CN111292006B - 基于黄酒制品品质范围获取原料品质范围的方法及装置 - Google Patents
基于黄酒制品品质范围获取原料品质范围的方法及装置 Download PDFInfo
- Publication number
- CN111292006B CN111292006B CN202010118101.4A CN202010118101A CN111292006B CN 111292006 B CN111292006 B CN 111292006B CN 202010118101 A CN202010118101 A CN 202010118101A CN 111292006 B CN111292006 B CN 111292006B
- Authority
- CN
- China
- Prior art keywords
- yellow wine
- raw material
- target
- quality
- index
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Active
Links
- 235000014101 wine Nutrition 0.000 title claims abstract description 723
- 239000002994 raw material Substances 0.000 title claims abstract description 441
- 238000000034 method Methods 0.000 title claims abstract description 90
- 238000005457 optimization Methods 0.000 claims abstract description 71
- 230000008569 process Effects 0.000 claims abstract description 46
- 238000012545 processing Methods 0.000 claims abstract description 45
- 238000011835 investigation Methods 0.000 claims abstract description 36
- 238000004519 manufacturing process Methods 0.000 claims abstract description 32
- 238000004364 calculation method Methods 0.000 claims abstract description 29
- 238000011160 research Methods 0.000 claims abstract description 20
- 238000009792 diffusion process Methods 0.000 claims description 41
- 238000011514 vinification Methods 0.000 claims description 23
- 238000012417 linear regression Methods 0.000 claims description 17
- 230000000670 limiting effect Effects 0.000 claims description 15
- 238000002360 preparation method Methods 0.000 claims description 12
- 238000012549 training Methods 0.000 claims description 11
- 230000001105 regulatory effect Effects 0.000 claims description 10
- 235000019991 rice wine Nutrition 0.000 claims description 10
- 230000001276 controlling effect Effects 0.000 claims description 9
- 238000004458 analytical method Methods 0.000 claims description 8
- 238000010276 construction Methods 0.000 claims description 7
- 241000209094 Oryza Species 0.000 description 14
- 235000007164 Oryza sativa Nutrition 0.000 description 14
- 235000009566 rice Nutrition 0.000 description 14
- 238000012937 correction Methods 0.000 description 6
- 238000005070 sampling Methods 0.000 description 5
- 239000000126 substance Substances 0.000 description 5
- 238000012360 testing method Methods 0.000 description 5
- 239000013598 vector Substances 0.000 description 5
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Chemical compound O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 description 4
- 240000004808 Saccharomyces cerevisiae Species 0.000 description 3
- 244000062793 Sorghum vulgare Species 0.000 description 3
- 238000001816 cooling Methods 0.000 description 3
- 238000002474 experimental method Methods 0.000 description 3
- 235000013305 food Nutrition 0.000 description 3
- 235000019713 millet Nutrition 0.000 description 3
- 229920000856 Amylose Polymers 0.000 description 2
- IJGRMHOSHXDMSA-UHFFFAOYSA-N Atomic nitrogen Chemical compound N#N IJGRMHOSHXDMSA-UHFFFAOYSA-N 0.000 description 2
- LFQSCWFLJHTTHZ-UHFFFAOYSA-N Ethanol Chemical compound CCO LFQSCWFLJHTTHZ-UHFFFAOYSA-N 0.000 description 2
- 238000001914 filtration Methods 0.000 description 2
- 238000007667 floating Methods 0.000 description 2
- JVTAAEKCZFNVCJ-UHFFFAOYSA-N lactic acid Chemical compound CC(O)C(O)=O JVTAAEKCZFNVCJ-UHFFFAOYSA-N 0.000 description 2
- 239000011159 matrix material Substances 0.000 description 2
- 238000010606 normalization Methods 0.000 description 2
- 102000004169 proteins and genes Human genes 0.000 description 2
- 108090000623 proteins and genes Proteins 0.000 description 2
- 230000002829 reductive effect Effects 0.000 description 2
- 230000000452 restraining effect Effects 0.000 description 2
- 229920000945 Amylopectin Polymers 0.000 description 1
- 102000004190 Enzymes Human genes 0.000 description 1
- 108090000790 Enzymes Proteins 0.000 description 1
- 240000002582 Oryza sativa Indica Group Species 0.000 description 1
- 229920002472 Starch Polymers 0.000 description 1
- 240000008042 Zea mays Species 0.000 description 1
- 235000016383 Zea mays subsp huehuetenangensis Nutrition 0.000 description 1
- 235000002017 Zea mays subsp mays Nutrition 0.000 description 1
- 239000002253 acid Substances 0.000 description 1
- 230000001476 alcoholic effect Effects 0.000 description 1
- 102000004139 alpha-Amylases Human genes 0.000 description 1
- 108090000637 alpha-Amylases Proteins 0.000 description 1
- 229940024171 alpha-amylase Drugs 0.000 description 1
- 150000001413 amino acids Chemical class 0.000 description 1
- 230000005540 biological transmission Effects 0.000 description 1
- -1 caO Chemical compound 0.000 description 1
- 238000009924 canning Methods 0.000 description 1
- 230000008859 change Effects 0.000 description 1
- 238000004891 communication Methods 0.000 description 1
- 238000012790 confirmation Methods 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 239000012153 distilled water Substances 0.000 description 1
- 229940088598 enzyme Drugs 0.000 description 1
- 238000000855 fermentation Methods 0.000 description 1
- 230000004151 fermentation Effects 0.000 description 1
- 238000011049 filling Methods 0.000 description 1
- 239000000796 flavoring agent Substances 0.000 description 1
- 235000019634 flavors Nutrition 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 230000001788 irregular Effects 0.000 description 1
- 238000012804 iterative process Methods 0.000 description 1
- 235000014655 lactic acid Nutrition 0.000 description 1
- 239000004310 lactic acid Substances 0.000 description 1
- 238000012886 linear function Methods 0.000 description 1
- 235000009973 maize Nutrition 0.000 description 1
- 238000013178 mathematical model Methods 0.000 description 1
- 238000005259 measurement Methods 0.000 description 1
- 238000002156 mixing Methods 0.000 description 1
- 229910052757 nitrogen Inorganic materials 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 230000036961 partial effect Effects 0.000 description 1
- 238000012797 qualification Methods 0.000 description 1
- 230000004044 response Effects 0.000 description 1
- 230000000717 retained effect Effects 0.000 description 1
- 230000000630 rising effect Effects 0.000 description 1
- 238000012216 screening Methods 0.000 description 1
- 238000007873 sieving Methods 0.000 description 1
- 238000005549 size reduction Methods 0.000 description 1
- 239000007787 solid Substances 0.000 description 1
- 238000011425 standardization method Methods 0.000 description 1
- 235000019698 starch Nutrition 0.000 description 1
- 239000008107 starch Substances 0.000 description 1
- 238000003756 stirring Methods 0.000 description 1
- 238000003860 storage Methods 0.000 description 1
- 238000012353 t test Methods 0.000 description 1
- 239000002699 waste material Substances 0.000 description 1
- 238000005303 weighing Methods 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q10/00—Administration; Management
- G06Q10/06—Resources, workflows, human or project management; Enterprise or organisation planning; Enterprise or organisation modelling
- G06Q10/063—Operations research, analysis or management
- G06Q10/0639—Performance analysis of employees; Performance analysis of enterprise or organisation operations
- G06Q10/06393—Score-carding, benchmarking or key performance indicator [KPI] analysis
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q50/00—Information and communication technology [ICT] specially adapted for implementation of business processes of specific business sectors, e.g. utilities or tourism
- G06Q50/04—Manufacturing
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02P—CLIMATE CHANGE MITIGATION TECHNOLOGIES IN THE PRODUCTION OR PROCESSING OF GOODS
- Y02P90/00—Enabling technologies with a potential contribution to greenhouse gas [GHG] emissions mitigation
- Y02P90/30—Computing systems specially adapted for manufacturing
Landscapes
- Business, Economics & Management (AREA)
- Human Resources & Organizations (AREA)
- Engineering & Computer Science (AREA)
- Economics (AREA)
- Strategic Management (AREA)
- General Physics & Mathematics (AREA)
- General Business, Economics & Management (AREA)
- Theoretical Computer Science (AREA)
- Educational Administration (AREA)
- Marketing (AREA)
- Entrepreneurship & Innovation (AREA)
- Development Economics (AREA)
- Tourism & Hospitality (AREA)
- Physics & Mathematics (AREA)
- Operations Research (AREA)
- Quality & Reliability (AREA)
- Game Theory and Decision Science (AREA)
- Manufacturing & Machinery (AREA)
- Health & Medical Sciences (AREA)
- General Health & Medical Sciences (AREA)
- Primary Health Care (AREA)
- Investigating Or Analysing Materials By Optical Means (AREA)
Abstract
本发明涉及黄酒加工技术领域,公开了一种基于黄酒制品品质范围获取原料品质范围的方法及装置,所述方法包括:获取黄酒品质调研数据和黄酒品质研究数据,根据这些数据获得黄酒原料样本集和黄酒制品样本集,进行逐步回归处理,对黄酒制品品质指标进行预测,并根据预测过程中的计算数据构建黄酒原料品质标准优化模型来确定黄酒原料品质指标范围。从而通过先获得黄酒原料样本集和黄酒制品样本集,进而构建黄酒原料品质标准优化模型,根据该模型来确定黄酒原料品质指标范围,解决了如何确定黄酒原料品质指标的最佳范围,使得在给定的生产工艺条件下黄酒原料能够生产出合格的黄酒制品的技术问题。
Description
技术领域
本发明涉及黄酒加工技术领域,尤其涉及一种基于黄酒制品品质范围获取原料品质范围的方法及装置。
背景技术
在黄酒加工领域,多样化的黄酒制品对黄酒原料品质的需求也不尽相同,需要制作出符合国标、省标、行标、企标的黄酒制品,就要根据黄酒制品品质预测黄酒原料的最佳品质范围,这样可为企业采办原料提供依据,采办合适的原料,在给定的生产工艺条件下生产出合格的目标制品,提高合格率,减少浪费,为企业减少损失,提高企业利润。
目前企业在确定黄酒制品的生产原料时有很多方法,如根据生产经验或进行简单的对比试验就可以大致判断出何种黄酒原料投入制作将会得到怎样的黄酒制品,但是这种根据生产经验对黄酒制品生产流程做决策的方法在效率上存在着一定的提升空间。对于企业的生产规划来说,如何科学地找到生产目标黄酒制品最合适的黄酒原料品质范围是一个比较大的难题。
上述内容仅用于辅助理解本发明的技术方案,并不代表承认上述内容是现有技术。
发明内容
本发明的主要目的在于提出一种基于黄酒制品品质范围获取原料品质范围的方法及装置,旨在解决如何确定黄酒原料品质指标的最佳范围,使得在给定的生产工艺条件下黄酒原料能够生产出合格的黄酒制品的技术问题。
为实现上述目的,本发明提供一种基于黄酒制品品质范围获取原料品质范围的方法,所述基于黄酒制品品质范围获取原料品质范围的方法包括以下步骤:
获取黄酒品质调研数据和黄酒品质研究数据;
根据所述黄酒品质调研数据和所述黄酒品质研究数据构建黄酒原料和黄酒制品的指标体系;
从所述黄酒品质研究数据中提取黄酒制作工艺,并从所述黄酒制作工艺中选取目标黄酒制作工艺;
根据所述指标体系和所述目标黄酒制作工艺确定黄酒原料样本集和黄酒制品样本集;
分别对所述黄酒原料样本集和所述黄酒制品样本集进行标准化处理,获得标准化黄酒原料样本集和标准化黄酒制品样本集;
基于所述标准化黄酒原料样本集对黄酒原料品质指标进行逐步回归处理,获得回归方程;
根据所述回归方程对黄酒制品品质指标进行预测,并获取预测过程中的计算数据;
根据所述计算数据和预设优化目标构建黄酒原料品质标准优化模型;
根据所述黄酒原料品质标准优化模型确定黄酒原料品质指标范围。
优选地,所述根据所述指标体系和所述目标黄酒制作工艺确定黄酒原料样本集和黄酒制品样本集,具体包括:
根据所述指标体系确定黄酒原料指标和黄酒制品指标;
从所述调研数据中提取黄酒原料品种及黄酒原料基础信息;
根据所述黄酒原料基础信息从所述黄酒原料品种中选取目标黄酒原料品种;
根据所述黄酒原料指标查找所述目标黄酒原料品种对应的目标样本黄酒原料指标;
根据所述目标样本黄酒原料指标构建黄酒原料样本集;
根据所述目标黄酒制作工艺对所述目标黄酒原料品种对应的黄酒原料进行加工处理,获得目标黄酒制品;
根据所述黄酒制品指标和所述目标黄酒制品构建黄酒制品样本集。
优选地,所述基于所述标准化黄酒原料样本集对黄酒原料品质指标进行逐步回归处理,获得回归方程之前,还包括:
从所述标准化黄酒原料样本集中提取目标黄酒原料指标,并从所述标准化黄酒制品样本集中提取目标黄酒制品指标;
对所述目标黄酒原料指标进行多重共线分析处理,获得所述目标黄酒原料指标对应的方差膨胀系数;
将所述方差膨胀系数与预设系数阈值进行比较;
若所述方差膨胀系数大于所述预设系数阈值,则执行所述基于所述标准化黄酒原料样本集对黄酒原料品质指标进行逐步回归处理,获得回归方程的步骤。
优选地,所述基于所述标准化黄酒原料样本集对黄酒原料品质指标进行逐步回归处理,获得回归方程,具体包括:
根据所述目标黄酒原料指标和所述目标黄酒制品指标构建回归模型;
从所述标准化黄酒原料样本集中提取黄酒原料样本集维度,并从所述标准化黄酒制品样本集中提取黄酒制品样本集维度;
根据所述黄酒原料样本集维度、所述黄酒制品样本集维度和所述回归模型确定回归方程。
优选地,所述根据所述回归方程对黄酒制品品质指标进行预测,并获取预测过程中的计算数据,具体包括:
生成黄酒制品品质指标对应的多元线性回归模型;
根据所述回归方程对所述多元线性回归模型进行训练,获得所述黄酒制品品质指标对应的预测模型;
从所述标准化黄酒制品样本集中提取目标黄酒制品指标,并确定所述目标黄酒制品指标对应的回归函数;
根据所述回归函数确定拟合优度;
将所述预测模型和所述拟合优度作为计算数据。
优选地,所述根据所述计算数据和预设优化目标构建黄酒原料品质标准优化模型,具体包括:
查找所述黄酒原料品质指标对应的黄酒原料品质的理化性质数据,并基于所述理化性质数据确定黄酒原料限制约束;
基于所述预测模型和预设目标黄酒制品品质要求,确定黄酒制品限制约束;
根据所述拟合优度对所述黄酒制品限制约束进行修正,获得目标黄酒制品限制约束;
根据多个目标黄酒原料指标构建高维目标空间,并在所述高维目标空间中设置扩散因子;
根据所述扩散因子和预设目标区域要求确定扩散因子约束;
将所述黄酒原料限制约束、所述目标黄酒制品限制约束和所述扩散因子约束作为约束条件;
根据所述约束条件和预设优化目标构建黄酒原料品质标准优化模型。
优选地,所述根据所述黄酒原料品质标准优化模型确定黄酒原料品质指标范围,具体包括:
将所述黄酒原料品质标准化模型转化为单目标品质标准优化模型;
获取所述单目标品质标准优化模型的结果数据;
根据所述结果数据对所述扩散因子约束进行优化,获得目标扩散因子约束;
根据所述目标扩散因子约束对所述黄酒原料品质标准优化模型进行调控,获得调控模型;
根据所述调控模型确定黄酒原料品质指标范围。
优选地,所述根据所述调控模型确定黄酒原料品质指标范围,具体包括:
根据所述调控模型计算黄酒原料品质指标下界值和黄酒原料品质指标上界值;
对所述黄酒原料品质指标下界值和所述黄酒原料品质指标上界值进行反标准化处理;
根据处理结果确定黄酒原料品质指标范围。
此外,为实现上述目的,本发明还提出一种基于黄酒制品品质范围获取原料品质范围的装置,所述基于黄酒制品品质范围获取原料品质范围的装置包括:
数据获取模块,用于获取黄酒品质调研数据和黄酒品质研究数据;
体系构建模块,用于根据所述黄酒品质调研数据和所述黄酒品质研究数据构建黄酒原料和黄酒制品的指标体系;
制作工艺模块,用于从所述黄酒品质研究数据中提取黄酒制作工艺,并从所述黄酒制作工艺中选取目标黄酒制作工艺;
样本集确定模块,用于根据所述指标体系和所述目标黄酒制作工艺确定黄酒原料样本集和黄酒制品样本集;
数据处理模块,用于分别对所述黄酒原料样本集和所述黄酒制品样本集进行标准化处理,获得标准化黄酒原料样本集和标准化黄酒制品样本集;
逐步回归模块,用于基于所述标准化黄酒原料样本集对黄酒原料品质指标进行逐步回归处理,获得回归方程;
指标预测模块,用于根据所述回归方程对黄酒制品品质指标进行预测,并获取预测过程中的计算数据;
模型构建模块,用于根据所述计算数据和预设优化目标构建黄酒原料品质标准优化模型;
范围确定模块,用于根据所述黄酒原料品质标准优化模型确定黄酒原料品质指标范围。
优选地,所述指标预测模块,还用于生成黄酒制品品质指标对应的多元线性回归模型;
所述指标预测模块,还用于根据所述回归方程对所述多元线性回归模型进行训练,获得所述黄酒制品品质指标对应的预测模型;
所述指标预测模块,还用于从所述标准化黄酒制品样本集中提取目标黄酒制品指标,并确定所述目标黄酒制品指标对应的回归函数;
所述指标预测模块,还用于根据所述回归函数确定拟合优度;
所述指标预测模块,还用于将所述预测模型和所述拟合优度作为计算数据。
本发明提出的基于黄酒制品品质范围获取原料品质范围的方法,通过获取黄酒品质调研数据和黄酒品质研究数据;根据所述黄酒品质调研数据和所述黄酒品质研究数据构建黄酒原料和黄酒制品的指标体系;从所述黄酒品质研究数据中提取黄酒制作工艺,并从所述黄酒制作工艺中选取目标黄酒制作工艺;根据所述指标体系和所述目标黄酒制作工艺确定黄酒原料样本集和黄酒制品样本集;分别对所述黄酒原料样本集和所述黄酒制品样本集进行标准化处理,获得标准化黄酒原料样本集和标准化黄酒制品样本集;基于所述标准化黄酒原料样本集对黄酒原料品质指标进行逐步回归处理,获得回归方程;根据所述回归方程对黄酒制品品质指标进行预测,并获取预测过程中的计算数据;根据所述计算数据和预设优化目标构建黄酒原料品质标准优化模型;根据所述黄酒原料品质标准优化模型确定黄酒原料品质指标范围。从而通过先获得黄酒原料样本集和黄酒制品样本集,进而构建黄酒原料品质标准优化模型,根据该模型来确定黄酒原料品质指标范围,解决了如何确定黄酒原料品质指标的最佳范围,使得在给定的生产工艺条件下黄酒原料能够生产出合格的黄酒制品的技术问题。
附图说明
图1为本发明基于黄酒制品品质范围获取原料品质范围的方法第一实施例的流程示意图;
图2为本发明基于黄酒制品品质范围获取原料品质范围的方法第二实施例的流程示意图;
图3为本发明基于黄酒制品品质范围获取原料品质范围的方法第三实施例的流程示意图;
图4为本发明基于黄酒制品品质范围获取原料品质范围的装置第一实施例的功能模块示意图。
本发明目的的实现、功能特点及优点将结合实施例,参照附图做进一步说明。
具体实施方式
应当理解,此处所描述的具体实施例仅仅用以解释本发明,并不用于限定本发明。
参照图1,图1为本发明基于黄酒制品品质范围获取原料品质范围的方法第一实施例的流程示意图。
在第一实施例中,所述基于黄酒制品品质范围获取原料品质范围的方法包括以下步骤:
步骤S10,获取黄酒品质调研数据和黄酒品质研究数据。
需要说明的是,本实施例的执行主体可为具有数据处理、程序运行以及网络通信功能的计算服务设备,例如智能手机、平板电脑、个人电脑等,还可为其他可实现相同或相似功能的基于黄酒制品品质范围获取原料品质范围的设备,本实施例对此不作限制,在本实施例中,以基于黄酒制品品质范围获取原料品质范围的设备为例进行说明。
应当理解的是,黄酒品质调研数据是根据大数据收集到的各种关于黄酒原料和黄酒制品的数据,黄酒品质研究数据是对黄酒原料和黄酒制品进行研究和试验过程中收集的数据。
应当理解的是,黄酒原料指标包括:地区、大米品种、大米水分、蛋白质、脂肪、粗淀粉、直链淀粉、支链淀粉、米饭感官评分、出饭率、峰值粘度、最低粘度、最终粘度、衰减值、回生值、糊化温度。
黄酒制品指标包括:黄酒类型、总糖、PH、总酸、氨基酸态氮、CaO、酒精度、非糖固形物、外观、香气、口味、风格、总分。
步骤S20,根据所述黄酒品质调研数据和所述黄酒品质研究数据构建黄酒原料和黄酒制品的指标体系。
需要说明的是,根据黄酒品质调研数据和黄酒品质研究数据中的各项数据,包括但不限于上述列出的数据,可以构建黄酒原料和黄酒制品的指标体系,在该指标体系中含有可以评价黄酒原料的黄酒原料指标和可以评价黄酒制品的黄酒制品指标。
步骤S30,从所述黄酒品质研究数据中提取黄酒制作工艺,并从所述黄酒制作工艺中选取目标黄酒制作工艺。
应当理解的是,可以从黄酒品质研究数据中提取多种黄酒制作工艺,通过对黄酒制作工艺的通用性和先进性进行筛选,将黄酒最典型的制作工艺作为目标黄酒制作工艺。
应当理解的是,目标黄酒制作工艺可为:糯米→粉碎→液化→糖化→接种→发酵→过滤→成品,工艺要点为:将除杂后的糯米进行粉碎后过40目筛,称215g于1000mL烧杯或锥形瓶中,按料水比1:2.5加入538mL蒸馏水。混匀后按15U/g干糯米加入耐高温α-淀粉酶,于95℃水浴锅中处理90min,冷却后用乳酸调pH至4.5~5.0,再按150U/g干糯米加入糖化酶,于65℃水浴锅中处理30min,期间需不断搅拌。趁热将糖化醪装入发酵瓶中,冷却后接种酵母进行发酵、过滤、罐装、巴氏杀菌后制成黄酒成品。按1.0×107个/mL接种酿酒活性干酵母,至25℃生化培养箱中主发酵3天,取样测定发酵醪中酵母菌数,然后降温至20℃进行黄酒后发酵7天,测定酒精度及风味物质含量。
步骤S40,根据所述指标体系和所述目标黄酒制作工艺确定黄酒原料样本集和黄酒制品样本集。
进一步地,所述步骤S40,包括:
根据所述指标体系确定黄酒原料指标和黄酒制品指标;从所述调研数据中提取黄酒原料品种及黄酒原料基础信息,所述黄酒原料基础信息包括黄酒原料品质信息;根据所述黄酒原料基础信息从所述黄酒原料品种中选取目标黄酒原料品种;根据所述黄酒原料指标查找所述目标黄酒原料品种对应的目标样本黄酒原料指标;根据所述目标样本黄酒原料指标构建黄酒原料样本集;根据所述目标黄酒制作工艺对所述目标黄酒原料品种对应的黄酒原料进行加工处理,获得目标黄酒制品;根据所述黄酒制品指标和所述目标黄酒制品构建黄酒制品样本集。
需要说明的是,从调研数据中提取黄酒原料品种和黄酒原料基础信息,黄酒原料基础信息包括但不限黄酒原料品质信息,根据这些信息选择最适合黄酒原料品种作为目标黄酒原料品种,将目标黄酒原料品种对应的黄酒原料作为样本,这样可得到t种样本黄酒原料,而样本黄酒原料对应的指标则为目标样本黄酒原料指标。
需要说明的是,目标黄酒原料品种确定的步骤可为:
①根据需要在确定的区域内获取该黄酒原料的所有品种以及品质信息。区域的确定原则:对国家标准,黄酒原料的品种范围是全国范围;对省级标准,黄酒原料的品种范围是该省及其周边省份的范围;对企业标准,黄酒原料的品种范围是该企业经常采购和潜在的原料供应的范围。
②根据原料的品质差异度等因素设置权重,采用分层抽样法,确定黄酒原料的抽样和采购方案。
③按照分层抽样法对黄酒原料的品种进行采样,得到5种黄酒原料:糯米、粳米、籼米、黍米和粟米,并且每个品种采集多个样本进行后续实验。
④统计黄酒原料的基础信息:
其中A1为编号,A11第1种黄酒原料的第1个基础属性,即糯米的地区,A5m为粟米的第m个基础属性,m对应黄酒原料品质指标的顺序,1为地区,若m=4,则A5m表示粟米的蛋白质。需要说明的是黄酒原料品质指标中的指标在某些黄酒原料品种的记录中会不适用。
⑤针对5种黄酒原料的多个样本进行测量实验,采集各品种品质标准的指标值,得到多个样本的黄酒原料品质数据集DM:
其中x11为第1种黄酒原料的第1个指标的指标值,如糯米的第一个样本。xtm为第t种黄酒原料的第m个指标的指标值,如粳米的第3个样本。
t个黄酒原料样本根据选择的目标黄酒制作工艺进行生产实验,得到t份黄酒制品,对t份黄酒制品采集品质指标数值,得到黄酒制品样本集DN为:
其中y11为第1种黄酒制品的第1个指标的指标值,如糯米制品第一个样本生产出的黄酒的黄酒类型,ytm为第t种黄酒制品的第m个指标的指标值,如粳米第二个样本生产的黄酒的酒精度。
根据黄酒原料的基础信息DA、黄酒原料品质数据集DM和黄酒制品样本集DN建立数据库D为:
其中,矩阵DA *是DA的行向量进行复制并增加列向量维度的结果,且保证DA *与DM在相同行数的行向量表同一个黄酒原料品种,可以理解为DA *是给DM的每一行加上标签。
然后对数据库中的数据做简单的数据处理,检查数据库中数据是否存在数据缺漏、数据重复、数据明显错误等。
步骤S50,分别对所述黄酒原料样本集和所述黄酒制品样本集进行标准化处理,获得标准化黄酒原料样本集和标准化黄酒制品样本集。
需要说明的是,对黄酒原料样本集DM和黄酒制品样本集DN进行标准化处理的计算公式为:
其中,xi=(x1i;x2i;…;xti)(i=1,2,…,8)是黄酒原料样本集,yj=(y1j;x2j;…;ytj)(j=1,2,…,7)是黄酒制品样本集,t种黄酒原料,均值标准差标准化后的标准化黄酒原料样本集和标准化黄酒制品样本集仍记为DM、DN。
步骤S60,基于所述标准化黄酒原料样本集对黄酒原料品质指标进行逐步回归处理,获得回归方程。
需要说明的是,获取所述样本数据库中的黄酒原料样本集和黄酒制品样本集,将黄酒制品样本集中的指标设置为响应变量,将黄酒原料样本集中的指标设置为预测变量,就可以将对黄酒制品标准的约束转化为对黄酒原料标准的约束。
应当理解的是,基于所述标准化黄酒原料样本集对黄酒原料品质指标进行逐步回归处理的步骤具体为:
根据所述目标黄酒原料指标和所述目标黄酒制品指标构建回归模型;从所述标准化黄酒原料样本集中提取黄酒原料样本集维度,并从所述标准化黄酒制品样本集中提取黄酒制品样本集维度;根据所述黄酒原料样本集维度、所述黄酒制品样本集维度和所述回归模型确定回归方程。
可以理解的是,通过逐步回归的方式,可以对数据进行筛选,使保留在模型中的解释变量既是重要的,又没有严重的多重共线性,可以使后续的步骤更加准确。
步骤S70,根据所述回归方程对黄酒制品品质指标进行预测,并获取预测过程中的计算数据。
需要说明的是,基于目标数据对黄酒制品品质指标进行预测的步骤具体为:
首先,根据目标黄酒原料样本数据和标准化黄酒制品样本集生成多元线性回归模型的训练集,再根据训练集对多元线性回归模型进行训练,获得黄酒制品品质指标对应的预测模型,预测模型用于根据黄酒原料品质指标预测黄酒制品品质指标,在后续步骤中,通过预测模型来确定黄酒制品限制约束。
然后,从标准化黄酒制品样本集中提取目标黄酒制品指标,并基于预设系数矩阵确定目标黄酒制品指标对应的回归函数,并根据回归函数确定拟合优度。
最后,将预测步骤过程中得到的预测模型和拟合优度作为计算数据,用于后续的计算和使用,即所述计算数据包括预测模型和拟合优度。
应当理解的是,为了解决精度问题,为黄酒原料标准的约束引入基于回归预测精度的修正因子来改造约束条件,使得优化后的黄酒原料最大限度地保证获得符合黄酒品质标准的制品,提高了优化决策的可信度。
步骤S80,根据所述计算数据和预设优化目标构建黄酒原料品质标准优化模型。
需要说明的是,所述预设优化目标为以原料品质指标标准的最优化制定为目标。
需要说明的是,黄酒原料品质标准优化模型的约束条件包括:
第一类约束:黄酒原料限制约束。此约束按照黄酒原料的指标数值的合理范围限制求解范围。
第二类约束:黄酒制品限制约束。此约束是通过黄酒原料和黄酒制品的关系模型的传递,将对黄酒制品的限制转移到对黄酒原料的限制上来,其中还需考虑关系模型的精度矫正问题。以两项黄酒原料指标和两项黄酒制品指标为例研究构建黄酒制品限制约束的原理,该原理可以推广到更高维空间的情形。
第三类约束:扩散因子约束。根据这些约束条件可构建黄酒原料品质标准优化模型。
步骤S90,根据所述黄酒原料品质标准优化模型确定黄酒原料品质指标范围。
需要说明的是,可对黄酒原料品质标准优化模型进行优化,获得调控模型,再根据调控模型确定黄酒原料品质指标范围,应当理解的是指标范围即指标标准,在本实施例中代表相同的意思。
应当理解的是,对黄酒原料品质标准优化模型进行优化的目的是为了使得出的结论中包含更多品种的黄酒原料的黄酒原料品质指标范围。
本实施例中通过获取黄酒品质调研数据和黄酒品质研究数据;根据所述黄酒品质调研数据和所述黄酒品质研究数据构建黄酒原料和黄酒制品的指标体系;从所述黄酒品质研究数据中提取黄酒制作工艺,并从所述黄酒制作工艺中选取目标黄酒制作工艺;根据所述指标体系和所述目标黄酒制作工艺确定黄酒原料样本集和黄酒制品样本集;分别对所述黄酒原料样本集和所述黄酒制品样本集进行标准化处理,获得标准化黄酒原料样本集和标准化黄酒制品样本集;基于所述标准化黄酒原料样本集对黄酒原料品质指标进行逐步回归处理,获得回归方程;根据所述回归方程对黄酒制品品质指标进行预测,并获取预测过程中的计算数据;根据所述计算数据和预设优化目标构建黄酒原料品质标准优化模型;根据所述黄酒原料品质标准优化模型确定黄酒原料品质指标范围。从而通过先获得黄酒原料样本集和黄酒制品样本集,进而构建黄酒原料品质标准优化模型,根据该模型来确定黄酒原料品质指标范围,解决了如何确定黄酒原料品质指标的最佳范围,使得在给定的生产工艺条件下黄酒原料能够生产出合格的黄酒制品的技术问题。
在一实施例中,如图2所示,基于第一实施例提出本发明基于黄酒制品品质范围获取原料品质范围的方法第二实施例,所述步骤S60之前,还包括:
步骤S501,从所述标准化黄酒原料样本集中提取目标黄酒原料指标,并从所述标准化黄酒制品样本集中提取目标黄酒制品指标。
步骤S502,对所述目标黄酒原料指标进行多重共线分析处理,获得所述目标黄酒原料指标对应的方差膨胀系数。
步骤S503,将所述方差膨胀系数与预设系数阈值进行比较。
步骤S504,若所述方差膨胀系数大于所述预设系数阈值,则执行所述基于所述标准化黄酒原料样本集对黄酒原料品质指标进行逐步回归处理,获得回归方程的步骤。
需要说明的是,在进行逐步回归处理之前,需要判断是否需要进行逐步回归处理,从标准化黄酒原料样本集中提取目标黄酒原料指标,对目标黄酒原料指标进行多重共线分析处理,获得目标黄酒原料指标对应的方差膨胀系数VIF,通过将方差膨胀系数与预设系数阈值进行比较,若方差膨胀系数大于预设系数阈值,则进行逐步回归处理。
在具体实现中,预设系数阈值可为10,基于SPSS多重共线分析,若目标黄酒原料指标之间VIF>10,则进行逐步回归处理,用于给定场景下的黄酒制品品质,针对各目标黄酒原料指标做多重共线分析得到的结果为:
其中直链淀粉、会升值VIF均大于10,存在多重共线性。
进一步地,所述步骤S60,包括:
根据所述目标黄酒原料指标和所述目标黄酒制品指标构建回归模型;从所述标准化黄酒原料样本集中提取黄酒原料样本集维度,并从所述标准化黄酒制品样本集中提取黄酒制品样本集维度;根据所述黄酒原料样本集维度、所述黄酒制品样本集维度和所述回归模型确定回归方程。
需要说明的是,逐步回归的基本思想为:将变量逐个引入模型,每引入一个解释变量后都要进行F检验,并对已经选入的解释变量逐个进行t检验,当原来引入的解释变量由于后面解释变量的引入变得不再显著时,则将其删除。以确保每次引入新的变量之前回归方程中只包含显著性变量。这是一个反复的过程,直到既没有显著的解释变量选入回归方程,也没有不显著的解释变量从回归方程中剔除为止。以保证最后所得到的解释变量集是最优的。同时经过逐步回归,使得最后保留在模型中的解释变量既是重要的,又没有严重多重共线性。
在具体实现中,逐步回归的步骤具体为:
(1)根据黄酒原料指标和黄酒制品指标建立回归模型
yj=ω0+ωxT+ε
本实施例中通过对数据进行逐步回归处理,可以对数据进行筛选,使保留在模型中的解释变量既是重要的,又没有严重的多重共线性,可以使后续的步骤更加准确,提升了计算的准确性。
在一实施例中,如图3所示,基于第一实施例或第二实施例提出本发明基于黄酒制品品质范围获取原料品质范围的方法第三实施例,在本实施例中,基于第一实施例进行说明,所述步骤S70,包括:
步骤S701,生成黄酒制品品质指标对应的多元线性回归模型。
步骤S702,根据所述回归方程对所述多元线性回归模型进行训练,获得所述黄酒制品品质指标对应的预测模型。
步骤S703,从所述标准化黄酒制品样本集中提取目标黄酒制品指标,并确定所述目标黄酒制品指标对应的回归函数。
步骤S704,根据所述回归函数确定拟合优度。
步骤S705,将所述预测模型和所述拟合优度作为计算数据。
需要说明的是,生成黄酒制品品质指标对应的多元线性回归模型,根据回归方程对多元线性回归模型进行训练,得到各黄酒制品品质指标对应的预测模型。第i各目标黄酒制品指标的回归函数:
其中,i=1,2,…,m;j=1,2,…,n。θ为系数,多元线性回归函数的fi(x)的拟合优度Ri 2,取值为[0,1]。
进一步地,所述步骤S80,包括:
步骤S801,查找所述黄酒原料品质指标对应的黄酒原料品质的理化性质数据,并基于所述理化性质数据确定黄酒原料限制约束。
应当理解的是,查找所述黄酒原料品质指标对应的黄酒原料品质的理化性质数据,并基于所述理化性质数据确定第一类约束:黄酒原料限制约束。
黄酒原料限制约束是实际生产中投入的符合要求的黄酒原料指标范围,表示的向量空间为:
Xlimit={x|lα≤xα≤uα,α=1,2,…,m}
步骤S802,基于所述预测模型和预设目标黄酒制品品质要求,确定黄酒制品限制约束。
需要说明的是,预设目标黄酒制品品质要求也为用户根据实际情况进行设置,本实施例对此不作限制。
基于所述预测模型和预设目标黄酒制品品质要求,确定第二类约束:黄酒制品限制约束。
假设黄酒品质指标的可行范围为L=(L1,L2,…,Ln),U=(U1,U2,…,Un),分别代表黄酒品质指标的下界和上界。
步骤S803,根据所述拟合优度对所述黄酒制品限制约束进行修正,获得目标黄酒制品限制约束。
需要说明的是,为了提高黄酒制品限制约束的准确度,要根据拟合优度修正黄酒制品限制约束,获得目标黄酒制品限制约束。
a计算Δk=Lk-Uk,Δk为范围初始值。
c计算黄酒制品品质指标上下界根据上下界修正量进行同等大小的减小和增大:
[L′j,U′j]=[Lj+0.5*Δj*∈j,Uj-0.5*Δj*∈j]
其中j=1,2,…,n,表示在制定第k个制品指标的品质标准,0.5表示上下界修正量在上下界的均摊。
设置黄酒制品限制约束:
其中k=1,2,…,n,Xprocess.为“黄酒制品限制约束”所限制的可行域。
步骤S804,根据多个目标黄酒原料指标构建高维目标空间,并在所述高维目标空间中设置扩散因子。
步骤S805,根据所述扩散因子和预设目标区域要求确定扩散因子约束。
需要说明的是,所述预设目标区域要求可为目标区域最大化,基于目标区域最大化的要求,确定第三类约束:扩散因子约束。
在多个黄酒原料指标组成的高维目标空间中设置“扩散因子”,并代入线性加权法目标中满足以下要求:
(1)范围合理,以确保求得黄酒原料范围是在综合考虑各项制品预测误差的情况下给出的高可信度范围解。
(2)范围最广泛,追求最终解在“黄酒原料限制约束”与“黄酒制品限制约束”中尽可能大的覆盖度。
设xlow、xup为各黄酒原料最终求解的下界和上界,δ为“扩散因子”,有9个这样的指标,则有
步骤S806,将所述黄酒原料限制约束、所述黄酒制品限制约束和所述扩散因子约束作为约束条件。
步骤S807,根据所述约束条件和预设优化目标构建黄酒原料品质标准优化模型。
需要说明的是,设置目标函数,通过多目标优化模型求解的食品原料品质指标范围在满足约束条件的前提下要覆盖较广的范围,首先要满足δ的最大化,此为首要目标:
maxf1=δ
且最终解上下界分别要满足最大和最小,有以下次要目标:
综上所述,黄酒原料品质标准优化模型是一个多目标优化的数学模型,具体表达为:
P1 max f1=δ
进一步地,所述步骤S90,包括:
步骤S901,将所述黄酒原料品质标准化模型转化为单目标品质标准优化模型。
需要说明的是,运用线性加权法,依据目标的优先级和同级目标的重要性设置具有量级差别的权重值,将原料品质标准优化模型转化为单目标原料品质标准优化模型:
在由全体原料指标变量构造的高维空间中,Xlimit限制了空间各维度的变量基本取值范围,形成了一个超立方体空间,而Xprocess通过各维度变量与L、U的线性函数构造出了一个具有不规则形状的超维空间。这两个空间在高维空间中有包含或部分重叠两种情况。设置目标函数的目的是在这两个高维空间的重叠区域中找到一个超立方体,超立方体具有2m个顶点,其中有两个点的坐标分别为和/>此两个坐标已经包含了超立方体所有的顶点坐标信息,故只需确定这两个坐标,即可确定所有食品原料品质标准范围。
步骤S902,获取所述单目标品质标准优化模型的结果数据。
步骤S903,根据所述结果数据对所述扩散因子约束进行优化,获得目标扩散因子约束。
步骤S904,根据所述目标扩散因子约束对所述黄酒原料品质标准优化模型进行调控,获得调控模型。
需要说明的是,调控阶段分为三个部分:调控范围大小的确定、调控模型的确定、专用黄酒原料的品质标准的获得。调控阶段具体实施步骤如下。
步骤1:确定调控范围的大小。
(1)计算原料标准化数据的四分位数,即四分位数把所有数值由小到大排列并分成四等份,处于三个分割点位置的数值。
(2)选取在25%位置上的数值(称为下四分位数)和处在75%位置上的数值(称为上四分位数),计算差值R=(r1,r2,…,rα)。
(3)用min-max标准化方法计算新的各决策变量求解权重和约束权重:
βα=rα/∑αrα
(4)根据扩散因子δ0调整第三类约束将其修改为其中ρ为“松弛因子”,用来将第三阶段求得的扩散因子缩小,使得最终解空间(超立方体)的坐标有δ0*ρ的松弛空间,各顶点可以在该空间中调整变动。γ为“浮动变量”,用来控制各指标最终解根据实际食品原料各品质指标的离散特性进行浮动,以获得不同解范围。
步骤2:确定调控模型。
调控后的双层多目标优化模型为:
P1:max f1=γ
其中P1远远大于P2,“松弛因子”ρ的取值范围为[0,0.05],即最多让最大扩散因子一半的值作为超立方体坐标的浮动范围,设置0.05为ρ的步长,进行10次求解并对比结果得到最合理的解范围。
步骤3:计算调控模型。
运用线性加权法求解时,将新的各决策变量求解权重代入,多目标化为单目标:
其中,βα为更新后的优化权重,β'的数量级比βα要高。
步骤S905,根据所述调控模型确定黄酒原料品质指标范围。
进一步地,所述步骤S905,包括:
根据所述调控模型计算黄酒原料品质指标下界值和黄酒原料品质指标上界值;对所述黄酒原料品质指标下界值和所述黄酒原料品质指标上界值进行反标准化处理;根据处理结果确定黄酒原料品质指标范围。
需要说明的是,采用结论反标准化的方式来确定黄酒原料品质指标范围。依据数据标准化过程标准差σi及均值i表示第几个原料品质指标,对求解结果xlow、xup(黄酒原料品质指标下界值和黄酒原料品质指标上界值)进行反标准化处理,得到各原料指标的优化范围/> 反标准化公式为:
应当理解的是,通过黄酒原料品质指标制定的数据驱动模型分析方法,汇总每个黄酒制品的指标对应的黄酒原料指标和每个原料指标的范围值(从黄酒原料样本集中筛选出那些可以指导生产的黄酒原料指标并确定这些指标的最佳范围),得到该黄酒原料的品质指标范围,通过该黄酒原料的品质标准对黄酒原料加以控制,在相同的生产工艺下生产加工可以得到满足该黄酒制品标准的黄酒。
本实施例中通过构建黄酒原料品质标准化优化模型来确定黄酒原料品质指标范围,并且为了在指定的黄酒原料品质指标的变化范围内包含尽可能多的原料品种,优化调整原料品质指标模型结构和参数,对黄酒原料品质标准化优化模型进行改进得到调控模型,优化超立方体的形状,从而获得目标制品最合适的黄酒原料品质指标范围。
此外,参照图4,本发明实施例还提出一种基于黄酒制品品质范围获取原料品质范围的装置,所述基于黄酒制品品质范围获取原料品质范围的装置包括:
数据获取模块10,用于获取黄酒品质调研数据和黄酒品质研究数据;
体系构建模块20,用于根据所述黄酒品质调研数据和所述黄酒品质研究数据构建黄酒原料和黄酒制品的指标体系;
制作工艺模块30,用于从所述黄酒品质研究数据中提取黄酒制作工艺,并从所述黄酒制作工艺中选取目标黄酒制作工艺;
样本集确定模块40,用于根据所述指标体系和所述目标黄酒制作工艺确定黄酒原料样本集和黄酒制品样本集;
数据处理模块50,用于分别对所述黄酒原料样本集和所述黄酒制品样本集进行标准化处理,获得标准化黄酒原料样本集和标准化黄酒制品样本集;
逐步回归模块60,用于基于所述标准化黄酒原料样本集对黄酒原料品质指标进行逐步回归处理,获得回归方程;
指标预测模块70,用于根据所述回归方程对黄酒制品品质指标进行预测,并获取预测过程中的计算数据;
模型构建模块80,用于根据所述计算数据和预设优化目标构建黄酒原料品质标准优化模型;
范围确定模块90,用于根据所述黄酒原料品质标准优化模型确定黄酒原料品质指标范围。
本实施例中通过获取黄酒品质调研数据和黄酒品质研究数据;根据所述黄酒品质调研数据和所述黄酒品质研究数据构建黄酒原料和黄酒制品的指标体系;从所述黄酒品质研究数据中提取黄酒制作工艺,并从所述黄酒制作工艺中选取目标黄酒制作工艺;根据所述指标体系和所述目标黄酒制作工艺确定黄酒原料样本集和黄酒制品样本集;分别对所述黄酒原料样本集和所述黄酒制品样本集进行标准化处理,获得标准化黄酒原料样本集和标准化黄酒制品样本集;基于所述标准化黄酒原料样本集对黄酒原料品质指标进行逐步回归处理,获得回归方程;根据所述回归方程对黄酒制品品质指标进行预测,并获取预测过程中的计算数据;根据所述计算数据和预设优化目标构建黄酒原料品质标准优化模型;根据所述黄酒原料品质标准优化模型确定黄酒原料品质指标范围。从而通过先获得黄酒原料样本集和黄酒制品样本集,进而构建黄酒原料品质标准优化模型,根据该模型来确定黄酒原料品质指标范围,解决了如何确定黄酒原料品质指标的最佳范围,使得在给定的生产工艺条件下黄酒原料能够生产出合格的黄酒制品的技术问题。
在一实施例中,所述样本集确定模块40,还用于根据所述指标体系确定黄酒原料指标和黄酒制品指标;从所述调研数据中提取黄酒原料品种及黄酒原料基础信息;根据所述黄酒原料基础信息从所述黄酒原料品种中选取目标黄酒原料品种;根据所述黄酒原料指标查找所述目标黄酒原料品种对应的目标样本黄酒原料指标;根据所述目标样本黄酒原料指标构建黄酒原料样本集;根据所述目标黄酒制作工艺对所述目标黄酒原料品种对应的黄酒原料进行加工处理,获得目标黄酒制品;根据所述黄酒制品指标和所述目标黄酒制品构建黄酒制品样本集。
在一实施例中,所述基于黄酒制品品质范围获取原料品质范围的装置还包括回归确认模块,用于从所述标准化黄酒原料样本集中提取目标黄酒原料指标,并从所述标准化黄酒制品样本集中提取目标黄酒制品指标;对所述目标黄酒原料指标进行多重共线分析处理,获得所述目标黄酒原料指标对应的方差膨胀系数;将所述方差膨胀系数与预设系数阈值进行比较;若所述方差膨胀系数大于所述预设系数阈值,则执行所述基于所述标准化黄酒原料样本集对黄酒原料品质指标进行逐步回归处理,获得回归方程的步骤。
在一实施例中,所述逐步回归模块60,还用于根据所述目标黄酒原料指标和所述目标黄酒制品指标构建回归模型;从所述标准化黄酒原料样本集中提取黄酒原料样本集维度,并从所述标准化黄酒制品样本集中提取黄酒制品样本集维度;根据所述黄酒原料样本集维度、所述黄酒制品样本集维度和所述回归模型确定回归方程。
在一实施例中,所述指标预测模块70,还用于生成黄酒制品品质指标对应的多元线性回归模型;根据所述回归方程对所述多元线性回归模型进行训练,获得所述黄酒制品品质指标对应的预测模型;从所述标准化黄酒制品样本集中提取目标黄酒制品指标,并确定所述目标黄酒制品指标对应的回归函数;根据所述回归函数确定拟合优度;将所述预测模型和所述拟合优度作为计算数据。
在一实施例中,所述模型构建模块80,还用于查找所述黄酒原料品质指标对应的黄酒原料品质的理化性质数据,并基于所述理化性质数据确定黄酒原料限制约束;基于所述预测模型和预设目标黄酒制品品质要求,确定黄酒制品限制约束;根据所述拟合优度对所述黄酒制品限制约束进行修正,获得目标黄酒制品限制约束;根据多个目标黄酒原料指标构建高维目标空间,并在所述高维目标空间中设置扩散因子;根据所述扩散因子和预设目标区域要求确定扩散因子约束;将所述黄酒原料限制约束、所述目标黄酒制品限制约束和所述扩散因子约束作为约束条件;根据所述约束条件和预设优化目标构建黄酒原料品质标准优化模型。
在一实施例中,所述范围确定模块90,还用于将所述黄酒原料品质标准化模型转化为单目标品质标准优化模型;获取所述单目标品质标准优化模型的结果数据;根据所述结果数据对所述扩散因子约束进行优化,获得目标扩散因子约束;根据所述目标扩散因子约束对所述黄酒原料品质标准优化模型进行调控,获得调控模型;根据所述调控模型确定黄酒原料品质指标范围。
在一实施例中,所述范围确定模块90,还用于根据所述调控模型计算黄酒原料品质指标下界值和黄酒原料品质指标上界值;对所述黄酒原料品质指标下界值和所述黄酒原料品质指标上界值进行反标准化处理;根据处理结果确定黄酒原料品质指标范围。
在本发明所述基于黄酒制品品质范围获取原料品质范围的装置的其他实施例或具体实现方法可参照上述各方法实施例,此处不再赘述。
需要说明的是,在本文中,术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含,从而使得包括一系列要素的过程、方法、物品或者装置不仅包括那些要素,而且还包括没有明确列出的其他要素,或者是还包括为这种过程、方法、物品或者装置所固有的要素。在没有更多限制的情况下,由语句“包括一个……”限定的要素,并不排除在包括该要素的过程、方法、物品或者装置中还存在另外的相同要素。
上述本发明实施例序号仅仅为了描述,不代表实施例的优劣。
通过以上的实施方式的描述,本领域的技术人员可以清楚地了解到上述实施例方法可借助软件加必需的通用硬件平台的方式来实现,当然也可以通过硬件,但很多情况下前者是更佳的实施方式。基于这样的理解,本发明的技术方案本质上或者说对现有技术做出贡献的部分可以以软件产品的形式体现出来,该估算机软件产品存储在如上所述的一个估算机可读存储介质(如ROM/RAM、磁碟、光盘)中,包括若干指令用以使得一台智能设备(可以是手机,估算机,基于黄酒制品品质范围获取原料品质范围的设备,空调器,或者网络基于黄酒制品品质范围获取原料品质范围的设备等)执行本发明各个实施例所述的方法。
以上仅为本发明的优选实施例,并非因此限制本发明的专利范围,凡是利用本发明说明书及附图内容所作的等效结构或等效流程变换,或直接或间接运用在其他相关的技术领域,均同理包括在本发明的专利保护范围内。
Claims (9)
1.一种基于黄酒制品品质范围获取原料品质范围的方法,其特征在于,所述基于黄酒制品品质范围获取原料品质范围的方法包括以下步骤:
获取黄酒品质调研数据和黄酒品质研究数据;
根据所述黄酒品质调研数据和所述黄酒品质研究数据构建黄酒原料和黄酒制品的指标体系;
从所述黄酒品质研究数据中提取黄酒制作工艺,并从所述黄酒制作工艺中选取目标黄酒制作工艺;
根据所述指标体系和所述目标黄酒制作工艺确定黄酒原料样本集和黄酒制品样本集;
分别对所述黄酒原料样本集和所述黄酒制品样本集进行标准化处理,获得标准化黄酒原料样本集和标准化黄酒制品样本集;
基于所述标准化黄酒原料样本集对黄酒原料品质指标进行逐步回归处理,获得回归方程;
根据所述回归方程对黄酒制品品质指标进行预测,并获取预测过程中的计算数据;
根据所述计算数据和预设优化目标构建黄酒原料品质标准优化模型,其中,所述计算数据包括预测模型和拟合优度;
根据所述黄酒原料品质标准优化模型确定黄酒原料品质指标范围;
所述根据所述计算数据和预设优化目标构建黄酒原料品质标准优化模型,具体包括:
查找所述黄酒原料品质指标对应的黄酒原料品质的理化性质数据,并基于所述理化性质数据确定黄酒原料限制约束;
基于所述预测模型和预设目标黄酒制品品质要求,确定黄酒制品限制约束;
根据所述拟合优度对所述黄酒制品限制约束进行修正,获得目标黄酒制品限制约束;
根据多个目标黄酒原料指标构建高维目标空间,并在所述高维目标空间中设置扩散因子;
根据所述扩散因子和预设目标区域要求确定扩散因子约束;
将所述黄酒原料限制约束、所述目标黄酒制品限制约束和所述扩散因子约束作为约束条件;
根据所述约束条件和预设优化目标构建黄酒原料品质标准优化模型。
2.如权利要求1所述的基于黄酒制品品质范围获取原料品质范围的方法,其特征在于,所述根据所述指标体系和所述目标黄酒制作工艺确定黄酒原料样本集和黄酒制品样本集,具体包括:
根据所述指标体系确定黄酒原料指标和黄酒制品指标;
从所述调研数据中提取黄酒原料品种及黄酒原料基础信息;
根据所述黄酒原料基础信息从所述黄酒原料品种中选取目标黄酒原料品种;
根据所述黄酒原料指标查找所述目标黄酒原料品种对应的目标样本黄酒原料指标;
根据所述目标样本黄酒原料指标构建黄酒原料样本集;
根据所述目标黄酒制作工艺对所述目标黄酒原料品种对应的黄酒原料进行加工处理,获得目标黄酒制品;
根据所述黄酒制品指标和所述目标黄酒制品构建黄酒制品样本集。
3.如权利要求1所述的基于黄酒制品品质范围获取原料品质范围的方法,其特征在于,所述基于所述标准化黄酒原料样本集对黄酒原料品质指标进行逐步回归处理,获得回归方程之前,还包括:
从所述标准化黄酒原料样本集中提取目标黄酒原料指标,并从所述标准化黄酒制品样本集中提取目标黄酒制品指标;
对所述目标黄酒原料指标进行多重共线分析处理,获得所述目标黄酒原料指标对应的方差膨胀系数;
将所述方差膨胀系数与预设系数阈值进行比较;
若所述方差膨胀系数大于所述预设系数阈值,则执行所述基于所述标准化黄酒原料样本集对黄酒原料品质指标进行逐步回归处理,获得回归方程的步骤。
4.如权利要求3所述的基于黄酒制品品质范围获取原料品质范围的方法,其特征在于,所述基于所述标准化黄酒原料样本集对黄酒原料品质指标进行逐步回归处理,获得回归方程,具体包括:
根据所述目标黄酒原料指标和所述目标黄酒制品指标构建回归模型;
从所述标准化黄酒原料样本集中提取黄酒原料样本集维度,并从所述标准化黄酒制品样本集中提取黄酒制品样本集维度;
根据所述黄酒原料样本集维度、所述黄酒制品样本集维度和所述回归模型确定回归方程。
5.如权利要求1所述的基于黄酒制品品质范围获取原料品质范围的方法,其特征在于,所述根据所述回归方程对黄酒制品品质指标进行预测,并获取预测过程中的计算数据,具体包括:
生成黄酒制品品质指标对应的多元线性回归模型;
根据所述回归方程对所述多元线性回归模型进行训练,获得所述黄酒制品品质指标对应的预测模型;
从所述标准化黄酒制品样本集中提取目标黄酒制品指标,并确定所述目标黄酒制品指标对应的回归函数;
根据所述回归函数确定拟合优度;
将所述预测模型和所述拟合优度作为计算数据。
6.如权利要求1所述的基于黄酒制品品质范围获取原料品质范围的方法,其特征在于,所述根据所述黄酒原料品质标准优化模型确定黄酒原料品质指标范围,具体包括:
将所述黄酒原料品质标准化模型转化为单目标品质标准优化模型;
获取所述单目标品质标准优化模型的结果数据;
根据所述结果数据对所述扩散因子约束进行优化,获得目标扩散因子约束;
根据所述目标扩散因子约束对所述黄酒原料品质标准优化模型进行调控,获得调控模型;
根据所述调控模型确定黄酒原料品质指标范围。
7.如权利要求6所述的基于黄酒制品品质范围获取原料品质范围的方法,其特征在于,所述根据所述调控模型确定黄酒原料品质指标范围,具体包括:
根据所述调控模型计算黄酒原料品质指标下界值和黄酒原料品质指标上界值;
对所述黄酒原料品质指标下界值和所述黄酒原料品质指标上界值进行反标准化处理;
根据处理结果确定黄酒原料品质指标范围。
8.一种基于黄酒制品品质范围获取原料品质范围的装置,其特征在于,所述基于黄酒制品品质范围获取原料品质范围的装置包括:
数据获取模块,用于获取黄酒品质调研数据和黄酒品质研究数据;
体系构建模块,用于根据所述黄酒品质调研数据和所述黄酒品质研究数据构建黄酒原料和黄酒制品的指标体系;
制作工艺模块,用于从所述黄酒品质研究数据中提取黄酒制作工艺,并从所述黄酒制作工艺中选取目标黄酒制作工艺;
样本集确定模块,用于根据所述指标体系和所述目标黄酒制作工艺确定黄酒原料样本集和黄酒制品样本集;
数据处理模块,用于分别对所述黄酒原料样本集和所述黄酒制品样本集进行标准化处理,获得标准化黄酒原料样本集和标准化黄酒制品样本集;
逐步回归模块,用于基于所述标准化黄酒原料样本集对黄酒原料品质指标进行逐步回归处理,获得回归方程;
指标预测模块,用于根据所述回归方程对黄酒制品品质指标进行预测,并获取预测过程中的计算数据,其中,所述计算数据包括预测模型和拟合优度;
模型构建模块,用于根据所述计算数据和预设优化目标构建黄酒原料品质标准优化模型;
范围确定模块,用于根据所述黄酒原料品质标准优化模型确定黄酒原料品质指标范围;
所述模型构建模块,还用于查找所述黄酒原料品质指标对应的黄酒原料品质的理化性质数据,并基于所述理化性质数据确定黄酒原料限制约束;基于所述预测模型和预设目标黄酒制品品质要求,确定黄酒制品限制约束;根据所述拟合优度对所述黄酒制品限制约束进行修正,获得目标黄酒制品限制约束;根据多个目标黄酒原料指标构建高维目标空间,并在所述高维目标空间中设置扩散因子;根据所述扩散因子和预设目标区域要求确定扩散因子约束;将所述黄酒原料限制约束、所述目标黄酒制品限制约束和所述扩散因子约束作为约束条件;根据所述约束条件和预设优化目标构建黄酒原料品质标准优化模型。
9.如权利要求8所述的基于黄酒制品品质范围获取原料品质范围的装置,其特征在于,所述指标预测模块,还用于生成黄酒制品品质指标对应的多元线性回归模型;
所述指标预测模块,还用于根据所述回归方程对所述多元线性回归模型进行训练,获得所述黄酒制品品质指标对应的预测模型;
所述指标预测模块,还用于从所述标准化黄酒制品样本集中提取目标黄酒制品指标,并确定所述目标黄酒制品指标对应的回归函数;
所述指标预测模块,还用于根据所述回归函数确定拟合优度;
所述指标预测模块,还用于将所述预测模型和所述拟合优度作为计算数据。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010118101.4A CN111292006B (zh) | 2020-02-25 | 2020-02-25 | 基于黄酒制品品质范围获取原料品质范围的方法及装置 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010118101.4A CN111292006B (zh) | 2020-02-25 | 2020-02-25 | 基于黄酒制品品质范围获取原料品质范围的方法及装置 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN111292006A CN111292006A (zh) | 2020-06-16 |
CN111292006B true CN111292006B (zh) | 2023-05-23 |
Family
ID=71024682
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202010118101.4A Active CN111292006B (zh) | 2020-02-25 | 2020-02-25 | 基于黄酒制品品质范围获取原料品质范围的方法及装置 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN111292006B (zh) |
Families Citing this family (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112464169A (zh) * | 2020-12-03 | 2021-03-09 | 上海卫星工程研究所 | 基于统计分布的大数据单参数阈值挖掘与修正方法及*** |
Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2012177365A2 (en) * | 2011-06-24 | 2012-12-27 | Oracle International Corporation | Retail forecasting using parameter estimation |
CN105957112A (zh) * | 2016-05-06 | 2016-09-21 | 西安电子科技大学 | 基于快速uncls的高光谱亚像素探测方法 |
Family Cites Families (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US9607202B2 (en) * | 2009-12-17 | 2017-03-28 | University of Pittsburgh—of the Commonwealth System of Higher Education | Methods of generating trophectoderm and neurectoderm from human embryonic stem cells |
CN104809335B (zh) * | 2015-04-10 | 2019-03-05 | 上海卫生信息工程技术研究中心有限公司 | 一种环境变化对疾病发病影响的分析预测装置 |
US10606854B2 (en) * | 2016-06-22 | 2020-03-31 | Black Knight Ip Holding Company, Llc | Intelligent cascading linkage machine for fuzzy matching in complex computing networks |
CN107464020B (zh) * | 2017-08-03 | 2020-08-28 | 中南林业科技大学 | 一种米制品加工原料快速筛选方法 |
CN108960315B (zh) * | 2018-06-27 | 2021-08-06 | 河南农业大学 | 一种调理肉制品品质智能评价***及方法 |
CN110798229B (zh) * | 2018-08-01 | 2023-10-27 | 钜泉光电科技(上海)股份有限公司 | 一种Turbo码交织器的产生方法 |
CN109325626A (zh) * | 2018-09-29 | 2019-02-12 | 中国农业科学院农产品加工研究所 | 基于苹果原料指标预测干制品综合品质的方法 |
-
2020
- 2020-02-25 CN CN202010118101.4A patent/CN111292006B/zh active Active
Patent Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2012177365A2 (en) * | 2011-06-24 | 2012-12-27 | Oracle International Corporation | Retail forecasting using parameter estimation |
CN105957112A (zh) * | 2016-05-06 | 2016-09-21 | 西安电子科技大学 | 基于快速uncls的高光谱亚像素探测方法 |
Also Published As
Publication number | Publication date |
---|---|
CN111292006A (zh) | 2020-06-16 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
US8818562B2 (en) | Simulated fermentation process | |
CN111157698B (zh) | 一种利用发射率数据获取黑土土壤全钾含量的反演方法 | |
CN111985825B (zh) | 一种用于滚磨机定向仪的晶面质量评估方法 | |
CN111292006B (zh) | 基于黄酒制品品质范围获取原料品质范围的方法及装置 | |
CN113393057A (zh) | 一种基于深度融合机器学习模型的小麦产量集成预测方法 | |
CN115261522B (zh) | 一种微生物发酵的环境控制方法及*** | |
CN112285056B (zh) | 一种用于光谱样品个性化校正集选择及建模方法 | |
Rudolph et al. | Modeling yeast in suspension during laboratory and commercial fermentations to detect aberrant fermentation processes | |
Habschied et al. | Comprehensive comparative study of the malting qualities of winter hull-less and hulled barley (2016–2019) | |
Krstanović et al. | Research of malting procedures for winter hard wheat varieties—part I | |
CN111383722B (zh) | 求解葡萄酒原料指标范围的数据驱动模型分析方法及装置 | |
Hernández et al. | Detection of abnormal processes of wine fermentation by support vector machines | |
CN111291496B (zh) | 求解汤圆原料指标范围的数据驱动模型分析方法及装置 | |
CN111325404B (zh) | 求解米粉原料指标范围的数据驱动模型分析方法及装置 | |
CN111310127B (zh) | 基于食品制品品质范围获取原料品质范围的方法及装置 | |
de Andrade et al. | Study of kinetic parameters in a mechanistic model for bioethanol production through a screening technique and optimization | |
CN115587916A (zh) | Gpp估算模型的构建方法 | |
CN115204634A (zh) | 一种灰色关联度与博弈论的农作物质量评价方法及*** | |
CN111353638B (zh) | 基于汤圆制品品质范围获取原料品质范围的方法及装置 | |
CN111340369B (zh) | 求解食品原料指标范围的数据驱动模型分析方法及装置 | |
Parrenin et al. | A decision support tool for the first stage of the tempering process of organic wheat grains in a mill | |
Huerta-Zurita et al. | On the Use of Bovine Serum Albumin for the Spectrophotometric Determination of Protein in Unhopped Wort | |
CN111311191B (zh) | 基于葡萄酒制品品质范围获取原料品质范围的方法及装置 | |
Krstanović et al. | Research of Malting Procedures for Winter Hard Wheat Varieties—Part II | |
CN111353643B (zh) | 基于米粉制品品质范围获取原料品质范围的方法及装置 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
GR01 | Patent grant | ||
GR01 | Patent grant |