CN111291496B - 求解汤圆原料指标范围的数据驱动模型分析方法及装置 - Google Patents

求解汤圆原料指标范围的数据驱动模型分析方法及装置 Download PDF

Info

Publication number
CN111291496B
CN111291496B CN202010118218.2A CN202010118218A CN111291496B CN 111291496 B CN111291496 B CN 111291496B CN 202010118218 A CN202010118218 A CN 202010118218A CN 111291496 B CN111291496 B CN 111291496B
Authority
CN
China
Prior art keywords
glutinous rice
rice flour
target
data
constraint
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
CN202010118218.2A
Other languages
English (en)
Other versions
CN111291496A (zh
Inventor
贺芷馨
周康
周坚
杨华
刘朔
刘江蓉
高婧
方浩铖
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.)
Wuhan Polytechnic University
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 CN202010118218.2A priority Critical patent/CN111291496B/zh
Publication of CN111291496A publication Critical patent/CN111291496A/zh
Application granted granted Critical
Publication of CN111291496B publication Critical patent/CN111291496B/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
    • G06F17/00—Digital computing or data processing equipment or methods, specially adapted for specific functions
    • G06F17/10—Complex mathematical operations
    • G06F17/18—Complex mathematical operations for evaluating statistical data, e.g. average values, frequency distributions, probability functions, regression analysis
    • 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
    • G06F18/213—Feature extraction, e.g. by transforming the feature space; Summarisation; Mappings, e.g. subspace methods
    • G06F18/2135—Feature extraction, e.g. by transforming the feature space; Summarisation; Mappings, e.g. subspace methods based on approximation criteria, e.g. principal component analysis
    • 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
    • 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"
    • 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)
  • Physics & Mathematics (AREA)
  • Data Mining & Analysis (AREA)
  • Theoretical Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Evolutionary Biology (AREA)
  • Business, Economics & Management (AREA)
  • General Engineering & Computer Science (AREA)
  • Mathematical Optimization (AREA)
  • Pure & Applied Mathematics (AREA)
  • Human Resources & Organizations (AREA)
  • Mathematical Physics (AREA)
  • Strategic Management (AREA)
  • Economics (AREA)
  • Operations Research (AREA)
  • Mathematical Analysis (AREA)
  • Artificial Intelligence (AREA)
  • Computational Mathematics (AREA)
  • Evolutionary Computation (AREA)
  • Databases & Information Systems (AREA)
  • Development Economics (AREA)
  • Software Systems (AREA)
  • Game Theory and Decision Science (AREA)
  • Algebra (AREA)
  • Probability & Statistics with Applications (AREA)
  • Entrepreneurship & Innovation (AREA)
  • Marketing (AREA)
  • Quality & Reliability (AREA)
  • Tourism & Hospitality (AREA)
  • General Business, Economics & Management (AREA)
  • Adjustment And Processing Of Grains (AREA)

Abstract

本发明涉及汤圆加工技术领域，公开了一种求解汤圆原料指标范围的数据驱动模型分析方法及装置，所述方法包括：获取根据糯米粉指标和汤圆指标构建的样本数据库；对所述样本数据库中的数据进行预处理，获得处理后的目标数据；基于所述目标数据设置约束条件；根据所述约束条件和预设优化目标构建糯米粉品质标准优化模型；对所述糯米粉品质标准优化模型进行优化，获得调控模型；根据所述调控模型确定糯米粉品质指标范围。从而通过样本数据库中的数据设置约束条件，进而构建糯米粉品质标准优化模型，根据该模型来确定糯米粉品质指标范围，解决了如何确定糯米粉品质指标的最佳范围，使得在给定的生产工艺条件下糯米粉能够生产出合格的汤圆的技术问题。

Description

求解汤圆原料指标范围的数据驱动模型分析方法及装置
技术领域
本发明涉及汤圆加工技术领域，尤其涉及一种求解汤圆原料指标范围的数据驱动模型分析方法及装置。
背景技术
在汤圆加工领域，可将糯米粉加工成汤圆，但是多样化的汤圆对糯米粉品质的需求也不尽相同，需要制作出符合国标、省标、行标、企标的汤圆，就要根据汤圆品质预测糯米粉的最佳品质范围，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。
目前企业在确定汤圆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糯米粉投入制作将会得到怎样的汤圆，但是这种根据生产经验对汤圆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汤圆最合适的糯米粉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求解汤圆原料指标范围的数据驱动模型分析方法及装置，旨在解决如何确定糯米粉品质指标的最佳范围，使得在给定的生产工艺条件下糯米粉能够生产出合格的汤圆的技术问题。
为实现上述目的，本发明提供一种求解汤圆原料指标范围的数据驱动模型分析方法，所述求解汤圆原料指标范围的数据驱动模型分析方法包括以下步骤：
获取根据糯米粉指标和汤圆指标构建的样本数据库；
对所述样本数据库中的数据进行预处理，获得处理后的目标数据；
基于所述目标数据设置约束条件；
根据所述约束条件和预设优化目标构建糯米粉品质标准优化模型；
对所述糯米粉品质标准优化模型进行优化，获得调控模型；
根据所述调控模型确定糯米粉品质指标范围。
优选地，所述对所述样本数据库中的数据进行预处理，获得处理后的目标数据，具体包括：
从所述样本数据库中提取糯米粉样本集和汤圆样本集；
分别对所述糯米粉样本集和所述汤圆样本集进行标准化处理，获得标准化糯米粉样本集和标准化汤圆样本集；
获取所述标准化糯米粉样本集中的标准化糯米粉样本数据；
对所述标准化糯米粉样本数据进行主成分降维，获得目标糯米粉样本数据和主成分因子载荷矩阵；
从所述目标糯米粉样本数据中提取目标糯米粉指标；
根据所述主成分因子载荷矩阵将所述目标糯米粉指标映射为糯米粉品质指标；
将所述目标糯米粉样本数据、所述标准化汤圆样本集和所述糯米粉品质指标作为目标数据。
优选地，所述基于所述目标数据设置约束条件，具体包括：
根据所述目标糯米粉数据和所述标准化汤圆样本集生成多元线性回归模型的训练集；
根据所述训练集对所述多元线性回归模型进行训练，获得汤圆品质指标对应的预测模型；
从所述标准化汤圆样本集中提取目标汤圆指标，并基于预设系数矩阵确定所述目标汤圆指标对应的回归函数；
根据所述回归函数、所述预测模型和所述糯米粉品质指标设置约束条件。
优选地，所述根据所述回归函数和所述预测模型设置约束条件，具体包括：
根据所述回归模型确定拟合优度；
查找所述糯米粉品质指标对应的糯米粉品质的理化性质数据，并基于所述理化性质数据确定糯米粉限制约束；
基于所述预测模型和预设汤圆品质要求，确定汤圆限制约束；
根据所述拟合优度对所述汤圆限制约束进行修正，获得目标汤圆限制约束；
根据多个目标糯米粉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；
将所述糯米粉限制约束、所述目标汤圆限制约束和所述扩散因子约束作为约束条件。
优选地，所述对所述糯米粉品质标准优化模型进行优化，获得调控模型，具体包括：
将所述糯米粉品质标准优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糯米粉品质标准优化模型进行优化，获得调控模型。
优选地，所述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，具体包括：
根据所述结果数据计算指标权重；
根据所述指标权重和所述扩散因子确定松弛因子；
根据所述扩散因子和所述松弛因子对所述扩散因子约束进行优化，获得目标扩散因子约束。
优选地，根据所述调控模型计算糯米粉品质指标下界值和糯米粉品质指标上界值；
对所述糯米粉品质指标下界值和所述糯米粉品质指标上界值进行反标准化处理；
根据处理结果确定糯米粉品质指标范围。
本发明还提供一种求解汤圆原料指标范围的数据驱动模型分析装置，其特征在于，所述求解汤圆原料指标范围的数据驱动模型分析装置包括：
数据获取模块，用于获取根据糯米粉指标和汤圆指标构建的样本数据库；
数据处理模块，用于对所述样本数据库中的数据进行预处理，获得处理后的目标数据；
约束条件模块，用于基于所述目标数据设置约束条件；
模型构建模块，用于根据所述约束条件和预设优化目标构建糯米粉品质标准优化模型；
模型优化模块，用于对所述糯米粉品质标准优化模型进行优化，获得调控模型；
范围确定模块，用于根据所述调控模型确定糯米粉品质指标范围。
优选地，所述数据处理模块，还用于从所述样本数据库中提取糯米粉样本集和汤圆样本集；
所述数据处理模块，还用于分别对所述糯米粉样本集和所述汤圆样本集进行标准化处理，获得标准化糯米粉样本集和标准化汤圆样本集；
所述数据处理模块，还用于获取所述标准化糯米粉样本集中的标准化糯米粉样本数据；
所述数据处理模块，还用于对所述标准化糯米粉样本数据进行主成分降维，获得目标糯米粉样本数据和主成分因子载荷矩阵；
所述数据处理模块，还用于从所述目标糯米粉样本数据中提取目标糯米粉指标；
所述数据处理模块，还用于根据所述主成分因子载荷矩阵将所述目标糯米粉指标映射为糯米粉品质指标；
所述数据处理模块，还用于将所述目标糯米粉样本数据、所述标准化汤圆样本集和所述糯米粉品质指标作为目标数据。
优选地，所述约束条件模块，还用于根据所述目标糯米粉数据和所述标准化汤圆样本集生成多元线性回归模型的训练集；
所述约束条件模块，还用于根据所述训练集对所述多元线性回归模型进行训练，获得汤圆品质指标对应的预测模型；
所述约束条件模块，还用于从所述标准化汤圆样本集中提取目标汤圆指标，并基于预设系数矩阵确定所述目标汤圆指标对应的回归函数；
所述约束条件模块，还用于根据所述回归函数、所述预测模型和所述糯米粉品质指标设置约束条件。
本发明提出的求解汤圆原料指标范围的数据驱动模型分析方法，通过获取根据糯米粉指标和汤圆指标构建的样本数据库；对所述样本数据库中的数据进行预处理，获得处理后的目标数据；基于所述目标数据设置约束条件；根据所述约束条件和预设优化目标构建糯米粉品质标准优化模型；对所述糯米粉品质标准优化模型进行优化，获得调控模型；根据所述调控模型确定糯米粉品质指标范围。从而通过样本数据库中的数据设置约束条件，进而构建糯米粉品质标准优化模型，根据该模型来确定糯米粉品质指标范围，解决了如何确定糯米粉品质指标的最佳范围，使得在给定的生产工艺条件下糯米粉能够生产出合格的汤圆的技术问题。
附图说明
图1为本发明求解汤圆原料指标范围的数据驱动模型分析方法第一实施例的流程示意图；
图2为本发明求解汤圆原料指标范围的数据驱动模型分析方法第一实施例中的汤圆限制约束在二维空间的表示图；
图3为本发明求解汤圆原料指标范围的数据驱动模型分析方法第二实施例的流程示意图；
图4为本发明求解汤圆原料指标范围的数据驱动模型分析方法第三实施例的流程示意图；
图5为本发明求解汤圆原料指标范围的数据驱动模型分析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为本发明求解汤圆原料指标范围的数据驱动模型分析方法第一实施例的流程示意图。
在第一实施例中，所述求解汤圆原料指标范围的数据驱动模型分析方法包括以下步骤：
步骤S10，获取根据糯米粉指标和汤圆指标构建的样本数据库。
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求解汤圆原料指标范围的数据驱动模型分析设备，本实施例对此不作限制，在本实施例中，以求解汤圆原料指标范围的数据驱动模型分析设备为例进行说明。
应当理解的是，获取样本数据库的方式可为从本地存储器获取，也可为从网络端获取，还可为其他方式获取，本实施例对此不作限制。
需要说明的是，已知根据糯米粉指标和汤圆指标构建的样本数据库，该样本数据库为高质量数据库，包括{x1,x2,…,x8,y1,y2,…,y14}，其中{x1,x2,…x8}是可以评价糯米粉的糯米粉指标，{y1,y2,…y14}是可以评价汤圆的汤圆指标。
表1各糯米粉指标对应符号
Figure GDA0002446707410000061
表2各汤圆指标对应符号
Figure GDA0002446707410000062
数据库D为：
Figure GDA0002446707410000063
DA为糯米粉的基础信息数据，DM为糯米粉的指标数据集，即糯米粉样本集，DN为汤圆的指标数据集，即汤圆样本集，t为t种糯米粉，k为第k个糯米粉的基础信息数据，m为第m个糯米粉的指标集数据(m＝8)，n为第n个汤圆的指标数据(n＝14)。
步骤S20，对所述样本数据库中的数据进行预处理，获得处理后的目标数据。
需要说明的是，获取所述样本数据库中的糯米粉样本集和汤圆样本集，将汤圆样本集中的指标设置为响应变量，将糯米粉样本集中的指标设置为预测变量，就可以将对汤圆标准的约束转化为对糯米粉标准的约束。
应当理解的是，对样本数据库中的数据进行预处理的步骤具体为：
首先，从样本数据库中提取糯米粉样本集和汤圆样本集，再分别对糯米粉样本集和汤圆样本集进行标准化处理，可获得标准化糯米粉样本集和标准化汤圆样本集，而之所以要先对样本集进行标准化处理，是因为进行标准化处理之后的样本集中的数据更方便于后续的使用。
然后，获取标准化糯米粉样本集中的标准化糯米粉样本数据，对标准化糯米粉样本数据进行主成分降维，获得目标糯米粉样本数据和主成分因子载荷矩阵，进行主成分降维的目的是为了排除不合适的数据，从而降低数据的维度，使降维后的数据满足后续关系模型的训练要求和降低训练难度。
最后，从目标糯米粉样本数据中提取目标糯米粉指标，根据主成分因子载荷矩阵将目标糯米粉指标映射为糯米粉品质指标，将目标糯米粉样本数据、标准化汤圆样本集、糯米粉品质指标作为目标数据，用于后续的计算和使用，即所述目标数据包括目标糯米粉样本数据、标准化汤圆样本集、糯米粉品质指标。
步骤S30，基于所述目标数据设置约束条件。
需要说明的是，基于目标数据设置约束条件的步骤具体为：根据所述目标糯米粉数据和所述标准化汤圆样本集生成多元线性回归模型的训练集；根据所述训练集对所述多元线性回归模型进行训练，获得汤圆品质指标对应的预测模型；从所述标准化汤圆样本集中提取目标汤圆指标，并基于预设系数矩阵确定所述目标汤圆指标对应的回归函数；根据所述回归函数、所述预测模型和所述糯米粉品质指标设置约束条件。
进一步地，根据所述回归模型确定拟合优度；查找所述糯米粉品质指标对应的糯米粉品质的理化性质数据，并基于所述理化性质数据确定糯米粉限制约束；基于所述预测模型和预设汤圆品质要求，确定汤圆限制约束；根据所述拟合优度对所述汤圆限制约束进行修正，获得目标汤圆限制约束；根据多个目标糯米粉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；将所述糯米粉限制约束、所述目标汤圆限制约束和所述扩散因子约束作为约束条件。
可以理解的是，通过对目标数据进行处理，进而根据处理过程中得到的数据生成几类约束约束，再根据这些约束设置约束条件。
步骤S40，根据所述约束条件和预设优化目标构建糯米粉品质标准优化模型。
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，糯米粉品质标准优化模型的约束条件主要分为两类：
第一类约束：糯米粉限制约束。此约束按照糯米粉的指标数值的合理范围限制求解范围。
第二类约束：汤圆限制约束。此约束是通过糯米粉和汤圆的关系模型的传递，将对汤圆的限制转移到对糯米粉的限制上来，其中还需考虑关系模型的精度矫正问题。以两项糯米粉指标和两项汤圆指标为例研究构建汤圆限制约束的原理，该原理可以推广到更高维空间的情形。
建立汤圆限制约束：
Figure GDA0002446707410000081
其中，x1、x2为两个糯米粉预测变量(糯米粉指标)，y1、y2为两个汤圆响应变量(汤圆指标)训练得到预测模型为y1＝f1(x1，x2)，y2＝f2(x1，x2)，y1 low表示该汤圆指标标准下界、y1 up表示上界。
如图2中的四条实的斜直线构成汤圆限制约束的边界，四条斜直线所围成的区域为汤圆限制约束域，即平行四边形区域，该区域内的坐标点(x1，x2)表示的糯米粉品质指标在不考虑第一种糯米粉约束的情况下，通过关系模型f映射成汤圆指标，理论上映射后得到的汤圆指标都是满足汤圆限制约束的。
如图2所示的汤圆限制约束域若再考虑第一类约束就得到符合糯米粉品质标准制定的糯米粉品质，即我们需要的米粉品质范围的目标区域就在这个区域内部选取，所求的目标区域就是在糯米粉的品质范围区域中的一个矩形。该目标区域应该是在符合糯米粉品质标准制定的糯米粉品质区域中包含尽可能多的糯米粉品种的矩形区域。
该矩形区域可以通过两个点来确定：矩形区域距离原点最远的点和最近的点，并依此可以确定矩形区域其他顶点。优化模型的目标是，目标区域的所有顶点在符合糯米粉品质标准制定的区域中的前提下，使得距离原点最远的点达到最远和最近的点达到最近。
例如图2中的A，B两点，此两点的坐标值正是优化建模结果——糯米粉品质指标上下界。由A，B两点绘制出的矩形区域即图2中的虚线区域，且该区域包含的坐标点所表示的糯米粉指标值在理论上都是可取的。优化模型的目标就是要找到A，B两点的坐标，将这两点的坐标设置为优化目标。结合图1中矩形描述优化目标的设置要求：
(1)各边长度表示此边代表的汤圆品质指标取值范围，因此各边要尽量长。
(2)矩形边长之和也应在可行域内寻求最大。
(3)故对多目标进行加权求解时，各指标的优化权重要根据品质指标的离散特性来设置，且各权重比例直观表现为虚线矩形的边长之比。
将求解空间维数还原至糯米粉指标集的指标数，糯米粉限制约束和汤圆限制约束会形成由一个个超平面界定出来的可行域，建模优化求解目标就是在此可行域中搜寻一个超立方体。
步骤S50，对所述糯米粉品质标准优化模型进行优化，获得调控模型。
步骤S60，根据所述调控模型确定糯米粉品质指标范围。
需要说明的是，可对糯米粉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糯米粉品质指标范围，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。
需要说明的是，优化的主要手段是对优化函数中权值的调整，使调控后求解结论的样本尽可能多的覆盖，可采用离散性度量指标中的四分位数等方法来调整权重。计算四分位数的长度并经归一化处理得到权重，代入到建模步骤的模型中进行二次建模求解。二次建模求得的矩形各边长比例为各指标离散度之比，再进行灵敏度分析探索各指标范围之和(各边长之和)，以观察是否还有提升的可能，从而取得最合适解。
二次建模在一次建模基础上做如下调控：
(1)将一次建模求解结论中的最大边长代入约束，并设置各边长的优化权重为样本数据各指标的离散度。
(2)对(1)中最大边长设置缩减步长，进行多次优化求解。
(1)步是在一次建模结果的基础上进行参数优化，重新定义各边长的比例约束。(2)步是设置对比实验进行灵敏度分析，分析解范围的变化情况并得到最优解。经以上两步调控后的优化解可以满足建模步骤中优化目标的设置要求，得到各指标优化后的最佳范围。
本实施例中通过获取根据糯米粉指标和汤圆指标构建的样本数据库；对所述样本数据库中的数据进行预处理，获得处理后的目标数据；基于所述目标数据设置约束条件；根据所述约束条件和预设优化目标构建糯米粉品质标准优化模型；对所述糯米粉品质标准优化模型进行优化，获得调控模型；根据所述调控模型确定糯米粉品质指标范围。从而通过样本数据库中的数据设置约束条件，进而构建糯米粉品质标准优化模型，根据该模型来确定糯米粉品质指标范围，解决了如何确定糯米粉品质指标的最佳范围，使得在给定的生产工艺条件下糯米粉能够生产出合格的汤圆的技术问题。
在一实施例中，如图3所示，基于第一实施例提出本发明求解汤圆原料指标范围的数据驱动模型分析方法第二实施例，所述步骤S20，包括：
步骤S201，从所述样本数据库中提取糯米粉样本集和汤圆样本集。
可以理解的是，样本数据库中存储有糯米粉样本集DM和汤圆样本集DN，可以从样本数据库中提取这两个样本集。
步骤S202，分别对所述糯米粉样本集和所述汤圆样本集进行标准化处理，获得标准化糯米粉样本集和标准化汤圆样本集。
需要说明的是，对糯米粉样本集DM和汤圆样本集DN进行标准化处理的计算公式为：
Figure GDA0002446707410000101
其中，xi＝(x1i；x2i；…；xti)(i＝1，2，…，8)是糯米粉样本集，
yj＝(y1j；y2j；…；ytj)(j＝1，2，…，14)是汤圆样本集，t种糯米粉，
均值
Figure GDA0002446707410000102
标准差
Figure GDA0002446707410000103
标准化后的标准化糯米粉样本集和标准化汤圆样本集仍记为DM、DN。
步骤S203，获取所述标准化糯米粉样本集中的标准化糯米粉样本数据。
步骤S204，对所述标准化糯米粉样本数据进行主成分降维，获得目标糯米粉样本数据和主成分因子载荷矩阵。
需要说明的是，主成分降维的具体步骤为：
(1)进行Pearson相关性分析。若数据指标之间存在较强相关，可考虑进行主成分降维，和使用多元线性模型预测给定生产场景下的汤圆品质。
针对各糯米粉指标做Pearson相关性分析得到相关矩阵为：
Figure GDA0002446707410000111
相关性分析采用数据预处理之后但未经标准化处理的样本数据，相关矩阵结果表明，糊化特性RVA指标之间存在显著线性单相关，正好验证了前人研究的糯米粉粉原料指标的相关性结论。
(2)进行主成分降维。使用标准化数据对糯米粉的基本理化指标(脂肪酸值、酸度、丙二醛)和糊化特性(峰值粘度、最低粘度、崩解值、最终粘度、回升值)8个指标进行主成分分析。以表中初始特征值方差百分比为选取主成分的依据，当选取前三个主成分时，累计方差解释达到98.8％，最终选取三个主成分。
表1糯米粉粉基本理化指标和糊化特性的主成分分析结果
Figure GDA0002446707410000112
表2三个主成分的初始因子载荷阵
Figure GDA0002446707410000113
Figure GDA0002446707410000121
表2显示了主成分的初始因子载荷，每一列中的数值表示各原料指标对各主成分的影响度，也即构造主成分线性表达式时的变量系数。由表2的成份系数(因子载荷)和特征值计算3个主成分表达式：
F1＝0.2068*Fzfsz+0.0843*Fsd+0.1794*Fbeq+0.4302*Ffznd+0.4304*Fzdnd+0.4283*Fbjz+0.4303*Fzznd+0.4231*Fhsz  (1)
F2＝0.6492*Fzfsz+0.6143*Fsd+0.3614*Fbeq-0.1075*Ffznd-0.0986*Fzdnd-0.1161*Fbjz-0.1087*Fzznd-0.1553*Fhsz  (2)
F3＝0.0508*Fzfsz-0.5743*Fsd+0.8083*Fbeq-0.0612*Ffznd-0.0674*Fzdnd-0.0465*Fbjz-0.0546*Fzznd-0.0198*Fhsz  (3)
表3各指标对应符号
Figure GDA0002446707410000122
可以理解的是，将降维后的目标糯米粉样本数据记为Dd。
步骤S205，从所述目标糯米粉样本数据中提取目标糯米粉指标。
步骤S206，根据所述主成分因子载荷矩阵将所述目标糯米粉指标映射为糯米粉品质指标。
应当理解的是，从降维后的目标糯米粉数据中提取目标糯米粉指标，并根据主成分因子载荷矩阵将目标糯米粉指标映射为糯米粉品质指标。
步骤S207，将所述目标糯米粉样本数据、所述标准化汤圆样本集和所述糯米粉品质指标作为目标数据。
进一步地，所述步骤S30，包括：
步骤S301，根据所述目标糯米粉数据和所述标准化汤圆样本集生成多元线性回归模型的训练集。
步骤S302，根据所述训练集对所述多元线性回归模型进行训练，获得汤圆品质指标对应的预测模型。
需要说明的是，训练汤圆各品质指标的多元线性回归模型时，将Dd与汤圆标准化后的样本集DN构成多元线性回归模型的训练集(Dd|Dn)。因每个多元线性回归模型用来预测单变量，故每次运用最小二乘法求解时投入的样本集为
Figure GDA0002446707410000131
其中，Dd是降维后的目标糯米粉样本数据，yj＝(y1j；y2j；…；ytj)(j＝1，2，…，14)是标准化汤圆指标集，算法流程结束，可以得到各汤圆品质指标的预测模型。
步骤S303，从所述标准化汤圆样本集中提取目标汤圆指标，并基于预设系数矩阵确定所述目标汤圆指标对应的回归函数。
需要说明的是，所述预设系数矩阵可为(θ|ω*)n*(m+1)，依据系数矩阵给出第i个目标汤圆指标的回归函数：
Figure GDA0002446707410000132
其中，i＝1，2，…，14，j＝1，2，…，9，θ是主成分因子载荷矩阵，多元线性回归函数fi(x)的拟合优度Ri 2，取值为[0，1]。
通过主成分表达式计算各样本的主成分，由三个主成分作为解释变量，各制品指标作为被解释变量做回归分析。得到各制品指标回归结果：
表4三个主成分作为解释变量的回归结果
Figure GDA0002446707410000133
步骤S304，根据所述回归函数、所述预测模型和所述糯米粉品质指标设置约束条件。
进一步地，所述步骤S304，包括：
根据所述回归模型确定拟合优度；查找所述糯米粉品质指标对应的糯米粉品质的理化性质数据，并基于所述理化性质数据确定糯米粉限制约束；基于所述预测模型和预设汤圆品质要求，确定汤圆限制约束；根据所述拟合优度对所述汤圆限制约束进行修正，获得目标汤圆限制约束；根据多个目标糯米粉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；将所述糯米粉限制约束、所述目标汤圆限制约束和所述扩散因子约束作为约束条件。
需要说明的是，查找所述糯米粉品质指标对应的糯米粉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：糯米粉限制约束。
表5糯米粉基本约束系数
Figure GDA0002446707410000141
需要说明的是，所述预设汤圆品质要求可由用户根据实际情况进行设定，本实施例对此不作限制，基于预测模型和预设汤圆品质要求确定第二类约束：汤圆限制约束。
假设汤圆品质指标中的理化性质、感官评分或TPA指标的可行范围为L＝(L1，L2，…，L14)，U＝(U1，U2，…，U14)，分别代表目汤圆品质指标的下界和上界。
表6汤圆限制约束上下界
Figure GDA0002446707410000142
应当理解的是，为提高汤圆限制约束的准确度.要根据拟合度修正汤圆品质标准的约束。对预测阶段获得的拟合优度
Figure GDA0002446707410000143
具体修正方法为：
a计算Δk＝Lk-Uk，Δk为范围初始值。
b计算各回归函数的拟合优度Ri 2的“修正因子”：
Figure GDA0002446707410000144
c计算汤圆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个汤圆指标的品质标准，0.5表示上下界修正量在上下界的均摊。表4中，R方反映的是回归预测模型对样本数据的解释率，取值变化范围为由0到1，一般在0.5以上，说明训练得到的回归模型具有较好的回归效果。调整R方是经由自由度调整的决定系数，称为修正决定系数，剔除了变量个数对拟合优度的影响，其值一般小于R方。在公式区输入：＝FINV(0.05，3，142)
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。
在多个糯米粉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，以确保求得糯米粉范围是在综合考虑各项汤圆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“糯米粉限制约束”与“汤圆限制约束”中尽可能大的覆盖度。
设xlow、xup为各糯米粉最终求解的下界和上界，δ为“扩散因子”，有m个这样的指标，则有
Figure GDA0002446707410000151
将糯米粉优化模型放在Lingo中编程求解，得到最大的扩散因子和各初始解：
Figure GDA0002446707410000152
目标函数的设置：
依据上述数据将初始各指标权重βα设置为0.0625，即目标函数中每个指标上下界的权重一样，且和为1。依据第三阶段目标分析将β′设置为1000，以确保δ为首要目标。线性加权法求解的目标为：
Figure GDA0002446707410000161
进一步地，所述根据所述约束条件和预设优化目标构建糯米粉品质标准优化模型，具体为：
依据目标函数得到糯米粉的线性加权求解单目标表达式及初始多目标优化模型为：
Figure GDA0002446707410000162
Figure GDA0002446707410000163
其中α＝1，2，…，8。
本实施例中通过对数据进行数据处理以保证预测模型的精度，然后通过糯米粉品质指标对汤圆的品质指标的预测，完成汤圆的品质指标向糯米粉的品质指标的转移，并获取预测过程中的数据，根据这些数据指定约束条件，再基于约束条件构建糯米粉品质标准优化模型，保证模型建立的直接有效合理。
在一实施例中，如图4所示，基于第一实施例或第二实施例提出本发明求解汤圆原料指标范围的数据驱动模型分析方法第三实施例，在本实施例中，基于第二实施例进行说明，所述步骤S50，包括：
步骤S501，将所述糯米粉品质标准优化模型转化为单目标品质标准优化模型。
步骤S502，获取所述单目标品质标准优化模型的结果数据。
步骤S503，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。
进一步地，所述步骤S503，包括：
根据所述结果数据计算指标权重；根据所述指标权重和所述扩散因子确定松弛因子；根据所述扩散因子和所述松弛因子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S504，根据所述目标扩散因子约束对所述糯米粉品质标准优化模型进行优化，获得调控模型。
进一步地，所述步骤S504，包括：
根据所述调控模型计算糯米粉品质指标下界值和糯米粉品质指标上界值；对所述糯米粉品质指标下界值和所述糯米粉品质指标上界值进行反标准化处理；根据处理结果确定糯米粉品质指标范围。
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、专用糯米粉的品质标准的获得。调控阶段具体实施步骤如下。
步骤1：确定调控范围的大小。
利用单目标糯米粉品质标准优化模型计算的最优解，对第三类约束具体优化过程为：
(1)求权重。根据四分位数建立各优化目标的权重为β＝(β1，β2，β3，β4，β5，β6，β7，β8)＝(0.139，0.096，0.134，0.124，0.125，0.121，0.127，0.134)
(2)根据求解的扩散因子δ0调整第三类约束
Figure GDA0002446707410000171
根据上一小章节的优化结论得到最大扩散因子δ0的值，再在确定扩散因子的基础上设置不同的松弛因子ρ建立对比试验并分析不同松弛因子对各糯米粉指标解的影响，将浮动变量和松弛因子加入后：
Figure GDA0002446707410000181
其中α＝1，...，8，r为浮动变量。
步骤2：确定调控模型。
作为迭代调控后优化模型的首要优化目标，其他约束不作修改，松弛因子ρ∈[0，0.5]。二次建模为：
Figure GDA0002446707410000182
其中α＝1，2，…，8。
xlow、xup为糯米粉的各项品质指标的标准的下界值和上界值(糯米粉品质指标下界值和糯米粉品质指标上界值)，δ为“扩散因子”，γ为“浮动变量”。
步骤3：计算调控模型。
设置步长进行求解。对比实验中，将每一次实验按照设置松弛因子ρ步长为0.05，一共进行11次优化实验，对以上十一次结论的对比分析可以发现，松弛因子ρ越大，各指标解范围的和越大。
步骤4：取汤圆的原料品质标准。
结论反标准化。依据数据标准化过程标准差σi及均值
Figure GDA0002446707410000183
i表示第几个糯米粉品质指标，对求解结果xlow、xup进行反标准化处理，得到各糯米粉指标的优化范围
Figure GDA0002446707410000184
反标准化公式为：
Figure GDA0002446707410000185
Figure GDA0002446707410000186
以范围值和最大为标准，选择ρ＝0.5时的各指标计算结果进行反标准化得到最终目标解。
8种原料指标最终优化标准
Figure GDA0002446707410000187
Figure GDA0002446707410000191
本实施例中为了在制定的糯米粉品质指标的变化范围内包含尽可能多的糯米粉品种，优化调整糯米粉品质指标模型结构和参数，对糯米粉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糯米粉品质指标范围。
此外，参照图5，本发明实施例还提出一种求解汤圆原料指标范围的数据驱动模型分析装置，所述求解汤圆原料指标范围的数据驱动模型分析装置包括：
数据获取模块10，用于获取根据糯米粉指标和汤圆指标构建的样本数据库。
数据处理模块20，用于对所述样本数据库中的数据进行预处理，获得处理后的目标数据。
约束条件模块30，用于基于所述目标数据设置约束条件。
模型构建模块40，用于根据所述约束条件和预设优化目标构建糯米粉品质标准优化模型。
模型优化模块50，用于对所述糯米粉品质标准优化模型进行优化，获得调控模型。
范围确定模块60，用于根据所述调控模型确定糯米粉品质指标范围。
本实施例中通过获取根据糯米粉指标和汤圆指标构建的样本数据库；对所述样本数据库中的数据进行预处理，获得处理后的目标数据；基于所述目标数据设置约束条件；根据所述约束条件和预设优化目标构建糯米粉品质标准优化模型；对所述糯米粉品质标准优化模型进行优化，获得调控模型；根据所述调控模型确定糯米粉品质指标范围。从而通过样本数据库中的数据设置约束条件，进而构建糯米粉品质标准优化模型，根据该模型来确定糯米粉品质指标范围，解决了如何确定糯米粉品质指标的最佳范围，使得在给定的生产工艺条件下糯米粉能够生产出合格的汤圆的技术问题。
在一实施例中，所述数据处理模块20，还用于从所述样本数据库中提取糯米粉样本集和汤圆样本集；分别对所述糯米粉样本集和所述汤圆样本集进行标准化处理，获得标准化糯米粉样本集和标准化汤圆样本集；获取所述标准化糯米粉样本集中的标准化糯米粉样本数据；对所述标准化糯米粉样本数据进行主成分降维，获得目标糯米粉样本数据和主成分因子载荷矩阵；从所述目标糯米粉样本数据中提取目标糯米粉指标；根据所述主成分因子载荷矩阵将所述目标糯米粉指标映射为糯米粉品质指标；将所述目标糯米粉样本数据、所述标准化汤圆样本集和所述糯米粉品质指标作为目标数据。
在一实施例中，所述约束条件模块30，还用于根据所述目标糯米粉数据和所述标准化汤圆样本集生成多元线性回归模型的训练集；根据所述训练集对所述多元线性回归模型进行训练，获得汤圆品质指标对应的预测模型；从所述标准化汤圆样本集中提取目标汤圆指标，并基于预设系数矩阵确定所述目标汤圆指标对应的回归函数；根据所述回归函数、所述预测模型和所述糯米粉品质指标设置约束条件。
在一实施例中，所述约束条件模块30，还用于根据所述回归模型确定拟合优度；查找所述糯米粉品质指标对应的糯米粉品质的理化性质数据，并基于所述理化性质数据确定糯米粉限制约束；基于所述预测模型和预设汤圆品质要求，确定汤圆限制约束；根据所述拟合优度对所述汤圆限制约束进行修正，获得目标汤圆限制约束；根据多个目标糯米粉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；将所述糯米粉限制约束、所述目标汤圆限制约束和所述扩散因子约束作为约束条件。
在一实施例中，所述模型优化模块50，还用于将所述糯米粉品质标准优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糯米粉品质标准优化模型进行优化，获得调控模型。
在一实施例中，所述模型优化模块50，还用于根据所述结果数据计算指标权重；根据所述指标权重和所述扩散因子确定松弛因子；根据所述扩散因子和所述松弛因子对所述扩散因子约束进行优化，获得目标扩散因子约束。
在一实施例中，所述范围确定模块60，还用于根据所述调控模型计算糯米粉品质指标下界值和糯米粉品质指标上界值；对所述糯米粉品质指标下界值和所述糯米粉品质指标上界值进行反标准化处理；根据处理结果确定糯米粉品质指标范围。
在本发明所述求解汤圆原料指标范围的数据驱动模型分析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，求解汤圆原料指标范围的数据驱动模型分析设备，空调器，或者网络求解汤圆原料指标范围的数据驱动模型分析设备等)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 (3)

1.一种求解汤圆原料指标范围的数据驱动模型分析方法，其特征在于，所述求解汤圆原料指标范围的数据驱动模型分析方法包括以下步骤：
获取根据糯米粉指标和汤圆指标构建的样本数据库；
对所述样本数据库中的数据进行预处理，获得处理后的目标数据；
基于所述目标数据设置约束条件；
根据所述约束条件和预设优化目标构建糯米粉品质标准优化模型；
对所述糯米粉品质标准优化模型进行优化，获得调控模型；
根据所述调控模型确定糯米粉品质指标范围；
其中，所述对所述样本数据库中的数据进行预处理，获得处理后的目标数据，包括：
从所述样本数据库中提取糯米粉样本集和汤圆样本集；分别对所述糯米粉样本集和所述汤圆样本集进行标准化处理，获得标准化糯米粉样本集和标准化汤圆样本集；获取所述标准化糯米粉样本集中的标准化糯米粉样本数据；对所述标准化糯米粉样本数据进行主成分降维，获得目标糯米粉样本数据和主成分因子载荷矩阵；从所述目标糯米粉样本数据中提取目标糯米粉指标；根据所述主成分因子载荷矩阵将所述目标糯米粉指标映射为糯米粉品质指标；将所述目标糯米粉样本数据、所述标准化汤圆样本集和所述糯米粉品质指标作为目标数据；
所述基于所述目标数据设置约束条件，包括：
根据所述目标糯米粉数据和所述标准化汤圆样本集生成多元线性回归模型的训练集；根据所述训练集对所述多元线性回归模型进行训练，获得汤圆品质指标对应的预测模型；从所述标准化汤圆样本集中提取目标汤圆指标，并基于预设系数矩阵确定所述目标汤圆指标对应的回归函数；根据所述回归模型确定拟合优度；查找所述糯米粉品质指标对应的糯米粉品质的理化性质数据，并基于所述理化性质数据确定糯米粉限制约束；基于所述预测模型和预设汤圆品质要求，确定汤圆限制约束；根据所述拟合优度对所述汤圆限制约束进行修正，获得目标汤圆限制约束；根据多个目标糯米粉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；将所述糯米粉限制约束、所述目标汤圆限制约束和所述扩散因子约束作为约束条件；
所述对所述糯米粉品质标准优化模型进行优化，获得调控模型，包括：将所述糯米粉品质标准优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；根据所述结果数据计算指标权重；根据所述指标权重和所述扩散因子确定松弛因子；根据所述扩散因子和所述松弛因子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糯米粉品质标准优化模型进行优化，获得调控模型。
2.如权利要求1所述的求解汤圆原料指标范围的数据驱动模型分析方法，其特征在于，所述根据所述调控模型确定糯米粉品质指标范围，具体包括：
根据所述调控模型计算糯米粉品质指标下界值和糯米粉品质指标上界值；
对所述糯米粉品质指标下界值和所述糯米粉品质指标上界值进行反标准化处理；
根据处理结果确定糯米粉品质指标范围。
3.一种求解汤圆原料指标范围的数据驱动模型分析装置，其特征在于，所述求解汤圆原料指标范围的数据驱动模型分析装置包括：
数据获取模块，用于获取根据糯米粉指标和汤圆指标构建的样本数据库；
数据处理模块，用于对所述样本数据库中的数据进行预处理，获得处理后的目标数据；
约束条件模块，用于基于所述目标数据设置约束条件；
模型构建模块，用于根据所述约束条件和预设优化目标构建糯米粉品质标准优化模型；
模型优化模块，用于对所述糯米粉品质标准优化模型进行优化，获得调控模型；
范围确定模块，用于根据所述调控模型确定糯米粉品质指标范围；
其中，所述数据处理模块，还用于从所述样本数据库中提取糯米粉样本集和汤圆样本集；分别对所述糯米粉样本集和所述汤圆样本集进行标准化处理，获得标准化糯米粉样本集和标准化汤圆样本集；获取所述标准化糯米粉样本集中的标准化糯米粉样本数据；对所述标准化糯米粉样本数据进行主成分降维，获得目标糯米粉样本数据和主成分因子载荷矩阵；从所述目标糯米粉样本数据中提取目标糯米粉指标；根据所述主成分因子载荷矩阵将所述目标糯米粉指标映射为糯米粉品质指标；将所述目标糯米粉样本数据、所述标准化汤圆样本集和所述糯米粉品质指标作为目标数据；
所述约束条件模块，还用于根据所述目标糯米粉数据和所述标准化汤圆样本集生成多元线性回归模型的训练集；根据所述训练集对所述多元线性回归模型进行训练，获得汤圆品质指标对应的预测模型；从所述标准化汤圆样本集中提取目标汤圆指标，并基于预设系数矩阵确定所述目标汤圆指标对应的回归函数；根据所述回归模型确定拟合优度；查找所述糯米粉品质指标对应的糯米粉品质的理化性质数据，并基于所述理化性质数据确定糯米粉限制约束；基于所述预测模型和预设汤圆品质要求，确定汤圆限制约束；根据所述拟合优度对所述汤圆限制约束进行修正，获得目标汤圆限制约束；根据多个目标糯米粉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；将所述糯米粉限制约束、所述目标汤圆限制约束和所述扩散因子约束作为约束条件；
所述模型优化模块，还用于将所述糯米粉品质标准优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；根据所述结果数据计算指标权重；根据所述指标权重和所述扩散因子确定松弛因子；根据所述扩散因子和所述松弛因子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糯米粉品质标准优化模型进行优化，获得调控模型。
CN202010118218.2A 2020-02-25 2020-02-25 求解汤圆原料指标范围的数据驱动模型分析方法及装置 Active CN111291496B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202010118218.2A CN111291496B (zh) 2020-02-25 2020-02-25 求解汤圆原料指标范围的数据驱动模型分析方法及装置

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202010118218.2A CN111291496B (zh) 2020-02-25 2020-02-25 求解汤圆原料指标范围的数据驱动模型分析方法及装置

Publications (2)

Publication Number Publication Date
CN111291496A CN111291496A (zh) 2020-06-16
CN111291496B true CN111291496B (zh) 2023-05-12

Family

ID=71020450

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202010118218.2A Active CN111291496B (zh) 2020-02-25 2020-02-25 求解汤圆原料指标范围的数据驱动模型分析方法及装置

Country Status (1)

Country Link
CN (1) CN111291496B (zh)

Families Citing this family (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN112666998B (zh) * 2020-12-28 2022-02-11 柳州市汇方科技有限公司 一种调控米粉含水率的方法及装置

Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN103955626A (zh) * 2014-05-21 2014-07-30 江苏省农业科学院 一种干制毛豆品质评价模型及构建方法
JP2018018354A (ja) * 2016-07-28 2018-02-01 高砂香料工業株式会社 ディープラーニングを用いた飲食品の品質予測方法及び飲食品
CN109222208A (zh) * 2018-10-30 2019-01-18 杭州安脉盛智能技术有限公司 面向卷烟生产指标控制的制丝工艺分析优化方法及系统
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
CN110132938A (zh) * 2019-05-29 2019-08-16 南京财经大学 一种拉曼光谱法鉴别大米种类的特征数据提取方法

Family Cites Families (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
EP3404593A1 (en) * 2017-05-15 2018-11-21 Tata Consultancy Services Limited Method and system for data based optimization of performance indicators in process and manufacturing industries
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

Patent Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN103955626A (zh) * 2014-05-21 2014-07-30 江苏省农业科学院 一种干制毛豆品质评价模型及构建方法
JP2018018354A (ja) * 2016-07-28 2018-02-01 高砂香料工業株式会社 ディープラーニングを用いた飲食品の品質予測方法及び飲食品
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
CN109222208A (zh) * 2018-10-30 2019-01-18 杭州安脉盛智能技术有限公司 面向卷烟生产指标控制的制丝工艺分析优化方法及系统
CN110132938A (zh) * 2019-05-29 2019-08-16 南京财经大学 一种拉曼光谱法鉴别大米种类的特征数据提取方法

Non-Patent Citations (3)

* Cited by examiner, † Cited by third party
Title
党允卓 ; 周坚 ; 吕庆云 ; 陈轩 ; 周康 ; .速冻汤圆专用糯米核心指标的探究.食品科技.2020,(01),全文. *
公丽艳.不同品种苹果加工脆片适宜性评价研究.《中国博士学位论文全文数据库 电子期刊》.2015,(第1期),全文. *
李勇 ; 陈晓川 ; 汪军 ; 张洪洲 ; 王伟 ; .基于BP神经网络的机采原棉品质指标预测模型.棉纺织技术.2015,(01),全文. *

Also Published As

Publication number Publication date
CN111291496A (zh) 2020-06-16

Similar Documents

Publication Publication Date Title
Wilms et al. Sparse canonical correlation analysis from a predictive point of view
CN111199016A (zh) 一种基于DTW的改进K-means的日负荷曲线聚类方法
JP2017120640A (ja) 電磁鋼板の磁気特性予測装置及び磁気特性制御装置
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
CN112016826A (zh) 变电站设备腐蚀程度确定方法、装置和计算机设备
He et al. Weighted incremental minimax probability machine-based method for quality prediction in gasoline blending process
CN113935535A (zh) 一种面向中长期预测模型的主成分分析方法
CN112330153A (zh) 基于非线性正交回归的行业规模预测模型建模方法及装置
Zhao et al. Prediction of mechanical properties of cold rolled strip based on improved extreme random tree
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
CN114357870A (zh) 基于局部加权偏最小二乘的计量设备运行性能预测分析方法
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
CN112200252A (zh) 基于概率盒全局灵敏度分析和主动子空间的联合降维方法
CN111861002A (zh) 基于数据驱动高斯学习技术的建筑物冷热负荷预测方法
CN111340361B (zh) 求解黄酒原料指标范围的数据驱动模型分析方法及装置
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
CN116502455A (zh) 一种激光选区熔化技术的工艺参数确定方法及系统
CN116415177A (zh) 一种基于极限学习机的分类器参数辨识方法
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
CN116047753A (zh) 光学系统正交优化模型的构建及优化方法
CN115374570A (zh) 一种用于穿越工程隧道变形预测的多源加权训练集构建方法
Ahmed A-power stochastic Lundqvist-Korf diffusion process: Computational aspects and simulation
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
CN115270861A (zh) 一种产品成分数据监测方法、装置、电子设备及存储介质
CN112364527B (zh) 一种基于aliesn在线学习算法的脱丁烷塔软测量建模方法

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