【技術實現步驟摘要】
本專利技術涉及白酒發酵領域，具體涉及一種白酒發酵質量的預測評估方法及系統。
技術介紹
1、酒醅發酵過程質量最顯著的體現就是基酒的品質，而白酒生香主要源于發酵過程的生化反應所產生的醇類、酯類、酸類、醛類、酚類等化學物質的種類和含量，這些化學物質對酒醅發酵質量有著重要影響。
2、目前，對白酒發酵質量進行預測評估通常采用化學分析方法；傳統的化學分析方法，如氣相色譜、液相色譜和光譜分析，對設備的要求較高，操作復雜，需具備專業技能的人員進行操作，通常還需要復雜的樣品前處理步驟，這不僅增加了實驗的時間和消耗，還可能引入人為誤差。此外，這些方法往往只能分析樣品中的某些特定成分，而難以全面反映發酵過程中的多種物質變化，限制了對發酵質量的可靠評估。
3、因此，需要一種新的白酒發酵質量預測評估技術，能夠顯著降低人為干擾，利用網絡模型快速獲取評價參數，實現對發酵質量的可靠有效評估。
技術實現思路
1、有鑒于此，本專利技術的目的是克服現有技術中的缺陷，提供白酒發酵質量的預測評估方法及系統，能夠顯著降低人為干擾，利用網絡模型快速獲取評價參數，實現對發酵質量的可靠有效評估。
2、本專利技術的白酒發酵質量的預測評估方法，包括：
3、采集酒醅發酵過程的環境參數，獲取發酵質量的評價參數；
4、構建發酵質量評價模型，將環境參數以及評價參數作為樣本數據輸入到發酵質量評價模型，進行網絡模型的訓練，得到訓練好的評價模型；
5、將酒醅發酵過程中待測的環境
6、利用預測的評價參數對發酵質量進行評估，得到評估結果。
7、進一步，所述環境參數包括溫度、濕度、二氧化碳以及ph值；所述評價參數包括總酸、總酯以及總醇。
8、進一步，所述發酵質量評價模型包括圖卷積網絡、時間卷積網絡以及注意力機制；
9、所述圖卷積網絡通過在非歐氏空間的圖結構上定義卷積操作，捕捉節點之間的復雜關系，提取空間特征；所述圖卷積網絡將環境參數作為圖中的節點，環境參數之間的相互作用通過邊來表示，通過聚合鄰居節點的信息更新每個節點的特征表示；
10、所述時間卷積網絡利用了卷積神經網絡的并行計算能力，并引入時間維度上的卷積操作；所述時間卷積網絡通過對圖卷積網絡輸出的空間特征進行時間維度上的進一步分析，提取時間特征，并將其與空間特征相結合，為最終的預測提供時間序列上的洞察；
11、所述注意力機制為空間特征與時間特征進行融合后的特征計算權重，并對加權信息綜合考慮，增強發酵質量評價模型對重要特征的敏感度。
12、進一步，所述圖卷積網絡以圖g(x,a)為輸入，經過圖卷積操作，對節點特征信息矩陣x進行更新，經過非線性激活函數，得到新的圖g(xk,a)，最終輸出為圖g(x',a)；其中，x和xk中節點特征具有不同的維數，隱藏層節點特征維數為d。
13、進一步，所述時間卷積網絡包括一維全卷積、因果卷積、擴張卷積以及殘差連接；
14、所述時間卷積網絡通過一維全卷積產生與輸入序列相同長度的輸出序列，來保留輸入數據的信息；所述時間卷積網絡通過設置因果卷積，使得當前的卷積結果只取決于現在和以前的輸入；
15、所述擴張卷積通過增加卷積核的點的間隔數量使時間卷積網絡獲得更大的感受野，使輸入信息更快的被提取；
16、所述殘差連接用于訓練深層網絡，使網絡跨層傳遞信息；所述殘差連接的輸出包括輸入信息和卷積運算的輸出信息。
17、一種白酒發酵質量的預測評估系統，包括參數采集單元、模型訓練單元以及質量評估單元；
18、所述參數采集單元，用于采集酒醅發酵過程的環境參數，獲取發酵質量的評價參數；
19、所述模型訓練單元，用于構建發酵質量評價模型，將環境參數以及評價參數作為樣本數據輸入到發酵質量評價模型，進行網絡模型的訓練，得到訓練好的評價模型；
20、所述質量評估單元，用于將酒醅發酵過程中待測的環境參數輸入到訓練好的評價模型，輸出預測的評價參數；利用預測的評價參數對發酵質量進行評估，得到評估結果。
21、進一步，所述環境參數包括溫度、濕度、二氧化碳以及ph值；所述評價參數包括總酸、總酯以及總醇。
22、進一步，所述發酵質量評價模型包括圖卷積網絡、時間卷積網絡以及注意力機制；
23、所述圖卷積網絡通過在非歐氏空間的圖結構上定義卷積操作，捕捉節點之間的復雜關系，提取空間特征；所述圖卷積網絡將環境參數作為圖中的節點，環境參數之間的相互作用通過邊來表示，通過聚合鄰居節點的信息更新每個節點的特征表示；
24、所述時間卷積網絡利用了卷積神經網絡的并行計算能力，并引入時間維度上的卷積操作；所述時間卷積網絡通過對圖卷積網絡輸出的空間特征進行時間維度上的進一步分析，提取時間特征，并將其與空間特征相結合，為最終的預測提供時間序列上的洞察；
25、所述注意力機制為空間特征與時間特征進行融合后的特征計算權重，并對加權信息綜合考慮，增強發酵質量評價模型對重要特征的敏感度。
26、進一步，所述圖卷積網絡以圖g(x,a)為輸入，經過圖卷積操作，對節點特征信息矩陣x進行更新，經過非線性激活函數，得到新的圖g(xk,a)，最終輸出為圖g(x',a)；其中，x和xk中節點特征具有不同的維數，隱藏層節點特征維數為d。
27、進一步，所述時間卷積網絡包括一維全卷積、因果卷積、擴張卷積以及殘差連接；
28、所述時間卷積網絡通過一維全卷積產生與輸入序列相同長度的輸出序列，來保留輸入數據的信息；所述時間卷積網絡通過設置因果卷積，使得當前的卷積結果只取決于現在和以前的輸入；
29、所述擴張卷積通過增加卷積核的點的間隔數量使時間卷積網絡獲得更大的感受野，使輸入信息更快的被提取；
30、所述殘差連接用于訓練深層網絡，使網絡跨層傳遞信息；所述殘差連接的輸出包括輸入信息和卷積運算的輸出信息。
31、本專利技術的有益效果是：本專利技術公開的一種白酒發酵質量的預測評估方法及系統，構建融合了圖卷積網絡(gcn)、時間卷積網絡(tcn)，注意力機制(attention?mechanism)的gcn-tcn-attention改進模型，這種結合使得模型能夠更全面地理解和預測時空數據的復雜性，同時捕捉發酵過程中的復雜空間交互關系和時間動態變化；引入軟attention機制，使得改進模型能夠更精準地識別并強調對預測結果影響較大的特征，從而提升模型的預測精度和魯棒性。本專利技術顯著降低了人為干擾，利用上述改進模型能夠快速獲取評價參數，從而實現對發酵質量的可靠有效評估。
本文檔來自技高網...【技術保護點】
1.一種白酒發酵質量的預測評估方法，其特征在于：包括：
2.根據權利要求1所述的白酒發酵質量的預測評估方法，其特征在于：所述環境參數包括溫度、濕度、二氧化碳以及pH值；所述評價參數包括總酸、總酯以及總醇。
3.根據權利要求1所述的白酒發酵質量的預測評估方法，其特征在于：所述發酵質量評價模型包括圖卷積網絡、時間卷積網絡以及注意力機制；
4.根據權利要求3所述的白酒發酵質量的預測評估方法，其特征在于：所述圖卷積網絡以圖G(X,A)為輸入，經過圖卷積操作，對節點特征信息矩陣X進行更新，經過非線性激活函數，得到新的圖G(Xk,A)，最終輸出為圖G(X',A)；其中，X和Xk中節點特征具有不同的維數，隱藏層節點特征維數為d。
5.根據權利要求3所述的白酒發酵質量的預測評估方法，其特征在于：所述時間卷積網絡包括一維全卷積、因果卷積、擴張卷積以及殘差連接；
6.一種白酒發酵質量的預測評估系統，其特征在于：包括參數采集單元、模型訓練單元以及質量評估單元；
7.根據權利要求6所述的白酒發酵質量的預測評估系統，其特征在于：所述環
8.根據權利要求6所述的白酒發酵質量的預測評估系統，其特征在于：所述發酵質量評價模型包括圖卷積網絡、時間卷積網絡以及注意力機制；
9.根據權利要求8所述的白酒發酵質量的預測評估系統，其特征在于：所述圖卷積網絡以圖G(X,A)為輸入，經過圖卷積操作，對節點特征信息矩陣X進行更新，經過非線性激活函數，得到新的圖G(Xk,A)，最終輸出為圖G(X',A)；其中，X和Xk中節點特征具有不同的維數，隱藏層節點特征維數為d。
10.根據權利要求8所述的白酒發酵質量的預測評估系統，其特征在于：所述時間卷積網絡包括一維全卷積、因果卷積、擴張卷積以及殘差連接；
...【技術特征摘要】
1.一種白酒發酵質量的預測評估方法，其特征在于：包括：
2.根據權利要求1所述的白酒發酵質量的預測評估方法，其特征在于：所述環境參數包括溫度、濕度、二氧化碳以及ph值；所述評價參數包括總酸、總酯以及總醇。
3.根據權利要求1所述的白酒發酵質量的預測評估方法，其特征在于：所述發酵質量評價模型包括圖卷積網絡、時間卷積網絡以及注意力機制；
4.根據權利要求3所述的白酒發酵質量的預測評估方法，其特征在于：所述圖卷積網絡以圖g(x,a)為輸入，經過圖卷積操作，對節點特征信息矩陣x進行更新，經過非線性激活函數，得到新的圖g(xk,a)，最終輸出為圖g(x',a)；其中，x和xk中節點特征具有不同的維數，隱藏層節點特征維數為d。
5.根據權利要求3所述的白酒發酵質量的預測評估方法，其特征在于：所述時間卷積網絡包括一維全卷積、因果卷積、擴張卷積以及殘差連接；
6.一種白酒發酵...
【專利技術屬性】
技術研發人員：周軍超，劉璇，杜林，唐永清，楊行，鐘靜，
申請(專利權)人：成渝地區雙城經濟圈瀘州先進技術研究院，
類型：發明
國別省市：
還沒有人留言評論。發表了對其他瀏覽者有用的留言會獲得科技券。