基于近紅外光譜和電子鼻技術的固態(tài)發(fā)酵過程檢測研究及應用.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的固態(tài)發(fā)酵過程檢測研究及應用。著重探討了基于近紅外光譜技術的固態(tài)發(fā)酵過程參數檢測方法，探討了基于近紅外光譜技術、電子鼻技術以及多傳感器信息融合技術的固態(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的固態(tài)發(fā)酵過程參數檢測方法。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數法進行預處理，然后利用

2、聯合區(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合偏最小二乘(PLS)法建立固態(tài)發(fā)酵過程參數pH和濕度的定量檢測模型。試驗結果顯示，對于參數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為7時，可獲得最佳的預測性能。該最佳模型在訓練集中的交互驗證均方根誤差(RMSECV)和相關系數（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，其預測均方根誤差(RMSEP)和相關系數（Rp）分別為0.0779和0.9779，對于參數濕度，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為4時，可獲得最佳的預測性能。該最佳模型在訓練集中的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。研究結果表明，利用近紅外光譜技術來實現固態(tài)發(fā)酵過程參數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，可有效降低預測模型的復雜度、同時提高預測模型的泛化性能。
　　 (2)探討了基于近紅外光譜技術的固態(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、向量數據描述(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神經網絡（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。試驗結果顯示，當訓練集中目標類與非目標類樣本數量均衡時，各識別模型在驗證集中均能取得較好的識別結果;當訓練集中目標類與非目標類樣本數量失衡時，SVDD方法就顯示出其在處理失衡訓練樣本集問題上的獨特優(yōu)勢。當訓練集中的目標

6、類與非目標類樣本個數比為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％。研究結果表明，利用近紅外光譜技術來實現固態(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失衡訓練樣本集時，固態(tài)發(fā)酵過程狀態(tài)精確識別模型的建立問題，拓展了該算法的應用領域。
　　 (3)探討了基于電子鼻技術的固態(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。試驗結果顯示，通過主成分得分圖可以發(fā)現，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識別模型在訓練集和驗證集中的正確識別率分別為97.14％和91.43％。研究結果表明，利用電子鼻技術快速識別固態(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處理和初始特征提取;然后利用PCA分別提取預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;最后引入獨立分量分析(ICA)對優(yōu)化后的基于各單技術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。研究結果顯示，基于近紅外光譜和電子鼻兩技術融合的固態(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為4，該最佳模型在訓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識別模型的分類結果來看，兩技術融合識別模型的分類性能無論是在訓練集中還是驗證集中都要優(yōu)于基于各單技術識別模型的分類性能，且其模型的復雜度也要低于基于各單技術識別模型的復雜度。研究結果表明，將近紅外光譜和電子鼻兩技術進行融合應用于固態(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)酵過程參數檢測和過程狀態(tài)監(jiān)