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

1、為有效提高固態(tài)發(fā)酵過程檢測與控制的效率，以蛋白飼料固態(tài)發(fā)酵為研究對象，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)檢測方法。首先對獲取的固態(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)間中進一步篩選特征波長變量，最后利用入選的特征波長變量結(jié)合偏最小二乘(PLS)法建立固態(tài)發(fā)酵過程參數(shù)pH和濕度的定量檢測模型。試驗結(jié)果顯示，對于參數(shù)pH，其最終檢測模型建立僅選用了45個特征波長變量，且當參與模型建立的主因子數(shù)為7時，可獲得最佳的預(yù)測性能。該最佳模型在訓(xùn)練集中的交互驗證均方根誤差(RMSECV)和相關(guān)系數(shù)（Rc）分別為0.0

3、583和0.9878;當利用驗證集中的獨立樣本對該模型進行驗證時，其預(yù)測均方根誤差(RMSEP)和相關(guān)系數(shù)（Rp）分別為0.0779和0.9779，對于參數(shù)濕度，其最終檢測模型建立僅選用了53個特征波長變量，且當參與模型建立的主因子數(shù)為4時，可獲得最佳的預(yù)測性能。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;當利用驗證集中的獨立樣本對該模型進行驗證時，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)來實現(xiàn)固態(tài)發(fā)酵過程參數(shù)的快速檢測是可行的;另外，在模型校正過程中進行近紅外光譜特征波長的篩選是有必要的，可有效降低預(yù)測模型的復(fù)雜度、同時提高預(yù)測模型的泛化性能。
　　 (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)模式識別。首先對獲取的固態(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)對其進行濾噪和特征提取;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)識別模型。同時，四個傳統(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(SVM)，分別有比較地被用來建立固態(tài)發(fā)酵過程狀態(tài)識別模型。試驗結(jié)果顯示，當訓(xùn)練集中目標類與非目標類樣本數(shù)量均衡時，各識別模型在驗證集中均能取得較好的識別結(jié)果;當訓(xùn)練集中目標類與非目標類樣本數(shù)量失衡時，SVDD方法就顯示出其在處理失衡訓(xùn)練樣本集問題上的獨特優(yōu)勢。當訓(xùn)練集中的目標

6、類與非目標類樣本個數(shù)比為1:4和1:8時，SVDD識別模型在驗證集中的正確識別率分別為95％和90％。而同等條件下，基于傳統(tǒng)二分類算法的四個識別模型在驗證集中的正確識別率均不高于70％。研究結(jié)果表明，利用近紅外光譜技術(shù)來實現(xiàn)固態(tài)發(fā)酵過程狀態(tài)的快速識別是可行的;另外，SVDD算法能有效處理出現(xiàn)失衡訓(xùn)練樣本集時，固態(tài)發(fā)酵過程狀態(tài)精確識別模型的建立問題，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

7、別。首先對提取的電子鼻信號的原始特征信息進行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)的識別模型。試驗結(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進行直接區(qū)分;另外，通過對比各線性與非線性識別模型的分類性能，SVM方法更適合用于本研究特定對象識別模型的建立，且最

8、佳SVM識別模型在訓(xùn)練集和驗證集中的正確識別率分別為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)模式識別。首先對試驗獲取的固態(tài)發(fā)酵物樣本的近紅外光譜和電子鼻信號進行預(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);最后引入獨立分量分析(ICA)對優(yōu)化后的基于各單技術(shù)識別模型的最佳主因子組合在特征級層面進行融合，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識別模型，參與模型建立的獨立分量個數(shù)為4，該最佳模型在訓(xùn)練集和驗證集中的正確識別率分別為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識別模型的分類結(jié)果來看，兩技術(shù)融合識別模型的分類性能無論是在訓(xùn)練集中還是驗證集中都要優(yōu)于基于各單技術(shù)識別模型的分類性能，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)進行融合應(yīng)用于固態(tài)發(fā)酵過程狀態(tài)的識別是可行的，且其模型的識別精度和穩(wěn)定性均優(yōu)于基于各單技術(shù)模型的識別精度和穩(wěn)定性。
　　 本研究為固態(tài)發(fā)酵過程檢測與控制帶來新思路，旨在提高固體發(fā)酵過程參數(shù)檢測和過程狀態(tài)監(jiān)