CN109615144B - 棉花回潮率目标值的设定方法、装置、设备及存储介质 - Google Patents

棉花回潮率目标值的设定方法、装置、设备及存储介质 Download PDF

Info

Publication number
CN109615144B
CN109615144B CN201811564228.8A CN201811564228A CN109615144B CN 109615144 B CN109615144 B CN 109615144B CN 201811564228 A CN201811564228 A CN 201811564228A CN 109615144 B CN109615144 B CN 109615144B
Authority
CN
China
Prior art keywords
cotton
moisture regain
target
setting
sample
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
CN201811564228.8A
Other languages
English (en)
Other versions
CN109615144A (zh
Inventor
王利民
夏彬
秦建锋
王瑞霞
夏文杰
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.)
ZHENGZHOU COTTON & JUTE ENGINEERING TECHNOLOGY AND DESIGN RESEARCH INSTITUTE
Original Assignee
ZHENGZHOU COTTON & JUTE ENGINEERING TECHNOLOGY AND DESIGN RESEARCH INSTITUTE
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 ZHENGZHOU COTTON & JUTE ENGINEERING TECHNOLOGY AND DESIGN RESEARCH INSTITUTE filed Critical ZHENGZHOU COTTON & JUTE ENGINEERING TECHNOLOGY AND DESIGN RESEARCH INSTITUTE
Priority to CN201811564228.8A priority Critical patent/CN109615144B/zh
Publication of CN109615144A publication Critical patent/CN109615144A/zh
Application granted granted Critical
Publication of CN109615144B publication Critical patent/CN109615144B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

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
    • G06Q10/04—Forecasting or optimisation specially adapted for administrative or management purposes, e.g. linear programming or "cutting stock problem"
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
    • G06F18/214—Generating training patterns; Bootstrap methods, e.g. bagging or boosting
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/24—Classification techniques
    • G06F18/243—Classification techniques relating to the number of classes
    • G06F18/24323—Tree-organised classifiers
    • 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
    • G06Q10/06395—Quality analysis or management
    • 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
    • G06Q50/02—Agriculture; Fishing; Forestry; Mining

Landscapes

  • Engineering & Computer Science (AREA)
  • Business, Economics & Management (AREA)
  • Human Resources & Organizations (AREA)
  • Theoretical Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Strategic Management (AREA)
  • Economics (AREA)
  • General Physics & Mathematics (AREA)
  • Data Mining & Analysis (AREA)
  • Marketing (AREA)
  • Entrepreneurship & Innovation (AREA)
  • Tourism & Hospitality (AREA)
  • Development Economics (AREA)
  • General Business, Economics & Management (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Evolutionary Computation (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • General Engineering & Computer Science (AREA)
  • Evolutionary Biology (AREA)
  • Game Theory and Decision Science (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Operations Research (AREA)
  • Quality & Reliability (AREA)
  • Educational Administration (AREA)
  • Artificial Intelligence (AREA)
  • Agronomy & Crop Science (AREA)
  • Animal Husbandry (AREA)
  • Marine Sciences & Fisheries (AREA)
  • Mining & Mineral Resources (AREA)
  • Health & Medical Sciences (AREA)
  • General Health & Medical Sciences (AREA)
  • Primary Health Care (AREA)
  • Treatment Of Fiber Materials (AREA)

Abstract

本发明公开了一种棉花回潮率目标值的设定方法，该方法包括以下步骤：获取待生产棉样的目标轧工质量等级；将目标轧工质量等级输入到预设的回潮率设定模型中，得到目标棉花回潮率；其中，回潮率设定模型为采用随机森林学习算法预先学习得到；将待生产棉样的回潮率目标值设定为目标棉花回潮率。应用本发明实施例所提供的技术方案，有效弥补了回潮率的设定上存在范围浮动大、主观随意性强、缺乏科学指导等不足，有利于提升棉花加工过程中轧工质量的智能优化控制，促进机采棉加工工艺改进，提高了棉花加工企业的经济效益。本发明还公开了一种棉花回潮率目标值的设定装置、设备及存储介质，具有相应技术效果。

Description

棉花回潮率目标值的设定方法、装置、设备及存储介质
技术领域
本发明涉及棉花轧工质量自动化管控技术领域，特别是涉及一种棉花回潮率目标值的设定方法、装置、设备及计算机可读存储介质。
背景技术
我国拥有悠久的植棉历史，是世界上重要的产棉国、用棉国，同时也是棉花进口大国。随着机采棉技术的推广与普及，“重产量、轻质量”的观念影响着棉花的加工生产，造成我国棉花质量严重滑坡，市场竞争力不强，高品质棉花需要进口的现状。如果棉花轧工质量不佳，外观形态粗糙、疵点过多，将会造成棉纱断头、染色不匀，严重时还会造成产品的废品与次品，给国家和企业造成经济损失。因此，在棉花加工过程中需要进行质量管控，在优化棉花质量的同时提高产量。
在棉花加工工艺环节中，回潮率是影响棉花质量的重要因素。回潮率过低，棉花经过轧花、皮清后，纤维容易受损，进而降低纤维长度；回潮率过高，容易产生索丝与棉结，降低了轧工质量，并且增加了生产线“堵车”的风险。但是，长期以来，棉花加工企业对于皮棉轧工质量的管控过于粗放，主要通过人工设定回潮率方式实现，这就导致回潮率的设定上存在范围浮动大、主观随意性强、缺乏科学指导等问题，不能满足棉花精细化加工与质量自动化管控的需要。
综上所述，如何科学精准地设定回潮率目标值，进而提高棉花加工质量，克服回潮率设定上的范围浮动大、主观随意性强等困难，是目前我国棉花加工领域亟待解决的难题。
发明内容
本发明的目的是提供一种棉花回潮率目标值的设定方法，该方法有效弥补了回潮率的设定上存在范围浮动大、主观随意性强、缺乏科学指导等不足，有利于提升棉花加工过程中轧工质量的智能优化控制；本发明的另一目的是提供一种棉花回潮率目标值的设定装置、设备及计算机可读存储介质。
为解决上述技术问题，本发明提供如下技术方案：
一种棉花回潮率目标值的设定方法，包括：
获取待生产棉样的目标轧工质量等级；
将所述目标轧工质量等级输入到预设的回潮率设定模型中，得到所述目标轧工质量等级对应的目标棉花回潮率；其中，所述回潮率设定模型为采用随机森林学习算法预先学习得到的；
将生成所述待生产棉样的回潮率目标值设定为所述目标棉花回潮率。
在本发明的一种具体实施方式中，在将所述目标轧工质量等级输入到预设的回潮率设定模型中之前，还包括：
获取各轧工质量等级对应的目标棉样的各基础数据参数；
将各所述基础数据参数导入origin数值分析系统中，以利用所述origin数值分析系统确定各所述轧工质量等级的影响因子；
基于各所述影响因子和对应的各所述目标棉花回潮率构建原始训练集；
利用bootstrap重抽样方法从所述原始训练集中有放回地抽取第一预定数量个样本，并为每个样本建立对应的分类树；其中，每个样本包括所述影响因子和对应的目标棉花回潮率；
获取每棵分类树的训练结果；
根据各所述训练结果确定分类结果，得到基于所述随机森林机器学习算法的回潮率设定模型。
在本发明的一种具体实施方式中，利用所述origin数值分析系统确定各所述轧工质量等级的影响因子，包括：
根据公式计算所述影响因子：
Figure BDA0001914108350000021
Figure BDA0001914108350000022
其中，ASM为能量，ENT为熵，G(i,j)为所述预设基础数据参数中棉样图像纹理的任意点(i,j)的灰度值，k为所述灰度值的级数。
在本发明的一种具体实施方式中，为每个样本建立对应的分类树，包括：
在每个样本多个特征中随机抽取第二预定数量个特征，得到候选特征集；
利用基尼指数获取所述候选特征集中最优的特征和最佳二值切分点；
利用所述最优的特征和所述最佳二值切分点分裂各节点，得到每个样本对应的分类树。
在本发明的一种具体实施方式中，在得到基于随机森林机器学习算法的回潮率设定模型之后，还包括：
对所述回潮率设定模型进行模型评估。
一种棉花回潮率目标值的设定装置，包括：
质量等级获取模块，用于获取待生产棉样的目标轧工质量等级；
回潮率获得模块，用于将所述目标轧工质量等级输入到预设的回潮率设定模型中，得到所述目标轧工质量等级对应的目标棉花回潮率；其中，所述回潮率设定模型为采用随机森林学习算法预先学习得到的；
回潮率设定模块，用于将所述待生产棉样的回潮率目标值设定为所述目标棉花回潮率。
在本发明的一种具体实施方式中，还包括：
参数获取模块，用于在将所述目标轧工质量等级输入到预设的回潮率设定模型中之前，获取各轧工质量等级对应的目标棉样的各基础数据参数；
参数导入模块，用于将各所述基础数据参数导入origin数值分析系统中，以利用所述origin数值分析系统确定各所述轧工质量等级的影响因子；
训练集构建模块，用于基于各所述影响因子和对应的各所述目标棉花回潮率构建原始训练集；
分类树建立模块，用于利用bootstrap重抽样方法从所述原始训练集中有放回地抽取第一预定数量个样本，并为每个样本建立对应的分类树；其中，每个样本包括所述影响因子和对应的目标棉花回潮率；
训练结果获得模块，用于获取每棵分类树的训练结果；
模型生成模块，用于根据各所述训练结果确定分类结果，得到基于所述随机森林机器学习算法的回潮率设定模型。
在本发明的一种具体实施方式中，所述分类树建立模块包括特征集获取子模块、特征集切分点获取子模块及分类树获得子模块，
所述特征集获取子模块，用于在每个样本多个特征中随机抽取第二预定数量个特征，得到候选特征集；
所述特征集切分点获取子模块，用于利用基尼指数获取所述候选特征集中最优的特征和最佳二值切分点；
所述分类树获得子模块，用于利用所述最优的特征和所述最佳二值切分点分裂各节点，得到每个样本对应的分类树。
一种棉花回潮率目标值的设定设备，包括：
存储器，用于存储计算机程序；
处理器，用于执行所述计算机程序时实现如前所述棉花回潮率目标值的设定方法的步骤。
一种计算机可读存储介质，所述计算机可读存储介质上存储有计算机程序，所述计算机程序被处理器执行时实现如前所述棉花回潮率目标值的设定方法的步骤。
应用本发明实施例所提供的棉花回潮率目标值的设定方法，获取待生产棉样的目标轧工质量等级；将目标轧工质量等级输入到预设的回潮率设定模型中，得到目标轧工质量等级对应的目标棉花回潮率；其中，回潮率设定模型为采用随机森林学习算法预先学习得到的；将待生产棉样的回潮率目标值设定为目标棉花回潮率。通过预先设置根据待生成棉样的目标轧工质量等级设定对应的目标棉花回潮率的回潮率设定模型，在获取到当前待生产棉样的目标轧工质量等级之后，可以利用回潮率设定模型确定该目标轧工质量等级对应的目标棉花回潮率。相较于现有的依靠人工经验设定回潮率的方式，有效弥补了回潮率的设定上存在范围浮动大、主观随意性强、缺乏科学指导等不足，有利于提升棉花加工过程中轧工质量的智能优化控制，促进机采棉加工工艺改进，提高棉花加工企业的经济效益。
相应的，本发明实施例还提供了与上述棉花回潮率目标值的设定方法相对应的棉花回潮率目标值的设定装置、设备和计算机可读存储介质，具有上述技术效果，在此不再赘述。
附图说明
为了更清楚地说明本发明实施例或现有技术中的技术方案，下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本发明的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他的附图。
图1为本发明实施例中棉花回潮率目标值的设定方法的一种实施流程图；
图2为本发明实施例中棉花回潮率目标值的设定方法的另一种实施流程图；
图3为本发明实施例中一种棉花回潮率目标值的设定装置的结构框图；
图4为本发明实施例中一种棉花回潮率目标值的设定设备的结构框图。
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，下面结合附图和具体实施方式对本发明作进一步的详细说明。显然，所描述的实施例仅仅是本发明一部分实施例，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，都属于本发明保护的范围。
实施例一：
参见图1，图1为本发明实施例中棉花回潮率目标值的设定方法的一种实施流程图，该方法可以包括：
S101：获取待生产棉样的目标轧工质量等级。
在对待生产棉样进行生产之前，可以获取待生产棉样在生产之后所需达到的目标轧工质量等级。棉样的轧工质量等级可以综合多种棉花参数进行评定，例如评定棉花的轧工质量等级的棉花参数可以包括含杂指数、回潮率等。
S102：将目标轧工质量等级输入到预设的回潮率设定模型中，得到目标轧工质量等级对应的目标棉花回潮率。
其中，回潮率设定模型为采用随机森林学习算法预先学习得到的。
由于回潮率作为影响棉花的轧工质量的重要因素，可以预先采用随机森林学习算法学习得到回潮率设定模型，回潮率设定模型中可以包含有各轧工质量等级对应需要设定的目标棉花回潮率。当获取到待生产棉样的目标轧工质量等级之后，可以将目标轧工质量等级输入到预设的回潮率设定模型中，进行匹配性运算，得到目标轧工质量等级对应的目标棉花回潮率。
S103：将待生产棉样的回潮率目标值设定为目标棉花回潮率。
在利用回潮率设定模型进行匹配运算，得到目标轧工质量等级对应的目标棉花回潮率之后，可以将待生产棉样的回潮率目标值设定为目标棉花回潮率，从而待生产棉样对应的棉花生产设备可以根据待生产棉样生产完成后需要达到的目标棉花回潮率，对加湿系统的进水量、雾化气体温度等进行调整，使得生产完成得到的棉样的回潮率达到目标棉花回潮率，进而可以使得生产出的棉样达到目标轧工质量等级。
应用本发明实施例所提供的棉花回潮率目标值的设定方法，获取待生产棉样的目标轧工质量等级；将目标轧工质量等级输入到预设的回潮率设定模型中，得到目标轧工质量等级对应的目标棉花回潮率；其中，回潮率设定模型为采用随机森林学习算法预先学习得到的；将待生产棉样的回潮率目标值设定为目标棉花回潮率阈值。通过预先设置根据待生成棉样的目标轧工质量等级设定对应的目标棉花回潮率的回潮率设定模型，在获取到当前待生产棉样的目标轧工质量等级之后，可以利用回潮率设定模型确定该目标轧工质量等级对应的目标棉花回潮率。相较于现有的依靠人工经验设定回潮率的方式，有效弥补了回潮率的设定上存在范围浮动大、主观随意性强、缺乏科学指导等不足，有利于提升棉花加工过程中轧工质量的智能优化控制，促进机采棉加工工艺改进，提高棉花加工企业的经济效益。
需要说明的是，基于上述实施例一，本发明实施例还提供了相应的改进方案。在后续实施例中涉及与上述实施例一中相同步骤或相应步骤之间可相互参考，相应的有益效果也可相互参照，在下文的改进实施例中不再一一赘述。
实施例二：
参见图2，图2为本发明实施例中棉花回潮率目标值的设定方法的另一种实施流程图，该方法可以包括以下步骤：
S201：获取待生产棉样的目标轧工质量等级。
S202：获取各轧工质量等级对应的目标棉样的各基础数据参数。
针对多个轧工质量等级可以对应设置有目标棉样的各基础数据参数，基础数据参数可以包括能量ASM、熵ENT、惯性矩、局部平稳性等。可以预先安装部署有Python机器学习平台运行环境，获取各轧工质量等级对应的目标棉样的各基础数据参数。
S203：将各基础数据参数导入origin数值分析系统中。
在获取各轧工质量等级对应的目标棉样的各基础数据参数之后，可以将各基础数据参数导入origin数值分析系统中。可以利用origin数值分析系统根据各基础数据参数之间的影响关系，确定能够代表轧工质量的影响因子。并且在获取各基础数据参数之后，将各基础数据参数导入origin数值分析系统之前，可以对各基础数据参数进行预处理，剔出包括数据项不全(如数据项中某一行数据有的项有数据，有的项没有数据)、计算结果异常(如对应的回潮率为0、轧工质量超出范围)等在内的无效预设基础数据参数。
S204：根据公式计算影响因子：
Figure BDA0001914108350000071
Figure BDA0001914108350000072
其中，ASM为能量，ENT为熵，G(i,j)为预设基础数据参数中棉样图像纹理的任意点(i,j)的灰度值，k为灰度值的级数。
可以预先获得各轧工质量等级对应的各棉样的棉样图像纹理，将各基础数据参数导入origin数值分析系统中，可以根据如下公式计算，获得影响因子：
Figure BDA0001914108350000073
Figure BDA0001914108350000074
其中，ASM为能量，ENT为熵，G(i,j)为预设基础数据参数中棉样图像纹理的任意点(i,j)的灰度值，k为灰度值的级数。灰度值级数用于描述整幅图像亮度层次，表示棉样图像纹理的灰度图像的亮度层次范围，级数越多，图像的亮度范围越大，层次越丰富。
S205：基于各影响因子和对应的各目标棉花回潮率构建原始训练集。
在获得各影响因子之后，可以基于各影响因子和对应的各目标棉花回潮率构建原始训练集，即基于各能量、熵、及各目标棉花回潮率构建原始训练集。
S206：利用bootstrap重抽样方法从原始训练集中有放回地抽取第一预定数量个样本。
其中，每个样本包括影响因子和对应的目标棉花回潮率。
在构建原始训练集完成之后，可以利用bootstrap重抽样方法从原始训练集中有放回地抽取第一预定数量个样本。每个样本包括影响因子和对应的目标棉花回潮率。如可以将第k个样本集记为Dk。
S207：在每个样本多个特征中随机抽取第二预定数量个特征，得到候选特征集。
在获得第一预定数量个样本之后，可以在每个样本多个特征中随机抽取第二预定数量个特征，得到候选特征集。如假设输入样本Dk是M维的特征向量，从这M个特征中随机抽取m(m<<M)个特征作为候选特征。
S208：利用基尼指数获取候选特征集中最优的特征和最佳二值切分点。
在得到每个样本的候选特征集之后，可以利用基尼指数获取候选特征集中最优的特征和最佳二值切分点。最优特征的评定可以是根据通过依次对每个特征赋予一个随机数，观察算法性能的变化，倘若变化大，则说明该特征重要，同时对每个特征赋予一个分数，分数越大，特征越重要，因此，可以根据特征重要性排序，然后选择最佳特征组合，即最优的特征。
S209：利用最优的特征和最佳二值切分点分裂各节点，得到每个样本对应的分类树。
在获取候选特征集中最优的特征和最佳二值切分点之后，可以利用最优的特征和最佳二值切分点分裂各节点，得到每个样本对应的分类树。并且通过随机森林学习算法获得的最佳参数为最大树深度max_depth设置为9，随机状态参数random state设置为50。可以为第k棵树生成随机向量θk，θk与前面的第1至k-1棵树分别对应的随机向量θ1至θk-1独立同分布。
S210：获取每棵分类树的训练结果。
得到每个样本对应的分类树之后，可以获取每棵分类树的训练结果。例如，将能量为0.33，熵为0.89输入参数，代入每一棵分类树，分别获得每棵分类树对应的回潮率。
S211：根据各训练结果确定分类结果，得到基于随机森林机器学习算法的回潮率设定模型。
在获取每棵分类树的训练结果之后，可以根据各训练结果确定分类结果，得到基于随机森林机器学习算法的回潮率设定模型。可以根据各一棵分类树的训练结果，投票决定最后的分类结果。仍以将能量为0.33，熵为0.89输入参数，代入每一棵分类树为例，如果超过设定的百分率(比如70％)的分类树训练结果计算的回潮率值为7.3，那么该输入样本的预测回潮率值为7.3。经过不断训练可以将模型关键参数分别确定为：叶子节点最少样本数min_samples_leaf取值区间为[47，52]；预计建立子树的数量n_estimators取值区间为[8，12]；并行job个数n_jobs取值1；袋外错误率oob_score取值true；节点划分最小不纯度min_impurity_decrease取值区间为[0.1，0.3]。
由于该随机森林学习算法在模型生成过程中进行了两次随机抽样，因此，在异常值和噪声方面具有较高的容忍度，且避免了过拟合现象，具有较高的预测精度。
S212：对回潮率设定模型进行模型评估。
在获得回潮率设定模型之后，可以通过实际验证选取样本中的数据进行训练，使用训练后得到的模型对新的能量、熵推算回潮率值，即预测值与实际需要设定的回潮率实际值是否相同，来对回潮率设定模型进行模型评估。
S213：将目标轧工质量等级输入到预设的回潮率设定模型中，得到目标轧工质量等级对应的目标棉花回潮率。
其中，回潮率设定模型为采用随机森林学习算法预先学习得到的。
S214：将待生产棉样的回潮率目标值设定为目标棉花回潮率。
相应于上面的方法实施例，本发明实施例还提供了一种棉花回潮率目标值的设定，下文描述的棉花回潮率目标值的设定装置与上文描述的棉花回潮率目标值的设定方法可相互对应参照。
参见图3，图3为本发明实施例中一种棉花回潮率目标值的设定装置的结构框图，该装置可以包括：
质量等级获取模块31，用于获取待生产棉样的目标轧工质量等级；
回潮率获得模块32，用于将目标轧工质量等级输入到预设的回潮率设定模型中，得到目标轧工质量等级对应的目标棉花回潮率；其中，回潮率设定模型为采用随机森林学习算法预先学习得到的；
回潮率设定模块33，用于将待生产棉样的回潮率目标值设定为目标棉花回潮率。
应用本发明实施例所提供的棉花回潮率目标值的设定装置，获取待生产棉样的目标轧工质量等级；将目标轧工质量等级输入到预设的回潮率设定模型中，得到目标轧工质量等级对应的目标棉花回潮率；其中，回潮率设定模型为采用随机森林学习算法预先学习得到的；将待生产棉样的回潮率目标值设定为目标棉花回潮率。通过预先设置根据待生成棉样的目标轧工质量等级确定对应的目标棉花回潮率的回潮率设定模型，在获取到当前待生产棉样的目标轧工质量等级之后，可以利用回潮率设定模型设定该目标轧工质量等级对应的目标棉花回潮率。相较于现有的依靠人工经验设定回潮率的方式，有效弥补了回潮率的设定上存在范围浮动大、主观随意性强、缺乏科学指导等不足，有利于提升棉花加工过程中轧工质量的智能优化控制，促进机采棉加工工艺改进，提高棉花加工企业的经济效益。
在本发明的一种具体实施方式中，该装置还可以包括：
参数获取模块，用于在将目标轧工质量等级输入到预设的回潮率设定模型中之前，获取各轧工质量等级对应的目标棉样的各基础数据参数；
参数导入模块，用于将各基础数据参数导入origin数值分析系统中，以利用origin数值分析系统确定各轧工质量等级的影响因子；
训练集构建模块，用于基于各影响因子和对应的各目标棉花回潮率构建原始训练集；
分类树建立模块，用于利用bootstrap重抽样方法从原始训练集中有放回地抽取第一预定数量个样本，并为每个样本建立对应的分类树；其中，每个样本包括影响因子和对应的目标棉花回潮率；
训练结果获得模块，用于获取每棵分类树的训练结果；
模型生成模块，用于根据各训练结果确定分类结果，得到基于随机森林机器学习算法的回潮率设定模型。
在本发明的一种具体实施方式中，参数导入模块包括影响因子确定子模块，
影响因子确定子模块，根据公式计算影响因子：
Figure BDA0001914108350000111
Figure BDA0001914108350000112
其中，ASM为能量，ENT为熵，G(i,j)为预设基础数据参数中棉样图像纹理的任意点(i,j)的灰度值，k为灰度值的级数。
在本发明的一种具体实施方式中，分类树建立模块包括特征集获取子模块、特征集切分点获取子模块及分类树获得子模块，
特征集获取子模块，用于在每个样本多个特征中随机抽取第二预定数量个特征，得到候选特征集；
特征集切分点获取子模块，用于利用基尼指数获取候选特征集中最优的特征和最佳二值切分点；
分类树获得子模块，用于利用最优的特征和最佳二值切分点分裂各节点，得到每个样本对应的分类树。
在本发明的一种具体实施方式中，该装置还可以包括：
模型评估模块，用于在得到基于随机森林机器学习算法的回潮率设定模型之后，对回潮率设定模型进行模型评估。
相应于上面的方法实施例，参见图4，图4为本发明所提供的棉花回潮率目标值的设定设备的示意图，该设备可以包括：
存储器41，用于存储计算机程序；
处理器42，用于执行上述存储器41存储的计算机程序时可实现如下步骤：
获取待生产棉样的目标轧工质量等级；将目标轧工质量等级输入到预设的回潮率设定模型中，得到目标轧工质量等级对应的目标棉花回潮率；其中，回潮率设定模型为采用随机森林学习算法预先学习得到的；将待生产棉样的回潮率目标值设定为目标棉花回潮率。
对于本发明提供的设备的介绍请参照上述方法实施例，本发明在此不做赘述。
相应于上面的方法实施例，本发明还提供一种计算机可读存储介质，计算机可读存储介质上存储有计算机程序，计算机程序被处理器执行时可实现如下步骤：
获取待生产棉样的目标轧工质量等级；将目标轧工质量等级输入到预设的回潮率设定模型中，得到目标轧工质量等级对应的目标棉花回潮率；其中，回潮率设定模型为采用随机森林学习算法预先学习得到的；将待生产棉样的回潮率目标值设定为目标棉花回潮率。
该计算机可读存储介质可以包括：U盘、移动硬盘、只读存储器(Read-OnlyMemory，ROM)、随机存取存储器(Random Access Memory，RAM)、磁碟或者光盘等各种可以存储程序代码的介质。
对于本发明提供的计算机可读存储介质的介绍请参照上述方法实施例，本发明在此不做赘述。
本说明书中各个实施例采用递进的方式描述，每个实施例重点说明的都是与其它实施例的不同之处，各个实施例之间相同或相似部分互相参见即可。对于实施例公开的装置、设备及计算机可读存储介质而言，由于其与实施例公开的方法相对应，所以描述的比较简单，相关之处参见方法部分说明即可。
专业人员还可以进一步意识到，结合本文中所公开的实施例描述的各示例的单元及算法步骤，能够以电子硬件、计算机软件或者二者的结合来实现，为了清楚地说明硬件和软件的可互换性，在上述说明中已经按照功能一般性地描述了各示例的组成及步骤。这些功能究竟以硬件还是软件方式来执行，取决于技术方案的特定应用和设计约束条件。专业技术人员可以对每个特定的应用来使用不同方法来实现所描述的功能，但是这种实现不应认为超出本发明的范围。
结合本文中所公开的实施例描述的方法或算法的步骤可以直接用硬件、处理器执行的软件模块，或者二者的结合来实施。软件模块可以置于随机存储器(RAM)、内存、只读存储器(ROM)、电可编程ROM、电可擦除可编程ROM、寄存器、硬盘、可移动磁盘、CD-ROM、或技术领域内所公知的任意其它形式的存储介质中。
本文中应用了具体个例对本发明的原理及实施方式进行了阐述，以上实施例的说明只是用于帮助理解本发明的技术方案及其核心思想。应当指出，对于本技术领域的普通技术人员来说，在不脱离本发明原理的前提下，还可以对本发明进行若干改进和修饰，这些改进和修饰也落入本发明权利要求的保护范围内。

Claims (5)

1.一种棉花回潮率目标值的设定方法，其特征在于，包括：
获取待生产棉样的目标轧工质量等级；
获取各轧工质量等级对应的目标棉样的各基础数据参数；
将各所述基础数据参数导入origin数值分析系统中，以利用所述origin数值分析系统确定各所述轧工质量等级的影响因子；根据公式计算所述影响因子：
Figure DEST_PATH_IMAGE002
；
Figure DEST_PATH_IMAGE004
；
其中，
Figure DEST_PATH_IMAGE006
为能量，
Figure DEST_PATH_IMAGE008
为熵，
Figure DEST_PATH_IMAGE010
为所述基础数据参数中棉样图像纹理的任意点
Figure DEST_PATH_IMAGE012
的灰度值，k为所述灰度值的级数；
基于各所述影响因子和对应的各目标棉花回潮率构建原始训练集；
利用bootstrap重抽样方法从所述原始训练集中有放回地抽取第一预定数量个样本，并在每个样本多个特征中随机抽取第二预定数量个特征，得到候选特征集；
利用基尼指数获取所述候选特征集中最优的特征和最佳二值切分点；
利用所述最优的特征和所述最佳二值切分点分裂各节点，得到每个样本对应的分类树；其中，每个样本包括所述影响因子和对应的目标棉花回潮率；
获取每棵分类树的训练结果；
根据各所述训练结果确定分类结果，得到基于随机森林学习算法的回潮率设定模型；
将所述目标轧工质量等级输入到预设的回潮率设定模型中，得到所述目标轧工质量等级对应的目标棉花回潮率；其中，所述回潮率设定模型为采用随机森林学习算法预先学习得到的；
将所述待生产棉样的回潮率目标值设定为所述目标棉花回潮率。
2.根据权利要求1所述的棉花回潮率目标值的设定方法，其特征在于，在得到基于随机森林学习算法的回潮率设定模型之后，还包括：
对所述回潮率设定模型进行模型评估。
3.一种棉花回潮率目标值的设定装置，其特征在于，包括：
质量等级获取模块，用于获取待生产棉样的目标轧工质量等级；
参数获取模块，用于获取各轧工质量等级对应的目标棉样的各基础数据参数；
参数导入模块，用于将各所述基础数据参数导入origin数值分析系统中，以利用所述origin数值分析系统确定各所述轧工质量等级的影响因子；参数导入模块包括影响因子确定子模块，影响因子确定子模块，根据公式计算所述影响因子：
Figure DEST_PATH_IMAGE014
；
Figure DEST_PATH_IMAGE016
；
其中，
Figure DEST_PATH_IMAGE018
为能量，
Figure DEST_PATH_IMAGE020
为熵，
Figure DEST_PATH_IMAGE022
为所述基础数据参数中棉样图像纹理的任意点
Figure DEST_PATH_IMAGE024
的灰度值，k为所述灰度值的级数；
训练集构建模块，用于基于各所述影响因子和对应的各目标棉花回潮率构建原始训练集；
分类树建立模块，用于利用bootstrap重抽样方法从所述原始训练集中有放回地抽取第一预定数量个样本；所述分类树建立模块包括特征集获取子模块、特征集切分点获取子模块及分类树获得子模块，所述特征集获取子模块，用于在每个样本多个特征中随机抽取第二预定数量个特征，得到候选特征集；所述特征集切分点获取子模块，用于利用基尼指数获取所述候选特征集中最优的特征和最佳二值切分点；所述分类树获得子模块，用于利用所述最优的特征和所述最佳二值切分点分裂各节点，得到每个样本对应的分类树；其中，每个样本包括所述影响因子和对应的目标棉花回潮率；
训练结果获得模块，用于获取每棵分类树的训练结果；
模型生成模块，用于根据各所述训练结果确定分类结果，得到基于随机森林学习算法的回潮率设定模型；
回潮率获得模块，用于将所述目标轧工质量等级输入到预设的回潮率设定模型中，得到所述目标轧工质量等级对应的目标棉花回潮率；其中，所述回潮率设定模型为采用随机森林学习算法预先学习得到的；
回潮率设定模块，用于将所述待生产棉样的回潮率目标值设定为所述目标棉花回潮率。
4.一种棉花回潮率目标值的设定设备，其特征在于，包括：
存储器，用于存储计算机程序；
处理器，用于执行所述计算机程序时实现如权利要求1至2任一项所述棉花回潮率目标值的设定方法的步骤。
5.一种计算机可读存储介质，其特征在于，所述计算机可读存储介质上存储有计算机程序，所述计算机程序被处理器执行时实现如权利要求1至2任一项所述棉花回潮率目标值的设定方法的步骤。
CN201811564228.8A 2018-12-20 2018-12-20 棉花回潮率目标值的设定方法、装置、设备及存储介质 Active CN109615144B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201811564228.8A CN109615144B (zh) 2018-12-20 2018-12-20 棉花回潮率目标值的设定方法、装置、设备及存储介质

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201811564228.8A CN109615144B (zh) 2018-12-20 2018-12-20 棉花回潮率目标值的设定方法、装置、设备及存储介质

Publications (2)

Publication Number Publication Date
CN109615144A CN109615144A (zh) 2019-04-12
CN109615144B true CN109615144B (zh) 2022-11-01

Family

ID=66009979

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201811564228.8A Active CN109615144B (zh) 2018-12-20 2018-12-20 棉花回潮率目标值的设定方法、装置、设备及存储介质

Country Status (1)

Country Link
CN (1) CN109615144B (zh)

Families Citing this family (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN112925199A (zh) * 2021-01-26 2021-06-08 武汉裕大华纺织有限公司 纺纱智能打包间回潮率控制系统及控制方法

Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN104700060A (zh) * 2015-03-16 2015-06-10 中华全国供销合作总社郑州棉麻工程技术设计研究所 一种棉包信息追溯系统及追溯方法
CN106811807A (zh) * 2017-02-14 2017-06-09 中华全国供销合作总社郑州棉麻工程技术设计研究所 棉花轧花前籽棉回潮率调节系统及方法
CN106919979A (zh) * 2015-12-25 2017-07-04 济南大学 一种利用改进遗传算法实现棉花加工过程智能控制的方法
CN107784363A (zh) * 2016-08-31 2018-03-09 华为技术有限公司 数据处理方法、装置及系统

Family Cites Families (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US10565686B2 (en) * 2017-06-12 2020-02-18 Nvidia Corporation Systems and methods for training neural networks for regression without ground truth training samples

Patent Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN104700060A (zh) * 2015-03-16 2015-06-10 中华全国供销合作总社郑州棉麻工程技术设计研究所 一种棉包信息追溯系统及追溯方法
CN106919979A (zh) * 2015-12-25 2017-07-04 济南大学 一种利用改进遗传算法实现棉花加工过程智能控制的方法
CN107784363A (zh) * 2016-08-31 2018-03-09 华为技术有限公司 数据处理方法、装置及系统
CN106811807A (zh) * 2017-02-14 2017-06-09 中华全国供销合作总社郑州棉麻工程技术设计研究所 棉花轧花前籽棉回潮率调节系统及方法

Non-Patent Citations (2)

* Cited by examiner, † Cited by third party
Title
回潮率对棉花加工工艺系统的影响;张红战;《中国棉花加工》;20080825(第04期);第19-20页 *
浅析提高棉花轧工质量的方法和措施;鲁伟东;《中国纤检》;20150315;第46-47页 *

Also Published As

Publication number Publication date
CN109615144A (zh) 2019-04-12

Similar Documents

Publication Publication Date Title
CN106055918B (zh) 一种电力系统负荷数据的辨识及修正方法
CN109544399B (zh) 基于多源异构数据的输电设备状态评价方法及装置
CN111913803B (zh) 一种基于akx混合模型的服务负载细粒度预测方法
WO2010132998A4 (en) Process for improving the production of photovoltaic products
CN110991495B (zh) 生产制造过程中产品质量预测方法、系统、介质及设备
CN112307130B (zh) 一种文档级远程监督关系抽取方法及系统
CN109615144B (zh) 棉花回潮率目标值的设定方法、装置、设备及存储介质
CN112532652A (zh) 一种基于多源数据的攻击行为画像装置及方法
CN116699096A (zh) 一种基于深度学习的水质检测方法和系统
CN115659665A (zh) 一种基于野马优化算法的电压暂降源信号降噪与识别的方法
CN112311809A (zh) 一种攻击检测方法及装置
CN112116168A (zh) 一种用户行为的预测方法、装置及电子设备
CN116227745B (zh) 一种基于大数据的涉渔船舶调查分析方法及系统
CN110910528B (zh) 纸页抗张强度的预测方法及装置
CN110196797B (zh) 适于信用评分卡系统的自动优化方法和系统
CN110866829A (zh) 一种基于集成学习模型的股价预测方法
CN113420733B (zh) 一种高效分布式大数据数据采集实现方法及系统
CN114691868A (zh) 文本聚类方法、装置及电子设备
CN107506461A (zh) 一种关于影视剧本的智能分析与风险评估的方法
CN110489810B (zh) 一种基于数据块的趋势自动提取方法
CN109308565B (zh) 人群绩效等级识别方法、装置、存储介质及计算机设备
CN116636815B (zh) 基于脑电信号的水下作业人员睡眠质量评估方法及系统
CN114416972B (zh) 一种基于密度改善不平衡样本的dga域名检测方法
CN113821642B (zh) 一种基于gan聚类的文本清洗方法及系统
CN116671867B (zh) 一种针对水下作业人员的睡眠质量评测方法及系统

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