一种白酒品质预测方法

1.本发明属于机器学习应用领域，具体涉及一种基于白酒发酵过程中的多元数据的白酒品质预测方法。


背景技术：

2.随着科技的不断发展，智能化已经渗透到了各个行业，酿酒业也不例外。传统酿造方法生产过程中缺乏可靠的监测手段和数据采集方式，产品质量无法实现稳定性和标准化，难以保证产品的质量和口感。为了提高生产效率、保证产品质量、提升品牌竞争力，白酒企业需要采用更数字化、智能化、标准化的生产方法。在白酒酿造过程中，智能化技术的应用可以提高生产效率，降低成本，保障产品质量，提升品牌竞争力。
3.智能化技术在白酒酿造中的应用主要包括以下几个方面：
4.传感技术：传感技术可以实时监测白酒酿造过程中的各种参数，如温度、湿度、压力、流量等，为生产控制和调整提供数据支持。
5.自动化控制技术：自动化控制技术可以对白酒酿造过程进行自动控制，实现生产过程的智能化。通过设定合理的控制策略，可以优化生产过程，提高生产效率和产品质量。
6.数据分析技术：数据分析技术可以对传感器采集的数据进行分析和挖掘，从而实现数据的有效利用。通过数据分析，可以发现生产过程中存在的问题，并及时进行调整和改进，提高生产效率和产品质量。
7.人工智能技术：人工智能技术可以模拟人类的思维和决策过程，实现智能化的决策和控制。在白酒酿造中，人工智能技术可以应用于质量控制、设备维护等方面，提高生产效率和产品质量。
8.总之，智能化技术的应用可以提高白酒酿造过程的智能化水平，实现高效、优质、安全的生产。随着智能化技术的不断发展，未来白酒酿造将会更加智能化和数字化。


技术实现要素：

9.本发明提供一种基于白酒酿造过程中的多元数据的白酒品质预测方法，解决的技术问题在于：现有白酒品质预测都是基于完整的时间序列数据预测的，此时发酵过程已经完成，无法改变酿造品质结果。
10.为解决以上问题，本发明提供一种基于多元数据的白酒发酵过程中的品质预测方法，该方法包括：
11.s1、采用工业传感器，实时获取多个白酒发酵参数对应的白酒发酵过程中的多元数据，对所述多个白酒发酵参数对应的白酒发酵过程中的多元数据进行预处理，生成白酒发酵过程中的多元时间序列；
12.s2：将实时获取的多元时间序列输入构建并训练好的多元数据预测网络中，得到对应的白酒发酵品质实时预测结果，
13.其中，所述多元数据预测网络的训练是根据所述白酒发酵过程中的多元时间序列
完成的，所述多元数据预测网络包括多元时间序列预测模型和白酒品质预测模型，所述多元时间序列预测模型用于对白酒发酵过程中的多元数据进行预测，所述白酒品质预测模型用于利用所述预测的多元数据，对白酒的品质进行预测。
14.进一步地，白酒发酵参数包括：白酒发酵过程中的温度、非挥发性酸、挥发性酸度、柠檬酸、甜度、氯化物、游离二氧化硫、二氧化硫总量、密度、酸碱度、硫酸盐、酒精度数。
15.进一步地，所述预处理包括：
16.将传感器获取的白酒发酵过程中的多元数据进行建模，生成多元时间序列x＝(x1,x2,x3,x4,
…
x
t-1
,x
t
)＝(x1,x2,x3…
x
n-1
,xn)
t
∈r
n*t
，n表示多元时间序列的变量数目，即获取的白酒发酵参数的数量，t表示采样时刻，表征了输入的历史时间序列长度；x
t
∈r
n*1
，表示n个变量在t时刻的值集合；xn∈r
t*1
，表示1到t时刻，由第n个变量组成的时间序列。
17.进一步地，所述构建多元数据预测网络包括步骤：
18.b1：将多元时间序列输入到多元时间序列预测模型，输出t+h时刻白酒发酵的多元数据，其中，h表示需要预测的时间刻度；
19.b2：将t+h时刻白酒发酵的多元数据，输入到白酒品质预测模型中，得到t+h时刻白酒品质的预测结果。
20.进一步地，多元时间序列预测模型包括密集门控循环单元、卷积模块、自注意力模块以及差分自回归移动平均模型，其中，构建多元时间序列预测模型包括步骤：
21.c1：将白酒发酵过程中的多元时间序列x＝(x1,x2,x3,x4,
…
x
t-1
,x
t
)输入到密集门控循环单元中，提取得到1到t时刻时间序列中的关系特征；
22.c2：将多元时间序列x输入到卷积模块，利用k个一维卷积核对每个变量的时间序列提取有效特征，从而得到n个时间序列的特征向量
23.c3：将上述c2步骤得到的n个特征向量构成的特征矩阵z输入到自注意力模块中，学习输入的每个变量的时间序列之间的关联度，最后输出一组加权向量w＝(w1,w2,w3…wn-1
,wn)；
24.c4：将多元时间序列x输入到差分自回归移动平均模型中，得到时间序列中的线性预测结果si：
[0025][0026]
c5：将步骤c1和c3的结果输入到全连接层，用sigmoid函数作非线性激活，得到时间序列中非线性部分的预测结果；
[0027]
c6：将线性预测结果和非线性预测结果相加得到完整的变量时间序列预测结果xh＝(x1,x2,x3,x4,
…
x
t-1
,x
t
,x
t+h
)。
[0028]
进一步地，所述密集门控循环单元包括多个门控循环单元，每个门控循环单元包括重置门和更新门，所述构建密集门控循环单元具体包括步骤：
[0029]
d1：将多元时间序列输入到门控循环单元，将前一时刻的隐藏状态信息和当前时刻的信息分别右乘权重矩阵wr，然后相加的结果用sigmoid函数激活，得到数值在0～1之间的更新门权重矩阵用公式表示为：
[0030][0031]
d2：把得到的更新门权重矩阵与上一时刻的隐藏状态信息相乘，以此控制保留上一时刻信息的程度，将结果和当前时刻的信息分别右乘权重矩阵然后，将其相加的结果通过含tanh激活函数的全连接层计算出当前时刻的候选隐藏状态用公式表示为：
[0032][0033]
d3：重复步骤d1-d2，将前一时刻的信息和当前时刻的信息分别右乘权重矩阵wz，然后，将其相加的结果用sigmoid函数激活，得到数值在0～1之间的重置门权重矩阵用公式表示为：
[0034][0035]
d4：用单位矩阵减去重置门权重矩阵后的结果右乘前一时刻的隐藏状态，即可得到需要保存的信息，再加上重置门权重矩阵右乘当前时刻的候选隐藏状态的结果，即为当前时刻的隐藏状态用公式表示为：
[0036][0037]
d5：将当前时刻计算出的隐藏状态作为下一时刻的输入隐藏状态，下一时刻的多元时间序列信息作为新的信息输入，以此串联多个门控循环单元组成密集门控循环单元模块，提取多元时间序列的深层特征。
[0038]
进一步地，所述构建自注意力模块包括：把白酒发酵中的多元时间序列数据拼成t行n列向量矩阵i，乘上相应的权重wq、wk、wv，分别得到相应的矩阵q、k、v，将矩阵q和k
t
先点乘得到结果矩阵a，再除以值，其中，是以k的维度的开根，最后的结果用softmax函数归一化，得到注意力权重，将注意力权重与对应的值向量进行加权求和，得到加权和向量，用公式表示为：
[0039][0040]
进一步地，所述构建差分自回归移动平均模型具体包括步骤：将多元时间序列d阶差分后，求其自相关系数和偏自相关系数，通过对自相关图和偏自相关图的分析，得到最佳的阶数p、q，后续再将多元时间序列输入以获取线性预测分量，其中，p表示自回归阶数，q表示移动平均阶数。
[0041]
进一步地，所述白酒品质预测模型包括由五层二维卷积池化网络组成的特征提取模块以及由三个门控循环单元组成的轻密集循环网络，所述构建白酒品质预测模型包括步骤：
[0042]
e1：将完整的多元时间序列xh＝(x1,x2,x3,x4,
…
x
t-1
,x
t
,x
t+h
)输入到所述特征提取模块中，首先利用卷积核个数分别为64、128、256、128、64的卷积块对完整的多元时间序列进行卷积，得到特征矩阵wf：
[0043]
其中，
[0044]
wf＝{w
fi
}，
[0045][0046]
σ表示sigmoid激活函数，k表示滤波器数目，b表示偏置参数，l表示卷积核的第l个分量；
[0047]
e2：将得到的特征矩阵wf在其时间维度上作最大池化操作，得到其特征向量vf:
[0048]vf
＝maxpool(wf)
[0049]
综合上述e1步骤，总的五层二维卷积池化网络可通过公式表示为：
[0050]vf
＝cm(cm(cm(cm(cm(xi)))))，
[0051]
其中，cm表示二维卷积池化运算，xi表示n元的时间序列，1≤i≤n；
[0052]
e3：将多元时间序列输入到由三个门控循环单元组成的轻密集门控循环网络中，得到时间序列的长期依赖关系向量vg；
[0053]
e4：将得到的特征向量vf和vg相加，输入到softmax函数中，得到白酒的品质分类预测值。
[0054]
本发明的有益效果为：
[0055]
本发明通过实时获取白酒发酵过程中的多个白酒发酵参数对应的多元数据，并利用该多元数据对之后的发酵数据进行预测，最终实现对白酒品质的预测。使用本发明的预测方法，可以首先预测得到白酒酿造整个过程中的完整的多元时间序列，不必等到发酵过程完成后去获取完整的多元时间序列数据，从而可以做到对酿造品质的实时监控。
附图说明
[0056]
图1是本发明实施例提供的基于白酒酿造过程中的多元数据的白酒品质预测方法的架构图；
[0057]
图2是本发明实施例提供的密集门控循环单元模块流程图；
[0058]
图3是本发明实施例提供的自注意力机制模块流程图。
具体实施方式
[0059]
下面结合附图具体阐明本发明的实施方式，实施例的给出仅仅是为了说明目的，并不能理解为对本发明的限定，包括附图仅供参考和说明使用，不构成对本发明专利保护范围的限制，因为在不脱离本发明精神和范围基础上，可以对本发明进行许多改变。
[0060]
为了在白酒酿造过程中预测品质，本发明实施例提供的一种基于白酒酿造过程中的多元数据的白酒品质预测方法，包括步骤：
[0061]
s1、采用工业传感器，实时获取多个白酒发酵参数对应的白酒发酵过程中的多元数据，对所述多个白酒发酵参数对应的白酒发酵过程中的多元数据进行预处理，生成白酒发酵过程中的多元时间序列；
[0062]
s2：将实时获取的多元时间序列输入构建并训练好的多元数据预测网络中，得到对应的白酒发酵品质实时预测结果，
[0063]
其中，所述多元数据预测网络的训练是根据所述白酒发酵过程中的多元时间序列完成的。在一些实施例中，所述多元数据预测网络包括白酒发酵过程中的多元时间序列预
测模型(以下简称“多元时间序列预测模型”)和白酒品质预测模型，如图1所示的模块1和模块2，其中，模块1表示多元时间序列预测模型，用于对白酒发酵过程中的多元数据进行预测，模块2表示白酒品质预测模型，用于利用所述预测的多元数据，对白酒的品质进行预测。
[0064]
在一些实施例中，白酒发酵参数包括：白酒发酵过程中的温度、非挥发性酸、挥发性酸度、柠檬酸、甜度、氯化物、游离二氧化硫、二氧化硫总量、密度、酸碱度、硫酸盐、酒精度数等中的一种或多种的组合。
[0065]
在一些实施例中，所述预处理可以包括：将传感器获取的白酒发酵过程中的多元数据进行建模，生成多元时间序列x＝(x1,x2,x3,x4,
…
x
t-1
,x
t
)＝(x1,x2,x3…
x
n-1
,xn)
t
∈r
n*t
，n表示多元时间序列的变量数目，即获取的白酒发酵参数的数量，t表示采样时刻，表征了输入的历史时间序列长度；x
t
∈r
n*1
，表示n个变量在t时刻的值集合；xn∈r
t*1
，表示1到t时刻，由第n个变量组成的时间序列。
[0066]
所述构建多元数据预测网络可以包括以下步骤：
[0067]
b1：将多元时间序列输入到多元时间序列预测模型，输出t+h时刻白酒发酵的多元数据，其中，h表示需要预测的时间刻度；
[0068]
b2：将t+h时刻白酒发酵的多元数据，输入到白酒品质预测模型中，得到t+h时刻白酒品质的预测结果。
[0069]
在一些实施例中，如图1所示，多元时间序列预测模型(即模块1)包括有多个门控循环单元(gated recurrent unit,gru)组成的密集门控循环单元、卷积模块、自注意力模块(self-attention)以及差分自回归移动平均模型(auto-regressive integrated moving average model，arima)，其中，构建多元时间序列预测模型可以包括以下步骤：
[0070]
c1：将白酒发酵过程中的多元时间序列x＝(x1,x2,x3,x4,
…
x
t-1
,x
t
)输入到密集门控循环单元中，提取得到1到t时刻时间序列中的关系特征；
[0071]
c2：将多元时间序列x输入到卷积模块，利用k个一维卷积核对每个变量的时间序列提取有效特征，从而得到n个时间序列的特征向量
[0072]
c3：将上述c2步骤得到的n个特征向量构成的特征矩阵z输入到自注意力模块中，学习输入的每个变量的时间序列之间的关联度，最后输出一组加权向量w＝(w1,w2,w3…wn-1
,wn)；
[0073]
c4：将多元时间序列x输入到差分自回归移动平均模型中，得到时间序列中的线性预测结果si：
[0074][0075]
c5：将步骤c1和c3的结果输入到全连接层，用sigmoid函数作非线性激活，得到时间序列中非线性部分的预测结果；
[0076]
c6：将线性预测结果和非线性预测结果相加得到完整的变量时间序列预测结果xh＝(x1,x2,x3,x4,
…
x
t-1
,x
t
,x
t+h
)。
[0077]
在一些实施例中，所述密集门控循环单元包括多个门控循环单元，每个门控循环单元包括重置门和更新门，参考图2，所述构建密集门控循环单元具体包括步骤：
[0078]
d1：将多元时间序列输入到门控循环单元，将前一时刻的隐藏状态信息和当前
时刻的信息分别右乘权重矩阵wr，然后相加的结果用sigmoid函数(即σ)激活，得到数值在0～1之间的更新门权重矩阵用公式表示为：
[0079][0080]
d2：把得到的更新门权重矩阵与上一时刻的隐藏状态信息相乘，以此控制保留上一时刻信息的程度，将结果和当前时刻的信息分别右乘权重矩阵然后，将其相加的结果通过含tanh激活函数的全连接层计算出当前时刻的候选隐藏状态用公式表示为：
[0081][0082]
d3：重复步骤d1-d2，将前一时刻的信息和当前时刻的信息分别右乘权重矩阵wz，然后，将其相加的结果用sigmoid函数激活，得到数值在0～1之间的重置门权重矩阵用公式表示为：
[0083][0084]
d4：用单位矩阵减去重置门权重矩阵后的结果右乘前一时刻的隐藏状态，即可得到需要保存的信息，再加上重置门权重矩阵右乘当前时刻的候选隐藏状态的结果，即为当前时刻的隐藏状态用公式表示为：
[0085][0086]
d5：将当前时刻计算出的隐藏状态作为下一时刻的输入隐藏状态，下一时刻的多元时间序列信息作为新的信息输入，以此串联多个门控循环单元组成密集门控循环单元模块，提取多元时间序列的深层特征。
[0087]
参考图3，所述构建自注意力模块包括：把白酒发酵中的多元时间序列数据拼成t行n列向量矩阵i，乘上相应的权重wq、wk、wv，分别得到相应的矩阵q、k、v，将矩阵q和k
t
先点乘得到结果矩阵a，再除以值，其中，是以矩阵k的维度的开根，最后的结果用softmax函数归一化，得到注意力权重，将注意力权重与对应的值向量进行加权求和，得到加权和向量，用公式表示为：
[0088][0089]
在一些实施例中，所述构建差分自回归移动平均模型具体包括步骤：将多元时间序列d阶差分后，求其自相关系数和偏自相关系数，通过对自相关图和偏自相关图的分析，得到最佳的阶数p、q，后续再将多元时间序列输入以获取线性预测分量，其中，p表示自回归阶数，q表示移动平均阶数。
[0090]
在一些实施例中，如图1所示，所述白酒品质预测模型(即模块2)包括由五层二维卷积池化网络组成的特征提取模块以及由三个门控循环单元组成的轻密集循环网络，所述构建白酒品质预测模型包括步骤：
[0091]
e1：将完整的多元时间序列xh＝(x1,x2,x3,x4,
…
x
t-1
,x
t
,x
t+h
)输入到所述特征提取
模块中，首先利用卷积核个数分别为64、128、256、128、64的卷积块对完整的多元时间序列进行卷积，得到特征矩阵wf：
[0092]
其中，
[0093]
wf＝{w
fi
}，
[0094][0095]
σ表示sigmoid激活函数，k表示滤波器数目，b表示偏置参数，l表示卷积核的第l个分量；
[0096]
e2：将得到的特征矩阵wf在其时间维度上作最大池化操作，得到其特征向量vf:
[0097]vf
＝maxpool(wf)
[0098]
综合上述e1步骤，总的五层二维卷积池化网络可通过公式表示为：
[0099]vf
＝cm(cm(cm(cm(cm(xi)))))，
[0100]
其中，cm表示二维卷积池化运算，xi表示n元的时间序列(1≤i≤n)；
[0101]
e3：将多元时间序列输入到由三个门控循环单元组成的轻密集门控循环网络中，得到时间序列的长期依赖关系向量vg；
[0102]
e4：将得到的特征向量vf和vg相加，输入到softmax函数中，得到白酒的品质分类预测值。
[0103]
上述实施例为本发明较佳的实施方式，但本发明的实施方式并不受上述实施例的限制，其他的任何未背离本发明的精神实质与原理下所作的改变、修饰、替代、组合、简化，均应为等效的置换方式，都包含在本发明的保护范围之内。

技术特征：
1.一种白酒品质预测方法，其特征在于，包括步骤：s1、采用工业传感器，实时获取多个白酒发酵参数对应的白酒发酵过程中的多元数据，对所述多个白酒发酵参数对应的白酒发酵过程中的多元数据进行预处理，生成白酒发酵过程中的多元时间序列；s2：将实时获取的多元时间序列输入构建并训练好的多元数据预测网络中，得到对应的白酒发酵品质实时预测结果，其中，所述多元数据预测网络的训练是根据所述白酒发酵过程中的多元时间序列完成的，所述多元数据预测网络包括多元时间序列预测模型和白酒品质预测模型，所述多元时间序列预测模型用于对白酒发酵过程中的多元数据进行预测，所述白酒品质预测模型用于利用所述预测的多元数据，对白酒的品质进行预测。2.根据权利要求1所述的白酒品质预测方法，其特征在于，白酒发酵参数包括：白酒发酵过程中的温度、非挥发性酸、挥发性酸度、柠檬酸、甜度、氯化物、游离二氧化硫、二氧化硫总量、密度、酸碱度、硫酸盐、酒精度数。3.根据权利要求1所述的白酒品质预测方法，其特征在于，所述预处理包括：将传感器获取的白酒发酵过程中的多元数据进行建模，生成多元时间序列x＝(x1,x2,x3,x4,
…
x
t-1
,x
t
)＝(x1,x2,x3…
x
n-1
,x
n
)
t
∈r
n
·
t
，n表示多元时间序列的变量数目，即获取的白酒发酵参数的数量，t表示采样时刻，表征了输入的历史时间序列长度；x
t
∈r
n
·1，表示n个变量在t时刻的值集合；x
n
∈r
t
·1，表示1到t时刻，由第n个变量组成的时间序列。4.根据权利要求2所述的白酒品质预测方法，其特征在于，所述构建多元数据预测网络包括步骤：b1：将多元时间序列输入到多元时间序列预测模型，输出t+h时刻白酒发酵的多元数据，其中，h表示需要预测的时间刻度；b2：将t+h时刻白酒发酵的多元数据，输入到白酒品质预测模型中，得到t+h时刻白酒品质的预测结果。5.根据权利要求2所述的白酒品质预测方法，其特征在于，多元时间序列预测模型包括密集门控循环单元、卷积模块、自注意力模块以及差分自回归移动平均模型，其中，构建多元时间序列预测模型包括步骤：c1：将白酒发酵过程中的多元时间序列x＝(x1,x2,x3,x4,
…
x
t-1
,x
t
)输入到密集门控循环单元中，提取得到1到t时刻时间序列中的关系特征；c2：将多元时间序列x输入到卷积模块，利用k个一维卷积核对每个变量的时间序列提取有效特征，从而得到n个时间序列的特征向量c3：将上述c2步骤得到的n个特征向量构成的特征矩阵z输入到自注意力模块中，学习输入的每个变量的时间序列之间的关联度，最后输出一组加权向量w＝(w1,w2,w3…
w
n-1
,w
n
)；c4：将多元时间序列x输入到差分自回归移动平均模型中，得到时间序列中的线性预测结果s
i
：
c5：将步骤c1和c3的结果输入到全连接层，用sigmoid函数作非线性激活，得到时间序列中非线性部分的预测结果；c6：将线性预测结果和非线性预测结果相加得到完整的变量时间序列预测结果x
h
＝(x1,x2,x3,x4,
…
x
t-1
,x
t
,x
t+h
)。6.根据权利要求5所述的白酒品质预测方法，其特征在于，所述密集门控循环单元包括多个门控循环单元，每个门控循环单元包括重置门和更新门，所述构建密集门控循环单元具体包括步骤：d1：将多元时间序列输入到门控循环单元，将前一时刻的隐藏状态信息和当前时刻的信息分别右乘权重矩阵w
r
，然后相加的结果用sigmoid函数激活，得到数值在0～1之间的更新门权重矩阵用公式表示为：d2：把得到的更新门权重矩阵与上一时刻的隐藏状态信息相乘，以此控制保留上一时刻信息的程度，将结果和当前时刻的信息分别右乘权重矩阵然后，将其相加的结果通过含tanh激活函数的全连接层计算出当前时刻的候选隐藏状态用公式表示为：d3：重复步骤d1-d2，将前一时刻的信息和当前时刻的信息分别右乘权重矩阵w
z
，然后，将其相加的结果用sigmoid函数激活，得到数值在0～1之间的重置门权重矩阵用公式表示为：d4：用单位矩阵减去重置门权重矩阵后的结果右乘前一时刻的隐藏状态，即可得到需要保存的信息，再加上重置门权重矩阵右乘当前时刻的候选隐藏状态的结果，即为当前时刻的隐藏状态用公式表示为：d5：将当前时刻计算出的隐藏状态作为下一时刻的输入隐藏状态，下一时刻的多元时间序列信息作为新的信息输入，以此串联多个门控循环单元组成密集门控循环单元模块，提取多元时间序列的深层特征。7.根据权利要求5所述的白酒品质预测方法，其特征在于，所述构建自注意力模块包括：把白酒发酵中的多元时间序列数据拼成t行n列向量矩阵i，乘上相应的权重w
q
、w
k
、wv，分别得到相应的矩阵q、k、v，将矩阵q和k
t
先点乘得到结果矩阵a，再除以值，其中，是以k的维度的开根，最后的结果用softmax函数归一化，得到注意力权重，将注意力权重与对应的值向量进行加权求和，得到加权和向量，用公式表示为：
8.根据权利要求5所述的白酒品质预测方法，其特征在于，所述构建差分自回归移动平均模型具体包括步骤：将多元时间序列d阶差分后，求其自相关系数和偏自相关系数，通过对自相关图和偏自相关图的分析，得到最佳的阶数p、q，后续再将多元时间序列输入以获取线性预测分量，其中，p表示自回归阶数，q表示移动平均阶数。9.根据权利要求2所述的白酒品质预测方法，其特征在于，所述白酒品质预测模型包括由五层二维卷积池化网络组成的特征提取模块以及由三个门控循环单元组成的轻密集循环网络，所述构建白酒品质预测模型包括步骤：e1：将完整的多元时间序列x
h
＝(x1,x2,x3,x4,
…
x
t-1
,x
t
,x
t+h
)输入到所述特征提取模块中，首先利用卷积核个数分别为64、128、256、128、64的卷积块对完整的多元时间序列进行卷积，得到特征矩阵w
f
：其中，w
f
＝{w
fi
}，}，σ表示sigmoid激活函数，k表示滤波器数目，b表示偏置参数，l表示卷积核的第l个分量；e2：将得到的特征矩阵w
f
在其时间维度上作最大池化操作，得到其特征向量v
f
:v
f
＝maxpool(w
f
)综合上述e1步骤，总的五层二维卷积池化网络可通过公式表示为：v
f
＝cm(cm(cm(cm(cm(x
i
)))))，其中，cm表示二维卷积池化运算，x
i
表示n元的时间序列，1≤i≤n；e3：将多元时间序列输入到由三个门控循环单元组成的轻密集门控循环网络中，得到时间序列的长期依赖关系向量v
g
；e4：将得到的特征向量v
f
和v
g
相加，输入到softmax函数中，得到白酒的品质分类预测值。

技术总结
本发明涉及白酒品质预测技术领域，具体公开了一种基于白酒酿造过程中的多元数据的白酒品质预测方法，其构建白酒发酵过程中多元数据预测网络模型，该模型通过对多元时间序列数据的线性分量和非线性分量分别预测，然后相加得到对多元时间序列后续时刻的预测结果；将预测结果和现有的多元时间序列拼接成完整的时间序列，输入到白酒品质预测模型中，通过五层二维卷积池化网络得到时间序列上的特征向量，输入到由三个门控循环单元组成的轻密集门控循环网络中，得到时间序列的长期依赖关系向量，两者相加再激活，得到白酒的品质分类预测结果。该预测方法实现了白酒在发酵过程中的实时品质预测。时品质预测。时品质预测。


技术研发人员：利节 邱胜 罗军 杜泽春 曹俊 蒲文良 于同奎
受保护的技术使用者：重庆科技学院
技术研发日：2023.06.27
技术公布日：2023/9/25