【技术实现步骤摘要】
本专利技术涉及白酒发酵领域，具体涉及一种白酒发酵质量的预测评估方法及系统。
技术介绍
1、酒醅发酵过程质量最显著的体现就是基酒的品质，而白酒生香主要源于发酵过程的生化反应所产生的醇类、酯类、酸类、醛类、酚类等化学物质的种类和含量，这些化学物质对酒醅发酵质量有着重要影响。
2、目前，对白酒发酵质量进行预测评估通常采用化学分析方法；传统的化学分析方法，如气相色谱、液相色谱和光谱分析，对设备的要求较高，操作复杂，需具备专业技能的人员进行操作，通常还需要复杂的样品前处理步骤，这不仅增加了实验的时间和消耗，还可能引入人为误差。此外，这些方法往往只能分析样品中的某些特定成分，而难以全面反映发酵过程中的多种物质变化，限制了对发酵质量的可靠评估。
3、因此，需要一种新的白酒发酵质量预测评估技术，能够显著降低人为干扰，利用网络模型快速获取评价参数，实现对发酵质量的可靠有效评估。
技术实现思路
1、有鉴于此，本专利技术的目的是克服现有技术中的缺陷，提供白酒发酵质量的预测评估方法及系统，能够显著降低人为干扰，利用网络模型快速获取评价参数，实现对发酵质量的可靠有效评估。
2、本专利技术的白酒发酵质量的预测评估方法，包括：
3、采集酒醅发酵过程的环境参数，获取发酵质量的评价参数；
4、构建发酵质量评价模型，将环境参数以及评价参数作为样本数据输入到发酵质量评价模型，进行网络模型的训练，得到训练好的评价模型；
5、将酒醅发酵过程中待测的环境
6、利用预测的评价参数对发酵质量进行评估，得到评估结果。
7、进一步，所述环境参数包括温度、湿度、二氧化碳以及ph值；所述评价参数包括总酸、总酯以及总醇。
8、进一步，所述发酵质量评价模型包括图卷积网络、时间卷积网络以及注意力机制；
9、所述图卷积网络通过在非欧氏空间的图结构上定义卷积操作，捕捉节点之间的复杂关系，提取空间特征；所述图卷积网络将环境参数作为图中的节点，环境参数之间的相互作用通过边来表示，通过聚合邻居节点的信息更新每个节点的特征表示；
10、所述时间卷积网络利用了卷积神经网络的并行计算能力，并引入时间维度上的卷积操作；所述时间卷积网络通过对图卷积网络输出的空间特征进行时间维度上的进一步分析，提取时间特征，并将其与空间特征相结合，为最终的预测提供时间序列上的洞察；
11、所述注意力机制为空间特征与时间特征进行融合后的特征计算权重，并对加权信息综合考虑，增强发酵质量评价模型对重要特征的敏感度。
12、进一步，所述图卷积网络以图g(x,a)为输入，经过图卷积操作，对节点特征信息矩阵x进行更新，经过非线性激活函数，得到新的图g(xk,a)，最终输出为图g(x',a)；其中，x和xk中节点特征具有不同的维数，隐藏层节点特征维数为d。
13、进一步，所述时间卷积网络包括一维全卷积、因果卷积、扩张卷积以及残差连接；
14、所述时间卷积网络通过一维全卷积产生与输入序列相同长度的输出序列，来保留输入数据的信息；所述时间卷积网络通过设置因果卷积，使得当前的卷积结果只取决于现在和以前的输入；
15、所述扩张卷积通过增加卷积核的点的间隔数量使时间卷积网络获得更大的感受野，使输入信息更快的被提取；
16、所述残差连接用于训练深层网络，使网络跨层传递信息；所述残差连接的输出包括输入信息和卷积运算的输出信息。
17、一种白酒发酵质量的预测评估系统，包括参数采集单元、模型训练单元以及质量评估单元；
18、所述参数采集单元，用于采集酒醅发酵过程的环境参数，获取发酵质量的评价参数；
19、所述模型训练单元，用于构建发酵质量评价模型，将环境参数以及评价参数作为样本数据输入到发酵质量评价模型，进行网络模型的训练，得到训练好的评价模型；
20、所述质量评估单元，用于将酒醅发酵过程中待测的环境参数输入到训练好的评价模型，输出预测的评价参数；利用预测的评价参数对发酵质量进行评估，得到评估结果。
21、进一步，所述环境参数包括温度、湿度、二氧化碳以及ph值；所述评价参数包括总酸、总酯以及总醇。
22、进一步，所述发酵质量评价模型包括图卷积网络、时间卷积网络以及注意力机制；
23、所述图卷积网络通过在非欧氏空间的图结构上定义卷积操作，捕捉节点之间的复杂关系，提取空间特征；所述图卷积网络将环境参数作为图中的节点，环境参数之间的相互作用通过边来表示，通过聚合邻居节点的信息更新每个节点的特征表示；
24、所述时间卷积网络利用了卷积神经网络的并行计算能力，并引入时间维度上的卷积操作；所述时间卷积网络通过对图卷积网络输出的空间特征进行时间维度上的进一步分析，提取时间特征，并将其与空间特征相结合，为最终的预测提供时间序列上的洞察；
25、所述注意力机制为空间特征与时间特征进行融合后的特征计算权重，并对加权信息综合考虑，增强发酵质量评价模型对重要特征的敏感度。
26、进一步，所述图卷积网络以图g(x,a)为输入，经过图卷积操作，对节点特征信息矩阵x进行更新，经过非线性激活函数，得到新的图g(xk,a)，最终输出为图g(x',a)；其中，x和xk中节点特征具有不同的维数，隐藏层节点特征维数为d。
27、进一步，所述时间卷积网络包括一维全卷积、因果卷积、扩张卷积以及残差连接；
28、所述时间卷积网络通过一维全卷积产生与输入序列相同长度的输出序列，来保留输入数据的信息；所述时间卷积网络通过设置因果卷积，使得当前的卷积结果只取决于现在和以前的输入；
29、所述扩张卷积通过增加卷积核的点的间隔数量使时间卷积网络获得更大的感受野，使输入信息更快的被提取；
30、所述残差连接用于训练深层网络，使网络跨层传递信息；所述残差连接的输出包括输入信息和卷积运算的输出信息。
31、本专利技术的有益效果是：本专利技术公开的一种白酒发酵质量的预测评估方法及系统，构建融合了图卷积网络(gcn)、时间卷积网络(tcn)，注意力机制(attention mechanism)的gcn-tcn-attention改进模型，这种结合使得模型能够更全面地理解和预测时空数据的复杂性，同时捕捉发酵过程中的复杂空间交互关系和时间动态变化；引入软attention机制，使得改进模型能够更精准地识别并强调对预测结果影响较大的特征，从而提升模型的预测精度和鲁棒性。本专利技术显著降低了人为干扰，利用上述改进模型能够快速获取评价参数，从而实现对发酵质量的可靠有效评估。
本文档来自技高网...【技术保护点】
1.一种白酒发酵质量的预测评估方法，其特征在于：包括：
2.根据权利要求1所述的白酒发酵质量的预测评估方法，其特征在于：所述环境参数包括温度、湿度、二氧化碳以及pH值；所述评价参数包括总酸、总酯以及总醇。
3.根据权利要求1所述的白酒发酵质量的预测评估方法，其特征在于：所述发酵质量评价模型包括图卷积网络、时间卷积网络以及注意力机制；
4.根据权利要求3所述的白酒发酵质量的预测评估方法，其特征在于：所述图卷积网络以图G(X,A)为输入，经过图卷积操作，对节点特征信息矩阵X进行更新，经过非线性激活函数，得到新的图G(Xk,A)，最终输出为图G(X',A)；其中，X和Xk中节点特征具有不同的维数，隐藏层节点特征维数为d。
5.根据权利要求3所述的白酒发酵质量的预测评估方法，其特征在于：所述时间卷积网络包括一维全卷积、因果卷积、扩张卷积以及残差连接；
6.一种白酒发酵质量的预测评估系统，其特征在于：包括参数采集单元、模型训练单元以及质量评估单元；
7.根据权利要求6所述的白酒发酵质量的预测评估系统，其特征在于：所述环
8.根据权利要求6所述的白酒发酵质量的预测评估系统，其特征在于：所述发酵质量评价模型包括图卷积网络、时间卷积网络以及注意力机制；
9.根据权利要求8所述的白酒发酵质量的预测评估系统，其特征在于：所述图卷积网络以图G(X,A)为输入，经过图卷积操作，对节点特征信息矩阵X进行更新，经过非线性激活函数，得到新的图G(Xk,A)，最终输出为图G(X',A)；其中，X和Xk中节点特征具有不同的维数，隐藏层节点特征维数为d。
10.根据权利要求8所述的白酒发酵质量的预测评估系统，其特征在于：所述时间卷积网络包括一维全卷积、因果卷积、扩张卷积以及残差连接；
...【技术特征摘要】
1.一种白酒发酵质量的预测评估方法，其特征在于：包括：
2.根据权利要求1所述的白酒发酵质量的预测评估方法，其特征在于：所述环境参数包括温度、湿度、二氧化碳以及ph值；所述评价参数包括总酸、总酯以及总醇。
3.根据权利要求1所述的白酒发酵质量的预测评估方法，其特征在于：所述发酵质量评价模型包括图卷积网络、时间卷积网络以及注意力机制；
4.根据权利要求3所述的白酒发酵质量的预测评估方法，其特征在于：所述图卷积网络以图g(x,a)为输入，经过图卷积操作，对节点特征信息矩阵x进行更新，经过非线性激活函数，得到新的图g(xk,a)，最终输出为图g(x',a)；其中，x和xk中节点特征具有不同的维数，隐藏层节点特征维数为d。
5.根据权利要求3所述的白酒发酵质量的预测评估方法，其特征在于：所述时间卷积网络包括一维全卷积、因果卷积、扩张卷积以及残差连接；
6.一种白酒发酵...
【专利技术属性】
技术研发人员：周军超，刘璇，杜林，唐永清，杨行，钟静，
申请(专利权)人：成渝地区双城经济圈泸州先进技术研究院，
类型：发明
国别省市：
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。