近红外光谱法在红曲菌固态发酵过程参数检测中的应用

研究了近红外光谱技术快速检测红曲菌固态发酵过程参数水分含量和pH值的可行性。针对传统基于间隔策略波长选择方法忽略非线性因素的缺点,采用一种基于最小二乘支持向量机(Least squares support vector machines,LS-SVM)非线性模型的波长筛选算法:联合区间最小二乘支持向量机(Synergy interval least squares support vector machines,siLS-SVM),并将新算法与相关系数法、iPLS算法、siPLS算法对比。实验结果显示,联合siLS-SVM算法和LS-SVM模型取得了最好的预测效果,水分含量、pH值的预测集相关系数(R p)分别为0.962 1、0.976 1,预测均方根误差(RMSEP)分别为0.012 9、0.145 2,表明模型具有较好的拟合度和预测性能。应用近红外光谱法进行红曲菌固态发酵过程的水分含量和pH值的快速检测可行,该方法为进一步实现其过程参数的在线检测及发酵条件优化提供了技术基础。

基于图像视觉伺服的PDC控制方法

针对当前基于图像的视觉伺服(IBVS)方法难以处理系统约束以及局部渐进稳定等的问题,提出一种新的并行分布补偿(PDC)控制方法。首先,运用张量积(TP)模型变换将视觉伺服系统模型转换为线性时不变系统的凸组合形式;然后,根据并行分布补偿原理将视觉伺服系统的控制变量通过求解线性矩阵不等式的凸优化问题获得,其可行解保证视觉伺服系统的闭环渐进稳定性。该方法除了能够避免直接求解图像雅可比矩阵的逆而无需考虑图像奇异问题外,还易于处理系统约束,根据执行器的机械限制有效规划控制信号的强度。两自由度连杆系统的仿真结果验证了该方法的有效性。

输入不确定BELM在发酵过程软测量中的应用

为复杂的发酵过程建立软测量模型要求模型最好能够给出预测值的置信区间,以便技术人员对发酵过程的真实状况和模型的可靠性进行评估。贝叶斯极限学习机能够在实现预测的同时一并给出预测值的置信区间,因此将其用于发酵过程的软测量建模。然而,实际发酵过程中的输入数据往往带有噪声,贝叶斯极限学习机仅能处理输出含噪声的情况。针对这个问题,提出了输入不确定贝叶斯极限学习机。在原有的贝叶斯推理过程中引入输入不确定性,得到了综合考虑输入输出噪声的模型参数和预测置信区间。最后利用青霉素发酵过程进行仿真验证,建立了产物质量浓度的软测量模型,结果表明该方法预测精度高,得到的预测置信区间包含了所有真实值。

联合区间高斯过程的近红外光谱波长选择方法及应用

针对近红外光谱应用,提出了一种基于高斯过程(GP)模型的波长选择算法,即联合区间高斯过程(synergy interval gaussian process,siGP)算法。首先将全光谱区域划分为一系列无重复且间距相等的区间,再选取最优的若干个区间联合建立GP模型,由于GP模型具有非线性处理能力,因此该方法可以减少非线性的影响。以红曲菌固态发酵过程中过程参数水分含量和pH值的检测为例,新算法对水分含量、pH值的预测集相关系数(rp)分别为0.956 4和0.977 3,预测均方根误差(RMSEP)分别为0.012 7和0.161 0,参与建模的数据点由全谱的1 500个分别减少到225个、375个,在对独立样本的预测上,表现出较好的精度。与传统联合区间偏最小二乘(siPIS)波长选择算法对比,siGP算法预测效果更好:对水分含量和pH值,r_p在GP模型预测时提高了3.37%和3.51%,RMSEP在GP模型预测时提高了29.4%和34.8%。表明siGP结合GP模型能够有效选择波长区间以及提高近红外模型的准确性,对进一步实现近红外光谱技术在线检测具有参考价值。

基于批次加权正则极限学习机的发酵过程软测量

为实现发酵过程重要变量的预测,提出基于批次加权正则极限学习机的软测量模型。结合发酵过程中各批次变量变化轨迹与发酵初始条件密切相关的特点,采用欧式距离描述各训练批次初始条件与预测对象初始条件之间的相似度,设计了一种新的相似度量化函数求解各训练批次的惩罚权值,实现了批次加权正则极限学习机建模;另外,针对正则极限学习机中的超参数估计问题,采用贝叶斯方法对超参数进行估计,降低了计算代价且实现了参数自适应估计。将其应用于青霉素发酵过程产物质量浓度的软测量中,仿真结果表明该方法预测精度高,效果好。

LSSV M模型下的近红外光谱联合区间波长筛选方法

针对传统近红外光谱波长选择方法忽略模型中非线性因素的缺陷,采用具有非线性处理能力的最小二乘支持向量机,结合间隔策略的波长选择方法和联合区间的思想,提出了一种非线性模型下的波长筛选算法—联合区间最小二乘支持向量机(synergy interval least squares support vector machines,siLSSVM)。以苹果糖度近红外光谱数据为例,与传统siPLS波长筛选方法相比,新算法的预测集均方根误差(RMSEP)在PLS模型和LSSVM模型预测时分别提高了37.43%和47.88%,预测集相关系数(RP)在PLS模型和LSSVM模型预测时分别增加了6.04%和7.31%。实例表明,对于存在非线性因素较强的光谱数据,siLSSVM算法能够有效的挑选最优波长区间与提高模型的预测精度和鲁棒性,为近红外光谱在非线性因素下筛选波长提供了新前景。

用氨基葡萄糖含量的测定值间接表示红曲菌固态发酵过程中生物量的研究

【目的】为准确快速地了解紫色红曲菌固态发酵中生物量的变化,【方法】采用理化方法测定菌体量和氨基葡萄糖含量,研究了不同培养时间、培养基组成、培养方式下菌体量与氨基葡萄糖含量的关系,建立生物量和氨基葡萄糖含量的换算关系式;构建关联该菌固态培养物近红外光谱数据与实测氨基葡萄糖含量的PLS模型。【结果】建立了可通过近红外光谱法测定氨基葡萄糖来快速预测固态发酵生物量的方法,其中最优近红外模型的校正集内部交叉验证均方根误差(RMSECV)为0.209 4,预测集相关系数(Rp)和均方根误差(RMSEP)分别为0.993 4和0.217 3;同时利用所建的换算关系式也大大提高了生物量计算的准确性。【结论】基于所建立的生物量和氨基葡萄糖的换算关系式,利用近红外光谱法可以快速并且较准确地测定紫色红曲菌固态发酵过程中生物量的变化。

近红外光谱结合遗传算法快速检测红曲菌固态发酵生物量

该文研究了近红外光谱技术在红曲菌固态发酵生物量快速检测方面的应用。共采集了4个批次80个样本的光谱,采用氨基葡萄糖法测定生物量。为降低模型的复杂度和提高模型的预测性能,研究了遗传算法(Genetic Algorithm,GA)的光谱谱区选择方法,并建立所优选光谱变量的预测红曲菌固态发酵生物量的PLS模型。为说明遗传算法优选光谱变量的可行性,另外分别建立了全谱和相关系数法两种波长选择方法下的PLS定量模型,比较分析了3种方法所获模型的预测能力,并对GA方法优选的光谱波段信息与菌体成分中含氢基团的对应吸收进行分析。结果表明,遗传算法能在降低模型复杂度的同时提高模型的预测性能,其建模结果为Rc=0.998 3,RMSECV=3.580 2,Rp=0.993 1,RMSEP=3.643 7,参与建模的数据点由全谱的1 457个减少到585个,且模型预测精度相比FS-PLS模型提高了11.55%。研究表明近红外光谱技术结合遗传算法所建的PLS预测模型能够实现红曲菌固态发酵生物量的快速检测,从而为进一步实现在线发酵过程优化控制提供依据。

黄酒总酚含量检测：一种基于GA-LSSVM的近红外光谱波段选择方法

主要研究了近红外光谱技术对成品黄酒中总酚含量快速检测的可行性。针对近红外光谱样本少、非线性等特点,首次将最小二乘支持向量机(Least squares support vector machines,LSSVM)方法引入到传统遗传算法(genetic algorithms,GA)的波长选择中,提出一种基于GA-LSSVM的近红外光谱波段选择方法。该方法采用LSSVM建立小样本下不同波段的非线性模型,然后通过GA算法进行波长的优化选择。应用中,基于GA-LSSVM模型的总酚预测集相关系数(Rp)为0.9734,预测均方根误差(RMSEP)为5.5596,相比于传统方法,GA-LSSVM算法能够较好地提取非线性信息,预测效果更好。

蚁群算法在苹果糖度近红外光谱分析波长选择中的应用

针对苹果近红外光谱数据的特点,研究了蚁群算法(ACO)在近红外光谱波长选择中的应用,建立了一种基于串联双通路构建图的波长变量选择模型。首先采集了苹果表面的漫反射近红外光谱,进而采用蚁群优化算法优选出近红外波长的最佳变量,使用所选择的近红外光谱波长数据建立苹果糖度预测模型。与GAPLS、siPLS等波长选择方法进行了比较,新模型的变量数减少到580,模型校正均方根误差RMSEC为0.2712,验证均方根误差RMSEP为0.3059。实验结果表明,蚁群算法用于苹果漫反射近红外光谱波长变量的选择,有效地减少了波长的使用,降低了模型复杂度,同时提高模型的预测精度。

PCA-LS-SVM预测模型在地沟油鉴别中的应用

通过对油脂近红外吸光度的分析研究,提出了一种快速无损鉴别地沟油的新方法。首先运用主成分分析法对预处理后的各油脂光谱数据进行聚类分析并获取油脂的近红外指纹图谱,然后选用前4个主成分作为最小二乘支持向量机的输入变量,建立PCA-LS-SVM预测模型,实现地沟油的鉴别。实验共选用6种油脂,每种选用35个样本建模,20个样本验证,结果表明,近红外光谱技术结合PCA-LS-SVM方法能够定性有效地识别油脂的种类,为地沟油的鉴别开创了新前景。

MIV方法在苹果糖度近红外分析中的应用

针对苹果糖度近红外光谱数据的特点,分析了基于BP神经网络和偏最小二乘PLS的苹果糖度定量预测模型建立方法:,将平均影响值方法:(mean impact value)引入到近红外波长选取的过程中来,并与联合区间偏最小二乘法结合,达到波长优选的目的:。首先,利用联合区间偏最小二乘算法,筛选出与苹果的糖度相关度较大的光谱波长数据,再利用PLS-BP方法:建立预测模型。在此模型基础上,使用平均影响值方法:,对参与建模的每个波长数据进行评价,选取影响值最大的一系列波长点,重新建立模型。模型变量数为124,校正均方根误差(RMSEC)为0.1740,验证均方根误差(RMSEP)为0.4565。结果:表明,校正均方根误差,利用平均影响值与联合区间偏最小二乘方法:结合,对光谱数据进行波长的筛选,可以降低模型复杂度,同时提高模型预测精度。