CN109816150A - 一种采后鲜食葡萄货架期预测方法及装置 - Google Patents
一种采后鲜食葡萄货架期预测方法及装置 Download PDFInfo
- Publication number
- CN109816150A CN109816150A CN201811633661.2A CN201811633661A CN109816150A CN 109816150 A CN109816150 A CN 109816150A CN 201811633661 A CN201811633661 A CN 201811633661A CN 109816150 A CN109816150 A CN 109816150A
- Authority
- CN
- China
- Prior art keywords
- shelf life
- table grape
- rear table
- index
- forecasting
- 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.)
- Pending
Links
Landscapes
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明实施例提供了一种采后鲜食葡萄货架期预测方法及装置,通过分析影响采后鲜食葡萄货架期的主要因素,在环境指标、感官指标和理化指标的基础上采用层次分析法计算恒温和变温环境下的鲜食葡萄货架期,生成网络模型训练和测试数据;利用RBF神经网络的超强自适应能力和自学习能力,设计网络隐含层节点个数和径向基函数,以提高网络的收敛速度和学习能力;采用模糊聚类优化隐含层径向基函数中心与宽度,保证了全局最优;采用遗传算法对网络权值进行寻优不断调整,防止了网络极易陷入局部极小值,提高了网络稳定性和泛化能力。
Description
技术领域
本发明实施例涉及农作物货架预测领域,更具体地,涉及一种采后鲜食葡萄货架期预测方法及装置。
背景技术
鲜食葡萄不仅味美可口,而且营养价值、经济价值很高,受到消费者广泛的喜爱,同时对其品质和安全性的要求也越来越高。但是在采后贮藏和运输过程中易出现腐烂、褐变、干枝、硬度衰减、落粒等问题,严重影响消费者的消费欲,造成了经济损失。货架期是消费者了解食品品质、保障食品安全的重要依据之一,可以根据货架期及时控制和调整贮藏环境,因此及时准确预测和延长采后鲜食葡萄的货架期对于保护消费者权益和有效降低经济损失具有重要意义。
近年来,发展起来的人工神经网络是一种多元非线性动力学系统,具有复杂、高维的非线性映射特性、良好的自适应、自组织和很强的实时学习等能力,可以方便地对多因素影响的复杂未知系统进行预测。BP(Back propagation)神经网络模型在货架期预测领域的应用相对比较广泛,将多种因素综合于一个模型中,建立各种因素与食品货架寿命的关系。与传统动力学模型相比,具有较高的预测精度。但BP神经网络容易陷入局部极小值、收敛速度慢以及出现“过拟合”等现象,而且网络结构难以确定、鲁棒性不足,限制了其在预测货架期方面的应用。
后来发展起来的径向基函数(RBF)是一种局部逼近网络,与其他神经网络模型如BP神经网络相比,在逼近能力、泛化能力、学习速度和拟合精度上有很大的优势。目前,RBF神经网络在货架期的预测方面得到广泛应用,关于RBF预测方法国内外已取得大量研究成果,但在鲜食葡萄货架期预测研究相对较少。
因此,目前缺乏将RBF预测方法应用于鲜食葡萄货架期预测的研究,从而为鲜食葡萄架期预测提供新途径,也可以为鲜食葡萄质量安全管理提供参考依据。
发明内容
为了解决上述问题,本发明实施例提供了一种采后鲜食葡萄货架期预测方法及装置。
根据本发明实施例的第一方面,提供了一种采后鲜食葡萄货架期预测方法,该方法包括:采集采后鲜食葡萄的影响指标;影响指标包括环境指标、感官指标、理化指标和微生物指标;将影响指标输入至采后鲜食葡萄货架期预测模型,输出预测的采后鲜食葡萄货架期,采后鲜食葡萄货架期预测模型根据影响指标和影响指标对应的采后鲜食葡萄货架期进行训练后得到的。
根据本发明实施例的第二方面,提供了一种采后鲜食葡萄货架期预测装置,该装置包括:采集模块,用于采集采后鲜食葡萄的影响指标;影响指标包括环境指标、感官指标、理化指标和微生物指标;预测模块,用于将影响指标输入至采后鲜食葡萄货架期预测模型,输出预测的采后鲜食葡萄货架期,采后鲜食葡萄货架期预测模型根据影响指标和影响指标对应的采后鲜食葡萄货架期进行训练后得到的。
根据本发明实施例的第三方面,提供了一种电子设备,该电子设备包括:存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序,处理器调用程序指令能够执行第一方面的各种可能的实现方式中任一种可能的实现方式所提供的采后鲜食葡萄货架期预测方法。
根据本发明实施例的第四方面,提供了一种非暂态计算机可读存储介质,其上存储有计算机程序,该计算机程序使计算机执行第一方面的各种可能的实现方式中任一种可能的实现方式所提供的采后鲜食葡萄货架期预测方法。
本发明实施例提供了一种采后鲜食葡萄货架期预测方法及装置,本发明实施例的有益效果包括:
1)分析了影响采后鲜食葡萄货架期的主要因素,在环境指标、感官指标和理化指标的基础上采用层次分析法计算恒温和变温环境下的鲜食葡萄货架期,生成网络模型训练和测试数据;
2)利用RBF神经网络的超强自适应能力和自学习能力,设计网络隐含层节点个数和径向基函数,以提高网络的收敛速度和学习能力;
3)采用模糊聚类优化隐含层径向基函数中心与宽度,保证了全局最优;采用遗传算法对网络权值进行寻优不断调整,防止了网络极易陷入局部极小值,提高了网络稳定性和泛化能力。
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,还可以根据这些图获得其他的附图。
图1为本发明实施例的一种采后鲜食葡萄货架期预测方法的流程示意图;
图2为本发明实施例的一种采后鲜食葡萄货架期预测模型的建立流程示意图;
图3为本发明实施例的一种采后鲜食葡萄货架期预测装置的结构示意图;
图4为本发明实施例的的一种电子设备的结构示意图;
图5为本发明实施例的判断矩阵的建立示意图。
具体实施方式
为使本发明实施例的目的、技术方案和优点更加清楚,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地描述,显然,所描述的实施例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。
货架期是指食品被贮藏在推荐的条件下,能够保持安全;确保理想的感官、理化和微生物特性;保留标签声明的任何营养值的一段时间。
图1为本发明实施例的一种采后鲜食葡萄货架期预测方法的流程示意图,如图1所示,本发明实施例提供一种采后鲜食葡萄货架期预测方法,该方法包括:采集采后鲜食葡萄的影响指标;影响指标包括环境指标、感官指标、理化指标和微生物指标;将影响指标输入至采后鲜食葡萄货架期预测模型,输出预测的采后鲜食葡萄货架期,采后鲜食葡萄货架期预测模型根据影响指标和影响指标对应的采后鲜食葡萄货架期进行训练后得到的。
具体地,影响采后鲜食葡萄的货架期包括多种影响指标,例如环境指标、感官指标、理化指标和微生物指标。因此,为了预测采后鲜食葡萄货架期,首先采集采后鲜食葡萄的影响指标,然后根据影响指标和影响指标对应的货架期建立鲜食葡萄货架期预测模型,再将影响指标输入鲜食葡萄货架期预测模型,获取预测的采后鲜食葡萄货架期。
需要说明的是,可以为了研究波动环境温度条件下,将样本分别贮藏在恒温箱为点值温度例如0℃、5℃、10℃,或变温为室温波动范围例如15℃~30℃的温度环境中,果实间无挤压和碰撞,每种条件下保证实验样本足够,分别在各个温度环境下测量环境指标、感官指标和理化指标。
本发明实施例分析了影响采后鲜食葡萄货架期的主要因素,在环境指标、感官指标和理化指标的基础上采用层次分析法计算恒温和变温环境下的鲜食葡萄货架期,生成网络模型训练和测试数据。由此训练得到的鲜食葡萄货架期预测模型,能根据不同的影响指标准确预测采后鲜食葡萄货架期。
进一步地,环境指标包括温度和相对湿度,感官指标包括外观、色泽、气味、香味、口感、质地和果梗,理化指标包括果皮硬度、果实PH值、可溶性固形物含量、果实失水率、腐烂率、落粒率和色差,微生物指标包括菌落总数。
基于上述实施例,图2为本发明实施例的一种采后鲜食葡萄货架期预测模型的建立流程示意图,如图2所示,采后鲜食葡萄货架期预测模型基于径向基函数RBF神经网络建立,采后鲜食葡萄货架期预测模型的建立过程包括:S1、获取各个影响指标的权重;S2、确定采后鲜食葡萄货架期预测模型的结构;S3、优化采后鲜食葡萄货架期预测模型的参数。
具体地,人工神经网络中逐渐发展起来的径向基函数(RBF)是一种局部逼近网络,与其他神经网络模型如BP神经网络相比,在逼近能力、泛化能力、学习速度和拟合精度上有很大的优势。因此,本发明实施例采用RBF(径向基函数)神经网络建立采后鲜食葡萄货架期预测模型。
进一步地,根据影响指标和影响指标对应的采后鲜食葡萄货架期建立采后鲜食葡萄货架期预测模型的过程,首先需要获取各个影响指标的权重,即各个影响指标对于RBF神经网络的重要性程度,然后确定采后鲜食葡萄货架期预测模型的结构和参数。
基于上述实施例,采用层次分析法计算真实货架期的各指标影响权重,最终得到RBF神经网络模型训练和测试数据,并对输入参数和输出参数进行标准化处理。
具体地,图5为本发明实施例的判断矩阵的建立示意图,如图5所示,获取各个影响指标的权重包括:
S11、根据各个影响指标,构建判断矩阵。本发明通过回收大量调查问卷,以分析各个指标间的重要性程度,并依据判断矩阵的标度写出判断矩阵A。表1为判断矩阵的标度的含义,判断矩阵A中的标度的含义如表1所示。
表1
例如,判断矩阵A中,感官指标为A1,理化指标为A2,微生物指标为A3;感官指标A1中的平均值为A11;理化指标A2中的果实硬度为A21,果实水分为A22,果实含糖量为A23,果实酸含量为A24,果实温度为A25,果实可溶性固形物含量为A26,腐烂指数为A27;物生物指标A3中的灰霉菌为A31,菌落总数为A32。
判断矩阵A为层次模型,将同一层的因素作为比较和评价的准则,对下一层的某些因素起支配作用,同时它又是从属于上一层次的因素。
S12、根据判断矩阵,计算各个指标的权值:
其中,Wi为各个指标的权值,aij为判断矩阵中的数值;
S13、根据各个指标的权值,检查判断判断矩阵的思维一致性:
其中,CR为思维一致性判断指标;λmax为判断矩阵的最大特征根,n为指标个数,表2为指标个数n对应的RI值,RI根据表2确定。
表2
需要说明的是,若CR<0.1,则该判断矩阵具有满意的一致性,否则需要调整判断矩阵重新计算。
基于上述实施例,确定采后鲜食葡萄货架期预测模型的结构,包括:
S21、确定RBF神经网络的隐藏层的节点个数:
其中,m为隐含层节点个数;n为输出层节点个数;k为输出层节点个数;l为0~10之间的调节参数;MSE为均方差损失函数,y为RBF神经网络的输出值;y’为真实货架期值,MSE为均方误差,i为类别,N为输入层节点个数。
具体地,RBF神经网络有强大的并行计算能力,容错力强,能够自适应学习。RBF拓扑网络结构简单,中间层仅有一层隐含层组成,隐含层节点个数过多虽然能够产生跟小的训练误差,但影响网络的预测精度,训练时间较长,也可能会出现“过拟合”现象;隐含层节点个数过少,会影响训练精度甚至使网络训练不出来。因此,选择合适的隐含层节点个数对训练精度、收敛速度、泛化能力具有重要作用。而隐含层节点的个数一般根据研究任务不断试验来确定,直到误差达到满意为止。
S22、确定RBF神经网络的隐藏层的径向基函数:
其中,Φi(||X-ci||)为径向基函数;X=(x1,x2,...xn)T∈Rn为输入样本向量;ci为正态分布的位置参数,即第i个径向基函数的中心;σi为正态分布数据分布的离散程度,即第i个径向基函数的宽度;α为修正常数。当连续两次基值变化乘积小于0,α=0.5,否则α=1。例如,比如第一次迭代的结果和第二次迭代的结果之差得到的第一次变化基值变化为正,第二次迭代的结果和第三次迭代的结果之差得到的第二次迭代结果之差得到的第二次基值变化为负,则第一次基值变化与第二次基值变化的乘积为负数,小于0,因此,为了使径向基函数的值不至于偏差太大,则α=0.5。
具体地,为了使基函数的选取对RBF网络预测精度影响较小,本发明采用高斯函数作为激活函数,表示简单且解析性好,函数图像特点是两边衰减且径向对称,输入层节点距离(如欧氏距离)径向基函数中心点越远,神经元的激活程度越小,距离越近,激活程度就越大,具有局部逼近的特性。但是当基函数产生的影响过大又会使得网络训练产生震荡,误差函数不能够趋于稳定,因此对高斯峰值处进行处理以降低其作用效果。
基于上述实施例,RBF神经网络基函数中心和宽度的选取对神经网络的预测精度和效果有很大影响,中心的选择通常有根据经验选择函数中心、用聚类方法选择基函数、通过对可调参数训练样本的误差纠正求得。其中k-means无监督学习方法是解决聚类问题的一种简单、快速算法,当簇接近高斯分布时,它的效果较好。但该方法并不能保证全局最优,影响了整个RBF神经网络的学习性能,而模糊聚类将聚类生成的每个簇均看做模糊集合,通过隶属度来确定聚类关系,克服k-means算法强制聚类的不足。因此,本发明采用模糊聚类思想优化RBF神经网络基函数中心。
具体地,优化采后鲜食葡萄货架期预测模型的参数,包括:
S31、优化RBF神经网络的隐含层基函数的中心:
其中,i为类别,j为输入层节点,uij为输入层第j个节点属于类别i的隶属度;N为输入层节点个数,M为隐含层节点个数,γ为隶属度指数因子,||xj-ci||表示输入层节点到隐含层各个类中心的距离,xj为输入层节点的输入值,ci为隐含层类中心的输入值;
需要说明的是,在优化RBF神经网络的隐含层基函数的中心之前,首先根据本发明样本数据特点对其进行初始化,并求得隶属度和聚类中心。初始化公式为:
其中,i为类别,j为输入层节点,uij为输入层第j个节点属于类别i的隶属度,M为隐含层节点个数,xj为输入层节点的输入值,ci为隐含层类中心的输入值。
同时,优化RBF神经网络的隐含层基函数的宽度:
其中,σ为隐含层基函数的宽度,M为隐含层节点个数,||xj-ci||表示输入层节点到隐含层各个类中心的距离;
S32、建立目标函数,并将RBF神经网络的隐含层基函数的中心代入目标函数,以获取目标函数值;若任两次相邻迭代获取的目标函数值之差不大于上限值,将任两次相邻迭代的后一次迭代的中心作为RBF神经网络的隐含层基函数的中心,将后一次迭代的中心对应的宽度作为RBF神经网络的隐含层基函数的宽度:
||JL-JL-1||≤ε
J为目标函数值;i为类别,j为输入层节点,uij为输入层第j个节点属于第i类的隶属度;N为输入层节点个数,M为隐含层节点个数,γ为隶属度指数因子,||xj-ci||表示输入层节点到隐含层各个类中心的距离,xj为输入层节点的输入值,ci为隐含层类中心的输入值;L为迭代次数,ε为预先设定的上限值。
具体地,将uij和ci代入,求得J,若第L次迭代求得的JL与第L-1次迭代的的JL-1之差不大于ε,则第L次迭代对应的ci为RBF神经网络的隐含层基函数的中心,σ为RBF神经网络的隐含层基函数的宽度。
S33、采用遗传算法更新RBF神经网络的权值和阈值。
具体地,为了更好地提取数据样本的特征,提高预测精度,本发明实施例采用遗传算法对RBF神经网络的权值进行寻优,利用遗传算法的全局搜索和优化能力筛选出潜在的最优权值和阈值,得到符合要求的最佳参数组合。
基于上述实施例,步骤S33具体包括:
S331、采用浮点编码法初始化RBF神经网络的隐含层到输出层连接的权值和阈值;
具体地,本发明实施例的群体,即所有染色体的集合,记作:Ist,0≤Ist≤1,每个染色体均为目标函数可行解,即求解神经网络目标函数时,对应的权值和阈值是存在的。其中,s为种群个数,一般凭经验固定种群数目;t为每个种群个体中包含的染色体数目。例如,网络权值8个和阈值1个,即每个个体中染色体数目为9,其中,染色体个数表示隐含层到输出层的权值和阈值个数;种群个数表示所设定的一个数,是为了通过遗传算法不断优选种群,从而确定该种群所对应的染色体,即网络参数。
该步骤初始化RBF神经网络隐含层到输出层连接的权值和阈值参数取值范围为[0,1],且编码方式采用浮点编码法,该步骤不需要进行编码、解码的过程,提高了算法速度。
S332、建立适应度函数,根据适应度函数更新RBF神经网络的隐含层到输出层连接的权值和阈值。
具体地,遗传算法中以种群个体适应度的大小来评定染色体的适应程度,决定其遗传几率的大小。种群目标函数为均方差损失函数(MSE),优化网络权值和阈值参数的目的是使目标函数最小,由于目的是使神经网络目标函数值越小越好,因此取该值的倒数,也就是说目标值最小的时候,染色体个体适应度最大,因此种群个体适应度采用个体目标函数的倒数,各个个体适应度函数表示为:
其中,f(x)s为适应度函数,MSEs为个体目标函数。
基于上述实施例,根据适应度函数更新RBF神经网络的隐含层到输出层连接的权值和阈值,具体包括:
S3321、根据适应度函数,获取初始化的RBF神经网络的隐含层到输出层连接的权值和阈值被选择的概率;
具体地,将当前群体中适应度较高的个体优先遗传到下一代群体中。采用的选择算子为轮盘赌选择,一般染色体被选择的概率越大,越容易被选择作为母体(2个染色体)进行交叉运算。
其中,ps为各个种群个体被选择的概率,ps经计算变换后的所有个体概率之和为1;NP为种群个体数目。
S3322、利用交叉运算和变异运算更新RBF神经网络的隐含层到输出层连接的权值和阈值。
具体地,交叉运算是遗传算法中产生新个体的主要操作过程,通过两个高选择概率的个体组合交叉成多个个体。采用的交叉算子为单点交叉,通过随机设置交叉点位置,再相互交换个体不同位置的染色体配对成新的染色体。变异是对个体的某一个或某一些染色体进行改变,也是产生新个体的一种操作方法。采用的变异算子为基本位变异,通过随机确定各染色体变异位置再随机产生新的参数值。
基于上述实施例,图3为本发明实施例的一种采后鲜食葡萄货架期预测装置的结构示意图,如图3所示,本发明实施例还提供了一种采后鲜食葡萄货架期预测装置,该装置包括采集模块301和预测模块302,其中:
采集模块301,用于采集采后鲜食葡萄的影响指标;影响指标包括环境指标、感官指标、理化指标和微生物指标;
预测模块302,用于将影响指标输入至采后鲜食葡萄货架期预测模型,输出预测的采后鲜食葡萄货架期,采后鲜食葡萄货架期预测模型根据影响指标和影响指标对应的采后鲜食葡萄货架期进行训练后得到的。
具体地,影响采后鲜食葡萄的货架期包括多种影响指标,例如环境指标、感官指标、理化指标和微生物指标。因此,为了预测采后鲜食葡萄货架期,首先通过采集模块301采集采后鲜食葡萄的影响指标,然后预测模块302根据影响指标和影响指标对应的货架期建立鲜食葡萄货架期预测模型,再将影响指标输入鲜食葡萄货架期预测模型,获取预测的采后鲜食葡萄货架期。
需要说明的是,还可以为了研究波动环境温度条件下,将样本分别贮藏在恒温箱为点值温度例如0℃、5℃、10℃,或变温为室温波动范围例如15℃~30℃的温度环境中,果实间无挤压和碰撞,每种条件下保证实验样本足够,分别在各个温度环境下测量环境指标、感官指标和理化指标。
本发明实施例分析了影响采后鲜食葡萄货架期的主要因素,在环境指标、感官指标和理化指标的基础上采用层次分析法计算恒温和变温环境下的鲜食葡萄货架期,生成网络模型训练和测试数据。由此训练得到的鲜食葡萄货架期预测模型,能根据不同的影响指标准确预测采后鲜食葡萄货架期。
基于上述实施例,本发明实施例提供了一种电子设备,用于完成上述方法实施例中的采后鲜食葡萄货架期预测方法。图4为根据本发明一个优选实施方式的一种电子设备的结构示意图,如图4所示,该电子设备包括处理器401、存储器402和总线403。其中,处理器401和存储器402通过总线403完成相互间的通信。处理器401可以调用存储在存储器402上并可在处理器401上运行的的计算机程序,以执行上述各实施例提供的方法,例如包括:采集采后鲜食葡萄的影响指标;所述影响指标包括环境指标、感官指标、理化指标和微生物指标;将所述影响指标输入至采后鲜食葡萄货架期预测模型,输出预测的采后鲜食葡萄货架期,所述采后鲜食葡萄货架期预测模型根据所述影响指标和所述影响指标对应的采后鲜食葡萄货架期进行训练后得到的。
此外,上述的存储器402中的逻辑指令可以通过软件功能单元的形式实现并作为独立的产品销售或使用时,可以存储在一个计算机可读取存储介质中。基于这样的理解,本发明实施例的技术方案本质上或者说对现有技术做出贡献的部分或者该技术方案的部分可以以软件产品的形式体现出来,该计算机软件产品存储在一个存储介质中,包括若干指令用以使得一台计算机设备(可以是个人计算机,服务器,或者网络设备等)执行本发明各个实施例方法的全部或部分步骤。而前述的存储介质包括:U盘、移动硬盘、只读存储器(ROM,Read-Only Memory)、随机存取存储器(RAM,Random Access Memory)、磁碟或者光盘等各种可以存储程序代码的介质。
本发明实施例还提供了一种非暂态计算机可读存储介质,其上存储有计算机程序,该计算机程序使计算机执行对应实施例所提供的采后鲜食葡萄货架期预测方法,例如包括:采集采后鲜食葡萄的影响指标;所述影响指标包括环境指标、感官指标、理化指标和微生物指标;将所述影响指标输入至采后鲜食葡萄货架期预测模型,输出预测的采后鲜食葡萄货架期,所述采后鲜食葡萄货架期预测模型根据所述影响指标和所述影响指标对应的采后鲜食葡萄货架期进行训练后得到的。
本领域普通技术人员可以理解:实现上述方法实施例的全部或部分步骤可以通过程序指令相关的硬件来完成,前述的程序可以存储于一计算机可读取存储介质中,该程序在执行时,执行包括上述方法实施例的步骤;而前述的存储介质包括:ROM、RAM、磁碟或者光盘等各种可以存储程序代码的介质。
以上所描述的装置及设备等实施例仅仅是示意性的,其中作为分离部件说明的单元可以是或者也可以不是物理上分开的,作为单元显示的部件可以是或者也可以不是物理单元,即可以位于一个地方,或者也可以分布到多个网络单元上。可以根据实际的需要选择其中的部分或者全部模块来实现本实施例方案的目的。本领域普通技术人员在不付出创造性的劳动的情况下,即可以理解并实施。
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各实施方式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。基于这样的理解,上述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,该计算机软件产品可以存储在计算机可读存储介质中,如ROM/RAM、磁碟、光盘等,包括若干指令用以使得一台计算机设备(可以是个人计算机,服务器,或者网络设备等)执行各个实施例或者实施例的某些部分的方法。
最后应说明的是:以上实施例仅用以说明本发明的技术方案,而非对其限制;尽管参照前述实施例对本发明进行了详细的说明,本领域的普通技术人员应当理解:其依然可以对前述各实施例所记载的技术方案进行修改,或者对其中部分技术特征进行等同替换;而这些修改或者替换,并不使相应技术方案的本质脱离本发明各实施例技术方案的精神和范围。
Claims (10)
1.一种采后鲜食葡萄货架期预测方法,其特征在于,包括:
采集采后鲜食葡萄的影响指标;所述影响指标包括环境指标、感官指标、理化指标和微生物指标;
将所述影响指标输入至采后鲜食葡萄货架期预测模型,输出预测的采后鲜食葡萄货架期,所述采后鲜食葡萄货架期预测模型根据所述影响指标和所述影响指标对应的采后鲜食葡萄货架期进行训练后得到。
2.根据权利要求1所述的一种采后鲜食葡萄货架期预测方法,其特征在于,所述环境指标包括温度和相对湿度,所述感官指标包括外观、色泽、气味、香味、口感、质地和果梗,所述理化指标包括果皮硬度、果实PH值、可溶性固形物含量、果实失水率、腐烂率、落粒率和色差,所述微生物指标包括菌落总数。
3.根据权利要求1所述的一种采后鲜食葡萄货架期预测方法,其特征在于,所述采后鲜食葡萄货架期预测模型基于径向基函数RBF神经网络建立,所述采后鲜食葡萄货架期预测模型的建立过程包括:
S1、获取各个所述影响指标的权重;
S2、确定所述采后鲜食葡萄货架期预测模型的结构;
S3、确定所述采后鲜食葡萄货架期预测模型的参数。
4.根据权利要求3所述的一种采后鲜食葡萄货架期预测方法,其特征在于,步骤S1具体包括:
S11、根据所述影响指标构建判断矩阵,以判断各个所述影响指标的重要性程度;
S12、根据所述判断矩阵,计算各个所述指标的权值;
S13、根据各个所述指标的权值,检查并判断所述判断矩阵的思维一致性。
5.根据权利要求3所述的一种采后鲜食葡萄货架期预测方法,其特征在于,步骤S2具体包括:
S21、确定所述RBF神经网络的隐藏层的节点个数;
S22、确定所述RBF神经网络的隐藏层的径向基函数。
6.根据权利要求3所述的一种采后鲜食葡萄货架期预测方法,其特征在于,步骤S3具体包括:
S31、优化所述RBF神经网络的隐含层基函数的中心和宽度;
S32、建立目标函数,并将所述RBF神经网络的隐含层基函数的中心代入所述目标函数,以获取目标函数值;若任两次相邻迭代获取的所述目标函数值之差不大于上限值,将所述任两次相邻迭代的后一次迭代的中心作为所述RBF神经网络的隐含层基函数的中心,将所述后一次迭代的中心对应的宽度作为所述RBF神经网络的隐含层基函数的宽度;
S33、采用遗传算法更新所述RBF神经网络的权值和阈值。
7.根据权利要求6所述的一种采后鲜食葡萄货架期预测方法,其特征在于,步骤S33具体包括:
S331、采用浮点编码法初始化所述RBF神经网络的隐含层到输出层连接的权值和阈值;
S332、建立适应度函数,根据所述适应度函数更新所述RBF神经网络的隐含层到输出层连接的权值和阈值。
8.根据权利要求7所述的一种采后鲜食葡萄货架期预测方法,其特征在于,所述根据所述适应度函数更新所述RBF神经网络的隐含层到输出层连接的权值和阈值,具体包括:
S3321、根据所述适应度函数,获取初始化的所述RBF神经网络的隐含层到输出层连接的权值和阈值被选择的概率;
S3322、利用交叉运算和变异运算更新所述RBF神经网络的隐含层到输出层连接的权值和阈值。
9.一种采后鲜食葡萄货架期预测装置,其特征在于,包括:
采集模块,用于采集采后鲜食葡萄的影响指标;所述影响指标包括环境指标、感官指标、理化指标和微生物指标;
预测模块,用于将所述影响指标输入至采后鲜食葡萄货架期预测模型,输出预测的采后鲜食葡萄货架期,所述采后鲜食葡萄货架期预测模型根据所述影响指标和所述影响指标对应的采后鲜食葡萄货架期进行训练后得到的。
10.一种电子设备,包括:存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序,其特征在于,所述处理器执行所述程序时实现如权利要求1至8任一项所述采后鲜食葡萄货架期预测方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201811633661.2A CN109816150A (zh) | 2018-12-29 | 2018-12-29 | 一种采后鲜食葡萄货架期预测方法及装置 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201811633661.2A CN109816150A (zh) | 2018-12-29 | 2018-12-29 | 一种采后鲜食葡萄货架期预测方法及装置 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN109816150A true CN109816150A (zh) | 2019-05-28 |
Family
ID=66602697
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201811633661.2A Pending CN109816150A (zh) | 2018-12-29 | 2018-12-29 | 一种采后鲜食葡萄货架期预测方法及装置 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN109816150A (zh) |
Cited By (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110796316A (zh) * | 2019-11-08 | 2020-02-14 | 中国科学院华南植物园 | 一种果蔬货架期和品质的预测方法 |
CN111191773A (zh) * | 2020-01-07 | 2020-05-22 | 泰康保险集团股份有限公司 | 更新信息预测网络的网络参数的方法、装置、介质及设备 |
CN111239516A (zh) * | 2020-01-19 | 2020-06-05 | 广东电网有限责任公司计量中心 | 一种互感器寿命预测方法及装置 |
CN112098596A (zh) * | 2020-07-21 | 2020-12-18 | 黄山美行美食品科技股份有限公司 | 自热食品货架期预测方法、装置、计算机设备和存储介质 |
CN112884234A (zh) * | 2021-03-04 | 2021-06-01 | 电子科技大学 | 大功率毫米波回旋行波管功率模块最优工作参数搜索方法 |
CN113447084A (zh) * | 2021-08-31 | 2021-09-28 | 季华实验室 | 预估食品货架期的检测装置、系统、方法和存储介质 |
CN115184395A (zh) * | 2022-05-25 | 2022-10-14 | 北京市农林科学院信息技术研究中心 | 果蔬失重率预测方法、装置、电子设备及存储介质 |
Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
KR20140000601A (ko) * | 2012-06-25 | 2014-01-03 | 수원대학교산학협력단 | 알지비더블유 엘이디를 이용한 감성조명 시스템 제어 방법 |
CN106779151A (zh) * | 2016-11-14 | 2017-05-31 | 中南大学 | 一种高速铁路沿线风速多点多层耦合预测方法 |
CN107194025A (zh) * | 2017-04-13 | 2017-09-22 | 上海机电工程研究所 | 基于橡胶结构的动密封装置及其设计方法 |
CN108254513A (zh) * | 2017-12-22 | 2018-07-06 | 北京农业信息技术研究中心 | 一种鱼类货架期的判断方法及装置 |
-
2018
- 2018-12-29 CN CN201811633661.2A patent/CN109816150A/zh active Pending
Patent Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
KR20140000601A (ko) * | 2012-06-25 | 2014-01-03 | 수원대학교산학협력단 | 알지비더블유 엘이디를 이용한 감성조명 시스템 제어 방법 |
CN106779151A (zh) * | 2016-11-14 | 2017-05-31 | 中南大学 | 一种高速铁路沿线风速多点多层耦合预测方法 |
CN107194025A (zh) * | 2017-04-13 | 2017-09-22 | 上海机电工程研究所 | 基于橡胶结构的动密封装置及其设计方法 |
CN108254513A (zh) * | 2017-12-22 | 2018-07-06 | 北京农业信息技术研究中心 | 一种鱼类货架期的判断方法及装置 |
Non-Patent Citations (6)
Title |
---|
LIM ENG AIK: ""An Improved Fast Training Algorithm for RBF Networks Using Symmetry-Based Fuzzy C-Means Clustering"", 《MATEMATIKA》 * |
史策 等: ""水产品货架期预测模型的研究进展"", 《食品科学》 * |
孟令冉 等: ""我国农产品交易网站评价指标体系构建与实证分析"", 《山东农业大学学报(社会科学版)》 * |
张永志 等: ""基于模糊C均值聚类的模糊RBF神经网络预测焊接接头力学性能建模"", 《机械工程学报》 * |
杨剑 等: ""基于遗传算法的模糊RBF神经网络对遥感图像分类"", 《小型微型计算机系统》 * |
毛茗茗: ""基于KPCA-FCM的工业过程故障检测与诊断"", 《中国优秀硕士学位论文全文数据库 工程科技Ⅰ辑》 * |
Cited By (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110796316A (zh) * | 2019-11-08 | 2020-02-14 | 中国科学院华南植物园 | 一种果蔬货架期和品质的预测方法 |
CN111191773A (zh) * | 2020-01-07 | 2020-05-22 | 泰康保险集团股份有限公司 | 更新信息预测网络的网络参数的方法、装置、介质及设备 |
CN111239516A (zh) * | 2020-01-19 | 2020-06-05 | 广东电网有限责任公司计量中心 | 一种互感器寿命预测方法及装置 |
CN112098596A (zh) * | 2020-07-21 | 2020-12-18 | 黄山美行美食品科技股份有限公司 | 自热食品货架期预测方法、装置、计算机设备和存储介质 |
CN112098596B (zh) * | 2020-07-21 | 2022-09-20 | 黄山美行美食品科技股份有限公司 | 自热食品货架期预测方法、装置、计算机设备和存储介质 |
CN112884234A (zh) * | 2021-03-04 | 2021-06-01 | 电子科技大学 | 大功率毫米波回旋行波管功率模块最优工作参数搜索方法 |
CN113447084A (zh) * | 2021-08-31 | 2021-09-28 | 季华实验室 | 预估食品货架期的检测装置、系统、方法和存储介质 |
CN115184395A (zh) * | 2022-05-25 | 2022-10-14 | 北京市农林科学院信息技术研究中心 | 果蔬失重率预测方法、装置、电子设备及存储介质 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN109816150A (zh) | 一种采后鲜食葡萄货架期预测方法及装置 | |
CN103105246A (zh) | 一种基于遗传算法改进的bp神经网络的温室环境预测反馈方法 | |
CN107273445A (zh) | 一种大数据分析中缺失数据混合多重插值的装置和方法 | |
CN110059852A (zh) | 一种基于改进随机森林算法的股票收益率预测方法 | |
CN102183621A (zh) | 水产养殖溶解氧浓度在线预测方法及系统 | |
CN109214579B (zh) | 基于bp神经网络的盐碱地稳定性预测方法及系统 | |
CN110059887B (zh) | 基于自适应遗传算法的bp神经网络风险识别方法及系统 | |
CN108805193A (zh) | 一种基于混合策略的电力缺失数据填充方法 | |
CN110472840A (zh) | 一种基于神经网络技术的农业水利调度方法及系统 | |
CN109242558A (zh) | 一种基于神经网络的经营数据预测方法、可读存储介质和预测系统 | |
Araghinejad et al. | Application of data-driven models in drought forecasting | |
CN109919356A (zh) | 一种基于bp神经网络区间需水预测方法 | |
CN105184400A (zh) | 一种烟田土壤水分预测方法 | |
CN107918837A (zh) | 一种果蔬类食品安全风险预测方法 | |
CN107481135A (zh) | 一种基于bp神经网络的个人信用评价方法及系统 | |
CN105184415A (zh) | 一种配电网络重构设计方法 | |
Hasmita et al. | Chili commodity price forecasting in bandung regency using the adaptive synthetic sampling (ADASYN) and K-Nearest neighbor (KNN) algorithms | |
CN110298506A (zh) | 一种城市建设水平预测系统 | |
Barile et al. | Identification of production area of Ossolano Italian cheese with chemometric complex approach | |
CN108876480A (zh) | 基于多源数据的大宗农产品价格趋势预测方法 | |
CN112529684A (zh) | 一种基于fwa_dbn的客户信用评估方法及系统 | |
Shen | Testing for herding behaviour among energy sectors in Chinese stock exchange | |
Finger et al. | Friendship between banks: An application of an actor-oriented model of network formation on interbank credit relations | |
Yang et al. | A comparison of US and Chinese financial market microstructure: heterogeneous agent-based multi-asset artificial stock markets approach | |
CN110288159A (zh) | 一种智慧城市建设测度方法 |
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 | ||
RJ01 | Rejection of invention patent application after publication |
Application publication date: 20190528 |
|
RJ01 | Rejection of invention patent application after publication |