CN110210684B - 粮食加工方案优化方法、装置、设备及存储介质 - Google Patents

粮食加工方案优化方法、装置、设备及存储介质 Download PDF

Info

Publication number
CN110210684B
CN110210684B CN201910508426.0A CN201910508426A CN110210684B CN 110210684 B CN110210684 B CN 110210684B CN 201910508426 A CN201910508426 A CN 201910508426A CN 110210684 B CN110210684 B CN 110210684B
Authority
CN
China
Prior art keywords
preset
grain
processing
data
target
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
CN201910508426.0A
Other languages
English (en)
Other versions
CN110210684A (zh
Inventor
何鑫
周康
杨华
刘江蓉
刘朔
尹明君
江法霖
姚钊
方浩铖
邹艺琳
薛维
胡龙
镇依婷
叶林
代卓尔
刘晓
周佳鹏
余龙
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.)
Hefei Wisdom Dragon Machinery Design Co ltd
Original Assignee
Wuhan Polytechnic University
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 Wuhan Polytechnic University filed Critical Wuhan Polytechnic University
Priority to CN201910508426.0A priority Critical patent/CN110210684B/zh
Publication of CN110210684A publication Critical patent/CN110210684A/zh
Application granted granted Critical
Publication of CN110210684B publication Critical patent/CN110210684B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
    • G06F16/20—Information retrieval; Database structures therefor; File system structures therefor of structured data, e.g. relational data
    • G06F16/24—Querying
    • G06F16/245—Query processing
    • 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
    • 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
    • G06Q10/0631—Resource planning, allocation, distributing or scheduling for enterprises or organisations
    • G06Q10/06312—Adjustment or analysis of established resource schedule, e.g. resource or task levelling, or dynamic rescheduling
    • 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
    • G06Q10/0631—Resource planning, allocation, distributing or scheduling for enterprises or organisations
    • G06Q10/06313—Resource planning in a project environment
    • 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
    • Y02D—CLIMATE CHANGE MITIGATION TECHNOLOGIES IN INFORMATION AND COMMUNICATION TECHNOLOGIES [ICT], I.E. INFORMATION AND COMMUNICATION TECHNOLOGIES AIMING AT THE REDUCTION OF THEIR OWN ENERGY USE
    • Y02D10/00—Energy efficient computing, e.g. low power processors, power management or thermal management
    • 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)
  • Engineering & Computer Science (AREA)
  • Human Resources & Organizations (AREA)
  • Economics (AREA)
  • Strategic Management (AREA)
  • Entrepreneurship & Innovation (AREA)
  • Theoretical Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Operations Research (AREA)
  • Quality & Reliability (AREA)
  • Tourism & Hospitality (AREA)
  • Game Theory and Decision Science (AREA)
  • General Business, Economics & Management (AREA)
  • Development Economics (AREA)
  • Marketing (AREA)
  • Educational Administration (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Biodiversity & Conservation Biology (AREA)
  • Computational Linguistics (AREA)
  • Data Mining & Analysis (AREA)
  • Databases & Information Systems (AREA)
  • General Engineering & Computer Science (AREA)
  • Management, Administration, Business Operations System, And Electronic Commerce (AREA)

Abstract

本发明公开了一种粮食加工方案优化方法、装置、设备及存储介质，通过获取目标加工环节的当前粮食数据，将当前粮食数据代入预设粮食预测模型中，获得粮食预测期望值；通过预设数据包络分析模型对预测期望值进行有效性评价，并根据评价结果确定粮食预测期望值中是否包含异常加工数据；在粮食预测期望值中包含异常加工数据时，从预设加工调整表中查找到与异常加工数据对应的加工调整参数，并根据加工调整参数对目标加工环节进行调整，能够精确地预测粮食加工过程中产生的浪费，并结合数据包络分析算法得到的最优生产方式，对其进行优化，从而减少了加工过程中物料和能源上的损失和浪费，减少了生产成本，提高了收益。

Description

粮食加工方案优化方法、装置、设备及存储介质
技术领域
本发明涉及粮食加工领域，尤其涉及一种粮食加工方案优化方法、装置、设备及存储介质。
背景技术
现有的粮食生产加工管理信息系统只是有效利用粮食加工过程中产生各种的数据，只起到一个监督和管理的作用，不能对提高生产效能、减少加工环节的损失浪费提供分析和优化；同时大规模的粮食加工企业对加工过程考虑实施了自动化监控和管理，也收集了大量生产过程中的数据，但是缺少对数据的有效分析，无法提升生产效率，并减少粮食加工环节的损失浪费。
发明内容
本发明的主要目的在于提供一种粮食加工方案优化方法、装置、设备及存储介质，旨在解决现有技术中缺乏对粮食生产数据的有效分析，无法提升生产效率，并减少粮食加工环节的损失浪费的技术问题。
为实现上述目的，本发明提供一种粮食加工方案优化方法，所述粮食加工方案优化方法包括以下步骤：
获取目标加工环节的当前粮食数据，将所述当前粮食数据代入预设粮食预测模型中，获得粮食预测期望值；
从预设粮食加工数据库中获取与所述目标加工环节对应的预设加工方案数据，根据所述预设加工方案数据建立预设数据包络分析模型；
通过预设数据包络分析模型对所述预测期望值进行有效性评价，并根据评价结果确定所述粮食预测期望值中是否包含异常加工数据；
在所述粮食预测期望值中包含异常加工数据时，从预设加工调整表中查找到与所述异常加工数据对应的加工调整参数，并根据所述加工调整参数对所述目标加工环节进行调整。
优选地，所述获取目标加工环节的当前粮食数据，将所述当前粮食数据代入预设粮食预测模型中，获得粮食预测期望值，具体包括：
获取目标加工环节的当前粮食数据，对所述当前粮食数据进行分析，获得所述当前粮食数据对应的目标粮食品种；
从预设粮食数据库中获取与所述目标粮食品种对应的历史加工消费数据；
根据所述历史加工消费数据确定预设曲线拟合函数；
根据所述预设曲线拟合函数生成预设粮食预测模型；
将所述当前粮食数据代入预设粮食预测模型中，获得粮食预测期望值。
优选地，所述根据所述历史加工消费数据确定预设曲线拟合函数，具体包括：
获取所述历史加工消费数据对应的自变量向量集合和因变量向量集合；
根据预设参数向量对所述自变量向量集合和所述因变量向量集合中的各向量进行线性回归，并利用最小二乘法确定预设曲线拟合函数。
优选地，所述根据预设参数向量对所述自变量向量集合和所述因变量向量集合中的各向量进行线性回归，并利用最小二乘法确定预设曲线拟合函数，具体包括：
获取所述自变量向量集合和所述因变量向量集合中的各向量，根据预设参数向量通过下式进行线性回归：
y＝a0xL+a1xL-1+...+an+1x0,A＝{a0,a1,...an+1}
其中，x属于所述自变量向量集合中的向量，y属于所述因变量向量集合中的向量，A为预设参数向量的集合，即y＝A*x，a0,a1,...an+1为预设参数向量，L为预设曲线拟合函数自变量最高阶数；
相应地，利用最小二乘法通过下式获得目标关系函数，将所述目标关系函数作为预设曲线拟合函数：
A＝(x-Tx)-1xTy
其中，T为置换矩阵的置换符号。
优选地，所述从预设粮食加工数据库中获取与所述目标加工环节对应的预设加工方案数据，根据所述预设加工方案数据建立预设数据包络分析模型，具体包括：
从预设粮食加工数据库中获取与所述目标加工环节对应的预设加工方案数据，并将所述预设加工方案数据中每一条加工数据作为一个决策单元；
获取各决策单元的输入权重向量和输出权重向量，根据预设投入指标权重、预设产出指标权重、输入权重向量和输出权重向量确定各决策单元的效率评价指标；
根据各效率评价指标建立预设数据包络分析模型。
优选地，通过下式确定各决策单元的效率评价指标，并从各效率评价指标中获取最优预设投入指标权重和最优预设产出指标权重：
Figure BDA0002091441580000031
其中h0为效率评价指标，q为产出指标总数，q为投入指标总数，uj为第j种预设投入指标权重，vi为第i种预设产出指标权重，
Figure BDA0002091441580000032
为第k0种决策单元的第j项产出，
Figure BDA0002091441580000033
为第k0种决策单元的第i项投入，k0为决策单元；
相应地，根据所述最优预设投入指标权重和所述最优预设产出指标权重通过下式构建预设数据包络分析模型：
Figure BDA0002091441580000034
(k0＝1,2,...n；uj,vi≥0,j＝1,2,...q；i＝1,2,...p)
其中，S.t.表示受约束于，q为产出指标总数，q为投入指标总数，uj为第j种预设投入指标权重，vi为第i种预设产出指标权重，
Figure BDA0002091441580000035
为第k0种决策单元的第j项产出，
Figure BDA0002091441580000036
为第k0种决策单元的第i项投入，k0为决策单元。
优选地，所述在所述粮食预测期望值中包含异常加工数据时，从预设加工调整表中查找到与所述异常加工数据对应的加工调整参数，并根据所述加工调整参数对所述目标加工环节进行调整，具体包括：
在所述粮食预测期望值中包含异常加工数据时，接收用户输入的预选待查询指标，从所述预设指标数据库中获取与所述预先待查询指标对应的指标数据；
根据所述指标数据生成对应的向量集，从所述向量集中选取若干个向量作为初始质心；
计算剩余所有向量分别到各初始质心的欧式距离；
将各向量与各向量对应的欧式距离最短的初始质心构成分类为一个集合，对所有向量进行分类，获得当前分类集合；
计算并更新所述当前分类集合中的质心，并返回所述计算剩余所有向量分别到各初始质心的欧式距离的步骤，直至最近两次计算的质心相同，将所述当前分类集合作为最终分类集合；
获取所述异常加工数据对应的目标向量，从所述最终分类集合中获取与所述目标向量匹配的目标分类集合；
根据所述目标分类结合确定所述异常加工数据对应的目标类别；
从预设加工调整表中查找到与所述目标类别对应的加工调整参数，根据所述加工调整参数对所述目标加工环节进行调整。
此外，为实现上述目的，本发明还提出一种粮食加工方案优化设备，所述粮食加工方案优化设备包括：存储器、处理器及存储在所述存储器上并可在所述处理器上运行的粮食加工方案优化程序，所述粮食加工方案优化程序配置为实现如上文所述的粮食加工方案优化方法的步骤。
此外，为实现上述目的，本发明还提出一种存储介质，所述存储介质上存储有粮食加工方案优化程序，所述粮食加工方案优化程序被处理器执行时实现如上文所述的粮食加工方案优化方法的步骤。
此外，为实现上述目的，本发明还提供一种粮食加工方案优化装置，所述粮食加工方案优化装置包括：
期望值获取模块，用于获取目标加工环节的当前粮食数据，将所述当前粮食数据代入预设粮食预测模型中，获得粮食预测期望值；
模型建立模块，用于从预设粮食加工数据库中获取与所述目标加工环节对应的预设加工方案数据，根据所述预设加工方案数据建立预设数据包络分析模型；
评价模块，用于通过预设数据包络分析模型对所述预测期望值进行有效性评价，并根据评价结果确定所述粮食预测期望值中是否包含异常加工数据；
调整模块，用于在所述粮食预测期望值中包含异常加工数据时，从预设加工调整表中查找到与所述异常加工数据对应的加工调整参数，并根据所述加工调整参数对所述目标加工环节进行调整。
本发明提出的粮食加工方案优化方法，通过获取目标加工环节的当前粮食数据，将所述当前粮食数据代入预设粮食预测模型中，获得粮食预测期望值；从预设粮食加工数据库中获取与所述目标加工环节对应的预设加工方案数据，根据所述预设加工方案数据建立预设数据包络分析模型；通过预设数据包络分析模型对所述预测期望值进行有效性评价，并根据评价结果确定所述粮食预测期望值中是否包含异常加工数据；在所述粮食预测期望值中包含异常加工数据时，从预设加工调整表中查找到与所述异常加工数据对应的加工调整参数，并根据所述加工调整参数对所述目标加工环节进行调整，能够精确地预测粮食加工过程中产生的浪费，并结合数据包络分析算法得到的最优生产方式，对其进行优化，从而减少了加工过程中物料和能源上的损失和浪费，减少了生产成本，提高了收益。
附图说明
图1为本发明实施例方案涉及的硬件运行环境的粮食加工方案优化设备结构示意图；
图2为本发明粮食加工方案优化方法第一实施例的流程示意图；
图3为本发明粮食加工方案优化方法第二实施例的流程示意图；
图4为本发明粮食加工方案优化方法第三实施例的流程示意图；
图5为本发明粮食加工方案优化装置第一实施例的功能模块图。
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。
本发明实施例的解决方案主要是：本发明通过获取目标加工环节的当前粮食数据，将所述当前粮食数据代入预设粮食预测模型中，获得粮食预测期望值；从预设粮食加工数据库中获取与所述目标加工环节对应的预设加工方案数据，根据所述预设加工方案数据建立预设数据包络分析模型；通过预设数据包络分析模型对所述预测期望值进行有效性评价，并根据评价结果确定所述粮食预测期望值中是否包含异常加工数据；在所述粮食预测期望值中包含异常加工数据时，从预设加工调整表中查找到与所述异常加工数据对应的加工调整参数，并根据所述加工调整参数对所述目标加工环节进行调整，能够精确地预测粮食加工过程中产生的浪费，并结合数据包络分析算法得到的最优生产方式，对其进行优化，从而减少了加工过程中物料和能源上的损失和浪费，减少了生产成本，提高了收益，解决了现有技术中缺乏对粮食生产数据的有效分析，无法提升生产效率，并减少粮食加工环节的损失浪费的技术问题。
参照图1，图1为本发明实施例方案涉及的硬件运行环境的粮食加工方案优化设备结构示意图。
如图1所示，该粮食加工方案优化设备可以包括：处理器1001，例如中央处理器(Central Processing Unit，CPU)，通信总线1002、用户接口1003，网络接口1004，存储器1005。其中，通信总线1002用于实现这些组件之间的连接通信。用户接口1003可以包括标准的有线接口、无线接口。网络接口1004可选的可以包括标准的有线接口、无线接口(如无线保真(WIreless-FIdelity，WI-FI)接口)。存储器1005可以是高速的随机存取存储器(Random Access Memory，RAM)存储器，也可以是稳定的存储器(Non-volatile Memory，NVM)，例如磁盘存储器。存储器1005可选的还可以是独立于前述处理器1001的存储装置。
本领域技术人员可以理解，图1中示出的粮食加工方案优化设备结构并不构成对该粮食加工方案优化设备的限定，可以包括比图示更多或更少的部件，或者组合某些部件，或者不同的部件布置。
如图1所示，作为一种存储介质的存储器1005中可以包括操作系统、网络通信模块、用户端接口模块以及粮食加工方案优化程序。
本发明粮食加工方案优化设备通过处理器1001调用存储器1005中存储的粮食加工方案优化程序，并执行以下操作：
获取目标加工环节的当前粮食数据，将所述当前粮食数据代入预设粮食预测模型中，获得粮食预测期望值；
从预设粮食加工数据库中获取与所述目标加工环节对应的预设加工方案数据，根据所述预设加工方案数据建立预设数据包络分析模型；
通过预设数据包络分析模型对所述预测期望值进行有效性评价，并根据评价结果确定所述粮食预测期望值中是否包含异常加工数据；
在所述粮食预测期望值中包含异常加工数据时，从预设加工调整表中查找到与所述异常加工数据对应的加工调整参数，并根据所述加工调整参数对所述目标加工环节进行调整。
进一步地，处理器1001可以调用存储器1005中存储的粮食加工方案优化程序，还执行以下操作：
获取目标加工环节的当前粮食数据，对所述当前粮食数据进行分析，获得所述当前粮食数据对应的目标粮食品种；
从预设粮食数据库中获取与所述目标粮食品种对应的历史加工消费数据；
根据所述历史加工消费数据确定预设曲线拟合函数；
根据所述预设曲线拟合函数生成预设粮食预测模型；
将所述当前粮食数据代入预设粮食预测模型中，获得粮食预测期望值。
进一步地，处理器1001可以调用存储器1005中存储的粮食加工方案优化程序，还执行以下操作：
获取所述历史加工消费数据对应的自变量向量集合和因变量向量集合；
根据预设参数向量对所述自变量向量集合和所述因变量向量集合中的各向量进行线性回归，并利用最小二乘法确定预设曲线拟合函数。
进一步地，处理器1001可以调用存储器1005中存储的粮食加工方案优化程序，还执行以下操作：
获取所述自变量向量集合和所述因变量向量集合中的各向量，根据预设参数向量通过下式进行线性回归：
y＝a0xL+a1xL-1+...+an+1x0,A＝{a0,a1,...an+1}
其中，x属于所述自变量向量集合中的向量，y属于所述因变量向量集合中的向量，A为预设参数向量的集合，即y＝A*x，a0,a1,...an+1为预设参数向量，L为预设曲线拟合函数自变量最高阶数；
相应地，利用最小二乘法通过下式获得目标关系函数，将所述目标关系函数作为预设曲线拟合函数：
A＝(x-Tx)-1xTy
其中，T为置换矩阵的置换符号。
进一步地，处理器1001可以调用存储器1005中存储的粮食加工方案优化程序，还执行以下操作：
从预设粮食加工数据库中获取与所述目标加工环节对应的预设加工方案数据，并将所述预设加工方案数据中每一条加工数据作为一个决策单元；
获取各决策单元的输入权重向量和输出权重向量，根据预设投入指标权重、预设产出指标权重、输入权重向量和输出权重向量确定各决策单元的效率评价指标；
根据各效率评价指标建立预设数据包络分析模型。
进一步地，处理器1001可以调用存储器1005中存储的粮食加工方案优化程序，还执行以下操作：
通过下式确定各决策单元的效率评价指标，并从各效率评价指标中获取最优预设投入指标权重和最优预设产出指标权重：
Figure BDA0002091441580000081
其中h0为效率评价指标，q为产出指标总数，q为投入指标总数，uj为第j种预设投入指标权重，vi为第i种预设产出指标权重，
Figure BDA0002091441580000082
为第k0种决策单元的第j项产出，
Figure BDA0002091441580000083
为第k0种决策单元的第i项投入，k0为决策单元；
相应地，根据所述最优预设投入指标权重和所述最优预设产出指标权重通过下式构建预设数据包络分析模型：
Figure BDA0002091441580000084
(k0＝1,2,...n；uj,vi≥0,j＝1,2,...q；i＝1,2,...p)
其中，S.t.表示受约束于，q为产出指标总数，q为投入指标总数，uj为第j种预设投入指标权重，vi为第i种预设产出指标权重，
Figure BDA0002091441580000091
为第k0种决策单元的第j项产出，
Figure BDA0002091441580000092
为第k0种决策单元的第i项投入，k0为决策单元。
进一步地，处理器1001可以调用存储器1005中存储的粮食加工方案优化程序，还执行以下操作：
在所述粮食预测期望值中包含异常加工数据时，接收用户输入的预选待查询指标，从所述预设指标数据库中获取与所述预先待查询指标对应的指标数据；
根据所述指标数据生成对应的向量集，从所述向量集中选取若干个向量作为初始质心；
计算剩余所有向量分别到各初始质心的欧式距离；
将各向量与各向量对应的欧式距离最短的初始质心构成分类为一个集合，对所有向量进行分类，获得当前分类集合；
计算并更新所述当前分类集合中的质心，并返回所述计算剩余所有向量分别到各初始质心的欧式距离的步骤，直至最近两次计算的质心相同，将所述当前分类集合作为最终分类集合；
获取所述异常加工数据对应的目标向量，从所述最终分类集合中获取与所述目标向量匹配的目标分类集合；
根据所述目标分类结合确定所述异常加工数据对应的目标类别；
从预设加工调整表中查找到与所述目标类别对应的加工调整参数，根据所述加工调整参数对所述目标加工环节进行调整。
本实施例通过上述方案，通过获取目标加工环节的当前粮食数据，将所述当前粮食数据代入预设粮食预测模型中，获得粮食预测期望值；从预设粮食加工数据库中获取与所述目标加工环节对应的预设加工方案数据，根据所述预设加工方案数据建立预设数据包络分析模型；通过预设数据包络分析模型对所述预测期望值进行有效性评价，并根据评价结果确定所述粮食预测期望值中是否包含异常加工数据；在所述粮食预测期望值中包含异常加工数据时，从预设加工调整表中查找到与所述异常加工数据对应的加工调整参数，并根据所述加工调整参数对所述目标加工环节进行调整，能够精确地预测粮食加工过程中产生的浪费，并结合数据包络分析算法得到的最优生产方式，对其进行优化，从而减少了加工过程中物料和能源上的损失和浪费，减少了生产成本，提高了收益。
基于上述硬件结构，提出本发明粮食加工方案优化方法实施例。
参照图2，图2为本发明粮食加工方案优化方法第一实施例的流程示意图。
在第一实施例中，所述粮食加工方案优化方法包括以下步骤：
步骤S10、获取目标加工环节的当前粮食数据，将所述当前粮食数据代入预设粮食预测模型中，获得粮食预测期望值。
需要说明的是，在粮食加工过程中，不同的加工环节会产生不同的数据，所述目标加工环节为预先设置的需要进行监督和管理的加工环节，所述预设粮食预测模型为预先设置的用于对某个加工环节的未来某一时刻的粮食数据进行预测的模型，通过将所述当前粮食数据代入预设粮食预测模型中，可以获得粮食预测期望值，也可以是通过预设查询表查询所述当前粮食数据对应的粮食预测期望值，当然还可以是通过其他方式获得粮食预测期望值，本实施例对此不加以限制。
步骤S20、从预设粮食加工数据库中获取与所述目标加工环节对应的预设加工方案数据，根据所述预设加工方案数据建立预设数据包络分析模型。
可以理解的是，所述预设粮食加工数据库为预先设置的用于存储各个粮食加工环节对应的预设加工方案数据的数据库，通过所述预设粮食加工数据库可以获得与所述目标加工环节对应的预设加工方案数据，根据所述预设加工方案数据可以建立预设数据包络分析模型。
步骤S30、通过预设数据包络分析模型对所述预测期望值进行有效性评价，并根据评价结果确定所述粮食预测期望值中是否包含异常加工数据。
应当理解的是，通过预设数据包络分析模型对所述预测期望值进行有效性评价，即对所述预测期望值的准确性进行评价，通过生成的评价结果可以确定所述粮食预测期望值中是否有异常加工数据，根据是否有所述异常加工数据可以确定当前的加工方案是否合理，进而为后续加工方案的调整做准备。
步骤S40、在所述粮食预测期望值中包含异常加工数据时，从预设加工调整表中查找到与所述异常加工数据对应的加工调整参数，并根据所述加工调整参数对所述目标加工环节进行调整。
可以理解的是，所述预设加工调整表为预先设置的用于反映不同异常加工数据和不同加工调整参数的映射表，通过所述预设加工调整表可以获得与所述异常加工数据对应的加工调整参数，进而可以根据所述加工调整参数对所述目标加工环节进行调整，由此可以减少粮食加工环节的粮食损耗，提高粮食加工和转化副产物综合利用率。
进一步地，所述步骤S40具体包括以下步骤：
在所述粮食预测期望值中包含异常加工数据时，接收用户输入的预选待查询指标，从所述预设指标数据库中获取与所述预先待查询指标对应的指标数据；
根据所述指标数据生成对应的向量集，从所述向量集中选取若干个向量作为初始质心；
计算剩余所有向量分别到各初始质心的欧式距离；
将各向量与各向量对应的欧式距离最短的初始质心构成分类为一个集合，对所有向量进行分类，获得当前分类集合；
计算并更新所述当前分类集合中的质心，并返回所述计算剩余所有向量分别到各初始质心的欧式距离的步骤，直至最近两次计算的质心相同，将所述当前分类集合作为最终分类集合；
获取所述异常加工数据对应的目标向量，从所述最终分类集合中获取与所述目标向量匹配的目标分类集合；
根据所述目标分类结合确定所述异常加工数据对应的目标类别；
从预设加工调整表中查找到与所述目标类别对应的加工调整参数，根据所述加工调整参数对所述目标加工环节进行调整。
需要说明的是，通过确定异常加工数据对应的目标类别，可以确定对应的加工调整参数，进而进行精确调整，所述异常加工数据的类别包括但不限于预设指标与加工精度、碎米率及脱水率结合的类别等，如果企业遇到需要减产止损的情况，这需要停下部分的加工流程，用户可以从已分类的信息中合理判断需要停产哪一道对应的加工流水线，从而保证粮食加工更加科学有效。
本实施例通过上述方案，通过获取目标加工环节的当前粮食数据，将所述当前粮食数据代入预设粮食预测模型中，获得粮食预测期望值；从预设粮食加工数据库中获取与所述目标加工环节对应的预设加工方案数据，根据所述预设加工方案数据建立预设数据包络分析模型；通过预设数据包络分析模型对所述预测期望值进行有效性评价，并根据评价结果确定所述粮食预测期望值中是否包含异常加工数据；在所述粮食预测期望值中包含异常加工数据时，从预设加工调整表中查找到与所述异常加工数据对应的加工调整参数，并根据所述加工调整参数对所述目标加工环节进行调整，能够精确地预测粮食加工过程中产生的浪费，并结合数据包络分析算法得到的最优生产方式，对其进行优化，从而减少了加工过程中物料和能源上的损失和浪费，减少了生产成本，提高了收益。
进一步地，图3为本发明粮食加工方案优化方法第二实施例的流程示意图，如图3所示，基于第一实施例提出本发明粮食加工方案优化方法第二实施例，在本实施例中，所述步骤S10，具体包括以下步骤：
步骤S11、获取目标加工环节的当前粮食数据，对所述当前粮食数据进行分析，获得所述当前粮食数据对应的目标粮食品种。
可以理解的是，通过对所述目标加工环节的当前粮食数据进行分析，可以获得当前粮食数据对应粮食品种，不同的粮食数据对应不同的粮食品种，即不同的粮食类型。
步骤S12、从预设粮食数据库中获取与所述目标粮食品种对应的历史加工消费数据。
应当理解的是，所述预设粮食数据库为预先设置的用于记录各粮食生产加工及消费的历史数据的数据库，从所述预设粮食数据库中可以获取与所述目标粮食品种对应的历史加工数据；所述预设粮食数据库的数据来源可以是由粮食加工业数据和消费者市场数据导入；所述粮食加工业数据可以来自全国粮食加工企业样本点的定期采样，具体指标包括但不限于原料品种、入库时间、抽样地区、加工类型、加工设备及加工方案等；所述消费者市场数据可以来自消费者们发起的粮食加工产品认知与市场定期调查，问卷是选择题形式，包含但不限于：产品购买经历、对粮食加工产品的认知与购买决策、对粮油产品的需求调查及被调查者的人口统计学特征等。
步骤S13、根据所述历史加工消费数据确定预设曲线拟合函数。
可以理解的是，根据所述历史加工消费数据可以确定反映不同时间点的加工消费数据的预设曲线拟合函数。
进一步地，所述步骤S13具体包括以下步骤：
获取所述历史加工消费数据对应的自变量向量集合和因变量向量集合；
根据预设参数向量对所述自变量向量集合和所述因变量向量集合中的各向量进行线性回归，并利用最小二乘法确定预设曲线拟合函数。
应当理解的是，通过对所述历史加工消费数据进行分析，可以获得自变量向量集合和对应的因变量向量集合，所述预设参数向量为预先设置的用于对各自变量和各因变量进行线性回归的参数，通过所述预设参数向量可以对所述自变量向量集合和所述因变量向量集合中的各向量进行线性回归，进而将线性回归的结果进行拟合，获得相应的关系函数，即预设曲线拟合函数。
进一步地，所述步骤根据预设参数向量对所述自变量向量集合和所述因变量向量集合中的各向量进行线性回归，并利用最小二乘法确定预设曲线拟合函数，具体包括以下步骤：
获取所述自变量向量集合和所述因变量向量集合中的各向量，根据预设参数向量通过下式进行线性回归：
y＝a0xL+a1xL-1+...+an+1x0,A＝{a0,a1,...an+1}
其中，x属于所述自变量向量集合中的向量，y属于所述因变量向量集合中的向量，A为预设参数向量的集合，即y＝A*x，a0,a1,...an+1为预设参数向量，L为预设曲线拟合函数自变量最高阶数；
相应地，利用最小二乘法通过下式获得目标关系函数，将所述目标关系函数作为预设曲线拟合函数：
A＝(x-Tx)-1xTy
其中，T为置换矩阵的置换符号。
可以理解的是，L为开发过程中根据本地已有的数据和编程语言性能设置的预设曲线拟合函数的自变量最高阶数，在实际操作中，x和y可以是用户在前端页面依次勾选的两个指标，一般用户会输入需要预测的加工数据指标x的值z，开锁预测，例如x为加工精度，y为碎米率，则用户需要输入新的加工精度数值z，根据用户选择的指标可以从数据库中获得自变量向量集合和因变量向量集合，进而利用最小二乘法进行拟合，获得预设曲线拟合函数，根据获得的预设曲线拟合函数对输入的数据z进行拟合分析，可以获得对应的期望值并输入到前端页面，如果需要进行预测的加工数据的数据量比较大且复杂，可以进行多维度拟合，本实施例对此不加以限制。
步骤S14、根据所述预设曲线拟合函数生成预设粮食预测模型。
应当理解的是，通过所述预设曲线拟合函数可以构建预设粮食预测模型，通过所述预设粮食预测模型可以获得每个不同品种的粮食在某一加工过程中的粮食数据，进而可以为加工环节的调整做数据支撑。
步骤S15、将所述当前粮食数据代入预设粮食预测模型中，获得粮食预测期望值。
可以理解的是，通过将所述当前粮食数据代入至所述预设粮食预测模型中，可以获得特定某一时刻或某一段时间的粮食预测数据，即粮食预测期望值。
本实施例通过上述方案，通过获取目标加工环节的当前粮食数据，对所述当前粮食数据进行分析，获得所述当前粮食数据对应的目标粮食品种；从预设粮食数据库中获取与所述目标粮食品种对应的历史加工消费数据；根据所述历史加工消费数据确定预设曲线拟合函数；根据所述预设曲线拟合函数生成预设粮食预测模型；将所述当前粮食数据代入预设粮食预测模型中，获得粮食预测期望值，可以精确获得粮食预测期望值，进而根据粮食预测期望值返溯原材料指标以及生产方案，进而指导企业进行原料的购买和加工，从而减少了加工过程中物料和能源上的损失和浪费，减少了生产成本，提高了收益。
进一步地，图4为本发明粮食加工方案优化方法第三实施例的流程示意图，如图4所示，基于第二实施例提出本发明粮食加工方案优化方法第三实施例，在本实施例中，所述步骤S20具体包括以下步骤：
步骤S21、从预设粮食加工数据库中获取与所述目标加工环节对应的预设加工方案数据，并将所述预设加工方案数据中每一条加工数据作为一个决策单元。
需要说明的是，所述预设粮食加工数据库中存储有各个加工环节对应的预设加工发案对应的数据，通过所述预设粮食加工数据库可以查找到与所述目标加工环节对应的预设加工方案数据，进而可以将所述预设加工方案数据中的每一条加工数据作为决策单元。
步骤S22、获取各决策单元的输入权重向量和输出权重向量，根据预设投入指标权重、预设产出指标权重、输入权重向量和输出权重向量确定各决策单元的效率评价指标。
可以理解的是，不同的决策单元对应有不同的输入权重和输出权重，从各决策单元中可以获得输入权重向量和输出权重向量，所述预设投入指标权重和预设产出指标权重为预先设置的存储在所述预设加工方案数据内的指标权重，根据预设投入指标权重、预设产出指标权重、输入权重向量和输出权重向量确定各决策单元的效率评价指标。
进一步地，所述步骤S22具体包括以下步骤：
通过下式确定各决策单元的效率评价指标，并从各效率评价指标中获取最优预设投入指标权重和最优预设产出指标权重：
Figure BDA0002091441580000151
其中h0为效率评价指标，q为产出指标总数，q为投入指标总数，uj为第j种预设投入指标权重，vi为第i种预设产出指标权重，
Figure BDA0002091441580000152
为第k0种决策单元的第j项产出，
Figure BDA0002091441580000153
为第k0种决策单元的第i项投入，k0为决策单元。
步骤S23、根据各效率评价指标建立预设数据包络分析模型。
应当理解的是，通过各效率评价指标可以建立对应的预设数据包络分析模型，即C2R模型，进而根据效率评价指标对决策单元进行有效性评价，根据预设数据包络分析模型的评价结果可以判断当前的加工方案是否合理，进而可以针对对应的加工环节提出优化建议，所述评价结果对应的文件可以进行可视化展示，或者上传至服务器后台以供用户进行下载查看。
相应地，所述步骤S23具体包括以下步骤：
根据所述最优预设投入指标权重和所述最优预设产出指标权重通过下式构建预设数据包络分析模型：
Figure BDA0002091441580000161
(k0＝1,2,...n；uj,vi≥0,j＝1,2,...q；i＝1,2,...p)
其中，S.t.表示受约束于，q为产出指标总数，q为投入指标总数，uj为第j种预设投入指标权重，vi为第i种预设产出指标权重，
Figure BDA0002091441580000162
为第k0种决策单元的第j项产出，
Figure BDA0002091441580000163
为第k0种决策单元的第i项投入，k0为决策单元。
本实施例通过上述方案，通过从预设粮食加工数据库中获取与所述目标加工环节对应的预设加工方案数据，并将所述预设加工方案数据中每一条加工数据作为一个决策单元；获取各决策单元的输入权重向量和输出权重向量，根据预设投入指标权重、预设产出指标权重、输入权重向量和输出权重向量确定各决策单元的效率评价指标；根据各效率评价指标建立预设数据包络分析模型，能够精确地预测粮食加工过程中产生的浪费，并结合数据包络分析算法得到的最优生产方式，对其进行优化，从而减少了加工过程中物料和能源上的损失和浪费，减少了生产成本，提高了收益。
基于上述粮食加工方案优化方法的实施例，本发明进一步提供一种粮食加工方案优化装置。
参照图5，图5为本发明粮食加工方案优化装置第一实施例的功能模块图。
本发明粮食加工方案优化装置第一实施例中，该粮食加工方案优化装置包括：
期望值获取模块10，用于获取目标加工环节的当前粮食数据，将所述当前粮食数据代入预设粮食预测模型中，获得粮食预测期望值。
需要说明的是，在粮食加工过程中，不同的加工环节会产生不同的数据，所述目标加工环节为预先设置的需要进行监督和管理的加工环节，所述预设粮食预测模型为预先设置的用于对某个加工环节的未来某一时刻的粮食数据进行预测的模型，通过将所述当前粮食数据代入预设粮食预测模型中，可以获得粮食预测期望值，也可以是通过预设查询表查询所述当前粮食数据对应的粮食预测期望值，当然还可以是通过其他方式获得粮食预测期望值，本实施例对此不加以限制。
模型建立模块20，用于从预设粮食加工数据库中获取与所述目标加工环节对应的预设加工方案数据，根据所述预设加工方案数据建立预设数据包络分析模型。
可以理解的是，所述预设粮食加工数据库为预先设置的用于存储各个粮食加工环节对应的预设加工方案数据的数据库，通过所述预设粮食加工数据库可以获得与所述目标加工环节对应的预设加工方案数据，根据所述预设加工方案数据可以建立预设数据包络分析模型。
评价模块30，用于通过预设数据包络分析模型对所述预测期望值进行有效性评价，并根据评价结果确定所述粮食预测期望值中是否包含异常加工数据。
应当理解的是，通过预设数据包络分析模型对所述预测期望值进行有效性评价，即对所述预测期望值的准确性进行评价，通过生成的评价结果可以确定所述粮食预测期望值中是否有异常加工数据，根据是否有所述异常加工数据可以确定当前的加工方案是否合理，进而为后续加工方案的调整做准备。
调整模块40，用于在所述粮食预测期望值中包含异常加工数据时，从预设加工调整表中查找到与所述异常加工数据对应的加工调整参数，并根据所述加工调整参数对所述目标加工环节进行调整。
可以理解的是，所述预设加工调整表为预先设置的用于反映不同异常加工数据和不同加工调整参数的映射表，通过所述预设加工调整表可以获得与所述异常加工数据对应的加工调整参数，进而可以根据所述加工调整参数对所述目标加工环节进行调整，由此可以减少粮食加工环节的粮食损耗，提高粮食加工和转化副产物综合利用率。
其中，粮食加工方案优化装置的各个功能模块实现的步骤可参照本发明粮食加工方案优化方法的各个实施例，此处不再赘述。
此外，本发明实施例还提出一种存储介质，所述存储介质上存储有粮食加工方案优化程序，所述粮食加工方案优化程序被处理器执行时实现如下操作：
获取目标加工环节的当前粮食数据，将所述当前粮食数据代入预设粮食预测模型中，获得粮食预测期望值；
从预设粮食加工数据库中获取与所述目标加工环节对应的预设加工方案数据，根据所述预设加工方案数据建立预设数据包络分析模型；
通过预设数据包络分析模型对所述预测期望值进行有效性评价，并根据评价结果确定所述粮食预测期望值中是否包含异常加工数据；
在所述粮食预测期望值中包含异常加工数据时，从预设加工调整表中查找到与所述异常加工数据对应的加工调整参数，并根据所述加工调整参数对所述目标加工环节进行调整。
进一步地，所述粮食加工方案优化程序被处理器执行时还实现如下操作：
获取目标加工环节的当前粮食数据，对所述当前粮食数据进行分析，获得所述当前粮食数据对应的目标粮食品种；
从预设粮食数据库中获取与所述目标粮食品种对应的历史加工消费数据；
根据所述历史加工消费数据确定预设曲线拟合函数；
根据所述预设曲线拟合函数生成预设粮食预测模型；
将所述当前粮食数据代入预设粮食预测模型中，获得粮食预测期望值。
进一步地，所述粮食加工方案优化程序被处理器执行时还实现如下操作：
获取所述历史加工消费数据对应的自变量向量集合和因变量向量集合；
根据预设参数向量对所述自变量向量集合和所述因变量向量集合中的各向量进行线性回归，并利用最小二乘法确定预设曲线拟合函数。
进一步地，所述粮食加工方案优化程序被处理器执行时还实现如下操作：
获取所述自变量向量集合和所述因变量向量集合中的各向量，根据预设参数向量通过下式进行线性回归：
y＝a0xL+a1xL-1+...+an+1x0,A＝{a0,a1,...an+1}
其中，x属于所述自变量向量集合中的向量，y属于所述因变量向量集合中的向量，A为预设参数向量的集合，即y＝A*x，a0,a1,...an+1为预设参数向量，L为预设曲线拟合函数自变量最高阶数；
相应地，利用最小二乘法通过下式获得目标关系函数，将所述目标关系函数作为预设曲线拟合函数：
A＝(x-Tx)-1xTy
其中，T为置换矩阵的置换符号。
进一步地，所述粮食加工方案优化程序被处理器执行时还实现如下操作：
从预设粮食加工数据库中获取与所述目标加工环节对应的预设加工方案数据，并将所述预设加工方案数据中每一条加工数据作为一个决策单元；
获取各决策单元的输入权重向量和输出权重向量，根据预设投入指标权重、预设产出指标权重、输入权重向量和输出权重向量确定各决策单元的效率评价指标；
根据各效率评价指标建立预设数据包络分析模型。
进一步地，所述粮食加工方案优化程序被处理器执行时还实现如下操作：
通过下式确定各决策单元的效率评价指标，并从各效率评价指标中获取最优预设投入指标权重和最优预设产出指标权重：
Figure BDA0002091441580000191
其中h0为效率评价指标，q为产出指标总数，q为投入指标总数，uj为第j种预设投入指标权重，vi为第i种预设产出指标权重，
Figure BDA0002091441580000192
为第k0种决策单元的第j项产出，
Figure BDA0002091441580000193
为第k0种决策单元的第i项投入，k0为决策单元；
相应地，根据所述最优预设投入指标权重和所述最优预设产出指标权重通过下式构建预设数据包络分析模型：
Figure BDA0002091441580000194
(k0＝1,2,...n；uj,vi≥0,j＝1,2,...q；i＝1,2,...p)
其中，S.t.表示受约束于，q为产出指标总数，q为投入指标总数，uj为第j种预设投入指标权重，vi为第i种预设产出指标权重，
Figure BDA0002091441580000195
为第k0种决策单元的第j项产出，
Figure BDA0002091441580000196
为第k0种决策单元的第i项投入，k0为决策单元。
进一步地，所述粮食加工方案优化程序被处理器执行时还实现如下操作：
在所述粮食预测期望值中包含异常加工数据时，接收用户输入的预选待查询指标，从所述预设指标数据库中获取与所述预先待查询指标对应的指标数据；
根据所述指标数据生成对应的向量集，从所述向量集中选取若干个向量作为初始质心；
计算剩余所有向量分别到各初始质心的欧式距离；
将各向量与各向量对应的欧式距离最短的初始质心构成分类为一个集合，对所有向量进行分类，获得当前分类集合；
计算并更新所述当前分类集合中的质心，并返回所述计算剩余所有向量分别到各初始质心的欧式距离的步骤，直至最近两次计算的质心相同，将所述当前分类集合作为最终分类集合；
获取所述异常加工数据对应的目标向量，从所述最终分类集合中获取与所述目标向量匹配的目标分类集合；
根据所述目标分类结合确定所述异常加工数据对应的目标类别；
从预设加工调整表中查找到与所述目标类别对应的加工调整参数，根据所述加工调整参数对所述目标加工环节进行调整。
本实施例通过上述方案，通过获取目标加工环节的当前粮食数据，将所述当前粮食数据代入预设粮食预测模型中，获得粮食预测期望值；从预设粮食加工数据库中获取与所述目标加工环节对应的预设加工方案数据，根据所述预设加工方案数据建立预设数据包络分析模型；通过预设数据包络分析模型对所述预测期望值进行有效性评价，并根据评价结果确定所述粮食预测期望值中是否包含异常加工数据；在所述粮食预测期望值中包含异常加工数据时，从预设加工调整表中查找到与所述异常加工数据对应的加工调整参数，并根据所述加工调整参数对所述目标加工环节进行调整，能够精确地预测粮食加工过程中产生的浪费，并结合数据包络分析算法得到的最优生产方式，对其进行优化，从而减少了加工过程中物料和能源上的损失和浪费，减少了生产成本，提高了收益。
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。
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)

1.一种粮食加工方案优化方法，其特征在于，所述粮食加工方案优化方法包括：
获取目标加工环节的当前粮食数据，将所述当前粮食数据代入预设粮食预测模型中，获得粮食预测期望值；
从预设粮食加工数据库中获取与所述目标加工环节对应的预设加工方案数据，根据所述预设加工方案数据建立预设数据包络分析模型；
通过预设数据包络分析模型对所述预测期望值进行有效性评价，并根据评价结果确定所述粮食预测期望值中是否包含异常加工数据；
在所述粮食预测期望值中包含异常加工数据时，从预设加工调整表中查找到与所述异常加工数据对应的加工调整参数，并根据所述加工调整参数对所述目标加工环节进行调整；
其中，所述获取目标加工环节的当前粮食数据，将所述当前粮食数据代入预设粮食预测模型中，获得粮食预测期望值，具体包括：
获取目标加工环节的当前粮食数据，对所述当前粮食数据进行分析，获得所述当前粮食数据对应的目标粮食品种；
从预设粮食数据库中获取与所述目标粮食品种对应的历史加工消费数据；
根据所述历史加工消费数据确定预设曲线拟合函数；
根据所述预设曲线拟合函数生成预设粮食预测模型；
将所述当前粮食数据代入预设粮食预测模型中，获得粮食预测期望值。
2.如权利要求1所述的粮食加工方案优化方法，其特征在于，所述根据所述历史加工消费数据确定预设曲线拟合函数，具体包括：
获取所述历史加工消费数据对应的自变量向量集合和因变量向量集合；
根据预设参数向量对所述自变量向量集合和所述因变量向量集合中的各向量进行线性回归，并利用最小二乘法确定预设曲线拟合函数。
3.如权利要求2所述的粮食加工方案优化方法，其特征在于，所述根据预设参数向量对所述自变量向量集合和所述因变量向量集合中的各向量进行线性回归，并利用最小二乘法确定预设曲线拟合函数，具体包括：
获取所述自变量向量集合和所述因变量向量集合中的各向量，根据预设参数向量通过下式进行线性回归：
y＝a0xL+a1xL-1+...+an+1x0,A＝{a0,a1,...an+1}
其中，x属于所述自变量向量集合中的向量，y属于所述因变量向量集合中的向量，A为预设参数向量的集合，即y＝A*x，a0,a1,...an+1为预设参数向量，L为预设曲线拟合函数自变量最高阶数；
相应地，利用最小二乘法通过下式获得目标关系函数，将所述目标关系函数作为预设曲线拟合函数：
A＝(x-Tx)-1xTy
其中，T为置换矩阵的置换符号。
4.如权利要求3所述的粮食加工方案优化方法，其特征在于，所述从预设粮食加工数据库中获取与所述目标加工环节对应的预设加工方案数据，根据所述预设加工方案数据建立预设数据包络分析模型，具体包括：
从预设粮食加工数据库中获取与所述目标加工环节对应的预设加工方案数据，并将所述预设加工方案数据中每一条加工数据作为一个决策单元；
获取各决策单元的输入权重向量和输出权重向量，根据预设投入指标权重、预设产出指标权重、输入权重向量和输出权重向量确定各决策单元的效率评价指标；
根据各效率评价指标建立预设数据包络分析模型。
5.如权利要求4所述的粮食加工方案优化方法，其特征在于，通过下式确定各决策单元的效率评价指标，并从各效率评价指标中获取最优预设投入指标权重和最优预设产出指标权重：
Figure FDA0003973084250000021
其中h0为效率评价指标，q为产出指标总数，q为投入指标总数，uj为第j种预设投入指标权重，vi为第i种预设产出指标权重，
Figure FDA0003973084250000022
为第k0种决策单元的第j项产出，
Figure FDA0003973084250000023
为第k0种决策单元的第i项投入，k0为决策单元；
相应地，根据所述最优预设投入指标权重和所述最优预设产出指标权重通过下式构建预设数据包络分析模型：
Figure FDA0003973084250000031
其中，S.t.表示受约束于，q为产出指标总数，q为投入指标总数，uj为第j种预设投入指标权重，vi为第i种预设产出指标权重，
Figure FDA0003973084250000032
为第k0种决策单元的第j项产出，
Figure FDA0003973084250000033
为第k0种决策单元的第i项投入，k0为决策单元。
6.如权利要求1-5中任一项所述的粮食加工方案优化方法，其特征在于，所述在所述粮食预测期望值中包含异常加工数据时，从预设加工调整表中查找到与所述异常加工数据对应的加工调整参数，并根据所述加工调整参数对所述目标加工环节进行调整，具体包括：
在所述粮食预测期望值中包含异常加工数据时，接收用户输入的预选待查询指标，从所述预设指标数据库中获取与所述预先待查询指标对应的指标数据；
根据所述指标数据生成对应的向量集，从所述向量集中选取若干个向量作为初始质心；
计算剩余所有向量分别到各初始质心的欧式距离；
将各向量与各向量对应的欧式距离最短的初始质心构成分类为一个集合，对所有向量进行分类，获得当前分类集合；
计算并更新所述当前分类集合中的质心，并返回所述计算剩余所有向量分别到各初始质心的欧式距离的步骤，直至最近两次计算的质心相同，将所述当前分类集合作为最终分类集合；
获取所述异常加工数据对应的目标向量，从所述最终分类集合中获取与所述目标向量匹配的目标分类集合；
根据所述目标分类结合确定所述异常加工数据对应的目标类别；
从预设加工调整表中查找到与所述目标类别对应的加工调整参数，根据所述加工调整参数对所述目标加工环节进行调整。
7.一种粮食加工方案优化装置，其特征在于，所述装置包括：
期望值获取模块，用于获取目标加工环节的当前粮食数据，将所述当前粮食数据代入预设粮食预测模型中，获得粮食预测期望值；
模型建立模块，用于从预设粮食加工数据库中获取与所述目标加工环节对应的预设加工方案数据，根据所述预设加工方案数据建立预设数据包络分析模型；
评价模块，用于通过预设数据包络分析模型对所述预测期望值进行有效性评价，并根据评价结果确定所述粮食预测期望值中是否包含异常加工数据；
调整模块，用于在所述粮食预测期望值中包含异常加工数据时，从预设加工调整表中查找到与所述异常加工数据对应的加工调整参数，并根据所述加工调整参数对所述目标加工环节进行调整；
其中，所述期望值获取模块，还用于：
获取目标加工环节的当前粮食数据，对所述当前粮食数据进行分析，获得所述当前粮食数据对应的目标粮食品种；
从预设粮食数据库中获取与所述目标粮食品种对应的历史加工消费数据；
根据所述历史加工消费数据确定预设曲线拟合函数；
根据所述预设曲线拟合函数生成预设粮食预测模型；
将所述当前粮食数据代入预设粮食预测模型中，获得粮食预测期望值。
8.一种粮食加工方案优化设备，其特征在于，所述粮食加工方案优化设备包括：存储器、处理器及存储在所述存储器上并可在所述处理器上运行的粮食加工方案优化程序，所述粮食加工方案优化程序配置为实现如权利要求1至6中任一项所述的粮食加工方案优化方法的步骤。
9.一种存储介质，其特征在于，所述存储介质上存储有粮食加工方案优化程序，所述粮食加工方案优化程序被处理器执行时实现如权利要求1至6中任一项所述的粮食加工方案优化方法的步骤。
CN201910508426.0A 2019-06-12 2019-06-12 粮食加工方案优化方法、装置、设备及存储介质 Active CN110210684B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201910508426.0A CN110210684B (zh) 2019-06-12 2019-06-12 粮食加工方案优化方法、装置、设备及存储介质

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201910508426.0A CN110210684B (zh) 2019-06-12 2019-06-12 粮食加工方案优化方法、装置、设备及存储介质

Publications (2)

Publication Number Publication Date
CN110210684A CN110210684A (zh) 2019-09-06
CN110210684B true CN110210684B (zh) 2023-04-07

Family

ID=67792436

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201910508426.0A Active CN110210684B (zh) 2019-06-12 2019-06-12 粮食加工方案优化方法、装置、设备及存储介质

Country Status (1)

Country Link
CN (1) CN110210684B (zh)

Families Citing this family (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN110825045B (zh) * 2019-11-05 2022-03-22 青岛大学 一种提高多装置多产品加工方案切换效率的方法
CN111324594B (zh) * 2020-02-17 2023-08-11 武汉轻工大学 用于粮食加工业的数据融合方法、装置、设备及存储介质
CN111260155A (zh) * 2020-02-17 2020-06-09 武汉轻工大学 粮食加工的工序优化方法、装置、电子设备及存储介质
CN112395753B (zh) * 2020-11-11 2021-10-29 中国农业大学 定向调控稻谷品质的干燥方法、装置、设备及储存介质
CN115204474A (zh) * 2022-04-18 2022-10-18 希望知舟技术(深圳)有限公司 生产工艺参数推荐方法及相关设备、程序产品和存储介质

Family Cites Families (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US8374982B2 (en) * 2010-01-14 2013-02-12 Hewlett-Packard Development Company, L.P. System and method for constructing forecast models
US9087312B1 (en) * 2015-01-23 2015-07-21 Iteris, Inc. Modeling of costs associated with in-field and fuel-based drying of an agricultural commodity requiring sufficiently low moisture levels for stable long-term crop storage using field-level analysis and forecasting of weather conditions, grain dry-down model, facility metadata, and observations and user input of harvest condition states
EP3551018B1 (en) * 2016-12-08 2020-08-05 Koninklijke Philips N.V. Food processing apparatus, control device and operating method
EP3379437A1 (en) * 2017-03-21 2018-09-26 Koninklijke Philips N.V. A nutritional value prediction system and method
CN206631650U (zh) * 2017-03-20 2017-11-14 重庆市潼南区侨跃农业开发有限公司 一种便于移动的稻米初加工装置
CN108573354B (zh) * 2018-04-28 2022-04-05 襄阳田园乐活米业有限公司 粮食加工损失数据分析系统及方法

Also Published As

Publication number Publication date
CN110210684A (zh) 2019-09-06

Similar Documents

Publication Publication Date Title
CN110210684B (zh) 粮食加工方案优化方法、装置、设备及存储介质
CN107229602B (zh) 一种智能楼宇微网用电行为的识别方法
CN109740838B (zh) 基于大数据的供应商服务评价方法及相关设备
EP3816879A1 (en) A method of yield estimation for arable crops and grasslands and a system for performing the method
CN108491991B (zh) 基于工业大数据产品工期的约束条件分析系统与方法
CN106485589A (zh) 一种基于物联网的农业企业集团信息化管理系统
CN102819772A (zh) 电力配网建设物资需求预测方法及装置
CN104573000A (zh) 基于排序学习的自动问答装置及方法
CN102831489A (zh) 电力配网建设物资需求预测方法及装置
CN112116205B (zh) 针对台区用电特征的画像方法、装置和存储介质
CN104239722A (zh) 一种基于因素间相关关系识别的预测方法
US20190012252A1 (en) Systems and methods for automated analysis, screening, and reporting of group performance
CN117763316A (zh) 一种基于机器学习的高维数据降维方法及降维系统
CN111027799A (zh) 一种国企产能分析系统
CN111260155A (zh) 粮食加工的工序优化方法、装置、电子设备及存储介质
CN107256254A (zh) 一种行业景气指数获取方法、存储设备及终端
Rudakov et al. Comparison of Time Series Databases
CN116227896A (zh) 一种碳化硅生产工单管理方法及系统
CN115361424A (zh) 一种基于物联网数据分析的医疗设备监控方法和系统
CN115150430A (zh) 一种基于物联网的自动售卖机运营数据采集系统
US20010054033A1 (en) Reasoning method based on similarity of cases
CN115099332A (zh) 一种基于混合森林的雷达数据实时处理方法及系统
CN113656437A (zh) 一种最优查询计划的确定方法及装置
CN106650790A (zh) 一种基于蜂群智能的遥感影像聚类方法
JP2021174062A (ja) 機械学習プログラム、機械学習方法および機械学習装置

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
TR01 Transfer of patent right
TR01 Transfer of patent right

Effective date of registration: 20240912

Address after: 230000 b-1018, Woye Garden commercial office building, 81 Ganquan Road, Shushan District, Hefei City, Anhui Province

Patentee after: HEFEI WISDOM DRAGON MACHINERY DESIGN Co.,Ltd.

Country or region after: China

Address before: 430023 No. 68, Xuefu Road, Changqing Garden, Dongxihu District, Wuhan, Hubei

Patentee before: WUHAN POLYTECHNIC University

Country or region before: China