中的验证样本以对所述数学模型开始进行验证，通过计算公式进行计算以获得实际烹饪程度值；
直至获取完所述验证样本库中的验证样本后，通过将每个所述验证样本所对应的所述实际烹饪程度值与预设验证条件进行比较，根据比较结果以决定是否结束所述数学模型的验证工作。
在一些实施方式中，所述通过将每个所述验证样本所对应的所述实际烹饪程度值与预设验证条件进行比较，根据比较结果以决定是否结束所述数学模型的验证工作的步骤包括：
判断每个所述验证样本所对应的所述实际烹饪程度值是否满足预设验证条件；
若是，则结束所述数学模型的验证工作；
若否，则返回继续获取所述训练样本库中的训练样本以对所述数学模型再次进行训练。
在一些实施方式中，所述预设验证条件为每个验证样本所对应的实际烹饪程度值y与预设烹饪程度值Y之间差值的绝对值是否小于等于所述预设烹饪程度值Y的10％；
所述实际烹饪程度值的通过如下计算公式获得：y＝ω1z1+ω2z2+b，其中y为实际烹饪程度值，ω为所述数学模型隐藏层的加权重系数，b为预设阈值，z为每个温度值相对应的边界信息。
与现有技术相比，本发明的至少包括以下有益效果：
1.本发明温场数学模型的训练方法，其方法简单可行，可有效解决内胆里面无法准确检测整体温场变化情况的问题，同时还可智能判断食物当前的烹饪阶段。
附图说明
图1是本发明实施例中烹饪设备的控制方法的流程示意图；
图2是本发明实施例中内胆的结构示意图；
图3是本发明实施例中温场决策面的示意图；
图4是本发明实施例中sigmoid函数的曲线图。
具体实施方式
为了使本技术领域的人员更好地理解本发明方案，下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本发明一部分的实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都应当属于本发明请求保护的技术方案范围。
如图1至4所示，本实施例提供一种温场数学模型的训练方法，通过检测烹饪设备内胆里面任意两处的温度值，将温场感知问题，转化为可量化计算的非线性数学模型，数学模型通过样本训练的方法以使算法适应不同的内胆结构，通过判断目标函数均值是否满足预设训练条件以决定结束数学模型的训练工作，从而可准确辨别食物当前所处的烹饪的阶段，进而利于后续控制软件的优化迭代，如此即可根据所推算出的当前的烹饪的情况决定调节加热装置的加热状态，其方法简单可行，可有效解决内胆里面无法准确检测整体温场变化情况的问题，同时还可智能判断食物当前的烹饪阶段。
在本实施例中，烹饪设备具有内胆，在内胆的内壁上分别间隔设置有第一温度传感器和第二温度传感器，更优地，第一温度传感器位于内胆内壁的上端位置处且第二温度传感器位于内胆内壁的下端位置处，第一温度传感器和第二温度传感器分别与控制器电性连接，如此即可通过第一温度传感器对内胆A处的温度进行检测以得到第一温度值X1，同时通过第二温度传感器对内胆B处的温度进行检测以得到第二温度值X2，即通过第一温度传感器和第二温度传感器分别对内胆内壁的上下两端位置处的温度进行检测，此外，在内胆里面还设置有与控制器电性连接的加热装置，加热装置加热工作以对食材进行加热烹饪。本实施例中温度传感器优选为NTC温度传感器，当然还可根据实际需求选择其它更为合适的温度检测装置，此外，本实施例中烹饪设备为蒸箱、烤箱、蒸烤箱、微蒸箱、微蒸烤箱或者蒸烤一体机，但不限于上述设备，当然还可以选择其它更为合适的蒸汽烹饪设备，本实施例中烹饪设备以蒸烤箱举例进行描述，其余的不再赘述。
在本实施例中，烹饪设备的控制方法具体包括如下步骤：
步骤S101，分别对内胆A处和B处的温度进行检测以获得第一温度值X1和第二温度值X2后，对第一温度值X1和第二温度值X2进行样本归一化处理。
在本实施例中，启动第一温度传感器对内胆A处的温度进行检测以得到第一温度值X1，同时启动第二温度传感器对内胆B处的温度进行检测以得到第二温度值X2。此外，输入的样本第一温度值X1和第二温度值X2都需要约束在0℃至200℃的范围之间，如，第一温度值X1为100℃，则样本归一化后：100/200＝0.5；第二温度值X2为105℃,则样本归一化后：105/200＝0.525。
步骤S102，构建包括输入层、隐藏层和输出层的数学模型。
在本实施例中，通过构建数学模型来模拟内胆里面的温场，所构建的数学模型包括输入层、隐藏层和输出层。
步骤S103，获取训练样本库中的训练样本以对数学模型开始进行训练，通过所构建的数学模型对第一温度值X1和第二温度值X2进行计算处理。
在本实施例中，用数学模型来模拟内胆里面的温场情况，将第一温度值X1和第二温度值X2分别输入数学模型的输入层后，经过隐藏层加权重系数ω和阈值b进行计算后，输出到数学模型的输出层，计算出输出值y，y表示食物烹饪达到某阶段的概率，即y为实际烹饪程度值，整个数学模型用以下表达式表示：
ω11x1+ω12x2+b1＝a1，引入非线性函数后则z1＝φ(a1)，
ω21x1+ω22x2+b2＝a2，引入非线性函数后则z2＝φ(a2)，
通过所构建的数学模型对z1和z2进行计算处理：
ω1z1+ω2z2+b＝y，
其中ω为数学模型隐藏层的加权重系数，x1为第一温度值，x2为第二温度值，b为数学模型隐藏层的预设阈值，a为每个温度值相对应的未知值，z为每个温度值相对应的边界信息，φ为sigmoid函数，y为实际烹饪程度值；
激活函数采用sigmoid函数，其曲线如图4所示，sigmoid函数φ的表达式为：
φ(x)＝1/(1+e-x)，
那么φ的导数的表达式则为：
Φ’(x)＝φ(x)[1-φ(x)]；
其中φ为sigmoid函数，e为设定值。
在本实施例中，y和Y的关系具体为:y是数学模型计算出来的实际烹饪程度值，Y是预设烹饪程度值，即为用户烹饪时根据实际所需的烹饪状态预先设定的烹饪程度值，可设食物刚好被煮熟时Y＝1，食物未被煮熟时Y<1，食物被煮过熟时Y>1，因此，通过设目标函数值E，E＝(y-Y)2/2，其中E为目标函数值，y为实际烹饪程度值，Y为预设烹饪程度值，目标函数值E的作用是考量数学模型计算值与训练样本的偏差情况。
步骤S103，对数学模型的参数进行计算以得到每个参数相对应的偏导数
在本实施例中，每个参数相对应的偏导数的表达式具体为：
其中为偏导数，y为实际烹饪程度值，Y为预设烹饪程度值，φ为sigmoid函数，x1为第一温度值，x2为第二温度值。
步骤S104，通过计算公式进行计算以获得目标函数值E。
步骤S105，直至获取完训练样本库中的训练样本后，通过计算公式进行计算以获得目标函数均值H。
在本实施例中，判断训练样本库中的训练样本是否获取完毕，即训练样本库中的训练样本分别对数学模型进行训练工作，若训练样本库中的训练样本已获取完毕后，则通过计算公式进行计算以获得目标函数均值H，若训练样本库中的训练样本未获取完毕，则返回继续获取训练样本库中的训练样本以对数学模型进行训练。
步骤S106，判断目标函数均值H是否满足预设训练条件；
若是，则结束数学模型的训练工作；
若否，则决定对数学模型的参数进行修正，并且对修正后的数学模型再次进行训练。
在本实施例中，需用到偏导数的目的是：数学模型的关键在于参数ω11、ω12、ω21、ω22、ω1、ω2、b1、b2、b的确定，这关系到数学模型最终的辨别能力，利用偏导数可使数学模型的参数逐步逼近最优值，而一开始训练数学模型时的参数是不定的，所以需要先随机选取参数值，更优地，可预先定义ω11＝ω12＝ω21＝ω22＝ω1＝ω2＝b1＝b2＝b＝0.5，以上参数结合第一温度值x1和第二温度值x2可求出实际烹饪程度值y和各偏导数的值，将计算所得的实际烹饪程度值y代入公式E＝(y-Y)2/2即可求出目标函数值E，将计算所得的偏导数代入如下数学模型下一次训练参数的计算公式中，即可求出下一轮训练所用的参数ω(后)和b(后)。
在本实施例中，决定对数学模型的参数进行修正的步骤包括：
数学模型的参数包括数学模型隐藏层的加权重系数ω和数学模型隐藏层的预设阈值b；
根据数学模型当次训练的参数进行计算以获得数学模型下一次训练的参数，并将数学模型当次训练的参数修正为计算所得的数学模型下一次训练的参数；
数学模型下一次训练的参数通过如下计算公式获得：
其中ω(后)为数学模型下一次训练的加权重系数，ω(前)为数学模型当次训练的加权重系数，a为学习率，为偏导数；
其中b(后)为数学模型下一次训练的预设阈值，b(前)为数学模型当次训练的预设阈值，a为学习率，为偏导数。本实施例中a优选为大于0的数，即每次以a为学习率更新模型参数。
在本实施例中，将每个参数相对应的偏导数代入数学模型当次训练的参数中即可获得数学模型下一次训练的参数，具体为：
在本实施例中，预设训练条件优选设定为预设训练条件为目标函数均值H是否小于预设训练系数K，训练系数K大于0且小于0.1，通过使目标函数均值H变得最小时，此时数学模型的参数ω11、ω12、ω21、ω22、ω1、ω2、b1、b2、b即可确定下来。此外，每次以同一批参数ω11、ω12、ω21、ω22、ω1、ω2、b1、b2、b与不同的训练样本x1、x2、Y代入数学模型以计算出E，如果训练样本有n个，则可算出n个E值，最后即可算出目标函数均值H＝E/n。
步骤S107，获取验证样本库中的验证样本以对数学模型开始进行验证，通过计算公式进行计算以获得实际烹饪程度值。
步骤S108，直至获取完验证样本库中的验证样本后，判断每个验证样本所对应的实际烹饪程度值是否满足预设验证条件；
若是，则结束数学模型的验证工作；
若否，则返回继续获取训练样本库中的训练样本以对数学模型再次进行训练。
在本实施例中，在本实施例中，判断验证样本库中的验证样本是否获取完毕，即验证样本库中的验证样本分别对数学模型进行验证工作，若验证样本库中的验证样本已获取完毕后，则统计每个验证样本所对应的实际烹饪程度值，并且将每个验证样本所对应的实际烹饪程度值与预设验证条件进行比较，若验证样本库中的验证样本未获取完毕，则返回继续获取验证样本库中的验证样本以对数学模型进行验证。此外，当模型训练完毕后，便可输入验证样本以对数学模型的参数进行验证，验证数学模型的辨别能力，通过针对第一温度值x1和第二温度值x2进行计算以得到其相对应的实际烹饪程度值，然后判断计算所得的数据是否满足预设验证条件以决定结束数学模型的验证工作。本实施例中预设验证条件优选设定为每个验证样本所对应的实际烹饪程度值y与预设烹饪程度值Y之间差值的绝对值是否小于等于预设烹饪程度值Y的10％，即每个验证样本所对应的实际烹饪程度值y是否在预设烹饪程度值Y的附近，从而使每个验证样本所对应的实际烹饪程度值y与预设烹饪程度值Y拟合度较高，进而说明数学模型以及训练方法为有效的，若用户预先将食物刚好被煮熟时的预设烹饪程度值Y设定为1时，那么判断每个验证样本所对应的实际烹饪程度值y与预设烹饪程度值Y之间差值的绝对值是否满足大于等于0.9且小于等于1.1的条件即可。
以上所述的仅是本发明的一些实施方式。对于本领域的普通技术人员来说，在不脱离本发明创造构思的前提下，还可以做出若干变形和改进，这些都属于本发明的保护范围。
