一种预测酱香型白酒基酒产量的机器学习多模型融合方法技术

本方案公开了白酒酿造生成技术领域的一种预测酱香型白酒基酒产量的机器学习多模型融合方法，包括以下步骤：步骤一，酒醅和大曲常规理化指标检测；步骤二，数据预处理；步骤三，基础模型的构建与调优；步骤四，融合模型的构建；步骤五，模型性能评估；步骤六，模型预测值与真实值比较：通过回归拟合优度图和测值与实际值的折线对比图，直观地分析每个模型的拟合效果、预测误差以及模型在不同样本上的表现优劣。步骤七，预测应用。本方案中的方法通过对酱香型白酒发酵中酒醅、大曲进行理化指标检测后，进行多模型融合预测酱香型白酒产量，实现了对酱香型白酒产量的预测，具有准确性好和稳定性高且经济成本低等优势。

【技术实现步骤摘要】

本专利技术涉及白酒酿造生成，特别涉及一种预测酱香型白酒基酒产量的机器学习多模型融合方法。

技术介绍

1、酱香型白酒是中国十二种香型白酒中的典型代表，独特和复杂多序的酿造工艺造就了酱香型白酒酒体醇厚、酱香突出、幽雅细腻和空杯留香持久等特点。复杂多序的酿造工艺中以“高温制曲”和“堆积发酵”工艺最为关键，其中曲块和酒醅中的酸度、糖分、水分、淀粉等理化参数能够通过影响白酒发酵过程中产酒微生物的内源生态环境，间接调控微生物的群体代谢功能差异，从而直接决定生产实际过程中白酒产量高低。然而，现目前整个白酒酿造行业对于白酒产量的预测和调控过度依赖与人工经验判定，亟需开发一种客观和精确预测模型对酱香型白酒产量进行预测和调控改善。

2、现有的预测白酒产量的的相关模型构建应用，如在专利号为202210818695.9、专利名称为“一种白酒发酵产量的预测方法”的中国专利技术专利提供了一种基于酒醅堆积时长和不同窖池深度酒醅的发酵温度预测白酒产量的方法，该方法是通过构建应用gradientboosting预测模型进行白酒产量预测，但这种预测方法中模型特征数据仅限于酒醅，并本文档来自技高网...

【技术保护点】

1.一种预测酱香型白酒基酒产量的机器学习多模型融合方法，其特征在于：包括以下步骤：

2.根据权利要求1所述的一种预测酱香型白酒基酒产量的机器学习多模型融合方法，其特征在于：步骤一中酒醅样品来自于酱香型白酒生产实际中堆积发酵酒醅，大曲样品来自于酱香型白酒生产用曲。

3.根据权利要求2所述的一种预测酱香型白酒基酒产量的机器学习多模型融合方法，其特征在于：所述步骤二中特征选择将将数据集中的特征和目标变量分离，X包含了特征数据，y是目标变量；特征标准化使用StandardScaler函数对特征数据X进行标准化，使每个特征的均值为0，方差为1，数据集按80％训练集和20％测...

【技术特征摘要】

1.一种预测酱香型白酒基酒产量的机器学习多模型融合方法，其特征在于：包括以下步骤：

2.根据权利要求1所述的一种预测酱香型白酒基酒产量的机器学习多模型融合方法，其特征在于：步骤一中酒醅样品来自于酱香型白酒生产实际中堆积发酵酒醅，大曲样品来自于酱香型白酒生产用曲。

3.根据权利要求2所述的一种预测酱香型白酒基酒产量的机器学习多模型融合方法，其特征在于：所述步骤二中特征选择将将数据集中的特征和目标变量分离，x包含了特征数据，y是目标变量；特征标准化使用standardscaler函数对特征数据x进行标准化，使每个特征的均值为0，方差为1，数据集按80％训练集和20％测试集进行划分。

4.根据权利要求3所述的一种预测酱香型白酒基酒产量的机器学习多模型融合方法，其特征在于：所述步骤三中超参数调优使用gridsearchcv对每个基础模型进行超参数搜索，选取最优参数组合，优化模型性能，并对调优参数使用交叉验证方法cv＝3确保模型的稳健性。

5.根据权利要求4所述的一种预测酱香型白酒基酒产量的机器学习多模型融合方法，其特征在于：所述步骤四中融合模型还添加了extratrees和ridge回归模型，randomforest：随机森林使用4000棵树，树的最大深度为18，并调整了划分节点所需的最小样本数；gradientboosting：设置3000棵树，最大深度为10，学习率较小(0.02)，提高了模型的泛化能力；extratrees：类似于随机森林，使用了随机特征的完全随机划分来建立决策树；通过3000棵树，最大深度为18，ridge：...

【专利技术属性】
技术研发人员：杨亮，李帅，张春林，邱树毅，
申请(专利权)人：茅台学院，
类型：发明
国别省市：