CN115860589B - 基于大数据分析的饲料在线生产监测方法及系统 - Google Patents
基于大数据分析的饲料在线生产监测方法及系统 Download PDFInfo
- Publication number
- CN115860589B CN115860589B CN202310187343.2A CN202310187343A CN115860589B CN 115860589 B CN115860589 B CN 115860589B CN 202310187343 A CN202310187343 A CN 202310187343A CN 115860589 B CN115860589 B CN 115860589B
- Authority
- CN
- China
- Prior art keywords
- quality attribute
- vector matrix
- historical
- quality
- attribute vector
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Active
Links
Images
Landscapes
- General Factory Administration (AREA)
Abstract
本发明的基于大数据分析的饲料在线生产监测方法及系统,通过初始质量属性向量矩阵和各个所述历史质量属性向量矩阵生成对应的饲料质量监督向量矩阵,鉴于该饲料质量监督向量矩阵在初始质量属性向量矩阵的基础上携带与各个所述历史质量属性向量矩阵对应的质量属性细节项,进而,在基于该饲料质量监督向量矩阵确定对于所述目标卫生质量指标项目的卫生安全鉴别信息时,可以得到与该目标卫生质量指标项目对应的卫生安全鉴别信息,从而保障卫生安全鉴别的准确性和可靠性,避免卫生安全鉴别过程中出现的偏差。基于卫生安全鉴别信息进行生产控制调整,能够精准且针对性地实现动态的饲料生产质量管控,保障饲料生产的质量。
Description
技术领域
本发明涉及数据处理技术领域,特别涉及一种基于大数据分析的饲料在线生产监测方法及系统。
背景技术
科学技术的不断发展给各行各业带来了质的变化,以饲料生产为例,传统的饲料生产技术通常需要配置大量人力物力进行生产管理和质量监控,且人员的从业水平参差不齐,难以保障饲料生产过程中的质量监控。随着自动化技术在生产领域的应用,现目前饲料生产过程中的质量监控通常是实时的,但是在一些较为复杂的产线环境下,如何精准可靠地基于生产大数据进行卫生安全鉴别是其中一个难题。
发明内容
为改善相关技术中存在的技术问题,本发明提供了一种基于大数据分析的饲料在线生产监测方法及系统。
第一方面,本发明实施例提供了一种基于大数据分析的饲料在线生产监测方法,应用于大数据分析系统,所述方法包括:
获得待监督饲料在线生产日志和目标卫生质量指标项目对应的最少一个历史饲料生产日志;挖掘所述待监督饲料在线生产日志对应的初始质量属性向量矩阵和所述最少一个历史饲料生产日志中各个所述历史饲料生产日志对应的历史质量属性向量矩阵;
利用所述初始质量属性向量矩阵和各个所述历史质量属性向量矩阵确定饲料质量监督向量矩阵;其中,所述饲料质量监督向量矩阵在所述初始质量属性向量矩阵的基础上携带与各个所述历史质量属性向量矩阵对应的质量属性细节项;
将所述饲料质量监督向量矩阵更新为卫生安全指标回归集,并利用所述卫生安全指标回归集确定关于所述目标卫生质量指标项目的卫生安全鉴别信息;
基于所述卫生安全鉴别信息进行生产控制调整。
在一些示例中,所述利用所述初始质量属性向量矩阵和各个所述历史质量属性向量矩阵确定饲料质量监督向量矩阵,包括:
利用所述初始质量属性向量矩阵和各个所述历史质量属性向量矩阵生成各个所述历史质量属性向量矩阵对应的质量属性关联数组;所述质量属性关联数组反映所述初始质量属性向量矩阵与所述历史质量属性向量矩阵的适配程度;
基于各个所述历史质量属性向量矩阵对应的质量属性关联数组和对应的历史质量属性向量矩阵,得到质量属性关联集;
整合所述质量属性关联集和所述初始质量属性向量矩阵,得到饲料质量监督向量矩阵。
在一些示例中,所述利用所述初始质量属性向量矩阵和各个所述历史质量属性向量矩阵生成各个所述历史质量属性向量矩阵对应的质量属性关联数组,包括:利用各个所述历史质量属性向量矩阵对所述初始质量属性向量矩阵进行属性特征挖掘,得到各个所述历史质量属性向量矩阵对应的质量属性关联数组。
在一些示例中,所述利用各个所述历史质量属性向量矩阵对所述初始质量属性向量矩阵进行属性特征挖掘,得到各个所述历史质量属性向量矩阵对应的质量属性关联数组,包括:
基于非独占的量化映射单元对所述初始质量属性向量矩阵进行处理,得到待处理质量属性向量矩阵;
对于每一历史质量属性向量矩阵,通过所述非独占的量化映射单元对所述历史质量属性向量矩阵进行处理,得到待处理历史质量属性向量矩阵;
将所述待处理历史质量属性向量矩阵作为特征挖掘核,将所述待处理质量属性向量矩阵作为被挖掘的卫生质量指标项目,得到所述历史质量属性向量矩阵对应的质量属性关联数组。
在一些示例中,在基于各个所述历史质量属性向量矩阵对应的质量属性关联数组和对应的历史质量属性向量矩阵,得到质量属性关联集之前,所述方法还包括:对各个所述历史质量属性向量矩阵对应的质量属性关联数组进行规范性调整;
所述对各个所述历史质量属性向量矩阵对应的质量属性关联数组进行规范性调整,包括:从最少一个安全关注等级对各个所述历史质量属性向量矩阵对应的质量属性关联数组进行规范性调整,得到各个所述历史质量属性向量矩阵在各个所述安全关注等级下的待整合质量属性关联数组;基于各个所述历史质量属性向量矩阵在各个所述安全关注等级下的待整合质量属性关联数组,生成各个所述历史质量属性向量矩阵对应的规范性调整后的质量属性关联数组。
在一些示例中,所述最少一个安全关注等级包括历史安全关注等级,所述从最少一个安全关注等级对各个所述历史质量属性向量矩阵对应的质量属性关联数组进行规范性调整,得到各个所述历史质量属性向量矩阵在各个所述安全关注等级下的待整合质量属性关联数组,包括:
对于历史质量属性向量矩阵对应的质量属性关联数组中的每一相对关系标签,获得各个所述历史质量属性向量矩阵对应的质量属性关联数组在所述相对关系标签处的基础适配度;
对各个所述历史质量属性向量矩阵对应的基础适配度进行规范性调整,得到各个所述历史质量属性向量矩阵对应的质量属性关联数组在所述相对关系标签处的最终适配度;
基于各个所述历史质量属性向量矩阵对应的质量属性关联数组在各个所述相对关系标签处的最终适配度,生成所述各个所述历史质量属性向量矩阵对应的目标历史质量属性向量矩阵。
在一些示例中,所述最少一个安全关注等级包括微生物污染等级,所述从最少一个安全关注等级对各个所述历史质量属性向量矩阵对应的质量属性关联数组进行规范性调整,得到各个所述历史质量属性向量矩阵在各个所述安全关注等级下的待整合质量属性关联数组,包括:
对于各个所述历史质量属性向量矩阵,获得所述历史质量属性向量矩阵对应的质量属性关联数组在每一相对关系标签处的基础适配度,对各个所述相对关系标签处的基础适配度进行规范性调整,得到各个所述相对关系标签处的最终适配度;
基于各个所述相对关系标签处的最终适配度,生成所述历史质量属性向量矩阵对应的微生物洁净属性向量矩阵。
在一些示例中,所述基于各个所述历史质量属性向量矩阵在各个所述安全关注等级下的待整合质量属性关联数组,生成各个所述历史质量属性向量矩阵对应的规范性调整后的质量属性关联数组,包括:
对于各个所述历史质量属性向量矩阵,基于预设向量算法将所述历史质量属性向量矩阵在各个所述安全关注等级下的待整合质量属性关联数组进行整合,生成所述历史质量属性向量矩阵对应的规范性调整后的质量属性关联数组。
在一些示例中,所述基于各个所述历史质量属性向量矩阵对应的质量属性关联数组和对应的历史质量属性向量矩阵,得到质量属性关联集,包括:
对于各个所述历史质量属性向量矩阵,对所述历史质量属性向量矩阵进行矩阵更新,得到完成更新的历史质量属性向量矩阵;
利用所述完成更新的历史质量属性向量矩阵对所述历史质量属性向量矩阵对应的质量属性关联数组进行属性特征挖掘,得到所述历史质量属性向量矩阵对应的局部质量属性关联集;
基于各个所述历史质量属性向量矩阵对应的局部质量属性关联集,生成所述质量属性关联集。
在一些示例中,所述整合所述质量属性关联集和所述初始质量属性向量矩阵,得到饲料质量监督向量矩阵,包括:对所述质量属性关联集和所述初始质量属性向量矩阵进行整合处理,得到所述饲料质量监督向量矩阵;所述整合处理包括以下至少之一:非连续性整合、向量提炼和量化映射单元处理。
在一些示例中,在将所述饲料质量监督向量矩阵更新为卫生安全指标回归集之前,所述方法还包括:将所述饲料质量监督向量矩阵作为所述初始质量属性向量矩阵并切换到所述利用所述初始质量属性向量矩阵和所述历史质量属性向量矩阵确定饲料质量监督向量矩阵的步骤进行循环。
在一些示例中,所述将所述饲料质量监督向量矩阵更新为卫生安全指标回归集,包括:
对所述饲料质量监督向量矩阵进行循环属性特征挖掘;
对循环属性特征挖掘后的饲料质量监督向量矩阵进行向量衍生,得到与所述待监督饲料在线生产日志数据量一致的卫生安全指标回归集。
在一些示例中,所述利用所述卫生安全指标回归集确定关于所述目标卫生质量指标项目的卫生安全鉴别信息,包括以下至少之一:
对所述卫生安全指标回归集进行加权,得到所述待监督饲料在线生产日志中所述目标卫生质量指标项目的项目记录值;
获得所述卫生安全指标回归集中的卫生安全指标回归要素,并通过预设筛选规则对所述卫生安全指标回归要素进行选择,得到所述目标卫生质量指标项目的定位结果;所述卫生安全指标回归要素的安全评估重要度大于关联安全指标回归要素的安全评估重要度。
第二方面,本发明还提供了一种大数据分析系统,包括处理器和存储器;所述处理器和所述存储器通信连接,所述处理器用于从所述存储器中读取计算机程序并执行,以实现上述的方法。
第三方面,本发明还提供了一种计算机可读存储介质,其上存储有程序,该程序被处理器执行时实现上述的方法。
通过初始质量属性向量矩阵和各个所述历史质量属性向量矩阵生成对应的饲料质量监督向量矩阵,鉴于该饲料质量监督向量矩阵在初始质量属性向量矩阵的基础上携带与各个所述历史质量属性向量矩阵对应的质量属性细节项,进而,在基于该饲料质量监督向量矩阵确定对于所述目标卫生质量指标项目的卫生安全鉴别信息时,可以得到与该目标卫生质量指标项目对应的卫生安全鉴别信息,从而保障卫生安全鉴别的准确性和可靠性,避免卫生安全鉴别过程中出现的偏差。进一步地,基于卫生安全鉴别信息进行生产控制调整,能够精准且针对性地实现动态的饲料生产质量管控,保障饲料生产的质量。
附图说明
此处的附图被并入说明书中并构成本说明书的一部分,示出了符合本发明的实施例,并于说明书一起用于解释本发明的原理。
图1是本发明实施例提供的一种基于大数据分析的饲料在线生产监测方法的流程示意图。
图2是本发明实施例提供的一种基于大数据分析的饲料在线生产监测系统的通信架构示意图。
具体实施方式
这里将详细地对示例性实施例进行说明,其示例表示在附图中。下面的描述涉及附图时,除非另有表示,不同附图中的相同数字表示相同或相似的要素。以下示例性实施例中所描述的实施方式并不代表与本发明相一致的所有实施方式。相反,它们仅是与如所附权利要求书中所详述的、本发明的一些方面相一致的装置和方法的例子。
需要说明的是,本发明的说明书和权利要求书及上述附图中的术语“第一”、“第二”等是用于区别类似的对象,而不必用于描述特定的顺序或先后次序。
本发明实施例所提供的方法实施例可以在大数据分析系统、计算机设备或者类似的运算装置中执行。以运行在大数据分析系统上为例,大数据分析系统10可以包括一个或多个处理器102(处理器102可以包括但不限于微处理器MCN1或可编程逻辑器件FPGA等的处理装置)和用于存储数据的存储器104,可选地,上述大数据分析系统还可以包括用于通信功能的传输装置106。本领域普通技术人员可以理解,上述结构仅为示意,其并不对上述大数据分析系统的结确定成限定。例如,大数据分析系统10还可包括比上述所示更多或者更少的组件,或者具有与上述所示不同的配置。
存储器104可用于存储计算机程序,例如,应用软件的软件程序以及模块,如本发明实施例中的一种基于大数据分析的饲料在线生产监测方法对应的计算机程序,处理器102通过运行存储在存储器104内的计算机程序,从而执行各种功能应用以及数据处理,即实现上述的方法。存储器104可包括高速随机存储器,还可包括非易失性存储器,如一个或者多个磁性存储装置、闪存、或者其他非易失性固态存储器。在一些实例中,存储器104可进一步包括相对于处理器102远程设置的存储器,这些远程存储器可以通过网络连接至大数据分析系统10。上述网络的实例包括但不限于互联网、企业内部网、局域网、移动通信网及其组合。
传输装置106用于经由一个网络接收或者发送数据。上述的网络具体实例可包括大数据分析系统10的通信供应商提供的无线网络。在一个实例中,传输装置106包括一个网络适配器(Network Interface Controller,简称为NIC),其可通过基站与其他网络设备相连从而可与互联网进行通讯。在一个实例中,传输装置106可以为射频(Radio Frequency,简称为RF)模块,其用于通过无线方式与互联网进行通讯。
基于此,请参阅图1,图1是本发明实施例所提供的一种基于大数据分析的饲料在线生产监测方法的流程示意图,该方法应用于大数据分析系统,进一步可以包括STEP101-STEP105描述的技术方案。
STEP101、获得待监督饲料在线生产日志和目标卫生质量指标项目对应的最少一个历史饲料生产日志。
对于本发明实施例而言,该待监督饲料在线生产日志是需进行记录目标卫生质量指标项目的数目的饲料在线生产日志。在一些示例下,该待监督饲料在线生产日志中包括较多的目标卫生质量指标项目,本发明实施例提供的基于大数据分析的饲料在线生产监测方法用于对该待监督饲料在线生产日志中的目标卫生质量指标项目进行分析和鉴别,从而实现质量安全的监测和管控。
对于本发明实施例而言,该目标卫生质量指标项目对应的历史饲料生产日志为包括所述目标卫生质量指标项目的饲料在线生产日志,该最少一个历史饲料生产日志包括相同的目标卫生质量指标项目,换言之,通过该最少一个历史饲料生产日志可以确定需要进行分析和鉴别的目标卫生质量指标项目。换言之,该待监督饲料在线生产日志可以包括多个不同种类的卫生质量指标项目,在传入的最少一个历史饲料生产日志对应的目标卫生质量指标项目不同的基础上,本发明实施例可以输出不同目标卫生质量指标项目对应的卫生安全鉴别信息,以便针对性地进行生产控制调整,实现动态的饲料生产质量管控,保障饲料生产的质量。
以一些示例性实施例来看待,该历史饲料生产日志可以与该待监督饲料在线生产日志来源于相同的饲料在线生产日志。对于本发明实施例而言,可以在该待监督饲料在线生产日志中选择最少一个目标卫生质量指标项目,以得到该目标卫生质量指标项目的最少一个鉴别单元。通过该目标卫生质量指标项目对应的最少一个鉴别单元,可以从该历史饲料生产日志选择对应的历史饲料生产日志。历史饲料生产日志可以理解为饲料在线生产日志示例。
以一些示例性实施例来看待,该历史饲料生产日志可以与该待监督饲料在线生产日志来源于不同的饲料在线生产日志。例如,在需要对饲料在线生产日志journalA中的待监督卫生质量指标项目进行分析和鉴别的情况下,可以在饲料在线生产日志journalB中选择最少一个目标卫生质量指标项目,得到该目标卫生质量指标项目的最少一个鉴别单元,进而获得来源于饲料在线生产日志journalB的历史饲料生产日志;还可以在饲料在线生产日志journalC中选择最少一个目标卫生质量指标项目,得到该目标卫生质量指标项目的最少一个鉴别单元,进而获得来源于饲料在线生产日志journalC的历史饲料生产日志;将来源于饲料在线生产日志journalB和饲料在线生产日志journalC的历史饲料生产日志作为该目标卫生质量指标项目对应的最少一个历史饲料生产日志。
可以理解,该历史饲料生产日志中至少存在一个目标卫生质量指标项目,换言之,在历史饲料生产日志中,可以存在一个目标卫生质量指标项目,也可以存在两个或多个目标卫生质量指标项目。此外,卫生质量指标项目可以是温湿度指标、微生物指标、霉菌指标、生熟度指标等一系列能够反映不同卫生质量安全的指标项目项。
STEP102、挖掘所述待监督饲料在线生产日志对应的初始质量属性向量矩阵和所述最少一个历史饲料生产日志中各个所述历史饲料生产日志对应的历史质量属性向量矩阵。
以一些示例性实施例来看待,可以通过预调试的质量安全鉴别算法(用于进行质量属性向量的挖掘和分析),分别挖掘该待监督饲料在线生产日志和每一历史饲料生产日志对应的饲料在线生产日志的质量属性向量(比如特征向量、描述字段等),得到该待监督饲料在线生产日志对应的初始质量属性向量矩阵和各个所述历史饲料生产日志对应的历史质量属性向量矩阵。
其中,挖掘该初始质量属性向量矩阵对应的质量安全鉴别算法(比如可以适配本申请的各类神经网络模型)可以与挖掘历史质量属性向量矩阵对应的质量安全鉴别算法可以相同,也可以存在差异。初始质量属性向量矩阵和历史质量属性向量矩阵分别可以理解为质量属性向量集以及质量属性向量集示例,还可以理解为质量属性向量图以及质量属性向量图示例。
可以理解,该每一历史饲料生产日志对应的历史质量属性向量矩阵均对应第一数据量,即每一历史饲料生产日志对应的历史质量属性向量矩阵的数据量一致;该初始质量属性向量矩阵为第二数据量,该第二数据量大于该第一数据量。其中,矩阵的数据量可以理解为矩阵的大小,比如矩阵在所占据的内容集大小。
以一些示例性实施例来看待,该质量安全鉴别算法可以为级联的质量安全鉴别算法。例如,以该初始质量属性向量矩阵的数据量为N1*N2*N3为例,该N3维度可以包括多个层面的质量属性细节项。
STEP103、利用所述初始质量属性向量矩阵和各个所述历史质量属性向量矩阵确定饲料质量监督向量矩阵。
可以理解的是,所述饲料质量监督向量矩阵在所述初始质量属性向量矩阵的基础上携带与各个所述历史质量属性向量矩阵对应的质量属性细节项。饲料质量监督向量矩阵能够更为精细地反映饲料质量属性向量的细节内容,因此可以理解为更为精准的向量分布。
以一些示例性实施例来看待,可以分别获得该初始质量属性向量矩阵与每一历史质量属性向量矩阵对应的待处理质量属性向量矩阵(比如可以理解为中间质量属性向量矩阵),该待处理质量属性向量矩阵在该初始质量属性向量矩阵的基础上携带与该历史质量属性向量矩阵对应的质量属性细节项;再整合每一历史质量属性向量矩阵对应的待处理质量属性向量矩阵,可以得到该饲料质量监督向量矩阵。
对于本发明实施例而言,对于每一历史质量属性向量矩阵,可以通过确定该历史质量属性向量矩阵与该初始质量属性向量矩阵之间的特征向量距离生成该历史质量属性向量矩阵对应的待处理质量属性向量矩阵。例如,该初始质量属性向量矩阵可以包括最少一个局部矩阵,确定每一局部矩阵的部分初始质量属性向量矩阵与该历史质量属性向量矩阵的特征向量距离;将每一局部矩阵的部分初始质量属性向量矩阵与该历史质量属性向量矩阵的特征向量距离作为贡献因子(影响系数),对该初始质量属性向量矩阵的每一局部矩阵的部分初始质量属性向量矩阵进行调整,得到该历史质量属性向量矩阵对应的待处理质量属性向量矩阵。
对于本发明实施例而言,在得到各个所述历史质量属性向量矩阵对应的待处理质量属性向量矩阵之后,可以通过加权等方法对各个所述历史质量属性向量矩阵对应的待处理质量属性向量矩阵进行整合,得到该饲料质量监督向量矩阵。
以一些示例性实施例来看待,可以整合每一历史质量属性向量矩阵,得到已整合历史质量属性向量矩阵;该已整合历史质量属性向量矩阵携带每一历史质量属性向量矩阵中目标卫生质量指标项目的质量属性细节项;基于该已整合历史质量属性向量矩阵和该初始质量属性向量矩阵得到该饲料质量监督向量矩阵。
STEP104、将所述饲料质量监督向量矩阵更新为卫生安全指标回归集,并利用所述卫生安全指标回归集确定关于所述目标卫生质量指标项目的卫生安全鉴别信息。
以一些示例性实施例来看待,该卫生安全鉴别信息可以包括以下至少之一:该目标卫生质量指标项目的项目记录值、该待监督饲料在线生产日志中每一目标卫生质量指标项目的定位结果信息(分布于日志的哪些区域)。其中,卫生安全指标回归集可以理解为卫生安全等级或者卫生安全风险值的分布图,用于从整体层面反映目标卫生质量指标项目的重要性,这样能够准确完整地得到卫生安全鉴别信息。
STEP105、基于所述卫生安全鉴别信息进行生产控制调整。
对于本发明实施例而言,可以结合卫生安全鉴别信息对相关的生产线进行控制调整,比如对生产环境进行消毒杀菌,对传送带的速率、加热炉的参数进行一系列改进,还可以对反映池的酸碱度进行调整。可以理解,生产控制调整可以参考现有的饲料生产线调整技术,本发明实施例的核心发明点在于通过AI技术得到用于指示质量安全评估和生产控制调整的卫生安全鉴别信息。
基于上述实施例,通过初始质量属性向量矩阵和各个所述历史质量属性向量矩阵生成对应的饲料质量监督向量矩阵,鉴于该饲料质量监督向量矩阵在初始质量属性向量矩阵的基础上携带与各个所述历史质量属性向量矩阵对应的质量属性细节项,进而,在基于该饲料质量监督向量矩阵确定对于所述目标卫生质量指标项目的卫生安全鉴别信息时,可以得到与该目标卫生质量指标项目对应的卫生安全鉴别信息,从而保障卫生安全鉴别的准确性和可靠性,避免卫生安全鉴别过程中出现的偏差。进一步地,基于卫生安全鉴别信息进行生产控制调整,能够精准且针对性地实现动态的饲料生产质量管控,保障饲料生产的质量。
对于一些实施例而言,STEP103通过STEP201至STEP203实现。
STEP201、利用所述初始质量属性向量矩阵和各个所述历史质量属性向量矩阵生成各个所述历史质量属性向量矩阵对应的质量属性关联数组。
对于本发明实施例而言,所述质量属性关联数组反映所述初始质量属性向量矩阵与所述历史质量属性向量矩阵的适配程度(关联度)。因此,质量属性关联数组也可以理解为关联度特征或者关联性特征。
以一些示例性实施例来看待,可以利用各个所述历史质量属性向量矩阵对所述初始质量属性向量矩阵进行属性特征挖掘(比如卷积处理),得到各个所述历史质量属性向量矩阵对应的质量属性关联数组。
STEP202、基于各个所述历史质量属性向量矩阵对应的质量属性关联数组和对应的历史质量属性向量矩阵,得到质量属性关联集。
以一些示例性实施例来看待,鉴于每一历史质量属性向量矩阵对应的质量属性关联数组反映了该初始质量属性向量矩阵与该历史质量属性向量矩阵之间的适配程度,基于此,可以将每一历史质量属性向量矩阵对应的质量属性关联数组作为贡献因子,对该历史质量属性向量矩阵进行整合,得到每一历史质量属性向量矩阵对应的局部质量属性关联集,通过整合每一历史质量属性向量矩阵对应的局部质量属性关联集,得到该质量属性关联集。
可以理解,该质量属性关联集的数据量与该初始质量属性向量矩阵的数据量一致,质量属性关联集用于对质量属性关联数组进行统计和汇总。
STEP203、整合所述质量属性关联集和所述初始质量属性向量矩阵,得到饲料质量监督向量矩阵。
以一些示例性实施例来看待,可以通过特征求和、特征成员加权等方式,整合质量属性关联集和所述初始质量属性向量矩阵,得到饲料质量监督向量矩阵。
可以理解的是,鉴于通过整合低层次的初始质量属性向量矩阵和高层次的质量属性关联集,可以避免算法优化时的梯度问题;同时,鉴于利用所述初始质量属性向量矩阵和各个所述历史质量属性向量矩阵生成各个所述历史质量属性向量矩阵对应的质量属性关联数组,不仅可以引入不同历史饲料生产日志中目标卫生质量指标项目的相关性,得到的质量属性关联数组还可以确定初始质量属性向量矩阵中与对应的历史质量属性向量矩阵之间的适配程度。
对于另一些可能的设计思路而言,STEP2011可以包括STEP301和STEP302。
STEP301、基于非独占的量化映射单元对所述初始质量属性向量矩阵进行处理,得到待处理质量属性向量矩阵。其中,非独占的量化映射单元可以理解为共享的标准化函数。
STEP302、对于每一历史质量属性向量矩阵,通过所述非独占的量化映射单元对所述历史质量属性向量矩阵进行处理,得到待处理历史质量属性向量矩阵;将所述待处理历史质量属性向量矩阵作为特征挖掘核,将所述待处理质量属性向量矩阵作为被挖掘的卫生质量指标项目,得到所述历史质量属性向量矩阵对应的质量属性关联数组。
其中,每一历史质量属性向量矩阵对应一个质量属性关联数组。特征挖掘核可以作卷积核理解,这样可以基于标准化和卷积处理准确确定历史质量属性向量矩阵对应的质量属性关联数组。
以一些示例性实施例来看待,在得到每一历史质量属性向量矩阵对应的质量属性关联数组之后,所述方法还可以包括STEP303。
STEP303、对各个所述历史质量属性向量矩阵对应的质量属性关联数组进行规范性调整。
可以理解的是,在将历史质量属性向量矩阵作为特征挖掘核对初始质量属性向量矩阵进行规范性调整/归一化之前,先基于非独占的量化映射单元分别对历史质量属性向量矩阵和初始质量属性向量矩阵进行规范性调整,可以减少向量提炼过程的算力负荷。
在另一些可能的实施例中,STEP303可以通过STEP401至STEP402实现。
STEP401、从最少一个安全关注等级对各个所述历史质量属性向量矩阵对应的质量属性关联数组进行规范性调整,得到各个所述历史质量属性向量矩阵在各个所述安全关注等级下的待整合质量属性关联数组。
以一些示例性实施例来看待,该最少一个安全关注等级可以包括历史安全关注等级和微生物污染等级。其中,基于该历史安全关注等级可以得到该历史安全关注等级对应的目标历史质量属性向量矩阵;基于该微生物污染等级可以得到该微生物污染等级对应的微生物洁净属性向量矩阵。
可以理解,对于每一个历史质量属性向量矩阵对应的质量属性关联数组,在从一个安全关注等级对该质量属性关联数组进行规范性调整时,可以得到每一个历史质量属性向量矩阵在该安全关注等级下对应的规范性调整特征(归一化处理之后的特征)。
以一些示例性实施例来看待,所述最少一个安全关注等级包括历史安全关注等级,可以通过STEP4011至STEP4022实现所述从最少一个安全关注等级对各个所述历史质量属性向量矩阵对应的质量属性关联数组进行规范性调整,得到各个所述历史质量属性向量矩阵在各个所述安全关注等级下的待整合质量属性关联数组。
STEP4011、对于历史质量属性向量矩阵对应的质量属性关联数组中的每一相对关系标签,获得各个所述历史质量属性向量矩阵对应的质量属性关联数组在所述相对关系标签处的基础适配度;对各个所述历史质量属性向量矩阵对应的基础适配度进行规范性调整,得到各个所述历史质量属性向量矩阵对应的质量属性关联数组在所述相对关系标签处的最终适配度;
其中,相对关系标签可以理解为特征位置或者特征向量所对应的定位情况。以一些示例性实施例来看待,该历史质量属性向量矩阵对应的质量属性关联数组可以包括多个相对关系标签。以该历史质量属性向量矩阵对应的质量属性关联数组的数据量为N1*N2的情况为例,该质量属性关联数组可以包括N1*N2个相对关系标签,换言之,每一个相对关系标签对应一个基础适配度,N1*N2个相对关系标签对应的基础适配度构成了该质量属性关联数组。
进一步地,鉴于每一历史质量属性向量矩阵对应的质量属性关联数组的数据量一致,因此,对于质量属性关联数组中的每一个相对关系标签,可以在每一个历史质量属性向量矩阵对应的质量属性关联数组中找到对应的基础适配度。对于该相对关系标签,该相对关系标签对应的最终适配度是基于该相对关系标签在每一历史质量属性向量矩阵对应的质量属性关联数组对应的基础适配度得到的。
例如,以相对关系标签(N4,N4)为例,在确定该相对关系标签(N4,N4)对应的最终适配度时,需要获得每一个历史质量属性向量矩阵对应的质量属性关联数组中该相对关系标签(N4,N4)对应的基础适配度,比如,获得到第一历史质量属性向量矩阵在该相对关系标签(N4,N4)的基础适配度为N31、第二历史质量属性向量矩阵在该相对关系标签(N4,N4)的基础适配度为N32、…、第t历史质量属性向量矩阵在该相对关系标签(N4,N4)的基础适配度为N3t,则第一历史质量属性向量矩阵在该相对关系标签(N4,N4)的最终适配度为N31/sum(N31、N32、…、N3t)、第二历史质量属性向量矩阵在该相对关系标签(N4,N4)的最终适配度为N32/sum(N31、N32、…、N3t)、…、第t历史质量属性向量矩阵在该相对关系标签(N4,N4)的最终适配度为N3t/sum(N31、N32、…、N3t)。
STEP4012、基于各个所述历史质量属性向量矩阵对应的质量属性关联数组在各个所述相对关系标签处的最终适配度,生成所述各个所述历史质量属性向量矩阵对应的目标历史质量属性向量矩阵。
以一些示例性实施例来看待,基于上述思路得到每一历史质量属性向量矩阵对应的质量属性关联数组在每一相对关系标签的最终适配度之后,对于每一历史质量属性向量矩阵,可以将该历史质量属性向量矩阵对应的所有相对关系标签的最终适配度作为该历史质量属性向量矩阵对应的目标历史质量属性向量矩阵。
例如,对于每一个历史质量属性向量矩阵,可以得到N1*N2个相对关系标签对应的最终适配度,这N1*N2个相对关系标签对应的最终适配度就形成了该历史质量属性向量矩阵对应的目标历史质量属性向量矩阵。
以一些示例性实施例来看待,可以所述最少一个安全关注等级包括微生物污染等级,通过STEP4013实现所述从最少一个安全关注等级对各个所述历史质量属性向量矩阵对应的质量属性关联数组进行规范性调整,得到所述最少一个安全关注等级中各个所述安全关注等级对应的每一历史质量属性向量矩阵对应的规范性调整后的质量属性关联数组。
STEP4013、对于各个所述历史质量属性向量矩阵,获得所述历史质量属性向量矩阵对应的质量属性关联数组在每一相对关系标签处的基础适配度,对各个所述相对关系标签处的基础适配度进行规范性调整,得到每一相对关系标签处的最终适配度;基于每一相对关系标签处的最终适配度,生成所述历史质量属性向量矩阵对应的微生物洁净属性向量矩阵。
以一些示例性实施例来看待,该历史质量属性向量矩阵对应的质量属性关联数组可以包括多个相对关系标签。以该历史质量属性向量矩阵对应的质量属性关联数组的数据量为N1*N2的情况为例,该质量属性关联数组可以包括N1*N2个相对关系标签,换言之,每一个相对关系标签对应一个基础适配度,N1*N2个相对关系标签对应的基础适配度形成了该质量属性关联数组。
与上述历史安全关注等级相异,在基于微生物污染等级对每一历史质量属性向量矩阵对应的质量属性关联数组进行规范性调整时,不会引入不同历史饲料生产日志(历史质量属性向量矩阵)之间的关系,换言之,对于一个历史质量属性向量矩阵的质量属性关联数组进行规范性调整时,仅考虑这个历史质量属性向量矩阵的质量属性关联数组自身的内容。
对于每一个历史质量属性向量矩阵(对应的质量属性关联数组),获得该历史质量属性向量矩阵对应的质量属性关联数组在每一相对关系标签处的基础适配度,其中,每一相对关系标签处的最终适配度与该历史质量属性向量矩阵对应的所有基础适配度相关。
例如,以一个历史质量属性向量矩阵对应的质量属性关联数组的数据量为N1*N2的情况为例,对于该质量属性关联数组中的每一个相对关系标签,换言之,包括(N4,N4)至(N1-1,N2-1)共N1*N2个相对关系标签,可以先获得每一相对关系标签处的基础适配度,并确定最大的初始特征相关性,对于每一个相对关系标签,该相对关系标签的最终适配度为初始特征相关性与该最大的初始特征相关性之间比值。以此类推,可以得到每一个历史质量属性向量矩阵对应的微生物洁净属性向量矩阵。其中,N1~N4分别代表不同的整数。
STEP402、基于各个所述安全关注等级对应的每一历史质量属性向量矩阵对应的规范性调整后的质量属性关联数组,生成所述历史质量属性向量矩阵对应的规范性调整后的质量属性关联数组。
以一些示例性实施例来看待,可以通过STEP4021实现上述基于各个所述安全关注等级对应的每一历史质量属性向量矩阵对应的规范性调整后的质量属性关联数组,生成所述历史质量属性向量矩阵对应的规范性调整后的质量属性关联数组。
STEP4021、对于各个所述历史质量属性向量矩阵,基于预设向量算法对各个所述安全关注等级对应的规范性调整后的质量属性关联数组进行整合,生成所述历史质量属性向量矩阵对应的规范性调整后的质量属性关联数组。
其中,该历史质量属性向量矩阵对应的每一安全关注等级的规范性调整后的质量属性关联数组的数据量是相同。在该最少一个安全关注等级包括微生物污染等级和历史安全关注等级的情况下,得到的目标历史质量属性向量矩阵和微生物洁净属性向量矩阵的数据量是相同的。
以一些示例性实施例来看待,可以基于预设向量算法(比如向量点积),对该目标历史质量属性向量矩阵和微生物洁净属性向量矩阵进行整合,得到该历史质量属性向量矩阵对应的规范性调整后的质量属性关联数组。
可见,在得到各个历史质量属性向量矩阵对应的质量属性关联数组之后,还对该质量属性关联数组进行规范性调整,不仅可以减少算力负荷,提升算法优化时效性,还可以规避梯度问题。并且,本发明实施例还基于历史安全关注等级对多个历史质量属性向量矩阵对应的质量属性关联数组进行规范性调整,得到的规范性调整后的质量属性关联数组可以引入各个历史饲料生产日志(历史质量属性向量矩阵)之间的差异;同时本发明实施例还基于微生物污染等级对每一历史质量属性向量矩阵对应的质量属性关联数组进行规范性调整,得到的规范性调整后的质量属性关联数组可以反映出初始质量属性向量矩阵在不同分布与历史质量属性向量矩阵之间的适配程度;相应地,在整合历史安全关注等级对应的目标历史质量属性向量矩阵和微生物污染等级对应的微生物洁净属性向量矩阵之后,可以使得处理后的规范性调整后的质量属性关联数组不仅可以引入各个历史饲料生产日志(历史质量属性向量矩阵)之间的不同,还可以反映出初始质量属性向量矩阵在不同分布与历史质量属性向量矩阵之间的适配程度。
在另一些可能的设计思路下,STEP103之后,所述方法还包括STEP501,STEP104可以调整为STEP502。
STEP501、将所述饲料质量监督向量矩阵作为所述初始质量属性向量矩阵并切换到所述利用所述初始质量属性向量矩阵和所述历史质量属性向量矩阵确定饲料质量监督向量矩阵的步骤进行循环。
以一些示例性实施例来看待,在基于该待监督饲料在线生产日志和最少一个历史饲料生产日志得到该饲料质量监督向量矩阵之后,即完成了一轮闭环处理(循环操作),换言之,一轮闭环处理包括:利用所述初始质量属性向量矩阵和各个所述历史质量属性向量矩阵确定饲料质量监督向量矩阵。
其中,在完成一轮闭环处理之后,可以将上一轮闭环处理得到的饲料质量监督向量矩阵作为本轮闭环处理中待监督饲料在线生产日志对应的初始质量属性向量矩阵,并基于该新的初始质量属性向量矩阵(上一轮闭环处理得到的饲料质量监督向量矩阵)和各个所述历史质量属性向量矩阵生成(本轮闭环处理的)饲料质量监督向量矩阵。
以一些示例性实施例来看待,可以获得预设的闭环处理轮数,在执行该STEP501之前,可以先判断当前闭环处理轮数是否达到所述预设的闭环处理轮数,在达到该预设的闭环处理轮数的情况下,直接将(上一轮闭环处理得到的)饲料质量监督向量矩阵作为最终的饲料质量监督向量矩阵,并基于该最终的饲料质量监督向量矩阵确定卫生安全鉴别信息;在未达到该预设的闭环处理轮数的情况下,将上一轮闭环处理得到的饲料质量监督向量矩阵作为本轮闭环处理中待监督饲料在线生产日志对应的初始质量属性向量矩阵,并基于该新的初始质量属性向量矩阵(上一轮闭环处理得到的饲料质量监督向量矩阵)和各个所述历史质量属性向量矩阵生成(本轮闭环处理的)饲料质量监督向量矩阵。
STEP502、将闭环处理后的饲料质量监督向量矩阵更新为卫生安全指标回归集,并利用所述卫生安全指标回归集确定关于所述目标卫生质量指标项目的卫生安全鉴别信息。
以一些示例性实施例来看待,将闭环处理后的饲料质量监督向量矩阵作为最终的饲料质量监督向量矩阵。
可见,通过将得到的饲料质量监督向量矩阵作为原始的待监督饲料在线生产日志的初始质量属性向量矩阵,并与最少一个历史质量属性向量矩阵得到新的饲料质量监督向量矩阵,由此,基于不少于一轮的循环,可以不断地对该饲料质量监督向量矩阵进行优化改进,使得最终的饲料质量监督向量矩阵与历史质量属性向量矩阵之间的关联度更高,进而可以得到更加准确的卫生安全鉴别信息。
在一些可能的实施例中,STEP104可以包括STEP601至STEP602。
STEP601、将所述饲料质量监督向量矩阵更新为卫生安全指标回归集。
以一些示例性实施例来看待,可以通过STEP6011至STEP6012实现上述将所述饲料质量监督向量矩阵更新为卫生安全指标回归集。
STEP6011、对所述饲料质量监督向量矩阵进行循环属性特征挖掘。
STEP6012、对循环属性特征挖掘后的饲料质量监督向量矩阵进行向量衍生,得到与所述待监督饲料在线生产日志数据量一致的卫生安全指标回归集。
STEP602、利用所述卫生安全指标回归集确定关于所述目标卫生质量指标项目的卫生安全鉴别信息。
以一些示例性实施例来看待,可以通过STEP6021实现上述利用所述卫生安全指标回归集确定关于所述目标卫生质量指标项目的卫生安全鉴别信息。
STEP6021、对所述卫生安全指标回归集进行加权,得到所述待监督饲料在线生产日志中所述目标卫生质量指标项目的项目记录值。
以一些示例性实施例来看待,该卫生安全指标回归集中各个回归区域的数值的区间为[0,1],在待监督饲料在线生产日志中一个回归区域存在目标卫生质量指标项目的情况下,卫生安全指标回归集中该回归区域处的数值越大,并越接近1。其中,若该待监督饲料在线生产日志中不存在任意一个目标卫生质量指标项目,对应的卫生安全指标回归集中各个回归区域处的数值均为0;在该待监督饲料在线生产日志中(N5,N6)处存在一个目标卫生质量指标项目的情况下,该目标卫生质量指标项目可以影响卫生安全指标回归集中(N5,N6)对应的被影响日志内容集的数值大小。可以理解,在该被影响日志内容集中,所有回归区域的数值和为1,换言之,待监督饲料在线生产日志中的一个目标卫生质量指标项目,可以使得卫生安全指标回归集中各个回归区域的数值和加1。由此,可以通过对所述卫生安全指标回归集进行加权,得到所述待监督饲料在线生产日志中所述目标卫生质量指标项目的项目记录值。
以一些示例性实施例来看待,可以通过STEP6022实现上述利用所述卫生安全指标回归集确定关于所述目标卫生质量指标项目的卫生安全鉴别信息。
STEP6022、获得所述卫生安全指标回归集中的卫生安全指标回归要素,并通过预设筛选规则对所述卫生安全指标回归要素进行选择,得到所述目标卫生质量指标项目的定位结果;所述卫生安全指标回归要素的安全评估重要度大于关联安全指标回归要素的安全评估重要度。
以一些示例性实施例来看待,鉴于卫生安全指标回归集中各个回归区域处的数值越大,表征待监督饲料在线生产日志中该回归区域处存在目标卫生质量指标项目的可能性越高,因此,可以通过获得所述卫生安全指标回归集中的卫生安全指标回归要素确定初步的目标卫生质量指标项目的定位结果。引入存在误差的情况,换言之,对于待监督饲料在线生产日志中相同的目标卫生质量指标项目,在该卫生安全指标回归集中存在对应的至少两个卫生安全指标回归要素,如此,需要采用预设筛选规则(比如非最大值的抑制算法)对得到的所述卫生安全指标回归要素进行选择,进而得到所述目标卫生质量指标项目的定位结果。
可以理解的是,不仅可以获得到待监督饲料在线生产日志中目标卫生质量指标项目的项目记录值,还可以得到该待监督饲料在线生产日志中每一目标卫生质量指标项目的定位结果,提升了后续进行生产控制调整的可靠性。
基于上述相同或相似的发明构思,请结合参阅图2,还提供了一种基于大数据分析的饲料在线生产监测系统30的架构示意图,包括互相之间通信的大数据分析系统10和饲料生产线系统20,大数据分析系统10和饲料生产线系统20在运行时实现或者部分实现上述方法实施例所描述的技术方案。
进一步地,还提供了一种计算机可读存储介质,其上存储有程序,该程序被处理器执行时实现上述的方法。
在本发明实施例所提供的几个实施例中,应该理解到,所揭露的装置和方法,也可以通过其它的方式实现。以上所描述的装置和方法实施例仅仅是示意性的,例如,附图中的流程图和框图显示了根据本发明的多个实施例的装置、方法和计算机程序产品的可能实现的体系架构、功能和操作。在这点上,流程图或框图中的每个方框可以代表一个模块、程序段或代码的一部分,所述模块、程序段或代码的一部分包含一个或多个用于实现规定的逻辑功能的可执行指令。也应当注意,在有些作为替换的实现方式中,方框中所标注的功能也可以以不同于附图中所标注的顺序发生。例如,两个连续的方框实际上可以基本并行地执行,它们有时也可以按相反的顺序执行,这依所涉及的功能而定。也要注意的是,框图和/或流程图中的每个方框、以及框图和/或流程图中的方框的组合,可以用执行规定的功能或动作的专用的基于硬件的系统来实现,或者可以用专用硬件与计算机指令的组合来实现。
另外,在本发明各个实施例中的各功能模块可以集成在一起形成一个独立的部分,也可以是各个模块单独存在,也可以两个或两个以上模块集成形成一个独立的部分。
所述功能如果以软件功能模块的形式实现并作为独立的产品销售或使用时,可以存储在一个计算机可读取存储介质中。基于这样的理解,本发明的技术方案本质上或者说对现有技术做出贡献的部分或者该技术方案的部分可以以软件产品的形式体现出来,该计算机软件产品存储在一个存储介质中,包括若干指令用以使得一台计算机设备(可以是个人计算机、或者网络设备等)执行本发明各个实施例所述方法的全部或部分步骤。而前述的存储介质包括:U盘、移动硬盘、只读存储器(ROM,Read-Only Memory)、随机存取存储器(RAM,Random Access Memory)、磁碟或者光盘等各种可以存储程序代码的介质。需要说明的是,在本文中,术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含,从而使得包括一系列要素的过程、方法、物品或者设备不仅包括那些要素,而且还包括没有明确列出的其他要素,或者是还包括为这种过程、方法、物品或者设备所固有的要素。在没有更多限制的情况下,由语句“包括一个……”限定的要素,并不排除在包括所述要素的过程、方法、物品或者设备中还存在另外的相同要素。
以上所述仅为本发明的优选实施例而已,并不用于限制本发明,对于本领域的技术人员来说,本发明可以有各种更改和变化。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。
Claims (8)
1.一种基于大数据分析的饲料在线生产监测方法,其特征是,应用于大数据分析系统,所述方法包括:
获得待监督饲料在线生产日志和目标卫生质量指标项目对应的最少一个历史饲料生产日志;挖掘所述待监督饲料在线生产日志对应的初始质量属性向量矩阵和所述最少一个历史饲料生产日志中各个所述历史饲料生产日志对应的历史质量属性向量矩阵;
利用所述初始质量属性向量矩阵和各个所述历史质量属性向量矩阵确定饲料质量监督向量矩阵;其中,所述饲料质量监督向量矩阵在所述初始质量属性向量矩阵的基础上携带与各个所述历史质量属性向量矩阵对应的质量属性细节项;
将所述饲料质量监督向量矩阵更新为卫生安全指标回归集,并利用所述卫生安全指标回归集确定关于所述目标卫生质量指标项目的卫生安全鉴别信息;基于所述卫生安全鉴别信息进行生产控制调整;
其中,所述利用所述初始质量属性向量矩阵和各个所述历史质量属性向量矩阵确定饲料质量监督向量矩阵,包括:
利用所述初始质量属性向量矩阵和各个所述历史质量属性向量矩阵生成各个所述历史质量属性向量矩阵对应的质量属性关联数组;所述质量属性关联数组反映所述初始质量属性向量矩阵与所述历史质量属性向量矩阵的适配程度;
基于各个所述历史质量属性向量矩阵对应的质量属性关联数组和对应的历史质量属性向量矩阵,得到质量属性关联集;
整合所述质量属性关联集和所述初始质量属性向量矩阵,得到饲料质量监督向量矩阵;
其中,所述将所述饲料质量监督向量矩阵更新为卫生安全指标回归集,包括:对所述饲料质量监督向量矩阵进行循环属性特征挖掘;对循环属性特征挖掘后的饲料质量监督向量矩阵进行向量衍生,得到与所述待监督饲料在线生产日志数据量一致的卫生安全指标回归集;
其中,所述利用所述卫生安全指标回归集确定关于所述目标卫生质量指标项目的卫生安全鉴别信息,包括以下至少之一:对所述卫生安全指标回归集进行加权,得到所述待监督饲料在线生产日志中所述目标卫生质量指标项目的项目记录值;获得所述卫生安全指标回归集中的卫生安全指标回归要素,并通过预设筛选规则对所述卫生安全指标回归要素进行选择,得到所述目标卫生质量指标项目的定位结果;所述卫生安全指标回归要素的安全评估重要度大于关联安全指标回归要素的安全评估重要度。
2.根据权利要求1所述的方法,其特征是,所述利用所述初始质量属性向量矩阵和各个所述历史质量属性向量矩阵生成各个所述历史质量属性向量矩阵对应的质量属性关联数组,包括:利用各个所述历史质量属性向量矩阵对所述初始质量属性向量矩阵进行属性特征挖掘,得到各个所述历史质量属性向量矩阵对应的质量属性关联数组;
其中,所述利用各个所述历史质量属性向量矩阵对所述初始质量属性向量矩阵进行属性特征挖掘,得到各个所述历史质量属性向量矩阵对应的质量属性关联数组,包括:基于非独占的量化映射单元对所述初始质量属性向量矩阵进行处理,得到待处理质量属性向量矩阵;对于每一历史质量属性向量矩阵,通过所述非独占的量化映射单元对所述历史质量属性向量矩阵进行处理,得到待处理历史质量属性向量矩阵;将所述待处理历史质量属性向量矩阵作为特征挖掘核,将所述待处理质量属性向量矩阵作为被挖掘的卫生质量指标项目,得到所述历史质量属性向量矩阵对应的质量属性关联数组;
其中,在基于各个所述历史质量属性向量矩阵对应的质量属性关联数组和对应的历史质量属性向量矩阵,得到质量属性关联集之前,所述方法还包括:对各个所述历史质量属性向量矩阵对应的质量属性关联数组进行规范性调整;所述对各个所述历史质量属性向量矩阵对应的质量属性关联数组进行规范性调整,包括:从最少一个安全关注等级对各个所述历史质量属性向量矩阵对应的质量属性关联数组进行规范性调整,得到各个所述历史质量属性向量矩阵在各个所述安全关注等级下的待整合质量属性关联数组;基于各个所述历史质量属性向量矩阵在各个所述安全关注等级下的待整合质量属性关联数组,生成各个所述历史质量属性向量矩阵对应的规范性调整后的质量属性关联数组。
3.根据权利要求2所述的方法,其特征是,所述最少一个安全关注等级包括历史安全关注等级,所述从最少一个安全关注等级对各个所述历史质量属性向量矩阵对应的质量属性关联数组进行规范性调整,得到各个所述历史质量属性向量矩阵在各个所述安全关注等级下的待整合质量属性关联数组,包括:
对于历史质量属性向量矩阵对应的质量属性关联数组中的每一相对关系标签,获得各个所述历史质量属性向量矩阵对应的质量属性关联数组在所述相对关系标签处的基础适配度;
对各个所述历史质量属性向量矩阵对应的基础适配度进行规范性调整,得到各个所述历史质量属性向量矩阵对应的质量属性关联数组在所述相对关系标签处的最终适配度;
基于各个所述历史质量属性向量矩阵对应的质量属性关联数组在各个所述相对关系标签处的最终适配度,生成所述各个所述历史质量属性向量矩阵对应的目标历史质量属性向量矩阵。
4.根据权利要求2所述的方法,其特征是,所述最少一个安全关注等级包括微生物污染等级,所述从最少一个安全关注等级对各个所述历史质量属性向量矩阵对应的质量属性关联数组进行规范性调整,得到各个所述历史质量属性向量矩阵在各个所述安全关注等级下的待整合质量属性关联数组,包括:
对于各个所述历史质量属性向量矩阵,获得所述历史质量属性向量矩阵对应的质量属性关联数组在每一相对关系标签处的基础适配度,对各个所述相对关系标签处的基础适配度进行规范性调整,得到各个所述相对关系标签处的最终适配度;
基于各个所述相对关系标签处的最终适配度,生成所述历史质量属性向量矩阵对应的微生物洁净属性向量矩阵。
5.根据权利要求2所述的方法,其特征是,所述基于各个所述历史质量属性向量矩阵在各个所述安全关注等级下的待整合质量属性关联数组,生成各个所述历史质量属性向量矩阵对应的规范性调整后的质量属性关联数组,包括:对于各个所述历史质量属性向量矩阵,基于预设向量算法将所述历史质量属性向量矩阵在各个所述安全关注等级下的待整合质量属性关联数组进行整合,生成所述历史质量属性向量矩阵对应的规范性调整后的质量属性关联数组;
其中,所述基于各个所述历史质量属性向量矩阵对应的质量属性关联数组和对应的历史质量属性向量矩阵,得到质量属性关联集,包括:对于各个所述历史质量属性向量矩阵,对所述历史质量属性向量矩阵进行矩阵更新,得到完成更新的历史质量属性向量矩阵;利用所述完成更新的历史质量属性向量矩阵对所述历史质量属性向量矩阵对应的质量属性关联数组进行属性特征挖掘,得到所述历史质量属性向量矩阵对应的局部质量属性关联集;基于各个所述历史质量属性向量矩阵对应的局部质量属性关联集,生成所述质量属性关联集;
其中,所述整合所述质量属性关联集和所述初始质量属性向量矩阵,得到饲料质量监督向量矩阵,包括:对所述质量属性关联集和所述初始质量属性向量矩阵进行整合处理,得到所述饲料质量监督向量矩阵;所述整合处理包括以下至少之一:非连续性整合、向量提炼和量化映射单元处理。
6.根据权利要求1所述的方法,其特征是,在将所述饲料质量监督向量矩阵更新为卫生安全指标回归集之前,所述方法还包括:将所述饲料质量监督向量矩阵作为所述初始质量属性向量矩阵并切换到所述利用所述初始质量属性向量矩阵和所述历史质量属性向量矩阵确定饲料质量监督向量矩阵的步骤进行循环。
7.一种大数据分析系统,其特征是,包括处理器和存储器;所述处理器和所述存储器通信连接,所述处理器用于从所述存储器中读取计算机程序并执行,以实现权利要求1-6任一项所述的方法。
8.一种计算机可读存储介质,其特征是,其上存储有程序,该程序被处理器执行时实现权利要求1-6任一项所述的方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310187343.2A CN115860589B (zh) | 2023-03-02 | 2023-03-02 | 基于大数据分析的饲料在线生产监测方法及系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310187343.2A CN115860589B (zh) | 2023-03-02 | 2023-03-02 | 基于大数据分析的饲料在线生产监测方法及系统 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN115860589A CN115860589A (zh) | 2023-03-28 |
CN115860589B true CN115860589B (zh) | 2023-05-09 |
Family
ID=85659608
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202310187343.2A Active CN115860589B (zh) | 2023-03-02 | 2023-03-02 | 基于大数据分析的饲料在线生产监测方法及系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN115860589B (zh) |
Family Cites Families (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20070283329A1 (en) * | 2006-01-09 | 2007-12-06 | Infosys Technologies, Ltd. | System and method for performance monitoring and diagnosis of information technology system |
CN101593323A (zh) * | 2009-07-09 | 2009-12-02 | 中国农业科学院饲料研究所 | 饲料生产质量追溯系统 |
NL2005557C2 (en) * | 2010-10-21 | 2012-04-24 | Ttrc Training | Systematic monitoring of food products. |
CN104050599A (zh) * | 2013-03-17 | 2014-09-17 | 北京智慧农业有限公司 | 一种基于视频回放的食用农产品质量安全追溯系统及方法 |
US10280722B2 (en) * | 2015-06-02 | 2019-05-07 | Baker Hughes, A Ge Company, Llc | System and method for real-time monitoring and estimation of intelligent well system production performance |
US11907894B2 (en) * | 2019-01-11 | 2024-02-20 | Fff Enterprises, Inc. | Storage devices and operation methods thereof |
JP2022055255A (ja) * | 2020-09-28 | 2022-04-07 | トッパン・フォームズ株式会社 | 生産管理システム及び生産管理方法 |
-
2023
- 2023-03-02 CN CN202310187343.2A patent/CN115860589B/zh active Active
Also Published As
Publication number | Publication date |
---|---|
CN115860589A (zh) | 2023-03-28 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Xiao et al. | SMS‐CQ: A quality and safety traceability system for aquatic products in cold‐chain integrated WSN and QR code | |
Chen | Intelligent predictive food traceability cyber physical system in agriculture food supply chain | |
Xiao et al. | Developing an intelligent traceability system for aquatic products in cold chain logistics integrated WSN with SPC | |
Niaki et al. | The economic design of multivariate binomial EWMA VSSI control charts | |
CN111859056A (zh) | 数据处理方法、装置、电子设备和介质 | |
CN115860589B (zh) | 基于大数据分析的饲料在线生产监测方法及系统 | |
CN111222769A (zh) | 一种年报数据质量评价方法、装置、电子设备及存储介质 | |
KR102460730B1 (ko) | 스마트 haccp 관리 시스템 | |
Wang et al. | A radio frequency identification-based quality evaluation system design for the wine industry | |
CN114341873A (zh) | 用于电气设备用户社区的人工智能/机器学习驱动型评估系统 | |
CN111680645A (zh) | 一种垃圾分类处理方法及装置 | |
EP3580676B1 (en) | Sample-based multidimensional data cloning | |
CN115829337A (zh) | 一种存储区风险预警方法及系统 | |
CN109711222B (zh) | 射频识别防碰撞性能测试方法、测试仪器及存储介质 | |
CN114327594A (zh) | 应用于分布式存储系统的测试用例选取方法、装置及介质 | |
CN110991177B (zh) | 一种物料排重方法及装置 | |
CN117808024B (zh) | 基于自适应调控的读写器设备管理方法及系统 | |
CN111612481A (zh) | 生产销售反馈管理系统及方法 | |
KR20200036173A (ko) | 사용자 그루핑 및 그룹별 선호 기계학습 분석 알고리즘을 추천하는 방법 및 장치 | |
CN114928475B (zh) | 一种基于标识解析的工业设备认证方法、设备及介质 | |
CN115905698B (zh) | 基于人工智能的用户画像分析方法及系统 | |
Duarte et al. | An empirical study of learning‐to‐rank for spare parts consumption in the repair process | |
CN114580792B (zh) | 膨化机工作状态识别方法、装置、计算机设备、存储介质 | |
CN116109233A (zh) | 一种农药出入库管理方法和系统 | |
CN111652323B (zh) | 水质监测方法、装置及服务器 |
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 | ||
TR01 | Transfer of patent right |
Effective date of registration: 20230613 Address after: 518000 No. 6, Shekou Gongye 4th Road, Nanshan District, Shenzhen, Guangdong Patentee after: Zhengda Kangdi agriculture and animal husbandry Group Co.,Ltd. Address before: 523142 Dongguan Zhengda Kangdi Feed Co., Ltd., Xinsha Industrial Park, Zhangpeng Village, Machong Town, Dongguan City, Guangdong Province Patentee before: Dongguan Zhengda Kangdi Feed Co.,Ltd. |
|
TR01 | Transfer of patent right |