版權(quán)說(shuō)明:本文檔由用戶提供并上傳,收益歸屬內(nèi)容提供方,若內(nèi)容存在侵權(quán),請(qǐng)進(jìn)行舉報(bào)或認(rèn)領(lǐng)
文檔簡(jiǎn)介
1、在厭氧發(fā)酵過(guò)程中,需要實(shí)時(shí)監(jiān)測(cè)反應(yīng)器溫度、有機(jī)負(fù)荷率、pH、揮發(fā)性脂肪酸等發(fā)酵環(huán)境參數(shù)和發(fā)酵液理化性質(zhì),以保證發(fā)酵穩(wěn)定順利地運(yùn)行。應(yīng)用傳統(tǒng)化學(xué)分析方法檢測(cè)發(fā)酵過(guò)程發(fā)酵液重要物理化學(xué)性質(zhì)耗時(shí)費(fèi)力,不能滿足實(shí)際需要。光譜法具有快速、簡(jiǎn)便,能夠?qū)崿F(xiàn)發(fā)酵過(guò)程的在線實(shí)時(shí)監(jiān)測(cè),是一種具有廣泛應(yīng)用前景的過(guò)程監(jiān)測(cè)技術(shù)手段。本文采用了近紅外高光譜成像技術(shù)結(jié)合相關(guān)化學(xué)計(jì)量學(xué)方法和圖像處理方法,建立了稻草秸稈和水葫蘆混合厭氧發(fā)酵過(guò)程底物及液相產(chǎn)物中的重要參數(shù)
2、的預(yù)測(cè)模型及部分參數(shù)的高光譜圖像可視化,以期實(shí)現(xiàn)采用高光譜成像系統(tǒng)進(jìn)行在線監(jiān)測(cè)厭氧發(fā)酵的目標(biāo)。
(1)采用近紅外高光譜(波長(zhǎng)范圍874-1734nm)結(jié)合化學(xué)計(jì)量學(xué)方法實(shí)現(xiàn)發(fā)酵底物中總固體含量(TS)和揮發(fā)性固體含量(VS)的預(yù)測(cè)。首先,獲取發(fā)酵液樣本的高光譜圖像,應(yīng)用移動(dòng)平均平滑法(MAS)進(jìn)行光譜預(yù)處理,并采用競(jìng)爭(zhēng)自適應(yīng)加權(quán)采樣算法(CARS)、連續(xù)投影算法(SPA)和Random frog算法進(jìn)行特征光譜信息的提取?;?/p>
3、CARS、SPA和RF算法分別得到關(guān)于預(yù)測(cè)TS含量的特征波長(zhǎng)個(gè)數(shù)分別為11,5,8;用于預(yù)測(cè)VS含量的特征波長(zhǎng)個(gè)數(shù)分別為17,14,7。然后分別建立全波段和特征波段建立TS和VS的偏最小二乘回歸(PLSR)和最小二乘-支持向量機(jī)(LS-SVM)的預(yù)測(cè)回歸模型。結(jié)果表明:SPA-LS-SVM模型的預(yù)測(cè)結(jié)果最好,對(duì)于TS含量的預(yù)測(cè)均方根誤差(RMSEP)及相關(guān)系數(shù)(R)分別為0.0058、0.841;VS的預(yù)測(cè)均方根誤差、相關(guān)系數(shù)分別為0.
4、0041和0.874。因此,利用近紅外高光譜可以較為準(zhǔn)確地檢測(cè)厭氧發(fā)酵過(guò)程中的固形物含量,可為厭氧發(fā)酵過(guò)程中的固形物含量的檢測(cè)提供理論和實(shí)踐依據(jù)。
(2)采用近紅外高光譜結(jié)合化學(xué)計(jì)量學(xué)方法檢測(cè)發(fā)酵液pH及總無(wú)機(jī)碳(TIC)含量的預(yù)測(cè)模型。首先,獲取發(fā)酵液樣本的近紅外高光譜圖像信息,應(yīng)用小波變換(WT)進(jìn)行光譜圖像去噪預(yù)處理。然后采用SPA、Random frog算法和變量重要性投影算法(VIP)對(duì)pH進(jìn)行特征波長(zhǎng)提取并分別得到
5、了8,15和20個(gè)特征波長(zhǎng);應(yīng)用CARS、RF和SPA提取TIC光譜特征信息并分別得到了14,8和11個(gè)特征波長(zhǎng)。然后分別基于全波長(zhǎng)和特征波長(zhǎng)建立pH的偏最小二乘回歸模型和反向傳播人工神經(jīng)網(wǎng)絡(luò)(BPNN)的預(yù)測(cè)模型;建立TIC的PLS和BPNN的預(yù)測(cè)模型。其中,用SPA-BPNN模型進(jìn)行發(fā)酵液中pH含量的預(yù)測(cè)效果最好,RMSEP及R分別為0.0516、0.911;TIC預(yù)測(cè)模型中RF-BPNN預(yù)測(cè)結(jié)果最好;而用于TIC含量預(yù)測(cè)得到的預(yù)測(cè)
6、均方根誤差、相關(guān)系數(shù)分別為142.088mg/L和0.736。結(jié)果表明,利用近紅外高光譜可以較為準(zhǔn)確地檢測(cè)厭氧發(fā)酵過(guò)程中的pH和TIC濃度,對(duì)實(shí)現(xiàn)在線監(jiān)測(cè)厭氧發(fā)酵過(guò)程中pH和TIC含量,以確保發(fā)酵過(guò)程順利穩(wěn)定進(jìn)行具有重要意義。
(3)分別建立的關(guān)于pH的SPA-BPNN模型和關(guān)于TIC的RF-BPNN模型應(yīng)用于預(yù)測(cè)pH和TIC的高光譜圖像每一個(gè)像素點(diǎn)的理化性質(zhì),并得到了發(fā)酵液pH和TIC的高光譜圖像反演分布圖。由分布圖可知,p
溫馨提示
- 1. 本站所有資源如無(wú)特殊說(shuō)明,都需要本地電腦安裝OFFICE2007和PDF閱讀器。圖紙軟件為CAD,CAXA,PROE,UG,SolidWorks等.壓縮文件請(qǐng)下載最新的WinRAR軟件解壓。
- 2. 本站的文檔不包含任何第三方提供的附件圖紙等,如果需要附件,請(qǐng)聯(lián)系上傳者。文件的所有權(quán)益歸上傳用戶所有。
- 3. 本站RAR壓縮包中若帶圖紙,網(wǎng)頁(yè)內(nèi)容里面會(huì)有圖紙預(yù)覽,若沒有圖紙預(yù)覽就沒有圖紙。
- 4. 未經(jīng)權(quán)益所有人同意不得將文件中的內(nèi)容挪作商業(yè)或盈利用途。
- 5. 眾賞文庫(kù)僅提供信息存儲(chǔ)空間,僅對(duì)用戶上傳內(nèi)容的表現(xiàn)方式做保護(hù)處理,對(duì)用戶上傳分享的文檔內(nèi)容本身不做任何修改或編輯,并不能對(duì)任何下載內(nèi)容負(fù)責(zé)。
- 6. 下載文件中如有侵權(quán)或不適當(dāng)內(nèi)容,請(qǐng)與我們聯(lián)系,我們立即糾正。
- 7. 本站不保證下載資源的準(zhǔn)確性、安全性和完整性, 同時(shí)也不承擔(dān)用戶因使用這些下載資源對(duì)自己和他人造成任何形式的傷害或損失。
最新文檔
- 基于高光譜成像技術(shù)的干貝水分含量快速檢測(cè)研究.pdf
- 基于高光譜成像技術(shù)的對(duì)蝦品質(zhì)信息快速檢測(cè)方法研究.pdf
- 基于高光譜成像技術(shù)的蔬菜新鮮度快速檢測(cè)方法研究.pdf
- 小麥發(fā)芽特性高光譜成像快速檢測(cè)研究.pdf
- 基于高光譜成像技術(shù)的血跡形態(tài)特征檢測(cè)研究.pdf
- 基于高光譜成像技術(shù)的羊肉嫩度檢測(cè)研究.pdf
- 基于高光譜成像技術(shù)的柑橘葉片含氮量快速檢測(cè)方法研究.pdf
- 基于高光譜成像技術(shù)的銅品質(zhì)檢測(cè)方法研究.pdf
- 基于高光譜成像的目標(biāo)檢測(cè)算法研究.pdf
- 基于高光譜成像技術(shù)的蘋果品質(zhì)無(wú)損檢測(cè)研究.pdf
- 基于高光譜成像技術(shù)的肉品品質(zhì)無(wú)損檢測(cè)方法研究.pdf
- 基于高光譜成像技術(shù)的花生仁質(zhì)量無(wú)損檢測(cè)研究.pdf
- 基于高光譜成像技術(shù)的棉花雜質(zhì)檢測(cè)方法的研究.pdf
- 基于高光譜成像技術(shù)的靈武長(zhǎng)棗品質(zhì)無(wú)損檢測(cè)研究.pdf
- 基于高光譜成像技術(shù)的番茄灰霉病早期快速無(wú)損檢測(cè)機(jī)理和方法研究.pdf
- 基于高光譜成像技術(shù)的油菜信息獲取研究.pdf
- 基于高光譜成像技術(shù)的馬鈴薯薯形檢測(cè)與算法研究.pdf
- 基于高光譜成像技術(shù)的馬鈴薯內(nèi)部品質(zhì)無(wú)損檢測(cè)研究.pdf
- 高光譜成像
- 基于顯微高光譜成像技術(shù)的灘羊肉品質(zhì)檢測(cè)研究.pdf
評(píng)論
0/150
提交評(píng)論