[发明专利]基于长短期记忆网络的酱油发酵过程氨基酸态氮预测方法

权利要求书

1.一种基于长短期记忆网络的酱油发酵过程氨基酸态氮预测方法，其特征在于，所述方法包括步骤：

S1、监测采集得到N个发酵罐投料后第A天、B天、C天的天然油发酵指标以及投料后第D天到E天的温度指标，其中所述天然油发酵指标包括总酸、氨基酸态氮、盐分和PH值，所述温度指标包括每日最高温和每日最低温，其中A，B，C，D，E，N均为正整数；

S2、得到包含样本数、投料后天数、与投料后天数对应的天然油发酵指标的天然油发酵指标时间序列以及包含样本数、投料后天数、与投料后天数对应的温度指标的温度指标时间序列，所述天然油发酵指标时间序列和所述温度指标时间序列均用三维矩阵表示，两个三维矩阵用于神经网络的模型输入；

S3、将所述天然油发酵指标时间序列输入一个长短期记忆神经网络中，得到输出的第一二维特征向量；

S4、将所述温度指标时间序列经过初始化的线性层，再通过可训练的激活函数后输入另一个长短期记忆神经网络中，得到输出的第二二维特征向量；

S5、将所述第一二维特征向量和所述第二二维特征向量进行特征拼接得到融合特征向量，所述融合特征向量与原料大豆的全氮、水分指标拼接融合得到第三二维特征向量，所述第三二维特征向量经过神经网络的全连接层降维，输出酱油的预测氨基酸态氮含量。

2.根据权利要求1所述基于长短期记忆网络的酱油发酵过程氨基酸态氮预测方法，其特征在于：所述步骤S2中，所述天然油发酵指标时间序列和所述温度指标时间序列在输入神经网络之前作如下预处理：

所述预处理采用InstanceNorm正则化，

式中，y是把输入样本x经过所述InstanceNorm正则化的输出值，E[x]为输入样本x的均值，Var[x]为输入样本x的标准差，γ和β是两个在对样本正则化中可学习的参数向量，ε＝10^-5。

3.根据权利要求2所述基于长短期记忆网络的酱油发酵过程氨基酸态氮预测方法，其特征在于：模型采用R²_adjusted损失进行训练：

式中，P为模型中变量个数，n为样本数，n＝N，其中，TSS是执行分析前，响应变量固有的方差，即输入的原始氨基酸态氮数据y_i与n个输入的原始氨基酸态氮数据均值之差的平方和；RSS为残差平方和，即预测的氨基酸态氮数据与n个输入的原始氨基酸态氮数据均值之差的平方和。

4.根据权利要求3所述基于长短期记忆网络的酱油发酵过程氨基酸态氮预测方法，其特征在于：所述步骤S4中的所述初始化的线性层为凯明正态分布初始化的线性层。

5.根据权利要求4所述基于长短期记忆网络的酱油发酵过程氨基酸态氮预测方法，其特征在于：所述步骤S4中的所述激活函数为Swish激活函数：

F(x)＝x*sigmoid(βx)，

式中，输入样本x为所述温度指标时间序列，sigmoid为sigmoid函数，β为所述Swish激活函数的可训练参数。

6.根据权利要求1至5任意一项所述基于长短期记忆网络的酱油发酵过程氨基酸态氮预测方法，其特征在于：所述长短期记忆神经网络包括遗忘门、更新门、输出门，通过所述遗忘门、所述更新门、所述输出门对之前的输入信息进行增量与舍弃，所述遗忘门控制上一单元的对应信息是否在当前层丢弃，所述更新门融合过去的单元状态信息、旧的单元内部的隐藏信息以及新的输入数据，所述输出门得到当前单元的输出值和传递到下一个单元的隐藏状态值。

7.根据权利要求6所述基于长短期记忆网络的酱油发酵过程氨基酸态氮预测方法，其特征在于：A＝15，B＝45，C＝90，D＝15，F为酱油发酵总天数-1，F＝179，N＝16。