CN113807030A - 一种面向用户体验优化的豆浆智能生产方法及其存储装置 - Google Patents
一种面向用户体验优化的豆浆智能生产方法及其存储装置 Download PDFInfo
- Publication number
- CN113807030A CN113807030A CN202111273946.1A CN202111273946A CN113807030A CN 113807030 A CN113807030 A CN 113807030A CN 202111273946 A CN202111273946 A CN 202111273946A CN 113807030 A CN113807030 A CN 113807030A
- Authority
- CN
- China
- Prior art keywords
- soybean milk
- food material
- process parameters
- intelligent
- soymilk
- 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.)
- Pending
Links
- 235000010469 Glycine max Nutrition 0.000 title claims abstract description 67
- 244000068988 Glycine max Species 0.000 title claims abstract description 67
- 235000013336 milk Nutrition 0.000 title claims abstract description 66
- 239000008267 milk Substances 0.000 title claims abstract description 66
- 210000004080 milk Anatomy 0.000 title claims abstract description 66
- 238000004519 manufacturing process Methods 0.000 title claims abstract description 22
- 238000005457 optimization Methods 0.000 title claims abstract description 19
- 238000003860 storage Methods 0.000 title claims abstract description 10
- 238000000034 method Methods 0.000 claims abstract description 95
- 230000008569 process Effects 0.000 claims abstract description 78
- 235000013305 food Nutrition 0.000 claims abstract description 75
- 239000000463 material Substances 0.000 claims abstract description 72
- 238000004422 calculation algorithm Methods 0.000 claims abstract description 16
- 238000013528 artificial neural network Methods 0.000 claims abstract description 13
- 238000013507 mapping Methods 0.000 claims abstract description 13
- 238000002474 experimental method Methods 0.000 claims abstract description 12
- 230000002068 genetic effect Effects 0.000 claims abstract description 11
- 238000013401 experimental design Methods 0.000 claims abstract description 5
- 235000013322 soy milk Nutrition 0.000 claims description 38
- 238000004364 calculation method Methods 0.000 claims description 22
- 239000011159 matrix material Substances 0.000 claims description 20
- 238000012360 testing method Methods 0.000 claims description 17
- 238000009826 distribution Methods 0.000 claims description 15
- 238000004590 computer program Methods 0.000 claims description 8
- 238000003062 neural network model Methods 0.000 claims description 4
- 239000000126 substance Substances 0.000 claims description 3
- 238000012545 processing Methods 0.000 abstract description 2
- 230000008901 benefit Effects 0.000 description 9
- 230000006870 function Effects 0.000 description 9
- 238000013473 artificial intelligence Methods 0.000 description 3
- 238000005516 engineering process Methods 0.000 description 3
- 230000003287 optical effect Effects 0.000 description 3
- 230000002349 favourable effect Effects 0.000 description 2
- 230000036651 mood Effects 0.000 description 2
- 239000002245 particle Substances 0.000 description 2
- 238000004537 pulping Methods 0.000 description 2
- 241000251468 Actinopterygii Species 0.000 description 1
- 241000271566 Aves Species 0.000 description 1
- 241000238631 Hexapoda Species 0.000 description 1
- 241001465754 Metazoa Species 0.000 description 1
- CZMRCDWAGMRECN-UGDNZRGBSA-N Sucrose Chemical compound O[C@H]1[C@H](O)[C@@H](CO)O[C@@]1(CO)O[C@@H]1[C@H](O)[C@@H](O)[C@H](O)[C@@H](CO)O1 CZMRCDWAGMRECN-UGDNZRGBSA-N 0.000 description 1
- 229930006000 Sucrose Natural products 0.000 description 1
- 230000006399 behavior Effects 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 210000004556 brain Anatomy 0.000 description 1
- 230000003247 decreasing effect Effects 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 238000011156 evaluation Methods 0.000 description 1
- 230000008570 general process Effects 0.000 description 1
- 238000010438 heat treatment Methods 0.000 description 1
- 244000144980 herd Species 0.000 description 1
- 238000009776 industrial production 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
- 235000016709 nutrition Nutrition 0.000 description 1
- 230000000630 rising effect Effects 0.000 description 1
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F30/00—Computer-aided design [CAD]
- G06F30/20—Design optimisation, verification or simulation
- G06F30/27—Design optimisation, verification or simulation using machine learning, e.g. artificial intelligence, neural networks, support vector machines [SVM] or training a model
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/23—Clustering techniques
- G06F18/232—Non-hierarchical techniques
- G06F18/2321—Non-hierarchical techniques using statistics or function optimisation, e.g. modelling of probability density functions
-
- 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
-
- 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
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/12—Computing arrangements based on biological models using genetic models
- G06N3/126—Evolutionary algorithms, e.g. genetic algorithms or genetic programming
-
- 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
- G06Q50/10—Services
- G06Q50/12—Hotels or restaurants
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F2111/00—Details relating to CAD techniques
- G06F2111/06—Multi-objective optimisation, e.g. Pareto optimisation using simulated annealing [SA], ant colony algorithms or genetic algorithms [GA]
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F2111/00—Details relating to CAD techniques
- G06F2111/08—Probabilistic or stochastic CAD
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Data Mining & Analysis (AREA)
- Life Sciences & Earth Sciences (AREA)
- General Physics & Mathematics (AREA)
- Evolutionary Computation (AREA)
- Health & Medical Sciences (AREA)
- Biophysics (AREA)
- General Engineering & Computer Science (AREA)
- Artificial Intelligence (AREA)
- General Health & Medical Sciences (AREA)
- Software Systems (AREA)
- Business, Economics & Management (AREA)
- Biomedical Technology (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Tourism & Hospitality (AREA)
- Evolutionary Biology (AREA)
- Computational Linguistics (AREA)
- Bioinformatics & Computational Biology (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- Mathematical Physics (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Probability & Statistics with Applications (AREA)
- Genetics & Genomics (AREA)
- Physiology (AREA)
- Economics (AREA)
- Human Resources & Organizations (AREA)
- Marketing (AREA)
- Primary Health Care (AREA)
- Strategic Management (AREA)
- General Business, Economics & Management (AREA)
- Medical Informatics (AREA)
- Computer Hardware Design (AREA)
- Geometry (AREA)
- Beans For Foods Or Fodder (AREA)
Abstract
本发明涉及人工智能食品加工技术领域，具体涉及一种面向用户体验优化的豆浆智能生产方法及其存储装置，其中，方法包括以下步骤：S1、确定豆浆的食材配比和工艺参数及范围；S2、运用正交试验设计，根据不同的食材配比和工艺参数确定正交实验表，获得决策的多个候选方案；S3、根据每个候选方案的食材配比和工艺参数制作相应的豆浆，并进行消费者体验实验，获得最终满意度得分；S4、应用神经网络建立每个候选方案与其对应的最终满意度得分之间的非线性映射，获得豆浆智能制作模型；S5、应用遗传优化算法，根据豆浆智能制作模型搜索最佳的候选方案，得到最佳的食材配比和工艺参数。本发明解决了人工调节豆浆的生产工艺效率和精度低的技术问题。
Description
技术领域
本发明涉及人工智能食品加工技术领域，具体涉及一种面向用户体验优化的豆浆智能生产方法及其存储装置。
背景技术
我国人口数量庞大，其中喜欢喝豆浆的人数占了很大的比例。随着经济水平的普遍上升，越来越多的新奇饮品出现在了大众的消费视野中，消费者的口味挑剔性也随之持续提高，人们不仅对豆浆的口味要求越来越高，对豆浆的营养价值也越来越重视，且不同地域有不同偏好，获取真实的消费者用户体验评价，才能正确掌握消费者的口味喜好，对应改进自己的产品，提高经济效益。
但是一般的获取各类真实用户反馈信息的过程困难，检测用户体验结果的产品，比如眼动仪、脑电分析仪等成本高且操作不简单，大部分豆浆制造商都不会选择这些方式获取用户反馈，改进豆浆的食材配比，优化豆浆生产工艺。选择简单便宜的人工调节食材配比及工艺参数的方式可以实时调整制浆参数，但是，人工调节制浆参数的效率和精确度都比较低。如果依靠人工智能实现产业升级，不仅可以提高调节效率，还可以降低产业生产成本，提高产品市场竞争力，增加企业收益。
发明内容
本发明提供一种面向用户体验优化的豆浆智能生产方法及其存储装置，解决了人工调节豆浆的生产工艺参数的效率和精确度低的技术问题。
本发明提供的基础方案为：一种面向用户体验优化的豆浆智能生产方法，包括：
S1、确定豆浆的食材配比和工艺参数及范围；
S2、运用正交试验设计，根据不同的食材配比和工艺参数确定正交实验表，获得决策的多个候选方案，每个候选方案包括决策的食材配比和工艺参数；
S3、根据每个候选方案的食材配比和工艺参数制作相应的豆浆，并进行消费者体验实验，获得最终满意度得分；
S4、应用神经网络建立每个候选方案与其对应的最终满意度得分之间的非线性映射，获得豆浆智能制作模型；
S5、应用遗传优化算法，根据豆浆智能制作模型搜索最佳的候选方案，得到最佳的食材配比和工艺参数。
本发明的工作原理及优点在于：首先，运用正交试验设计，根据不同的食材配比和工艺参数确定正交实验表，获得决策的多个候选方案，相较于现有技术人工、随机确定候选方案来说，效率更高、可重复性更强；然后，根据每个候选方案的食材配比和工艺参数制作相应的豆浆，并进行消费者体验实验，获得最终满意度得分，相较于现有技术直接统计消费者的体验数据，本方案强调的是最终满意度得分，最终满意度得分需要对消费者的体验数据进行处理得到，这样得到的最终满意度得分具有统计意义、可参照性也越强；最后，应用神经网络建立每个候选方案与其对应的最终满意度得分之间的非线性映射，获得豆浆智能制作模型，并得到最佳的食材配比和工艺参数，相较于现有技术直接根据最终满意度得分选定最佳的食材配比和工艺参数来说，本方案建立了最终满意度得分与最佳的食材配比和工艺参数之间的映射关系，除了可以定性的选择食材配比和工艺参数，还可以定量的调整食材配比和工艺参数的数值范围，从而提高了调节的精确度与准确性。通过这样的方式，能够获得真实的消费者满意度的相关数据，采用神经网络建立食材配比、工艺参数与满意度评分之间的数学模型，再用遗传算法优化食材配比和工艺参数，使得可以得到适合不同群体的豆浆的最佳的食材配比和工艺参数，提高了调节工艺参数的效率和精确度；相较于传统技术来说，能够去除相同的食材配比和工艺参数制作的豆浆的用户体验噪声，减少消费者个体差异对最终满意度得分的影响(比如说，过高或过低的满意度评分是由于消费者心情不好这些与豆浆品质无关的因素造成的)，这样得到的豆浆智能制作模型能够适应绝大部分的消费者，有利于采用人工智能实现传统产品升级。
本发明应用神经网络建立每个候选方案与其对应的满意度评分之间的非线性映射获得豆浆智能制作模型，并应用遗传优化算法根据豆浆智能制作模型搜索最佳的候选方案得到最佳的食材配比和工艺参数，解决了人工调节豆浆的生产工艺参数的效率和精确度低的技术问题。
进一步，S3中，进行消费者体验实验时，共有p个豆浆制造候选方案，每个候选方案制作的豆浆邀请q个消费者体验，得到每个候选方案制作的豆浆的q个消费者的满意度评分，记为Sij，Sij为第i个候选方案、第j个消费者的满意度评分，p为候选方案的数量，q为消费者的数量，其中，1≤i≤p，1≤j≤q；并对j个消费者的满意度评分进行正态分布概率密度函数的加权算术平均计算，得到每个候选方案制作的豆浆的最终满意度得分。
有益效果在于：通过这样的方式，对q个消费者的满意度评分进行正态分布概率密度函数的加权算术平均计算，可以降低消费者个体因素的影响。
进一步，S3中，对q个消费者的满意度得分进行正态分布概率密度函数的加权算术平均计算，得到每个候选方案制作的豆浆的最终满意度得分，包括：对第i个候选方案制作的豆浆的q个消费者的满意度评分进行正态分布概率密度函数的加权算术平均计算，得到第i个候选方案制作的豆浆的最终满意度得分si，其计算公式如下，
其中，ωij是sij权重，也即表示第i个候选方案制作豆浆的第j个消费者满意度评分在基于正态分布概率密度函数的加权算术平均计算中所占的权重，ωij∈[0，1]，
且ωij通过正态分布概率密度函数获得，其计算公式如下，
其中，
其中，1≤i≤p，1≤j≤q。
有益效果在于：通过这样的方式，可以精确地计算第i个候选方案制作豆浆的最终满意度评分si。
进一步，S2中，食材配比和工艺参数的个数为m个，分别用x1、x2、...、xm表示；食材配比和工艺参数相应的选择范围的个数为n个，分别用l1、l2、...、ln表示。
有益效果在于：通过这样的方式，食材配比与工艺参数的选择范围均可以进行量化，食材配比和工艺参数的数量也可以进行增减。
进一步，S2中，根据食材配比和工艺参数的个数，以及食材配比和工艺参数相应的选择范围的个数，确定需要进行的正交试验次数，计算公式如下，
δ＝m*(n-1)+1
其中，δ为需要进行的正交试验次数。
有益效果在于：通过这样的方式，得到的正交试验次数不多不少、刚好合适，能够避免重复试验。
进一步，S4中，将p个候选方案用P1、P2、...、Pp表示，每个候选方案的最终满意度得分表示为s1、s2、...sp；豆浆品质的影响因素包括食材配比和工艺参数，第i组豆浆试验的影响因素为m个，分别为
第i组豆浆对应的满意度得分为si，构造神经网络的输入矩阵X和输出矩阵T，如下，
T＝[s1，s2，...，sp]T
其中，1≤i≤p；随后，建立神经网络模型，得到输入矩阵X与输出矩阵T的非线性映射关系，输入矩阵X与输出矩阵T的非线性映射关系为豆浆智能制作模型。
有益效果在于：通过这样的方式，建立神经网络模型得到输入矩阵X与输出矩阵T的映射关系，能够综合考虑豆浆品质影响因素对满意度评分的影响关系。
进一步，S5中，通过PSO算法优化豆浆智能制作模型，运用遗传算法优化食材配比和工艺参数，寻找最终满意度得分最高的候选方案的食材配比和工艺参数，得到最佳的食材配比和工艺参数。
有益效果在于：通过这样的方式，经过PSO算法和遗传算法的双重优化，能够准确地得到最佳的食材配比和工艺参数。
进一步，S2中，根据确定的正交试验次数、食材配比和工艺参数相应的选择范围确定正交表：如果有正好和这个相等的正交表，把食材配比和工艺参数相应的选择范围复制进正交表中；如果没有，
若水平数相等，因数相等时，取行数刚好比自定义正交表大的；
若水平数相等，因数不相等时，取行数刚好比自定义正交表大的，因数刚好比自定义正交表大的。
进一步，S2中，若水平数不相等时，使用allpairs工具辅助进行选择。
基于上述一种面向用户体验优化的豆浆智能生产方法，本发明还提供一种面向用户体验优化的豆浆智能生产方法的储存装置，其上存储有计算机程序，计算机程序被处理器执行时可用于执行上述任一项方法的步骤。
附图说明
图1为本发明一种面向用户体验优化的豆浆智能生产方法实施例的流程图。
具体实施方式
下面通过具体实施方式进一步详细的说明：
实施例1
实施例基本如附图1所示，包括：
S1、确定豆浆的食材配比和工艺参数及范围；
S2、运用正交试验设计，根据不同的食材配比和工艺参数确定正交实验表，获得决策的多个候选方案，每个候选方案包括决策的食材配比和工艺参数；
S3、根据每个候选方案的食材配比和工艺参数制作相应的豆浆，并进行消费者体验实验，获得最终满意度得分；
S4、应用神经网络建立每个候选方案与其对应的最终满意度得分之间的非线性映射，获得豆浆智能制作模型；
S5、应用遗传优化算法，根据豆浆智能制作模型搜索最佳的候选方案，得到最佳的食材配比和工艺参数。
具体实施过程如下：
S1、确定豆浆的食材配比和工艺参数及范围，比如说食材配比为黄豆、白糖与水的质量比例等，工艺参数为碾磨的时间、加热的温度等。
S2、运用正交试验设计，根据不同的食材配比和工艺参数确定正交实验表，获得决策的多个候选方案，每个候选方案包括决策的食材配比和工艺参数。在本实施例，食材配比和工艺参数的个数为m个，分别用x1、x2、...、xm表示，食材配比和工艺参数相应的选择范围的个数为n个，分别用l1、l2、...、ln表示，具体过程如下：
首先，根据食材配比和工艺参数的个数，以及食材配比和工艺参数相应的选择范围的个数，确定需要进行的正交试验次数，计算公式如下，
δ＝m*(n-1)+1
其中，δ为需要进行的正交试验次数，这样得到的正交试验次数不多不少、刚好合适，能够避免重复试验。
然后，根据确定的正交试验次数、食材配比和工艺参数相应的选择范围，确定正交表：如果有正好和这个相等的正交表，把食材配比和工艺参数相应的选择范围复制进正交表中；如果没有，
若水平数相等，因数相等时，取行数刚好比自定义正交表大的；
若水平数相等，因数不相等时，取行数刚好比自定义正交表大的，因数刚好比自定义正交表大的；
若水平数不相等时，使用allpairs工具辅助进行选择。
在本实施例中，食材配比和工艺参数的个数为m个，分别用x1、x2、...、xm表示；食材配比和工艺参数相应的选择范围的个数为n个，分别用l1、l2、...、ln表示。故而，因数为m，水平数为n；行数即正交表的行数。正交试验需要选择正确的正交表，正交表需要确定合适的行数，一行对应一个因数。由于本实施例中采用的是普遍应用的选择正交表的方法，故而未尽详细之处均可参照现有技术实施，此处不再进行赘述。
S3、根据每个候选方案的食材配比和工艺参数制作相应的豆浆，并进行消费者体验实验，获得最终满意度得分。
在本实施例中，进行消费者体验实验时，共有p个豆浆制造候选方案，每个候选方案制作的豆浆邀请q个消费者体验，每种候选方案制作的豆浆得到q个满意度评分，共有p×q个满意度评分，记为Sij(Sij为第j个消费者对第i个候选方案的满意度评分，其中，1≤i≤p，1≤j≤q)，如表1所示；并对q个消费者的满意度评分进行正态分布概率密度函数的加权算术平均计算，得到每个候选方案制作的豆浆的最终满意度得分，这样可以降低消费者个体因素的影响；与此同时，进行消费者体验实验时，同步录制消费者体验视频，并上传至消费者体验APP上。比如说，请q个志愿者从第1个候选方案制作的豆浆到第p个候选方案制作的豆浆依次进行品尝，并录制长约5～10s的体验视频，上传至用户体验测试APP上。
表1消费者的满意度评分记录表
对q个消费者的满意度得分进行正态分布概率密度函数的加权算术平均计算，得到每个候选方案制作的豆浆的最终满意度得分，包括：对第i个候选方案制作的豆浆的q个消费者的满意度评分进行正态分布概率密度函数的加权算术平均计算，得到第i个候选方案制作的豆浆的最终满意度得分si，其计算公式如下，
其中ωij是sij权重，也即表示第i个候选方案制作豆浆的第j个消费者满意度评分在基于正态分布概率密度函数的加权算术平均计算中所占的权重，ωij∈[0，1]，
且ωij通过正态分布概率密度函数获得，
其中，
其中，1≤i≤p，1≤j≤q。
S4、应用神经网络建立每个候选方案与其对应的最终满意度得分之间的非线性映射，获得豆浆智能制作模型，具体过程如下：首先，将p个候选方案用P1、P2、...、Pp表示，每个候选方案的最终满意度得分表示为s1、s2、...sp；豆浆品质的影响因素包括食材配比和工艺参数，第i组豆浆试验的影响因素为m个，分别为
第i组豆浆对应的满意度得分为si，构造神经网络的输入矩阵X和输出矩阵T，如表2所示；
表2影响因子与消费者满意度评分记录表
然后，以p×m组豆浆品质的影响因素x1、x2、...、xm构造神经网络的输入矩阵X，以p组满意度评分构造神经网络的输出矩阵T，如下，
T＝[s1，s2，...，sp]T
其中，1≤i≤p；随后，建立神经网络模型，得到输入矩阵X与输出矩阵T的非线性映射关系，也即豆浆智能制作模型。
S5、应用遗传优化算法，根据豆浆智能制作模型搜索最佳的候选方案，得到最佳的食材配比和工艺参数，比如说，通过PSO算法优化豆浆智能制作模型，PSO算法是粒子群优化算法(Particle Swarm Optimization)的英文缩写，是一种基于种群的随机优化技术，核心思路如下：模仿昆虫、兽群、鸟群和鱼群等的群集行为，这些群体按照一种合作的方式寻找食物，群体中的每个成员通过学习它自身的经验和其他成员的经验来不断改变其搜索模式，运用遗传算法优化食材配比和工艺参数，寻找最终满意度得分最高的候选方案的食材配比和工艺参数，即为最佳的食材配比和工艺参数，PSO算法与遗传算法优化的具体过程均可参照现有技术实施，此处不再进行赘述。比如说，最终满意度得分最高的候选方案有b组，如表3所示，
表3 b组最终满意度得分最高的候选方案
接着，通过数据对比找到最佳的食材配比和工艺参数。在本方案中，相较于传统技术来说，能够去除相同的食材配比和工艺参数制作的豆浆的用户体验噪声，减少了消费者个体差异对最终满意度得分的影响，比如说，过高或过低的满意度评分是由于消费者心情不好这些与豆浆品质无关的因素造成的，这样得到的豆浆智能制作模型能够适应绝大部分的消费者，有利于采用人工智能实现传统产品升级。
实施例2
与实施例1不同之处仅在于，基于上述实施例一种面向用户体验优化的豆浆智能生产方法，本发明还提供一种面向用户体验优化的豆浆智能生产方法的储存装置，其上存储有计算机程序，计算机程序被处理器执行时可用于执行上述实施例方法的步骤。比如说，储存装置可以为优盘或者光盘，将执行时可执行上述实施例方法的步骤的计算机程序储存在优盘或者光盘里，需要生产豆浆时，将优盘或者光盘中的计算机程序导入计算机，即可控制相关的机械设备生产豆浆，既方便，又快捷，同时可以防止计算机程序泄露，有利于保护商业秘密。
以上所述的仅是本发明的实施例，方案中公知的具体结构及特性等常识在此未作过多描述，所属领域普通技术人员知晓申请日或者优先权日之前发明所属技术领域所有的普通技术知识，能够获知该领域中所有的现有技术，并且具有应用该日期之前常规实验手段的能力，所属领域普通技术人员可以在本申请给出的启示下，结合自身能力完善并实施本方案，一些典型的公知结构或者公知方法不应当成为所属领域普通技术人员实施本申请的障碍。应当指出，对于本领域的技术人员来说，在不脱离本发明结构的前提下，还可以作出若干变形和改进，这些也应该视为本发明的保护范围，这些都不会影响本发明实施的效果和专利的实用性。本申请要求的保护范围应当以其权利要求的内容为准，说明书中的具体实施方式等记载可以用于解释权利要求的内容。
Claims (8)
1.一种面向用户体验优化的豆浆智能生产方法，其特征在于，包括：
S1、确定豆浆的食材配比和工艺参数及范围；
S2、运用正交试验设计，根据不同的食材配比和工艺参数确定正交实验表，获得决策的多个候选方案，每个候选方案包括决策的食材配比和工艺参数；
S3、根据每个候选方案的食材配比和工艺参数制作相应的豆浆，并进行消费者体验实验，获得最终满意度得分；
S4、应用神经网络建立每个候选方案与其对应的最终满意度得分之间的非线性映射，获得豆浆智能制作模型；
S5、应用遗传优化算法，根据豆浆智能制作模型搜索最佳的候选方案，得到最佳的食材配比和工艺参数。
2.如权利要求1所述的面向用户体验优化的豆浆智能生产方法，其特征在于，S3中，进行消费者体验实验时，共有p个豆浆制造候选方案，每个候选方案制作的豆浆邀请q个消费者体验，得到每个候选方案制作的豆浆的q个消费者的满意度评分，记为Sij，Sij为第i个候选方案、第j个消费者的满意度评分，p为候选方案的数量，q为消费者的数量，其中，1≤i≤p，1≤j≤q；并对j个消费者的满意度评分进行正态分布概率密度函数的加权算术平均计算，得到每个候选方案制作的豆浆的最终满意度得分。
3.如权利要求2所述的面向用户体验优化的豆浆智能生产方法，其特征在于，S3中，对q个消费者的满意度得分进行正态分布概率密度函数的加权算术平均计算，得到每个候选方案制作的豆浆的最终满意度得分，包括：对第i个候选方案制作的豆浆的g个消费者的满意度评分进行正态分布概率密度函数的加权算术平均计算，得到第i个候选方案制作的豆浆的最终满意度得分si，其计算公式如下，
其中，ωij是sij的权重，也即表示第i个候选方案制作豆浆的第j个消费者满意度评分在基于正态分布概率密度函数的加权算术平均计算中所占的权重，ωij∈[0，1]，
且ωij通过正态分布概率密度函数获得，其计算公式如下，
其中，
其中，1≤i≤p，1≤j≤q。
4.如权利要求3所述的面向用户体验优化的豆浆智能生产方法，其特征在于，S2中，食材配比和工艺参数的个数为m个，分别用x1、x2、...、xm表示；食材配比和工艺参数相应的选择范围的个数为n个，分别用l1、l2、...、ln表示。
5.如权利要求4所述的面向用户体验优化的豆浆智能生产方法，其特征在于，S2中，根据食材配比和工艺参数的个数，以及食材配比和工艺参数相应的选择范围的个数，确定需要进行的正交试验次数，计算公式如下，
δ＝m*(n-1)+1
其中，δ为需要进行的正交试验次数。
6.如权利要求5所述的面向用户体验优化的豆浆智能生产方法，其特征在于，S4中，将p个候选方案用P1、P2、...、Pp表示，每个候选方案的最终满意度得分表示为s1、s2、...sp；豆浆品质的影响因素包括食材配比和工艺参数，第i组豆浆试验的影响因素为m个，分别为
第i组豆浆对应的满意度得分为si，构造神经网络的输入矩阵X和输出矩阵T，如下，
T＝[s1，s2，...，sp]T
其中，1≤i≤p；随后，建立神经网络模型，得到输入矩阵X与输出矩阵T的非线性映射关系，输入矩阵X与输出矩阵T的非线性映射关系为豆浆智能制作模型。
7.如权利要求6所述的面向用户体验优化的豆浆智能生产方法，其特征在于，S5中，通过PSO算法优化豆浆智能制作模型，运用遗传算法优化食材配比和工艺参数，寻找最终满意度得分最高的候选方案的食材配比和工艺参数，得到最佳的食材配比和工艺参数。
8.一种面向用户体验优化的豆浆智能生产方法的存储装置，其特征在于，其上存储有计算机程序，计算机程序被处理器执行时可用于执行权利要求1～7任一项方法的步骤。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202111273946.1A CN113807030A (zh) | 2021-10-29 | 2021-10-29 | 一种面向用户体验优化的豆浆智能生产方法及其存储装置 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202111273946.1A CN113807030A (zh) | 2021-10-29 | 2021-10-29 | 一种面向用户体验优化的豆浆智能生产方法及其存储装置 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN113807030A true CN113807030A (zh) | 2021-12-17 |
Family
ID=78938007
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202111273946.1A Pending CN113807030A (zh) | 2021-10-29 | 2021-10-29 | 一种面向用户体验优化的豆浆智能生产方法及其存储装置 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN113807030A (zh) |
Citations (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN102058012A (zh) * | 2010-11-03 | 2011-05-18 | 广东海洋大学 | 一种基于神经网络系统优化的牡蛎呈味肽可控酶解工艺 |
| CN109146055A (zh) * | 2018-09-03 | 2019-01-04 | 北京珈信科技有限公司 | 基于正交化实验和人工神经网络的改进粒子群优化方法 |
| CN110110239A (zh) * | 2019-04-26 | 2019-08-09 | 常熟理工学院 | 基于多指标概率矩阵分解模型的美食推荐方法 |
| CN111125908A (zh) * | 2019-12-24 | 2020-05-08 | 重庆科技学院 | 基于极限学习机的面包生产建模及决策参数优化方法 |
| US10915818B1 (en) * | 2020-07-08 | 2021-02-09 | NotCo Delaware, LLC | Latent space method of generating food formulas |
-
2021
- 2021-10-29 CN CN202111273946.1A patent/CN113807030A/zh active Pending
Patent Citations (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN102058012A (zh) * | 2010-11-03 | 2011-05-18 | 广东海洋大学 | 一种基于神经网络系统优化的牡蛎呈味肽可控酶解工艺 |
| CN109146055A (zh) * | 2018-09-03 | 2019-01-04 | 北京珈信科技有限公司 | 基于正交化实验和人工神经网络的改进粒子群优化方法 |
| CN110110239A (zh) * | 2019-04-26 | 2019-08-09 | 常熟理工学院 | 基于多指标概率矩阵分解模型的美食推荐方法 |
| CN111125908A (zh) * | 2019-12-24 | 2020-05-08 | 重庆科技学院 | 基于极限学习机的面包生产建模及决策参数优化方法 |
| US10915818B1 (en) * | 2020-07-08 | 2021-02-09 | NotCo Delaware, LLC | Latent space method of generating food formulas |
Non-Patent Citations (1)
| Title |
|---|
| 汪辉;宗福兴;方海洋;伍度志;: "基于混合高斯概率密度的加权打分方法", 后勤工程学院学报, no. 02, pages 75 - 78 * |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN107563841B (zh) | 一种基于用户评分分解的推荐系统 | |
| Zhang | Growing Silicon Valley on a landscape: an agent-based approach to high-tech industrial clusters | |
| AU2018219998A1 (en) | Testing system | |
| Borgerhoff Mulder et al. | Human behavioural ecology | |
| US20170115646A1 (en) | System and method for generating material compositions | |
| CN111328407A (zh) | 用于基于学习效率提供私人定制教育内容的机械学习方法、装置及计算机程序 | |
| CN114418807A (zh) | 基于历史成绩的在线教育平台的课程推荐方法及系统 | |
| KR101418307B1 (ko) | 다중 의사 결정 문제 해결을 위한 구간 회색수 및 엔트로피 기반 해법 연산 방법 | |
| CN105528615B (zh) | 行为数据的路径寻优方法 | |
| Machado et al. | Partially interactive evolutionary artists | |
| CN117057413B (zh) | 强化学习模型微调方法、装置、计算机设备及存储介质 | |
| CN113807030A (zh) | 一种面向用户体验优化的豆浆智能生产方法及其存储装置 | |
| CN116993548A (zh) | 基于增量学习的LightGBM-SVM的教育培训机构信用评估方法及系统 | |
| Szturo et al. | Ontology based expert system for barley grain classification | |
| EL MEZOUARY et al. | An evaluation of learner clustering based on learning styles in MOOC course | |
| Temiyasathit et al. | Course periodic behavior modelling and its application in LMS activity prediction | |
| CN114677547B (zh) | 一种基于自保持表征扩展的类增量学习的图像分类方法 | |
| CN108319139A (zh) | 一种工业过程主元分析与神经网络优化建模方法 | |
| Krishnan et al. | Incorporating Wide Context Information for Deep Knowledge Tracing using Attentional Bi-interaction. | |
| CN115525819A (zh) | 一种面向信息茧房的跨领域推荐方法 | |
| CN114241221A (zh) | 一种基于神经网络预测算法的控制系统 | |
| Eiben et al. | Interactive evolutionary algorithms | |
| Forradellas et al. | Advantages of using self-organizing maps to analyse student evaluations of teaching | |
| Yang et al. | Unifying recommendation and active learning for information filtering and recommender systems | |
| Sharma et al. | Recommendation system for movies using improved version of som with hybrid filtering methods |
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 |