申请/专利权人：青岛科技大学;青岛科达未来生物科技有限公司

申请日：2024-01-10

公开（公告）日：2024-03-22

公开（公告）号：CN117540282B

主分类号：G06F18/241

分类号：G06F18/241;G06F18/214;G06N3/0455;G06N3/08

优先权：

专利状态码：有效-授权

法律状态：2024.03.22#授权;2024.03.01#实质审查的生效;2024.02.09#公开

摘要：本发明提供一种变温环境下水产品货架期高精度预测方法，包括：构建并训练基于深度学习的用于货架期预测的Facformer模型；获取待预测的水产品；测定水产品在连续p天内的温度、菌落总数和TVB‑N；记录水产品从p到q天内的温度数据，将连续p天内的温度、菌落总数和TVB‑N的数据、以及p到q天内的温度数据导入到预先训练好的Facformer模型进行推理，得到水产品在变温环境下的菌落总数预测值、TVB‑N的预测值和货架期的预测值。本发明方案的Facformer模型用于推理的历史数据较少，数据采集所需时间跨度少、周期短、实验可重复性强，与传统的基于数据拟合的货架期预测模型相比准确率显著提升。

主权项：1.一种变温环境下水产品货架期高精度预测方法，其特征在于，包括：预先构建并训练Facformer模型，用以预测水产品货架期；获取待预测的水产品；测定水产品在连续p天内的温度、菌落总数和TVB-N，并进行记录；记录水产品从p到q（q＞p）天内的温度数据，将连续p天内的温度、菌落总数和TVB-N的数据、以及p到q天内的温度数据导入到预先训练好的Facformer模型进行推理，得到变温条件下的水产品菌落总数和TVB-N的预测值；将水产品中的TVB-N和菌落总数的限定标准输入到Facformer模型中，通过与预测得到的水产品菌落总数和TVB-N进行对比，得到变温条件下水产品货架期的预测值；所述预先构建并训练Facformer模型，包括：准备水产品，并去除水产品的外壳、内脏和骨刺，取可食用部分；将水产品放置在4℃~40℃中随机m个温度的恒温培养箱中，每日固定时间取样并测定样品在不同温度条件下菌落总数和TVB-N，连续测样n天，得到包含m×n×2条时序数据；将时序数据划分为训练数据集、验证数据集和测试数据集，并进行标准化处理建立时序数据集；在Python3.7语言环境中定义Facformer模型，Facformer模型主要包括数据Embedding、Encoder编码器和Decoder解码器三部分；Facformer模型的数据Embedding步骤如下：将时序数据集中的菌落总数和TVB-N的测定值经Valueembedding随机向量化后，采用Positionembedding恢复水产品贮藏过程中的时序信息，将两者升维后相加得Basicembedding，并将时序数据转化为特征矩阵；通过Markembedding增加水产品在贮藏过程中的温度信息，并将温度数据转化为特征矩阵，Basicembedding和Markembedding相加得Totalembedding，并将其转化为特征矩阵；Facformer模型的Encoder编码器建立步骤如下：Facformer的输入端由3个并行的Encoderblock构成，分别用于计算经Basicembedding、Markembedding和Totalembedding得到的特征矩阵的权重系数；相应的输入矩阵经不同的权值矩阵WQ、WK和WV分别线性化为Query矩阵Q、Key矩阵K和Value矩阵V，将矩阵Q和矩阵K进行点积运算，得到水产品菌落总数和TVB-N的相应得分；对得分采用softmax激活函数归一化处理得加权系数矩阵，乘以每个位置对应的矩阵V，相加后得到Attention层的输出矩阵；经多头自注意力机制得到的Attention矩阵，经AddNormalize网格层归一化，经残差神经网络与Attention层前的特征矩阵相加，经过FeedForward层中的全连接层升维后，引用Relu函数降维，得到一个包含输入矩阵中时间-温度-菌落总数-TVB-N相应权重的Encoder编码器；Facformer模型的Decoder解码器建立步骤如下：Facformer的输出端由3个并行的Decoderblock构成，每个block含有两层Multi-HeadAttention；基于Basicembedding和Totalembedding得到的预测矩阵在输入第一层Multi-HeadAttention时经过Mask矩阵对时序数据进行遮盖；将经过Mask的预测矩阵经过Masked-Multi-HeadAttention层时生成的Q矩阵向下传递，并将其与Encoder编码器中传递过来的矩阵K和矩阵V在第二层Multi-HeadAttention计算待预测时序数据的实际权重，并与Encoder编码器对比；对Markembedding得到的预测矩阵不采用Mask矩阵遮掩，直接将带有未来温度信息的Q矩阵继续向下层传递，通过FacAttention机制完成对该部分时序数据的解码；Facformer模型的残差神经网络和协同预测：基于残差神经网络将水产品时序数据集的原始输入矩阵XP、基于Masked-Multi-HeadAttention的预测矩阵（XP1）、基于卷积神经网络对实验结果直接进行数据拟合的预测矩阵（XP2）以及经过FacAttention机制得到的预测矩阵（XP3）在更高的维度上相加，同时通过协同预测的Mark数据（XPM”和XXPM”）共同解码未来变温条件下水产品品质的真实权重信息，最后通过一个全连接神经网络和softmax层将权重信息重新映射为真实的时序数据；确定Facformer模型步骤如下：在训练阶段将训练数据集输入到Facformer模型，对模型超参数进行训练；在验证阶段将验证数据集输入到训练的Facformer模型中，来微调超参数；在测试阶段将测试数据集输入到构建好的Facformer模型中，使用平均绝对误差（MAE）、均方误差（MSE）、均方根误差（RMSE）、平均绝对百分比误差（MAPE）和均方百分比误差（MSPE）评估模型预测性能，获得Facformer模型。

全文数据：

权利要求：

百度查询： 青岛科技大学;青岛科达未来生物科技有限公司 一种变温环境下水产品货架期高精度预测方法

免责声明
1、本报告根据公开、合法渠道获得相关数据和信息，力求客观、公正，但并不保证数据的最终完整性和准确性。
2、报告中的分析和结论仅反映本公司于发布本报告当日的职业理解，仅供参考使用，不能作为本公司承担任何法律责任的依据或者凭证。

阅读全文 双屏查看 官方信息 专利公告 收藏专利 下载PDF 下载WORD