CN108490784B - 基于强化学习的烟叶烘烤曲线推荐方法 - Google Patents

基于强化学习的烟叶烘烤曲线推荐方法 Download PDF

Info

Publication number
CN108490784B
CN108490784B CN201810355973.5A CN201810355973A CN108490784B CN 108490784 B CN108490784 B CN 108490784B CN 201810355973 A CN201810355973 A CN 201810355973A CN 108490784 B CN108490784 B CN 108490784B
Authority
CN
China
Prior art keywords
baking
curve
tobacco
reinforcement learning
dimensional matrix
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
Application number
CN201810355973.5A
Other languages
English (en)
Other versions
CN108490784A (zh
Inventor
何骞
薛原
奎发辉
陆亚鹏
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Yunnan Jiaye Modern Agriculture Development Co ltd
Original Assignee
Yunnan Jiaye Modern Agriculture Development Co ltd
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Yunnan Jiaye Modern Agriculture Development Co ltd filed Critical Yunnan Jiaye Modern Agriculture Development Co ltd
Priority to CN201810355973.5A priority Critical patent/CN108490784B/zh
Publication of CN108490784A publication Critical patent/CN108490784A/zh
Application granted granted Critical
Publication of CN108490784B publication Critical patent/CN108490784B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Classifications

    • G—PHYSICS
    • G05—CONTROLLING; REGULATING
    • G05B—CONTROL OR REGULATING SYSTEMS IN GENERAL; FUNCTIONAL ELEMENTS OF SUCH SYSTEMS; MONITORING OR TESTING ARRANGEMENTS FOR SUCH SYSTEMS OR ELEMENTS
    • G05B13/00—Adaptive control systems, i.e. systems automatically adjusting themselves to have a performance which is optimum according to some preassigned criterion
    • G05B13/02—Adaptive control systems, i.e. systems automatically adjusting themselves to have a performance which is optimum according to some preassigned criterion electric
    • G05B13/04—Adaptive control systems, i.e. systems automatically adjusting themselves to have a performance which is optimum according to some preassigned criterion electric involving the use of models or simulators
    • G05B13/042—Adaptive control systems, i.e. systems automatically adjusting themselves to have a performance which is optimum according to some preassigned criterion electric involving the use of models or simulators in which a parameter or coefficient is automatically adjusted to optimise the performance
    • 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

  • Engineering & Computer Science (AREA)
  • Health & Medical Sciences (AREA)
  • Artificial Intelligence (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Evolutionary Computation (AREA)
  • Medical Informatics (AREA)
  • Software Systems (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Automation & Control Theory (AREA)
  • Management, Administration, Business Operations System, And Electronic Commerce (AREA)
  • Electrically Operated Instructional Devices (AREA)

Abstract

本发明涉及基于强化学习的烟叶烘烤曲线推荐方法，包括获取烟叶烘烤请求；获取烟叶烘烤曲线的推荐模型；判断烟叶烘烤请求是否为空；若是，对推荐模型进行初始化，形成实际烟叶烘烤曲线；若否，判断烟叶烘烤请求是否有新增数据；若有，对推荐模型进行强化学习，形成实际烟叶烘烤曲线；若无，根据烟叶烘烤请求推荐最佳烘烤曲线。本发明通过根据不同的烘烤请求，推荐不同的烘烤曲线，即烘烤请求内的数据与历史烘烤曲线数据一致，对推荐模型进行初始化训练，有新数据增加时对推荐模型进行强化学习，用户输入的待烘烤烟叶的相关参数，推荐最佳烘烤曲线，实现保证最大程度将新鲜绿色的烟叶烘烤成干燥橙黄色的烤烟，保证烤烟的质量。

Description

基于强化学习的烟叶烘烤曲线推荐方法
技术领域
本发明涉及烤烟烘烤工艺，更具体地说是指基于强化学习的烟叶烘烤曲线推荐方法。
背景技术
曲线式烘烤图表(即烟叶烘烤曲线)是烟叶烘烤行业一直沿用的技术图表，此图表指导烟叶烘烤，现有的烟叶烘烤曲线是遵循烤烟三段式理论，即通过烘烤工艺曲线去控制烤房内的温度和湿度，按照曲线要求的干球温度、湿球温度以及空靠持续时间来控制烤房的温度和湿度，从而实现将新鲜绿色的烟叶烘烤成干燥橙黄色的烤烟。
现有的烟叶烘烤曲线无法根据不同的情况进行微调，即烘烤工艺曲线已经是固定的，无法更改的，无法根据用户实际情况进行推送合理的烘烤曲线，若一直采用固定的烘烤工艺曲线，则会导致有一些特殊的烟叶无法充分烘烤为烤烟，造成浪费。
因此，有必要设计一种烟叶烘烤曲线推荐方法，实现根据烘烤实际情况推送合理的烘烤曲线，以保证最大程度将新鲜绿色的烟叶烘烤成干燥橙黄色的烤烟，保证烤烟的质量。
发明内容
本发明的目的在于克服现有技术的缺陷，提供基于强化学习的烟叶烘烤曲线推荐方法。
为实现上述目的，本发明采用以下技术方案：基于强化学习的烟叶烘烤曲线推荐方法，所述方法包括：
获取烟叶烘烤请求；
获取烟叶烘烤曲线的推荐模型；
判断烟叶烘烤请求是否为空；
若是，则对推荐模型进行初始化，形成实际烟叶烘烤曲线；
若否，则判断烟叶烘烤请求是否有新增数据；
若有，则对推荐模型进行强化学习，形成实际烟叶烘烤曲线；
若无，则根据烟叶烘烤请求推荐最佳烘烤曲线。
其进一步技术方案为：获取烟叶烘烤曲线的推荐模型的步骤，包括以下具体步骤：
获取历史烘烤曲线时序温度数据；
获取历史烘烤曲线元数据；
根据时序温度数据以及元数据形成推荐模型。
其进一步技术方案为：对推荐模型进行初始化，形成实际烟叶烘烤曲线的步骤，包括以下具体步骤：
创建二维矩阵；
遍历历史烘烤曲线时序温度数据；
创建二维矩阵对应的预测二维矩阵；
根据二维矩阵内的矩阵单元训练预测二维矩阵，形成实际烟叶烘烤曲线。
其进一步技术方案为：遍历历史烘烤曲线时序温度数据的步骤，包括以下具体步骤：
获取烘烤曲线以及烘烤曲线的评分，形成向量<时间-1,烘烤曲线,烘烤曲线的评分>，添加至二维矩阵的矩阵单元中。
其进一步技术方案为：根据二维矩阵内的矩阵单元训练预测二维矩阵，形成实际烟叶烘烤曲线的步骤，包括以下具体步骤：
初始化预测二维矩阵；
将二维矩阵内的所有向量分割成输入向量以及输出向量；
将所有分割后的输入向量以及输出向量作为训练集，训练预测二维矩阵，形成实际烟叶烘烤曲线。
其进一步技术方案为：对推荐模型进行强化学习，形成实际烟叶烘烤曲线的步骤，包括以下具体步骤：
获取新增烘烤曲线并获取二维矩阵；
根据新增烘烤曲线遍历新增烘烤曲线的时序温度数据，并遍历结果存储于二维矩阵的矩阵单元内；
根据更新后的矩阵单元，触发矩阵单元对应的预测二维矩阵中的矩阵单元，进行强化学习，形成实际烟叶烘烤曲线。
其进一步技术方案为：根据用烟叶烘烤请求推荐最佳烘烤曲线的步骤，包括以下具体步骤：
获取输入的待烘烤烟叶的元数据；
初始化返回的烘烤曲线；
根据元数据依次生成烘烤曲线；
截去烘烤曲线尾部的无数据部分；
返回剩余的烘烤曲线，形成实际烟叶烘烤曲线。
其进一步技术方案为：根据元数据依次生成烘烤曲线的步骤，包括以下具体步骤：
整合温度以及元数据，形成输入向量；
将输入向量依次输入给预测模型，生成对应的预测评分；
获取最大的预测评分对应的指标值；
将最小温度和指标值作为温度值，添加入烘烤曲线内。
本发明与现有技术相比的有益效果是：本发明的基于强化学习的烟叶烘烤曲线推荐方法，通过根据不同的烘烤请求，推荐不同的烘烤曲线，烘烤请求内的数据与历史烘烤曲线数据一致，对推荐模型进行初始化训练，有新数据增加时，则对推荐模型进行强化学习，若是用户输入的待烘烤烟叶的相关参数，则推荐最佳烘烤曲线，实现根据烘烤实际情况推送合理的烘烤曲线，以保证最大程度将新鲜绿色的烟叶烘烤成干燥橙黄色的烤烟，保证烤烟的质量。
下面结合附图和具体实施例对本发明作进一步描述。
附图说明
图1为本发明具体实施例提供的基于强化学习的烟叶烘烤曲线推荐方法的流程图；
图2为本发明具体实施例提供的获取烟叶烘烤曲线的推荐模型的具体流程图；
图3为本发明具体实施例提供的对推荐模型进行初始化的具体流程图；
图4为本发明具体实施例提供的根据二维矩阵内的矩阵单元训练预测二维矩阵的具体流程图；
图5为本发明具体实施例提供的对推荐模型进行强化学习的具体流程图；
图6为本发明具体实施例提供的根据用烟叶烘烤请求推荐最佳烘烤曲线的具体流程图；
图7为本发明具体实施例提供的根据元数据依次生成烘烤曲线的具体流程图。
具体实施方式
为了更充分理解本发明的技术内容，下面结合具体实施例对本发明的技术方案进一步介绍和说明，但不局限于此。
如图1～7所示的具体实施例，本实施例提供的基于强化学习的烟叶烘烤曲线推荐方法，可以运用于不同情况下的烘烤烟叶，实现根据烘烤实际情况推送合理的烘烤曲线，以保证最大程度将新鲜绿色的烟叶烘烤成干燥橙黄色的烤烟，保证烤烟的质量。
如图1所示，本实施例还提供了基于强化学习的烟叶烘烤曲线推荐方法，该方法包括：
S1、获取烟叶烘烤请求；
S2、获取烟叶烘烤曲线的推荐模型；
S3、判断烟叶烘烤请求是否为空；
S4、若是，则对推荐模型进行初始化，形成实际烟叶烘烤曲线；
S5、若否，则判断烟叶烘烤请求是否有新增数据；
S6、若有，则对推荐模型进行强化学习，形成实际烟叶烘烤曲线；
S7、若无，则根据烟叶烘烤请求推荐最佳烘烤曲线。
对于上述的S1步骤，烟叶烘烤请求，可以通过移动终端输入该请求，包括三种请求，一是使用数据库里已有的烘烤曲线数据的请求；二是将新烘烤曲线数据添加到数据库；三是输入的待烘烤烟叶的相关参数。
对于上述的S2步骤，获取烟叶烘烤曲线的推荐模型的步骤，包括以下具体步骤：
S21、获取历史烘烤曲线时序温度数据；
S22、获取历史烘烤曲线元数据；
S23、根据时序温度数据以及元数据形成推荐模型。
具体地，推荐模型包括：bi＝{a0，a1，a2，…，aN-1}，即数据库里存储的第i条烘烤曲线b的元数据(metadata)，元数据由N条属性(a)组成；ci＝{d0，d1，d2，…，dT}，即时序数据库里存储的第i条烘烤曲线的时序温度数据，di表示第i条烘烤曲线在时间节点t时的控制温度；第i条烘烤曲线的评分ri；第i条烘烤曲线的时长Ti；烘烤曲线的最长可能时长Tmax，例如：14天；烘烤过程中可能的最低温度Dmin和最高温度Dmax。
对于上述的S3步骤，烘烤请求为空包括了无填写烘烤数据或者填写了烘烤数据，烘烤数据与历史烘烤数据一致的情况。
更进一步地，在某些实施例中，上述的S4步骤，对推荐模型进行初始化，形成实际烟叶烘烤曲线的步骤，包括以下具体步骤：
S41、创建二维矩阵；
S42、遍历历史烘烤曲线时序温度数据；
S43、创建二维矩阵对应的预测二维矩阵；
S44、根据二维矩阵内的矩阵单元训练预测二维矩阵，形成实际烟叶烘烤曲线。
具体地，对于上述的S42步骤，遍历历史烘烤曲线时序温度数据的步骤，包括以下具体步骤：获取烘烤曲线以及烘烤曲线的评分，形成向量<时间-1，烘烤曲线，烘烤曲线的评分>，添加至二维矩阵的矩阵单元中。
对于上述的S41步骤至S42步骤，举个例子：创建一个二维矩阵M[Dmax-Dmin+1][T]。每一个矩阵单元M[d][t]，用于存储时间节点t、温度d的相关数据；对于每一条烘烤曲线bi，遍历其ci＝{d0，d1，d2，…，dT}：即当t＝0时，将向量<-1，bi，ri>添加进矩阵单元M[d0][0]，当t＝j时，将向量<dj-1，bi，ri>添加进矩阵单元M[dj][j]，直到t＝Ti。
对于上述的S44步骤，根据二维矩阵内的矩阵单元训练预测二维矩阵，形成实际烟叶烘烤曲线的步骤，包括以下具体步骤：
S441、初始化预测二维矩阵；
S442、将二维矩阵内的所有向量分割成输入向量以及输出向量；
S443、将所有分割后的输入向量以及输出向量作为训练集，训练预测二维矩阵，形成实际烟叶烘烤曲线。
对于上述的S43步骤至S44步骤，具体是，创建一个与M矩阵对应的预测二维矩阵S[Dmax-Dmin+1][T]，对于矩阵M里的每一个单元M[d][t]，训练预测二维矩阵模型S[d][t]：即初始化一个预测二维矩阵模型S[d][t]，将M[d][t]里的所有向量<dk，bk，rk>分割成两部分：<dk，bk>作为输入向量，rk作为输出纯量，将所有分割后的向量作为训练集，用以训练预测二维矩阵模型S[d][t]。
初始训练推荐模型用于使用数据库里已有的烘烤曲线数据的情况。
对于上述的S5步骤，通过获取烟叶烘烤请求内的数据，判断是否有新增数据，一般包括三种情况，一是针对之前未添加的参数进行添加，则视为新增数据，二是针对之前添加的参数进行修改，三是前面两者的结合，对于以上的三种情况，均需要与历史数据进行对比，判断是否出现变化，若不一致，则有新增数据，否之则无新增数据。
更进一步地，对于上述的S6步骤，对推荐模型进行强化学习，形成实际烟叶烘烤曲线的步骤，包括以下具体步骤：
S61、获取新增烘烤曲线并获取二维矩阵；
S62、根据新增烘烤曲线遍历新增烘烤曲线的时序温度数据，并遍历结果存储于二维矩阵的矩阵单元内；
S63、根据更新后的矩阵单元，触发矩阵单元对应的预测二维矩阵中的矩阵单元，进行强化学习，形成实际烟叶烘烤曲线。
上述的S61步骤至S63步骤，可以与S2细化步骤以及S4细化步骤自由组合，形成新的实施例。
对于上述的S6步骤为推荐模型的强化学习算法，当有新烘烤曲线数据添加到数据库时，该算法用于强化已有的推荐模型。
对于上述的S61步骤至S64步骤，对于新增烘烤曲线bx，遍历其cx＝{d0，d1，d2，…，dTx}：当t＝0时，将向量<-1，bx，rx>添加进已有的矩阵单元M[d0][0]，当t＝j时，将向量<dj-1，bi，rx>添加进已有的矩阵单元M[dj][j]，直到t＝Tx；对于更新后的矩阵单元{M[d0][0]，M[d1][1]，…，M[dx][Tx]}，触发其对应的预测模型矩阵S中的单元{S[d0][0]，S[d1][1]，…，S[dx][Tx]}进行强化学习。
更进一步地，上述的S7步骤，根据用烟叶烘烤请求推荐最佳烘烤曲线的步骤，包括以下具体步骤：
S71、获取输入的待烘烤烟叶的元数据；
S72、初始化返回的烘烤曲线；
S73、根据元数据依次生成烘烤曲线；
S74、截去烘烤曲线尾部的无数据部分；
S75、返回剩余的烘烤曲线，形成实际烟叶烘烤曲线。
该S7步骤适合于根据用户输入的待烘烤烟叶的相关参数，推荐最佳烘烤曲线。
对于上述的S73步骤，根据元数据依次生成烘烤曲线的步骤，包括以下具体步骤：
S731、整合温度以及元数据，形成输入向量；
S732、将输入向量依次输入给预测模型，生成对应的预测评分；
S733、获取最大的预测评分对应的指标值；
S734、将最小温度和指标值作为温度值，添加入烘烤曲线内。
上述的S71步骤至S75步骤，用户输入一组待烘烤烟叶的元数据b，初始化返回的烘烤曲线c，从t＝0到t＝T，依次生成烘烤曲线c＝{d0，d1，d2，…，dT}，具体地，准备输入向量，当t＝0时，将向量<-1，b>作为输入向量，当t＝tj时，将向量<dj-1，b>作为输入向量，将该输入向量依次输入给预测模型{S[Dmin][t]，S[Dmin+1][t]，…，S[Dmax][t]}，生成对应的预测评分{r0，r1，r2，…，rDmax-Dmin}，找到最大的预测评分rx对应的x:arg maxx{ri|i∈[0,Dmax-Dmin]}，将dt＝Dmin+x添加入烘烤曲线c；截去烘烤曲线c尾部的无数据部分{dk，dk+1，…，dT}，返回剩余的烘烤曲线。
上述的基于强化学习的烟叶烘烤曲线推荐方法，通过根据不同的烘烤请求，推荐不同的烘烤曲线，烘烤请求内的数据与历史烘烤曲线数据一致，对推荐模型进行初始化训练，有新数据增加时，则对推荐模型进行强化学习，若是用户输入的待烘烤烟叶的相关参数，则推荐最佳烘烤曲线，实现根据烘烤实际情况推送合理的烘烤曲线，以保证最大程度将新鲜绿色的烟叶烘烤成干燥橙黄色的烤烟，保证烤烟的质量。
上述仅以实施例来进一步说明本发明的技术内容，以便于读者更容易理解，但不代表本发明的实施方式仅限于此，任何依本发明所做的技术延伸或再创造，均受本发明的保护。本发明的保护范围以权利要求书为准。

Claims (6)

1.基于强化学习的烟叶烘烤曲线推荐方法，其特征在于，所述方法包括：
获取烟叶烘烤请求；
获取烟叶烘烤曲线的推荐模型；
判断烟叶烘烤请求是否为空；
若是，则对推荐模型进行初始化，形成实际烟叶烘烤曲线，包括以下具体步骤：
创建二维矩阵，用于存储时间节点t、温度d的相关数据；
遍历历史烘烤曲线时序温度数据：获取烘烤曲线以及烘烤曲线的评分，形成向量<时间-1,烘烤曲线,烘烤曲线的评分>，添加至二维矩阵的矩阵单元中；
创建二维矩阵对应的预测二维矩阵；
根据二维矩阵内的矩阵单元训练预测二维矩阵，形成实际烟叶烘烤曲线；
若否，则判断烟叶烘烤请求是否有新增数据；
若有，则对推荐模型进行强化学习，形成实际烟叶烘烤曲线；
若无，则根据烟叶烘烤请求推荐最佳烘烤曲线。
2.根据权利要求1所述的基于强化学习的烟叶烘烤曲线推荐方法，其特征在于，获取烟叶烘烤曲线的推荐模型的步骤，包括以下具体步骤：
获取历史烘烤曲线时序温度数据；
获取历史烘烤曲线元数据；
根据时序温度数据以及元数据形成推荐模型。
3.根据权利要求2所述的基于强化学习的烟叶烘烤曲线推荐方法，其特征在于，根据二维矩阵内的矩阵单元训练预测二维矩阵，形成实际烟叶烘烤曲线的步骤，包括以下具体步骤：
初始化预测二维矩阵；
将二维矩阵内的所有向量分割成输入向量以及输出向量；
将所有分割后的输入向量以及输出向量作为训练集，训练预测二维矩阵，形成实际烟叶烘烤曲线。
4.根据权利要求2至3任一项所述的基于强化学习的烟叶烘烤曲线推荐方法，其特征在于，对推荐模型进行强化学习，形成实际烟叶烘烤曲线的步骤，包括以下具体步骤：
获取新增烘烤曲线并获取二维矩阵；
根据新增烘烤曲线遍历新增烘烤曲线的时序温度数据，并将遍历结果存储于二维矩阵的矩阵单元内；
根据更新后的矩阵单元，触发矩阵单元对应的预测二维矩阵中的矩阵单元，进行强化学习，形成实际烟叶烘烤曲线。
5.根据权利要求4所述的基于强化学习的烟叶烘烤曲线推荐方法，其特征在于，根据用烟叶烘烤请求推荐最佳烘烤曲线的步骤，包括以下具体步骤：
获取输入的待烘烤烟叶的元数据；
初始化返回的烘烤曲线；
根据元数据依次生成烘烤曲线；
截去烘烤曲线尾部的无数据部分；
返回剩余的烘烤曲线，形成实际烟叶烘烤曲线。
6.根据权利要求5所述的基于强化学习的烟叶烘烤曲线推荐方法，其特征在于，根据元数据依次生成烘烤曲线的步骤，包括以下具体步骤：
整合温度以及元数据，形成输入向量；
将输入向量依次输入给预测模型，生成对应的预测评分；
获取最大的预测评分对应的指标值；
将最小温度和指标值作为温度值，添加入烘烤曲线内。
CN201810355973.5A 2018-04-19 2018-04-19 基于强化学习的烟叶烘烤曲线推荐方法 Active CN108490784B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201810355973.5A CN108490784B (zh) 2018-04-19 2018-04-19 基于强化学习的烟叶烘烤曲线推荐方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201810355973.5A CN108490784B (zh) 2018-04-19 2018-04-19 基于强化学习的烟叶烘烤曲线推荐方法

Publications (2)

Publication Number Publication Date
CN108490784A CN108490784A (zh) 2018-09-04
CN108490784B true CN108490784B (zh) 2024-01-12

Family

ID=63312727

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201810355973.5A Active CN108490784B (zh) 2018-04-19 2018-04-19 基于强化学习的烟叶烘烤曲线推荐方法

Country Status (1)

Country Link
CN (1) CN108490784B (zh)

Families Citing this family (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN109287687B (zh) * 2018-09-29 2021-04-13 广东科学技术职业学院 一种基于深度学习的智能烘烤装置以及方法
CN114355857B (zh) * 2022-01-12 2024-06-25 华中科技大学 一种烟叶烘烤智能控制系统、方法、介质、设备及终端
CN114617282B (zh) * 2022-04-25 2022-12-06 华中科技大学 一种面向质量提升的烟叶烘烤工艺寻优方法、系统及终端
CN114868948A (zh) * 2022-06-14 2022-08-09 云南省烟草公司楚雄州公司 一种烟叶智能化烘烤动态管理方法

Citations (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US4559956A (en) * 1982-03-29 1985-12-24 Modsa (Proprietary) Limited Method of and apparatus for curing tobacco
CN103399486A (zh) * 2013-07-05 2013-11-20 杭州电子科技大学 塑料烘干器温度优化节能控制方法
CN104914720A (zh) * 2015-04-16 2015-09-16 贵州省烟草公司遵义市公司 具有自动学习功能的电子鼻智能烘烤控制系统及控制方法
CN106901394A (zh) * 2017-04-27 2017-06-30 云南中烟工业有限责任公司 一种基于Markov过程复烤烟叶库存动态平衡的方法
CN107291845A (zh) * 2017-06-02 2017-10-24 北京邮电大学 一种基于预告片的电影推荐方法及系统
CN107515909A (zh) * 2017-08-11 2017-12-26 深圳市耐飞科技有限公司 一种视频推荐方法及系统

Family Cites Families (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US8151804B2 (en) * 2008-12-23 2012-04-10 Williams Jonnie R Tobacco curing method

Patent Citations (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US4559956A (en) * 1982-03-29 1985-12-24 Modsa (Proprietary) Limited Method of and apparatus for curing tobacco
CN103399486A (zh) * 2013-07-05 2013-11-20 杭州电子科技大学 塑料烘干器温度优化节能控制方法
CN104914720A (zh) * 2015-04-16 2015-09-16 贵州省烟草公司遵义市公司 具有自动学习功能的电子鼻智能烘烤控制系统及控制方法
CN106901394A (zh) * 2017-04-27 2017-06-30 云南中烟工业有限责任公司 一种基于Markov过程复烤烟叶库存动态平衡的方法
CN107291845A (zh) * 2017-06-02 2017-10-24 北京邮电大学 一种基于预告片的电影推荐方法及系统
CN107515909A (zh) * 2017-08-11 2017-12-26 深圳市耐飞科技有限公司 一种视频推荐方法及系统

Also Published As

Publication number Publication date
CN108490784A (zh) 2018-09-04

Similar Documents

Publication Publication Date Title
CN108490784B (zh) 基于强化学习的烟叶烘烤曲线推荐方法
CN109523017B (zh) 姿态检测方法、装置、设备及存储介质
CN110969251B (zh) 基于无标签数据的神经网络模型量化方法及装置
CN111340227A (zh) 通过强化学习模型对业务预测模型进行压缩的方法和装置
CN108352127B (zh) 用于改善非母语者语音的语音识别的方法
CN107978311A (zh) 一种语音数据处理方法、装置以及语音交互设备
KR102399535B1 (ko) 음성 인식을 위한 학습 방법 및 장치
TW201901532A (zh) 前饋生成神經網路
CN111788585B (zh) 一种深度学习模型的训练方法、系统
CN108416187A (zh) 一种确定剪枝阈值的方法及装置、模型剪枝方法及装置
US11972347B2 (en) System and method for emulating quantization noise for a neural network
CN110765310B (zh) 一种基于参数配置的音频专辑推荐方法及系统
CN107194151B (zh) 确定情感阈值的方法和人工智能设备
CN107071193A (zh) 互动应答系统接入用户的方法和装置
CN111798244B (zh) 交易欺诈行为监测方法及装置
US20190034781A1 (en) Network coefficient compression device, network coefficient compression method, and computer program product
CN110147435A (zh) 对话生成方法、装置、设备及存储介质
CN115374853A (zh) 基于T-Step聚合算法的异步联邦学习方法及系统
US20210383190A1 (en) Electronic device and control method therefor
CN113132765A (zh) 码率决策模型训练方法、装置、电子设备及存储介质
CN113470664A (zh) 语音转换方法、装置、设备及存储介质
US11176482B2 (en) Training signal processing model for component replacement in signal processing system
CN107820677A (zh) 确定滤波器系数的方法及其装置、终端
KR20200010061A (ko) 전자 장치 및 전자 장치의 학습 방법
CN108197209B (zh) 一种基于加权协同过滤算法的电影推荐方法

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