基于近紅外光譜和電子鼻技術(shù)的固態(tài)發(fā)酵過程檢測(cè)研究及應(yīng)用.pdf

1、為有效提高固態(tài)發(fā)酵過程檢測(cè)與控制的效率，以蛋白飼料固態(tài)發(fā)酵為研究對(duì)象，開展了基于近紅外光譜和電子鼻技術(shù)的固態(tài)發(fā)酵過程檢測(cè)研究及應(yīng)用。著重探討了基于近紅外光譜技術(shù)的固態(tài)發(fā)酵過程參數(shù)檢測(cè)方法，探討了基于近紅外光譜技術(shù)、電子鼻技術(shù)以及多傳感器信息融合技術(shù)的固態(tài)發(fā)酵過程狀態(tài)模式識(shí)別。具體研究工作如下:
　　 (1)探討了基于近紅外光譜技術(shù)的固態(tài)發(fā)酵過程參數(shù)檢測(cè)方法。首先對(duì)獲取的固態(tài)發(fā)酵物樣本的近紅外光譜采用一階導(dǎo)數(shù)法進(jìn)行預(yù)處理，然后利用

2、聯(lián)合區(qū)間偏最小二乘(siPLS)法優(yōu)選特征光譜子區(qū)間，接著引入遺傳算法(GA)從優(yōu)選的特征光譜子區(qū)間中進(jìn)一步篩選特征波長(zhǎng)變量，最后利用入選的特征波長(zhǎng)變量結(jié)合偏最小二乘(PLS)法建立固態(tài)發(fā)酵過程參數(shù)pH和濕度的定量檢測(cè)模型。試驗(yàn)結(jié)果顯示，對(duì)于參數(shù)pH，其最終檢測(cè)模型建立僅選用了45個(gè)特征波長(zhǎng)變量，且當(dāng)參與模型建立的主因子數(shù)為7時(shí)，可獲得最佳的預(yù)測(cè)性能。該最佳模型在訓(xùn)練集中的交互驗(yàn)證均方根誤差(RMSECV)和相關(guān)系數(shù)（Rc）分別為0.0

3、583和0.9878;當(dāng)利用驗(yàn)證集中的獨(dú)立樣本對(duì)該模型進(jìn)行驗(yàn)證時(shí)，其預(yù)測(cè)均方根誤差(RMSEP)和相關(guān)系數(shù)（Rp）分別為0.0779和0.9779，對(duì)于參數(shù)濕度，其最終檢測(cè)模型建立僅選用了53個(gè)特征波長(zhǎng)變量，且當(dāng)參與模型建立的主因子數(shù)為4時(shí)，可獲得最佳的預(yù)測(cè)性能。該最佳模型在訓(xùn)練集中的RMSECV和Rc分別為1.3286％w/w和0.8992;當(dāng)利用驗(yàn)證集中的獨(dú)立樣本對(duì)該模型進(jìn)行驗(yàn)證時(shí)，其RMSEP和Rp分別為1.2668％w/w和0.

4、8700。研究結(jié)果表明，利用近紅外光譜技術(shù)來實(shí)現(xiàn)固態(tài)發(fā)酵過程參數(shù)的快速檢測(cè)是可行的;另外，在模型校正過程中進(jìn)行近紅外光譜特征波長(zhǎng)的篩選是有必要的，可有效降低預(yù)測(cè)模型的復(fù)雜度、同時(shí)提高預(yù)測(cè)模型的泛化性能。
　　 (2)探討了基于近紅外光譜技術(shù)的固態(tài)發(fā)酵過程狀態(tài)模式識(shí)別。首先對(duì)獲取的固態(tài)發(fā)酵物樣本的近紅外光譜，采用離散小波變換(DWT)結(jié)合主成分分析(PCA)對(duì)其進(jìn)行濾噪和特征提取;然后利用提取的特征變量建立基于一類分類算法——支持

5、向量數(shù)據(jù)描述(SVDD)的固態(tài)發(fā)酵過程狀態(tài)識(shí)別模型。同時(shí)，四個(gè)傳統(tǒng)的二分類算法，即線性判別分析(LDA)、K最近鄰（KNN）、BP神經(jīng)網(wǎng)絡(luò)（BPNN）及支持向量機(jī)(SVM)，分別有比較地被用來建立固態(tài)發(fā)酵過程狀態(tài)識(shí)別模型。試驗(yàn)結(jié)果顯示，當(dāng)訓(xùn)練集中目標(biāo)類與非目標(biāo)類樣本數(shù)量均衡時(shí)，各識(shí)別模型在驗(yàn)證集中均能取得較好的識(shí)別結(jié)果;當(dāng)訓(xùn)練集中目標(biāo)類與非目標(biāo)類樣本數(shù)量失衡時(shí)，SVDD方法就顯示出其在處理失衡訓(xùn)練樣本集問題上的獨(dú)特優(yōu)勢(shì)。當(dāng)訓(xùn)練集中的目標(biāo)

6、類與非目標(biāo)類樣本個(gè)數(shù)比為1:4和1:8時(shí)，SVDD識(shí)別模型在驗(yàn)證集中的正確識(shí)別率分別為95％和90％。而同等條件下，基于傳統(tǒng)二分類算法的四個(gè)識(shí)別模型在驗(yàn)證集中的正確識(shí)別率均不高于70％。研究結(jié)果表明，利用近紅外光譜技術(shù)來實(shí)現(xiàn)固態(tài)發(fā)酵過程狀態(tài)的快速識(shí)別是可行的;另外，SVDD算法能有效處理出現(xiàn)失衡訓(xùn)練樣本集時(shí)，固態(tài)發(fā)酵過程狀態(tài)精確識(shí)別模型的建立問題，拓展了該算法的應(yīng)用領(lǐng)域。
　　 (3)探討了基于電子鼻技術(shù)的固態(tài)發(fā)酵過程狀態(tài)模式識(shí)

7、別。首先對(duì)提取的電子鼻信號(hào)的原始特征信息進(jìn)行PCA處理并提取特征變量，然后引入不同的線性（LDA和KNN）與非線性(SVM)模式識(shí)別方法并結(jié)合PCA提取的特征變量建立固態(tài)發(fā)酵過程狀態(tài)的識(shí)別模型。試驗(yàn)結(jié)果顯示，通過主成分得分圖可以發(fā)現(xiàn)，不同發(fā)酵狀態(tài)樣本的聚類趨勢(shì)是很明顯的，尤其是在蛋白飼料固態(tài)發(fā)酵前期采集的樣本可以利用PCA進(jìn)行直接區(qū)分;另外，通過對(duì)比各線性與非線性識(shí)別模型的分類性能，SVM方法更適合用于本研究特定對(duì)象識(shí)別模型的建立，且最

8、佳SVM識(shí)別模型在訓(xùn)練集和驗(yàn)證集中的正確識(shí)別率分別為97.14％和91.43％。研究結(jié)果表明，利用電子鼻技術(shù)快速識(shí)別固態(tài)發(fā)酵的過程狀態(tài)是可行的。
　　 (4)探討了基于多傳感器信息融合技術(shù)的固態(tài)發(fā)酵過程狀態(tài)模式識(shí)別。首先對(duì)試驗(yàn)獲取的固態(tài)發(fā)酵物樣本的近紅外光譜和電子鼻信號(hào)進(jìn)行預(yù)處理和初始特征提取;然后利用PCA分別提取預(yù)處理后的近紅外光譜和電子鼻信號(hào)的特征信息;接著建立基于各單技術(shù)的固態(tài)發(fā)酵過程狀態(tài)識(shí)別模型，并在模型校正過程中優(yōu)化

9、參與模型建立的最佳主因子數(shù);最后引入獨(dú)立分量分析(ICA)對(duì)優(yōu)化后的基于各單技術(shù)識(shí)別模型的最佳主因子組合在特征級(jí)層面進(jìn)行融合，并建立基于BPAdaboost的固態(tài)發(fā)酵過程狀態(tài)的最佳融合識(shí)別模型。研究結(jié)果顯示，基于近紅外光譜和電子鼻兩技術(shù)融合的固態(tài)發(fā)酵過程狀態(tài)的最佳BPAdaboost識(shí)別模型，參與模型建立的獨(dú)立分量個(gè)數(shù)為4，該最佳模型在訓(xùn)練集和驗(yàn)證集中的正確識(shí)別率分別為99.05％和94.29％。從基于各技術(shù)的固態(tài)發(fā)酵過程狀態(tài)最佳BPA

10、daboost識(shí)別模型的分類結(jié)果來看，兩技術(shù)融合識(shí)別模型的分類性能無論是在訓(xùn)練集中還是驗(yàn)證集中都要優(yōu)于基于各單技術(shù)識(shí)別模型的分類性能，且其模型的復(fù)雜度也要低于基于各單技術(shù)識(shí)別模型的復(fù)雜度。研究結(jié)果表明，將近紅外光譜和電子鼻兩技術(shù)進(jìn)行融合應(yīng)用于固態(tài)發(fā)酵過程狀態(tài)的識(shí)別是可行的，且其模型的識(shí)別精度和穩(wěn)定性均優(yōu)于基于各單技術(shù)模型的識(shí)別精度和穩(wěn)定性。
　　 本研究為固態(tài)發(fā)酵過程檢測(cè)與控制帶來新思路，旨在提高固體發(fā)酵過程參數(shù)檢測(cè)和過程狀態(tài)監(jiān)