CN103018181A - 基于相关性分析和elm神经网络的软测量方法 - Google Patents
基于相关性分析和elm神经网络的软测量方法 Download PDFInfo
- Publication number
- CN103018181A CN103018181A CN2012105416673A CN201210541667A CN103018181A CN 103018181 A CN103018181 A CN 103018181A CN 2012105416673 A CN2012105416673 A CN 2012105416673A CN 201210541667 A CN201210541667 A CN 201210541667A CN 103018181 A CN103018181 A CN 103018181A
- Authority
- CN
- China
- Prior art keywords
- correlation analysis
- data
- neural network
- near infrared
- analysis
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Pending
Links
Images
Landscapes
- Investigating Or Analysing Materials By Optical Means (AREA)
Abstract
本发明公开了一种基于相关性分析和ELM神经网络的软测量方法。该方法步骤为：采集固态发酵过程产物的近红外光谱数据，光谱仪对被采集的光谱信号分析转换后通过数据线传入计算机；对获得的原始光谱数据进行预处理。对上述实验重复N次，选取一批发酵过程监控近红外光谱数据为案例样本数据，采用统计学相关性分析方法与其它(N-1)批数据进行相关性分析，再利用相关性指标分析结果与固态发酵过程产物参数指标的实测参考值进行关联，建立基于ELM的软测量模型。本发明操作简单方便、检测速度快且重现性好，可用于固态发酵过程产物质量的在线监控，本发明有望解决固态发酵生产过程中常规离线理化检测方法成本高、耗时长及效率低等问题。
Description
技术领域
本发明涉及一种基于相关性分析和ELM神经网络的软测量方法，属于固态发酵过程控制领域。
背景技术
固态发酵（solid-state fermentation, SSF）是指在不含或几乎不含自由水的湿的固体物料中培养微生物的过程。固态发酵过程参数以pH为例：pH是发酵过程中的一个重要的因素，每一种微生物都有一个适合其生长和发挥活性的pH范围，目前固态发酵中pH的控制还是一个尚待解决的问题，一方面发酵过程中的异质性使pH不断地变化，另一方面是由于没有合适的一起检测确定固态材料中的pH。许多固态发酵过程中的pH具有特征性的变化，只是说物料中较低的含水量使常规性的pH检测方法难以奏效，因而限制了pH作为重要控制参数的可行性。此外，像生物量浓度和目的产物含量等参数也都和这两个重要的过程参数有着紧密的联系。
目前，固态发酵过程参数（如湿度、pH、生物量浓度）的检测一般都采用离线化学实验方法。虽然化学检测方法的结果客观可信，但由于它的步骤烦琐、检测时间长、检测费用高等缺点，且离线测量给发酵工程的控制和优化带来了很多不便。因此，不利于实现对整个发酵过程状态信息变量的优化控制。近红外光谱（Near Infrared Spectroscopy, NIR）分析技术具有快速、无损、准确，多组分同时检测等优点，是最适于实现在线分析和实时控制的成熟技术之一，已经在石油、化工、食品、制药和烟草等领域得到了广泛应用。
发明内容
本发明的目的是：针对现有技术中固态发酵过程参数检测方法存在的上述不足，在近红外光谱数据的基础上，提供一种基于相关性分析和ELM神经网络的固态发酵过程参数软测量方法。
本发明的技术方案是：
基于相关性分析和ELM神经网络的软测量方法，以不同批次固态发酵过程样本近红外光谱数据相关性因子为软测量模型输入变量，以固态发酵过程产物参数指标的实测参考值为输出变量，采用ELM神经网络对进行固态发酵过程关键参数软测量建模；所述方法的步骤为：
1）利用漫反射式近红外光谱采集装置获取固态发酵过程产物的近红外光谱数据，被采集的光谱信号经光谱仪分析转换后通过数据线传入计算机；
2）对获得的原始光谱数据进行预处理，对上述实验重复N次，即获得N批数据，选取一批发酵过程监控近红外光谱数据为案例样本数据；
3）然后采用统计学相关性分析方法与其它(N-1)批数据进行相关性分析；
4）利用相关性指标分析结果与固态发酵过程产物参数指标的实测参考值进行关联，建立基于ELM的软测量模型。
进一步，所述红外光谱数据相关性因子分析方法为混沌时间序列互关联维数分析方法。
进一步，所述步骤1）的具体采集过程为：收集N批发酵批次、不同发酵时刻的固态发酵过程产物样本用来进行模型校正，每个样本称取40g左右放入样品杯（光谱仪标准配件）中，并将其放在载物台上；近红外光谱仪通过Y型光纤与载物台相连接，采集的光谱信号由Y型光纤传入近红外光谱仪，再由连接在计算机和光谱仪之间的数据线传至计算机中。
进一步，所述步骤2）中的预处理方法包括标准正态变量变换、平滑、中心化、求导、归一化及小波滤噪，所述预处理方法可以是所述预处理方法中某一种方法的单独运用，也可以是几种方法的组合运用。
进一步，所述步骤4）中的实测参考值由常规理化分析方法测定。
进一步，参考相关国家标准，通过理化分析方法测得固态发酵过程产物参数指标的参考测量值，组成一个数据库，所述参数指标包括生物量含量和/或蛋白含量和/或湿度和/或PH。
本发明的有益效果是：
本发明与传统化学分析手段相比，操作简单方便、检测速度快且重现性好，可用于固态发酵过程产物质量的在线监控，作为一种极具应用前景的质量监控方法，本发明有望解决固态发酵生产过程中常规离线理化检测方法成本高、耗时长及效率低等问题。
附图说明
图1是本发明的技术方案示意图；
图2是本发明使用装置的结构示意图。
图中：1、样品杯；2、载物台；3、Y型光纤；4、计算机；5、数据线；6、近红外光谱仪。
具体实施方式
本发明在固态发酵过程样本分析近红外光谱数据分析的基础上，提供了一种基于相关性分析和ELM神经网络的软测量建模方法，可同时满足多指标成分的实时检测的需要，有助于实现对固态发酵过程进行实时监控和诊断，能够保证最终发酵产品的品质。
首先，利用漫反射式近红外光谱采集装置获取固态发酵过程产物的近红外光谱数据，被采集的光谱信号经光谱仪分析转换后通过数据线传入计算机；然后，对获得的原始光谱数据进行预处理。对上述实验重复N次，即获得N批数据。选取一批发酵过程监控近红外光谱数据为案例样本数据，然后采用统计学相关性分析方法与其它(N-1)批数据进行相关性分析，再利用相关性指标分析结果与固态发酵过程产物参数指标的实测参考值（由常规理化分析方法测定）进行关联，建立基于ELM的软测量模型。
基于相关性分析和ELM神经网络的固态发酵过程产物关键参数软测量方法是通过采集发酵过程产物样本的近红外光谱数据，再结合理化分析方法结果、相关性分析和ELM神经网络方法来建立固态发酵过程关键参数指标的软测量模型。待测样本通过相应的光谱数据采集、原始光谱数据预处理和与案例样本数据的相关性分析，再利用已建立好的软测量模型来预测该样本关键参数指标的属性值。
本发明对固态发酵过程产物参数指标的快速检测具有通用性，可参照该实施实例的方法如下：
本发明实例实现步骤参阅图1，实例实现装置参阅图2。具体实施步骤如下：
为了消除背景干扰、颗粒大小和均匀度不一致等的影响，提高光谱的质量，需对采集的原始光谱数据进行预处理，光谱的预处理方法主要有标准正态变量变换、平滑、中心化、求导、归一化及小波滤噪等，在实际应用这些光谱预处理方法的时候，可以是上述方法中的某一种方法的单独运用，也可以是上述几种方法的组合运用。再通过互相关性分析方法，获得相关性因子。相关性因子采用混沌时间序列分析中的互关联维数计算方法，计算公式如下：
其中，
为相关性因子；
,分别为案例样本和被分析样本光谱数据集。
对于未知待测固态发酵过程产物样本，同样每次称取40g左右的发酵产物放入样品杯（光谱仪标准配件）1中，样品杯1放置于载物台2上，然后近红外光谱仪6中的卤素灯发出的光经Y型光纤3照射到发酵过程产物样本上，并在该样本内部形成漫反射，漫反射出来的光再经Y型光纤3进入近红外光谱仪6，得到的光谱信号经光谱仪6分析转换后通过数据线5传入计算机4中。在计算机4中完成原始光谱数据的预处理和与案例样品光谱数据相关性分析，并将获得的相关性因子代入已建立好的软测量模型，就可以快速预测待测样本的相应关键参数指标的属性值，并显示在计算机4的界面上。至此该未知待测发酵过程产物样本的关键参数指标属性值测量结束。
Claims (6)
1.基于相关性分析和ELM神经网络的软测量方法，其特征在于：以不同批次固态发酵过程样本近红外光谱数据相关性因子为软测量模型输入变量，以固态发酵过程产物参数指标的实测参考值为输出变量，采用ELM神经网络对进行固态发酵过程关键参数软测量建模；所述方法的步骤为：
1）利用漫反射式近红外光谱采集装置获取固态发酵过程产物的近红外光谱数据，被采集的光谱信号经光谱仪分析转换后通过数据线传入计算机；
2）对获得的原始光谱数据进行预处理，对上述实验重复N次，即获得N批数据，选取一批发酵过程监控近红外光谱数据为案例样本数据；
3）然后采用统计学相关性分析方法与其它(N-1)批数据进行相关性分析；
4）利用相关性指标分析结果与固态发酵过程产物参数指标的实测参考值进行关联，建立基于ELM的软测量模型。
2.根据权利要求1所述的基于相关性分析和ELM神经网络的软测量方法，其特征在于：所述红外光谱数据相关性因子分析方法为混沌时间序列互关联维数分析方法。
3.根据权利要求1或2所述的基于相关性分析和ELM神经网络的软测量方法，其特征在于：所述步骤1）的具体采集过程为：收集N批发酵批次、不同发酵时刻的固态发酵过程产物样本用来进行模型校正，每个样本称取40g左右放入样品杯中，并将其放在载物台上；近红外光谱仪通过Y型光纤与载物台相连接，采集的光谱信号由Y型光纤传入近红外光谱仪，再由连接在计算机和光谱仪之间的数据线传至计算机中。
4.根据权利要求1或2所述的基于相关性分析和ELM神经网络的软测量方法，其特征在于：所述步骤2）中的预处理方法包括标准正态变量变换、平滑、中心化、求导、归一化及小波滤噪，所述预处理方法可以是所述预处理方法中某一种方法的单独运用，也可以是几种方法的组合运用。
5.根据权利要求1或2所述的基于相关性分析和ELM神经网络的软测量方法，其特征在于：所述步骤4）中的实测参考值由常规理化分析方法测定。
6.根据权利要求1或2所述的基于相关性分析和ELM神经网络的软测量方法，其特征在于：参考相关国家标准，通过理化分析方法测得固态发酵过程产物参数指标的参考测量值，组成一个数据库，所述参数指标包括生物量含量和/或蛋白含量和/或湿度和/或PH。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN2012105416673A CN103018181A (zh) | 2012-12-14 | 2012-12-14 | 基于相关性分析和elm神经网络的软测量方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN2012105416673A CN103018181A (zh) | 2012-12-14 | 2012-12-14 | 基于相关性分析和elm神经网络的软测量方法 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN103018181A true CN103018181A (zh) | 2013-04-03 |
Family
ID=47967034
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN2012105416673A Pending CN103018181A (zh) | 2012-12-14 | 2012-12-14 | 基于相关性分析和elm神经网络的软测量方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN103018181A (zh) |
Cited By (8)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN103472197A (zh) * | 2013-09-10 | 2013-12-25 | 江苏大学 | 一种食品智能化仿生评价中的跨感知信息交互感应融合方法 |
| CN103593550A (zh) * | 2013-08-12 | 2014-02-19 | 东北大学 | 一种基于集成均值子时段rpls-os-elm的荒管质量建模与预报方法 |
| CN104330089A (zh) * | 2014-11-17 | 2015-02-04 | 东北大学 | 一种利用历史gps数据进行地图匹配的方法 |
| CN105651727A (zh) * | 2015-12-28 | 2016-06-08 | 中国计量学院 | 基于jade和elm的近红外光谱分析鉴别苹果货架期的方法 |
| CN106290240A (zh) * | 2016-08-29 | 2017-01-04 | 江苏大学 | 一种基于近红外光谱分析技术对酵母菌生长曲线测定的方法 |
| CN110873699A (zh) * | 2018-08-30 | 2020-03-10 | 广东生益科技股份有限公司 | 粘结片的在线质量控制方法、装置、系统和存储介质 |
| CN111072412A (zh) * | 2019-12-27 | 2020-04-28 | 农业农村部规划设计研究院 | 一种好氧发酵过程的数值模拟试验系统 |
| CN113298265A (zh) * | 2021-05-22 | 2021-08-24 | 西北工业大学 | 一种基于深度学习的异构传感器潜在相关性学习方法 |
Citations (11)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| JPH0793289A (ja) * | 1993-06-18 | 1995-04-07 | Gold Star Co Ltd | カオスプロセッサー |
| US6192273B1 (en) * | 1997-12-02 | 2001-02-20 | The Cleveland Clinic Foundation | Non-programmable automated heart rhythm classifier |
| CN1966934A (zh) * | 2005-11-16 | 2007-05-23 | 中国石油大学(北京) | 一种随钻预测钻头底下地层坍塌压力和破裂压力的方法 |
| CN101140223A (zh) * | 2007-08-29 | 2008-03-12 | 国际竹藤网络中心 | 一种纺织用纤维的鉴别方法 |
| CN101339186A (zh) * | 2008-08-07 | 2009-01-07 | 中国科学院过程工程研究所 | 一种在线检测固态生物质生物转化过程的方法 |
| CN101576467A (zh) * | 2009-06-11 | 2009-11-11 | 哈尔滨工业大学 | 水中絮体分形成长过程原位测定方法 |
| CN101630376A (zh) * | 2009-08-12 | 2010-01-20 | 江苏大学 | 多模型神经网络的生物发酵过程软测量建模方法及软仪表 |
| WO2011092549A1 (en) * | 2010-01-27 | 2011-08-04 | Nokia Corporation | Method and apparatus for assigning a feature class value |
| CN102521831A (zh) * | 2011-12-02 | 2012-06-27 | 南京信息工程大学 | 基于多尺度分形维和神经网络的机器人视觉图像分割方法 |
| CN102539375A (zh) * | 2012-01-10 | 2012-07-04 | 江苏大学 | 基于近红外光谱秸秆固态发酵过程参数软测量方法及装置 |
| CN102737288A (zh) * | 2012-06-20 | 2012-10-17 | 浙江大学 | 一种基于rbf神经网络参数自优化的水质多步预测方法 |
-
2012
- 2012-12-14 CN CN2012105416673A patent/CN103018181A/zh active Pending
Patent Citations (11)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| JPH0793289A (ja) * | 1993-06-18 | 1995-04-07 | Gold Star Co Ltd | カオスプロセッサー |
| US6192273B1 (en) * | 1997-12-02 | 2001-02-20 | The Cleveland Clinic Foundation | Non-programmable automated heart rhythm classifier |
| CN1966934A (zh) * | 2005-11-16 | 2007-05-23 | 中国石油大学(北京) | 一种随钻预测钻头底下地层坍塌压力和破裂压力的方法 |
| CN101140223A (zh) * | 2007-08-29 | 2008-03-12 | 国际竹藤网络中心 | 一种纺织用纤维的鉴别方法 |
| CN101339186A (zh) * | 2008-08-07 | 2009-01-07 | 中国科学院过程工程研究所 | 一种在线检测固态生物质生物转化过程的方法 |
| CN101576467A (zh) * | 2009-06-11 | 2009-11-11 | 哈尔滨工业大学 | 水中絮体分形成长过程原位测定方法 |
| CN101630376A (zh) * | 2009-08-12 | 2010-01-20 | 江苏大学 | 多模型神经网络的生物发酵过程软测量建模方法及软仪表 |
| WO2011092549A1 (en) * | 2010-01-27 | 2011-08-04 | Nokia Corporation | Method and apparatus for assigning a feature class value |
| CN102521831A (zh) * | 2011-12-02 | 2012-06-27 | 南京信息工程大学 | 基于多尺度分形维和神经网络的机器人视觉图像分割方法 |
| CN102539375A (zh) * | 2012-01-10 | 2012-07-04 | 江苏大学 | 基于近红外光谱秸秆固态发酵过程参数软测量方法及装置 |
| CN102737288A (zh) * | 2012-06-20 | 2012-10-17 | 浙江大学 | 一种基于rbf神经网络参数自优化的水质多步预测方法 |
Non-Patent Citations (6)
| Title |
|---|
| LI HONGQIANG等: "Near-infrared spectroscopy with a fiber-optic probe for state variables determination in solid-state fermentation", 《PROCESS BIOCHEMISTRY》 * |
| 刘国海等: "近红外光谱结合ＥLＭ快速检测固态发酵过程参数pH值", 《光谱学与光谱分析》 * |
| 刘青格，陈斌: "基于相关分析技术的近红外光谱信息特征提取", 《农业机械学报》 * |
| 刘青格等: "相关检测技术在近红外光谱分析中的应用", 《光谱学与光谱分析》 * |
| 吴浩江等: "改进BP 神经网络在流型智能识别中的应用", 《西安交通大学学报》 * |
| 李春贵等: "一种识别混沌时间序列动力学异同性的方法", 《物理学报》 * |
Cited By (12)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN103593550A (zh) * | 2013-08-12 | 2014-02-19 | 东北大学 | 一种基于集成均值子时段rpls-os-elm的荒管质量建模与预报方法 |
| CN103472197A (zh) * | 2013-09-10 | 2013-12-25 | 江苏大学 | 一种食品智能化仿生评价中的跨感知信息交互感应融合方法 |
| CN103472197B (zh) * | 2013-09-10 | 2015-03-04 | 江苏大学 | 一种食品智能化仿生评价中的跨感知信息交互感应融合方法 |
| CN104330089A (zh) * | 2014-11-17 | 2015-02-04 | 东北大学 | 一种利用历史gps数据进行地图匹配的方法 |
| CN104330089B (zh) * | 2014-11-17 | 2017-12-29 | 东北大学 | 一种利用历史gps数据进行地图匹配的方法 |
| CN105651727A (zh) * | 2015-12-28 | 2016-06-08 | 中国计量学院 | 基于jade和elm的近红外光谱分析鉴别苹果货架期的方法 |
| CN105651727B (zh) * | 2015-12-28 | 2018-06-12 | 中国计量学院 | 基于jade和elm的近红外光谱分析鉴别苹果货架期的方法 |
| CN106290240A (zh) * | 2016-08-29 | 2017-01-04 | 江苏大学 | 一种基于近红外光谱分析技术对酵母菌生长曲线测定的方法 |
| CN110873699A (zh) * | 2018-08-30 | 2020-03-10 | 广东生益科技股份有限公司 | 粘结片的在线质量控制方法、装置、系统和存储介质 |
| CN111072412A (zh) * | 2019-12-27 | 2020-04-28 | 农业农村部规划设计研究院 | 一种好氧发酵过程的数值模拟试验系统 |
| CN113298265A (zh) * | 2021-05-22 | 2021-08-24 | 西北工业大学 | 一种基于深度学习的异构传感器潜在相关性学习方法 |
| CN113298265B (zh) * | 2021-05-22 | 2024-01-09 | 西北工业大学 | 一种基于深度学习的异构传感器潜在相关性学习方法 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN103018181A (zh) | 基于相关性分析和elm神经网络的软测量方法 | |
| CN102539375A (zh) | 基于近红外光谱秸秆固态发酵过程参数软测量方法及装置 | |
| CN101210875A (zh) | 基于近红外光谱技术的无损测量土壤养分含量的方法 | |
| CN104931470A (zh) | 一种基于荧光高光谱技术的农药残留检测装置及检测方法 | |
| CN101915738A (zh) | 基于高光谱成像技术的茶树营养信息快速探测方法及装置 | |
| CN103411952A (zh) | 一种基于拉曼光谱技术的藻种分类识别方法 | |
| CN103134765A (zh) | 一种基于太赫兹时域光谱的中药样品真伪初筛方法 | |
| CN111855590A (zh) | 水稻叶片淀粉积累量遥感反演模型和方法 | |
| CN103278503B (zh) | 一种基于多传感器技术的葡萄水分胁迫诊断方法及系统 | |
| CN103411906A (zh) | 珍珠粉和贝壳粉的近红外光谱定性鉴别方法 | |
| CN105092579A (zh) | 一种芒果品质无损检测设备 | |
| CN104034691A (zh) | 一种甜菜品质的快速检测方法 | |
| CN106290240A (zh) | 一种基于近红外光谱分析技术对酵母菌生长曲线测定的方法 | |
| CN201503392U (zh) | 基于近红外光谱的手持式土壤养分无损测量装置 | |
| CN111562235A (zh) | 基于近红外光谱快速鉴别烟叶黑暴病害及感染程度的方法 | |
| CN111537469A (zh) | 一种基于近红外技术的苹果品质快速无损检测方法 | |
| CN103743705A (zh) | 一种假高粱及其近似物种的快速检测方法 | |
| CN103234923A (zh) | 一种黄酒发酵过程中总糖含量的在线监控方法 | |
| CN111795943A (zh) | 基于近红外光谱技术无损检测茶叶中外源掺杂蔗糖的方法 | |
| CN102313715A (zh) | 基于激光技术的蜂蜜品质检测方法 | |
| CN103267740A (zh) | 秸秆发酵过程特征波数软仪表装置及其构造方法 | |
| CN103487398A (zh) | 一种赖氨酸发酵液的分析方法 | |
| CN103048275A (zh) | 基于近红外光谱的自适应软仪表装置及其构造方法 | |
| CN210775225U (zh) | 基于拉曼光谱的果实成熟度检测与采摘装置 | |
| CN113310943A (zh) | 一种基于机器学习的藕粉掺假鉴别方法 |
Legal Events
| Date | Code | Title | Description |
|---|---|---|---|
| C06 | Publication | ||
| PB01 | Publication | ||
| C10 | Entry into substantive examination | ||
| SE01 | Entry into force of request for substantive examination | ||
| C12 | Rejection of a patent application after its publication | ||
| RJ01 | Rejection of invention patent application after publication |
Application publication date: 20130403 |