基于BP神经网络的仓储烟草霉变预测

烟草霉变预测尚没有有效的方法。为实时预测仓储烟草的霉变程度,选取仓储环境的温湿度和烟草的自身含水量参数作为神经网络的输入层,烟草霉变度作为输出层,建立BP神经网络烟草霉变预测模型。选取78组实测数据作为训练样本对预测模型进行训练,得出了神经网络的阈值和权值。利用14组预测样本针对该预测模型进行了仿真,并进行了线性回归分析。结果表明,建立的烟草霉变预测模型具有较高的预测精度,预测值和实际值的偏差在[-0.028,0.033]之间,相对误差绝对值的平均值为0.001 9。最后,在基于嵌入式ARM+Linux+Web的某公司烟草仓库智能监测系统中,实现了烟草霉变实时预测功能,取得了较好的效果。

基于IFA-SVM的粮食霉变预测研究

霉变的发生会导致粮食品质下降甚至粮食浪费,是影响粮食安全储藏的重要因素之一。粮食霉变过程是一个持续过程,在不同发展阶段有着不同的发展规律。本文提出一种基于萤火虫算法优化支持向量机参数(IFA-SVM)的预测分类模型,引入高斯函数非线性改变萤火虫算法的步长,将稻谷作为研究对象,判断稻谷在给定的温度、水分、储藏时间条件下是否发生霉变。选择实验室生化培养箱对实际存储环境进行模拟,结果显示,相比传统的SVM模型、BP神经网络模型和FA-SVM模型,IFA-SVM模型对稻谷霉变情况的预测准确率可达96%且迭代时间降低,在实际粮食存储霉变预测领域有良好的应用前景。

基于一维卷积神经网络的烟叶仓储霉变预测方法研究

针对烟叶存储期间的霉变问题,传统的防治措施效果欠佳,且已有的烟叶霉变预测模型的准确率较低,不能有效减少烟叶霉变现象的发生。为了提高预测烟叶霉变状态的准确率,提出了一种基于一维卷积深度神经网络(1D-CNN)的方法。以采集终端传感器数据为基础,对其进行标准化处理,得到模型训练特征,训练一个1D-CNN来预测烟叶霉变状态,优化网络结构,实验结果表明所提方法的预测准确率高于其它传统模型。最后,设计并实现了烟叶仓储霉变智能监测系统,实现了烟叶霉变的实时预测功能,取得了较好的效果。

基于SVM的粮食霉变预测分类方法研究

霉变是导致粮食储藏过程中数量减少、质量降低的重要因素,若能早期预测粮食是否会发生霉变,提前采取处置措施,对保障粮食储藏安全,降低粮食损失具有重要的意义。本研究采用支持向量机算法,并通过网格搜索优化参数,分别建立了稻谷和小麦霉变的预测分类模型,以判定在给定水分、温度和储藏时间的条件下是否会发生霉变。实验结果表示,稻谷平均准确率可达96%以上,小麦平均准确率可达92%以上。同时本研究采取不同规模的小样本训练建模,并与BP神经网络模型进行对比,训练结果表明,基于SVM的模型准确率高且表现稳定,明显优于BP神经网络模型。

仓储片烟中优势霉菌的分离鉴定及其霉变挥发性代谢产物研究

为建立仓储过程中片烟霉变的快速判别方法,通过纯培养和18S rDNA测序对仓储霉变片烟中的霉菌进行分离、纯化和鉴定,将优势霉菌进行致霉性试验,利用气相色谱离子迁移谱(GC-IMS)分析片烟在优势霉菌不同侵染时期挥发性组分的差异。结果表明,烟叶样品中根霉数量最多,其次是曲霉,再次是毛霉和青霉,优势霉菌为米根霉。致霉性试验表明,米根霉有一定的致霉性。将米根霉接种烟叶进行人工污染,在35℃、相对湿度70%的条件下,经18 d培养,霉菌数量达到5.0×10^(4) cfu/mL,片烟发生轻度霉变。经GC-IMS分析,共定性识别出42种特征挥发性化合物,其中1-辛烯-3-酮、3-辛酮、2-呋喃甲硫醇、松油醇、正辛醇、3-乙基-苯丙酸、戊酸、蒎烯这8种化合物含量在米根霉侵染阶段明显降低,顺式-3-己烯-1-醇、丁酸甲酯、2-戊酮、乙基丙酸这4种化合物含量在片烟发生轻度霉变时明显升高,可作为仓储片烟霉变的潜在标识分子。