基于高斯過程的固態(tài)發(fā)酵過程檢測研究.pdf

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