近红外光谱技术结合教与学算法优化极限学习机实现烤烟等级判定

该研究基于近红外光谱(NIRs)技术,以2016~2018年来自13个省份的937个烟叶样本为研究对象,比较了竞争性自适应重加权采样方法(CARS)、蒙特卡洛无信息变量消除法(MC-UVE)以及随机青蛙算法(RF)3种变量筛选方法的极限学习机(ELM)模型效果,与常规判别方法偏最小二乘判别分析(PLS-DA)比较,验证了ELM模型的优势。并通过教与学优化(TLBO)算法对ELM模型进行优化,建立烤烟样本的等级判定模型。结果表明,验证集的分类正确率达到90.16%,测试集的外部验证表现良好,TLBO-ELM模型收敛速度快,泛化能力强,可应用于烤烟等级判定。近红外光谱技术结合教与学算法优化极限学习机为智能化实现烟叶等级判定提供了一种新方法。

近红外光谱结合无参数校正增强实现不同年份烟叶总糖含量模型更新

近红外光谱技术因快速、无损等特点,已广泛应用于烟草行业质量快速分析。然而,由于采收时间、环境差异等因素的影响,建立的近红外定量模型在新批次样本中的预测性能通常变差,因此必须对原有模型进行维护和更新。该研究采用半监督无参数校正增强(SS-PFCE)方法,通过约束优化,对主模型的回归系数进行修正。首先建立了2016年烟叶样本总糖含量的原始定量模型,其预测相关系数(Rp)为0.9978、预测均方根误差(RMSEP)为0.3108。采用SS-PFCE方法对模型更新后,分别预测2017年、2018年和2020年样本的总糖含量,3个测试集的Rp值比未更新模型提高了0.13%、1.32%和4.29%,RMSEP分别下降了15.26%、58.69%和36.53%。与重新建立的定量分析模型相比,更新后的模型具有更优的预测性能,同时大大降低了建模成本。研究表明,SS-PFCE方法可高效地实现不同年份烟叶样本的模型维护,在实际生产中具有重要的应用价值。

近红外光谱结合灰狼算法优化支持向量机实现烟叶产地快速鉴别

烟草是一种成分复杂的天然植物,地理位置、生长条件等外界因素直接影响着烟叶的品质;我国烟叶种植范围十分广泛,每个产区种植的烟叶都有其独特的风格特征,不同产区的烟叶配比对卷烟的质量起着决定性的作用。为实现烟叶产地准确、快速判别,基于近红外光谱(NIRS),采用灰狼算法(GWO)优化的支持向量机(SVM)算法实现烟叶产地鉴别分类。以8个产地的824个烟叶样本为研究对象,基于x-y距离样本集划分(SPXY)方法得到校正集617个和验证集207个样品。首先应用最佳波长筛选方法,如竞争自适应加权采样(CARS)和随机青蛙(RF)算法减少光谱冗余信息,最终从1609个变量中分别获得141和534个与产地相关的重要变量,并以此输入SVM作为建模数据,接下来在相同搜索范围内比较了粒子群优化算法(PSO)、遗传算法(GA)和GWO对SVM分类模型的优化效果。结果表明,经RF筛选后的光谱变量较CARS具有更好的产地建模性能,其中RF-GWO-SVM对8个产地烟叶的整体判别正确率达到了96.62%,相较于RF-PSO-SVM和RF-GA-SVM正确率更高。同时,RF-GWO-SVM的运行时间分别比RF-PSO-SVM和RF-GA-SVM的运行时间缩短156和131 min,RF-GWO-SVM具有精度更高、寻优速度更快等优点。GWO对于SVM模型参数具有更高效的优化能力,可用于烟叶产地快速鉴别模型的建立。

连续制造研究进展及中药过程知识系统研究

近几年,美国FDA陆续提出连续制造(continuous manufacturing, CM)的概念,并鼓励企业推进实施,这也成为了未来制药技术的热门研究方向。2019年2月,FDA发布了实施连续制造的指南草案,这对CM的发展起到了极大的推动作用,同时也为中药生产的连续化提供借鉴。中药生产是较为复杂的过程体系,随着生产设备革新,中药生产自动化、信息化推进上线,现有的政策法规和传统的生产控制能力难以满足市场对高质量中药产品的需求。该文基于"QbD"理论和"PAT"技术,借鉴现代制造技术、信息技术和质量控制技术,综述了符合中药生产特点的质量控制新技术和新方法,并提出一种先进控制策略——过程知识系统(process knowledge system, PKS),旨在为中药生产实施CM提供参考。