CN112348253B - 一种基于全连接神经网络的固态发酵效用预测方法 - Google Patents

一种基于全连接神经网络的固态发酵效用预测方法 Download PDF

Info

Publication number
CN112348253B
CN112348253B CN202011231701.8A CN202011231701A CN112348253B CN 112348253 B CN112348253 B CN 112348253B CN 202011231701 A CN202011231701 A CN 202011231701A CN 112348253 B CN112348253 B CN 112348253B
Authority
CN
China
Prior art keywords
data
state fermentation
solid state
network
neural network
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
CN202011231701.8A
Other languages
English (en)
Other versions
CN112348253A (zh
Inventor
庞善臣
王敏
乔思波
翟雪
王暖来
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.)
China University of Petroleum East China
Original Assignee
China University of Petroleum East China
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 China University of Petroleum East China filed Critical China University of Petroleum East China
Priority to CN202011231701.8A priority Critical patent/CN112348253B/zh
Publication of CN112348253A publication Critical patent/CN112348253A/zh
Application granted granted Critical
Publication of CN112348253B publication Critical patent/CN112348253B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

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"
    • 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
    • G06N3/04—Architecture, e.g. interconnection topology
    • G06N3/045—Combinations of networks
    • 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
    • G06Q10/06—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)
  • Human Resources & Organizations (AREA)
  • Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • Strategic Management (AREA)
  • Economics (AREA)
  • General Physics & Mathematics (AREA)
  • Marketing (AREA)
  • Entrepreneurship & Innovation (AREA)
  • Development Economics (AREA)
  • General Health & Medical Sciences (AREA)
  • Tourism & Hospitality (AREA)
  • General Business, Economics & Management (AREA)
  • Health & Medical Sciences (AREA)
  • Software Systems (AREA)
  • Game Theory and Decision Science (AREA)
  • General Engineering & Computer Science (AREA)
  • Computing Systems (AREA)
  • Molecular Biology (AREA)
  • Evolutionary Computation (AREA)
  • Educational Administration (AREA)
  • Data Mining & Analysis (AREA)
  • Computational Linguistics (AREA)
  • Mathematical Physics (AREA)
  • Biophysics (AREA)
  • Biomedical Technology (AREA)
  • Operations Research (AREA)
  • Quality & Reliability (AREA)
  • Artificial Intelligence (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Manufacturing & Machinery (AREA)
  • Primary Health Care (AREA)
  • Preparation Of Compounds By Using Micro-Organisms (AREA)

Abstract

本发明公开了一种基于全连接神经网络的固态发酵效用预测方法，涉及数据分析预测领域，技术方案为，对固态发酵过程的主要参数进行采集；利用基于均方误差的生成对抗网络进行数据增强操作；用全连接神经网络对采集的参数之间的关系进行分析，得到参数关系模型；根据分析得到的参数关系模型对固态发酵质量和产量进行预测。本发明的有益效果是：本方案提供的技术方案可以根据预先设置好的淀粉含量、温度、酸度和湿度提前精准预测酒精度，根据预测的酒精度可以及时调整各原料搭配比例，提高固态发酵的质量和产量，减少粮食的浪费。

Description

一种基于全连接神经网络的固态发酵效用预测方法
技术领域
本发明涉及数据分析预测领域，特别涉及一种基于全连接神经网络的固态发酵效用预测方法。
背景技术
固态发酵是食品、生物制品工业的一个重要生产过程，提高固态发酵的质量和产量对提升人类的粮食安全和供应具有重要意义。传统固态发酵是根据人工经验控制原料比例，产品的质量和产量极不稳定。如果能够根据原料比例提前预测出固态发酵的质量和产量，就可以及时调整原料比例，有效提高固态发酵产量和质量，减少浪费。
目前在提高固态发酵的研究中主要有：实时监控发酵池内的温度变化，当温度异常时及时进行温度调节，但是这忽略了固态发酵过程中窖池无法打开的限制。另一类主要是研究了微生物群落和酒质量之间的关系，然而，不同产品的微生物群落不同，研究微生物对固态发酵的影响只能针对某一种产品，并不适用于所有固态发酵产品的生产。所以为了能够提高所有固态发酵的产量和质量且不对发酵过程进行控制，可以对固态发酵的原材料比例进行预先控制，因为，原料比例是影响固态发酵产品的产量和质量的关键因素。
对入窖前置关键条件进行预测是提高固态发酵效用的一个技术途径。传统的优化固态发酵方法存在以下缺点：依赖于人工经验，产量和质量不稳定；微生物优化不适用于所有固态发酵的生产；温度控制忽略固态发酵过程不可控的限制。
发明内容
针对上述技术问题，本发明提供一种基于全连接神经网络的固态发酵效用预测方法。
其技术方案为，包括步骤：
S1、利用物联网技术对固态发酵过程的主要参数进行采集；
S2、当采集的数据不够充足的时候，如样本数量小于1000份时则被认定为采集数据不充足，利用改进的基于最小均方误差的生成对抗网络进行数据增强操作；
S3、利用全连接神经网络对采集的参数之间的关系进行分析，得到参数关系模型；
S4、根据S3分析得到的参数关系模型对固态发酵质量和产量进行预测。
优选为，所述的步骤S1对固态发酵过程的主要参数进行采集，包括采用传感器对固态发酵过程中的主要参数进行采集，并将采集到的数据及时传送到计算机上。
优选为，所述S1中传感器对固态发酵过程中的主要参数包括酸度、湿度、淀粉含量、温度以及酒精度。
优选为，所述步骤S2当采集的数据不够充足时，利用最小均方误差的生成对抗网络进行数据增强操作，最小均方误差的生成对抗网络包括两个部分，分别是生成网络和判别网络；
生成网络(G)接收一个随机的噪声z，尽可能的生成近似样本的数据，记为G(z)；
判别网络(D)接收输入数据x，尽可能去判别该数据是真实样本还是网络生成的假样本，判别网络的输出D(x)代表x为真实数据的概率；
如果D(x)＝1说明判别网络认为该输入一定是真实数据，如果D(x)＝0说明判别网络认为该输入一定是假数据。
通过判别器和生成器之间的博弈，生成器生成的数据不断接近真实数据，最终使得判别器无法区分真实数据与生成数据。
优选为，所述最小均方误差的生成对抗网络的生成器采用四层全连接神经网络，输入层神经元为固态发酵的主要参数个数为5，输出层神经元个数为5，对应产生一维数据的5个类别；
判别器则是采用三层全连接网络形式，输入为5个类别的一维数据，输出为0-1之间的数，作为对输入数据是否为真实数据的评价；
将生成的数据与原始数据做均方误差，过滤掉均方误差大于阈值的生成数据，其余的数据作为合适的生成数据予以保留。
优选为，所述S3中利用全连接神经网络对数据进行分析，并得出关系模型，包括：
S301、对前序步骤获取的数据进行归一化处理；
S302、将S301处理后数据中的淀粉含量、酸度、湿度、温度设为4个主要参数，将这4个主要参数组成1×4维度的向量，作为模型的输入数据；
S302、执行第1层全连接层操作FC1(4×64)，将其映射到1×64维度的高维特征空间，以便网络不断拟合原始数据的分布；
S303，依次通过不同尺寸的全连接层，FC2(64×128)，FC3(128×256)和FC4(256×128)，对数据进行不同维度的处理，挖掘每个维度的内在联系；
S304、由FC5层映射到一个输出神经元，并经过
Figure GDA0004051841690000031
激活函数预测固态发酵产生的酒精度。
优选为，所述S301中对数据进行归一化处理，采用缩放法
Figure GDA0004051841690000032
对数据进行缩放，将所有特征值缩放至[0,1]区间。
优选为，所述S3中，每层神经网络处理之后都加入批量归一化操作，确保每层神经网络的输出更加稳定，减少梯度消失的现象。
优选为，所述S4其根据S3中得到的参数关系模型，可以输入任意一组酸度、湿度、淀粉含量以及温度数据，并对目标参数酒精度进行预测。
本发明实施例提供的技术方案带来的有益效果是：本方案通过物联网技术对固态发酵过程中的淀粉含量、温度、湿度、酸度和酒精度参数进行采集，并利用对抗网络对数据样本进行增强，采用全连接神经网络对参数的关系进行分析。本方案提供的技术方案可以根据预先设置好的淀粉含量、温度、酸度和湿度提前精准预测酒精度，根据预测的酒精度可以及时调整各原料搭配比例，提高固态发酵的质量和产量，减少粮食的浪费。
附图说明
图1为本发明实施例的白酒固态发酵过程主要参数采集与固态发酵效用预测的系统框架。
图2为本发明实施例的小样本一维数据生成模型。
图3为本发明实施例的数据分析预测的训练模型。
具体实施方式
为了使本发明的目的、技术方案及优点更加清楚明白，以下结合附图及实施例，对本发明进行进一步详细说明。当然，此处所描述的具体实施例仅用以解释本发明，并不用于限定本发明。
需要说明的是，在不冲突的情况下，本发明创造中的实施例及实施例中的特征可以相互组合。
实施例1
参见图1至图3，本发明提供一种基于全连接神经网络的固态发酵效用预测方法，包括步骤：
S1、利用物联网技术对固态发酵过程的主要参数进行采集；
S2、当采集的数据不够充足的时候，如样本数量小于1000份时则被认定为采集数据不充足，利用改进的基于最小均方误差的生成对抗网络进行数据增强操作；
S3、利用全连接神经网络对采集的参数之间的关系进行分析，得到参数关系模型；
S4、根据S3分析得到的参数关系模型对固态发酵质量和产量进行预测。
优选为，所述的步骤S1对固态发酵过程的主要参数进行采集，包括采用传感器对固态发酵过程中的主要参数进行采集，并将采集到的数据及时传送到计算机上。
优选为，所述S1中传感器对固态发酵过程中的主要参数包括酸度、湿度、淀粉含量、温度以及酒精度。
优选为，所述步骤S2当采集的数据不够充足时，利用最小均方误差的生成对抗网络进行数据增强操作，最小均方误差的生成对抗网络包括两个部分，分别是生成网络和判别网络；
生成网络(G)接收一个随机的噪声z，尽可能的生成近似样本的数据，记为G(z)；
判别网络(D)接收输入数据x，尽可能去判别该数据是真实样本还是网络生成的假样本，判别网络的输出D(x)代表x为真实数据的概率；
如果D(x)＝1说明判别网络认为该输入一定是真实数据，如果D(x)＝0说明判别网络认为该输入一定是假数据。
通过判别器和生成器之间的博弈，生成器生成的数据不断接近真实数据，最终使得判别器无法区分真实数据与生成数据。
优选为，所述生成器采用四层全连接神经网络，输入层神经元为固态发酵的主要参数个数为5，输出层神经元个数为5，对应产生一维数据的5个类别；
判别器则是采用三层全连接网络形式，输入为5个类别的一维数据，输出为0-1之间的数，作为对输入数据是否为真实数据的评价；
将生成的数据与原始数据做均方误差，过滤掉均方误差大于阈值的生成数据，其余的数据作为合适的生成数据予以保留。
优选为，所述S3中利用全连接神经网络对数据进行分析，并得出关系模型，包括：
S301、对前序步骤获取的数据进行归一化处理；
S302、将S301处理后数据中的淀粉含量、酸度、湿度、温度设为4个主要参数，将这4个主要参数组成1×4维度的向量，作为模型的输入数据；
S302、执行第1层全连接层操作FC1(4×64)，将其映射到1×64维度的高维特征空间，以便网络不断拟合原始数据的分布；
S303，依次通过不同尺寸的全连接层，FC2(64×128)，FC3(128×256)和FC4(256×128)，对数据进行不同维度的处理，挖掘每个维度的内在联系；
S304、由FC5层映射到一个输出神经元，并经过
Figure GDA0004051841690000051
激活函数预测固态发酵产生的酒精度。
优选为，所述S301中对数据进行归一化处理，采用缩放法
Figure GDA0004051841690000052
对数据进行缩放，将所有特征值缩放至[0,1]区间。
优选为，所述S3中，每层神经网络处理之后都加入批量归一化操作，确保每层神经网络的输出更加稳定，减少梯度消失的现象。
优选为，所述S4其根据S3中得到的参数关系模型，可以输入任意一组酸度、湿度、淀粉含量以及温度数据，并对目标参数酒精度进行预测。
实施例2
本实施例对白酒固态发酵的酒精度进行预测，白酒固态发酵过程的主要参数：温度，湿度，淀粉含量，酸度是影响酒精度的主要因素，其余发酵过程的参数与酒精度相关性较小，在此不作考虑。
基于酒厂采集的三个酒窖A1、A2和A3数据，每隔两天对上述数据类别进行采样，分别从酒窖A1、A2和A3中采集11组、11组和12组共34例有效数据。部分采集的数据如表1所示。
由于数据量较少，首先对数据进行增强操作，利用最小均方误差的生成对抗网络生成数据，将生成的数据与原始数据做均方误差，并过滤掉均方误差大于阈值0.15的生成数据，最终生成1077例数据。然后利用全连接神经网络对这1077例数据进行分析，得到温度，湿度，淀粉含量，酸度以及酒精度的关系模型。利用34组真实数据进行的验证，分别输入温度，湿度，淀粉含量，酸度并预测出相应的酒精度，同时与真实的酒精度进行对比，结果显示，本发明方法预测的酒精度结果与真实的酒精度的均方误差为1.618，误差比较小，能够有效对酒精度进行预测。
以上所述仅为本发明的较佳实施例，并不用以限制本发明，凡在本发明的精神和原则之内，所作的任何修改、等同替换、改进等，均应包含在本发明的保护范围之内。
表1部分固态发酵过程的参数
温度 水分％ 淀粉％ 酸度％ 酒精含量％
35 42.87 35.72 0.9 1.69
37 45.29 35.7 1.23 2.03
40 45.31 35.17 1.42 2.46
40.5 45.4 34.85 1.55 2.88
43 45.4 34.25 1.69 2.96
42 45.42 34.12 1.69 2.99
41 45.75 24 1.69 3.02
41 45.75 24 1.69 3.02
43 47.9 33.81 1.61 5.9
44 48.51 33.19 1.86 6.05

Claims (4)

1.一种基于全连接神经网络的固态发酵效用预测方法，其特征在于，包括步骤：
S1、对固态发酵过程的主要参数进行采集；
S2、当采集的数据不够充足的时候，利用基于最小均方误差的生成对抗网络进行数据增强操作；
S3、利用全连接神经网络对采集的参数之间的关系进行分析，得到参数关系模型；
S4、根据S3分析得到的参数关系模型对固态发酵质量和产量进行预测；
其中，所述的步骤S1对固态发酵过程的主要参数进行采集，包括采用传感器对固态发酵过程中的主要参数进行采集，并将采集到的数据及时传送到计算机上；所述S1中传感器对固态发酵过程中的主要参数包括酸度、湿度、淀粉含量、温度以及酒精度；
其中，所述步骤S2当采集的数据不够充足时，利用基于最小均方误差的生成对抗网络进行数据增强操作，生成对抗网络包括两个部分，分别是生成网络和判别网络；
生成网络(G)接收一个随机的噪声z，尽可能的生成近似样本的数据，记为G(z)；
判别网络(D)接收输入数据x，尽可能去判别该数据是真实样本还是网络生成的假样本，判别网络的输出D(x)代表x为真实数据的概率；
如果D(x)＝1说明判别网络认为该输入是真实数据，如果D(x)＝0说明判别网络认为该输入是假数据；
通过判别器和生成器之间的博弈，生成器生成的数据不断接近真实数据，最终使得判别器无法区分真实数据与生成数据；
所述基于最小均方误差的生成对抗网络的生成器采用四层全连接神经网络，输入层神经元为固态发酵的主要参数个数为5，输出层神经元个数为5，对应产生一维数据的5个类别；
基于最小均方误差的生成对抗网络的判别器则是采用三层全连接网络形式，输入为5个类别的一维数据，输出为0-1之间的数，作为对输入数据是否为真实数据的评价；
将生成的数据与原始数据做均方误差，过滤掉均方误差大于阈值的生成数据，其余的数据作为合适的生成数据予以保留；
其中，所述S3中利用全连接神经网络对数据进行分析，并得出关系模型，包括：
S301、对前序步骤获取的数据进行归一化处理；
S302、将S301处理后数据中的淀粉含量、酸度、湿度、温度设为4个主要参数，将这4个主要参数组成1×4维度的向量，作为模型的输入数据；
S302、执行第1层全连接层操作FC1(4×64)，将其映射到1×64维度的高维特征空间；
S303，依次通过不同尺寸的全连接层，FC2(64×128)，FC3(128×256)和FC4(256×128)，对数据进行不同维度的处理，挖掘每个维度的内在联系；
S304、由FC5层映射到一个输出神经元，并经过
Figure FDA0004051841680000021
激活函数预测固态发酵产生的酒精度。
2.根据权利要求1所述的基于全连接神经网络的固态发酵效用预测方法，其特征在于，所述S301中对数据进行归一化处理，采用缩放法
Figure FDA0004051841680000022
对数据进行缩放，将所有特征值缩放至[0,1]区间。
3.根据权利要求2所述的基于全连接神经网络的固态发酵效用预测方法，其特征在于，所述S3中，每层神经网络处理之后都加入批量归一化操作。
4.根据权利要求3所述的基于全连接神经网络的固态发酵效用预测方法，其特征在于，所述S4根据S3中得到的参数关系模型，输入任意一组酸度、湿度、淀粉含量以及温度数据，并对目标参数酒精度进行预测。
CN202011231701.8A 2020-11-06 2020-11-06 一种基于全连接神经网络的固态发酵效用预测方法 Active CN112348253B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202011231701.8A CN112348253B (zh) 2020-11-06 2020-11-06 一种基于全连接神经网络的固态发酵效用预测方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202011231701.8A CN112348253B (zh) 2020-11-06 2020-11-06 一种基于全连接神经网络的固态发酵效用预测方法

Publications (2)

Publication Number Publication Date
CN112348253A CN112348253A (zh) 2021-02-09
CN112348253B true CN112348253B (zh) 2023-04-07

Family

ID=74429535

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202011231701.8A Active CN112348253B (zh) 2020-11-06 2020-11-06 一种基于全连接神经网络的固态发酵效用预测方法

Country Status (1)

Country Link
CN (1) CN112348253B (zh)

Families Citing this family (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN114358450B (zh) * 2022-03-22 2022-08-23 广东佳焙食品股份有限公司 一种基于数据处理的麻薯面包加工用发酵质量预测系统
CN114672395A (zh) * 2022-04-13 2022-06-28 江南大学 一种用于固态发酵的智能翻醅控制系统以及控制方法

Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
EP2416153A1 (en) * 2010-08-02 2012-02-08 ENI S.p.A. Method for predicting the quality and yields of a crude oil
CN108696331A (zh) * 2018-03-19 2018-10-23 西安电子科技大学 一种基于生成对抗网络的信号重构方法
CN109658991A (zh) * 2018-12-10 2019-04-19 常州机电职业技术学院 一种窖池固态发酵性能预测方法及预测系统
CN110991690A (zh) * 2019-10-17 2020-04-10 宁波大学 一种基于深度卷积神经网络的多时次风速预测方法
CN111037365A (zh) * 2019-12-26 2020-04-21 大连理工大学 基于生成式对抗网络的刀具状态监测数据集增强方法

Patent Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
EP2416153A1 (en) * 2010-08-02 2012-02-08 ENI S.p.A. Method for predicting the quality and yields of a crude oil
CN108696331A (zh) * 2018-03-19 2018-10-23 西安电子科技大学 一种基于生成对抗网络的信号重构方法
CN109658991A (zh) * 2018-12-10 2019-04-19 常州机电职业技术学院 一种窖池固态发酵性能预测方法及预测系统
CN110991690A (zh) * 2019-10-17 2020-04-10 宁波大学 一种基于深度卷积神经网络的多时次风速预测方法
CN111037365A (zh) * 2019-12-26 2020-04-21 大连理工大学 基于生成式对抗网络的刀具状态监测数据集增强方法

Non-Patent Citations (2)

* Cited by examiner, † Cited by third party
Title
基于XGBoost的固态白酒发酵产量预测;余天阳;《计算机与数字工程》;20200520(第05期);全文 *
基于深度全连接神经网络的风机叶片结冰预测方法;李大中等;《电力科学与工程》;20190428(第04期);全文 *

Also Published As

Publication number Publication date
CN112348253A (zh) 2021-02-09

Similar Documents

Publication Publication Date Title
CN112348253B (zh) 一种基于全连接神经网络的固态发酵效用预测方法
CN108898215B (zh) 一种基于二型模糊神经网络的污泥膨胀智能辨识方法
CN109242236B (zh) 基于关联全连接神经网络和lstm的pmu一次调频负荷预测方法
CN111291937A (zh) 基于支持向量分类与gru神经网络联合的处理污水水质预测方法
Gong et al. Steel surface defect classification using multiple hyper-spheres support vector machine with additional information
CN112000084B (zh) 一种基于1d-cnn和gru-svm的控制器模块智能bit设计方法
CN111126870A (zh) 利用集成主成分分析的污水处理过程异常工况检测方法
CN111401444B (zh) 红酒原产地的预测方法、装置、计算机设备及存储介质
CN115049019B (zh) 金属有机框架对砷的吸附性能评估方法、装置及相关设备
CN111693667A (zh) 一种基于门控递归阵列水质检测系统及方法
CN114403486B (zh) 基于局部峰值编码循环网络的气流式烘丝机智能控制方法
CN110837929A (zh) 基于自适应遗传算法的最小二乘支持向量机用电预测方法
CN114764682B (zh) 一种基于多机器学习算法融合的大米安全风险评估方法
CN111160428A (zh) 基于cnn-svm算法蔬菜自动识别方法
CN112132334A (zh) 一种用于城市生活垃圾产量的预测方法
CN113177578A (zh) 一种基于lstm的农产品品质分类方法
Potočnik et al. Empirical modeling of antibiotic fermentation process using neural networks and genetic algorithms
CN115598164B (zh) 一种集成机器学习的土壤重金属浓度检测方法及系统
Premier et al. A comparison of the ability of black box and neural network models of ARX structure to represent a fluidized bed anaerobic digestion process
CN115169453A (zh) 基于密度聚类协同深度残差网络的热连轧宽度预测方法
CN115481715A (zh) 一种基于am-gru-bpnn的产品质量指标预测方法、系统
CN114781166B (zh) 基于加权概率慢特征模型的污水处理过程软测量方法
CN113604544B (zh) 一种生物材料功能预测评价方法
CN117753795B (zh) 一种针对多钢种、多规格热轧产品的前馈控制方法
CN112133383B (zh) 基于遗传符号回归预测钙钛矿比表面积的方法

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