2023年全國碩士研究生考試考研英語一試題真題(含答案詳解+作文范文)_第1頁
已閱讀1頁,還剩60頁未讀, 繼續(xù)免費閱讀

下載本文檔

版權(quán)說明: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),請進行舉報或認(rèn)領(lǐng)

文檔簡介

1、為了有效地提高固態(tài)發(fā)酵過程狀態(tài)的檢測效率和準(zhǔn)確率,本文以小麥秸稈的固態(tài)發(fā)酵為背景,以近紅外光譜技術(shù)和電子鼻技術(shù)為基礎(chǔ),開展了基于高斯過程的固態(tài)發(fā)酵過程狀態(tài)檢測研究。具體研究工作如下:
  (1)研究了基于近紅外光譜技術(shù)和高斯過程的固態(tài)發(fā)酵過程狀態(tài)檢測方法。首先選擇標(biāo)準(zhǔn)正態(tài)變量變換(standard normal variate transformation,SNV)方法對近紅外光譜進行預(yù)處理。然后,分別采用小波變換和主成分分析(p

2、rincipal component analysis,PCA)特征提取方法對近紅外光譜數(shù)據(jù)進行處理,提取結(jié)果分別為31個特征變量和3個特征變量。最后,基于高斯過程模型(gaussian process,GP)對篩選出的特征變量進行建模研究。為了顯示GP模型擁有提供概率輸出代替判別函數(shù)值的優(yōu)越性,本文將其分別與BP-NN模型和SVM模型作比較。研究結(jié)果表明,建立在小波變換基礎(chǔ)上的GP模型對發(fā)酵過程狀態(tài)正確識別率為91.43%,而BP-N

3、N和SVM模型的正確識別率僅分別為85.71%與82.86%。利用PCA作為特征提取方法建立的GP模型對發(fā)酵過程的正確識別率達到了100.00%,而BP-NN和SVM識別模型的正確識別率僅為94.29%和91.43%。研究結(jié)果表明,以近紅外光譜技術(shù)為基礎(chǔ),采用GP模型結(jié)合小波變換或者PCA方法的固態(tài)發(fā)酵過程狀態(tài)檢測方法提高了固態(tài)發(fā)酵過程狀態(tài)識別的準(zhǔn)確率,更適合于本固態(tài)發(fā)酵過程檢測研究。
  (2)研究了基于電子鼻系統(tǒng)和高斯過程的秸

4、稈固態(tài)發(fā)酵過程狀態(tài)檢測方法。針對電子鼻系統(tǒng)所采集固態(tài)發(fā)酵過程數(shù)據(jù),首先,分別利用PCA和因子分析(factor analysis,F(xiàn)A)方法對電子鼻系統(tǒng)傳感器陣列進行陣列優(yōu)化。然后采用GP模型對傳感器陣列優(yōu)化前后的陣列數(shù)據(jù)進行過程狀態(tài)監(jiān)控建模研究。同時采用BP-NN和SVM方法分別進行建模研究,并將其與GP模型進行對比分析。通過對三種不同識別模型結(jié)果分析可知,所提電子鼻優(yōu)化方法可以有效的對電子鼻數(shù)據(jù)進行降維;基于電子鼻技術(shù),結(jié)合GP模型

溫馨提示

  • 1. 本站所有資源如無特殊說明,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)頁內(nèi)容里面會有圖紙預(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. 眾賞文庫僅提供信息存儲空間,僅對用戶上傳內(nèi)容的表現(xiàn)方式做保護處理,對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, 同時也不承擔(dān)用戶因使用這些下載資源對自己和他人造成任何形式的傷害或損失。

評論

0/150

提交評論