开云优惠体育网页版入口

专利名称：一种红曲菌产生色素的稳定性控制方法及系统

专利类型：实用新型专利

专利申请号：CN202410407789.6

专利申请（专利权）人：西藏红曲生物股份有限公司
权利人地址：西藏自治区拉萨市拉萨经济技术开发区维色路9号

专利发明（设计）人：胡学民,伏雪,伍七林

专利摘要：本申请公开了一种红曲菌产生色素的稳定性控制方法及系统。所述方法包括：采集红曲菌当前产生色素过程中的数据，以得到生产参数；对所述生产参数进行数据预处理，以得到生产特征；将所述生产特征进行自适应滤波处理，所述处理的结果用于进行反残差计算，以进行快速推理；以及基于所述快速推理的结果，对所述生产参数进行调整，以稳定所述红曲菌的色素产量。通过本申请方案能够提高控制能力，降低控制成本。

主权利要求：
1.一种红曲菌产生色素的稳定性控制方法，其特征在于，包括：采集红曲菌当前产生色素过程中的数据，以得到生产参数；其中所述数据包括温度、pH值、氧气供给、养料浓度和当前色素产量；
对所述生产参数进行数据预处理，以得到生产特征；其中所述数据预处理的方法包括：其中，yi表示位置i处理后的生产参数，k表示窗口大。瑇i+j表示生产参数，j表示步长；
将所述生产特征进行自适应滤波处理，所述处理的结果用于进行反残差计算，以进行快速推理；
所述处理的结果用于进行反残差计算，以进行快速推理包括：将所述生产特征转换到频域空间，以得到频域特征；
对所述频域特征和空域中的生产特征进行Hadamard积运算，所述运算的结果用于输入自注意力层，以得到自适应特征；
将所述自适应特征拆分为多个向量元，以进行向量元混合；以及将向量元混合的结果输入反残差模块，所述模块的输出用于输入前馈神经网络，以推理得到目标时刻的预测色素产量；
其中所述反残差模块的结构包括：
F(·)＝Conv(Conv(MHSA(·))+(·))，其中，F()表示一个反残差模块，Conv()表示卷积神经网络，MHSA()表示级联多头注意力层，(·)表示模块的输入；
所述模块的输出用于输入前馈神经网络，以推理得到目标时刻的预测色素产量之前，还包括：将温度、pH值、氧气供给和养料浓度的数值作为动作；
将当前色素产量作为奖励；以及
基于所述动作和奖励构造强化学习模型，以对所述反残差模块进行训练；以及基于所述快速推理的结果，对所述生产参数进行调整，以稳定所述红曲菌的色素产量。
2.根据权利要求1所述的方法，其特征在于，其中将所述生产特征转换到频域空间，以得到频域特征包括：其中，f(t)表示生产特征，Wf(a,b)表示频域特征，a表示尺度参数，b表示位置参数，ψ()表示基函数。
3.根据权利要求1所述的方法，其特征在于，其中将所述自适应特征拆分为多个向量元，以进行向量元混合包括：使用目标嵌入函数计算每个向量元，所述计算的结果用于与嵌入的权重进行加权，以得到嵌入特征；以及基于所述向量元的权重，对所述嵌入特征进行混合。
4.根据权利要求3所述的方法，其特征在于，其中使用目标嵌入函数计算每个向量元，所述计算的结果用于与嵌入的权重进行加权，以得到嵌入特征包括：其中，q表示嵌入特征， 表示目标嵌入函数，ωi表示嵌入的权重，p表示向量元，N(p)表示向量元p的集合，i表示集合中的索引。
5.根据权利要求3所述的方法，其特征在于，其中基于所述向量元的权重，对所述嵌入特征进行混合包括：其中， 表示混合后的结果，h表示嵌入特征第一方向的长度，w表示嵌入特征第二方向的长度，K(x)表示向量元的权重，x(m,n)表示嵌入特征在(m,n)位置对应的向量元。
6.一种红曲菌产生色素的稳定性控制系统，其特征在于，包括：采集模块，用于采集红曲菌当前产生色素过程中的数据，以得到生产参数；其中所述数据包括温度、pH值、氧气供给、养料浓度和当前色素产量；
数据预处理模块，用于对所述生产参数进行数据预处理，以得到生产特征；
推理模块，用于将所述生产特征进行自适应滤波处理，所述处理的结果用于进行反残差计算，以进行快速推理；
所述处理的结果用于进行反残差计算，以进行快速推理包括：将所述生产特征转换到频域空间，以得到频域特征；
对所述频域特征和空域中的生产特征进行Hadamard积运算，所述运算的结果用于输入自注意力层，以得到自适应特征；
将所述自适应特征拆分为多个向量元，以进行向量元混合；以及将向量元混合的结果输入反残差模块，所述模块的输出用于输入前馈神经网络，以推理得到目标时刻的预测色素产量；
其中所述反残差模块的结构包括：
F(·)＝Conv(Conv(MHSA(·))+(·))，其中，F()表示一个反残差模块，Conv()表示卷积神经网络，MHSA()表示级联多头注意力层，(·)表示模块的输入；
所述模块的输出用于输入前馈神经网络，以推理得到目标时刻的预测色素产量之前，还包括：将温度、pH值、氧气供给和养料浓度的数值作为动作；
将当前色素产量作为奖励；以及
基于所述动作和奖励构造强化学习模型，以对所述反残差模块进行训练；以及稳定控制模块，用于基于所述快速推理的结果，对所述生产参数进行调整，以稳定所述红曲菌的色素产量。 说明书 : 一种红曲菌产生色素的稳定性控制方法及系统技术领域[0001] 本申请涉及人工智能领域，尤其涉及一种红曲菌产生色素的稳定性控制方法及系统。背景技术[0002] 红曲菌是一种真菌，能够产生红色素，通常被用于食品加工中，如发酵豆腐、米醋和黄酒等。红曲色素不仅赋予食品独特的颜色和风味，还具有抗氧化、抗菌和降血脂等功能，因此在现代开云优惠体育网页版入口发展中扮演着重要角色。红曲菌产生色素的稳定性控制即指在其培养和发酵过程中，采取措施确保色素产量和质量稳定，并且能够抵御外界环境因素对色素产生的影响。这一控制在食品工业中至关重要，因为它直接关系到最终产品的品质和稳定性，也影响到产品的市场竞争力。[0003] 目前广泛应用的红曲菌产生色素的稳定性控制方法包括优化培养基配方、控制发酵条件、利用工程菌株等。优化培养基配方可以通过添加适当的碳、氮源和微量元素来提高色素产量和稳定性；控制发酵条件则包括温度、pH值、氧气供应等参数的调节，以创造最适合红曲菌生长和色素产生的环境；利用工程菌株则是通过基因工程技术改良菌株，使其具有更高的色素产量和稳定性。然而，这些方法仍然面临一些挑战，比如产量不稳定、耗能过大、生产周期长等问题，限制了红曲菌色素生产的效率和可持续性。[0004] 因此，亟需一种技术方案，从而能够提高控制能力，降低控制成本。发明内容[0005] 为了解决现有技术的不足，本申请实施例提供了一种红曲菌产生色素的稳定性控制方法及系统。本申请解决了现有控制方法的能力差，成本高等技术问题。[0006] 一种红曲菌产生色素的稳定性控制方法，包括：采集红曲菌当前产生色素过程中的数据，以得到生产参数；其中所述数据包括温度、pH值、氧气供给、养料浓度和当前色素产量；对所述生产参数进行数据预处理，以得到生产特征；其中所述数据预处理的方法包括：其中，yi表示位置i处理后的生产参数，k表示窗口大。瑇i+j表示生产参数，j表示步长；将所述生产特征进行自适应滤波处理，所述处理的结果用于进行反残差计算，以进行快速推理；以及基于所述快速推理的结果，对所述生产参数进行调整，以稳定所述红曲菌的色素产量。[0007] 一种可能的实现方式中，其中将所述生产特征进行自适应滤波处理，所述处理的结果用于进行反残差计算，以进行快速推理包括：将所述生产特征转换到频域空间，以得到频域特征；对所述频域特征和空域中的生产特征进行Hadamard积运算，所述运算的结果用于输入自注意力层，以得到自适应特征；将所述自适应特征拆分为多个向量元，以进行向量元混合；以及将向量元混合的结果输入反残差模块，所述模块的输出用于输入前馈神经网络，以推理得到目标时刻的预测色素产量。[0008] 一种可能的实现方式中，其中将所述生产特征转换到频域空间，以得到频域特征包括： 其中，f(t)表示生产特征，Wf(a,b)表示频域特征，a表示尺度参数，b表示位置参数，ψ()表示基函数。[0009] 一种可能的实现方式中，其中将所述自适应特征拆分为多个向量元，以进行向量元混合包括：使用目标嵌入函数计算每个向量元，所述计算的结果用于与嵌入的权重进行加权，以得到嵌入特征；以及基于所述向量元的权重，对所述嵌入特征进行混合。[0010] 一种可能的实现方式中，其中使用目标嵌入函数计算每个向量元，所述计算的结果用于与嵌入的权重进行加权，以得到嵌入特征包括： 其中，q表示嵌入特征， 表示目标嵌入函数，ωi表示嵌入的权重，p表示向量元，N(p)表示向量元p的集合，i表示集合中的索引。[0011] 一种可能的实现方式中，其中基于所述向量元的权重，对所述嵌入特征进行混合包括： 其中，表示混合后的结果，h表示嵌入特征第一方向的长度，w表示嵌入特征第二方向的长度，K(x)表示向量元的权重，x(m,n)表示嵌入特征在(m,n)位置对应的向量元。[0012] 一种可能的实现方式中，其中所述反残差模块的结构包括：F(·)＝Conv(Conv(MHSA(·))+(·))，其中，F()表示一个反残差模块，Conv()表示卷积神经网络，MHSA()表示级联多头注意力层，(·)表示模块的输入。[0013] 一种可能的实现方式中，其中，在将向量元混合的结果输入反残差模块，所述模块的输出用于输入前馈神经网络，以推理得到目标时刻的预测色素产量之前，还包括：将温度、pH值、氧气供给和养料浓度的数值作为动作；将当前色素产量作为奖励；以及基于所述动作和奖励构造强化学习模型，以对所述反残差模块进行训练。[0014] 本申请实施例还提供了一种红曲菌产生色素的稳定性控制系统，包括：采集模块，用于采集红曲菌当前产生色素过程中的数据，以得到生产参数；其中所述数据包括温度、pH值、氧气供给、养料浓度和当前色素产量；数据预处理模块，用于对所述生产参数进行数据预处理，以得到生产特征；推理模块，用于将所述生产特征进行自适应滤波处理，所述处理的结果用于进行反残差计算，以进行快速推理；以及稳定控制模块，用于基于所述快速推理的结果，对所述生产参数进行调整，以稳定所述红曲菌的色素产量。[0015] 本申请实施例还提供了一种用于红曲菌产生色素的稳定性控制的装置，包括：处理器、存储器、系统总线；其中，所述处理器以及所述存储器通过所述系统总线相连；所述存储器用于存储一个或多个程序，所述一个或多个程序包括指令，所述指令当被所述处理器执行时使所述处理器执行上述任意一项所述的系统或方法。[0016] 通过如上所提供的一种红曲菌产生色素的稳定性控制方法及系统，本申请实施例通过结合深度学习的方式，能够提高控制能力，降低控制成本。附图说明[0017] 为了更清楚地说明本申请实施例或现有技术中的技术方案，下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图是本申请的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他的附图。[0018] 图1为本申请实施例提供的一种红曲菌产生色素的稳定性控制方法的示意图；[0019] 图2为本申请实施例提供的一种快速推理的示例性流程图。具体实施方式[0020] 现在将参照附图来详细描述本公开的各种示例性实施例。应注意到：除非另外具体说明，否则在这些实施例中阐述的部件和步骤的相对布置、数字表达式和数值不限制本公开的范围。[0021] 本领域技术人员可以理解，本公开实施例中的“第一”、“第二”等术语仅用于区别不同步骤、设备或模块等，既不代表任何特定技术含义，也不表示它们之间的必然逻辑顺序。还应理解，在本公开实施例中，“多个”可以指两个或两个以上，“至少一个”可以指一个、两个或两个以上。还应理解，对于本公开实施例中提及的任一部件、数据或结构，在没有明确限定或者在前后文给出相反启示的情况下，一般可以理解为一个或多个。另外，本公开中术语“和/或”，仅仅是一种描述关联对象的关联关系，表示可以存在三种关系，例如，A和/或B，可以表示：单独存在A，同时存在A和B，单独存在B这三种情况。另外，本公开中字符“/”，一般表示前后关联对象是一种“或”的关系还应理解，本公开对各个实施例的描述着重强调各个实施例之间的不同之处，其相同或相似之处可以相互参考，为了简洁，不再一一赘述。[0022] 同时，应当明白，为了便于描述，附图中所示出的各个部分的尺寸并不是按照实际的比例关系绘制的。以下对至少一个示例性实施例的描述实际上仅仅是说明性的，决不作为对本公开及其应用或使用的任何限制。对于相关领域普通技术人员已知的技术、方法和设备可能不作详细讨论，但在适当情况下，所述技术、方法和设备应当被视为说明书的一部分。应注意到：相似的标号和字母在下面的附图中表示类似项，因此，一旦某一项在一个附图中被定义，则在随后的附图中不需要对其进行进一步讨论。[0023] 为使本申请实施例的目的、技术方案和优点更加清楚，下面将结合本申请实施例中的附图，对本申请实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例是本申请一部分实施例，而不是全部的实施例。基于本申请中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本申请保护的范围。[0024] 图1为本申请实施例提供的一种红曲菌产生色素的稳定性控制方法的示意图。如图1所示，在步骤S101处，采集红曲菌当前产生色素过程中的数据，以得到生产参数；其中所述数据包括温度、pH值、氧气供给、养料浓度和当前色素产量。需要理解的是，红曲菌是一种重要的微生物菌种，在发酵过程中可以产生多种有益物质，其中包括色素。色素的产生受到多种因素的影响，如温度、pH值、氧气供给、养料浓度等。这些因素可以通过数学模型来描述其对色素产量的影响，从而实现对生产参数的优化和控制。[0025] 在步骤S102处，对所述生产参数进行数据预处理，以得到生产特征；其中所述数据预处理的方法包括：[0026][0027] 其中，yi表示位置i处理后的生产参数，k表示窗口大。瑇i+j表示生产参数，j表示步长。在实际应用中，选择合适的窗口大小和步长对于数据预处理的效果至关重要。较大的窗口大小可以捕捉更广泛的上下文信息，但可能导致信息的混淆和过度平滑化；而较小的窗口大小则可能导致细节信息的丢失。因此，在具体应用中需要根据实际情况进行参数选择和调优。这种数据预处理方法的优势在于能够有效地减少数据中的噪声和不必要的波动，突出生产参数中的潜在特征。[0028] 在步骤S103处，将所述生产特征进行自适应滤波处理，所述处理的结果用于进行反残差计算，以进行快速推理(如图2所示，具体方法将在图2处展开说明)。自适应滤波是一种信号处理技术，用于根据信号的局部特性来调整滤波器的参数，以更好地适应信号的动态变化。而反残差计算则是指通过对信号的残差进行计算和处理，以获取有关信号的额外信息。[0029] 需要说明的是，在将所述生产特征进行自适应滤波处理，所述处理的结果用于进行反残差计算，以进行快速推理之前，还包括：将温度、pH值、氧气供给和养料浓度的数值作为动作；将当前色素产量作为奖励；以及基于所述动作和奖励构造强化学习模型，以对所述反残差模块进行训练。[0030] 在这一过程中，首先需要考虑的是将生产特征进行自适应滤波处理的步骤。自适应滤波是一种信号处理技术，旨在根据信号本身的统计特性来调整滤波器的参数，以实现对信号的有效处理和去噪。具体而言，在本文提到的生产特征中，可能存在各种噪声和干扰，自适应滤波可以帮助去除这些干扰，使得最终处理结果更加准确和可靠。自适应滤波的核心在于不断地更新滤波器的权重，以适应信号的变化特性，提高滤波效果。[0031] 接下来，所述处理结果用于进行反残差计算。反残差计算是指通过对处理结果与期望数值之间的残差进行计算和反向传播，来调整模型参数以达到更好的预测效果。在这里，可以采用各种反馈控制算法或神经网络结构，以实现对生产特征的准确建：驮げ。[0032] 在构造强化学习模型的过程中，首先需要定义状态空间、动作空间和奖励函数。状态空间可以由温度、pH值、氧气供给和养料浓度等生产特征组成，动作空间则包括调整这些参数的可能操作，奖励函数则基于当前色素产量的增减情况来评估模型的表现。强化学习模型的目标是通过与环境的交互学习，找到最优的策略，以最大化长期累积奖励。这一过程中，模型可以采用各种强化学习算法，如Q学习、深度强化学习等，来实现对反残差模块的优化和训练。[0033] 在步骤S104处，基于所述快速推理的结果，对所述生产参数进行调整，以稳定所述红曲菌的色素产量。[0034] 图2为本申请实施例提供的一种快速推理的示例性流程图。需要理解的是，图中所示方法是示例性而非限制性的。这意味着所涉及的模块架构并不受限于特定的形式或设计，而是作为示例来呈现。换言之，图中展示的架构可以被视为一种表达方式，用以清晰地描述相关概念和关系，并不排斥其他形式的架构。因此，在解释所述图片中架构时，应当理解该模块具有灵活性和多样性，其目的在于提供一种示例性描述，而非对特定形式的限制性规定。[0035] 如图2所示，在步骤S201处，将所述生产特征转换到频域空间，以得到频域特征。在一个实施例中，可以包括：[0036][0037] 其中，f(t)表示生产特征，Wf(a,b)表示频域特征，a表示尺度参数，b表示位置参数，ψ()表示基函数。需要理解的是，频域分析是一种信号处理中的方法，通过将信号从时域转换到频域，可以揭示信号的频率成分和振幅信息，有助于对信号进行更深入的分析和处理。通过以上的频域特征提取过程，可以将原始的生产特征转换到频域空间中，从而揭示出不同频率成分对应的能量分布情况。这有助于在频域上对信号进行建：头治，进而实现对信号特性的深入理解和利用。通过频域特征的提。梢晕笮男藕糯砣挝裉峁└岣坏男畔⒑透行У奶卣鞅硎，从而提升整个系统的性能和鲁棒性。[0038] 在步骤S202处，对所述频域特征和空域中的生产特征进行Hadamard积运算，所述运算的结果用于输入自注意力层，以得到自适应特征。需要理解的是，频域特征和空域中的生产特征是指在信号处理和图像处理领域中常用的两种不同表示方式。频域特征是指信号或图像在频率域上的表现，通常通过对信号或图像进行傅立叶变换来获取。而空域中的生产特征则是指信号或图像在时域上的原始表示，即其在空间中的像素值分布情况。[0039] Hadamard积运算是一种对应元素相乘的运算，通常用符号⊙表示。给定两个相同大小的矩阵或张量A和B，它们的Hadamard积结果C的每个元素c[i][j]都等于对应位置上A和B的元素相乘，即c[i][j]＝a[i][j]*b[i][j]。[0040] 自注意力层是一种常用于深度学习模型中的机制，用于捕捉输入序列中各个位置之间的关联性和依赖关系。其基本原理是通过计算输入序列中各个位置的注意力权重，从而加强或抑制不同位置的表示，以获得更好的特征表征。自注意力机制通常通过计算注意力分数、应用softmax函数和加权求和来实现。[0041] 在本文所描述的方法中，对所述频域特征和空域中的生产特征进行Hadamard积运算的目的是将它们的特征信息进行融合，并生成用于输入自注意力层的自适应特征。这种特征融合和转换可以有效地结合频域和空域中的信息，提高模型对输入数据的理解和表征能力。具体而言，假设频域特征表示为F，空域中的生产特征表示为P，则进行Hadamard积运算后得到的特征表示为H＝F⊙P。[0042] 接下来，将得到的自适应特征H输入自注意力层进行处理。自注意力层会对输入序列中各个位置的特征进行关联性计算，并生成每个位置的注意力权重。这些权重可以反映出输入序列中各个位置之间的重要程度和关联程度，从而帮助模型更好地理解和利用输入数据的信息。最终，通过自注意力层的处理，可以得到更加丰富和准确的特征表示，用于后续的任务和应用。[0043] 在步骤S203处，将所述自适应特征拆分为多个向量元，以进行向量元混合。具体而言，首先，使用目标嵌入函数计算每个向量元，所述计算的结果用于与嵌入的权重进行加权，以得到嵌入特征。在一个实施例中：[0044][0045] 其中，q表示嵌入特征， 表示目标嵌入函数，ωi表示嵌入的权重，p表示向量元，N(p)表示向量元p的集合，i表示集合中的索引。通过对向量元集合中的每个元素应用目标嵌入函数，并根据对应的嵌入权重进行加权求和，最终得到了表示整个集合的嵌入特征。这种方法能够有效地捕捉向量元之间的关系和特征，为后续的数据处理和模型应用提供了有力支持。[0046] 在实际应用中，目标嵌入函数的选择和权重的调节至关重要，它们直接影响了最终嵌入特征的质量和表达能力。通过合理设计目标嵌入函数和精心设置权重参数，可以使得嵌入特征更好地反映原始数据的特点，从而提升模型在各种任务上的性能表现。[0047] 然后，基于所述向量元的权重，对所述嵌入特征进行混合。需要理解的是，嵌入特征是指将高维数据映射到低维空间的技术，通常用于表示数据的关键特征。例如，在图像处理中，嵌入特征可以用于描述图像中的抽象信息，如纹理、形状和结构等。然而，在实际应用中，由于数据的复杂性和多样性，单一的嵌入特征往往难以充分表达数据的丰富信息，因此需要将多个嵌入特征进行混合，以获得更加全面和准确的数据表示。然而，目前存在的嵌入特征混合方法往往存在以下问题：一是对嵌入特征的权重分配不够灵活和精准，难以有效地捕捉数据的内在特性；二是在进行嵌入特征混合时，计算复杂度较高，导致混合效率低下；三是现有技术难以充分考虑嵌入特征之间的相互影响和关联，难以实现对数据的全局建模。在一个实施例中：[0048][0049] 其中，表示混合后的结果，h表示嵌入特征第一方向的长度，w表示嵌入特征第二方向的长度，K(x)表示向量元的权重，x(m,n)表示嵌入特征在(m,n)位置对应的向量元。通过本申请方法，能够实现对嵌入特征的灵活、精准混合，进而获得更加全面、准确的数据表示。并且计算复杂度低，混合效率高，适用于大规模数据的处理。此外，还能够充分考虑嵌入特征之间的相互影响和关联，实现对数据的全局建模。[0050] 在步骤S204处，将向量元混合的结果输入反残差模块，所述模块的输出用于输入前馈神经网络，以推理得到目标时刻的预测色素产量。其中，所述反残差模块的结构包括：[0051] F(·)＝Conv(Conv(MHSA(·))+(·))，[0052] 其中，F()表示一个反残差模块，Conv()表示卷积神经网络，MHSA()表示级联多头注意力层，(·)表示模块的输入。需要注意的是，向量元混合的过程是指将不同维度的元素向量进行混合和整合，通常采用线性变换或非线性变换等方式。这一步旨在获得更加综合和全局的特征表示，以更好地支持后续的模型学习和推理。[0053] 在这里，反残差模块的设计采用了级联多头注意力层和卷积神经网络相结合的方式。多头注意力机制是一种用于捕捉序列信息中全局依赖关系的机制，它通过对序列中不同位置的交互和关联进行建模，获得了更加全局和综合的序列表示。同时，卷积神经网络具有对局部特征的优良表达能力，利用卷积操作可以有效捕捉序列中的局部模式和特征。[0054] 具体而言，反残差模块的结构F(·)＝Conv(Conv(MHSA(·))+(·))中，首先通过MHSA()对输入进行多头注意力机制的处理，获得了更加全局和丰富的序列特征表示。随后，将该表示通过卷积操作Conv(MHSA(·))进行进一步的特征提取和变换，以获得更加高级和抽象的特征表示。最后，将卷积操作的输出与输入(·)进行残差连接，并再次通过卷积操作Conv(Conv(MHSA(·))+(·))来获得最终的模块输出F(·)。[0055] 这样设计的反残差模块在一定程度上综合了多头注意力机制和卷积操作的优势，使得模块能够更好地捕捉序列中的全局依赖关系和局部模式，为后续的前馈神经网络提供更加全面和有效的特征表示。同时，该模块的设计也考虑了在实际应用中的计算效率和模型参数量的平衡。[0056] 进一步地，本申请实施例还提供了一种用于红曲菌产生色素的稳定性控制的装置，包括：处理器、存储器、系统总线；所述处理器以及所述存储器通过所述系统总线相连；所述存储器用于存储一个或多个程序，所述一个或多个程序包括指令，所述指令当被所述处理器执行时使所述处理器执行上述的处理方法的任一种实现方法。[0057] 进一步地，本申请实施例还提供了一种计算机程序产品，所述计算机程序产品在终端设备上运行时，使得所述终端设备执行上述处理方法的任一种实现方法。[0058] 通过以上的实施方式的描述可知，本领域的技术人员可以清楚地了解到上述实施例方法中的全部或部分步骤可借助软件加必需的通用硬件平台的方式来实现。基于这样的理解，本申请的技术方案本质上或者说对现有技术做出贡献的部分可以以软件产品的形式体现出来，该计算机软件产品可以存储在存储介质中，如ROM/RAM、磁碟、光盘等，包括若干指令用以使得一台计算机设备(可以是个人计算机，服务器，或者诸如媒体网关等网络通信设备，等等)执行本申请各个实施例或者实施例的某些部分所述的方法。[0059] 需要说明的是，本说明书中各个实施例采用递进的方式描述，每个实施例重点说明的都是与其他实施例的不同之处，各个实施例之间相同相似部分互相参见即可。对于实施例公开的装置而言，由于其与实施例公开的方法相对应，所以描述的比较简单，相关之处参见方法部分说明即可。[0060] 还需要说明的是，在本文中，诸如第一和第二等之类的关系术语仅仅用来将一个实体或者操作与另一个实体或操作区分开来，而不一定要求或者暗示这些实体或操作之间存在任何这种实际的关系或者顺序。而且，术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含，从而使得包括一系列要素的过程、方法、物品或者设备不仅包括那些要素，而且还包括没有明确列出的其他要素，或者是还包括为这种过程、方法、物品或者设备所固有的要素。在没有更多限制的情况下，由语句“包括一个……”限定的要素，并不排除在包括所述要素的过程、方法、物品或者设备中还存在另外的相同要素。[0061] 对所公开的实施例的上述说明，使本领域专业技术人员能够实现或使用本申请。对这些实施例的多种修改对本领域的专业技术人员来说将是显而易见的，本文中所定义的一般原理可以在不脱离本申请的精神或范围的情况下，在其它实施例中实现。因此，本申请将不会被限制于本文所示的这些实施例，而是要符合与本文所公开的原理和新颖特点相一致的最宽的范围。

专利地区：西藏

专利申请日期：2024-04-07

专利公开日期：2024-11-22

专利公告号：CN118378064B