基于近紅外光譜的固態(tài)發(fā)酵過程參數(shù)軟測量方法研究.pdf

1、固態(tài)發(fā)酵是一個(gè)多相多變量、強(qiáng)耦合的非線性系統(tǒng)。在實(shí)際的固態(tài)發(fā)酵生產(chǎn)過程中，由于硬件檢測設(shè)備缺乏和價(jià)格過高的原因，一些關(guān)鍵變量的信息只能通過離線檢測獲得，往往造成信息滯后。這嚴(yán)重制約了固態(tài)發(fā)酵系統(tǒng)控制性能的提高。近紅外光譜分析技術(shù)具有快速、無損、準(zhǔn)確，多組分同時(shí)檢測等優(yōu)點(diǎn)，將其與軟測量方結(jié)合是解決上述問題的有效途徑之一。
　　 本文以秸稈飼料蛋白發(fā)酵過程為研究對象，在實(shí)驗(yàn)獲取的發(fā)酵樣本近紅外光譜基礎(chǔ)上，將近紅外光譜分析技術(shù)與軟測量

2、方法結(jié)合起來，建立了基于BP-Adaboost的秸稈蛋白飼料固態(tài)發(fā)酵過程參數(shù)檢測軟測量模型，并采用PSO算法對該模型進(jìn)行了優(yōu)化。全文主要研究內(nèi)容如下:
　　 1、在秸稈蛋白飼料固態(tài)發(fā)酵實(shí)驗(yàn)的基礎(chǔ)上，獲得秸稈固態(tài)發(fā)酵過程產(chǎn)物樣本，測得樣本的近紅外光譜和對應(yīng)的pH值。采用四種不同的預(yù)處理方法對光譜進(jìn)行預(yù)處理，并確定了該光譜的最佳預(yù)處理方法。
　　 2、將AdaBoost算法與近紅外光譜分析技術(shù)結(jié)合起來，建立了BP-AdaBo

3、ost軟測量模型，并把BP-Adaboost模型的預(yù)測結(jié)果分別與傳統(tǒng)BP神經(jīng)網(wǎng)絡(luò)模型、偏最小二乘模型(PLS)、最小二乘支持向量機(jī)模型的結(jié)果進(jìn)行了比較。
　　 3、提出了基于PSO算法的BP-Adaboost模型參數(shù)Φ的優(yōu)化方法，并給出了適應(yīng)于優(yōu)化模型參數(shù)Φ的適應(yīng)度函數(shù)。詳細(xì)介紹了模型建立及優(yōu)化的步驟，并驗(yàn)證了該方法的可行性和優(yōu)化后BP-Adaboost模型的優(yōu)越性。
　　 4、提出一種BP-Adaboost的優(yōu)化建模方

4、法，即在Adaboost算法的基礎(chǔ)上，對各弱預(yù)測器的組合權(quán)值進(jìn)一步調(diào)整優(yōu)化:進(jìn)一步加強(qiáng)預(yù)測效果好的弱預(yù)測器的權(quán)值，進(jìn)一步削弱預(yù)測效果較差的弱預(yù)測器權(quán)值。并根據(jù)經(jīng)驗(yàn)調(diào)整模型權(quán)重系數(shù)W，提高了BP-Adaboost模型的預(yù)測精度，驗(yàn)證了該方法的可行性。
　　 5、針對根據(jù)經(jīng)驗(yàn)調(diào)整BP-Adaboost模型弱預(yù)測器權(quán)重系數(shù)W比較費(fèi)時(shí)、繁瑣，且較難找到最優(yōu)權(quán)值的問題。研究采用PSO算法，利用其全局尋優(yōu)能力，優(yōu)化BP-Adaboost模型