CN111723899B - 基于神经网络的江蓠原料液料比预测方法及装置 - Google Patents

基于神经网络的江蓠原料液料比预测方法及装置 Download PDF

Info

Publication number
CN111723899B
CN111723899B CN202010485488.7A CN202010485488A CN111723899B CN 111723899 B CN111723899 B CN 111723899B CN 202010485488 A CN202010485488 A CN 202010485488A CN 111723899 B CN111723899 B CN 111723899B
Authority
CN
China
Prior art keywords
gracilaria
raw material
neural network
material liquid
agar
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
CN202010485488.7A
Other languages
English (en)
Other versions
CN111723899A (zh
Inventor
倪辉
梁懿
陈艳红
姜泽东
朱艳冰
李清彪
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.)
Jimei University
Original Assignee
Jimei 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 Jimei University filed Critical Jimei University
Priority to CN202010485488.7A priority Critical patent/CN111723899B/zh
Publication of CN111723899A publication Critical patent/CN111723899A/zh
Application granted granted Critical
Publication of CN111723899B publication Critical patent/CN111723899B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • 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
    • G06F17/11—Complex mathematical operations for solving equations, e.g. nonlinear equations, general mathematical optimization problems
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/08—Learning methods
    • 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
    • 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)
  • Physics & Mathematics (AREA)
  • Business, Economics & Management (AREA)
  • Theoretical Computer Science (AREA)
  • Human Resources & Organizations (AREA)
  • General Physics & Mathematics (AREA)
  • Strategic Management (AREA)
  • Economics (AREA)
  • Mathematical Physics (AREA)
  • Data Mining & Analysis (AREA)
  • General Health & Medical Sciences (AREA)
  • Health & Medical Sciences (AREA)
  • General Business, Economics & Management (AREA)
  • General Engineering & Computer Science (AREA)
  • Tourism & Hospitality (AREA)
  • Operations Research (AREA)
  • Software Systems (AREA)
  • Marketing (AREA)
  • Entrepreneurship & Innovation (AREA)
  • Development Economics (AREA)
  • Biomedical Technology (AREA)
  • Computational Mathematics (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Artificial Intelligence (AREA)
  • Molecular Biology (AREA)
  • Biophysics (AREA)
  • Computational Linguistics (AREA)
  • Quality & Reliability (AREA)
  • Evolutionary Computation (AREA)
  • Computing Systems (AREA)
  • Educational Administration (AREA)
  • Game Theory and Decision Science (AREA)
  • Mathematical Analysis (AREA)
  • Mathematical Optimization (AREA)
  • Pure & Applied Mathematics (AREA)
  • Algebra (AREA)
  • Databases & Information Systems (AREA)
  • Manufacturing & Machinery (AREA)
  • Primary Health Care (AREA)
  • Management, Administration, Business Operations System, And Electronic Commerce (AREA)

Abstract

本发明公开了一种基于神经网络的江蓠原料液料比预测方法、介质、设备及装置，其中方法包括：获取历史数据，其中，所述历史数据包括琼脂指标和对应的江蓠原料液料比；根据所述历史数据进行神经网络模型的训练，以生成江蓠原料液料比预测模型；获取待预测琼脂指标，并将所述待预测琼脂指标输入到所述江蓠原料液料比预测模型，以便所述江蓠原料液料比预测模型根据所述待预测琼脂指标生成相应的预测江蓠原料液料比；能够在生产之前对江蓠原料和液料配比进行有效预测，以在保证琼脂质量的同时，降低水资源的消耗量。

Description

基于神经网络的江蓠原料液料比预测方法及装置
技术领域
本发明涉及智能化生产技术领域，特别涉及一种基于神经网络的江蓠原料液料比预测方法、一种计算机可读存储介质、一种计算机设备以及一种基于神经网络的江蓠原料液料比预测装置。
背景技术
琼脂，是由海藻中提取的多糖体，是目前世界上用途最广泛的海藻胶之一。
相关技术中，在进行琼脂的生产时，难以有效预测江蓠原料和液料的配比；进而导致水资源的大量消耗。
发明内容
本发明旨在至少在一定程度上解决上述技术中的技术问题之一。为此，本发明的一个目的在于提出一种基于神经网络的江蓠原料液料比预测方法，能够在生产之前对江蓠原料和液料配比进行有效预测，以在保证琼脂质量的同时，降低水资源的消耗量。
本发明的第二个目的在于提出一种计算机可读存储介质。
本发明的第三个目的在于提出一种计算机设备。
本发明的第四个目的在于提出一种基于神经网络的江蓠原料液料比预测装置。
为达到上述目的，本发明第一方面实施例提出了一种基于神经网络的江蓠原料液料比预测方法，包括以下步骤：获取历史数据，其中，所述历史数据包括琼脂指标和对应的江蓠原料液料比；根据所述历史数据进行神经网络模型的训练，以生成江蓠原料液料比预测模型；获取待预测琼脂指标，并将所述待预测琼脂指标输入到所述江蓠原料液料比预测模型，以便所述江蓠原料液料比预测模型根据所述待预测琼脂指标生成相应的预测江蓠原料液料比。
根据本发明实施例的基于神经网络的江蓠原料液料比预测方法，首先，获取历史数据，其中，所述历史数据包括琼脂指标和对应的江蓠原料液料比；接着，根据所述历史数据进行神经网络模型的训练，以生成江蓠原料液料比预测模型；然后，获取待预测琼脂指标，并将所述待预测琼脂指标输入到所述江蓠原料液料比预测模型，以便所述江蓠原料液料比预测模型根据所述待预测琼脂指标生成相应的预测江蓠原料液料比；从而实现在生产之前对江蓠原料和液料配比进行有效预测，以在保证琼脂质量的同时，降低水资源的消耗量。
另外，根据本发明上述实施例提出的基于神经网络的江蓠原料液料比预测方法还可以具有如下附加的技术特征：
可选地，所述琼脂指标包括：透明度、凝胶强度、凝固温度、熔化温度、硫酸根含量和3,6-内醚半乳糖含量。
可选地，所述江蓠原料液料比预测模型通过以下公式表述：
其中，x为液料比；Y1为透明度实际测量值，Y2为凝胶强度实际测量值，Y3为凝固温度实际测量值，Y4为熔化温度实际测量值，Y5为硫酸根含量实际测量值，Y6为3,6-内醚半乳糖含量实际测量值。
可选地，根据所述历史数据进行神经网络模型的训练，以生成江蓠原料液料比预测模型，包括：根据预设的划分比例将所述历史数据划分为训练样本集和检测样本集；根据所述训练样本集进行神经网络模型的训练，以生成初始神经网络模型；根据检测样本集对初始神经网络模型进行测试，并根据测试结果对所述初始神经网络模型进行优化，以生成江蓠原料液料比预测模型。
为达到上述目的，本发明第二方面实施例提出了一种计算机可读存储介质，其上存储有基于神经网络的江蓠原料液料比预测程序，该基于神经网络的江蓠原料液料比预测程序被处理器执行时实现如上述的基于神经网络的江蓠原料液料比预测方法。
根据本发明实施例的计算机可读存储介质，通过存储基于神经网络的江蓠原料液料比预测程序，以使得处理器在执行该基于神经网络的江蓠原料液料比预测程序时，实现如上述的基于神经网络的江蓠原料液料比预测方法，从而实现在生产之前对江蓠原料和液料配比进行有效预测，以在保证琼脂质量的同时，降低水资源的消耗量。
为达到上述目的，本发明第三方面实施例提出了一种计算机设备，包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序，所述处理器执行所述程序时，实现如上述的基于神经网络的江蓠原料液料比预测方法。
根据本发明实施例提出的计算机设备，通过存储器对基于神经网络的江蓠原料液料比预测程序进行存储，以使得处理器在执行该基于神经网络的江蓠原料液料比预测程序时，实现如上述的基于神经网络的江蓠原料液料比预测方法，从而实现在生产之前对江蓠原料和液料配比进行有效预测，以在保证琼脂质量的同时，降低水资源的消耗量。
为达到上述目的，本发明第四方面实施例提出了一种基于神经网络的江蓠原料液料比预测装置，包括：获取模块，所述获取模块用于获取历史数据，其中，所述历史数据包括琼脂指标和对应的江蓠原料液料比；训练模块，所述训练模块用于根据所述历史数据进行神经网络模型的训练，以生成江蓠原料液料比预测模型；预测模块，所述预测模块用于获取待预测琼脂指标，并将所述待预测琼脂指标输入到所述江蓠原料液料比预测模型，以便所述江蓠原料液料比预测模型根据所述待预测琼脂指标生成相应的预测江蓠原料液料比。
根据本发明实施例的基于神经网络的江蓠原料液料比预测装置，通过设置获取模块用于获取历史数据，其中，所述历史数据包括琼脂指标和对应的江蓠原料液料比；训练模块用于根据所述历史数据进行神经网络模型的训练，以生成江蓠原料液料比预测模型；预测模块用于获取待预测琼脂指标，并将所述待预测琼脂指标输入到所述江蓠原料液料比预测模型，以便所述江蓠原料液料比预测模型根据所述待预测琼脂指标生成相应的预测江蓠原料液料比，从而实现在生产之前对江蓠原料和液料配比进行有效预测，以在保证琼脂质量的同时，降低水资源的消耗量。
另外，根据本发明上述实施例提出的基于神经网络的江蓠原料液料比预测装置还可以具有如下附加的技术特征：
可选地，所述琼脂指标包括：透明度、凝胶强度、凝固温度、熔化温度、硫酸根含量和3,6-内醚半乳糖含量。
可选地，所述江蓠原料液料比预测模型通过以下公式表述：
其中，x为液料比；Y1为透明度实际测量值，U2为凝胶强度实际测量值，Y3为凝固温度实际测量值，Y4为熔化温度实际测量值，Y5为硫酸根含量实际测量值，Y6为3,6-内醚半乳糖含量实际测量值。
可选地，根据所述历史数据进行神经网络模型的训练，以生成江蓠原料液料比预测模型，包括：根据预设的划分比例将所述历史数据划分为训练样本集和检测样本集；根据所述训练样本集进行神经网络模型的训练，以生成初始神经网络模型；根据检测样本集对初始神经网络模型进行测试，并根据测试结果对所述初始神经网络模型进行优化，以生成江蓠原料液料比预测模型。
附图说明
图1为根据本发明实施例的基于神经网络的江蓠原料液料比预测方法的流程示意图；
图2为根据本发明实施例的基于神经网络的江蓠原料液料比预测装置的方框示意图。
具体实施方式
下面详细描述本发明的实施例，所述实施例的示例在附图中示出，其中自始至终相同或类似的标号表示相同或类似的元件或具有相同或类似功能的元件。下面通过参考附图描述的实施例是示例性的，旨在用于解释本发明，而不能理解为对本发明的限制。
相关技术中，在琼脂的生产过程中，由于无法有效预测江蓠原料和液料配比，导致水资源的大量消耗；根据本发明实施例的基于神经网络的江蓠原料液料比预测方法，首先，获取历史数据，其中，所述历史数据包括琼脂指标和对应的江蓠原料液料比；接着，根据所述历史数据进行神经网络模型的训练，以生成江蓠原料液料比预测模型；然后，获取待预测琼脂指标，并将所述待预测琼脂指标输入到所述江蓠原料液料比预测模型，以便所述江蓠原料液料比预测模型根据所述待预测琼脂指标生成相应的预测江蓠原料液料比；从而实现在生产之前对江蓠原料和液料配比进行有效预测，以在保证琼脂质量的同时，降低水资源的消耗量。
为了更好的理解上述技术方案，下面将参照附图更详细地描述本发明的示例性实施例。虽然附图中显示了本发明的示例性实施例，然而应当理解，可以以各种形式实现本发明而不应被这里阐述的实施例所限制。相反，提供这些实施例是为了能够更透彻地理解本发明，并且能够将本发明的范围完整的传达给本领域的技术人员。
为了更好的理解上述技术方案，下面将结合说明书附图以及具体的实施方式对上述技术方案进行详细的说明。
图1为根据本发明实施例的基于神经网络的江蓠原料液料比预测方法的流程示意图，如图1所示，该基于神经网络的江蓠原料液料比预测方法包括以下步骤：
S101，获取历史数据，其中，历史数据包括琼脂指标和对应的江蓠原料液料比。
也就是说，对用于神经网络模型训练的历史数据进行获取，历史数据中包括琼脂指标以及琼脂指标所对应的江蓠原料液料比。
作为一种示例，首先获取30条历史数据，其中每条历史数据均包括琼脂指标和对应的江蓠原理液料比。
其中，琼脂指标的选择方式可以有多种；例如，琼脂指标包括琼脂的透明度、凝胶强度等。
作为一种示例，琼脂指标包括：透明度、凝胶强度、凝固温度、熔化温度、硫酸根含量和3,6-内醚半乳糖含量。
S102，根据历史数据进行神经网络模型的训练，以生成江蓠原料液料比预测模型。
其中，根据历史数据进行神经网络模型的训练的方式可以有多种。
作为一种示例，根据历史数据进行神经网络模型的训练，以生成江蓠原料液料比预测模型，包括：根据预设的划分比例将历史数据划分为训练样本集和检测样本集；根据训练样本集进行神经网络模型的训练，以生成初始神经网络模型；根据检测样本集对初始神经网络模型进行测试，并根据测试结果对初始神经网络模型进行优化，以生成江蓠原料液料比预测模型。
作为另一种示例，首先，将历史数据中的70％划分为训练样本集，剩余的30％作为检测样本集；然后，根据训练样本集进行神经网络模型的训练，当误差函数小于预设的阈值时，则停止神经网络的训练；其中，误差函数为衡量实际输出向量Yk与期望值向量Tk误差大小的函数，常采用二乘误差函数来定义为(或/>)j＝1,2,…,n为训练样本个数，从而可以得到初始神经网络模型；接着，根据检测样本集对初始神经网络模型进行测试，即言，将检测样本集中的琼脂指标输入到初始神经网络模型，以得到该琼脂指标对应的预测值；然后，将该预测值与检测样本集中琼脂指标对应的江蓠原料液料比(实际值)进行比对，以根据预测值与实际值之间的误差判断初始神经网络模型的稳定性；如此，经过3次交叉验证，如果交叉验证后与预测值与实际值线性拟合后决定系数均大于0.9，则将该初始神经网络模型作为江蓠原料液料比预测模型；如果交叉验证后与预测值与实际值线性拟合后决定系数小于或等于0.9，则将该检测样本集中的历史数据加入到训练样本集中，以根据更新后的训练样本集对初始神经网络模型进行优化训练。
在一些实施例中，江蓠原料液料比预测模型通过以下公式表述：
其中，x为液料比；Y1为透明度实际测量值，Y2为凝胶强度实际测量值，Y3为凝固温度实际测量值，Y4为熔化温度实际测量值，Y5为硫酸根含量实际测量值，Y6为3,6-内醚半乳糖含量实际测量值。
S103，获取待预测琼脂指标，并将待预测琼脂指标输入到江蓠原料液料比预测模型，以便江蓠原料液料比预测模型根据待预测琼脂指标生成相应的预测江蓠原料液料比。
也就是说，获取待预测的琼脂指标，并将待预测琼脂指标作为输入输入到江蓠原料液料比预测模型，则江蓠原料液料比预测模型根据待预测琼脂指标生成对应的预测江蓠原料液料比；以使得琼脂生产时，根据该预测江蓠原料液料比进行生产过程的控制，以降低水资源的消耗。
综上所述，根据本发明实施例的基于神经网络的江蓠原料液料比预测方法，首先，获取历史数据，其中，所述历史数据包括琼脂指标和对应的江蓠原料液料比；接着，根据所述历史数据进行神经网络模型的训练，以生成江蓠原料液料比预测模型；然后，获取待预测琼脂指标，并将所述待预测琼脂指标输入到所述江蓠原料液料比预测模型，以便所述江蓠原料液料比预测模型根据所述待预测琼脂指标生成相应的预测江蓠原料液料比；从而实现在生产之前对江蓠原料和液料配比进行有效预测，以在保证琼脂质量的同时，降低水资源的消耗量。
为了实现上述实施例，本发明实施例提出了一种计算机可读存储介质，其上存储有基于神经网络的江蓠原料液料比预测程序，该基于神经网络的江蓠原料液料比预测程序被处理器执行时实现如上述的基于神经网络的江蓠原料液料比预测方法。
根据本发明实施例的计算机可读存储介质，通过存储基于神经网络的江蓠原料液料比预测程序，以使得处理器在执行该基于神经网络的江蓠原料液料比预测程序时，实现如上述的基于神经网络的江蓠原料液料比预测方法，从而实现在生产之前对江蓠原料和液料配比进行有效预测，以在保证琼脂质量的同时，降低水资源的消耗量。
为了实现上述实施例，本发明实施例提出了一种计算机设备，包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序，所述处理器执行所述程序时，实现如上述的基于神经网络的江蓠原料液料比预测方法。
根据本发明实施例提出的计算机设备，通过存储器对基于神经网络的江蓠原料液料比预测程序进行存储，以使得处理器在执行该基于神经网络的江蓠原料液料比预测程序时，实现如上述的基于神经网络的江蓠原料液料比预测方法，从而实现在生产之前对江蓠原料和液料配比进行有效预测，以在保证琼脂质量的同时，降低水资源的消耗量。
为了实现上述实施例，本发明实施例提出了一种基于神经网络的江蓠原料液料比预测装置，如图2所示，该基于神经网络的江蓠原料液料比预测装置包括：获取模块10、训练模块20和预测模块30。
其中，获取模块10用于获取历史数据，其中，历史数据包括琼脂指标和对应的江蓠原料液料比；
训练模块20用于根据历史数据进行神经网络模型的训练，以生成江蓠原料液料比预测模型；
预测模块30用于获取待预测琼脂指标，并将待预测琼脂指标输入到江蓠原料液料比预测模型，以便江蓠原料液料比预测模型根据待预测琼脂指标生成相应的预测江蓠原料液料比。
在一些实施例中，琼脂指标包括：透明度、凝胶强度、凝固温度、熔化温度、硫酸根含量和3,6-内醚半乳糖含量。
在一些实施例中，江蓠原料液料比预测模型通过以下公式表述：
其中，x为液料比；Y1为透明度实际测量值，Y2为凝胶强度实际测量值，Y3为凝固温度实际测量值，Y4为熔化温度实际测量值，Y5为硫酸根含量实际测量值，Y6为3,6-内醚半乳糖含量实际测量值。
在一些实施例中，根据历史数据进行神经网络模型的训练，以生成江蓠原料液料比预测模型，包括：根据预设的划分比例将历史数据划分为训练样本集和检测样本集；根据训练样本集进行神经网络模型的训练，以生成初始神经网络模型；根据检测样本集对初始神经网络模型进行测试，并根据测试结果对初始神经网络模型进行优化，以生成江蓠原料液料比预测模型。
需要说明的是，上述关于图1中基于神经网络的江蓠原料液料比预测方法的描述同样适用于该基于神经网络的江蓠原料液料比预测装置，在此不做赘述。
综上所述，根据本发明实施例的基于神经网络的江蓠原料液料比预测装置，通过设置获取模块用于获取历史数据，其中，所述历史数据包括琼脂指标和对应的江蓠原料液料比；训练模块用于根据所述历史数据进行神经网络模型的训练，以生成江蓠原料液料比预测模型；预测模块用于获取待预测琼脂指标，并将所述待预测琼脂指标输入到所述江蓠原料液料比预测模型，以便所述江蓠原料液料比预测模型根据所述待预测琼脂指标生成相应的预测江蓠原料液料比，从而实现在生产之前对江蓠原料和液料配比进行有效预测，以在保证琼脂质量的同时，降低水资源的消耗量。
本领域内的技术人员应明白，本发明的实施例可提供为方法、系统、或计算机程序产品。因此，本发明可采用完全硬件实施例、完全软件实施例、或结合软件和硬件方面的实施例的形式。而且，本发明可采用在一个或多个其中包含有计算机可用程序代码的计算机可用存储介质(包括但不限于磁盘存储器、CD-ROM、光学存储器等)上实施的计算机程序产品的形式。
本发明是参照根据本发明实施例的方法、设备(系统)、和计算机程序产品的流程图和/或方框图来描述的。应理解可由计算机程序指令实现流程图和/或方框图中的每一流程和/或方框、以及流程图和/或方框图中的流程和/或方框的结合。可提供这些计算机程序指令到通用计算机、专用计算机、嵌入式处理机或其他可编程数据处理设备的处理器以产生一个机器，使得通过计算机或其他可编程数据处理设备的处理器执行的指令产生用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的装置。
这些计算机程序指令也可存储在能引导计算机或其他可编程数据处理设备以特定方式工作的计算机可读存储器中，使得存储在该计算机可读存储器中的指令产生包括指令装置的制造品，该指令装置实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能。
这些计算机程序指令也可装载到计算机或其他可编程数据处理设备上，使得在计算机或其他可编程设备上执行一系列操作步骤以产生计算机实现的处理，从而在计算机或其他可编程设备上执行的指令提供用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的步骤。
应当注意的是，在权利要求中，不应将位于括号之间的任何参考符号构造成对权利要求的限制。单词“包含”不排除存在未列在权利要求中的部件或步骤。位于部件之前的单词“一”或“一个”不排除存在多个这样的部件。本发明可以借助于包括有若干不同部件的硬件以及借助于适当编程的计算机来实现。在列举了若干装置的单元权利要求中，这些装置中的若干个可以是通过同一个硬件项来具体体现。单词第一、第二、以及第三等的使用不表示任何顺序。可将这些单词解释为名称。
尽管已描述了本发明的优选实施例，但本领域内的技术人员一旦得知了基本创造性概念，则可对这些实施例作出另外的变更和修改。所以，所附权利要求意欲解释为包括优选实施例以及落入本发明范围的所有变更和修改。
显然，本领域的技术人员可以对本发明进行各种改动和变型而不脱离本发明的精神和范围。这样，倘若本发明的这些修改和变型属于本发明权利要求及其等同技术的范围之内，则本发明也意图包含这些改动和变型在内。
在本发明的描述中，需要理解的是，术语“第一”、“第二”仅用于描述目的，而不能理解为指示或暗示相对重要性或者隐含指明所指示的技术特征的数量。由此，限定有“第一”、“第二”的特征可以明示或者隐含地包括一个或者更多个该特征。在本发明的描述中，“多个”的含义是两个或两个以上，除非另有明确具体的限定。
在本发明中，除非另有明确的规定和限定，术语“安装”、“相连”、“连接”、“固定”等术语应做广义理解，例如，可以是固定连接，也可以是可拆卸连接，或成一体；可以是机械连接，也可以是电连接；可以是直接相连，也可以通过中间媒介间接相连，可以是两个元件内部的连通或两个元件的相互作用关系。对于本领域的普通技术人员而言，可以根据具体情况理解上述术语在本发明中的具体含义。
在本发明中，除非另有明确的规定和限定，第一特征在第二特征“上”或“下”可以是第一和第二特征直接接触，或第一和第二特征通过中间媒介间接接触。而且，第一特征在第二特征“之上”、“上方”和“上面”可是第一特征在第二特征正上方或斜上方，或仅仅表示第一特征水平高度高于第二特征。第一特征在第二特征“之下”、“下方”和“下面”可以是第一特征在第二特征正下方或斜下方，或仅仅表示第一特征水平高度小于第二特征。
在本说明书的描述中，参考术语“一个实施例”、“一些实施例”、“示例”、“具体示例”、或“一些示例”等的描述意指结合该实施例或示例描述的具体特征、结构、材料或者特点包含于本发明的至少一个实施例或示例中。在本说明书中，对上述术语的示意性表述不应理解为必须针对的是相同的实施例或示例。而且，描述的具体特征、结构、材料或者特点可以在任一个或多个实施例或示例中以合适的方式结合。此外，在不相互矛盾的情况下，本领域的技术人员可以将本说明书中描述的不同实施例或示例以及不同实施例或示例的特征进行结合和组合。
尽管上面已经示出和描述了本发明的实施例，可以理解的是，上述实施例是示例性的，不能理解为对本发明的限制，本领域的普通技术人员在本发明的范围内可以对上述实施例进行变化、修改、替换和变型。

Claims (8)

1.一种基于神经网络的江蓠原料液料比预测方法，其特征在于，包括以下步骤:
获取历史数据，其中，所述历史数据包括琼脂指标和对应的江蓠原料液料比；
根据所述历史数据进行神经网络模型的训练，以生成江蓠原料液料比预测模型；
获取待预测琼脂指标，并将所述待预测琼脂指标输入到所述江蓠原料液料比预测模型，以便所述江蓠原料液料比预测模型根据所述待预测琼脂指标生成相应的预测江蓠原料液料比；
其中，所述江蓠原料液料比预测模型通过以下公式表述：
其中，X为液料比；Y1为透明度实际测量值，2为凝胶强度实际测量值，Y3为凝固温度实际测量值，Y4为熔化温度实际测量值，Y5为硫酸根含量实际测量值，Y6为3,6-内醚半乳糖含量实际测量值。
2.如权利要求1所述的基于神经网络的江蓠原料液料比预测方法，其特征在于，所述琼脂指标包括：透明度、凝胶强度、凝固温度、熔化温度、硫酸根含量和3,6-内醚半乳糖含量。
3.如权利要求1-2中任一项所述的基于神经网络的江蓠原料液料比预测方法，其特征在于，根据所述历史数据进行神经网络模型的训练，以生成江蓠原料液料比预测模型，包括：
根据预设的划分比例将所述历史数据划分为训练样本集和检测样本集；
根据所述训练样本集进行神经网络模型的训练，以生成初始神经网络模型；
根据检测样本集对初始神经网络模型进行测试，并根据测试结果对所述初始神经网络模型进行优化，以生成江蓠原料液料比预测模型。
4.一种计算机可读存储介质，其特征在于，其上存储有基于神经网络的江蓠原料液料比预测程序，该基于神经网络的江蓠原料液料比预测程序被处理器执行时实现如权利要求1-3中任一项所述的基于神经网络的江蓠原料液料比预测方法。
5.一种计算机设备，包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序，其特征在于，所述处理器执行所述程序时，实现如权利要求1-3中任一项所述的基于神经网络的江蓠原料液料比预测方法。
6.一种基于神经网络的江蓠原料液料比预测装置，其特征在于，包括：
获取模块，所述获取模块用于获取历史数据，其中，所述历史数据包括琼脂指标和对应的江蓠原料液料比；
训练模块，所述训练模块用于根据所述历史数据进行神经网络模型的训练，以生成江蓠原料液料比预测模型；
预测模块，所述预测模块用于获取待预测琼脂指标，并将所述待预测琼脂指标输入到所述江蓠原料液料比预测模型，以便所述江蓠原料液料比预测模型根据所述待预测琼脂指标生成相应的预测江蓠原料液料比；
其中，所述江蓠原料液料比预测模型通过以下公式表述：
其中，x为液料比；Y1为透明度实际测量值，2为凝胶强度实际测量值，Y3为凝固温度实际测量值，Y4为熔化温度实际测量值，Y5为硫酸根含量实际测量值，Y6为3,6-内醚半乳糖含量实际测量值。
7.如权利要求6所述的基于神经网络的江蓠原料液料比预测装置，其特征在于，所述琼脂指标包括：透明度、凝胶强度、凝固温度、熔化温度、硫酸根含量和3,6-内醚半乳糖含量。
8.如权利要求6-7中任一项所述的基于神经网络的江蓠原料液料比预测装置，其特征在于，根据所述历史数据进行神经网络模型的训练，以生成江蓠原料液料比预测模型，包括：
根据预设的划分比例将所述历史数据划分为训练样本集和检测样本集；
根据所述训练样本集进行神经网络模型的训练，以生成初始神经网络模型；
根据检测样本集对初始神经网络模型进行测试，并根据测试结果对所述初始神经网络模型进行优化，以生成江蓠原料液料比预测模型。
CN202010485488.7A 2020-06-01 2020-06-01 基于神经网络的江蓠原料液料比预测方法及装置 Active CN111723899B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202010485488.7A CN111723899B (zh) 2020-06-01 2020-06-01 基于神经网络的江蓠原料液料比预测方法及装置

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202010485488.7A CN111723899B (zh) 2020-06-01 2020-06-01 基于神经网络的江蓠原料液料比预测方法及装置

Publications (2)

Publication Number Publication Date
CN111723899A CN111723899A (zh) 2020-09-29
CN111723899B true CN111723899B (zh) 2023-09-15

Family

ID=72565644

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202010485488.7A Active CN111723899B (zh) 2020-06-01 2020-06-01 基于神经网络的江蓠原料液料比预测方法及装置

Country Status (1)

Country Link
CN (1) CN111723899B (zh)

Families Citing this family (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN116797053B (zh) * 2023-08-25 2023-11-10 深圳普菲特信息科技股份有限公司 基于神经网络的化工生产数据分析方法、系统和介质

Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN104881715A (zh) * 2015-05-26 2015-09-02 华南理工大学 一种纸厂依据废纸配比预测纸浆性能的方法
CN108559005A (zh) * 2018-06-14 2018-09-21 浙江中医药大学 一种黄芪多糖的最佳提取工艺及优化提取工艺的方法
CN110008566A (zh) * 2019-03-29 2019-07-12 中南大学 基于大数据的充填料浆性能指标预测方法
CN110942208A (zh) * 2019-12-10 2020-03-31 萍乡市恒升特种材料有限公司 一种碳化硅泡沫陶瓷的最优生产条件确定方法

Family Cites Families (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
WO2016032498A1 (en) * 2014-08-28 2016-03-03 Halliburton Energy Services, Inc. Analyzing mixability of well cement slurries

Patent Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN104881715A (zh) * 2015-05-26 2015-09-02 华南理工大学 一种纸厂依据废纸配比预测纸浆性能的方法
CN108559005A (zh) * 2018-06-14 2018-09-21 浙江中医药大学 一种黄芪多糖的最佳提取工艺及优化提取工艺的方法
CN110008566A (zh) * 2019-03-29 2019-07-12 中南大学 基于大数据的充填料浆性能指标预测方法
CN110942208A (zh) * 2019-12-10 2020-03-31 萍乡市恒升特种材料有限公司 一种碳化硅泡沫陶瓷的最优生产条件确定方法

Non-Patent Citations (2)

* Cited by examiner, † Cited by third party
Title
Olusegun Abayomi Olalere et al..Application of orthogonal optimization and feedforward backpropagation model in the microwave extraction of natural antioxidants from tropical white pepper.《Journal of Analytical Science and Technology》.2019,全文. *
汪晏梅.色纺纱快速配色系统开发.《知网》.2017, *

Also Published As

Publication number Publication date
CN111723899A (zh) 2020-09-29

Similar Documents

Publication Publication Date Title
CN110352660B (zh) 一种脱绒棉种活力快速无损检测信息处理方法和装置
CN110287942B (zh) 年龄估计模型的训练方法、年龄估计方法以及对应的装置
CN104392390A (zh) 一种基于topsis模型的智能变电站二次设备评估方法
JP7274330B2 (ja) 製造システム、情報処理方法、および製造方法
CN202075272U (zh) 一种应用于污水处理的软测量系统
CN111723899B (zh) 基于神经网络的江蓠原料液料比预测方法及装置
TWI710970B (zh) 無監督模型評估方法、裝置、伺服器及可讀儲存媒體
CN103226728B (zh) 高密度聚乙烯串级聚合反应过程智能检测与收率优化方法
CN111144451A (zh) 一种图像分类模型的训练方法、装置及设备
CN112633645B (zh) 一种河源干旱区水资源挖潜与高效利用效果的社会经济效益核算方法
CN110348769A (zh) 用于评价海洋牧场的方法、装置和系统
CN113506175A (zh) 中小企业风险预警模型优化方法、装置、设备和存储介质
CN113762795A (zh) 一种基于层次分析的产业链诊断方法及系统
CN110956675B (zh) 技术成熟度曲线自动生成方法及装置
CN110910528B (zh) 纸页抗张强度的预测方法及装置
CN109711628A (zh) 一种在线校正的丙烯聚合生产过程自适应多尺度预报系统
CN115797726A (zh) 模型获得方法、装置、电子设备及存储介质
CN110751335B (zh) 一种区域生态质量年景预测评价方法及装置
CN107563135A (zh) 一种最优结构方程模型自动生成方法
CN113836826A (zh) 关键参数确定方法、装置、电子装置及存储介质
CN114386196B (zh) 一种板带力学性能预测准确性评估方法
CN117314270B (zh) 一种海洋环境监测信息的综合评价方法
CN114774682A (zh) 球团造球设备、球团造球控制方法及装置
Siasar et al. Estimating Daily Reference Evapotranspiration in Sistan Plain Using Ultra-Innovative Algorithms
CN111709089B (zh) 轴功率模型的训练方法、装置及电子设备

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