CN111353638B - 基于汤圆制品品质范围获取原料品质范围的方法及装置 - Google Patents
基于汤圆制品品质范围获取原料品质范围的方法及装置 Download PDFInfo
- Publication number
- CN111353638B CN111353638B CN202010118288.8A CN202010118288A CN111353638B CN 111353638 B CN111353638 B CN 111353638B CN 202010118288 A CN202010118288 A CN 202010118288A CN 111353638 B CN111353638 B CN 111353638B
- Authority
- CN
- China
- Prior art keywords
- glue pudding
- raw material
- target
- glue
- quality
- 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
- 239000002994 raw material Substances 0.000 title claims abstract description 411
- 238000000034 method Methods 0.000 title claims abstract description 65
- 235000007164 Oryza sativa Nutrition 0.000 title claims description 109
- 235000009566 rice Nutrition 0.000 title claims description 109
- 240000007594 Oryza sativa Species 0.000 title 1
- 239000003292 glue Substances 0.000 claims abstract description 520
- 235000011962 puddings Nutrition 0.000 claims abstract description 520
- 238000005457 optimization Methods 0.000 claims abstract description 71
- 238000004519 manufacturing process Methods 0.000 claims abstract description 56
- 238000011160 research Methods 0.000 claims abstract description 56
- 238000012545 processing Methods 0.000 claims abstract description 24
- 241000209094 Oryza Species 0.000 claims description 108
- 238000009792 diffusion process Methods 0.000 claims description 61
- 239000000463 material Substances 0.000 claims description 29
- 239000011159 matrix material Substances 0.000 claims description 27
- 238000012549 training Methods 0.000 claims description 26
- 238000004364 calculation method Methods 0.000 claims description 22
- 230000008569 process Effects 0.000 claims description 22
- 238000012417 linear regression Methods 0.000 claims description 16
- 230000009467 reduction Effects 0.000 claims description 15
- 239000000126 substance Substances 0.000 claims description 12
- 235000009508 confectionery Nutrition 0.000 claims description 11
- 235000014347 soups Nutrition 0.000 claims description 11
- 238000011835 investigation Methods 0.000 claims description 10
- 238000013507 mapping Methods 0.000 claims description 7
- 238000011425 standardization method Methods 0.000 claims description 5
- 238000007781 pre-processing Methods 0.000 description 8
- 238000012937 correction Methods 0.000 description 6
- 230000014509 gene expression Effects 0.000 description 6
- 235000013312 flour Nutrition 0.000 description 5
- 238000005070 sampling Methods 0.000 description 3
- 238000012546 transfer Methods 0.000 description 3
- 238000010220 Pearson correlation analysis Methods 0.000 description 2
- 238000011068 loading method Methods 0.000 description 2
- 238000012360 testing method Methods 0.000 description 2
- 238000012795 verification Methods 0.000 description 2
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 description 2
- WSMYVTOQOOLQHP-UHFFFAOYSA-N Malondialdehyde Chemical compound O=CCC=O WSMYVTOQOOLQHP-UHFFFAOYSA-N 0.000 description 1
- 240000008467 Oryza sativa Japonica Group Species 0.000 description 1
- 230000001476 alcoholic effect Effects 0.000 description 1
- 238000004458 analytical method Methods 0.000 description 1
- 238000004891 communication Methods 0.000 description 1
- 230000001276 controlling effect Effects 0.000 description 1
- 238000010219 correlation analysis Methods 0.000 description 1
- 230000001186 cumulative effect Effects 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 235000014113 dietary fatty acids Nutrition 0.000 description 1
- 239000008157 edible vegetable oil Substances 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 238000002474 experimental method Methods 0.000 description 1
- 229930195729 fatty acid Natural products 0.000 description 1
- 239000000194 fatty acid Substances 0.000 description 1
- 150000004665 fatty acids Chemical class 0.000 description 1
- 230000008014 freezing Effects 0.000 description 1
- 238000007710 freezing 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
- 238000003801 milling 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
- 238000004806 packaging method and process Methods 0.000 description 1
- 239000000843 powder Substances 0.000 description 1
- 238000000513 principal component analysis Methods 0.000 description 1
- 238000012797 qualification Methods 0.000 description 1
- 238000000611 regression analysis Methods 0.000 description 1
- 230000001105 regulatory effect Effects 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
- 238000007493 shaping process Methods 0.000 description 1
- 230000005477 standard model Effects 0.000 description 1
- 238000003860 storage Methods 0.000 description 1
- 239000013077 target material Substances 0.000 description 1
- 239000002699 waste material Substances 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q10/00—Administration; Management
- G06Q10/04—Forecasting or optimisation specially adapted for administrative or management purposes, e.g. linear programming or "cutting stock problem"
-
- A—HUMAN NECESSITIES
- A23—FOODS OR FOODSTUFFS; TREATMENT THEREOF, NOT COVERED BY OTHER CLASSES
- A23L—FOODS, FOODSTUFFS, OR NON-ALCOHOLIC BEVERAGES, NOT COVERED BY SUBCLASSES A21D OR A23B-A23J; THEIR PREPARATION OR TREATMENT, e.g. COOKING, MODIFICATION OF NUTRITIVE QUALITIES, PHYSICAL TREATMENT; PRESERVATION OF FOODS OR FOODSTUFFS, IN GENERAL
- A23L7/00—Cereal-derived products; Malt products; Preparation or treatment thereof
- A23L7/10—Cereal-derived products
-
- 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
- G06Q10/00—Administration; Management
- G06Q10/06—Resources, workflows, human or project management; Enterprise or organisation planning; Enterprise or organisation modelling
- G06Q10/067—Enterprise or organisation modelling
-
- 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
- Business, Economics & Management (AREA)
- Human Resources & Organizations (AREA)
- Engineering & Computer Science (AREA)
- Strategic Management (AREA)
- Economics (AREA)
- Entrepreneurship & Innovation (AREA)
- Development Economics (AREA)
- Tourism & Hospitality (AREA)
- Theoretical Computer Science (AREA)
- Marketing (AREA)
- General Physics & Mathematics (AREA)
- General Business, Economics & Management (AREA)
- Educational Administration (AREA)
- Physics & Mathematics (AREA)
- Quality & Reliability (AREA)
- Operations Research (AREA)
- Game Theory and Decision Science (AREA)
- Health & Medical Sciences (AREA)
- Chemical & Material Sciences (AREA)
- Life Sciences & Earth Sciences (AREA)
- Nutrition Science (AREA)
- Food Science & Technology (AREA)
- Polymers & Plastics (AREA)
- Manufacturing & Machinery (AREA)
- General Health & Medical Sciences (AREA)
- Primary Health Care (AREA)
- Grain Derivatives (AREA)
Abstract
本发明涉及汤圆加工技术领域,公开了一种基于汤圆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:获取汤圆品质调研数据和汤圆品质研究数据,根据这些数据获得汤圆原料样本集和汤圆制品样本集,进行处理后得到目标数据并设置约束条件,然后构建汤圆原料品质标准优化模型,再对其进行优化得到调控模型来确定汤圆原料品质指标范围。从而通过先获得汤圆原料样本集和汤圆制品样本集,进而构建汤圆原料品质标准优化模型并优化为调控模型,根据该模型来确定汤圆原料品质指标范围,解决了如何确定汤圆原料品质指标的最佳范围,使得在给定的生产工艺条件下汤圆原料能够生产出合格的汤圆制品的技术问题。
Description
技术领域
本发明涉及汤圆加工技术领域,尤其涉及一种基于汤圆制品品质范围获取原料品质范围的方法及装置。
背景技术
在汤圆制品加工领域,可将汤圆原料加工成汤圆制品,但是多样化的汤圆制品对汤圆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、企标的汤圆制品,就要根据汤圆制品品质预测汤圆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。
目前企业在确定汤圆制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汤圆原料投入制作将会得到怎样的汤圆制品,但是这种根据生产经验对汤圆制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汤圆制品最合适的汤圆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汤圆制品品质范围获取原料品质范围的方法及装置,旨在解决如何确定汤圆原料品质指标的最佳范围,使得在给定的生产工艺条件下汤圆原料能够生产出合格的汤圆制品的技术问题。
为实现上述目的,本发明提供一种基于汤圆制品品质范围获取原料品质范围的方法,所述基于汤圆制品品质范围获取原料品质范围的方法包括以下步骤:
获取汤圆品质调研数据和汤圆品质研究数据;
根据所述汤圆品质调研数据和所述汤圆品质研究数据构建汤圆原料和汤圆制品的指标体系;
从所述汤圆品质研究数据中提取汤圆制作工艺,并从所述汤圆制作工艺中选取目标汤圆制作工艺;
根据所述指标体系和所述目标汤圆制作工艺确定汤圆原料样本集和汤圆制品样本集;
对所述汤圆原料样本集和所述汤圆制品样本集进行预处理,获得处理后的目标数据;
基于所述目标数据设置约束条件;
根据所述约束条件和预设优化目标构建汤圆原料品质标准优化模型;
对所述汤圆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汤圆原料品质指标范围。
优选地,根据所述指标体系确定汤圆原料指标和汤圆制品指标;
从所述调研数据中提取汤圆原料品种及汤圆原料基础信息;
根据所述汤圆原料基础信息从所述汤圆原料品种中选取目标汤圆原料品种;
根据所述汤圆原料指标查找所述目标汤圆原料品种对应的目标样本汤圆原料指标;
根据所述目标样本汤圆原料指标构建汤圆原料样本集;
根据所述目标汤圆制作工艺对所述目标汤圆原料品种对应的汤圆原料进行加工处理,获得目标汤圆制品;
根据所述汤圆制品指标和所述目标汤圆制品构建汤圆制品样本集。
优选地,所述对所述汤圆原料样本集和所述汤圆制品样本集进行预处理,获得处理后的目标数据,具体包括:
分别对所述汤圆原料样本集和所述汤圆制品样本集进行标准化处理,获得标准化汤圆原料样本集和标准化汤圆制品样本集;
获取所述标准化汤圆原料样本集中的标准化汤圆原料样本数据;
对所述标准化汤圆原料样本数据进行主成分降维,获得目标汤圆原料样本数据和主成分因子载荷矩阵;
从所述目标汤圆原料样本数据中提取目标汤圆原料指标;
根据所述主成分因子载荷矩阵将所述汤圆原料指标映射为汤圆原料品质指标;
将所述目标汤圆原料样本数据、所述标准化汤圆制品样本集和所述汤圆原料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:
根据所述目标汤圆原料数据和所述标准化汤圆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,获得汤圆制品品质指标对应的预测模型;
从所述标准化汤圆制品样本集中提取目标汤圆制品指标,并基于预设系数矩阵确定所述目标汤圆制品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汤圆原料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;
查找所述汤圆原料品质指标对应的汤圆原料品质的理化性质数据,并基于所述理化性质数据确定汤圆原料限制约束;
基于所述预测模型和预设汤圆制品品质要求,确定汤圆制品限制约束;
根据所述拟合优度对所述汤圆制品限制约束进行修正,获得目标汤圆制品限制约束;
根据多个目标汤圆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;
将所述汤圆原料限制约束、所述目标汤圆制品限制约束和所述扩散因子约束作为约束条件。
优选地,所述对所述汤圆原料品质标准优化模型进行优化,获得调控模型,具体包括:
将所述汤圆原料品质标准优化模型转化为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对所述标准化汤圆原料样本数据进行四分位数计算,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汤圆原料品质标准优化模型进行优化,获得调控模型。
优选地,所述根据所述计算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:
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。
优选地,根据所述调控模型计算汤圆原料品质指标下界值和汤圆制品品质指标上界值;
对所述汤圆原料品质指标下界值和所述汤圆制品品质指标上界值进行反标准化处理;
根据处理结果确定汤圆原料品质指标范围。
本发明还提供一种基于汤圆制品品质范围获取原料品质范围的装置,其特征在于,所述基于汤圆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,用于获取汤圆品质调研数据和汤圆品质研究数据;
指标体系模块,用于根据所述汤圆品质调研数据和所述汤圆品质研究数据构建汤圆原料和汤圆制品的指标体系;
制作工艺模块,用于从所述汤圆品质研究数据中提取汤圆制作工艺,并从所述汤圆制作工艺中选取目标汤圆制作工艺;
样本集确定模块,用于根据所述指标体系和所述目标汤圆制作工艺确定汤圆原料样本集和汤圆制品样本集;
数据处理模块,用于对所述汤圆原料样本集和所述汤圆制品样本集进行预处理,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汤圆原料品质标准优化模型;
模型优化模块,用于对所述汤圆原料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汤圆原料品质指标范围。
优选地,所述样本集确定模块,还用于根据所述指标体系确定汤圆原料指标和汤圆制品指标;
所述样本集确定模块,还用于从所述调研数据中提取汤圆原料品种及汤圆原料基础信息;
所述样本集确定模块,还用于根据所述汤圆原料基础信息从所述汤圆原料品种中选取目标汤圆原料品种;
所述样本集确定模块,还用于根据所述汤圆原料指标查找所述目标汤圆原料品种对应的目标样本汤圆原料指标;
所述样本集确定模块,还用于根据所述目标样本汤圆原料指标构建汤圆原料样本集;
所述样本集确定模块,还用于根据所述目标汤圆制作工艺对所述目标汤圆原料品种对应的汤圆原料进行加工处理,获得目标汤圆制品;
所述样本集确定模块,还用于根据所述汤圆制品指标和所述目标汤圆制品构建汤圆制品样本集。
本发明提出的基于汤圆制品品质范围获取原料品质范围的方法,通过获取汤圆品质调研数据和汤圆品质研究数据;根据所述汤圆品质调研数据和所述汤圆品质研究数据构建汤圆原料和汤圆制品的指标体系;从所述汤圆品质研究数据中提取汤圆制作工艺,并从所述汤圆制作工艺中选取目标汤圆制作工艺;根据所述指标体系和所述目标汤圆制作工艺确定汤圆原料样本集和汤圆制品样本集;对所述汤圆原料样本集和所述汤圆制品样本集进行预处理,获得处理后的目标数据;基于所述目标数据设置约束条件;根据所述约束条件和预设优化目标构建汤圆原料品质标准优化模型;对所述汤圆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汤圆原料品质指标范围。从而通过获取汤圆品质调研数据和汤圆品质研究数据,根据处理后的目标数据设置约束条件,进而构建汤圆原料品质标准优化模型,根据该模型来确定汤圆原料品质指标范围,解决了如何确定汤圆原料品质指标的最佳范围,使得在给定的生产工艺条件下汤圆原料能够生产出合格的汤圆制品的技术问题。
附图说明
图1为本发明基于汤圆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为本发明基于汤圆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为本发明基于汤圆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为本发明基于汤圆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为本发明基于汤圆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,所述基于汤圆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,获取汤圆品质调研数据和汤圆品质研究数据。
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汤圆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,以基于汤圆制品品质范围获取原料品质范围的设备为例进行说明。
应当理解的是,汤圆品质调研数据是根据大数据收集到的各种关于汤圆原料和汤圆制品的数据,汤圆品质研究数据是对汤圆原料和汤圆制品进行研究和试验过程中收集的数据。
可以理解的是,汤圆原料可为糯米粉,本实施例中以汤圆原料为糯米粉为例进行说明。
表1各汤圆原料指标对应符号
表2各汤圆制品指标对应符号
{x1,x2,…,x8,y1,y2,…,y14},其中{x1,x2,…x8}是可以评价汤圆原料的汤圆原料指标, {y1,y2,…y14}是可以评价汤圆制品的汤圆制品指标。
步骤S20,根据所述汤圆品质调研数据和所述汤圆品质研究数据构建汤圆原料和汤圆制品的指标体系。
需要说明的是,根据汤圆品质调研数据和汤圆品质研究数据中的各项数据,包括但不限于上述列出的数据,可以构建汤圆原料和汤圆制品的指标体系,在该指标体系中含有可以评价汤圆原料的汤圆原料指标和可以评价汤圆制品的汤圆制品指标。
步骤S30,从所述汤圆品质研究数据中提取汤圆制作工艺,并从所述汤圆制作工艺中选取目标汤圆制作工艺。
应当理解的是,可以从汤圆品质研究数据中提取多种汤圆制作工艺,通过对汤圆制作工艺的通用性和先进性进行筛选,将汤圆最典型的制作工艺作为目标汤圆制作工艺。
应当理解的是,目标汤圆制作工艺可为:{[制糯米粉→水磨粉]或[现有糯米粉]}→调制面团→成形(捏皮,捏窝)→校验→装盘→速冻→包装→校验→成品。
步骤S40,根据所述指标体系和所述目标汤圆制作工艺确定汤圆原料样本集和汤圆制品样本集。
进一步地,所述步骤S40,包括:
根据所述指标体系确定汤圆原料指标和汤圆制品指标;从所述调研数据中提取汤圆原料品种及汤圆原料基础信息;根据所述汤圆原料基础信息从所述汤圆原料品种中选取目标汤圆原料品种;根据所述汤圆原料指标查找所述目标汤圆原料品种对应的目标样本汤圆原料指标;根据所述目标样本汤圆原料指标构建汤圆原料样本集;根据所述目标汤圆制作工艺对所述目标汤圆原料品种对应的汤圆原料进行加工处理,获得目标汤圆制品;根据所述汤圆制品指标和所述目标汤圆制品构建汤圆制品样本集。
需要说明的是,从调研数据中提取汤圆原料品种和汤圆原料基础信息,汤圆原料基础信息包括但不限于汤圆原料品质信息,根据这些信息选择最适合汤圆原料品种作为目标汤圆原料品种,将目标汤圆原料品种对应的汤圆原料作为样本,这样可得到t种样本汤圆原料,而样本汤圆原料对应的指标则为目标样本汤圆原料指标。
需要说明的是,目标汤圆原料品种确定的步骤可为:
①根据需要在确定的区域内获取该汤圆原料的所有品种。区域的确定原则:对国家标准,汤圆原料的品种范围是全国范围;对省级标准,汤圆原料的品种范围是该省及其周边省份的范围;对企业标准,汤圆原料的品种范围是该企业经常采购和潜在的原料供应的范围。
②根据原料的品质差异度等因素设置权重,采用分层抽样法,确定汤圆原料的抽样和采购方案。
③按照分层抽样法,对汤圆原料的品种进行样品,得到t种汤圆原料,并进行采购。
④统计t种汤圆原料的基础信息得到DA:
其中A1为编号,A11第1种汤圆原料的第1个基础属性,xtm为第t种汤圆原料的第m个基础属性,汤圆原料种类包括但不限于:糯米、糯米粉、水、食糖、食用油和相关馅料。基础属性包括原料的品种、产地、型号等。
⑤对t种汤圆原料采集各项标准的指标值,得到汤圆原料样本集DM:
其中x11为第1种汤圆原料的第1个指标的指标值,xtm为第t种汤圆原料的第m个指标的指标值。
t个汤圆原料样本根据选择的目标汤圆制作工艺进行生产实验,得到t份汤圆制品,对t份汤圆制品采集品质指标数值,得到汤圆制品样本集DN为:
其中y11为第1种汤圆制品的第1个指标的指标值,ytm为第t种汤圆制品的第m个指标的指标值,如粳米第二个样本生产的汤圆的酒精度。
根据汤圆原料的基础信息DA、汤圆原料品质数据集DM和汤圆制品样本集 DN建立数据库D为:
然后对数据库中的数据做简单的数据处理,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,对所述汤圆原料样本集和所述汤圆制品样本集进行预处理,获得处理后的目标数据。
需要说明的是,将汤圆制品样本集中的指标设置为响应变量,将汤圆原料样本集中的指标设置为预测变量,就可以将对汤圆制品标准的约束转化为对汤圆原料标准的约束。
应当理解的是,对所述汤圆原料样本集和所述汤圆制品样本集进行预处理:
首先,分别对汤圆原料样本集和汤圆制品样本集进行标准化处理,可获得标准化汤圆原料样本集和标准化汤圆制品样本集,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,获取标准化汤圆原料样本集中的标准化汤圆原料样本数据,对标准化汤圆原料样本数据进行主成分降维,获得目标汤圆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,从目标汤圆原料样本数据中提取目标汤圆原料指标,根据主成分因子载荷矩阵将目标汤圆原料指标映射为汤圆原料品质指标,将目标汤圆原料样本数据、标准化汤圆制品样本集、汤圆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汤圆原料样本数据、标准化汤圆制品样本集、汤圆原料品质指标。
步骤S60,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:根据所述目标汤圆原料数据和所述标准化汤圆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,获得汤圆制品品质指标对应的预测模型;从所述标准化汤圆制品样本集中提取目标汤圆制品指标,并基于预设系数矩阵确定所述目标汤圆制品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汤圆原料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;查找所述汤圆原料品质指标对应的汤圆原料品质的理化性质数据,并基于所述理化性质数据确定汤圆原料限制约束;基于所述预测模型和预设汤圆制品品质要求,确定汤圆制品限制约束;根据所述拟合优度对所述汤圆制品限制约束进行修正,获得目标汤圆制品限制约束;根据多个目标汤圆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;将所述汤圆原料限制约束、所述目标汤圆制品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S70,根据所述约束条件和预设优化目标构建汤圆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,汤圆原料品质标准优化模型的约束条件包括:
第一类约束:汤圆原料限制约束。此约束按照汤圆原料的指标数值的合理范围限制求解范围。
第二类约束:汤圆制品限制约束。此约束是通过汤圆原料和汤圆制品的关系模型的传递,将对汤圆制品的限制转移到对汤圆原料的限制上来,其中还需考虑关系模型的精度矫正问题。以两项汤圆原料指标和两项汤圆制品指标为例研究构建汤圆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汤圆原料品质标准优化模型。
步骤S80,对所述汤圆原料品质标准优化模型进行优化,获得调控模型。
步骤S90,根据所述调控模型确定汤圆原料品质指标范围。
需要说明的是,可对汤圆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汤圆原料品质指标范围,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,对汤圆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汤圆原料的汤圆原料品质指标范围。
本实施例中通过获取汤圆品质调研数据和汤圆品质研究数据;根据所述汤圆品质调研数据和所述汤圆品质研究数据构建汤圆原料和汤圆制品的指标体系;从所述汤圆品质研究数据中提取汤圆制作工艺,并从所述汤圆制作工艺中选取目标汤圆制作工艺;根据所述指标体系和所述目标汤圆制作工艺确定汤圆原料样本集和汤圆制品样本集;对所述汤圆原料样本集和所述汤圆制品样本集进行预处理,获得处理后的目标数据;基于所述目标数据设置约束条件;根据所述约束条件和预设优化目标构建汤圆原料品质标准优化模型;对所述汤圆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汤圆原料品质指标范围。从而通过获取汤圆品质调研数据和汤圆品质研究数据,根据处理后的目标数据设置约束条件,进而构建汤圆原料品质标准优化模型,根据该模型来确定汤圆原料品质指标范围,解决了如何确定汤圆原料品质指标的最佳范围,使得在给定的生产工艺条件下汤圆原料能够生产出合格的汤圆制品的技术问题。
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汤圆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S20,包括:
步骤S501,分别对所述汤圆原料样本集和所述汤圆制品样本集进行标准化处理,获得标准化汤圆原料样本集和标准化汤圆制品样本集。
需要说明的是,对汤圆原料样本集DM和汤圆制品样本集DN进行标准化处理的计算公式为:
其中,xi=(x1i;x2i;…;xti)(i=1,2,…,8)是汤圆原料样本集,
yj=(y1j;y2j;…;ytj)(j=1,2,…,14)是汤圆制品样本集,t种汤圆原料,
步骤S502,获取所述标准化汤圆原料样本集中的标准化汤圆原料样本数据。
步骤S503,对所述标准化汤圆原料样本数据进行主成分降维,获得目标汤圆原料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制品品质。
针对各汤圆原料指标做Pearson相关性分析得到相关矩阵为:
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汤圆原料粉原料指标的相关性结论。
(2)进行主成分降维。PCA流程中,m为汤圆原料样本集维度,d为降维后的数据维度,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。
最终使汤圆原料样本集降维为:
以及得到主成分因子载荷矩阵:
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将主成分变量映射为原料品质指标变量,主成分表达式为:
如:使用标准化数据对汤圆原料的基本理化指标(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汤圆原料基本理化指标和糊化特性的主成分分析结果
表2三个主成分的初始因子载荷阵
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
可以理解的是,将降维后的目标汤圆原料样本数据记为Dd。
步骤S504,从所述目标汤圆原料样本数据中提取目标汤圆原料指标。
步骤S505,根据所述主成分因子载荷矩阵将所述目标汤圆原料指标映射为汤圆原料品质指标。
应当理解的是,从降维后的目标汤圆原料数据中提取目标汤圆原料指标,并根据主成分因子载荷矩阵将目标汤圆原料指标映射为汤圆原料品质指标。
步骤S506,将所述目标汤圆原料样本数据、所述标准化汤圆制品样本集和所述汤圆原料品质指标作为目标数据。
进一步地,所述步骤S60,包括:
步骤S601,根据所述目标汤圆原料数据和所述标准化汤圆制品样本集生成多元线性回归模型的训练集。
步骤S602,根据所述训练集对所述多元线性回归模型进行训练,获得汤圆制品品质指标对应的预测模型。
需要说明的是,训练汤圆制品各品质指标的多元线性回归模型时,将Dd与汤圆制品标准化后的样本集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
其中,Dd是降维后的目标汤圆原料样本数据,
yj=(y1j;y2j;…;ytj)(j=1,2,…,14)是标准化汤圆制品指标集,算法流程结束,可以得到各汤圆制品品质指标的预测模型。
步骤S603,从所述标准化汤圆制品样本集中提取目标汤圆制品指标,并基于预设系数矩阵确定所述目标汤圆制品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]。
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
步骤S604,根据所述回归函数、所述预测模型和所述汤圆原料品质指标设置约束条件。
进一步地,所述步骤S604,包括:
根据所述回归模型确定拟合优度;查找所述汤圆原料品质指标对应的汤圆原料品质的理化性质数据,并基于所述理化性质数据确定汤圆原料限制约束;基于所述预测模型和预设汤圆制品品质要求,确定汤圆制品限制约束;根据所述拟合优度对所述汤圆制品限制约束进行修正,获得目标汤圆制品限制约束;根据多个目标汤圆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;将所述汤圆原料限制约束、所述目标汤圆制品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,查找所述汤圆原料品质指标对应的汤圆原料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:汤圆原料限制约束。
汤圆原料限制约束是实际生产中投入的符合要求的汤圆原料指标范围,表示的向量空间为:
Xlimit={x|lα≤xα≤uα,α=1,2,…,m}
表5汤圆原料基本约束系数(m=8)
需要说明的是,所述预设汤圆制品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制品品质要求确定第二类约束:汤圆制品限制约束。
假设汤圆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),分别代表目汤圆制品品质指标的下界和上界。
表6汤圆制品限制约束上下界(n=7)
a计算Δk=Lk-Uk,Δk为范围初始值。
c计算汤圆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个汤圆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。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)。
修正后的目标汤圆制品限制约束为:
其中为k=1,2,…,n,Xprocess为目标汤圆制品限制约束所限制的可行域。
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。
在多个汤圆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,以确保求得汤圆原料范围是在综合考虑各项汤圆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“汤圆原料限制约束”与“汤圆制品限制约束”中尽可能大的覆盖度。
设xlow、xup为各汤圆原料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
将汤圆原料优化模型放在Lingo中编程求解,得到最大的扩散因子和各初始解:
目标函数的设置:
通过多目标优化模型求解的汤圆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:
maxf1=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,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:
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,然后通过汤圆原料品质指标对汤圆制品的品质指标的预测,完成汤圆制品的品质指标向汤圆原料的品质指标的转移,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汤圆原料品质标准优化模型,保证模型建立的直接有效合理。
在一实施例中,如图3所示,基于第一实施例或第二实施例提出本发明基于汤圆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S80,包括:
步骤S801,将所述汤圆原料品质标准优化模型转化为单目标品质标准优化模型。
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,即可确定所有汤圆原料品质标准范围。
步骤S802,根据所述单目标品质标准优化模型对所述标准化汤圆原料样本数据进行四分位数计算,获得计算结果数据。
步骤S803,根据所述计算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S803,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。
步骤S804,根据所述目标扩散因子约束对所述汤圆原料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S804,包括:
根据所述调控模型计算汤圆原料品质指标下界值和汤圆原料品质指标上界值;对所述汤圆原料品质指标下界值和所述汤圆原料品质指标上界值进行反标准化处理;根据处理结果确定汤圆原料品质指标范围。
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、专用汤圆原料的品质标准的获得。调控阶段具体实施步骤如下。
步骤1:确定调控范围的大小。
利用单目标汤圆原料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)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。
(2)选取在25%位置上的数值(称为下四分位数)和处在75%位置上的数值(称为上四分位数),计算差值R=(r1,r2,…,rα)。
(3)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/∑αrα
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)
(4)根据第三阶段求解的扩散因子δ0调整第三类约束将其修改为其中ρ为“松弛因子”,用来将第三阶段求得的扩散因子缩小,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汤圆原料各品质指标的离散特性进行浮动,以获得不同解范围。
对于此次举例的糯米粉,α=1,…,8,γ为浮动变量。
步骤2:确定调控模型。
调控后的双层多目标优化模型为:
P1:max f1=γ
其中P1远远大于P2,“松弛因子”ρ的取值范围为[0,0.5],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。如:
步骤3:计算调控模型。
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,βα为更新后的优化权重,β′的数量级比βα要高。
步骤4:取汤圆制品的原料品质标准。
结论反标准化。依据数据标准化过程标准差σi及均值i表示第几个汤圆原料品质指标,对求解结果xlow、xup(汤圆原料品质指标下界值和汤圆原料品质指标上界值)进行反标准化处理,得到各汤圆原料指标的优化范围反标准化公式为:
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
本实施例中为了在制定的汤圆原料品质指标的变化范围内包含尽可能多的汤圆原料品种,优化调整汤圆原料品质指标模型结构和参数,对汤圆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汤圆原料品质指标范围。
此外,参照图4,本发明实施例还提出一种基于汤圆制品品质范围获取原料品质范围的装置,所述基于汤圆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,用于获取汤圆品质调研数据和汤圆品质研究数据;
指标体系模块20,用于根据所述汤圆品质调研数据和所述汤圆品质研究数据构建汤圆原料和汤圆制品的指标体系;
制作工艺模块30,用于从所述汤圆品质研究数据中提取汤圆制作工艺,并从所述汤圆制作工艺中选取目标汤圆制作工艺;
样本集确定模块40,用于根据所述指标体系和所述目标汤圆制作工艺确定汤圆原料样本集和汤圆制品样本集;
数据处理模块50,用于对所述汤圆原料样本集和所述汤圆制品样本集进行预处理,获得处理后的目标数据;
约束条件模块60,用于基于所述目标数据设置约束条件;
模型构建模块70,用于根据所述约束条件和预设优化目标构建汤圆原料品质标准优化模型;
模型优化模块80,用于对所述汤圆原料品质标准优化模型进行优化,获得调控模型;
范围确定模块90,用于根据所述调控模型确定汤圆原料品质指标范围。
本实施例中通过获取汤圆品质调研数据和汤圆品质研究数据;根据所述汤圆品质调研数据和所述汤圆品质研究数据构建汤圆原料和汤圆制品的指标体系;从所述汤圆品质研究数据中提取汤圆制作工艺,并从所述汤圆制作工艺中选取目标汤圆制作工艺;根据所述指标体系和所述目标汤圆制作工艺确定汤圆原料样本集和汤圆制品样本集;对所述汤圆原料样本集和所述汤圆制品样本集进行预处理,获得处理后的目标数据;基于所述目标数据设置约束条件;根据所述约束条件和预设优化目标构建汤圆原料品质标准优化模型;对所述汤圆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汤圆原料品质指标范围。从而通过获取汤圆品质调研数据和汤圆品质研究数据,根据处理后的目标数据设置约束条件,进而构建汤圆原料品质标准优化模型,根据该模型来确定汤圆原料品质指标范围,解决了如何确定汤圆原料品质指标的最佳范围,使得在给定的生产工艺条件下汤圆原料能够生产出合格的汤圆制品的技术问题。
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汤圆原料指标和汤圆制品指标;从所述调研数据中提取汤圆原料品种及汤圆原料基础信息,所述汤圆原料基础信息包括汤圆原料品质信息;根据所述汤圆原料基础信息从所述汤圆原料品种中选取目标汤圆原料品种;根据所述汤圆原料指标查找所述目标汤圆原料品种对应的目标样本汤圆原料指标;根据所述目标样本汤圆原料指标构建汤圆原料样本集;根据所述目标汤圆制作工艺对所述目标汤圆原料品种对应的汤圆原料进行加工处理,获得目标汤圆制品;根据所述汤圆制品指标和所述目标汤圆制品构建汤圆制品样本集。
在一实施例中,所述数据处理模块50,还用于分别对所述汤圆原料样本集和所述汤圆制品样本集进行标准化处理,获得标准化汤圆原料样本集和标准化汤圆制品样本集;获取所述标准化汤圆原料样本集中的标准化汤圆原料样本数据;对所述标准化汤圆原料样本数据进行主成分降维,获得目标汤圆原料样本数据和主成分因子载荷矩阵;从所述目标汤圆原料样本数据中提取目标汤圆原料指标;根据所述主成分因子载荷矩阵将所述汤圆原料指标映射为汤圆原料品质指标;将所述目标汤圆原料样本数据、所述标准化汤圆制品样本集和所述汤圆原料品质指标作为目标数据。
在一实施例中,所述约束条件模块60,还用于根据所述目标汤圆原料数据和所述标准化汤圆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,获得汤圆制品品质指标对应的预测模型;从所述标准化汤圆制品样本集中提取目标汤圆制品指标,并基于预设系数矩阵确定所述目标汤圆制品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汤圆原料品质指标设置约束条件。
在一实施例中,所述约束条件模块60,还用于根据所述回归模型确定拟合优度;查找所述汤圆原料品质指标对应的汤圆原料品质的理化性质数据,并基于所述理化性质数据确定汤圆原料限制约束;基于所述预测模型和预设汤圆制品品质要求,确定汤圆制品限制约束;根据所述拟合优度对所述汤圆制品限制约束进行修正,获得目标汤圆制品限制约束;根据多个目标汤圆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;将所述汤圆原料限制约束、所述目标汤圆制品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80,还用于将所述汤圆原料品质标准优化模型转化为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对所述标准化汤圆原料样本数据进行四分位数计算,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汤圆原料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80,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。
在一实施例中,所述模型优化模块80,还用于根据所述调控模型计算汤圆原料品质指标下界值和汤圆制品品质指标上界值;对所述汤圆原料品质指标下界值和所述汤圆制品品质指标上界值进行反标准化处理;根据处理结果确定汤圆原料品质指标范围。
在本发明所述基于汤圆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,基于汤圆制品品质范围获取原料品质范围的设备,空调器,或者网络基于汤圆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)
1.一种基于汤圆制品品质范围获取原料品质范围的方法,其特征在于,所述基于汤圆制品品质范围获取原料品质范围的方法包括以下步骤:
获取汤圆品质调研数据和汤圆品质研究数据;
根据所述汤圆品质调研数据和所述汤圆品质研究数据构建汤圆原料和汤圆制品的指标体系;
从所述汤圆品质研究数据中提取汤圆制作工艺,并从所述汤圆制作工艺中选取目标汤圆制作工艺;
根据所述指标体系和所述目标汤圆制作工艺确定汤圆原料样本集和汤圆制品样本集;
分别对所述汤圆原料样本集和所述汤圆制品样本集进行标准化处理,获得标准化汤圆原料样本集和标准化汤圆制品样本集;
获取所述标准化汤圆原料样本集中的标准化汤圆原料样本数据;
对所述标准化汤圆原料样本数据进行主成分降维,获得目标汤圆原料样本数据和主成分因子载荷矩阵;
从所述目标汤圆原料样本数据中提取目标汤圆原料指标;
根据所述主成分因子载荷矩阵将所述汤圆原料指标映射为汤圆原料品质指标;
将所述目标汤圆原料样本数据、所述标准化汤圆制品样本集和所述汤圆原料品质指标作为目标数据;
根据所述目标汤圆原料数据和所述标准化汤圆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,获得汤圆制品品质指标对应的预测模型;
从所述标准化汤圆制品样本集中提取目标汤圆制品指标,并基于预设系数矩阵确定所述目标汤圆制品指标对应的回归函数;
根据所述回归模型确定拟合优度;
查找所述汤圆原料品质指标对应的汤圆原料品质的理化性质数据,并基于所述理化性质数据确定汤圆原料限制约束;
基于所述预测模型和预设汤圆制品品质要求,确定汤圆制品限制约束;
根据所述拟合优度对所述汤圆制品限制约束进行修正,获得目标汤圆制品限制约束;
根据多个目标汤圆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;
将所述汤圆原料限制约束、所述目标汤圆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汤圆原料品质标准优化模型;
对所述汤圆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汤圆原料品质指标范围。
2.如权利要求1所述的基于汤圆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汤圆制作工艺确定汤圆原料样本集和汤圆制品样本集,具体包括:
根据所述指标体系确定汤圆原料指标和汤圆制品指标;
从所述调研数据中提取汤圆原料品种及汤圆原料基础信息;
根据所述汤圆原料基础信息从所述汤圆原料品种中选取目标汤圆原料品种;
根据所述汤圆原料指标查找所述目标汤圆原料品种对应的目标样本汤圆原料指标;
根据所述目标样本汤圆原料指标构建汤圆原料样本集;
根据所述目标汤圆制作工艺对所述目标汤圆原料品种对应的汤圆原料进行加工处理,获得目标汤圆制品;
根据所述汤圆制品指标和所述目标汤圆制品构建汤圆制品样本集。
3.如权利要求1所述的基于汤圆制品品质范围获取原料品质范围的方法,其特征在于,所述对所述汤圆原料品质标准优化模型进行优化,获得调控模型,具体包括:
将所述汤圆原料品质标准优化模型转化为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对所述标准化汤圆原料样本数据进行四分位数计算,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汤圆原料品质标准优化模型进行优化,获得调控模型。
4.如权利要求3所述的基于汤圆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扩散因子约束进行优化,获得目标扩散因子约束,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。
5.如权利要求3所述的基于汤圆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汤圆原料品质指标范围,具体包括:
根据所述调控模型计算汤圆原料品质指标下界值和汤圆制品品质指标上界值;
对所述汤圆原料品质指标下界值和所述汤圆制品品质指标上界值进行反标准化处理;
根据处理结果确定汤圆原料品质指标范围。
6.一种基于汤圆制品品质范围获取原料品质范围的装置,其特征在于,所述基于汤圆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,用于获取汤圆品质调研数据和汤圆品质研究数据;
指标体系模块,用于根据所述汤圆品质调研数据和所述汤圆品质研究数据构建汤圆原料和汤圆制品的指标体系;
制作工艺模块,用于从所述汤圆品质研究数据中提取汤圆制作工艺,并从所述汤圆制作工艺中选取目标汤圆制作工艺;
样本集确定模块,用于根据所述指标体系和所述目标汤圆制作工艺确定汤圆原料样本集和汤圆制品样本集;
数据处理模块,用于分别对所述汤圆原料样本集和所述汤圆制品样本集进行标准化处理,获得标准化汤圆原料样本集和标准化汤圆制品样本集;获取所述标准化汤圆原料样本集中的标准化汤圆原料样本数据;对所述标准化汤圆原料样本数据进行主成分降维,获得目标汤圆原料样本数据和主成分因子载荷矩阵;从所述目标汤圆原料样本数据中提取目标汤圆原料指标;根据所述主成分因子载荷矩阵将所述汤圆原料指标映射为汤圆原料品质指标;将所述目标汤圆原料样本数据、所述标准化汤圆制品样本集和所述汤圆原料品质指标作为目标数据;
约束条件模块,用于根据所述目标汤圆原料数据和所述标准化汤圆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,获得汤圆制品品质指标对应的预测模型;从所述标准化汤圆制品样本集中提取目标汤圆制品指标,并基于预设系数矩阵确定所述目标汤圆制品指标对应的回归函数;根据所述回归模型确定拟合优度;查找所述汤圆原料品质指标对应的汤圆原料品质的理化性质数据,并基于所述理化性质数据确定汤圆原料限制约束;基于所述预测模型和预设汤圆制品品质要求,确定汤圆制品限制约束;根据所述拟合优度对所述汤圆制品限制约束进行修正,获得目标汤圆制品限制约束;根据多个目标汤圆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;将所述汤圆原料限制约束、所述目标汤圆制品限制约束和所述扩散因子约束作为约束条件;
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汤圆原料品质标准优化模型;
模型优化模块,用于对所述汤圆原料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汤圆原料品质指标范围。
7.如权利要求6所述的基于汤圆制品品质范围获取原料品质范围的装置,其特征在于,所述样本集确定模块,还用于根据所述指标体系确定汤圆原料指标和汤圆制品指标;
所述样本集确定模块,还用于从所述调研数据中提取汤圆原料品种及汤圆原料基础信息;
所述样本集确定模块,还用于根据所述汤圆原料基础信息从所述汤圆原料品种中选取目标汤圆原料品种;
所述样本集确定模块,还用于根据所述汤圆原料指标查找所述目标汤圆原料品种对应的目标样本汤圆原料指标;
所述样本集确定模块,还用于根据所述目标样本汤圆原料指标构建汤圆原料样本集;
所述样本集确定模块,还用于根据所述目标汤圆制作工艺对所述目标汤圆原料品种对应的汤圆原料进行加工处理,获得目标汤圆制品;
所述样本集确定模块,还用于根据所述汤圆制品指标和所述目标汤圆制品构建汤圆制品样本集。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010118288.8A CN111353638B (zh) | 2020-02-25 | 2020-02-25 | 基于汤圆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 |
---|---|---|---|
CN202010118288.8A CN111353638B (zh) | 2020-02-25 | 2020-02-25 | 基于汤圆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 |
---|---|
CN111353638A CN111353638A (zh) | 2020-06-30 |
CN111353638B true CN111353638B (zh) | 2022-04-22 |
Family
ID=71195859
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202010118288.8A Active CN111353638B (zh) | 2020-02-25 | 2020-02-25 | 基于汤圆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) | CN111353638B (zh) |
Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN104596976A (zh) * | 2015-01-30 | 2015-05-06 | 云南中烟工业有限责任公司 | 近红外漫反射光谱技术测定造纸法再造烟叶蛋白质的方法 |
CN109872009A (zh) * | 2019-03-14 | 2019-06-11 | 西安电子科技大学 | 一种改进粒子群算法的干扰资源分配方法 |
Family Cites Families (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US9348343B2 (en) * | 2008-09-26 | 2016-05-24 | Rockwell Automation Technologies, Inc. | Bulk material blending control |
-
2020
- 2020-02-25 CN CN202010118288.8A patent/CN111353638B/zh active Active
Patent Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN104596976A (zh) * | 2015-01-30 | 2015-05-06 | 云南中烟工业有限责任公司 | 近红外漫反射光谱技术测定造纸法再造烟叶蛋白质的方法 |
CN109872009A (zh) * | 2019-03-14 | 2019-06-11 | 西安电子科技大学 | 一种改进粒子群算法的干扰资源分配方法 |
Non-Patent Citations (3)
Title |
---|
An empirical study on optimization of training dataset in harmfulness prediction of code clone using ensemble feature selection model;Sheng Yan;《2018 5th International Conference on Information and Communication Technologies for Disaster Management (ICT-DM)》;20181207;1-4 * |
不同品种苹果加工脆片适宜性评价研究;公丽艳;《中国博士学位论文全文数据库 工程科技I辑》;20150115(第一期);18-73 * |
枸杞热风干燥过程动力学模型及品质分析;赵丹丹等;《中国食品学报》;20180331(第03期);全文 * |
Also Published As
Publication number | Publication date |
---|---|
CN111353638A (zh) | 2020-06-30 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Zamani-Sabzi et al. | Statistical and analytical comparison of multi-criteria decision-making techniques under fuzzy environment | |
CN109615452B (zh) | 一种基于矩阵分解的产品推荐方法 | |
CN110232154B (zh) | 基于随机森林的产品推荐方法、装置及介质 | |
CN110751355A (zh) | 一种科技成果评估方法和装置 | |
CN109034941B (zh) | 产品推荐方法、装置、计算机设备和存储介质 | |
CN113111924A (zh) | 电力客户分类方法及装置 | |
CN105809474A (zh) | 一种层次化商品信息过滤推荐方法 | |
CN114662406A (zh) | 机器学习辅助建立岩石节理峰值抗剪强度预测模型的方法 | |
CN112732786A (zh) | 金融数据处理方法、装置、设备及存储介质 | |
Setiawan et al. | Technical efficiency and environmental factors of the micro, small, and medium enterprises in Bandung city: a slack-based approach | |
CN114004530B (zh) | 基于排序支撑向量机的企业电力信用分建模方法及系统 | |
CN112184412A (zh) | 一种信用评分卡模型的建模方法、装置、介质及电子设备 | |
JP3881510B2 (ja) | 曲面モデルの同定方法及びプログラム | |
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 | |
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 | |
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 | |
CN110910528B (zh) | 纸页抗张强度的预测方法及装置 | |
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 | |
CN111832854A (zh) | 汽车研发质量管理体系的成熟度量化评价方法、系统及可读介质 | |
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 | |
CN111292006B (zh) | 基于黄酒制品品质范围获取原料品质范围的方法及装置 | |
TW200937243A (en) | Systems and methods for sorting irregular objects | |
CN110827919B (zh) | 一种应用于基因表达谱数据的降维方法 | |
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 | |
CN114065109A (zh) | 一种电力系统需求响应聚合用户的优选方法 |
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 |