中國(guó)白酒釀造技術(shù)是中華五千年酒文化的傳承,無(wú)論是實(shí)用價(jià)值和歷史價(jià)值都是非常重要的。釀酒非常重要的步驟是蒸餾,而蒸餾的質(zhì)量在于上甑工序的質(zhì)量。在實(shí)現(xiàn)精準(zhǔn)探氣上甑的過(guò)程中,酒醅溫度準(zhǔn)確預(yù)測(cè)起著至關(guān)重要的作用。當(dāng)酒醅表面有多個(gè)區(qū)域跑氣時(shí),上甑機(jī)器人就無(wú)法及時(shí)完成鋪料操作,容易造成酒損,直接影響酒質(zhì)。如果能夠利用歷史酒醅溫度信息,預(yù)估未來(lái)一段時(shí)間酒醅溫度的變化,將對(duì)機(jī)器人及時(shí)合理完成鋪料操作有著重要作用�；诰契瑴囟阮A(yù)測(cè)問(wèn)題,文章主要的工作如下:采集勁牌酒廠上甑過(guò)程相關(guān)數(shù)據(jù)。采集的數(shù)據(jù)包含缺失值、異常值和酒甑邊緣等,設(shè)計(jì)合理的預(yù)處理流程,包括使用霍夫變換提取酒醅溫度數(shù)據(jù)、對(duì)缺失值合理填充、剔除異常溫度值、溫度矩陣旋轉(zhuǎn)對(duì)齊、合理劃分?jǐn)?shù)據(jù)等。找出對(duì)酒醅溫度有影響的重要因素,提取時(shí)間和空間相關(guān)特征。經(jīng)過(guò)預(yù)處理后,準(zhǔn)確提取了酒醅溫度數(shù)據(jù),為后續(xù)作為模型輸入提供了基礎(chǔ)。基于酒醅溫度預(yù)測(cè)問(wèn)題和LSTM存在的問(wèn)題,設(shè)計(jì)了基于注意力機(jī)制的LSTM模型（簡(jiǎn)稱ATT-LSTM）。實(shí)現(xiàn)有效利用LSTM中間隱層各個(gè)時(shí)刻輸出,進(jìn)行注意力分布的計(jì)算,對(duì)輸出信息進(jìn)行加權(quán),充分挖掘酒醅溫度數(shù)據(jù)背后隱藏的規(guī)律的目的。針對(duì)LST... 

【文章來(lái)源】：湖北工業(yè)大學(xué)湖北省

【文章頁(yè)數(shù)】：63 頁(yè)

【學(xué)位級(jí)別】：碩士

【文章目錄】：
摘要
Abstract
第1章 緒論
    1.1 研究背景和意義
    1.2 國(guó)內(nèi)外研究現(xiàn)狀
        1.2.1 溫度預(yù)測(cè)研究現(xiàn)狀
        1.2.2 時(shí)間序列預(yù)測(cè)研究現(xiàn)狀
    1.3 主要研究?jī)?nèi)容
    1.4 論文結(jié)構(gòu)
第2章 基于酒醅溫度數(shù)據(jù)構(gòu)建數(shù)據(jù)集
    2.1 數(shù)據(jù)采集
    2.2 數(shù)據(jù)預(yù)處理
    2.3 數(shù)據(jù)集構(gòu)建
        2.3.1 特征構(gòu)造和歸一化
        2.3.2 訓(xùn)練集和測(cè)試集的劃分
        2.3.3 時(shí)間序列轉(zhuǎn)化有監(jiān)督學(xué)習(xí)
    2.4 本章小結(jié)
第3章 基于注意力機(jī)制的LSTM模型構(gòu)建
    3.1 引言
    3.2 RNN神經(jīng)網(wǎng)絡(luò)
        3.2.1 RNN神經(jīng)網(wǎng)絡(luò)的原理
        3.2.2 RNN神經(jīng)網(wǎng)絡(luò)的優(yōu)缺點(diǎn)
    3.3 LSTM神經(jīng)網(wǎng)絡(luò)
        3.3.1 LSTM神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)
        3.3.2 BPTT反向傳播算法
    3.4 基于注意力機(jī)制的LSTM改進(jìn)模型
    3.5 梯度下降的優(yōu)化
    3.6 基于貝葉斯優(yōu)化的LSTM參數(shù)優(yōu)選
        3.6.1 貝葉斯優(yōu)化算法
        3.6.2 算法設(shè)計(jì)
    3.7 模型的搭建與預(yù)測(cè)
    3.8 模型評(píng)價(jià)指標(biāo)
    3.9 本章小結(jié)
第4章 實(shí)驗(yàn)及結(jié)果分析
    4.1 實(shí)驗(yàn)環(huán)境與數(shù)據(jù)分析
        4.1.1 實(shí)驗(yàn)環(huán)境
        4.1.2 數(shù)據(jù)探索分析
    4.2 相關(guān)系數(shù)分析
    4.3 實(shí)驗(yàn)結(jié)果與分析
    4.4 本章小結(jié)
第5章 總結(jié)和展望
    5.1 總結(jié)
    5.2 展望
參考文獻(xiàn)
致謝
攻讀碩士期間獲得的學(xué)術(shù)及競(jìng)賽成果


【參考文獻(xiàn)】：
期刊論文
[1]基于LSTM循環(huán)神經(jīng)網(wǎng)絡(luò)的故障時(shí)間序列預(yù)測(cè)[J]. 王鑫,吳際,劉超,楊海燕,杜艷麗,牛文生.  北京航空航天大學(xué)學(xué)報(bào). 2018(04)
[2]上甑機(jī)器人在白酒固態(tài)蒸餾中的應(yīng)用現(xiàn)狀與探討[J]. 張貴宇,庹先國(guó),李杉,陳林,湯科元,彭英杰.  食品工業(yè)科技. 2017(13)
[3]固態(tài)蒸餾白酒的上甑自動(dòng)化概述[J]. 張家雙,李彬,邢恩宏,王忠.  釀酒. 2016(05)
[4]甑桶蒸餾技術(shù)在白酒生產(chǎn)中的應(yīng)用及研究進(jìn)展[J]. 陳磊,楊長(zhǎng)牛,黃文權(quán),劉郁蔥,孫澤剛.  食品工業(yè). 2016(08)
[5]甑桶醅層高度及結(jié)構(gòu)設(shè)計(jì)對(duì)蒸餾效率及酒質(zhì)的影響研究[J]. 楊平,涂榮坤,錢志偉,楊甲平,劉向陽(yáng),徐前景,李海龍,林鋒.  釀酒科技. 2012(10)
[6]上甑蒸餾技術(shù)與白酒產(chǎn)質(zhì)量的關(guān)系[J]. 李大和,李國(guó)紅.  釀酒科技. 2012(01)
[7]時(shí)間序列預(yù)測(cè)模型研究綜述[J]. 張美英,何杰.  數(shù)學(xué)的實(shí)踐與認(rèn)識(shí). 2011(18)
[8]Time series prediction of mining subsidence based on a SVM[J]. Li Peixian,Tan Zhixiang,Yan Lili,Deng Kazhong Jiangsu Key Laboratory of Resources and Environmental Information Engineering,China University of Mining & Technology,Xuzhou 221116,China Key Laboratory of Land Environment and Disaster Monitoring of SBSM,China University of Mining & Technology,Xuzhou 221116,China.  Mining Science and Technology. 2011(04)
[9]基于LS-SVM的陶瓷窯爐溫度預(yù)測(cè)控制[J]. 王思明,劉偉,張國(guó)武.  計(jì)算機(jī)測(cè)量與控制. 2011(06)
[10]白酒的甑桶蒸餾[J]. 沈怡方.  釀酒. 1995(05)



本文編號(hào)：3637145