基于神经网络参数优化的食品工业数据建模系统的制作方法

1.本发明涉及大数据技术和智能工厂技术领域，具体涉及一种基于神经网络参数优化的食品工业数据建模系统。


背景技术：

2.玉米是世界三大粮食作物之一，通过对玉米进行深加工可以获取淀粉、蛋白、纤维、脂肪等一系列有价值的产品。其中的淀粉产品经过进一步酶解异构，分离纯化后可以得到果葡糖浆、葡萄糖浆等淀粉糖产品，广泛应用于食品添加剂行业。
3.目前，湿磨法是加工玉米获得淀粉及其他副产品的主要生产方法，指在湿态下将玉米成分进行分离，利用多种物化工程加工的方法，分离各种非淀粉组分而提出淀粉的工艺过程。异构酶解法加工淀粉是生产果葡糖浆的主要方法，其原理是利用淀粉酶将淀粉水解成葡萄糖后，加入异构酶将葡萄糖转化为果糖，在经由一系列的物化工艺纯化分离，得到含有不同比例果糖和葡萄糖的糖浆。
4.从玉米到淀粉，再到淀粉糖的整个加工体系因其涉及较长的工艺路线，复杂的流程控制，导致产品质量不稳定、工艺成本波动、生产工况变动频繁、原料利用率偏低等一系列问题。从原料进厂开始，国内玉米经过生长发育、收货、加工、运输等环节，就会形成较大品质差异，加工厂收购玉米原料开展加工过程中，各个环节的各个工艺控制参数条件波动进一步影响产品的生产质量和运维成本。因此，有必要针对从原料到工业生产过程控制中的多种参数信息进行大数据规模的整合优化分析，从全周期的视角调整淀粉、淀粉糖的加工工艺，才能最大化提高淀粉的质量品质，实现淀粉、淀粉糖产业提质增效。
5.智慧工厂是现代工厂信息化发展的新阶段。在工厂普遍实现数字化监控和记录的基础上，充分挖掘数据本身包含的大量有用信息，开发利用隐藏在数据背后的潜在价值，通过建立基于大数据分析的生产管理模拟系统，帮助生产管理部门提前预测原料来源、产品需求等外界因素的变化对生产结果的影响，形成“以数据驱动决策”的全新信息化决策机制，并为下一步通过优化生产工艺实现降本增效奠定基础。
6.智慧工厂目的是实现“数字孪生”，通过数据和模型层面的架构反映工厂实际生产过程的信息，并根据模型层面的运算结果指导实际生产。其中模型的建立需要依赖于历史数据，运用大数据技术提取历史数据中的信息，构建数学模型。实现“数字孪生”大体可以分成以下四个步骤：
7.1.历史数据采集：对企业系统数据、工厂设备数据、传感器数据、手动记录数据、厂区管理数据等多方工业企业数据进行采集。
8.2.数据预处理：包括过滤脏数据与噪音、解决数据的多源异构、找回丢失的数据以及修正错误的数据等。同时，还要根据用途，对数据进行分割、分解、分类，为下一步的算法建模做好准备。
9.3、算法建模：通过智能算法对所收集并预处理完成的历史数据进行快速建模，该模型可以是描述模型、预测模型或优化模型。
10.4、模型应用：将已经建立的算法模型，打包成可以直接运行的软件包，并集成到生产系统中，进行实时数据的预测，完成数据智能应用的闭环。
11.传统的bp神经网络模型采用梯度下降法更新神经元的权值，梯度下降法对权值选取的要求较高，设置不良的话有可能使得算法陷入局部最优，无法达到更好的训练效果。


技术实现要素：

12.本发明的目的是提供基于神经网络参数优化的食品工业数据建模方法及系统，其可针对多种复杂的食品工业过程，充分挖掘数据本身包含的大量有用信息，开发利用隐藏在数据背后的潜在价值，优化生产、管理和服务的食品工业基础及环境。
13.为了实现上述目的，本发明第一方面提供了一种基于神经网络参数优化的食品工业数据建模方法，包括：
14.获取食品工业过程的多个位点的现场生产数据，以及受所述多个位点的现场生产数据所影响的过程终点的生产结果数据；构建以所述多个位点为输入参数，所述过程终点为输出参数的神经网络模型，以所述现场生产数据及其对应的生产结果数据为训练样本，对所述神经网络模型进行训练；从训练好的神经网络模型中获取所述多个位点对应的权重系数，根据所述权重系数从所述多个位点中选择关键位点建立所述食品工业过程的模型。
15.优选的，在获取食品工业过程的多个位点的现场生产数据之后，所述食品工业数据建模方法还包括：对所述现场生产数据进行数据清洗；对数据清洗后的现场生产数据进行数据预处理；以及对预处理后的现场生产数据进行特征提取，特征提取后的现场生产数据用于输入至所述神经网络模型。
16.优选的，所述对所述现场生产数据进行数据清洗，包括：剔除所述现场生产数据中的文字描述类信息；以及将所述现场生产数据的时间间隔进行统一。
17.优选的，所述对数据清洗后的现场生产数据进行数据预处理，包括：筛选出数据清洗后的现场生产数据中的缺失值或异常值，对所述缺失值进行插补，对所述异常值进行删除或用插补法进行补充；以及并对所述数据清洗后的现场生产数据进行降噪处理。
18.优选的，所述对预处理后的现场生产数据进行特征提取，包括：采用lasso回归法对所述预处理后的现场生产数据进行处理，得到对应的特征向量。
19.优选的，所述神经网络模型的权重系数的初始值通过遗传算法进行确定。
20.优选的，从所述训练好的神经网络模型中获取所述多个位点对应的权重系数，包括：对所述训练好的神经网络模型中的每层神经元到下一层神经元对应的权值进行归一化处理；利用olden权值连接法将对应神经元的权值相乘并求和；进而计算出作为输入参数的多个位点相对于所述过程终点的权重系数。
21.在本发明的第二方面，还提供了一种基于神经网络参数优化的食品工业数据建模系统，包括：数据采集模块，用于获取食品工业过程的多个位点的现场生产数据，以及受所述多个位点的现场生产数据所影响的过程终点的生产结果数据；神经网络建模模块，用于构建以所述多个位点为输入参数，所述过程终点为输出参数的神经网络模型，以所述现场生产数据及其对应的生产结果数据为训练样本，对所述神经网络模型进行训练；以及位点筛选模块，用于从所述训练好的神经网络模型中获取所述多个位点对应的权重系数，根据所述权重系数从所述多个位点中选择关键位点建立所述食品工业过程的模型。
22.优选的，在所述数据采集模块和神经网络建模模块之间，还包括：数据清洗模块，用于对所述现场生产数据进行数据清洗；数据预处理模块，用于对数据清洗后的现场生产数据进行数据预处理；以及特征工程模块；对预处理后的现场生产数据进行特征提取，特征提取后的现场生产数据用于输入至所述神经网络建模模块。
23.优选的，所述对所述现场生产数据进行数据清洗，包括：剔除所述现场生产数据中的文字描述类信息；以及将所述现场生产数据的时间间隔进行统一。
24.优选的，所述对数据清洗后的现场生产数据进行数据预处理，包括：筛选出数据清洗后的现场生产数据中的缺失值或异常值，对所述缺失值进行插补，对所述异常值进行删除或用插补法进行补充；以及并对所述数据清洗后的现场生产数据进行降噪处理。
25.优选的，所述对预处理后的现场生产数据进行特征提取，包括：采用lasso回归法对所述预处理后的现场生产数据进行处理，得到对应的特征向量。
26.优选的，所述神经网络模型的权重系数的初始值通过遗传算法进行确定。
27.优选的，从所述训练好的神经网络模型中获取所述多个位点对应的权重系数，包括：对所述训练好的神经网络模型中的每层神经元到下一层神经元对应的权值进行归一化处理；利用olden权值连接法将对应神经元的权值相乘并求和；进而计算出作为输入参数的多个位点相对于所述过程终点的权重系数。
28.在本发明的第三方面，还提供了一种基于神经网络参数优化的食品工业数据建模设备，所述设备包括存储器、处理器以及存储在所述存储器中并可在所述处理器上运行的计算机程序，所述处理器执行所述计算机程序时实现前述的基于神经网络参数优化的食品工业数据建模方法的步骤。
29.优选的，所述食品工业数据建模设备为服务器。
30.在本发明的第四方面，还提供了一种计算机可读存储介质，存储有计算机指令，当所述计算机指令在计算机上运行时，使得计算机执行前述的基于神经网络参数优化的食品工业数据建模方法。
31.通过上述技术方案，通过本发明实施方式提供的建模方法、系统或设备建立的食品工业过程的模型，能够优化生产、管理和服务，从而实现具体的应用。
32.1)通过数据建模，实现“数字孪生”，依靠模型准确反映工厂实际，并找到对目标参数影响较大关键生产参数，为后面的工艺优化提供依据；
33.2)优化食品工业过程的模型，使过滤压差等指标在满足行业标准的同时，实现降低系统能耗，以及降低物料成本的目的。
34.本发明的其它特征和优点将在随后的具体实施方式部分予以详细说明。
附图说明
35.附图是用来提供对本发明的进一步理解，并且构成说明书的一部分，与下面的具体实施方式一起用于解释本发明，但并不构成对本发明的限制。在附图中：
36.图1为本发明实施方式提供的基于神经网络参数优化的食品工业数据建模方法的流程示意图；
37.图2为本发明实施方式提供的神经网络模型的结构示意图；
38.图3为本发明实施方式提供的通过遗传算法确定权重系数的初始值的流程示意
图；
39.图4为本发明实施方式提供的基于神经网络参数优化的食品工业数据建模系统的结构示意图；
40.图5为本发明另一实施方式提供的基于神经网络参数优化的食品工业数据建模系统的结构示意图；
41.图6为本发明实施方式提供的利用遗传算法确定权重系数的初始值的平均适应度变化图。
具体实施方式
42.以下结合附图对本发明的具体实施方式进行详细说明。应当理解的是，此处所描述的具体实施方式仅用于说明和解释本发明，并不用于限制本发明。
43.图1为本发明实施方式提供的基于神经网络参数优化的食品工业数据建模方法的流程示意图，如图1所示，一种基于神经网络参数优化的食品工业数据建模方法，包括：
44.s01、获取食品工业过程的多个位点的现场生产数据，以及受所述多个位点的现场生产数据所影响的过程终点的生产结果数据；首先需要采集工厂生产运行中的该食品工业过程的现场数据。例如在将玉米加工为淀粉的食品工业过程中，获取的数据包括：玉米上料的分析室记录数据、淀粉车间和果糖车间检测室记录数据、生产过程中导出的dcs数据；所述的玉米上料的分析室记录数据包括玉米的物料称重数据、水含量及霉变粒数据等；所述的淀粉车间和果糖车间检测室记录数据包括，各进料罐物料的浓度及含量数据、各储料罐物料的酸碱度ph数据、物料的外观气味等信息；所述的dcs系统数据包括淀粉生产以及果糖生产各个过程的相应参数，包括各工段中工艺流股的流量数据、各储罐液位数据、各压力容器的压力检测数据或设定数据、各工艺物流的温度检测数据及设备的温度设定数据、各设备的电流数据、部分位点的累积数据等。
45.s02、构建以所述多个位点为输入参数，所述过程终点为输出参数的神经网络模型，以所述多个位点的现场生产数据及其对应的生产结果数据为训练样本，对所述神经网络模型进行训练；利用神经网络构建输入-输出模型，模型的输入为前述的多个位点的现场生产数据，模型的输出为根据选择需要研究的目标位点数据，即过程终点的生产结果数据。该神经网络模型经过训练后，其内部的权值会得到调整，以此得到中的每层神经元到下一层的神经元对应的权值，并根据这些权值进行位点的筛选。
46.s03、从训练好的神经网络模型中获取所述多个位点对应的权重系数，根据所述权重系数从所述多个位点中选择关键位点建立所述食品工业过程的模型。此处的位点筛选的目的是对神经网络建模模块中训练好的神经网络数学模型进行分析，重点分析各个输入位点对目标位点的影响程度。根据该影响程度的大小，反映了目标位点的影响程度，根据其绝对值大小进行排序，排名靠前的位点表明其对目标位点有显著影响。
47.通过以上实施方式，能够找到对目标参数影响较大关键生产参数，为后面的优化提供依据。从而实现充分挖掘数据本身包含的大量有用信息，开发利用隐藏在数据背后的潜在价值，优化生产、管理和服务的食品工业基础及环境。
48.在本发明提供的一些实施方式中，在获取食品工业过程的多个位点的现场生产数据之后，所述食品工业数据建模方法还包括：对所述现场生产数据进行数据清洗；对数据清
洗后的现场生产数据进行数据预处理；以及对预处理后的现场生产数据进行特征提取。大量的现场生产数据可能存在各种不规范的情形，因此需要对这些现场生产数据进行处理，以保证后续步骤的进行。处理的具体细节将在后文详述。
49.在本发明提供的一些实施方式中，所述对所述现场生产数据进行数据清洗，包括：剔除所述现场生产数据中的文字描述类信息；以及将所述现场生产数据的时间间隔进行统一。具体的，对采集到的的数据进行筛查，将无法应用到数学建模过程中的文字描述类信息剔除。以及将数据记录的时间间隔统一，时间间隔大于基准间隔的，通过插补法补充数据；时间间隔小于基准间隔的，通过平均值的方法提取数据。所述的数据格式及时间的统一步骤，以大多数数据所显示的时间间隔作为基准，基于python编写程序实现批量操作，对于手动记录数据实现时间自动划分。
50.对于缺失值采用线性插值法，按照如下公式计算缺失值：
[0051][0052]
其中(x0,y0),(x1,y1)代表数据中的已知点，x表示缺失值对应的时间点，y表示该时间点的补充值。
[0053]
在本发明提供的一些实施方式中，所述对数据清洗后的现场生产数据进行数据预处理，包括：筛选出数据清洗后的现场生产数据中的缺失值或异常值，对所述缺失值进行插补，对所述异常值进行删除或用插补法进行补充；
[0054]
其中，对于异常值的筛选剔除采用箱型图法，将所有时间的数据放入同一个箱中，即此箱子包含全部的采样点。对所述的箱子ai＝[x
i,1
,x
i,2
,
…
x
i,n
]，将箱子中的所有数值由小到大进行排列，得到有序箱a’i
＝[x’i,1
,x’i,2
,
…
x’i,n
]，其中xi代表位点i，n代表采样点的个数；
[0055]
所述的箱型图法通过四分位数来检测异常值，四分位数的位置的计算公式如下：
[0056][0057]
其中l表示四分位数的序号，p
l
表示四分位数的位置，n表示采样点个数，根据四分位数的位置计算相应的四分位数；下四分位数q1又称“较小四分位数”，等于该样本中所有数值由小到大排列后位置位于第25％的数字，所述的下四分位数q1为：
[0058][0059]
其中表示对p1向下取整，表示对p1向上取整，n*表示正整数；上四分位数q3又称“较大四分位数”，等于该样本中所有数值由小到大排列后位置位于第25％的数字，所述的下四分位数q3为：
[0060][0061]
其中表示对p3向下取整，表示对p3向上取整，n*表示正整数；
[0062]
非异常值的下限q
min
和上限q
max
通过四分位距iqr来计算，所述的iqr计算公式为：
iqr＝q
3-q1；
[0063]
则q
min
和q
max
的计算公式分别为：
[0064][0065]
其中m可以根据数据的情况和想要保留的数据个数进行更改，一般将m的值取1.5。
[0066]
本实施方式中的对缺失值的插补可以参考前一实施方式中的计算方法，此处不再重复。
[0067]
以及并对所述数据清洗后的现场生产数据进行降噪处理；数据降噪处理采用“(2n 1点)单纯移动平均”法来平滑滤波进行数据的降噪，其中心思想是：求出以yi为中心的前后各n个数据(yi–n，
…
，yi–1，yi，
…
，y
i n
)求得平均值y
i’代替yi，公式如下：
[0068][0069]
在本发明提供的一些实施方式中，所述对预处理后的现场生产数据进行特征提取，包括：采用lasso回归法对所述预处理后的现场生产数据进行处理，得到对应的特征向量。lasso(least absolute shrinkage and selection operator)是一种处理具有复共线性数据的有偏估计方法。本实施方式采用lasso回归法进行消除原始数据之间的共线性。引入该方法的目的是有效的对存在多重共线性的特征进行筛选，减少数据维度，保留能够准确代表输入数据特征的特征向量。其定义式如下：
[0070][0071]
其中，λ为非负正则参数，控制着模型的复杂程度。λ越大，对特征较多的线性模型惩罚力度就越大，从而获取一个特征较少的模型，本模型选取λ＝0.01。
[0072]
在本发明提供的一些实施方式中，所述神经网络模型的权重系数的初始值通过遗传算法进行确定。图2为本发明实施方式提供的神经网络模型的结构示意图，以图2为例。利用神经网络构建输入输出模型，其中模型包括一个输入层，一个输出层和一个隐含层。以输入层共有175个位点为例，对应x
1-x
175
，隐含层包括32个神经元，对应需要计算的权值为w
1,1-w
1,32
，...,w
175,1-w
175,32
，v
1,1-v
32,1
。
[0073]
图3为本发明实施方式提供的通过遗传算法确定权重系数的初始值的流程示意图，如图3所示。利用遗传算法优化数据的初始权值以保证更好的模型训练效果，其中遗传算法种群数设置为20，代数设置为100，适应度函数设置为所有模型训练完成后的均方误差mse。将最终得到的权值结果代入神经网络模型训练，并将其与单独进行神经网络训练的结果进行对比，可知其均方误差更小，拟合效果更好。
[0074]
在本发明提供的一些实施方式中，从所述训练好的神经网络模型中获取所述多个位点对应的权重系数，包括：对所述训练好的神经网络模型中的每层神经元到下一层神经元对应的权值进行归一化处理；利用olden权值连接法将对应神经元的权值相乘并求和；进而计算出作为输入参数的多个位点相对于所述过程终点的权重系数。本实施方式中的位点筛选利用olden权值连接法计算各个输入数据位点相对于输出数据位点的影响程度。olden方法是一种用于评估各个输入变量对输出变量影响程度的方法，也被称为连接权值法
(connection weight approach)。olden等人通过对比分析结合神经网络对输入变量对输出变量贡献程度的九种方法进行了评估，证明了olden方法在准确性和精度方面均优于其他方法。因此此处基于olden方法结合神经网络评估操作参数对过程终点的生产结果数据的影响影响程度。对于一个有两个隐含层j1，j2，且隐含层节点数分别为l1，l2的神经网络结构来说，输入变量对于输出变量影响程度的计算方法如下：
[0075][0076]
式中o
ip
为输入变量xi对y
p
的敏感性指标值，o
ip
的绝对值越大，该变量对应的控制位点的影响程度越大，公式中的参数w
ij
为输入变量xi对中间隐含层j1的权值，v’j1j2
为中间隐含层j1对中间隐含层j2的权值，v”j1j2
为中间隐含层j2对输出层y
p
的权值。
[0077]
图4为本发明实施方式提供的基于神经网络参数优化的食品工业数据建模系统的结构示意图，如图4所示。在本实施方式中，还提供了一种基于神经网络参数优化的食品工业数据建模系统，包括：数据采集模块，用于获取食品工业过程的多个位点的现场生产数据，以及受所述多个位点的现场生产数据所影响的过程终点的生产结果数据；神经网络建模模块，用于构建以所述多个位点为输入参数，所述过程终点为输出参数的神经网络模型，以所述现场生产数据及其对应的生产结果数据为训练样本，对所述神经网络模型进行训练；以及位点筛选模块，用于从所述训练好的神经网络模型中获取所述多个位点对应的权重系数，根据所述权重系数从所述多个位点中选择关键位点建立所述食品工业过程的模型。
[0078]
图5为本发明另一实施方式提供的基于神经网络参数优化的食品工业数据建模系统的结构示意图，如图5所示。在一些可选实施方式中，在所述数据采集模块和神经网络建模模块之间，还包括：数据清洗模块，用于对所述现场生产数据进行数据清洗；数据预处理模块，用于对数据清洗后的现场生产数据进行数据预处理；以及特征工程模块；对预处理后的现场生产数据进行特征提取，特征提取后的现场生产数据用于输入至所述神经网络模型。
[0079]
在一些可选实施方式中，所述对所述现场生产数据进行数据清洗，包括：剔除所述现场生产数据中的文字描述类信息；以及将所述现场生产数据的时间间隔进行统一。
[0080]
在一些可选实施方式中，所述对数据清洗后的现场生产数据进行数据预处理，包括：筛选出数据清洗后的现场生产数据中的缺失值或异常值，对所述缺失值进行插补，对所述异常值进行删除或用插补法进行补充；以及并对所述数据清洗后的现场生产数据进行降噪处理。
[0081]
在一些可选实施方式中，所述对预处理后的现场生产数据进行特征提取，包括：采用lasso回归法对所述预处理后的现场生产数据进行处理，得到对应的特征向量。
[0082]
在一些可选实施方式中，所述神经网络模型的权重系数的初始值通过遗传算法进行确定。
[0083]
在一些可选实施方式中，从所述训练好的神经网络模型中获取所述多个位点对应的权重系数，包括：对所述训练好的神经网络模型中的每层神经元到下一层神经元对应的权值进行归一化处理；利用olden权值连接法将对应神经元的权值相乘并求和；进而计算出作为输入参数的多个位点相对于所述过程终点的权重系数。
[0084]
上述的基于神经网络参数优化的食品工业数据建模系统中的各个功能模块的具体限定可以参见上文中对于基于神经网络参数优化的食品工业数据建模方法的限定，在此不再赘述。上述系统中的各个模块可全部或部分通过软件、硬件及其组合来实现。上述各模块可以硬件形式内嵌于或独立于计算机设备中的处理器中，也可以以软件形式存储于计算机设备中的存储器中，以便于处理器调用执行以上各个模块对应的操作。
[0085]
为使本领域技术人员更好地理解本发明，以下通过结合玉米淀粉糖工艺实例进行实施说明：
[0086]
在玉米淀粉糖工艺路线中过滤工段位于淀粉生产工艺和液糖化工艺之后，其用于分离糖化液和其他杂质，便于后续进行葡萄糖的脱色、离交、蒸发、异构化、果糖脱色、离交等工序。本例中淀粉工段共设有四套板框过滤器，正式工作中保持“三开一备”的工作方式，正式工作时过滤器压差范围在0-0.4mpa之间，过滤压差的大小除受工艺调度的影响之外，也反应了前序工段的处理情况，玉米上料品质、玉米浸泡和破碎、淀粉分离、淀粉液糖化效果都会影响过滤的情况。若玉米杂质较多，液糖化不彻底，过滤工段压差就会整体偏高，进而影响生产效率和产品品质。
[0087]
采用本发明实施方式中的基于神经网络参数优化的食品工业数据建模系统对其处理如下：
[0088]
由数据采集模块采集数据来源：从系统的角度出发，需要尽可能的从数据上反映出生产的所有过程，即来料情况，生产过程数据以及生产结果数据。获取到数据来源情况如下：
[0089]
手动记录类数据玉米上料台账、淀粉检测室数据dcs系统导出数据淀粉生产运行数据、果糖生产运行数据
[0090]
下面是数据的一些基本信息，采集到的信息主要情况如下：
[0091]
数据来源时间跨度位点个数数据频率有效采集数淀粉工段2019年4月-9月41310s1103800果糖工段2019年4月-9月15710min18380玉米上料2019年1月-9月85-7批次/天2639淀粉检测2019年1月-9月523-7h1457果糖检测2019年4月-9月132-3h4394
[0092]
由数据清洗模块对数据进行初步处理，首先统一时间间隔，因为10s中频次过低，容易导致数据量过大，且变10s数据变化过于平稳，因此将时间间隔选择为10min的频次，对于淀粉工段的数据，采用取10min内平均值的方式提取数据，将10s一次的数据转化为10min一次的数据；玉米上料、淀粉检测、果糖检测数据采用线性插值法补充。
[0093]
拉平数据频次后，对数据进行初筛，排除部分变化过小的数据，提取数据中采集时间重叠的部分，最终得到数据集为：
[0094]
[0095][0096]
由数据清洗模块对数据进行缺失值、异常值的处理，并通过3点平滑滤波法消除噪声影响，将数据输至特征工程模块中。特征工程模块采用lasso回归法对数据进行正则化处理，消除输入数据中的共线性特征，经过处理后的数据位点数降至175个。特征工程模块21将这些数据输至神经网络建模模块22中。
[0097]
神经网络模块利用前述的方法，利用神经网络构建输入输出模型，其中模型包括一个输入层，一个输出层和一个隐含层，输入层共有175个位点，对应x
1-x
175
，隐含层包括32个神经元，对应需要计算的权值为w
1,1-w
1,32
,...,w
175,1-w
175,32
,v
1,1-v
32,1
；利用遗传算法优化数据的初始权值以保证更好的模型训练效果，其中遗传算法种群数设置为20，代数设置为100，适应度函数设置为所有模型训练完成后的均方误差mse，得到的平均适应度的变化图像如图6所示。图6为本发明实施方式提供的利用遗传算法确定权重系数的初始值的平均适应度变化图。将最终得到的权值结果代入神经网络模型训练，并将其与单独进行神经网络训练的结果进行对比，结果对比见下表：
[0098]
模型mse(均方误差)r2(决定系数)本例(ga_ann)0.01690.9875普通神经网络(ann)0.03010.9436
[0099]
从表中可以看出本实施方式提出的遗传算法优化神经网络初始权值的建模方法可以得到更好的拟合效果和更小的误差。
[0100]
神经网络建模模块将最终根据历史数据训练的神经网络模型保存，并导出各层神经元之间的权值结果(w
1,1-w
1,32
,...,w
175,1-w
175,32
,v
1,1-v
32,1
)，将此结果传递至位点筛选模块。位点筛选模块目的是根据训练结果，计算各个输入位点对输出位点的影响程度，影响程度采用权值相乘并相加的结果来衡量，将输入层神经元到隐含层中第一个神经元对应的权值w
11
,w
21
,...,w
n1
进行归一化处理，得到每个输入层神经元对于隐含层中第一个神经元的相对影响程度大小，同理可以根据w
1m
,w
2m
,...,w
nm
得到每个输入层神经元对于隐含层中第m个神经元的相对影响程度大小,利用olden权值连接法，将对应的权值相乘并求和。第一个输入x1对y的权值乘积结果可以由w
11
×v11
w
12
×v21
... w
1m
×vm1
计算得到，进而可以计算出各个输入数据位点相对于输出数据位点的权值乘积结果，此结果可以反映输入位点对目标位点的影响程度，根据其绝对值大小进行排序，排名靠前的位点表明其对目标位点有显著影响。本例将其结果从大到小排序，得到排名前20的位点如下表所示：
[0101][0102][0103]
经过对找出的位点进行工艺分析可知，其关联玉米浸泡、玉米破碎、淀粉乳流量、液化酶用量、液化条件(ph值、温度)、以及喷射效果等工艺，大部分在经验上与淀粉乳质量以及液化效果相关，可以有效解释；部分位点凭借现有经验暂时无法判断，可以提高其关注度。本例找到的位点也可用于进一步的工艺优化等工作，厂方技术人员可重点关注上述位点的变化情况，并进行相应的验证工作。
[0104]
在本发明提供的一些实施方式中，还提供了一种基于神经网络参数优化的食品工业数据建模设备，所述设备包括存储器、处理器以及存储在所述存储器中并可在所述处理器上运行的计算机程序，所述处理器执行所述计算机程序时实现前述的基于神经网络参数优化的食品工业数据建模方法的步骤。
[0105]
所述食品工业数据建模设备为服务器。采用服务器执行前述的基于神经网络参数优化的食品工业数据建模方法，以及在服务器上安装运行有前述的基于神经网络参数优化的食品工业数据建模系统，使得前述的方法和系统得到广泛的使用。
[0106]
在本发明提供的一些实施方式中，还提供了一种计算机可读存储介质，存储有计算机指令，当所述计算机指令在计算机上运行时，使得计算机执行前述的基于神经网络参数优化的食品工业数据建模方法。
[0107]
所述机器可读存储介质包括但不限于相变内存(相变随机存取存储器的简称，phase change random access memory，pram，亦称为rcm/pcram)、静态随机存取存储器(sram)、动态随机存取存储器(dram)、其他类型的随机存取存储器(ram)、只读存储器(rom)、电可擦除可编程只读存储器(eeprom)、快闪记忆体(flash memory)或其他内存技术、只读光盘只读存储器(cd-rom)、数字多功能光盘(dvd)或其他光学存储、磁盒式磁带，磁带磁盘存储或其他磁性存储设备等各种可以存储程序代码的介质。
[0108]
以上结合附图详细描述了本发明的优选实施方式，但是，本发明并不限于上述实施方式中的具体细节，在本发明的技术构思范围内，可以对本发明的技术方案进行多种简单变型，这些简单变型均属于本发明的保护范围。
[0109]
另外需要说明的是，在上述具体实施方式中所描述的各个具体技术特征，在不矛盾的情况下，可以通过任何合适的方式进行组合。为了避免不必要的重复，本发明对各种可能的组合方式不再另行说明。
[0110]
此外，本发明的各种不同的实施方式之间也可以进行任意组合，只要其不违背本发明的思想，其同样应当视为本发明所公开的内容。