CN115470092A - 基于多任务分发的食品监控展示方法及系统 - Google Patents

基于多任务分发的食品监控展示方法及系统 Download PDF

Info

Publication number
CN115470092A
CN115470092A CN202211417035.6A CN202211417035A CN115470092A CN 115470092 A CN115470092 A CN 115470092A CN 202211417035 A CN202211417035 A CN 202211417035A CN 115470092 A CN115470092 A CN 115470092A
Authority
CN
China
Prior art keywords
sub
knowledge
expression knowledge
food production
expression
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.)
Granted
Application number
CN202211417035.6A
Other languages
English (en)
Other versions
CN115470092B (zh
Inventor
袁诚
唐莉
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.)
Chengdu Yinguang Software Co ltd
Original Assignee
Chengdu Yinguang Software Co ltd
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 Chengdu Yinguang Software Co ltd filed Critical Chengdu Yinguang Software Co ltd
Priority to CN202211417035.6A priority Critical patent/CN115470092B/zh
Publication of CN115470092A publication Critical patent/CN115470092A/zh
Application granted granted Critical
Publication of CN115470092B publication Critical patent/CN115470092B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F11/00—Error detection; Error correction; Monitoring
    • G06F11/30—Monitoring
    • G06F11/34—Recording or statistical evaluation of computer activity, e.g. of down time, of input/output operation ; Recording or statistical evaluation of user activity, e.g. usability assessment
    • G06F11/3466—Performance evaluation by tracing or monitoring
    • G06F11/3476—Data logging
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F11/00—Error detection; Error correction; Monitoring
    • G06F11/30—Monitoring
    • G06F11/32—Monitoring with visual or acoustical indication of the functioning of the machine
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F40/00—Handling natural language data
    • G06F40/10—Text processing
    • G06F40/166—Editing, e.g. inserting or deleting
    • G06F40/186—Templates
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N5/00—Computing arrangements using knowledge-based models
    • G06N5/02—Knowledge representation; Symbolic representation
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N5/00—Computing arrangements using knowledge-based models
    • G06N5/04—Inference or reasoning models
    • 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)
  • Theoretical Computer Science (AREA)
  • General Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Artificial Intelligence (AREA)
  • Computational Linguistics (AREA)
  • Evolutionary Computation (AREA)
  • Data Mining & Analysis (AREA)
  • Quality & Reliability (AREA)
  • Computing Systems (AREA)
  • Mathematical Physics (AREA)
  • Software Systems (AREA)
  • Audiology, Speech & Language Pathology (AREA)
  • Health & Medical Sciences (AREA)
  • General Health & Medical Sciences (AREA)
  • Computer Hardware Design (AREA)
  • General Factory Administration (AREA)

Abstract

本申请实施例提供的基于多任务分发的食品监控展示方法及系统，通过获取查询终端发送的食品监控展示请求，将食品监控展示请求中对应相同食品生产标识的食品监控展示请求分发至同一食品监控展示任务中，再调取食品监控展示任务中的食品生产标识对应的食品生产监控日志，然后将食品生产监控日志加载至食品生产状态分析网络进行分析，得到食品生产状态分析结果，并将食品生产状态分析结果及对应的食品生产监控日志分发至对应于相同食品生产标识的食品监控展示请求对应的查询终端，以在查询终端上进行展示。基于此，将多个查询任务按照食品生产标识进行任务统一分发，同时依靠食品生产状态分析网络进行高效准确地分析，保证展示的信息准确性。

Description

基于多任务分发的食品监控展示方法及系统
技术领域
本申请涉及人工智能、数据处理领域，具体而言，涉及一种基于多任务分发的食品监控展示方法及系统。
背景技术
随着人们生活水平的提高，对食品安全问题和品质问题提出了更高的要求，不再局限于保质期和配料表的信息，更关注食品的全流程信息，如原材料、生产、运输、保存等环节的合规。目前，出现了对食品全流程动态监控的技术，例如对食品生产进行视频拍摄、运输状态节点记录，并在需要时进行呈现，然而，现有技术的呈现方式较为简单，终端用户并不能通过简单的图像或运输节点展示的信息进行有效地评估判断。换言之，需求方不能准确把握食品监控信息呈现的结果是否是正常合规的。基于此，如何准确有效地向需求方进行食品监控展示是亟待解决的问题。
发明内容
本发明的目的在于提供一种基于多任务分发的食品监控展示方法及系统，以改善上述的问题。
本申请实施例是这样实现的：
第一方面，本申请实施例提供了一种基于多任务分发的食品监控展示方法，应用于数据分发平台，所述数据分发平台与不少于一个查询终端通信连接，所述方法包括：
获取不少于一个查询终端发送的食品监控展示请求，每个所述食品监控展示请求包含对应的食品生产标识；
将不少于一个食品监控展示请求中对应相同食品生产标识的食品监控展示请求分发至同一食品监控展示任务中；
对于每个所述食品监控展示任务，调取所述食品监控展示任务中的食品生产标识对应的食品生产监控日志；
将所述食品生产监控日志加载至预设的食品生产状态分析网络，并依据所述食品生产状态分析网络对所述食品生产监控日志进行食品生产状态分析，得到所述食品生产监控日志对应的食品生产状态分析结果；
将所述食品生产状态分析结果及对应的食品生产监控日志分发至对应于相同食品生产标识的不少于一个食品监控展示请求对应的不少于一个查询终端，以在所述不少于一个查询终端上进行展示；
其中，所述食品生产状态分析网络通过如下步骤调试得到：
获取涵盖第一异常事件的第一食品生产监控日志模板；
通过拟调试的食品生产状态分析网络的知识挖掘模块，对所述第一食品生产监控日志模板进行知识挖掘，得到所述第一异常事件的第一表达知识；
通过所述食品生产状态分析网络的知识优化模块，依据不少于一个第二异常事件的第二表达知识，对所述第一表达知识进行优化，得到所述第一表达知识对应的第一优化表达知识，每个所述第二异常事件与所述第一异常事件的共性系数大于或等于第一预设共性系数；
依据所述第一优化表达知识，确定目标误差结果；
依据所述目标误差结果，对所述食品生产状态分析网络的网络参变量进行不少于一次调试，得到调试后的所述食品生产状态分析网络。
作为一种可能的实施方式，所述第一食品生产监控日志模板包括模板批注，所述食品生产状态分析网络包括第一表达知识集合，所述第一表达知识集合包括不少于一个异常事件的不少于一个表达知识；
所述依据所述第一优化表达知识，确定目标误差结果，包括：依据所述第一优化表达知识和所述模板批注获取误差结果Loss1；依据所述第一优化表达知识和所述第一表达知识集合的不少于一个异常事件的不少于一个表达知识获取误差结果Loss2；依据所述误差结果Loss1和所述误差结果Loss2获取所述目标误差结果。
作为一种可能的实施方式，所述依据所述第一优化表达知识和所述第一表达知识集合的不少于一个异常事件的不少于一个表达知识，获取误差结果Loss2，包括：
在所述第一表达知识集合的不少于一个异常事件的不少于一个表达知识中，确定所述第一异常事件的第一关键表达知识和不少于一个所述第二异常事件的第二关键表达知识；依据所述第一优化表达知识、所述第一关键表达知识和每个所述第二关键表达知识，获取所述误差结果Loss2；
所述第一表达知识集合包括所述不少于一个异常事件的表达知识簇，每个所述表达知识簇包括对应异常事件的不少于一个表达知识，所述方法还包括：依据所述第一优化表达知识，优化所述第一表达知识集合对应所述第一异常事件的表达知识簇；
所述获取涵盖第一异常事件的第一食品生产监控日志模板，包括：获取涵盖第一异常事件的第一截取食品生产监控日志和第二截取食品生产监控日志，其中，所述第二截取食品生产监控日志是对所述第一截取食品生产监控日志至少进行扰动操作后的食品生产监控日志；
所述通过拟调试的食品生产状态分析网络的知识挖掘模块，对所述第一食品生产监控日志模板进行知识挖掘，得到所述第一异常事件的第一表达知识，包括：通过拟调试的食品生产状态分析网络的知识挖掘模块，对所述第一截取食品生产监控日志进行知识挖掘，得到所述第一异常事件的子表达知识K1，并对所述第二截取食品生产监控日志进行知识挖掘，得到所述第一异常事件的子表达知识K2；
所述通过所述食品生产状态分析网络的知识优化模块，依据不少于一个第二异常事件的第二表达知识，对所述第一表达知识进行优化，得到所述第一表达知识对应的第一优化表达知识，包括：通过所述食品生产状态分析网络的知识优化模块，依据不少于一个第二异常事件的第二表达知识，对所述子表达知识K1和所述子表达知识K2分别进行优化，得到所述子表达知识K1对应的第一目标子表达知识和所述子表达知识K2对应的第二目标子表达知识；
所述依据所述第一优化表达知识，确定目标误差结果，包括：依据所述第一目标子表达知识和所述第二目标子表达知识，获取所述目标误差结果。
作为一种可能的实施方式，所述依据所述第一目标子表达知识和所述第二目标子表达知识，确定所述目标误差结果，包括：依据所述第一目标子表达知识和所述第二目标子表达知识，获取第一目标误差结果；依据所述子表达知识K1和所述子表达知识K2获取第二目标误差结果；依据所述第一目标误差结果和所述第二目标误差结果获取目标误差结果；
所述获取涵盖第一异常事件的第一截取食品生产监控日志和第二截取食品生产监控日志，包括：获取涵盖第一异常事件的第一截取食品生产监控日志；依据预设的扰动序列，对所述第一截取食品生产监控日志至少进行扰动操作，得到所述第二截取食品生产监控日志，所述扰动序列包括不少于一个扰动数据集；
所述知识挖掘模块包括第一挖掘模块和第二挖掘模块；所述通过拟调试的食品生产状态分析网络的知识挖掘模块，对所述第一截取食品生产监控日志进行知识挖掘，得到所述第一异常事件的子表达知识K1，并对所述第二截取食品生产监控日志进行知识挖掘，得到所述第一异常事件的子表达知识K2，包括：通过拟调试的食品生产状态分析网络的第一挖掘模块，对所述第一截取食品生产监控日志和所述第二截取食品生产监控日志分别进行知识挖掘，得到所述第一截取食品生产监控日志对应的子表达知识K3和所述第二截取食品生产监控日志对应的子表达知识K4；通过所述食品生产状态分析网络的第二挖掘模块，依据所述子表达知识K3确定所述子表达知识K1，并依据所述子表达知识K4确定所述子表达知识K2。
作为一种可能的实施方式，所述依据所述子表达知识K1和所述子表达知识K2，确定第二目标误差结果，包括：依据所述子表达知识K1和所述子表达知识K2，获取目标子误差结果Loss1；依据所述子表达知识K3和所述子表达知识K4，获取目标子误差结果Loss2；依据所述目标子误差结果Loss1和所述目标子误差结果Loss2，确定所述第二目标误差结果；
所述第一截取食品生产监控日志包括模板批注；所述依据所述子表达知识K3和所述子表达知识K4，获取目标子误差结果Loss2，包括：依据所述子表达知识K3和所述模板批注，获取子误差结果Loss7；依据所述子表达知识K4和所述模板批注，获取子误差结果Loss8；依据所述子误差结果Loss7和所述子误差结果Loss8，确定所述目标子误差结果Loss2；
所述第二挖掘模块包括第三挖掘模块和第四挖掘模块；所述通过所述食品生产状态分析网络的第二挖掘模块，依据所述子表达知识K3确定所述子表达知识K1，并依据所述子表达知识K4确定所述子表达知识K2，包括：通过所述食品生产状态分析网络的第三挖掘模块，依据所述子表达知识K3确定第一扰动程度值，并依据所述子表达知识K4确定第二扰动程度值；通过所述第四挖掘模块，依据所述子表达知识K3和所述第一扰动程度值，确定所述子表达知识K1，并依据所述子表达知识K4和所述第二扰动程度值，确定所述子表达知识K2；所述第三挖掘模块包括下采样模块和不少于一个扰动清理模块，所述第一扰动程度值包括不少于一个第一扰动程度细分值，所述第二扰动程度值包括不少于一个第二扰动程度细分值；
所述通过所述食品生产状态分析网络的第三挖掘模块，依据所述子表达知识K3确定第一扰动程度值，并依据所述子表达知识K4确定第二扰动程度值，包括：通过所述下采样模块，将所述子表达知识K3拆解成不少于一个子局部表达知识K3，并将所述子表达知识K4拆解成不少于一个子局部表达知识K4；通过每个所述扰动清理模块，依据每个所述子局部表达知识K3，确定每个所述第一扰动程度细分值，并依据每个所述子局部表达知识K4，确定每个所述第二扰动程度细分值。
作为一种可能的实施方式，所述通过所述第四挖掘模块，依据所述子表达知识K3和所述第一扰动程度值，确定所述子表达知识K1，并依据所述子表达知识K4和所述第二扰动程度值，确定所述子表达知识K2，包括：通过所述第四挖掘模块，依据所述子表达知识K3的每个所述子局部表达知识K3和每个所述第一扰动程度细分值，确定子局部表达知识K1，并依据所述子表达知识K4的每个所述子局部表达知识K4和每个所述第二扰动程度细分值，确定子局部表达知识K2；依据每个所述子局部表达知识K1，确定所述子表达知识K1，并依据每个所述子局部表达知识K2，确定所述子表达知识K2；
所述第一截取食品生产监控日志包括模板批注，所述食品生产状态分析网络包括第二表达知识集合，所述第二表达知识集合包括所述不少于一个异常事件的不少于一个表达知识；所述依据所述子表达知识K1和所述子表达知识K2，获取目标子误差结果Loss1，包括：依据所述第一截取食品生产监控日志和所述第二截取食品生产监控日志，确定扰动数组；依据所述第一扰动程度值、所述第二扰动程度值和所述扰动数组，获取误差结果Loss3；依据所述子表达知识K1、所述子表达知识K2和所述模板批注，获取误差结果Loss4；依据所述子表达知识K1、所述子表达知识K2和所述第二表达知识集合的不少于一个异常事件的不少于一个表达知识，获取误差结果Loss5；依据所述误差结果Loss3、所述误差结果Loss4和所述误差结果Loss5，获取所述目标子误差结果Loss1。
作为一种可能的实施方式，所述依据所述第一截取食品生产监控日志和所述第二截取食品生产监控日志，确定扰动数组，包括：将所述第一截取食品生产监控日志和所述第二截取食品生产监控日志拆解成不少于一个第一截取局部食品生产监控日志和不少于一个第二截取局部食品生产监控日志；依据每个所述第一截取局部食品生产监控日志和每个所述第二截取局部食品生产监控日志，确定子扰动数组；依据每个所述子扰动数组，确定所述扰动数组；
所述依据所述第一扰动程度值、所述第二扰动程度值和所述扰动数组，获取误差结果Loss3，包括：依据所述第一扰动程度值和所述扰动数组获取子误差结果Loss1；依据所述第二扰动程度值和所述扰动数组获取子误差结果Loss2；依据所述子误差结果Loss1和所述子误差结果Loss2获取所述误差结果Loss3；
所述依据所述子表达知识K1、所述子表达知识K2和所述模板批注获取误差结果Loss4，包括：依据所述子表达知识K1和所述模板批注获取子误差结果Loss3；依据所述子表达知识K2和所述模板批注获取子误差结果Loss4；依据所述子误差结果Loss3和所述子误差结果Loss4获取所述误差结果Loss4。
作为一种可能的实施方式，所述依据所述子表达知识K1、所述子表达知识K2和所述第二表达知识集合的不少于一个异常事件的不少于一个表达知识，确定误差结果Loss5，包括：在所述第二表达知识集合的不少于一个异常事件的不少于一个表达知识中，确定所述第一异常事件的第三关键表达知识和不少于一个所述第二异常事件的第四关键表达知识；依据所述子表达知识K1、所述第三关键表达知识和每个所述第四关键表达知识，获取子误差结果Loss5；依据所述子表达知识K2、所述第三关键表达知识和每个所述第四关键表达知识，获取子误差结果Loss6；依据所述子误差结果Loss5和所述子误差结果Loss6，获取所述误差结果Loss5。
作为一种可能的实施方式，所述知识优化模块包括第五挖掘模块和第六挖掘模块；所述通过所述食品生产状态分析网络的知识优化模块，依据不少于一个第二异常事件的第二表达知识，对所述子表达知识K1和所述子表达知识K2分别进行优化，得到所述子表达知识K1对应的第一目标子表达知识和所述子表达知识K2对应的第二目标子表达知识，包括：通过所述第五挖掘模块，将所述子表达知识K1和所述子表达知识K2分别与不少于一个第二异常事件的第二表达知识进行融合，得到所述子表达知识K1对应的第一融合子表达知识和所述子表达知识K2对应的第二融合子表达知识；通过所述第六挖掘模块，依据所述第一融合子表达知识确定所述第一目标子表达知识，并依据所述第二融合子表达知识确定所述第二目标子表达知识。
第二方面，本申请实施例提供了一种基于多任务分发的食品监控展示系统，包括数据分发平台和与所述数据分发平台通信连接的不少于一个查询终端，所述数据分发平台包括处理器和存储器，所述存储器存储有计算机程序，所述处理器用于执行所述计算机程序，以实现上述的方法。
本申请实施例提供的基于多任务分发的食品监控展示方法及系统，通过获取不少于一个查询终端发送的食品监控展示请求，将不少于一个食品监控展示请求中对应相同食品生产标识的食品监控展示请求分发至同一食品监控展示任务中，对于每个食品监控展示任务，再调取食品监控展示任务中的食品生产标识对应的食品生产监控日志，然后将食品生产监控日志加载至食品生产状态分析网络进行食品生产状态分析，得到食品生产监控日志对应的食品生产状态分析结果，并将食品生产状态分析结果及对应的食品生产监控日志分发至对应于相同食品生产标识的不少于一个食品监控展示请求对应的不少于一个查询终端，以在不少于一个查询终端上进行展示。基于此，将多个查询任务按照食品生产标识进行任务统一分发，同时依靠食品生产状态分析网络进行高效准确地分析，保证展示的信息准确性。
此外，对于本申请实施例提供的食品生产状态分析网络的调试过程，通过获取涵盖第一异常事件的第一食品生产监控日志模板，通过拟调试的食品生产状态分析网络的知识挖掘模块，对第一食品生产监控日志模板进行知识挖掘，得到第一异常事件的第一表达知识，然后通过食品生产状态分析网络的知识优化模块，依据不少于一个第二异常事件的第二表达知识，对第一表达知识进行优化，得到第一表达知识对应的第一优化表达知识，每个第二异常事件与第一异常事件的共性系数大于或等于第一预设共性系数，之后依据第一优化表达知识确定目标误差结果，并依据目标误差结果对食品生产状态分析网络的网络参变量进行不少于一次调试，得到调试后的食品生产状态分析网络。基于此，在涵盖第一异常事件的第一食品生产监控日志模板的表达知识维度加入第二异常事件的表达知识作为干扰信息，以对食品生产状态分析网络进行调试，提升了食品生产状态分析网络的稳定性，同时增强了食品生产状态分析网络的分析能力。进一步而言，在目标误差结果未达到设定要求时，对食品生产状态分析网络的网络参变量进行不少于一次调试，因为目标误差结果是依据第一优化表达知识获取到的，因此能够增加调试后的食品生产状态分析网络对于相同异常事件的不同食品生产监控日志模板的推理一致能力，令调试后的食品生产状态分析网络可以精准地识别涵盖多个异常事件的食品生产监控日志中的异常事件。
在后面的描述中，将部分地陈述其他的特征。在检查后面内容和附图时，本领域的技术人员将部分地发现这些特征，或者可以通过生产或运用了解到这些特征。通过实践或使用后面所述详细示例中列出的方法、工具和组合的各个方面，当前申请中的特征可以被实现和获得。
附图说明
为了更清楚地说明本申请实施例中的技术方案，下面将对本申请实施例描述中所需要使用的附图作简单地介绍。
图1是本申请实施例提供的一种基于多任务分发的食品监控展示系统的组成示意图。
图2是本申请实施例提供的一种基于多任务分发的食品监控展示方法的流程图。
图3是本申请实施例提供的食品生产状态分析网络调试过程的流程图。
图4是本申请实施例提供的数据分发装置的功能模块架构示意图。
图5是本申请实施例提供的一种数据分发平台的组成示意图。
具体实施方式
下面结合本申请实施例中的附图对本申请实施例进行描述。本申请实施例的实施方式部分使用的术语仅用于对本申请的具体实施例进行解释，而非旨在限定本申请。
请参照图1，是本申请实施例提供的一种基于多任务分发的食品监控展示系统的组成示意图，该基于多任务分发的食品监控展示系统300包括数据分发平台100和与数据分发平台100通信连接的不少于一个查询终端200。
本申请实施例中基于多任务分发的食品监控展示方法的执行主体为数据分发平台100，查询终端200可以是包括但不限于服务器、个人电脑、笔记本电脑、平板电脑、智能手机等。数据分发平台100可以是包括但不限于单个网络服务器、多个网络服务器组成的服务器组或于云计算的由大量计算机或网络服务器构成的云，其中，云计算是分布式计算的一种，由一群松散耦合的计算机集组成的一个超级虚拟计算机。其中，数据分发平台100可单独运行来实现本申请，也可接入网络400并通过与网络中的其他计算机设备的交互操作来实现本申请。其中，网络包括但不限于互联网、广域网、城域网、局域网、VPN网络等。
本申请实施例提供了一种基于多任务分发的食品监控展示方法，该方法应用于数据分发平台100，如图2所示，该方法包括如下步骤10~50：
步骤10：获取不少于一个查询终端发送的食品监控展示请求，每个食品监控展示请求包含对应的食品生产标识。
本申请实施例中，查询终端例如是用户（如终端消费者、食品分销者、仓库管理者）使用的电子设备，如智能手机、个人电脑、平板电脑等。具体的场景中，用户获得食品后，为了确保食品的生产符合要求，通过查询终端预设的应用程序（如安装辅助执行本申请实施例提供的基于多任务分发的食品监控展示方法的应用程序）进行相关信息的查询，具体而言，可以通过查询终端的扫描装置（如相机、扫码器）扫描食品外包装上的标识信息（如二维码、条形码）以获取食品生产标识，基于扫描动作和获取到的信息，查询终端生成食品监控展示请求并发送至本申请实施例提供的数据分发平台，通过数据分发平台识别食品监控展示请求包含的该食品生产标识。
步骤20：将不少于一个食品监控展示请求中对应相同食品生产标识的食品监控展示请求分发至同一食品监控展示任务中。
由于对于同一生产线的食品，其各个生产节点数据是一致的，因此具备相同的食品生产标识。在实际应用中，数据分发平台可能会收到大量同一生产线的相同食品生产标识的不同的食品的食品监控展示请求，此时，数据分发平台将不少于一个食品监控展示请求中对应相同食品生产标识的食品监控展示请求分发至同一食品监控展示任务中，如此可以节约调度资源，减少多余重复的运算，节约硬件开销，减少成本。
步骤30：对于每个食品监控展示任务，调取食品监控展示任务中的食品生产标识对应的食品生产监控日志。
本申请实施例中，对于食品生产过程，例如原材料采集、食品制作、食品包装、食品运输、食品保存等环节，均会进行相关数据的记录保存（如工作人员上传或设备自动记录），形成食品生产监控日志，例如原材料采购数据、食品制作的配料配比、生产间生产环境指标、包装环境与设备运行情况、运输流程数据等等，通过生成食品生产监控日志，便于后续食品的分析溯源。
步骤40：将食品生产监控日志加载至食品生产状态分析网络，并依据食品生产状态分析网络对食品生产监控日志进行食品生产状态分析，得到食品生产监控日志对应的食品生产状态分析结果。
食品生产状态分析网络可以是基于任意可行的人工智能网络进行调试得到的，例如可以是基于机器学习或深度学习网络架构搭建，如CNN、RNN、DNN等网络，其具体的调试过程在后续步骤中进行介绍。通过食品生产状态分析网络可以快速准确地对食品生产监控日志进行分析，得到食品生产状态分析结果，比如正常达标的生产、异常不达标的生产，其中，如果是异常不达标生产，可以识别其中具体的异常事件，比如不按照预定配比用量制作、食品包装要求不达标（如包装工艺、填充气体浓度、包装密封性）、食品运输不符合标准（如未按照标准温度冷链运输、未按照标准震荡指数运输）、食品保存条件不合规（如保藏温度、保藏环境灭菌指标、保藏湿度值等）。
步骤50：将食品生产状态分析结果及对应的食品生产监控日志分发至对应于相同食品生产标识的不少于一个食品监控展示请求对应的不少于一个查询终端，以在不少于一个查询终端上进行展示。
可以理解，查询终端包含显示装置（如一体的或外接的），可以显示食品生产状态分析结果及对应的食品生产监控日志，具体而言，展示的食品生产监控日志并非全部内容，而是展示关键信息，如关键节点信息。如果食品生产状态分析结果是不达标生产，则还显示不达标的事件（环节）。需要说明的是，由于一个产品或多个产品对应的一个生产线，其食品生产监控日志是固定的，则如果该食品生产监控日志已经被食品生产状态分析网络分析过，具备食品生产状态分析结果，则在接收到监控展示请求后，无需进行再次分析，直接调取食品生产状态分析结果即可，以减少重复计算，节约计算开销。同时可以理解，上述的步骤并反映实际实施的顺序，或对顺序加以限制，例如在食品生产监控日志已经被食品生产状态分析网络分析过，并具备食品生产状态分析结果时，步骤40的执行顺序则成为一个分析流程下的第一步，再进行后续步骤。
需要说明的是，对于实时性要求高的场景，例如对于校园餐饮，查询终端可以外连显示器（如公示大屏），根据预设的展示需求将食品生产状态分析结果及对应的食品生产监控日志的设定内容进行公示，在显示器上显示不同的内容，例如自定义的公示内容模板。当然，在实际应用中，显示器还可以显示食品生产监控日志以外的信息，例如公示内容可以包括视频制作过程中后厨摄像头画面、采购食材溯源信息、通知公告、自定义视频及图片、留痕影像、工勤人员证件、食谱计划、菜品留样、日常消毒、食品制作人员健康监测信息、餐厨垃圾处理等，在该场景中进行配置分发，同时滚动循环播放，完成食品的安全信息公示，使该场景下的需求者更加心安。对于具体的应用场景和增减的信息展示，本申请实施例对此并不做限定，关于食品生产状态分析网络的功能也可以根据实际的应用场景进行适应性调整，比如针对后厨摄像头画面、采购食材溯源信息、通知公告、自定义视频及图片、留痕影像、工勤人员证件、食谱计划、菜品留样、日常消毒、食品制作人员健康监测信息、餐厨垃圾处理等进行样本信息采集、网络训练、网络应用等。
通过上述步骤10~50，本申请实施例将多个查询任务按照食品生产标识进行任务统一分发，同时依靠食品生产状态分析网络进行高效准确地分析，保证展示信息的准确性。其中，对于食品生产监控日志的分析，如何保证其分析的准确性，尤其是对异常事件识别的准确性是需要考虑的问题，对于相同类型的异常事件，其具体的数据促成因素可能不同，例如数据缺失、数据冗余、部分数据错误等等，因此能在不同的数据环境识别出同一异常事件可以极大增加分析的准确性。下面对食品生产状态分析网络的调试过程进行详细地介绍，请参照图3，具体可以包括如下步骤101~105：
步骤101：获取涵盖第一异常事件的第一食品生产监控日志模板。
本申请实施例中，异常事件例如是在原材料采集、食品制作、食品包装、食品运输、食品保存等环节中产生的不符合标准流程的事件，如未对原材料溯源、不按照预定配比制作、包装要求不达标（如包装工艺、填充气体浓度、密封性）、食品运输不符合标准（如未按照标准温度冷链运输、未按照标准震荡指数运输）、食品保存条件不合规（如保藏温度、保藏环境灭菌指标、保藏湿度值等），第一食品生产监控日志模板是用于对食品生产状态分析网络进行调试的样本。
步骤102：通过拟调试的食品生产状态分析网络的知识挖掘模块，对第一食品生产监控日志模板进行知识挖掘，得到第一异常事件的第一表达知识。
本申请实施例中，第一表达知识（例如是基于人工智能专家系统挖掘得到的特征信息或者知识向量）用以描述第一异常事件。作为一种实施方案，知识挖掘模块至少包括第一挖掘模块，第一挖掘模块通过线性变换提取食品生产监控日志的表达知识，比如基于卷积神经网络或循环神经网络进行卷积运算获取。在一个实施例中，可以基于第一挖掘模块挖掘第一食品生产监控日志模板的第三表达知识，将其确定为第一异常事件的第一表达知识，第三表达知识可以是第一食品生产监控日志模板的基础表达知识（原始的表达知识）。
作为一种实施方案，知识挖掘模块还包括第二挖掘模块，用于依据第一食品生产监控日志模板的第三表达知识，确定第一异常事件的第一表达知识，另外，第二挖掘模块包括扰动清理模块，用于对第三表达知识进行扰动清理，得到第一异常事件的第一表达知识。
步骤103：通过食品生产状态分析网络的知识优化模块，依据不少于一个第二异常事件的第二表达知识，对第一表达知识进行优化，得到第一表达知识对应的第一优化表达知识。
本申请实施例中，每个第二异常事件和第一异常事件的共性系数（反映二者的相近程度的数值）大于或等于第一预设共性系数，第一预设共性系数可以根据实际情况进行选择确定。举例而言，第二异常事件和第一异常事件的生产指标特征的共性系数大于或等于第一预设共性系数，或者第二异常事件和第一异常事件的运输指标特征的共性系数大于或等于第一预设共性系数等，第二表达知识可以依据调试模板获取，或者采取事先加载的方式得到。作为一种实施方案，可以依据每个第二异常事件的第二表达知识和第一异常事件的第一表达知识之间的共性系数，得到每个第二异常事件与第一异常事件的共性系数，作为另一种实施方案，可以依据每个第二异常事件的关键表达知识和第一异常事件的第一表达知识之间的共性系数，得到每个第二异常事件与第一异常事件的共性系数。本申请实施例中，食品生产状态分析网络可以包括第二表达知识集合，第二表达知识集合可以包括不少于一个异常事件的不少于一个表达知识，第二异常事件的关键表达知识可以是依据第二表达知识集合中对应第二异常事件的不少于一个表达知识进行获取得到的，作为一种实施方案，可以挖掘日志调试集合中不少于一个异常事件的多个食品生产监控日志模板的表达知识，将挖掘的表达知识依异常事件类型保存在第二表达知识集合，作为一种实施方案，知识优化模块可以包括第五挖掘模块和第六挖掘模块，第五挖掘模块用于将第二表达知识与第一表达知识进行融合得到第一融合子表达知识，第六挖掘模块用于对第一融合子表达知识进行优化更新，得到第一优化表达知识，第一优化表达知识即更新优化后的第一表达知识。
步骤104：依据第一优化表达知识，确定目标误差结果。
本申请实施例中，目标误差结果例如为交叉熵误差结果或对比误差结果，或者其他不受本申请实施例限制的误差结果。
步骤105：依据目标误差结果，对食品生产状态分析网络的网络参变量进行不少于一次调试，得到调试后的食品生产状态分析网络。
本申请实施例中，依据目标误差结果对食品生产状态分析网络的网络参变量进行优化，如将目标误差结果与设定值对比，如果目标误差结果大于设定值，则对食品生产状态分析网络的网络参变量进行优化，如果目标误差结果不大于设定值，则将食品生产状态分析网络确定为调试完成的食品生产状态分析网络。
上述通过获取涵盖第一异常事件的第一食品生产监控日志模板，通过拟调试的食品生产状态分析网络的知识挖掘模块，对第一食品生产监控日志模板进行知识挖掘，得到第一异常事件的第一表达知识，然后通过食品生产状态分析网络的知识优化模块，依据不少于一个第二异常事件的第二表达知识，对第一表达知识进行优化，得到第一表达知识对应的第一优化表达知识，每个第二异常事件与第一异常事件的共性系数大于或等于第一预设共性系数，之后依据第一优化表达知识确定目标误差结果，并依据目标误差结果对食品生产状态分析网络的网络参变量进行不少于一次调试，得到调试后的食品生产状态分析网络。基于此，在涵盖第一异常事件的第一食品生产监控日志模板的知识维度加入第二异常事件的表达知识作为干扰信息，对食品生产状态分析网络进行调试，因此提升了食品生产状态分析网络的稳定性，并增强了食品生产状态分析网络的能力，此外，在目标误差结果未达到设定要求时，对食品生产状态分析网络的网络参变量进行不少于一次调试，因为目标误差结果是依据第一优化表达知识确定的，因此能够增加调试后的食品生产状态分析网络对于相同异常事件的不同食品生产监控日志模板的推理一致，令调试后的食品生产状态分析网络可以精准地识别涵盖多个异常事件的食品生产监控日志中的异常事件。
作为一种实施方案，第一食品生产监控日志模板包括模板批注，模板批注用于指示第一食品生产监控日志的信息。食品生产状态分析网络包括第一表达知识集合，第一表达知识集合包括不少于一个异常事件的不少于一个表达知识，则步骤104具体可以包括如下步骤104a~104c。
步骤104a：依据第一优化表达知识和模板批注，获取误差结果Loss1。
本申请实施例中，误差结果Loss1可以通过交叉熵函数进行计算得到。
步骤104b：依据第一优化表达知识和第一表达知识集合的不少于一个异常事件的不少于一个表达知识，获取误差结果Loss2。
本申请实施例中，第一表达知识集合至少包含第一异常事件的不少于一个表达知识和不少于一个第二异常事件的不少于一个表达知识，误差结果Loss2可以是对比误差。
步骤104c：依据误差结果Loss1和误差结果Loss2，确定目标误差结果。
本申请实施例中，目标误差结果可以包括误差结果Loss1和误差结果Loss2的和值或对误差结果Loss1和误差结果Loss2加权后的和值，具体不做限定。
作为一种实施方案，步骤104b具体可以包括如下步骤：
步骤104b1：在第一表达知识集合的不少于一个异常事件的不少于一个表达知识中，确定第一异常事件的第一关键表达知识和不少于一个第二异常事件的第二关键表达知识。
作为一种实施方案，第一关键表达知识可以是依据第一表达知识集合的第一异常事件的表达知识和第一优化表达知识，确定第一关键表达知识，每个第二关键表达知识可以是依据第二表达知识集合的每个第二异常事件的每个表达知识确定的，作为一种实施方案，计算异常事件的关键表达知识可以参考公式：
Kj=（1-n）×（1/M）×∑Kg+n×Kj；
其中，Kj为第j个异常事件的关键表达知识，M为第j个异常事件的表达知识簇，n为预设的优化参数，具体数值据实而定，Kg为第g个模板的第一表达知识，作为一种实施方案，Kg和M对应相同异常事件时，对应异常事件的关键表达知识Kj会发生改变，Kg和M不对应相同异常事件时，对应异常事件的关键表达知识Kj和上一Kj相同。
步骤104b2：依据第一优化表达知识、第一关键表达知识和每个第二关键表达知识，获取误差结果Loss2。
作为一种实施方案，步骤105具体可以包括：
步骤105a：在目标误差结果未达到设定要求时，对食品生产状态分析网络的网络参变量进行优化，得到优化后的食品生产状态分析网络，依据优化后的食品生产状态分析网络，确定调试后的食品生产状态分析网络。本申请实施例中，例如采用梯度下降的方式对食品生产状态分析网络的网络参变量进行优化。
步骤105b：在目标误差结果符合设定要求时，将优化后的食品生产状态分析网络确定为调试后的食品生产状态分析网络。本申请实施例中，设定要求例如为目标误差结果小于预设误差、目标误差结果的变化率满足预设变化率等。
作为一种实施方案，依据优化后的食品生产状态分析网络，确定调试后的食品生产状态分析网络，包括：获取后一第一食品生产监控日志模板；通过优化后的拟调试的食品生产状态分析网络的知识挖掘模块，对后一第一食品生产监控日志模板进行知识挖掘，得到后一第一表达知识；通过优化后的食品生产状态分析网络的知识优化模块，依据不少于一个第二异常事件的第二表达知识，对后一第一表达知识进行优化，得到后一第一表达知识对应的后一第一优化表达知识；依据后一第一优化表达知识，确定后一目标误差结果；依据后一目标误差结果对优化后的食品生产状态分析网络的网络参变量进行不少于一次优化，得到调试后的食品生产状态分析网络。
在目标误差结果未达到设定要求时，对食品生产状态分析网络的网络参变量进行再次优化调试，依据后一次优化后的食品生产状态分析网络，确定调试后的食品生产状态分析网络，采取迭代优化提升调试后的食品生产状态分析网络的能力。
作为一种实施方案，第一表达知识集合包括不少于一个异常事件的表达知识簇，每个表达知识簇包括对应异常事件的不少于一个表达知识，换言之，表达知识簇是表达知识的集合，则本申请实施例提供的方法还包括：
步骤106：依据第一优化表达知识，优化第一表达知识集合对应第一异常事件的表达知识簇。
本申请实施例中，优化更新例如是把第一优化表达知识添加到第一表达知识集合，或将第一表达知识集合的一个表达知识换成第一优化表达知识。通过优化更新第一表达知识集合第一异常事件的表达知识，能准确获得对应第一异常事件的第一关键表达知识，提升调试后的食品生产状态分析网络的分析精准度。
作为一种网络调试方式，其过程还可以参考以下步骤：
步骤100：获取涵盖第一异常事件的第一截取食品生产监控日志和第二截取食品生产监控日志。
本申请实施例中，第二截取食品生产监控日志可以是对第一截取食品生产监控日志至少进行扰动操作（例如清洗部分数据信息、增加噪声数据）后的食品生产监控日志，第二截取食品生产监控日志可以包括至少一个食品生产监控日志，作为一种实施方案，在第二截取食品生产监控日志包括多个食品生产监控日志时，多个食品生产监控日志可以是对第一截取食品生产监控日志分别至少进行扰动操作后得到的食品生产监控日志。
作为一种实施方案，步骤100具体可以包括如下步骤：
步骤101：获取涵盖第一异常事件的第一截取食品生产监控日志。
本申请实施例中，第一截取食品生产监控日志可以是任一至少涵盖第一异常事件的食品生产监控日志。
步骤102：依据预设的扰动序列，对第一截取食品生产监控日志至少进行扰动操作，得到第二截取食品生产监控日志。
本申请实施例中，扰动序列包括不少于一个扰动数据集，扰动序列可以包括依据日志调试集合和/或其它食品生产监控日志构建得到，扰动序列例如包括冗余数据集、裁剪数据框、混淆数据集等。通过预定的策略，将随机的或选定的扰动数据集并入截取食品生产监控日志进行扰动操作，预定的策略例如是在设定的数据节点、预设的扰动范围等。
作为一种实施方案，本申请实施例提供的方法还包括：
步骤103：依据第一截取食品生产监控日志和第二截取食品生产监控日志，确定扰动数组。
本申请实施例中，扰动数组可以为数据掩码，为食品生产监控日志的数据缺失信息，用于食品生产状态分析网络对数据缺失的调试。作为一种实施方案，可以依据第一截取食品生产监控日志和第二截取食品生产监控日志之间的数值差值确定扰动数组。具体而言，可以将第一截取食品生产监控日志和第二截取食品生产监控日志拆解成不少于一个第一截取局部食品生产监控日志和不少于一个第二截取局部食品生产监控日志，依据每个第一截取局部食品生产监控日志和每个第二截取局部食品生产监控日志确定子扰动数组，依据每个子扰动数组确定扰动数组，例如，将第一截取食品生产监控日志和第二截取食品生产监控日志都拆解成四个，如果一、二没有扰动，三、四有扰动，则对应的扰动数组为1100。
步骤200：通过拟调试的食品生产状态分析网络的知识挖掘模块，对第一截取食品生产监控日志进行知识挖掘，得到第一异常事件的子表达知识K1，并对第二截取食品生产监控日志进行知识挖掘，得到第一异常事件的子表达知识K2。
步骤300：通过食品生产状态分析网络的知识优化模块，依据不少于一个第二异常事件的第二表达知识，对子表达知识K1和子表达知识K2分别进行优化，得到子表达知识K1对应的第一目标子表达知识和子表达知识K2对应的第二目标子表达知识。
本申请实施例中，每个第二异常事件和第一异常事件的共性系数大于或等于第一预设共性系数。作为一种实施方案，可以依据每个第二异常事件的第二表达知识和第一异常事件的第一表达知识之间的共性系数，得到每个第二异常事件与第一异常事件的共性系数。作为一种实施方案，可以依据每个第二异常事件的关键表达知识和第一异常事件的第一表达知识之间的共性系数，得到每个第二异常事件与第一异常事件的共性系数。本申请实施例中，食品生产状态分析网络可以包括第二表达知识集合，第二表达知识集合可以包括不少于一个异常事件的不少于一个表达知识，第二异常事件的关键表达知识可以是依据第二表达知识集合中对应第二异常事件的不少于一个表达知识得到，作为一种实施方案，可以通过挖掘日志调试集合中不少于一个异常事件的多个食品生产监控日志模板的表达知识，保存在第二表达知识集合。
步骤400：依据第一目标子表达知识和第二目标子表达知识，确定目标误差结果。
步骤500：依据目标误差结果，对食品生产状态分析网络的网络参变量进行不少于一次调试，得到调试后的所述食品生产状态分析网络。
本申请实施例通过获取涵盖第一异常事件的第一截取食品生产监控日志和第二截取食品生产监控日志，第二截取食品生产监控日志是对第一截取食品生产监控日志至少进行扰动操作后的食品生产监控日志；通过拟调试的食品生产状态分析网络的知识挖掘模块，对第一截取食品生产监控日志进行知识挖掘，得到第一异常事件的子表达知识K1，并对第二截取食品生产监控日志进行知识挖掘，得到第一异常事件的子表达知识K2；通过食品生产状态分析网络的知识优化模块，依据不少于一个第二异常事件的第二表达知识，对子表达知识K1和子表达知识K2分别进行优化，得到子表达知识K1对应的第一目标子表达知识和子表达知识K2对应的第二目标子表达知识，每个所述第二异常事件和所述第一异常事件的共性系数大于或等于第一预设共性系数；依据第一目标子表达知识和第二目标子表达知识，确定目标误差结果；依据目标误差结果，对食品生产状态分析网络的网络参变量进行不少于一次调试，得到调试后的食品生产状态分析网络。基于此，在涵盖第一异常事件的第一食品生产监控日志模板的数据维度和表达知识维度各自加入食品生产监控日志和其他异常事件的表达知识进行扰动，以对食品生产状态分析网络进行调试，提高食品生产状态分析网络的稳定性，并增强食品生产状态分析网络的分析能力，在目标误差结果未达到设定要求时，对食品生产状态分析网络的网络参变量进行不少于一次调试，因为目标误差结果是依据第一优化表达知识确定的，因此能够增加调试后的食品生产状态分析网络对于同一异常事件的不同食品生产监控日志模板的推理一致，令调试后的食品生产状态分析网络可以对具有数据缺失、冗余或包含多个异常事件的食品生产监控日志中的异常事件进行分析。
作为一种实施方案，步骤400具体可以包括：
步骤401：依据第一目标子表达知识和第二目标子表达知识，确定第一目标误差结果。
本申请实施例中，第一目标误差结果可以为交叉熵误差结果和/或对比误差结果。具体可以包括：依据第一目标子表达知识，获取目标子误差结果Loss3，依据第二目标子表达知识，获取目标子误差结果Loss4，依据目标子误差结果Loss3和目标子误差结果Loss4，确定第一目标误差结果。本申请实施例中，第一目标误差结果可以为目标子误差结果Loss3和目标子误差结果Loss4的和值或对目标子误差结果Loss3和目标子误差结果Loss4加权后的和值，本申请对此不做限定。
步骤402：依据子表达知识K1和子表达知识K2，获取第二目标误差结果。
本申请实施例中，第二目标误差结果可以为交叉熵误差结果和/或对比误差结果。
步骤403：依据第一目标误差结果和第二目标误差结果，确定目标误差结果。
本申请实施例中，目标误差结果可以为第一目标误差结果和第二目标误差结果的和值或对第一目标误差结果和第二目标误差结果加权后进行求和的结果，依据子表达知识K1、子表达知识K2、第一目标子表达知识和第二目标子表达知识，确定目标误差结果便于提升目标误差结果的准确性，以评估食品生产状态分析网络的收敛情况。
作为一种实施方案，知识挖掘模块包括第一挖掘模块和第二挖掘模块，步骤200具体可以包括：通过拟调试的食品生产状态分析网络的第一挖掘模块，对第一截取食品生产监控日志和第二截取食品生产监控日志分别进行知识挖掘，得到第一截取食品生产监控日志对应的子表达知识K3和第二截取食品生产监控日志对应的子表达知识K4；通过食品生产状态分析网络的第二挖掘模块，依据子表达知识K3确定子表达知识K1，并依据子表达知识K4确定子表达知识K2；
其中，知识挖掘模块至少包括第一挖掘模块，用于基于类似卷积神经网络或循环神经网络等线性变换单元挖掘食品生产监控日志的表达知识，依据第一挖掘模块挖掘第一截取食品生产监控日志的表达知识，并将其确定为第一异常事件的子表达知识K3，本申请实施例中，子表达知识K3可以是第一截取食品生产监控日志的基础表达知识。作为一种实施方案，第二挖掘模块可以包括扰动清理模块，扰动清理模块用于对加载的表达知识进行扰动清理，得到没有扰动的表达知识，比如依据第二挖掘模块对子表达知识K3进行扰动清理得到第一异常事件的子表达知识K1，或依据第二挖掘模块对子表达知识K4进行扰动清理得到第一异常事件的子表达知识K2。
基于此，本申请实施例依据在涵盖第一异常事件的第一食品生产监控日志模板的数据维度加入部分食品生产监控日志的数据作为扰动信息，对食品生产状态分析网络进行调试，提升了食品生产状态分析网络的稳定性，增强了食品生产状态分析网络的分析能力，令调试后的食品生产状态分析网络可以对具有扰动信息的食品生产监控日志中的异常事件进行分析。
作为一种实施方案，步骤402具体可以包括：依据子表达知识K1和子表达知识K2，获取目标子误差结果Loss1；依据子表达知识K3和子表达知识K4，获取目标子误差结果Loss2；依据目标子误差结果Loss1和目标子误差结果Loss2，确定第二目标误差结果。
本申请实施例中，目标子误差结果Loss1、目标子误差结果Loss2可以为交叉熵误差结果和/或对比误差结果，第二目标误差结果可以是目标子误差结果Loss1和目标子误差结果Loss2的和值或对目标子误差结果Loss1和目标子误差结果Loss2加权求和的结果。基于此，依据子表达知识K1、子表达知识K2、子表达知识K3和子表达知识K4获取第二目标误差结果能够提升第二目标误差结果的精确性，帮助准确评估食品生产状态分析网络收敛情况。
作为一种实施方案，第一截取食品生产监控日志包括模板批注，依据子表达知识K3和子表达知识K4，获取目标子误差结果Loss2具体可以包括：依据子表达知识K3和模板批注，获取子误差结果Loss7；依据子表达知识K4和模板批注，获取子误差结果Loss8；依据子误差结果Loss7和子误差结果Loss8，获取目标子误差结果Loss2
本申请实施例中，子误差结果Loss7、子误差结果Loss8可以是交叉熵误差结果，作为一种实施方案，本申请实施例中，目标子误差结果Loss2可以是子误差结果Loss7和子误差结果Loss8的和值或对子误差结果Loss7和子误差结果Loss8加权求和的结果。
作为一种实施方案，第二挖掘模块包括第三挖掘模块和第四挖掘模块，通过食品生产状态分析网络的第二挖掘模块，依据子表达知识K3确定子表达知识K1，并依据子表达知识K4确定子表达知识K2，具体包括：
（1）通过食品生产状态分析网络的第三挖掘模块，依据子表达知识K3确定第一扰动程度值，并依据子表达知识K4确定第二扰动程度值。
本申请实施例中，第二挖掘模块包括第三挖掘模块，用于依据对食品生产监控日志的表达知识进行指征含义解析，获取食品生产监控日志对应的扰动程度值。作为一种实施方案，第三挖掘模块包括下采样模块和不少于一个扰动清理模块，第一扰动程度值包括不少于一个第一扰动程度细分值，第二扰动程度值包括不少于一个第二扰动程度细分值，则上述不过程具体可以包括：通过下采样模块将子表达知识K3拆解成不少于一个子局部表达知识K3，并将子表达知识K4拆解成不少于一个子局部表达知识K4；通过每个扰动清理模块，依据每个子局部表达知识K3，确定第一扰动程度细分值，并依据每个子局部表达知识K4，确定第二扰动程度细分值。
本申请实施例中，下采样模块用于对加载的表达知识进行拆解得到不少于一个子局部表达知识，子局部表达知识K3的个数和第一截取食品生产监控日志一致，比如将第一截取食品生产监控日志拆解成3部分，则依据下采样模块将子表达知识K3拆解成3个子局部表达知识K3，本申请实施例中，每个扰动清理模块用于对加载的表达知识进行表征含义解析，获得表达知识对应的食品生产监控日志的扰动程度值，作为一种实施方案，每个扰动清理模块包括2个FC（fully connected layers，全连接单元）、1个穿插在FC之间的Normalization和1个位于末尾的Sigmoid函数，作为一种实施方案，扰动清理模块的数量和第一截取食品生产监控日志拆解数一致。
（2）通过第四挖掘模块，依据子表达知识K3和第一扰动程度值，确定子表达知识K1，并依据子表达知识K4和第二扰动程度值，确定子表达知识K2。
本申请实施例中，第二挖掘模块还包括第四挖掘模块，第四挖掘模块用于确定扰动清理后的表达知识。具体的，可以包括：通过第四挖掘模块，依据子表达知识K3的每个子局部表达知识K3和每个第一扰动程度细分值，确定子局部表达知识K1，并依据子表达知识K4的每个子局部表达知识K4和每个第二扰动程度细分值，确定子局部表达知识K2；依据每个子局部表达知识K1，确定子表达知识K1，并依据每个子局部表达知识K2，确定子表达知识K2。
作为一种实施方案，获取子局部表达知识K1或子局部表达知识K2可以通过如下公式实现：Kg’＝Tg×Kg；
其中，Tg为第g个扰动程度值，Kg为第g个子局部表达知识K3或子局部表达知识K4。作为一种实施方案，可以依据子表达知识K1优化更新第二表达知识集合，例如将子表达知识K1添加到第二表达知识集合或将第二表达知识集合的其中一个表达知识变更成子表达知识K1。
作为一种实施方案，可以将不少于一个子局部表达知识K1拼接获得子表达知识K1。
作为一种实施方案，第一截取食品生产监控日志包括模板批注，食品生产状态分析网络包括第二表达知识集合，所述第二表达知识集合包括所述不少于一个异常事件的不少于一个表达知识，则依据子表达知识K1和子表达知识K2，获取目标子误差结果Loss1具体可以包括：依据第一截取食品生产监控日志和第二截取食品生产监控日志，确定扰动数组；依据第一扰动程度值、第二扰动程度值和扰动数组获取误差结果Loss3（如均方误差）；依据子表达知识K1、子表达知识K2和模板批注获取误差结果Loss4（如交叉熵误差结果）；依据子表达知识K1、子表达知识K2和第二表达知识集合的不少于一个异常事件的不少于一个表达知识，获取误差结果Loss5（如对比误差结果）；依据误差结果Loss3、误差结果Loss4和误差结果Loss5，获取目标子误差结果Loss1。
本申请实施例中，目标子误差结果Loss1例如是误差结果Loss3、误差结果Loss4和误差结果Loss5的和值或对误差结果Loss3、误差结果Loss4和误差结果Loss5加权求和后的结果。依据扰动数组、子表达知识K1、子表达知识K2、模板批注和其它异常事件的表达知识，获取目标子误差结果Loss1，如此能提升目标子误差结果Loss1的精确性，帮助评估食品生产状态分析网络的收敛情况。
作为一种实施方案，依据第一扰动程度值、第二扰动程度值和扰动数组获取误差结果Loss3，具体可以包括：依据第一扰动程度值和扰动数组获取子误差结果Loss1；依据第二扰动程度值和扰动数组获取子误差结果Loss2；依据子误差结果Loss1和子误差结果Loss2获取误差结果Loss3。
本申请实施例中，子误差结果Loss1和子误差结果Loss2可以基于均方误差函数进行计算，误差结果Loss3可是子误差结果Loss1和子误差结果Loss2的和值或对子误差结果Loss1和子误差结果Loss2加权求和的结果。依据第一扰动程度值、第二扰动程度值和扰动数组获取误差结果Loss3，能够提升误差结果Loss3的精准性，帮助准确评估食品生产状态分析网络的收敛情况。
作为一种实施方案，依据子表达知识K1、子表达知识K2和模板批注获取误差结果Loss4，具体可以包括：依据子表达知识K1和模板批注获取子误差结果Loss3；依据子表达知识K2和模板批注获取子误差结果Loss4；依据子误差结果Loss3和子误差结果Loss4获取误差结果Loss4。
本申请实施例依据子表达知识K1、子表达知识K2和模板批注获取误差结果Loss4，如此能增加误差结果Loss4的精确性，帮助准确评估食品生产状态分析网络的收敛情况。
作为一种实施方案，依据子表达知识K1、子表达知识K2和第二表达知识集合的不少于一个异常事件的不少于一个表达知识，确定误差结果Loss5，具体包括：在第二表达知识集合的不少于一个异常事件的不少于一个表达知识中，确定第一异常事件的第三关键表达知识和不少于一个第二异常事件的第四关键表达知识；依据子表达知识K1、第三关键表达知识和每个第四关键表达知识，获取子误差结果Loss5；依据子表达知识K2、第三关键表达知识和每个第四关键表达知识获取子误差结果Loss6；依据子误差结果Loss5和子误差结果Loss6获取误差结果Loss6。
本申请实施例中，第二表达知识集合包括第一异常事件的不少于一个表达知识和不少于一个第二异常事件的不少于一个表达知识。作为一种实施方案，第三关键表达知识可以依据第二表达知识集合的第一异常事件的表达知识和子表达知识K1确定第三关键表达知识，每个第四关键表达知识可以是依据第二表达知识集合的每个第二异常事件的每个表达知识获取到。
作为一种实施方案，知识优化模块包括第五挖掘模块和第六挖掘模块，通过食品生产状态分析网络的知识优化模块，依据不少于一个第二异常事件的第二表达知识，对子表达知识K1和子表达知识K2分别进行优化，得到子表达知识K1对应的第一目标子表达知识和子表达知识K2对应的第二目标子表达知识，具体可以包括：通过第五挖掘模块将子表达知识K1和子表达知识K2分别与不少于一个第二异常事件的第二表达知识进行融合，得到子表达知识K1对应的第一融合子表达知识和子表达知识K2对应的第二融合子表达知识；通过第六挖掘模块，依据第一融合子表达知识确定第一目标子表达知识，并依据第二融合子表达知识确定第二目标子表达知识。
本申请实施例中，知识优化模块至少包括第五挖掘模块，用于将子表达知识K1与不少于一个第二异常事件的第二表达知识进行融合，得到第一融合子表达知识，将子表达知识K2与不少于一个第二异常事件的第二表达知识进行融合，得到第二融合子表达知识。知识优化模块还包括第六挖掘模块，用于依据第一融合子表达知识确定第一目标子表达知识，依据第二融合子表达知识，确定第二目标子表达知识。
基于此，采用在涵盖第一异常事件的第一食品生产监控日志模板的表达知识维度加入第二异常事件的表达知识作为扰动信息，对食品生产状态分析网络进行调试，提升了食品生产状态分析网络的稳定性并增加了食品生产状态分析网络的分析能力。
作为一种实施方案，通过第五挖掘模块将子表达知识K1和子表达知识K2分别与不少于一个第二异常事件的第二表达知识进行融合，得到子表达知识K1对应的第一融合子表达知识和子表达知识K2对应的第二融合子表达知识，具体包括如下步骤：
（1）依据子表达知识K1和每个第二表达知识，确定第一显著性数组。
本申请实施例中，第一显著性数组指示子表达知识K1和每个第二表达知识之间的相关性，其可以是二维数组，此时可以视作显著性矩阵。作为一种实施方案，依据子表达知识K1确定对应不少于一个第二异常事件的P个第二表达知识，作为一种实施方案，可以依据聚类算法在第二表达知识集合搜寻（例如向量距离搜寻方式）和子表达知识K1距离最近的P个对应第二异常事件的第二表达知识，依据每个第二表达知识确定P个中心。作为一种实施方案，第五挖掘模块的参变量包括第一推理数组和第二推理数组，例如二维的推理矩阵，则该步骤可以包括：依据子表达知识K1和第一推理数组获取第一推理表达知识（如将二者相乘）；依据每个第二表达知识和第二推理数组获取第二推理表达知识；依据第一推理表达知识和每个第二推理表达知识，获取第一显著性数组。
（2）依据每个第二表达知识和每个第一显著性数组，确定第一融合子表达知识。
作为一种实施方案，第五挖掘模块的参变量包括第三推理数组，则该步骤具体包括：依据每个第二表达知识和第三推理数组获取第三推理表达知识（例如二者相乘）；依据每个第三推理表达知识和每个第一显著性数组，获取第一融合子表达知识（例如每一显著性数组与对应的第三推理表达知识相乘后求和）；依据子表达知识K2和每个第二表达知识，确定第二显著性数组，其中，第二显著性数组指示子表达知识K2和每个第二表达知识之间的相关性；依据每个第二表达知识和每个第二显著性数组，获取第二融合子表达知识。
上述步骤将各个中心分解，得到多个部分并赋予对应的权值信息，使得融合更多和选定异常事件和不是选定异常事件的相似的方式，提升食品生产状态分析网络的稳定性，调试后的食品生产状态分析网络可以对涵盖多个异常事件的食品生产监控日志的异常事件进行分析。作为一种实施方案，第六挖掘模块包括第七挖掘模块和第八挖掘模块，通过第六挖掘模块，依据第一融合子表达知识确定第一目标子表达知识，并依据第二融合子表达知识确定第二目标子表达知识，具体包括：依据第一截取食品生产监控日志和第二截取食品生产监控日志，获取扰动数组；通过第七挖掘模块，依据第一融合子表达知识和扰动数组确定子表达知识K5，并依据第二融合子表达知识和扰动数组确定子表达知识K6；通过第八挖掘模块，依据子表达知识K1和子表达知识K5，确定第一目标子表达知识，并依据子表达知识K2和子表达知识K6，确定第二目标子表达知识。
本申请实施例中，扰动数组表征食品生产监控日志的缺失信息，作为一种实施方案，可以依据第一截取食品生产监控日志和第二截取食品生产监控日志之间的数据差值确定扰动数组，第七挖掘模块包括2个FC和1个激活函数。作为一种实施方案，子表达知识K5或子表达知识K6可以基于下述公式实现：
Kg（5、6）＝Q×H；其中，Q为扰动数组，H为第一融合子表达知识或第二融合子表达知识。本申请实施例中，第八挖掘模块可以2个FC和1个激活函数。作为一种实施方案，第一目标子表达知识或第二目标子表达知识：
K＝Kg（5、6）+Kg’；其中，Kg（5、6）为子表达知识K5或子表达知识K6，Kg’为子表达知识K1或子表达知识K2。
本申请实施例依据扰动数组、子表达知识K1和第一融合子表达知识获取优化表达知识，使得其他异常事件的表达知识仅融入在第一异常事件的事件数据或缺失数据部分，伪造多异常事件的食品生产监控日志的表达知识。
综上所述，本申请实施例提供的基于多任务分发的食品监控展示方法及系统，通过获取不少于一个查询终端发送的食品监控展示请求，将不少于一个食品监控展示请求中对应相同食品生产标识的食品监控展示请求分发至同一食品监控展示任务中，对于每个食品监控展示任务，再调取食品监控展示任务中的食品生产标识对应的食品生产监控日志，然后将食品生产监控日志加载至食品生产状态分析网络进行食品生产状态分析，得到食品生产监控日志对应的食品生产状态分析结果，并将食品生产状态分析结果及对应的食品生产监控日志分发至对应于相同食品生产标识的不少于一个食品监控展示请求对应的不少于一个查询终端，以在不少于一个查询终端上进行展示。基于此，将多个查询任务按照食品生产标识进行任务统一分发，同时依靠食品生产状态分析网络进行高效准确地分析，保证展示的信息准确性。另外，对于本申请实施例提供的食品生产状态分析网络的调试过程，通过获取涵盖第一异常事件的第一食品生产监控日志模板，通过拟调试的食品生产状态分析网络的知识挖掘模块，对第一食品生产监控日志模板进行知识挖掘，得到第一异常事件的第一表达知识，然后通过食品生产状态分析网络的知识优化模块，依据不少于一个第二异常事件的第二表达知识，对第一表达知识进行优化，得到第一表达知识对应的第一优化表达知识，每个第二异常事件与第一异常事件的共性系数大于或等于第一预设共性系数，之后依据第一优化表达知识确定目标误差结果，并依据目标误差结果对食品生产状态分析网络的网络参变量进行不少于一次调试，得到调试后的食品生产状态分析网络。基于此，在涵盖第一异常事件的第一食品生产监控日志模板的表达知识维度加入第二异常事件的表达知识作为干扰信息，以对食品生产状态分析网络进行调试，提升了食品生产状态分析网络的稳定性，同时增强了食品生产状态分析网络的分析能力。进一步而言，在目标误差结果未达到设定要求时，对食品生产状态分析网络的网络参变量进行不少于一次调试，因为目标误差结果是依据第一优化表达知识获取到的，因此能够增加调试后的食品生产状态分析网络对于相同异常事件的不同食品生产监控日志模板的推理一致能力，令调试后的食品生产状态分析网络可以精准地识别涵盖多个异常事件的食品生产监控日志中的异常事件。
基于与图2中所示方法相同的原理，本申请实施例中还提供了一种数据分发装置10，如图3所示，该装置10包括：
请求获取模块11，用于获取不少于一个查询终端发送的食品监控展示请求，每个所述食品监控展示请求包含对应的食品生产标识。
请求分发模块12，用于将不少于一个食品监控展示请求中对应相同食品生产标识的食品监控展示请求分发至同一食品监控展示任务中。
日志调取模块13，用于对于每个所述食品监控展示任务，调取所述食品监控展示任务中的食品生产标识对应的食品生产监控日志。
网络调用模块14，用于将所述食品生产监控日志加载至预设的食品生产状态分析网络，并依据所述食品生产状态分析网络对所述食品生产监控日志进行食品生产状态分析，得到所述食品生产监控日志对应的食品生产状态分析结果。
结果展示模块15，用于将所述食品生产状态分析结果及对应的食品生产监控日志分发至对应于相同食品生产标识的不少于一个食品监控展示请求对应的不少于一个查询终端，以在所述不少于一个查询终端上进行展示。
网络调试模块16，用于对食品监控展示网络进行调试，具体的调试过程包括：获取涵盖第一异常事件的第一食品生产监控日志模板；通过拟调试的食品生产状态分析网络的知识挖掘模块，对所述第一食品生产监控日志模板进行知识挖掘，得到所述第一异常事件的第一表达知识；通过所述食品生产状态分析网络的知识优化模块，依据不少于一个第二异常事件的第二表达知识，对所述第一表达知识进行优化，得到所述第一表达知识对应的第一优化表达知识，每个所述第二异常事件与所述第一异常事件的共性系数大于或等于第一预设共性系数；依据所述第一优化表达知识，确定目标误差结果；依据所述目标误差结果，对所述食品生产状态分析网络的网络参变量进行不少于一次调试，得到调试后的所述食品生产状态分析网络。
由于在上述方法中，已经对各个步骤的详细原理进行了说明，此处不再对具体原理进行赘述。
上述实施例从虚拟模块的角度介绍了数据分发装置10，下述从实体模块的角度介绍一种数据分发平台100，具体如下所示：
本申请实施例提供了一种数据分发平台，如图5所示，数据分发平台100包括：处理器101和存储器103。其中，处理器101和存储器103相连，如通过总线102相连。可选地，数据分发平台100还可以包括收发器104。需要说明的是，实际应用中收发器104不限于一个，该数据分发平台100的结构并不构成对本申请实施例的限定。
处理器101可以是CPU，通用处理器，GPU，DSP，ASIC，FPGA或者其他可编程逻辑器件、晶体管逻辑器件、硬件部件或者其任意组合。其可以实现或执行结合本申请公开内容所描述的各种示例性的逻辑方框，模块和电路。处理器101也可以是实现计算功能的组合，例如包含一个或多个微处理器组合，DSP和微处理器的组合等。
总线102可包括一通路，在上述组件之间传送信息。总线102可以是PCI总线或EISA总线等。总线102可以分为地址总线、数据总线、控制总线等。为便于表示，图3中仅用一条粗线表示，但并不表示仅有一根总线或一种类型的总线。
存储器103可以是ROM或可存储静态信息和指令的其他类型的静态存储设备，RAM或者可存储信息和指令的其他类型的动态存储设备，也可以是EEPROM、CD-ROM或其他光盘存储、光碟存储(包括压缩光碟、激光碟、光碟、数字通用光碟、蓝光光碟等)、磁盘存储介质或者其他磁存储设备、或者能够用于携带或存储具有指令或数据结构形式的期望的程序代码并能够由计算机存取的任何其他介质，但不限于此。
存储器103用于存储执行本申请方案的应用程序代码，并由处理器101来控制执行。处理器101用于执行存储器103中存储的应用程序代码，以实现前述任一方法实施例所示的内容。
本申请实施例提供了一种数据分发平台，本申请实施例中的数据分发平台包括：一个或多个处理器；存储器；一个或多个计算机程序，其中一个或多个计算机程序被存储在存储器中并被配置为由一个或多个处理器执行，一个或多个程序被处理器执行时，以实现以上所述的基于多任务分发的食品监控展示方法。本申请所提供的技术方案，通过获取不少于一个查询终端发送的食品监控展示请求，将不少于一个食品监控展示请求中对应相同食品生产标识的食品监控展示请求分发至同一食品监控展示任务中，对于每个食品监控展示任务，再调取食品监控展示任务中的食品生产标识对应的食品生产监控日志，然后将食品生产监控日志加载至食品生产状态分析网络进行食品生产状态分析，得到食品生产监控日志对应的食品生产状态分析结果，并将食品生产状态分析结果及对应的食品生产监控日志分发至对应于相同食品生产标识的不少于一个食品监控展示请求对应的不少于一个查询终端，以在不少于一个查询终端上进行展示。基于此，将多个查询任务按照食品生产标识进行任务统一分发，同时依靠食品生产状态分析网络进行高效准确地分析，保证展示的信息准确性。
此外，对于本申请实施例提供的食品生产状态分析网络的调试过程，通过获取涵盖第一异常事件的第一食品生产监控日志模板，通过拟调试的食品生产状态分析网络的知识挖掘模块，对第一食品生产监控日志模板进行知识挖掘，得到第一异常事件的第一表达知识，然后通过食品生产状态分析网络的知识优化模块，依据不少于一个第二异常事件的第二表达知识，对第一表达知识进行优化，得到第一表达知识对应的第一优化表达知识，每个第二异常事件与第一异常事件的共性系数大于或等于第一预设共性系数，之后依据第一优化表达知识确定目标误差结果，并依据目标误差结果对食品生产状态分析网络的网络参变量进行不少于一次调试，得到调试后的食品生产状态分析网络。基于此，在涵盖第一异常事件的第一食品生产监控日志模板的表达知识维度加入第二异常事件的表达知识作为干扰信息，以对食品生产状态分析网络进行调试，提升了食品生产状态分析网络的稳定性，同时增强了食品生产状态分析网络的分析能力。进一步而言，在目标误差结果未达到设定要求时，对食品生产状态分析网络的网络参变量进行不少于一次调试，因为目标误差结果是依据第一优化表达知识获取到的，因此能够增加调试后的食品生产状态分析网络对于相同异常事件的不同食品生产监控日志模板的推理一致能力，令调试后的食品生产状态分析网络可以精准地识别涵盖多个异常事件的食品生产监控日志中的异常事件。
本申请实施例提供了一种计算机可读存储介质，该计算机可读存储介质上存储有计算机程序，当计算机程序在处理器上运行时，使得处理器可以执行前述方法实施例中相应的内容。
应该理解的是，虽然附图的流程图中的各个步骤按照箭头的指示依次显示，但是这些步骤并不是必然按照箭头指示的顺序依次执行。除非本文中有明确的说明，这些步骤的执行并没有严格的顺序限制，其可以以其他的顺序执行。而且，附图的流程图中的至少一部分步骤可以包括多个子步骤或者多个阶段，这些子步骤或者阶段并不必然是在同一时刻执行完成，而是可以在不同的时刻执行，其执行顺序也不必然是依次进行，而是可以与其他步骤或者其他步骤的子步骤或者阶段的至少一部分轮流或者交替地执行。
以上所述仅是本申请的部分实施方式，应当指出，对于本技术领域的普通技术人员来说，在不脱离本申请原理的前提下，还可以做出若干改进和润饰，这些改进和润饰也应视为本申请的保护范围。

Claims (10)

1.一种基于多任务分发的食品监控展示方法，其特征在于，应用于数据分发平台，所述数据分发平台与不少于一个查询终端通信连接，所述方法包括：
获取不少于一个查询终端发送的食品监控展示请求，每个所述食品监控展示请求包含对应的食品生产标识；
将不少于一个食品监控展示请求中对应相同食品生产标识的食品监控展示请求分发至同一食品监控展示任务中；
对于每个所述食品监控展示任务，调取所述食品监控展示任务中的食品生产标识对应的食品生产监控日志；
将所述食品生产监控日志加载至预设的食品生产状态分析网络，并依据所述食品生产状态分析网络对所述食品生产监控日志进行食品生产状态分析，得到所述食品生产监控日志对应的食品生产状态分析结果；
将所述食品生产状态分析结果及对应的食品生产监控日志分发至对应于相同食品生产标识的不少于一个食品监控展示请求对应的不少于一个查询终端，以在所述不少于一个查询终端上进行展示；
其中，所述食品生产状态分析网络通过如下步骤调试得到：
获取涵盖第一异常事件的第一食品生产监控日志模板；
通过拟调试的食品生产状态分析网络的知识挖掘模块，对所述第一食品生产监控日志模板进行知识挖掘，得到所述第一异常事件的第一表达知识；
通过所述食品生产状态分析网络的知识优化模块，依据不少于一个第二异常事件的第二表达知识，对所述第一表达知识进行优化，得到所述第一表达知识对应的第一优化表达知识，每个所述第二异常事件与所述第一异常事件的共性系数大于或等于第一预设共性系数；
依据所述第一优化表达知识，确定目标误差结果；
依据所述目标误差结果，对所述食品生产状态分析网络的网络参变量进行不少于一次调试，得到调试后的所述食品生产状态分析网络。
2.根据权利要求1所述的方法，其特征在于，所述第一食品生产监控日志模板包括模板批注，所述食品生产状态分析网络包括第一表达知识集合，所述第一表达知识集合包括不少于一个异常事件的不少于一个表达知识；
所述依据所述第一优化表达知识，确定目标误差结果，包括：依据所述第一优化表达知识和所述模板批注获取误差结果Loss1；依据所述第一优化表达知识和所述第一表达知识集合的不少于一个异常事件的不少于一个表达知识获取误差结果Loss2；依据所述误差结果Loss1和所述误差结果Loss2获取所述目标误差结果。
3.根据权利要求2所述的方法，其特征在于，所述依据所述第一优化表达知识和所述第一表达知识集合的不少于一个异常事件的不少于一个表达知识，获取误差结果Loss2，包括：
在所述第一表达知识集合的不少于一个异常事件的不少于一个表达知识中，确定所述第一异常事件的第一关键表达知识和不少于一个所述第二异常事件的第二关键表达知识；依据所述第一优化表达知识、所述第一关键表达知识和每个所述第二关键表达知识，获取所述误差结果Loss2；
所述第一表达知识集合包括所述不少于一个异常事件的表达知识簇，每个所述表达知识簇包括对应异常事件的不少于一个表达知识，所述方法还包括：依据所述第一优化表达知识，优化所述第一表达知识集合对应所述第一异常事件的表达知识簇；
所述获取涵盖第一异常事件的第一食品生产监控日志模板，包括：获取涵盖第一异常事件的第一截取食品生产监控日志和第二截取食品生产监控日志，其中，所述第二截取食品生产监控日志是对所述第一截取食品生产监控日志至少进行扰动操作后的食品生产监控日志；
所述通过拟调试的食品生产状态分析网络的知识挖掘模块，对所述第一食品生产监控日志模板进行知识挖掘，得到所述第一异常事件的第一表达知识，包括：通过拟调试的食品生产状态分析网络的知识挖掘模块，对所述第一截取食品生产监控日志进行知识挖掘，得到所述第一异常事件的子表达知识K1，并对所述第二截取食品生产监控日志进行知识挖掘，得到所述第一异常事件的子表达知识K2；
所述通过所述食品生产状态分析网络的知识优化模块，依据不少于一个第二异常事件的第二表达知识，对所述第一表达知识进行优化，得到所述第一表达知识对应的第一优化表达知识，包括：通过所述食品生产状态分析网络的知识优化模块，依据不少于一个第二异常事件的第二表达知识，对所述子表达知识K1和所述子表达知识K2分别进行优化，得到所述子表达知识K1对应的第一目标子表达知识和所述子表达知识K2对应的第二目标子表达知识；
所述依据所述第一优化表达知识，确定目标误差结果，包括：依据所述第一目标子表达知识和所述第二目标子表达知识，获取所述目标误差结果。
4.根据权利要求3所述的方法，其特征在于，所述依据所述第一目标子表达知识和所述第二目标子表达知识，确定所述目标误差结果，包括：依据所述第一目标子表达知识和所述第二目标子表达知识，获取第一目标误差结果；依据所述子表达知识K1和所述子表达知识K2获取第二目标误差结果；依据所述第一目标误差结果和所述第二目标误差结果获取目标误差结果；
所述获取涵盖第一异常事件的第一截取食品生产监控日志和第二截取食品生产监控日志，包括：获取涵盖第一异常事件的第一截取食品生产监控日志；依据预设的扰动序列，对所述第一截取食品生产监控日志至少进行扰动操作，得到所述第二截取食品生产监控日志，所述扰动序列包括不少于一个扰动数据集；
所述知识挖掘模块包括第一挖掘模块和第二挖掘模块；所述通过拟调试的食品生产状态分析网络的知识挖掘模块，对所述第一截取食品生产监控日志进行知识挖掘，得到所述第一异常事件的子表达知识K1，并对所述第二截取食品生产监控日志进行知识挖掘，得到所述第一异常事件的子表达知识K2，包括：通过拟调试的食品生产状态分析网络的第一挖掘模块，对所述第一截取食品生产监控日志和所述第二截取食品生产监控日志分别进行知识挖掘，得到所述第一截取食品生产监控日志对应的子表达知识K3和所述第二截取食品生产监控日志对应的子表达知识K4；通过所述食品生产状态分析网络的第二挖掘模块，依据所述子表达知识K3确定所述子表达知识K1，并依据所述子表达知识K4确定所述子表达知识K2。
5.根据权利要求4所述的方法，其特征在于，所述依据所述子表达知识K1和所述子表达知识K2，确定第二目标误差结果，包括：依据所述子表达知识K1和所述子表达知识K2，获取目标子误差结果Loss1；依据所述子表达知识K3和所述子表达知识K4，获取目标子误差结果Loss2；依据所述目标子误差结果Loss1和所述目标子误差结果Loss2，确定所述第二目标误差结果；
所述第一截取食品生产监控日志包括模板批注；所述依据所述子表达知识K3和所述子表达知识K4，获取目标子误差结果Loss2，包括：依据所述子表达知识K3和所述模板批注，获取子误差结果Loss7；依据所述子表达知识K4和所述模板批注，获取子误差结果Loss8；依据所述子误差结果Loss7和所述子误差结果Loss8，确定所述目标子误差结果Loss2；
所述第二挖掘模块包括第三挖掘模块和第四挖掘模块；所述通过所述食品生产状态分析网络的第二挖掘模块，依据所述子表达知识K3确定所述子表达知识K1，并依据所述子表达知识K4确定所述子表达知识K2，包括：通过所述食品生产状态分析网络的第三挖掘模块，依据所述子表达知识K3确定第一扰动程度值，并依据所述子表达知识K4确定第二扰动程度值；通过所述第四挖掘模块，依据所述子表达知识K3和所述第一扰动程度值，确定所述子表达知识K1，并依据所述子表达知识K4和所述第二扰动程度值，确定所述子表达知识K2；所述第三挖掘模块包括下采样模块和不少于一个扰动清理模块，所述第一扰动程度值包括不少于一个第一扰动程度细分值，所述第二扰动程度值包括不少于一个第二扰动程度细分值；
所述通过所述食品生产状态分析网络的第三挖掘模块，依据所述子表达知识K3确定第一扰动程度值，并依据所述子表达知识K4确定第二扰动程度值，包括：通过所述下采样模块，将所述子表达知识K3拆解成不少于一个子局部表达知识K3，并将所述子表达知识K4拆解成不少于一个子局部表达知识K4；通过每个所述扰动清理模块，依据每个所述子局部表达知识K3，确定每个所述第一扰动程度细分值，并依据每个所述子局部表达知识K4，确定每个所述第二扰动程度细分值。
6.根据权利要求5所述的方法，其特征在于，所述通过所述第四挖掘模块，依据所述子表达知识K3和所述第一扰动程度值，确定所述子表达知识K1，并依据所述子表达知识K4和所述第二扰动程度值，确定所述子表达知识K2，包括：通过所述第四挖掘模块，依据所述子表达知识K3的每个所述子局部表达知识K3和每个所述第一扰动程度细分值，确定子局部表达知识K1，并依据所述子表达知识K4的每个所述子局部表达知识K4和每个所述第二扰动程度细分值，确定子局部表达知识K2；依据每个所述子局部表达知识K1，确定所述子表达知识K1，并依据每个所述子局部表达知识K2，确定所述子表达知识K2；
所述第一截取食品生产监控日志包括模板批注，所述食品生产状态分析网络包括第二表达知识集合，所述第二表达知识集合包括所述不少于一个异常事件的不少于一个表达知识；所述依据所述子表达知识K1和所述子表达知识K2，获取目标子误差结果Loss1，包括：依据所述第一截取食品生产监控日志和所述第二截取食品生产监控日志，确定扰动数组；依据所述第一扰动程度值、所述第二扰动程度值和所述扰动数组，获取误差结果Loss3；依据所述子表达知识K1、所述子表达知识K2和所述模板批注，获取误差结果Loss4；依据所述子表达知识K1、所述子表达知识K2和所述第二表达知识集合的不少于一个异常事件的不少于一个表达知识，获取误差结果Loss5；依据所述误差结果Loss3、所述误差结果Loss4和所述误差结果Loss5，获取所述目标子误差结果Loss1。
7.根据权利要求6所述的方法，其特征在于，所述依据所述第一截取食品生产监控日志和所述第二截取食品生产监控日志，确定扰动数组，包括：将所述第一截取食品生产监控日志和所述第二截取食品生产监控日志拆解成不少于一个第一截取局部食品生产监控日志和不少于一个第二截取局部食品生产监控日志；依据每个所述第一截取局部食品生产监控日志和每个所述第二截取局部食品生产监控日志，确定子扰动数组；依据每个所述子扰动数组，确定所述扰动数组；
所述依据所述第一扰动程度值、所述第二扰动程度值和所述扰动数组，获取误差结果Loss3，包括：依据所述第一扰动程度值和所述扰动数组获取子误差结果Loss1；依据所述第二扰动程度值和所述扰动数组获取子误差结果Loss2；依据所述子误差结果Loss1和所述子误差结果Loss2获取所述误差结果Loss3；
所述依据所述子表达知识K1、所述子表达知识K2和所述模板批注获取误差结果Loss4，包括：依据所述子表达知识K1和所述模板批注获取子误差结果Loss3；依据所述子表达知识K2和所述模板批注获取子误差结果Loss4；依据所述子误差结果Loss3和所述子误差结果Loss4获取所述误差结果Loss4。
8.根据权利要求7中所述的方法，其特征在于，所述依据所述子表达知识K1、所述子表达知识K2和所述第二表达知识集合的不少于一个异常事件的不少于一个表达知识，确定误差结果Loss5，包括：在所述第二表达知识集合的不少于一个异常事件的不少于一个表达知识中，确定所述第一异常事件的第三关键表达知识和不少于一个所述第二异常事件的第四关键表达知识；依据所述子表达知识K1、所述第三关键表达知识和每个所述第四关键表达知识，获取子误差结果Loss5；依据所述子表达知识K2、所述第三关键表达知识和每个所述第四关键表达知识，获取子误差结果Loss6；依据所述子误差结果Loss5和所述子误差结果Loss6，获取所述误差结果Loss5。
9.根据权利要求8所述的方法，其特征在于，所述知识优化模块包括第五挖掘模块和第六挖掘模块；
所述通过所述食品生产状态分析网络的知识优化模块，依据不少于一个第二异常事件的第二表达知识，对所述子表达知识K1和所述子表达知识K2分别进行优化，得到所述子表达知识K1对应的第一目标子表达知识和所述子表达知识K2对应的第二目标子表达知识，包括：通过所述第五挖掘模块，将所述子表达知识K1和所述子表达知识K2分别与不少于一个第二异常事件的第二表达知识进行融合，得到所述子表达知识K1对应的第一融合子表达知识和所述子表达知识K2对应的第二融合子表达知识；通过所述第六挖掘模块，依据所述第一融合子表达知识确定所述第一目标子表达知识，并依据所述第二融合子表达知识确定所述第二目标子表达知识。
10.一种基于多任务分发的食品监控展示系统，其特征在于，包括数据分发平台和与所述数据分发平台通信连接的不少于一个查询终端，所述数据分发平台包括处理器和存储器，所述存储器存储有计算机程序，所述处理器用于执行所述计算机程序，以实现上述权利要求1~9任一项所述的方法。
CN202211417035.6A 2022-11-14 2022-11-14 基于多任务分发的食品监控展示方法及系统 Active CN115470092B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202211417035.6A CN115470092B (zh) 2022-11-14 2022-11-14 基于多任务分发的食品监控展示方法及系统

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202211417035.6A CN115470092B (zh) 2022-11-14 2022-11-14 基于多任务分发的食品监控展示方法及系统

Publications (2)

Publication Number Publication Date
CN115470092A true CN115470092A (zh) 2022-12-13
CN115470092B CN115470092B (zh) 2023-03-24

Family

ID=84338216

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202211417035.6A Active CN115470092B (zh) 2022-11-14 2022-11-14 基于多任务分发的食品监控展示方法及系统

Country Status (1)

Country Link
CN (1) CN115470092B (zh)

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN115600891A (zh) * 2022-12-16 2023-01-13 台昌树脂（佛山）有限公司（Cn） 应用于水性丙烯酸树脂生产监测的大数据分析方法及系统
CN115828147A (zh) * 2023-02-15 2023-03-21 博纯材料股份有限公司 一种基于数据处理的氙气生产控制方法及系统

Citations (9)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20170344413A1 (en) * 2016-05-26 2017-11-30 International Business Machines Corporation System impact based logging with enhanced event context
CN109544179A (zh) * 2018-11-10 2019-03-29 复旦大学 基于重要产品追溯数据服务的运行支撑系统
CN110119952A (zh) * 2019-05-11 2019-08-13 成都银光软件有限公司 食品安全溯源系统及方法
CN110781315A (zh) * 2019-10-16 2020-02-11 华中农业大学 一种食品安全知识图谱及相关智能问答系统的构建方法
US11081219B1 (en) * 2020-01-15 2021-08-03 Ledgerdomain Inc. Secure messaging in a machine learning blockchain network
CN113706002A (zh) * 2021-08-20 2021-11-26 华中农业大学 一种基于食品安全知识库的监管平台、方法及存储介质
CN114398239A (zh) * 2022-01-18 2022-04-26 平安国际智慧城市科技股份有限公司 日志监控方法、装置、计算机设备及存储介质
CN114663753A (zh) * 2022-01-27 2022-06-24 广州博依特智能信息科技有限公司 一种生产任务在线监控方法及系统
CN115237857A (zh) * 2022-07-22 2022-10-25 平安健康保险股份有限公司 日志处理方法、装置、计算机设备及存储介质

Patent Citations (9)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20170344413A1 (en) * 2016-05-26 2017-11-30 International Business Machines Corporation System impact based logging with enhanced event context
CN109544179A (zh) * 2018-11-10 2019-03-29 复旦大学 基于重要产品追溯数据服务的运行支撑系统
CN110119952A (zh) * 2019-05-11 2019-08-13 成都银光软件有限公司 食品安全溯源系统及方法
CN110781315A (zh) * 2019-10-16 2020-02-11 华中农业大学 一种食品安全知识图谱及相关智能问答系统的构建方法
US11081219B1 (en) * 2020-01-15 2021-08-03 Ledgerdomain Inc. Secure messaging in a machine learning blockchain network
CN113706002A (zh) * 2021-08-20 2021-11-26 华中农业大学 一种基于食品安全知识库的监管平台、方法及存储介质
CN114398239A (zh) * 2022-01-18 2022-04-26 平安国际智慧城市科技股份有限公司 日志监控方法、装置、计算机设备及存储介质
CN114663753A (zh) * 2022-01-27 2022-06-24 广州博依特智能信息科技有限公司 一种生产任务在线监控方法及系统
CN115237857A (zh) * 2022-07-22 2022-10-25 平安健康保险股份有限公司 日志处理方法、装置、计算机设备及存储介质

Non-Patent Citations (1)

* Cited by examiner, † Cited by third party
Title
雷斌: "贵州省食品企业发展存在的问题与对策", 《山东化工》 *

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN115600891A (zh) * 2022-12-16 2023-01-13 台昌树脂（佛山）有限公司（Cn） 应用于水性丙烯酸树脂生产监测的大数据分析方法及系统
CN115828147A (zh) * 2023-02-15 2023-03-21 博纯材料股份有限公司 一种基于数据处理的氙气生产控制方法及系统

Also Published As

Publication number Publication date
CN115470092B (zh) 2023-03-24

Similar Documents

Publication Publication Date Title
CN115470092B (zh) 基于多任务分发的食品监控展示方法及系统
Katsaliaki et al. Supply chain disruptions and resilience: A major review and future research agenda
Teoh et al. IoT and fog-computing-based predictive maintenance model for effective asset management in Industry 4.0 using machine learning
Kumar et al. When risks need attention: adoption of green supply chain initiatives in the pharmaceutical industry
Leng et al. Towards resilience in Industry 5.0: A decentralized autonomous manufacturing paradigm
Giannakis et al. A multi-agent based system with big data processing for enhanced supply chain agility
CN104412283B (zh) 用于控制供应链的方法和系统
US20180203720A1 (en) Techniques to manage virtual classes for statistical tests
Chan et al. Global supplier selection: a fuzzy-AHP approach
Najmi et al. A conceptual model for measuring supply chain's performance
Tao et al. Big data driven agricultural products supply chain management: A trustworthy scheduling optimization approach
Moon et al. Process-waste reduction in the construction supply chain using proactive information network
CN116739618B (zh) 基于区块链的变形码溯源系统以及数据处理方法
Maheshwari et al. Digital twin-based warehouse management system: a theoretical toolbox for future research and applications
Zidi et al. A reconfiguration approach for a supply chain tracking platform
Krstić et al. Prioritization of e-traceability drivers in the agri-food supply chains
Bragadeesh et al. Development of a reliable supply chain system using blockchain
US20240005435A1 (en) Supply chain risk information generation device and supply chain risk information generation system
Beydoun et al. Suitability assessment framework of agent-based software architectures
Nadhira et al. Selection factor analysis for Internet of Things (IoT) implementation using DEMATEL based ANP and COPRAS method at the hospital intensive care unit (ICU)
Kirikkayis et al. Iotdm4bpmn: An iot-enhanced decision making framework for bpmn 2.0
Ocampo et al. A sustainable manufacturing strategy from different strategic responses under uncertainty
Ghabak et al. Integration of machine learning in agile supply chain management
Teymourian et al. Towards semantic event-driven systems
Rojas Time dependence in joint replacement to multi-products grouped. The case of hospital food service

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