固态发酵过程电子鼻系统传感器阵列优化研究

采用电子鼻系统对秸秆饲料固态发酵过程阶段进行监测研究具有明显的应用意义。但是电子鼻系统传感器阵列中同一气敏传感器会对多种被测气体响应,导致采集数据含有冗余信息,因此有必要对电子鼻传感器阵列进行优化。本文基于因子分析法对电子鼻系统采集数据结合阶段状态信息进行分析,提出传感器阵列优化方法。并采用神经网络、支持向量机和高斯过程等模式识别方法对电子鼻系统传感器阵列优化组合采集数据进行过程状态识别模型建模。研究表明,传感器阵列优化有利于减少模型输入,降低模型复杂性,提高模型对过程状态的识别率。     

基于电子鼻和高斯过程的秸秆固态发酵过程监测技术

基于电子鼻监控数据,建立基于高斯过程的状态监控分类器,实现对秸秆饲料固态发酵过程的有效监测。秸秆饲料固态发酵过程实验周期为7 d,每隔24 h利用电子鼻系统对发酵气体监测数据进行采集。该发酵实验共分20批次,其中10批次实验数据用来训练高斯过程分类器,其余10批次实验数据用来测试所训练分类器的性能。实验结果表明所采用电子鼻系统可以对秸秆饲料固态发酵过程状态进行有效监控。将所训练高斯过程分类器与支持向量机、神经网络分类器进行比较表明,基于高斯过程分类器的正确率为100%,高于基于支持向量机、神经网络分类器的正确率85.71%、94.29%,能够更好地实现对秸秆饲料固态发酵过程的监测。     

基于OC-SVM和近红外光谱的秸秆固态发酵进程监测

利用近红外光谱技术结合一类支持向量机( OC - SVM)快速监测秸秆蛋白饲料固态发酵进程.首先获取发酵物样本在10000 ～4000cm-1波数范围内的近红外漫反射光谱并对其进行主成分分析,提取前7个主成分因子作为模型的输入变量,然后运用OC - SVM算法建立判别模型.在模型建立过程中,采用交互验证的方法优化OC - SVM模型的相关参数.实验结果表明,在相同的条件下,OC - SVM模型在处理失衡训练样本的问题上明显优于SVM模型,当训练集中目标类和非目标类样本数比为1∶8时,OC - SVM模型在验证集中的正确判别率达到85％.     

基于dbiPLS-SPA变量筛选的固态发酵湿度近红外光谱检测

为了提高基于近红外光谱技术的固态发酵关键过程参数——湿度快速检测的精度和稳定性,研究采用动态反向区间偏最小二乘（dbiPLS）法结合连续投影算法（SPA）进行最佳光谱子区间和特征组合变量的筛选,通过交互验证法确定偏最小二乘（PLS）模型的主成分因子数,并以预测均方根误差（RMSEP）和相关系数（Rp）作为模型的评价标准。试验结果显示,最佳dbiPLS-SPA模型筛选的组合变量个数为8,其RMSEP和Rp分别为1.1795%（质量分数）和0.9430。试验结果表明,dbiPLS-SPA是一个有效的波长组合变量筛选方法,可简化模型结构、增强模型精度和稳健性。