CN111310127B - 基于食品制品品质范围获取原料品质范围的方法及装置 - Google Patents
基于食品制品品质范围获取原料品质范围的方法及装置 Download PDFInfo
- Publication number
- CN111310127B CN111310127B CN202010118105.2A CN202010118105A CN111310127B CN 111310127 B CN111310127 B CN 111310127B CN 202010118105 A CN202010118105 A CN 202010118105A CN 111310127 B CN111310127 B CN 111310127B
- Authority
- CN
- China
- Prior art keywords
- food
- raw material
- target
- quality
- data
- 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
Links
- 235000013305 food Nutrition 0.000 title claims abstract description 737
- 239000002994 raw material Substances 0.000 title claims abstract description 336
- 238000000034 method Methods 0.000 title claims abstract description 80
- 238000005457 optimization Methods 0.000 claims abstract description 82
- 238000004364 calculation method Methods 0.000 claims abstract description 64
- 238000011160 research Methods 0.000 claims abstract description 58
- 238000004519 manufacturing process Methods 0.000 claims abstract description 43
- 230000008569 process Effects 0.000 claims abstract description 35
- 238000012545 processing Methods 0.000 claims abstract description 27
- 239000000463 material Substances 0.000 claims description 70
- 238000009792 diffusion process Methods 0.000 claims description 43
- 238000012549 training Methods 0.000 claims description 29
- 238000002360 preparation method Methods 0.000 claims description 21
- 238000012417 linear regression Methods 0.000 claims description 20
- 239000011159 matrix material Substances 0.000 claims description 17
- 235000012041 food component Nutrition 0.000 claims description 10
- 239000005417 food ingredient Substances 0.000 claims description 10
- 230000001276 controlling effect Effects 0.000 claims description 5
- 230000001105 regulatory effect Effects 0.000 claims description 5
- 238000011425 standardization method Methods 0.000 claims description 5
- 238000010276 construction Methods 0.000 claims description 3
- 230000009467 reduction Effects 0.000 description 16
- 238000012937 correction Methods 0.000 description 7
- 230000014509 gene expression Effects 0.000 description 7
- 238000007781 pre-processing Methods 0.000 description 4
- 239000013598 vector Substances 0.000 description 4
- 238000013507 mapping Methods 0.000 description 3
- 238000012546 transfer Methods 0.000 description 3
- 230000005477 standard model Effects 0.000 description 2
- 238000010220 Pearson correlation analysis Methods 0.000 description 1
- 238000004458 analytical method Methods 0.000 description 1
- 238000004891 communication Methods 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 238000002474 experimental method Methods 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 230000001788 irregular Effects 0.000 description 1
- 238000012886 linear function Methods 0.000 description 1
- 238000013178 mathematical model Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000010606 normalization Methods 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 238000012797 qualification Methods 0.000 description 1
- 230000004044 response Effects 0.000 description 1
- 238000012216 screening Methods 0.000 description 1
- 230000001953 sensory effect Effects 0.000 description 1
- 238000003860 storage Methods 0.000 description 1
- 239000000126 substance Substances 0.000 description 1
- 238000012360 testing method Methods 0.000 description 1
- 239000002699 waste material Substances 0.000 description 1
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
- G06F17/00—Digital computing or data processing equipment or methods, specially adapted for specific functions
- G06F17/10—Complex mathematical operations
- G06F17/15—Correlation function computation including computation of convolution operations
-
- 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
- G06F17/16—Matrix or vector computation, e.g. matrix-matrix or matrix-vector multiplication, matrix factorization
-
- 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
- G06Q10/0639—Performance analysis of employees; Performance analysis of enterprise or organisation operations
- G06Q10/06393—Score-carding, benchmarking or key performance indicator [KPI] analysis
-
- 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
- G06Q50/04—Manufacturing
-
- 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)
- Business, Economics & Management (AREA)
- Physics & Mathematics (AREA)
- Human Resources & Organizations (AREA)
- General Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Strategic Management (AREA)
- Mathematical Physics (AREA)
- Economics (AREA)
- Data Mining & Analysis (AREA)
- Mathematical Analysis (AREA)
- Mathematical Optimization (AREA)
- Pure & Applied Mathematics (AREA)
- Computational Mathematics (AREA)
- Development Economics (AREA)
- Entrepreneurship & Innovation (AREA)
- General Business, Economics & Management (AREA)
- Educational Administration (AREA)
- Tourism & Hospitality (AREA)
- Operations Research (AREA)
- Marketing (AREA)
- Game Theory and Decision Science (AREA)
- Databases & Information Systems (AREA)
- Quality & Reliability (AREA)
- General Engineering & Computer Science (AREA)
- Software Systems (AREA)
- Algebra (AREA)
- Computing Systems (AREA)
- Health & Medical Sciences (AREA)
- Manufacturing & Machinery (AREA)
- General Health & Medical Sciences (AREA)
- Primary Health Care (AREA)
- Life Sciences & Earth Sciences (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Bioinformatics & Computational Biology (AREA)
- Evolutionary Biology (AREA)
- Probability & Statistics with Applications (AREA)
- General Preparation And Processing Of Foods (AREA)
Abstract
本发明涉及食品制品加工技术领域,公开了一种基于食品制品品质范围获取原料品质范围的方法及装置,所述方法包括:获取食品制品品质调研数据和食品制品品质研究数据,确定食品原料样本集和食品制品样本集,根据食品原料样本集和食品制品样本集对食品制品品质指标进行预测,根据预测过程中的计算数据和预设优化目标构建食品原料品质标准优化模型,对食品原料品质标准优化模型进行优化,获得调控模型来确定食品原料品质指标范围。从而解决了如何确定食品原料品质指标的最佳范围,使得在给定的生产工艺条件下食品原料能够生产出合格的食品制品的技术问题。
Description
技术领域
本发明涉及食品加工技术领域,尤其涉及一种基于食品制品品质范围获取原料品质范围的方法及装置。
背景技术
在食品加工领域,多样化的食品对食品原料品质的需求也不尽相同,需要制作出符合国标、省标、行标、企标的食品,就要根据食品品质预测食品原料的最佳品质范围,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。
目前企业在确定食品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食品原料投入制作将会得到怎样的食品,但是这种根据生产经验对食品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食品最合适的食品原料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基于食品制品品质范围获取原料品质范围的方法及装置,旨在解决如何确定食品原料品质指标的最佳范围,使得在给定的生产工艺条件下食品原料能够生产出合格的食品的技术问题。
为实现上述目的,本发明提供一种基于食品制品品质范围获取原料品质范围的方法,所述基于食品制品品质范围获取原料品质范围的方法包括以下步骤:
获取食品品质调研数据和食品品质研究数据;
根据所述食品品质调研数据和所述食品品质研究数据构建食品原料和食品制品的指标体系;
从所述食品品质研究数据中提取食品制作工艺,并从所述食品制作工艺中选取目标食品制作工艺;
根据所述指标体系和所述目标食品制作工艺确定食品原料样本集和食品制品样本集;
根据所述食品原料样本集和所述食品制品样本集对食品制品品质指标进行预测,并获取预测过程中的计算数据;
根据所述计算数据和预设优化目标构建食品原料品质标准优化模型;
对所述食品原料品质标准优化模型进行优化,获得调控模型,并根据所述调控模型确定食品原料品质指标范围。
优选地,所述根据所述指标体系和所述目标食品制作工艺确定食品原料样本集和食品制品样本集,具体包括:
根据所述指标体系确定食品原料指标和食品制品指标;
从所述调研数据中提取食品原料品种及食品原料基础信息;
根据所述食品原料基础信息从所述食品原料品种中选取目标食品原料品种;
根据所述食品原料指标查找所述目标食品原料品种对应的目标样本食品原料指标;
根据所述目标样本食品原料指标构建食品原料样本集;
根据所述目标食品制作工艺对所述目标食品原料品种对应的食品原料进行加工处理,获得目标食品制品;
根据所述食品制品指标和所述目标食品制品构建食品制品样本集。
优选地,所述根据所述食品原料样本集和所述食品制品样本集对食品制品品质指标进行预测,并获取预测过程中的计算数据,具体包括:
通过预设数据处理模型对所述食品原料样本集和所述食品制品样本集进行处理,获得处理后的目标数据;
根据所述目标数据对食品制品品质指标进行预测,并获取预测过程中的计算数据。
优选地,所述根据所述目标数据对食品制品品质指标进行预测,并获取预测过程中的计算数据,具体包括:
根据所述所述目标数据构建回归模型,并根据所述目标数据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,获得食品制品品质指标对应的预测模型;
从所述标准化食品样本集中提取目标食品制品指标,并基于预设系数矩阵确定所述目标食品制品指标对应的回归函数;
根据所述回归函数确定拟合优度;
将所述预测模型和所述拟合优度作为计算数据。
优选地,所述根据所述计算数据和预设优化目标构建食品原料品质标准优化模型,具体包括:
查找所述食品原料品质指标对应的食品原料品质的理化性质数据,并基于所述理化性质数据确定食品原料限制约束;
基于所述预测模型和预设目标食品品质要求,确定食品制品限制约束;
根据所述拟合优度对所述食品限制约束进行修正,获得目标食品制品限制约束;
根据多个目标食品原料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;
将所述食品原料限制约束、所述目标食品制品限制约束和所述扩散因子约束作为约束条件;
根据所述约束条件和预设优化目标构建食品原料品质标准优化模型。
优选地,所述对所述食品原料品质标准优化模型进行优化,获得调控模型,并根据所述调控模型确定食品原料品质指标范围,具体包括:
对所述食品原料品质标准优化模型进行转化,获得单目标品质标准优化模型;
根据所述单目标品质标准优化模型进行四分位数计算,获得计算结果数据;
根据所述计算结果数据对所述食品原料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食品原料品质指标范围。
优选地,所述根据所述计算结果数据对所述食品原料品质标准优化模型进行优化,获得调控模型,具体包括:
从所述计算结果数据中选取下四分位数据和上四分位数据;
根据所述下四分位数据和所述上四分位数据计算差值;
根据所述差值和预设标准化方法确定约束权重;
根据所述约束权重和所述扩散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食品原料品质标准优化模型进行调控,获得调控模型。
优选地,所述根据所述调控模型确定食品原料品质指标范围,具体包括:
根据所述调控模型计算食品原料品质指标下界值和食品原料品质指标上界值;
对所述食品原料品质指标下界值和所述食品原料品质指标上界值进行反标准化处理;
根据处理结果确定食品原料品质指标范围。
此外,为实现上述目的,本发明还提出一种基于食品制品品质范围获取原料品质范围的装置,所述基于食品制品品质范围获取原料品质范围的装置包括:
数据获取模块,用于获取食品品质调研数据和食品品质研究数据;
体系构建模块,用于根据所述食品品质调研数据和所述食品品质研究数据构建食品原料和食品制品的指标体系;
制作工艺模块,用于从所述食品品质研究数据中提取食品制作工艺,并从所述食品制作工艺中选取目标食品制作工艺;
样本集确定模块,用于根据所述指标体系和所述目标食品制作工艺确定食品原料样本集和食品制品样本集;
指标预测模块,用于根据所述食品原料样本集和所述食品制品样本集对食品制品品质指标进行预测,并获取预测过程中的计算数据;
模型构建模块,用于根据所述计算数据和预设优化目标构建食品原料品质标准优化模型;
范围确定模块,用于对所述食品原料品质标准优化模型进行优化,获得调控模型,并根据所述调控模型确定食品原料品质指标范围。
优选地,所述指标预测模块,还用于通过预设数据处理模型对所述食品原料样本集和所述食品制品样本集进行处理,获得处理后的目标数据;
所述指标预测模块,还用于根据所述目标数据对食品制品品质指标进行预测,并获取预测过程中的计算数据。
本发明提出的基于食品制品品质范围获取原料品质范围的方法,通过获取食品品质调研数据和食品品质研究数据;根据所述食品品质调研数据和所述食品品质研究数据构建食品原料和食品制品的指标体系;从所述食品制品品质研究数据中提取食品制品制作工艺,并从所述食品制品制作工艺中选取目标食品制品制作工艺;根据所述指标体系和所述目标食品制品制作工艺确定食品原料样本集和食品制品样本集;根据所述食品原料样本集和所述食品制品样本集对食品制品品质指标进行预测,并获取预测过程中的计算数据;根据所述计算数据和预设优化目标构建食品原料品质标准优化模型;对所述食品原料品质标准优化模型进行优化,获得调控模型,并根据所述调控模型确定食品原料品质指标范围。从而通过先获得食品原料样本集和食品制品样本集,再进行预处理得到目标数据,获取基于目标数据对食品制品品质指标进行预测过程中的计算数据,进而构建食品原料品质标准优化模型,再进行优化得到调控模型,根据该模型来确定食品原料品质指标范围,解决了如何确定食品原料品质指标的最佳范围,使得在给定的生产工艺条件下食品原料能够生产出合格的食品制品的技术问题。
附图说明
图1为本发明基于食品制品品质范围获取原料品质范围的方法第一实施例的流程示意图;
图2为本发明基于食品制品品质范围获取原料品质范围的方法第二实施例的流程示意图;
图3为本发明基于食品制品品质范围获取原料品质范围的方法第三实施例的流程示意图;
图4为本发明基于食品制品品质范围获取原料品质范围的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为本发明基于食品制品品质范围获取原料品质范围的方法第一实施例的流程示意图。
在第一实施例中,所述基于食品制品品质范围获取原料品质范围的方法包括以下步骤:
步骤S10,获取食品品质调研数据和食品品质研究数据。
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基于食品制品品质范围获取原料品质范围的设备,本实施例对此不作限制,在本实施例中,以基于食品制品品质范围获取原料品质范围的设备为例进行说明。
可以理解的是,食品制品原料可为食品原料,食品制品可为食品制品,还可为其他材料,本实施例中以食品制品原料为食品原料,食品制品为食品制品为例进行说明。
应当理解的是,食品制品品质调研数据是根据大数据收集到的各种关于食品制品和食品原料的数据,食品制品品质研究数据是对食品制品和食品原料进行研究和试验过程中收集的数据。
表1各食品原料指标对应符号
表2各食品制品指标对应符号
其中{x1,x2,…x9}是可以评价食品原料的食品原料指标,{y1,y2,…y11}是可以评价食品制品的食品制品指标。
步骤S20,根据所述食品品质调研数据和所述食品品质研究数据构建食品原料和食品制品的指标体系。
需要说明的是,根据食品制品品质调研数据和食品制品品质研究数据中的各项数据,包括但不限于于上述列出的数据,可以构建食品原料和食品制品的指标体系,在该指标体系中含有可以评价食品原料的食品原料指标和可以评价食品制品的食品制品指标。
步骤S30,从所述食品品质研究数据中提取食品制作工艺,并从所述食品制作工艺中选取目标食品制作工艺。
应当理解的是,可以从食品制品品质研究数据中提取多种食品制品制作工艺,通过对食品制品制作工艺的通用性和先进性进行筛选,将食品制品最典型的制作工艺作为目标食品制品制作工艺。
步骤S40,根据所述指标体系和所述目标食品制作工艺确定食品原料样本集和食品制品样本集。
进一步地,所述步骤S40,包括:
根据所述指标体系确定食品原料指标和食品制品指标;从所述调研数据中提取食品原料品种及食品原料基础信息;根据所述食品原料基础信息从所述食品原料品种中选取目标食品原料品种;根据所述食品原料指标查找所述目标食品原料品种对应的目标样本食品原料指标;
根据所述目标样本食品原料指标构建食品原料样本集;根据所述目标食品制品制作工艺对所述目标食品原料品种对应的食品原料进行加工处理,获得目标食品制品;根据所述食品制品指标和所述目标食品制品构建食品制品样本集。
需要说明的是,从调研数据中提取食品原料品种和食品原料基础信息,食品原料基础信息包括但不限于食品原料品质信息,根据这些信息选择最适合食品原料品种作为目标食品原料品种,将目标食品原料品种对应的食品原料作为样本,这样可得到t种样本食品原料,而样本食品原料对应的指标则为目标样本食品原料指标。
应当理解的是,统计t种样本食品原料的基础信息,得到基础信息数据集DA:
其中A1为编号,A11为第1种食品原料的第1个基础属性,xtm为第t中食品原料的第m个基础属性(m=9),基础属性包括食品原料的品种、产地、型号等。
对t种样本食品原料采集各项标准的指标值,得到食品原料样本集DM:
其中x11为第1种食品原料的第1个指标的指标值,xt9为第t中食品原料的第m个指标的指标值。
应当理解的是,t种样本食品原料通过目标食品制品制作工艺可以得到r种食品制品,对t种食品制品采集各项标准的指标值,得到食品制品样本集DN:
其中y11为第1种食品制品的第1个指标的指标值,ytm为第t种食品制品的第m个指标的指标值。
根据基础信息数据集DA、食品原料样本集DM和食品制品样本集DN构建数据库D:
对数据库中的数据做简单的数据预处理,检查数据库中数据是否存在数据缺漏、数据重复,数据明显错误等。
步骤S50,根据所述食品原料样本集和所述食品制品样本集对食品制品品质指标进行预测,并获取预测过程中的计算数据。
应理解的是:根据所述食品原料样本集和所述食品制品样本集对食品制品品质指标进行预测,并获取预测过程中的计算数据的步骤具体可以分为以下两种:
第一种:分别对所述食品原料样本集和所述食品制品样本集进行标准化处理,获得标准化食品原料样本集和标准化食品制品样本集;从所述标准化食品原料样本集中提取标准化食品原料指标样本数据;对所述标准化食品原料指标样本数据进行主成分降维,获得目标食品原料样本数据和主成分因子载荷矩阵;根据所述主成分因子载荷矩阵确定主成分表达式;从所述目标食品原料样本数据中提取目标食品原料指标;根据所述主成分表达式将所述目标食品原料指标映射为食品原料品质指标。将所述目标食品原料样本数据、所述标准化食品制品样本集和所述食品原料品质指标作为目标数据;基于所述目标数据对食品制品品质指标进行预测,并获取预测过程中的计算数据;根据所述目标食品原料样本数据和所述标准化食品制品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,获得食品制品品质指标对应的预测模型;从所述标准化食品制品样本集中提取目标食品制品指标,并基于预设系数矩阵确定所述目标食品制品指标对应的回归函数;根据所述回归函数确定拟合优度;将所述预测模型和所述拟合优度作为计算数据。
第二种:分别对所述食品原料样本集和所述食品制品样本集进行标准化处理,获得标准化食品原料样本集和标准化食品制品样本集;从所述标准化食品原料样本集中提取目标食品原料指标,并从所述标准化食品制品样本集中提取目标食品制品指标;对所述目标食品原料指标进行多重共线分析处理,获得所述目标食品原料指标对应的方差膨胀系数;将所述方差膨胀系数与预设系数阈值进行比较;若所述方差膨胀系数大于所述预设系数阈值,则执行所述基于所述标准化食品原料样本集对食品原料品质指标进行逐步回归处理,获得回归方程的步骤;根据所述目标食品原料指标和所述目标食品制品指标构建回归模型;从所述标准化食品原料样本集中提取食品原料样本集维度,并从所述标准化食品制品样本集中提取食品制品样本集维度;根据所述食品原料样本集维度、所述食品制品样本集维度和所述回归模型确定回归方程;根据所述回归方程对食品制品品质指标进行预测,并获取预测过程中的计算数据;生成食品制品品质指标对应的多元线性回归模型;根据所述回归方程对所述多元线性回归模型进行训练,获得所述食品制品品质指标对应的预测模型;从所述标准化食品制品样本集中提取目标食品制品指标,并确定所述目标食品制品指标对应的回归函数;根据所述回归函数确定拟合优度;将所述预测模型和所述拟合优度作为计算数据
需要说明的是,对所述食品原料样本集和所述食品制品样本集进行预处理,获得处理后的目标数据可以是将食品制品样本集中的指标设置为响应变量,将食品原料样本集中的指标设置为预测变量,就可以将对食品制品标准的约束转化为对食品原料标准的约束。
应当理解的是,对所述食品原料样本集和所述食品制品样本集进行预处理的步骤具体为:
首先,分别对食品原料样本集和食品制品样本集进行标准化处理,可获得标准化食品原料样本集和标准化食品制品样本集,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,获取标准化食品原料样本集中的标准化食品原料样本数据,对标准化食品原料样本数据进行主成分降维,获得目标食品原料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,从目标食品原料样本数据中提取目标食品原料指标,根据主成分因子载荷矩阵将目标食品原料指标映射为食品原料品质指标,将目标食品原料样本数据、标准化食品制品样本集、食品原料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食品原料样本数据、标准化食品制品样本集、食品原料品质指标。
需要说明的是,基于目标数据对食品制品品质指标进行预测的步骤具体为:
首先,根据目标食品原料样本数据和标准化食品制品样本集生成多元线性回归模型的训练集,再根据训练集对多元线性回归模型进行训练,获得食品制品品质指标对应的预测模型,预测模型用于根据食品原料品质指标预测食品制品品质指标,在后续步骤中,通过预测模型来确定食品制品限制约束。
然后,从标准化食品制品样本集中提取目标食品制品指标,并基于预设系数矩阵确定目标食品制品指标对应的回归函数,并根据回归函数确定拟合优度。
最后,将预测步骤过程中得到的预测模型和拟合优度作为计算数据,用于后续的计算和使用,即所述计算数据包括预测模型和拟合优度。
应当理解的是,为了解决精度问题,为食品原料标准的约束引入基于回归预测精度的修正因子来改造约束条件,使得优化后的食品原料最大限度地保证获得符合食品制品品质标准的制品,提高了优化决策的可信度。
步骤S60,根据所述计算数据和预设优化目标构建食品原料品质标准优化模型。
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,食品原料品质标准优化模型的约束条件包括:
第一类约束:食品原料限制约束。此约束按照食品原料的指标数值的合理范围限制求解范围。
第二类约束:食品制品限制约束。此约束是通过食品原料和食品制品的关系模型的传递,将对食品制品的限制转移到对食品原料的限制上来,其中还需考虑关系模型的精度矫正问题。以两项食品原料指标和两项食品制品指标为例研究构建食品制品限制约束的原理,该原理可以推广到更高维空间的情形。
第三类约束:扩散因子约束。根据这些约束条件可构建食品原料品质标准优化模型。
步骤S70,对所述食品原料品质标准优化模型进行优化,获得调控模型,并根据所述调控模型确定食品原料品质指标范围。
需要说明的是,可对食品原料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食品原料品质指标范围,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。
应当理解的是,对食品原料品质标准优化模型进行优化的目的是为了使得出的结论中包含更多品种的食品原料的食品原料品质指标范围。
本实施例中通过获取食品制品品质调研数据和食品制品品质研究数据;根据所述食品制品品质调研数据和所述食品制品品质研究数据构建食品原料和食品制品的指标体系;从所述食品制品品质研究数据中提取食品制品制作工艺,并从所述食品制品制作工艺中选取目标食品制品制作工艺;根据所述指标体系和所述目标食品制品制作工艺确定食品原料样本集和食品制品样本集;对所述食品原料样本集和所述食品制品样本集进行预处理,获得处理后的目标数据;基于所述目标数据对食品制品品质指标进行预测,并获取预测过程中的计算数据;根据所述计算数据和预设优化目标构建食品原料品质标准优化模型;对所述食品原料品质标准优化模型进行优化,获得调控模型,并根据所述调控模型确定食品原料品质指标范围。从而通过先获得食品原料样本集和食品制品样本集,再进行预处理得到目标数据,获取基于目标数据对食品制品品质指标进行预测过程中的计算数据,进而构建食品原料品质标准优化模型,再进行优化得到调控模型根据该模型来确定食品原料品质指标范围,解决了如何确定食品原料品质指标的最佳范围,使得在给定的生产工艺条件下食品原料能够生产出合格的食品制品的技术问题。
在一实施例中,如图2所示,基于第一实施例提出本发明基于食品制品品质范围获取原料品质范围的方法第二实施例,所述步骤S50,包括:
步骤S501,通过预设数据处理模型对所述食品原料样本集和所述食品制品样本集进行处理,获得处理后的目标数据。
应理解的是,通过预设数据处理模型对所述食品原料样本集和所述食品制品样本集进行处理,获得处理后的目标数据的具体步骤可以是以下两种:
第一种:分别对所述食品原料样本集和所述食品制品样本集进行标准化处理,获得标准化食品原料样本集和标准化食品制品样本集;从所述标准化食品原料样本集中提取标准化食品原料指标样本数据;对所述标准化食品原料指标样本数据进行主成分降维,获得目标食品原料样本数据和食品原料品质指标;将所述目标食品原料样本数据、所述标准化食品制品样本集和所述食品原料品质指标作为目标数据。
需要说明的是,分别对所述食品原料样本集和所述食品制品样本集进行标准化处理,获得标准化食品原料样本集和标准化食品制品样本集可以是分别对食品原料样本集DM和食品制品样本集DN进行标准化处理,获得标准化食品原料样本集和标准化食品制品样本集,计算公式为:
其中,xi=(x1i;x2i;…;xti)(i=1,2,…,m)是食品原料样本集;
yj=(y1j;y2j;…;ytj)(j=1,2,…,n)是食品制品样本集;t种食品原料;
需要说明的是,根据所述目标数据对食品制品品质指标进行预测,并获取预测过程中的计算数据可以是从所述标准化食品原料样本集中提取标准化食品原料指标样本数据。
应理解的是,对所述标准化食品原料指标样本数据进行主成分降维,获得目标食品原料样本数据和食品原料品质指标的步骤可以具体包括:对所述标准化食品原料指标样本数据进行主成分降维,获得目标食品原料样本数据和主成分因子载荷矩阵;根据所述主成分因子载荷矩阵确定主成分表达式;从所述目标食品原料样本数据中提取目标食品原料指标;根据所述主成分表达式将所述目标食品原料指标映射为食品原料品质指标。
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食品制品品质。
(2)进行主成分降维。PCA流程中,m为食品原料样本集维度(m=9),d为降维后的数据维度,本文通过观察降维后数据可以解释原始数据的总方差量来指定d,也为第二阶段回归模型投入训练的解释变量数。PCA流程结束后,对应特征值较小的特征向量被舍弃,舍弃规则为前几个特征值的累加方差若超过95%,则后续特征向量皆可抛弃,主成分降维减少的维数为m-d。降维目的是减少训练计算成本消耗的同时使得投入训练数据符合多元线性模型的基本假设之一——解释变量间不存在相关。
最终使得标准化食品原料样本数据降维为目标食品原料样本数据Dd:
以及得到主成分因子载荷矩阵:
需要说明的是,主成分因子载荷矩阵用于计算s各主成分表达式,而主成分表达式用于目标食品原料指标映射为食品原料品质指标。主成分表达式为:
第二种:根据所述目标食品原料指标和所述目标食品制品指标构建回归模型;从所述标准化食品原料样本集中提取食品原料样本集维度,并从所述标准化食品制品样本集中提取食品制品样本集维度;根据所述食品原料样本集维度、所述食品制品样本集维度和所述回归模型确定回归方程。
步骤S502:根据所述目标数据对食品制品品质指标进行预测,并获取预测过程中的计算数据。
进一步地,所述步骤S502,包括:
步骤S5021,根据所述所述目标数据构建回归模型,并根据所述目标数据生成多元线性回归模型的训练集。
应当理解的是,以降维后的目标食品原料样本数据Dd为基础,用食品原料品质指标预测食品制品品质指标。
需要说明的是,训练食品制品各品质指标的多元线性回归模型时,将Dd与标准化食品制品样本集DN构成多元线性回归模型的训练集(Dd|DN)。
步骤S5022,根据所述训练集对所述多元线性回归模型进行训练,获得食品制品品质指标对应的预测模型。
步骤S5023,从所述标准化食品制品样本集中提取目标食品制品指标,并基于预设系数矩阵确定所述目标食品制品指标对应的回归函数。
步骤S5024,根据所述回归函数确定拟合优度。
需要说明的是,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:
其中,Dd是降维后的目标食品原料样本数据,yj=(y1j;y2j;…;ytj)(j=1,2,…,n)是食品制品指标集。
算法流程结束,可以得到各食品制品品质指标的预测模型。依据系数矩阵(θ|ω*)n*(m+1)给出第i个食品制品指标的回归函数:
其中i=1,2,…,n,j=1,2,…,m。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]。
步骤S5025,将所述预测模型和所述拟合优度作为计算数据。
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,然后通过食品原料的品质指标对食品制品的品质指标的预测,完成食品制品的品质指标向原料的品质指标的转移,保证模型建立的直接有效合理。
在一实施例中,如图3所示,基于第一实施例或第二实施例提出本发明基于食品制品品质范围获取原料品质范围的方法第三实施例,在本实施例中,基于第二实施例进行说明,所述步骤S60,包括:
步骤S601,查找所述食品原料品质指标对应的食品原料品质的理化性质数据,并基于所述理化性质数据确定食品原料限制约束。
应当理解的是,确定食品原料的各项品质指标的标准的下界值和上界值xlow、xup为决策变量组成的向量;
需要说明的是,基于食品原料品质的理化性质,确定第一类约束:食品原料限制约束。
食品原料限制约束是实际生产中投入的符合要求的食品原料指标范围,表示的向量空间为:
Xlimit={x|lα≤xα≤uα,α=1,2,…,m}
其中,lα和uα分别是食品原料指标xα的下界与上界,有m个这样的指标。
步骤S602,基于所述预测模型和预设目标食品品质要求,确定食品制品限制约束。
步骤S603,根据所述拟合优度对所述食品制品限制约束进行修正,获得目标食品制品限制约束。
需要说明的是,基于所述预测模型和预设目标食品品质要求,确定食品制品限制约束,根据所述拟合优度对所述食品制品限制约束进行修正,获得目标食品制品限制约束的步骤具体为:
(1)食品制品品质标准的确定
假设食品制品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,…,Ln),U=(U1,U2,…,Un),分别代表目标食品制品品质指标的下界和上界。
(2)修正因子的确定
a计算Δk=Lk-Uk,Δk为范围初始值。
c计算食品制品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个制品指标的品质标准,0.5表示上下界修正量在上下界的均摊。
(3)食品制品限制约束
由(1)、(2)两步设置“食品制品限制约束”:
其中,k=1,2,…,n,Xprocess为“食品制品限制约束”所限制的可行域,是第k个食品制品指标的回归函数,L=(L1,L2,…,Ln),U=(U1,U2,…,Un),分别代表目标食品制品品质指标的下界和上界。
步骤S604,根据多个目标食品原料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。
步骤S605,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。
需要说明的是,所述预设目标区域要求为以目标区域最大化为目标的要求。
需要说明的是,基于目标区域最大化为目标的要求,确定第三类约束:扩散因子约束,在多个目标食品原料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,以确保求得食品原料范围是在综合考虑各项制品预测误差的情况下给出的高可信度范围解。
(2)范围最广泛,追求最终解在食品原料限制约束与食品制品限制约束中尽可能大的覆盖度。
设xlow、xup为各原料最终求解的下界和上界,δ为扩散因子,则有
步骤S606,将所述食品原料限制约束、所述目标食品制品限制约束和所述扩散因子约束作为约束条件。
步骤S607,根据所述约束条件和预设优化目标构建食品原料品质标准优化模型。
通过多目标优化模型求解的食品原料品质指标范围在满足约束条件的前提下要覆盖较广的范围,首先要满足δ的最大化,此为首要目标:
max f1=δ
且最终解上下界分别要满足最大和最小,有以下次要目标:
综上所述,食品原料品质标准优化模型是一个多目标优化的数学模型,具体表达为:
其中,xlow、xup为食品原料的各项品质指标的标准的下界值和上界值,δ为扩散因子,f为目标函数,L=(L1,L2,…,Ln),U=(U1,U2,…,Un),分别代表目标食品制品品质指标的下界和上界,Xlimit为符合要求的食品原料指标范围表示的向量空间,yk是食品制品指标集。
进一步地,所述步骤S70,包括:
步骤S701,对所述食品原料品质标准优化模型进行转化,获得单目标品质标准优化模型。
需要说明的是,运用线性加权法,依据目标的优先级和同级目标的重要性设置具有量级差别的权重值,将原料品质标准优化模型转化为单目标原料品质标准优化模型:
在由全体原料指标变量构造的高维空间中,Xlimit限制了空间各维度的变量基本取值范围,形成了一个超立方体空间,而Xprocess通过各维度变量与L、U的线性函数构造出了一个具有不规则形状的超维空间。这两个空间在高维空间中有包含或部分重叠两种情况。设置目标函数的目的是在这两个高维空间的重叠区域中找到一个超立方体,超立方体具有2m个顶点,其中有两个点的坐标分别为和此两个坐标已经包含了超立方体所有的顶点坐标信息,故只需确定这两个坐标,即可确定所有食品原料品质标准范围。
步骤S702,根据所述单目标品质标准优化模型进行四分位数计算,获得计算结果数据。
步骤S703,根据所述计算结果数据对所述食品原料品质标准优化模型进行优化,获得调控模型。
应当理解是,利用单目标品质标准化模型计算的最优解,对第三类约束进行优化,先计算原料标准化数据的四分位数,即四分位数把所有数值由小到大排列并分成四等份,处于三个分割点位置的数值。
进一步地,所述步骤S703,包括:
从所述计算结果数据中选取下四分位数据和上四分位数据;根据所述下四分位数据和所述上四分位数据计算差值;根据所述差值和预设标准化方法确定约束权重;根据所述约束权重和所述扩散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食品原料品质标准优化模型进行调控,获得调控模型。
需要说明的是,从所述计算结果数据中选取在25%位置上的数值(下分位数据)和处在75%位置上的数值(下分为数据),根据所述下四分位数据和所述上四分位数据计算差值R=(r1,r2,…,rα)。
用min-max标准化方法计算新的各决策变量求解权重和约束权重:
βα=rα/∑α/rα
根据扩散因子δ0调整第三类约束将其修改为其中ρ为松弛因子,用来将扩散因子缩小,使得最终解空间(超立方体)的坐标有δ0*ρ的松弛空间,各顶点可以在该空间中调整变动。γ为浮动变量,用来控制各指标最终解根据实际食品原料各品质指标的离散特性进行浮动,以获得不同解范围。
调控后的具有优先级的多目标优化模型为:
其中,xlow、xup为食品原料的各项品质指标的标准的下界值和上界值,δ为扩散因子,f为目标函数,L=(L1,L2,…,Ln),U=(U1,U2,…,Un)分别代表目标食品制品品质指标的下界和上界,Xlimit为符合要求的食品原料指标范围表示的向量空间,yk是食品制品指标集,γ为浮动变量。
其中P1远远大于P2,松弛因子ρ的取值范围为[0,0.05],即最多让最大扩散因子一半的值作为超立方体坐标的浮动范围,设置0.05为ρ的步长,进行10次求解并对比结果得到最合理的解范围。
步骤S704,根据所述调控模型确定食品原料品质指标范围。
进一步地,所述步骤S704,包括:
根据所述调控模型计算食品原料品质指标下界值和食品原料品质指标上界值;对所述食品原料品质指标下界值和所述食品原料品质指标上界值进行反标准化处理;根据处理结果确定食品原料品质指标范围。
需要说明的是,运用线性加权法求解时,将新的各决策变量求解权重代入,多目标化为单目标:
其中,γ为“浮动变量”,xlow、xup为食品原料的各项品质指标的标准的下界值(食品原料品质指标下界值)和上界值(食品原料品质指标上界值),m个指标,βα为更新后的优化权重,β'的数量级比βα要高。
本实施例中通过构建食品原料品质标准化优化模型来确定食品原料品质指标标准,并且为了在制定的食品原料品质指标的变化范围内包含尽可能多的原料品种,优化调整原料品质指标模型结构和参数,对食品原料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食品原料品质指标范围。
此外,参照图4,本发明实施例还提出一种基于食品制品品质范围获取原料品质范围的装置,所述基于食品制品品质范围获取原料品质范围的装置包括:
数据获取模块10,用于获取食品品质调研数据和食品品质研究数据;
体系构建模块20,用于根据所述食品品质调研数据和所述食品品质研究数据构建食品原料和食品制品的指标体系;
制作工艺模块30,用于从所述食品品质研究数据中提取食品制作工艺,并从所述食品制作工艺中选取目标食品制作工艺;
样本集确定模块40,用于根据所述指标体系和所述目标食品制作工艺确定食品原料样本集和食品制品样本集;
指标预测模块50,用于根据所述食品原料样本集和所述食品制品样本集对食品制品品质指标进行预测,并获取预测过程中的计算数据;
模型构建模块60,用于根据所述计算数据和预设优化目标构建食品原料品质标准优化模型;
范围确定模块70,用于对所述食品原料品质标准优化模型进行优化,获得调控模型,并根据所述调控模型确定食品原料品质指标范围。
本实施例中通过获取食品制品品质调研数据和食品制品品质研究数据;根据所述食品制品品质调研数据和所述食品制品品质研究数据构建食品原料和食品制品的指标体系;从所述食品制品品质研究数据中提取食品制品制作工艺,并从所述食品制品制作工艺中选取目标食品制品制作工艺;根据所述指标体系和所述目标食品制品制作工艺确定食品原料样本集和食品制品样本集;对所述食品原料样本集和所述食品制品样本集进行预处理,获得处理后的目标数据;基于所述目标数据对食品制品品质指标进行预测,并获取预测过程中的计算数据;根据所述计算数据和预设优化目标构建食品原料品质标准优化模型;对所述食品原料品质标准优化模型进行优化,获得调控模型,并根据所述调控模型确定食品原料品质指标范围。从而通过先获得食品原料样本集和食品制品样本集,再进行预处理得到目标数据,获取基于目标数据对食品制品品质指标进行预测过程中的计算数据,进而构建食品原料品质标准优化模型,再进行优化得到调控模型根据该模型来确定食品原料品质指标范围,解决了如何确定食品原料品质指标的最佳范围,使得在给定的生产工艺条件下食品原料能够生产出合格的食品制品的技术问题。
在一实施例中,所述样本集确定模块40,还用于根据所述指标体系确定食品原料指标和食品制品指标;从所述调研数据中提取食品原料品种及食品原料基础信息;根据所述食品原料基础信息从所述食品原料品种中选取目标食品原料品种;根据所述食品原料指标查找所述目标食品原料品种对应的目标样本食品原料指标;根据所述目标样本食品原料指标构建食品原料样本集;根据所述目标食品制品制作工艺对所述目标食品原料品种对应的食品原料进行加工处理,获得目标食品制品;根据所述食品制品指标和所述目标食品制品构建食品制品样本集。
在一实施例中,所述指标预测模块50,还用于通过预设数据处理模型对所述食品原料样本集和所述食品制品样本集进行处理,获得处理后的目标数据;根据所述目标数据对食品制品品质指标进行预测,并获取预测过程中的计算数据。。
在一实施例中,所述指标预测模块50,还用于对根据所述所述目标数据构建回归模型,并根据所述目标数据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,获得食品制品品质指标对应的预测模型;从所述标准化食品样本集中提取目标食品制品指标,并基于预设系数矩阵确定所述目标食品制品指标对应的回归函数;根据所述回归函数确定拟合优度;将所述预测模型和所述拟合优度作为计算数据。
在一实施例中,所述模型构建模块60,还用于查找所述食品原料品质指标对应的食品原料品质的理化性质数据,并基于所述理化性质数据确定食品原料限制约束;
基于所述预测模型和预设目标食品品质要求,确定食品制品限制约束;根据所述拟合优度对所述食品制品限制约束进行修正,获得目标食品制品限制约束;根据多个目标食品原料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;将所述食品原料限制约束、所述目标食品制品限制约束和所述扩散因子约束作为约束条件;根据所述约束条件和预设优化目标构建食品原料品质标准优化模型。
在一实施例中,所述范围确定模块70,还用于对所述食品原料品质标准优化模型进行转化,获得单目标品质标准优化模型;根据所述单目标品质标准优化模型进行四分位数计算,获得计算结果数据;根据所述计算结果数据对所述食品原料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食品原料品质指标范围。
在一实施例中,所述范围确定模块70,还用于从所述计算结果数据中选取下四分位数据和上四分位数据;根据所述下四分位数据和所述上四分位数据计算差值;根据所述差值和预设标准化方法确定约束权重;根据所述约束权重和所述扩散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食品原料品质标准优化模型进行调控,获得调控模型。
在一实施例中,所述范围确定模块70,还用于根据所述调控模型计算食品原料品质指标下界值和食品原料品质指标上界值;对所述食品原料品质指标下界值和所述食品原料品质指标上界值进行反标准化处理;根据处理结果确定食品原料品质指标范围。
在本发明所述基于食品制品品质范围获取原料品质范围的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,基于食品制品品质范围获取原料品质范围的设备,空调器,或者网络基于食品制品品质范围获取原料品质范围的设备等)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 (7)
1.一种基于食品制品品质范围获取原料品质范围的方法,其特征在于,所述基于食品制品品质范围获取原料品质范围的方法包括以下步骤:
获取食品品质调研数据和食品品质研究数据;
根据所述食品品质调研数据和所述食品品质研究数据构建食品原料和食品制品的指标体系;
从所述食品品质研究数据中提取食品制作工艺,并从所述食品制作工艺中选取目标食品制作工艺;
根据所述指标体系和所述目标食品制作工艺确定食品原料样本集和食品制品样本集;
通过预设数据处理模型对所述食品原料样本集和所述食品制品样本集进行处理,获得处理后的目标数据;
根据所述目标数据构建回归模型,并根据所述目标数据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,获得食品制品品质指标对应的预测模型;
从标准化食品样本集中提取目标食品制品指标,并基于预设系数矩阵确定所述目标食品制品指标对应的回归函数;
根据所述回归函数确定拟合优度;
将所述预测模型和所述拟合优度作为计算数据;
查找食品原料品质指标对应的食品原料品质的理化性质数据,并基于所述理化性质数据确定食品原料限制约束;
基于所述预测模型和预设目标食品品质要求,确定食品制品限制约束;
根据所述拟合优度对所述食品制品限制约束进行修正,获得目标食品制品限制约束;
根据多个目标食品原料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;
将所述食品原料限制约束、所述目标食品制品限制约束和所述扩散因子约束作为约束条件;
根据所述约束条件和预设优化目标构建食品原料品质标准优化模型;
对所述食品原料品质标准优化模型进行优化,获得调控模型,并根据所述调控模型确定食品原料品质指标范围。
2.如权利要求1所述的基于食品制品品质范围获取原料品质范围的方法,其特征在于,所述根据所述指标体系和所述目标食品制作工艺确定食品原料样本集和食品制品样本集的步骤,具体包括:
根据所述指标体系确定食品原料指标和食品制品指标;
从所述调研数据中提取食品原料品种及食品原料基础信息;
根据所述食品原料基础信息从所述食品原料品种中选取目标食品原料品种;
根据所述食品原料指标查找所述目标食品原料品种对应的目标样本食品原料指标;
根据所述目标样本食品原料指标构建食品原料样本集;
根据所述目标食品制作工艺对所述目标食品原料品种对应的食品原料进行加工处理,获得目标食品制品;
根据所述食品制品指标和所述目标食品制品构建食品制品样本集。
3.如权利要求1所述的基于食品制品品质范围获取原料品质范围的方法,其特征在于,所述对所述食品原料品质标准优化模型进行优化,获得调控模型,并根据所述调控模型确定食品原料品质指标范围的步骤,具体包括:
对所述食品原料品质标准优化模型进行转化,获得单目标品质标准优化模型;
根据所述单目标品质标准优化模型进行四分位数计算,获得计算结果数据;
根据所述计算结果数据对所述食品原料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食品原料品质指标范围。
4.如权利要求3所述的基于食品制品品质范围获取原料品质范围的方法,其特征在于,所述根据所述计算结果数据对所述食品原料品质标准优化模型进行优化,获得调控模型的步骤,具体包括:
从所述计算结果数据中选取下四分位数据和上四分位数据;
根据所述下四分位数据和所述上四分位数据计算差值;
根据所述差值和预设标准化方法确定约束权重;
根据所述约束权重和所述扩散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食品原料品质标准优化模型进行调控,获得调控模型。
5.如权利要求3所述的基于食品制品品质范围获取原料品质范围的方法,其特征在于,所述根据所述调控模型确定食品原料品质指标范围的步骤,具体包括:
根据所述调控模型计算食品原料品质指标下界值和食品原料品质指标上界值;
对所述食品原料品质指标下界值和所述食品原料品质指标上界值进行反标准化处理;
根据处理结果确定食品原料品质指标范围。
6.一种基于食品制品品质范围获取原料品质范围的装置,其特征在于,所述基于食品制品品质范围获取原料品质范围的装置包括:
数据获取模块,用于获取食品品质调研数据和食品品质研究数据;
体系构建模块,用于根据所述食品品质调研数据和所述食品品质研究数据构建食品原料和食品制品的指标体系;
制作工艺模块,用于从所述食品品质研究数据中提取食品制作工艺,并从所述食品制作工艺中选取目标食品制作工艺;
样本集确定模块,用于根据所述指标体系和所述目标食品制作工艺确定食品原料样本集和食品制品样本集;
指标预测模块,用于根据所述食品原料样本集和所述食品制品样本集对食品制品品质指标进行预测,并获取预测过程中的计算数据;
模型构建模块,用于根据所述计算数据和预设优化目标构建食品原料品质标准优化模型;
范围确定模块,用于对所述食品原料品质标准优化模型进行优化,获得调控模型,并根据所述调控模型确定食品原料品质指标范围;
其中,所述指标预测模块,还用于通过预设数据处理模型对所述食品原料样本集和所述食品制品样本集进行处理,获得处理后的目标数据;根据所述目标数据对食品制品品质指标进行预测,并获取预测过程中的计算数据;
所述指标预测模块,还用于对根据所述目标数据构建回归模型,并根据所述目标数据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,获得食品制品品质指标对应的预测模型;从标准化食品样本集中提取目标食品制品指标,并基于预设系数矩阵确定所述目标食品制品指标对应的回归函数;根据所述回归函数确定拟合优度;将所述预测模型和所述拟合优度作为计算数据;
所述模型构建模块,还用于查找食品原料品质指标对应的食品原料品质的理化性质数据,并基于所述理化性质数据确定食品原料限制约束;
基于所述预测模型和预设目标食品品质要求,确定食品制品限制约束;根据所述拟合优度对所述食品制品限制约束进行修正,获得目标食品制品限制约束;根据多个目标食品原料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;将所述食品原料限制约束、所述目标食品制品限制约束和所述扩散因子约束作为约束条件;根据所述约束条件和预设优化目标构建食品原料品质标准优化模型。
7.如权利要求6所述的基于食品制品品质范围获取原料品质范围的装置,其特征在于,所述指标预测模块,还用于通过预设数据处理模型对所述食品原料样本集和所述食品制品样本集进行处理,获得处理后的目标数据;
所述指标预测模块,还用于根据所述目标数据对食品制品品质指标进行预测,并获取预测过程中的计算数据。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010118105.2A CN111310127B (zh) | 2020-02-25 | 2020-02-25 | 基于食品制品品质范围获取原料品质范围的方法及装置 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010118105.2A CN111310127B (zh) | 2020-02-25 | 2020-02-25 | 基于食品制品品质范围获取原料品质范围的方法及装置 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN111310127A CN111310127A (zh) | 2020-06-19 |
CN111310127B true CN111310127B (zh) | 2021-01-22 |
Family
ID=71154836
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202010118105.2A Active CN111310127B (zh) | 2020-02-25 | 2020-02-25 | 基于食品制品品质范围获取原料品质范围的方法及装置 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN111310127B (zh) |
Families Citing this family (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113159509A (zh) * | 2021-03-18 | 2021-07-23 | 深圳市元征科技股份有限公司 | 一种订单处理方法、系统、装置以及存储介质 |
Citations (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109949101A (zh) * | 2019-03-27 | 2019-06-28 | 云南中烟物资(集团)有限责任公司 | 一种基于大数据理念的卷烟材料成本分析方法 |
Family Cites Families (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN106094751B (zh) * | 2016-06-21 | 2018-09-28 | 中南大学 | 一种原料的调度方法及装置 |
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 |
US10394229B2 (en) * | 2017-09-27 | 2019-08-27 | International Business Machines Corporation | Orchestration of learning and execution of model predictive control tool for manufacturing processes |
CN109726815B (zh) * | 2017-10-30 | 2020-10-20 | 湖南中烟工业有限责任公司 | 一种基于Pareto最优的数字化调香方法 |
-
2020
- 2020-02-25 CN CN202010118105.2A patent/CN111310127B/zh active Active
Patent Citations (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109949101A (zh) * | 2019-03-27 | 2019-06-28 | 云南中烟物资(集团)有限责任公司 | 一种基于大数据理念的卷烟材料成本分析方法 |
Also Published As
Publication number | Publication date |
---|---|
CN111310127A (zh) | 2020-06-19 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Zamani-Sabzi et al. | Statistical and analytical comparison of multi-criteria decision-making techniques under fuzzy environment | |
CN111199016A (zh) | 一种基于DTW的改进K-means的日负荷曲线聚类方法 | |
CN103853786B (zh) | 数据库参数的优化方法与系统 | |
CN110689195A (zh) | 一种电力日负荷预测方法 | |
CN110751355A (zh) | 一种科技成果评估方法和装置 | |
CN107016416B (zh) | 基于邻域粗糙集和pca融合的数据分类预测方法 | |
CN112396428B (zh) | 一种基于用户画像数据的客群分类管理方法及装置 | |
Jiang et al. | A method for discrete stochastic MADM problems based on the ideal and nadir solutions | |
CN111104601A (zh) | 一种对抗式多反馈层级成对个性化排名方法 | |
CN114706840A (zh) | 面向负载感知的多模数据库ArangoDB参数调优的方法 | |
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 | |
CN115511100A (zh) | 一种基于环境温度相关数据学习的空调负荷回归预测方法 | |
CN115829683A (zh) | 一种基于逆奖赏学习优化的电力积分商品推荐方法及系统 | |
Warsito et al. | Comparative Analysis of SAW and TOPSIS on Best Employee Decision Support System | |
CN112330030B (zh) | 业扩物资需求预测系统及方法 | |
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 | |
Yuniwati | Correlation test application of supplier’s ranking using TOPSIS and AHP-TOPSIS method | |
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 | |
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 | |
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 | |
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 | |
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 | |
CN114091908A (zh) | 计及多模式储能站的配电网综合评价方法、装置和设备 | |
CN112765521B (zh) | 一种基于改进k近邻的网站用户分类方法 | |
CN108305174A (zh) | 资源处理方法、装置、存储介质和计算机设备 |
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: 20220701 Address after: 444300 No. 243, Jindian street, Chadianzi Town, Badong County, Enshi Tujia and Miao Autonomous Prefecture, Hubei Province Patentee after: Hubei Jiuduan Tea Industry Co.,Ltd. Address before: 430023 No. 68, Xuefu Road, Changqing Garden, Dongxihu District, Wuhan, Hubei Patentee before: WUHAN POLYTECHNIC University |