近红外光谱结合ELM快速检测固态发酵过程参数pH值

pH值是固态发酵过程关键参数之一,为此提出基于近红外光谱技术的秸秆蛋白饲料固态发酵过程参数pH值检测方法。利用近红外光谱系统获取140个固态发酵过程产物样本在10 000～4 000cm-1范围内的近红外光谱数据,通过酸度计测得近红外光谱预测模型的参考测量值;运用ELM算法建立pH值的预测模型,在模型建立过程中由交互验证法确定最佳主成分因子数和ELM网络隐含层节点数。试验结果显示:最佳ELM网络模型的拓扑结构为10-40-1,模型预测集相关系数(Rp)和预测均方根误差(RMSEP)分别为0.961 8和0.104 4。研究结果可为固态发酵过程参数的在线检测提供技术基础。

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10 000～4 000 cm-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BP-Adaboost的近红外光谱检测固态发酵过程pH值

为了实现固态发酵过程参数pH值的快速检测，提出基于近红外光谱技术的固态发酵过程参数pH值检测新方法．首先获取140个固态发酵过程产物样本在10000～4000cm-1范围内的近红外光谱；然后利用酸度计测得近红外光谱预测模型的参考测量值；最后运用Adaboost（AdaptiveBoosting）算法来构建由10个弱预测器（BP神经网络）组成的BP．Adaboost强预测模型．试验结果显示：该模型的预测均方根误差（RMSEP）和预测集相关系数（R）分别为0．0726和0．981l；与BP模型结果相比，该模型具有较好的预测精度．