CN109490393B - 大曲中理化指标特征值提取方法曲料品质分析方法及系统 - Google Patents

Abstract

本发明属于用电、电化学或磁的方法测试或分析材料技术领域，公开了一种大曲中理化指标特征值提取方法曲料品质分析方法及系统，基于粗糙集理论分析大曲理化指标对白酒质量和产量影响，得出在白酒生产质量和产量中起主要作用指标；通过条件属性简化后构造的神经网络建立一种基于大曲理化指标与产酒量和酒质联系的数学模型；用相关分析、主成分分析法对大曲质量的理化指标体系进行综合评价，通过主成分分析法，科学地寻找到大曲质量标准体系设置动态因子的理论依据；通过对主成分分析算法的改进能明显提高降维效果，用更少的主成分更多的反映原始指标的信息。本发明减少了冗余信息，对后面分类定性和定量起指导作用；得出决定大曲质量的理化指标。

Description

大曲中理化指标特征值提取方法曲料品质分析方法及系统

技术领域

本发明属于用电、电化学或磁的方法测试或分析材料技术领域，尤其涉及一种大曲中理化指标特征值提取方法曲料品质分析方法及系统。

背景技术

目前，业内常用的现有技术是这样的：中国白酒风味独特，种类繁多，随着酿酒工艺的创新和发展，不同风格的白酒相继问世。大曲是一种富含多酶多菌的微生物发酵剂，大曲是大曲酒酿造生产中的重要物质，是酿酒生产的糖化、发酵、酒化和生香剂，含有多种微生物及其产生的多种酶类，是传统固态发酵蒸馏大曲酒的重要物质保障，其品质对曲酒的出酒率和优级品率有较大的影响。因此，酿酒先辈们从酿酒实践中总结出：“曲乃酒之骨”、“有好酒必有好曲”等精辟论断。大曲是一种以生料小麦(或配伍大麦、豌豆)为原料自然网罗制曲环境中的微生物接种发酵，微生物在曲坯中彼消此长，自然积温转化并风干而成的一种多酶多菌的微生态制品。跟随中国白酒业的科学化，微生物、酶制剂等科学观念也先后被引入中国白酒酿造业，加速了对中国白酒的认识和改造。传统的大曲质量判定标准体系即是在这种背景下建立起来的，其意义在于：初步认识了大曲的主要酶系状况：淀粉酶、糖化酶、酒化酶、酯化酶、蛋白酶、脂肪酶等；初步认识了大曲在固态白酒发酵体系中的生化作用：产酒、产酯、产香等；初步认识了大曲的主要微生物类群：酵母菌、霉菌、细菌以及放线菌等。在制曲工艺条件确定的前提下，传统大曲的质量品质，就主要取决于制曲环境所处的地理条件、气候条件、水质条件等所滋生和孕育的微生物类群。传统大曲生产主要采用自然网罗自然界的微生物和人工制作曲坯及人工管理，不仅大曲因气候、环境等自然因素的影响而容易导致质量的不稳定性，而且人工制曲坯及人工管理的劳动量大、工作效率低，且大曲质量受工人工作经验的影响。强化大曲发酵技术可以解决大曲中某种微生物数量和酶系种类的不足，为大曲坯提供良好的微生物及酶系体系。大曲的质量对白酒品质的影响很大，因此稳定大曲品质是保证酒质的前提。大曲质量评定方法有感官评定法、理化特征指标评定法、微生物种群数量评定法。这些方法及有关标准对大曲质量的进一步规范化、标准化起到一定推动作用。由于影响酿酒生产的因素极其复杂，每种评定方法的可靠性、稳定性都存在一定的缺陷，其评定指标和方法也有待进一步完善。专家们对不同酒厂大曲生产过程中感官、理化、微生物指标的动态变化进行了研究。但目前中国白酒大曲并没有统一的质量标准，只有企业自己的标准。鉴别大曲质量的标准，并对其进行了深入的探讨。随着制曲专业化的发展，制曲行业正在呼唤“大曲质量统一标准”。制曲过程本身就是微生物大量生长、相互作用的过程，传统的制曲过程是自然界微生物在曲坯上的生长与繁殖过程。传统大曲生产主要采用自然网罗自然界的微生物和人工制作曲坯及人工管理,不仅大曲因气候、环境等自然因素的影响而容易导致质量的不稳定性,而且人工制曲坯及人工管理的劳动量大、工作效率低,且大曲质量受工人工作经验的影响。本方案的重点是通过一种特定的多传感器阵列(智舌)，以不同的电极和不同频率对酒曲中酵母菌进行检测。建立曲料的质量分析评价系统，并通过开放式数据库能够快速建立和评判不同企业和厂家的曲料质量。衡量大曲质量的指标能否统一到真正能反映大曲生化性能的几个指标上，如：酒化力、酯化力、氨态氮和淀粉消耗率及容重等，并重新考虑感官质量指标与理化指标和生化指标的权重。“大曲质量统一标准”的制订必将助推制曲专业化的进一步发展。制曲工艺、微生物数量及类别、理化指标三者之间存在着一定联系，一定程度上微生物的数量变化对理化指标的影响是显著的。这种联系与白酒质量有着密切的关系，值得去进行更加深入的研究。此外，在微生物数量和类别上的分析结果与其他酱香型白酒高温大曲的研究报告存在部分差异，可能与兼香型白酒的独特风格、培养基的选取及取样操作等多种因素有关，将在以后的研究中对这种差异作进一步的探讨。在新的大曲质量标准体系指标设置构想中，大曲作为固态白酒酿造中产酒和生香的发酵剂，反映大曲品质的动态指标(对固态酿酒发酵产生动态影响)即大曲生化特征指标，包括以下3个方面：①酒化力——把原料中的淀粉转化为乙醇的特征指标。②酯化力——把有机酸与乙醇缩合生成酯类物质的特征指标。③生香力——把原料中的淀粉、蛋白质和脂肪等物质降解为小分子物质，演化成为曲香香气的特征指标。然而大曲是一种富含多酶多菌的微生态制品，仅仅通过传统的感官评定法和对乙醇(酒化力)、己酸乙酯(酯化力)、脂肪酸(生香力)理化指标分析并不能很好的评定与酒质的关系。

综上所述，现有技术存在的问题是：

(1)到目前为止，还没有测定大曲脂肪酸更好的检测方法。存在的主要问题是：原料中脂肪降解产物脂肪酸以及曲坯中的色素、固醇等均共同显示为粗脂肪含量，我们拟用脂肪酸含量的高低表征脂肪转化力。脂肪转化力虽是体现大曲复合曲香物质的重要指标之一，但到目前为止，由于没有合适的微生物传感器来检测大曲脂肪酸，大曲脂肪酸的测定方法将成为今后共同探讨的方向。本方案解决了：

(2)大曲中纷繁复杂的微生物区系和酶系，进入大曲酒发酵体系中又进一步彼消此长地繁殖代谢和生化演化，形成种类繁多的酒体呈香呈味物质，目前还未完全确定其种类。主要的原因是：大曲的生产是开放式的，微生物生长得十分广泛，其中制曲环境、工具、窖泥、生产工艺等方面都可能带入微生物，形成了复杂的微生物群落。根据形态和生理特性的不同，大曲微生物群系主要包括霉菌、酵母菌和细菌等。微生物在曲块中此消彼长，这样就可以达到各类微生物之间的组分变换。大曲微生物中的霉菌起糖化作用、酵母菌起发酵作用、细菌主要有产香的作用。

(3)大曲酒酒体中的呈香呈味物质含量仅占酒体总量的2％左右，但所形成酒品的价值就远远超越食用酒精的价值。大曲中酵母含量较多，酿酒过程中的酵母菌主要分为假丝酵母、酒精酵母、产酯酵母和毕赤酵母等。其中酒精酵母主要是酒化功能菌，产酯酵母具有产酯能力，它能使酒醅中含酯量增加，并呈独特的香气，也称为生香酵母。这些酵母菌对大曲和大曲酒的产品质量起着决定性的作用。各种酵母菌的相互作用，影响着大曲的香气物质的形成。

(4)制曲工艺有一定差异。大曲的种类分为：清香型大曲(低温大曲)、浓香型大曲(中温大曲)酱香型大曲(高温大曲)。大曲的生产过程主要包括：原料粉碎、加水拌料、踩曲成型、堆积培养、翻曲、贮存六个阶段。比如加水过程中：加水混料在制曲是个关键，加水量过多，曲坯不容易成型，入房后会发生变形，曲坯容易被压得过紧，不利于有益微生物向曲胚内部生长，而表面易于生长毛霉、黑曲霉等；且培曲时曲坯升温过快，降温困难，曲胚处于高温阶段的时间会延长，易引起酸败细菌的大量繁殖，使原料损失加大，并降低成品曲的质量。一般高温纯小麦制曲的用水量应为粗麦粉重量的37～40％左右；而小麦、大麦、豌豆三种原料混合制曲时，加水量一般控制在40～45％，如洋河大曲加水量为40～43％。

(5)曲药的各理化指标由于生产季节、生产环境、工艺参数、取样方法和部位等因素差异，导致同一指标分析结果差异较大。这样就会对大曲质量的把握造成偏差。

解决上述技术问题的难度和意义：

利用多频脉冲法对传感器阵列信号的数值进行有效提取，大大减少了冗余信息，对后面分类定性和定量起指导作用。

有效的数学分析法方法，利用改进的主成分分析法和粗神经网络方法对大曲的重要属性进行分析。从而能够得出决定大曲质量的理化指标。

利用特异性传感器和人工智能的方法对微生物进行定性定量检测。

采用开放式数据库，能够快速的查询、建立、分析不同厂家和企业的大曲质量。

发明内容

针对现有技术存在的问题，本发明提供了一种大曲中理化指标特征值提取方法曲料品质分析方法及系统。

本发明是这样实现的，一种大曲中理化指标特征值提取方法曲料品质分析方法，所述大曲中理化指标特征值提取方法曲料品质分析方法包括：

步骤一，基于粗糙集理论分析大曲理化指标对白酒质量和产量影响，得出在白酒生产质量和产量中起主要作用指标；

步骤二，通过条件属性简化后构造的神经网络建立一种基于大曲理化指标与产酒量和酒质联系的数学模型；

步骤三，用相关分析、主成分分析法对大曲质量的理化指标体系进行综合评价，通过主成分分析法，科学地寻找到大曲质量标准体系设置动态因子的理论依据；

步骤四，通过对主成分分析算法的改进能明显提高降维效果，用更少的主成分更多的反映原始指标的信息。

进一步，所述步骤一中S＝(U，C，D，V，f)为一个大曲理化指标对白酒质量和产量影响分析系统A＝CUD为属性集，C和D分别为条件属性集和决策属性集，基于条件属性C描述决策属性D表达的知识，对于任何一个属性R∈C，其可导性定义为知识的依赖性，表达为：

则大曲理化指标对白酒质量和产量影响的重要因素定义为：

将重要性最大的属性加入集合R中，最后得到影响白酒质量和产量的重要因素。

进一步，所述步骤二中通过对数中心化决主成分分析中原始数据非线性化的问题；改进的主成分分析算法为：

有M个指标的原始数据为(X_ij)_m×n；

1)对原始数据作中心对数化变换：

2)计算对数中心化的样本协方差矩阵：S＝(S_ij)_m×n，

式中：

3)根据|λI-S|计算的协差矩阵S的特征值九和特征向量P；并按特征值大小排列λ_i和特征向量P_i；

4)根据

计算贡献率，根据

计算累计贡献率；

5)给定域值与累计贡献率进行比较以此确定主成分的个数，建立主成分方程。

本发明的另一目的在于提供一种实现所述大曲中理化指标特征值提取方法曲料品质分析方法的大曲中理化指标特征值提取方法曲料品质分析系统，所述大曲中理化指标特征值提取方法曲料品质分析系统包括：

传感器阵列模块，通过采集工作电机上的响应信号，利用多频脉冲原理提取有效信号特征值，结合模式识别方法对数据最后分析；

信号调理模块，从中提取到传感器输出信号，采用电流电压放大电路，使其信号的强度和幅值的大小能够在信号采集电路信号采集的范围之内；

数据预处理模块和数据分析模块，将调理好的模拟信号转换为数字信号输入到计算机，将庞大的数据通过进行分析、存储，并且完成数据库更新。

进一步，所述传感器阵列模块的传感器采用贵金属裸电极阵列，并采用多频脉冲作为激发信号。

进一步，所述大曲中理化指标特征值提取方法曲料品质分析系统进一步包括：数据库、模型方法库、知识库、在线数据采集子系统、实时控制管理、综合分析与决策支持子系统、综合信息管理子系统；

提供相关曲块监测数据的自动化采集和数据可靠性在线分析功能。其重点是对大曲的水量、温度、pH值和大曲中理化指标特征值提取的动态监测和监测数据的自动化采集、监测数据预处理，以及监测数据可靠性的实时在线分析处理等。该数据处理系统还应提供与各类监测仪器衔接的数据采集接口，通过接口模块动态收集监测数据资料，确保存入数据库中的监测资料的有效性、完整性和可靠性。

数据库及综合信息管理子系统，面向数据信息存储和信息查询的计算机软件系统；数据库包括：监测仪器特征库；原始监测数据库；整编监测数据库；在线数据实时分析库；人工巡视检查资料库；数据自动采集参数库；模型输入输出数据库；实时控制日志数据库；

模型库及其管理子系统，提供相应分析处理使用的处理模型和计算方法的例程库；包括各种时态和空间模型、在线数据可靠性分析算法；包括大曲成分预报模型、大曲质量评价模型、大曲质量预测模型、酒质评价模型、酒质预测模型；(模型就是提供相应分析处理使用的系统结构图、功能图、电路图和计算方法的例程库)

知识库及其管理子系统，用于知识信息的存储及其使用管理的计算机软件系统；知识库内容包括：各监测工程的监测指标、各厂家企业的评判标准、监测数据误差限值、专业规律指标、专家知识经验、白酒法律、法规，行业规程、规范的有关条款。

本发明的另一目的在于提供一种应用所述大曲中理化指标特征值提取方法曲料品质分析方法的微生物快速检测系统，所述微生物快速检测系统通过低选择性交互敏感的多传感器阵列检测曲料样品的整体特征响应信号，检测培养基随着微生物生长的变化；通过对这一变化的检测取得特征值，通过PCA和神经网络模式识别方法的数据处理来确定不同阶段培养基的不同特征。

进一步，所述微生物快速检测系统的传感器阵列采用电化学的方法对微生物及其代谢产物检测，通过氧化还原酶反应和适当的媒介，能将微生物的代谢氧化还原反应转换成可量化的电信号；传感器阵列采用重金属铂，金，钯，钨，钛，银的电极构成，并利用相同的处理方法选取对微生物培养基检测的最佳电极和频率段。

进一步，所述微生物快速检测系统的微生物检测池的传感器阵列位于检测池的底座，检测池池体内侧设有内螺纹，底座外周设有与该内螺纹相匹配的外螺纹，设置螺旋结构，使检测池池体与底座脱离。

进一步，所述微生物快速检测系统的培养基的实验培养基配比的组合被分成训练组和预测组，训练组用来训练BP神经网络，预测组用来对训练好的网络进行测试，构建神经网络模型；模型的输出为GA的目标函数，通过遗传算法的全局寻优，找到最优培养基组合；

定量检测微生物方法的建立，利用检测平台检测微生物不同种类；对微生物建立生长预测模型；根据微生物呈指数生长的特点，微生物数量的对数随时间的变化得到一条S形曲线，所绘制的生长曲线分别为延滞期、对数期、稳定器和衰老期；用CurveExpert软件分析智舌检测菌种的生长数据，拟合S曲线，建立生长模型，通过Logistic、MMF、Gompertz 3种模型的标准差S和相关系数R的比较，确定最佳模型；确定检测该菌种的最合适培养基。

综上所述，本发明的优点及积极效果为：

本发明利用多频脉冲法对传感器阵列信号的数值进行有效提取，大大减少了冗余信息，对后面分类定性和定量起指导作用；多频脉冲采取三个不同的频段(1HZ，10HZ，100HZ)组合进行信号扫描，系统的极限采用频率我们设置为100KHZ，可以保证将每个频段的数据依次显示出来。由下图可以看出，采集曲线中的最大值、最小值和两个拐点，通过采集四个值来取代整条曲线来反应样品信息的方法，能够大大减少冗余信息和数据体积，这样就可以把大曲中带电离子的性质特征值和氧化还原物质的理化特征值提取出来。在国内肯定是先进的。数学分析法方法，利用改进的主成分分析法和粗神经网络方法对大曲的重要属性进行分析；能够得出决定大曲质量的理化指标；利用特异性传感器和人工智能的方法对微生物进行定性定量检测；采用开放式数据库，能够快速的查询、建立、分析不同厂家和企业的大曲质量。

本发明将数据组分为四组。将大曲分为A(伊力特)、B(稻花香)、C(红星二锅头)、D(泸州老窖)四组，并将所测试的数据保存为模型，即创建数据库。再次从菜单中选择等级分析模型并调用该数据库，则等级分析模型的结果如图6所示：从图中划分的区域可以很好的分辨出四种不同的大曲样品的分布。

本发明的曲料品质分析检测技术适用于泸州老窖等厂家的生产在线信息化管理，能够对生产曲料的过程中对大曲品质进行实时检测，可以提高生产效率，也对品牌效益起到了保护作用。该技术的应用前景长远，对社会起到了推动的作用；微生物快速检测系统可应用于食品安全检测领域，对食源性细菌的检测可满足快速，简便，经济，可靠等要求，同时也对食品品牌保护和社会安全起保障作用；其他食品饮料领域：系统扩展性较强，同时可用于其他饮料领域的品质检测，通过理化指标的建立和对比能够辨别真假。

附图说明

图1是本发明实施例提供的大曲中理化指标特征值提取方法曲料品质分析方法流程图。

图2是本发明实施例提供的大曲中理化指标特征值提取方法曲料品质分析系统结构示意图；

图中：1、传感器阵列模块；2、信号调理模块；3、数据预处理模块；4、数据分析模块。

图3是本发明实施提供的大曲中理化指标特征值提取方法曲料品质分析系统的系统框图。

图4是本发明实施提供的BP和神经网络相结合的培养基优化算法图。

图5是本发明实施提供的微生物快速检测系统图。

图6是本发明实施提供的等级分析结果示意图。

具体实施方式

为了使本发明的目的、技术方案及优点更加清楚明白，以下结合实施例，对本发明进行进一步详细说明。应当理解，此处所描述的具体实施例仅仅用以解释本发明，并不用于限定本发明。

本发明将人工智能技术应用于曲料的品质分析和评定中；研制曲料质量分析系统并对曲料的主要成分进行检测分析；快速检测微生物种群的系统为多微生物快速检测提供一种新的思路和手段；对提高白酒质量生产工艺和食品安全检测上发挥很大作用。

下面结合附图对本发明的应用原理作详细的描述。

如图1所示，本发明实施例提供的大曲中理化指标特征值提取方法曲料品质分析方法包括以下步骤：

S101：基于粗糙集理论分析大曲理化指标对白酒质量和产量影响，得出在白酒生产质量和产量中起主要作用指标；

S102：通过条件属性简化后构造的神经网络建立一种基于大曲理化指标与产酒量和酒质联系的数学模型；

S103：用相关分析、主成分分析法对大曲质量的理化指标体系进行综合评价，通过主成分分析法，科学地寻找到大曲质量标准体系设置动态因子的理论依据；

S104：通过对主成分分析算法的改进能明显提高降维效果，用更少的主成分更多的反映原始指标的信息。

本发明实施例提供的大曲中理化指标特征值提取方法曲料品质分析方法具体包括以下步骤：

(1)粗糙集理论结合神经网络

首先基于粗糙集理论分析大曲理化指标对白酒质量和产量影响，得出在白酒生产质量和产量中起主要作用指标。然后通过条件属性简化后构造的神经网络建立一种基于大曲理化指标与产酒量和酒质联系的数学模型。

设S＝(U，C，D，V，f)为一个大曲理化指标对白酒质量和产量影响分析系统A＝CUD为属性集，C和D分别为条件属性集和决策属性集，基于条件属性C描述决策属性D表达的知识，对于任何一个属性R∈C，其可导性定义为知识的依赖性，表达为：

则大曲理化指标对白酒质量和产量影响的重要因素可定义为：

将重要性最大的属性加入集合R中，最后得到影响白酒质量和产量的重要因素。

(2)主成分分析法

用相关分析、主成分分析法对大曲质量的理化指标体系进行综合评价，通过主成分分析法，科学地寻找到大曲质量标准体系设置动态因子的理论依据。传统的主成分分析法存在以下不足：①指标间相关性小时，每一个主成分承载的信息量就少，为满足累计方差贡献率达到一定水平(通常为85％以上)，可能需选取较多的主成分，此时主成分分析的降维作用就不明显。②主成分分析只是一种“线性”降维技术，只能处理线性问题。

课题组通过“对数中心化”决主成分分析中原始数据非线性化的问题。改进的主成分分析算法为：

假设有M个指标的原始数据为(X_ij)_m×n

1)对原始数据作中心对数化变换：

2)计算对数中心化的样本协方差矩阵：S＝(S_ij)_m×n，

式中：

3)根据|λI-S|计算的协差矩阵S的特征值九和特征向量P；并按特征值大小排列λ_i和特征向量P_i；

4)根据

计算贡献率，根据

计算累计贡献率；

5)给定域值与累计贡献率进行比较以此确定主成分的个数，建立主成分方程；

(3)通过对主成分分析算法的改进能明显提高降维效果，用更少的主成分更多的反映原始指标的信息。

如图2所示，本发明实施例提供的大曲中理化指标特征值提取方法曲料品质分析系统包括：传感器阵列模块1、信号调理模块2、数据预处理模块3和数据分析模块4。

传感器阵列模块1：传感器采用贵金属裸电极阵列，并采用多频脉冲作为激发信号。通过采集工作电机上的响应信号，利用多频脉冲原理提取有效信号特征值，结合模式识别方法对数据最后分析。

信号调理模块2：为了能够从中提取到传感器输出信号——激发电流，必须采用电流电压放大电路，使其信号的强度和幅值的大小能够在信号采集电路信号采集的范围之内。其次，电化学装置的电极系统本身的内阻非常大，所以系统的输入级需满足的基本条件是具有高的输入阻抗和低的输入电流。输入级放大信号后为了保持原有信号的信息需要通过的一定的电路进行滤波，使其噪声降到最小。每个工作极上设置单独的模拟开关，从而控制每个工作极上信号电放大和滤波处理。

数据预处理模块3和数据分析模块4：多通道高精度数据采集器，将调理好的模拟信号转换为数字信号输入到计算机，系统软件会将庞大的数据通过进行分析、存储，并且可以完成数据库更新。

本发明实施例提供的大曲中理化指标特征值提取方法曲料品质分析系统预留多个接口(USB)。使电路模块实现灵活拔插或扩展，增加系统的扩展性。

本发明实施例提供的大曲中理化指标特征值提取方法曲料品质分析系统需具备大曲监测成分实时显示、参数设置和调度的实时控制管理、综合信息管理、人工智能识别等功能。按照其功能主要包括数据库、模型方法库、知识库、在线数据采集子系统、实时控制管理、综合分析与决策支持子系统、综合信息管理子系统。

其中数据库是整个系统运转的基础，准确高效地收集和及时处理大量复杂的监测数据资料是整个系统设计和开发的重点。数据库及综合信息管理子系统是面向数据信息存储和信息查询的计算机软件系统。数据库内容包括：监测仪器特征库；原始监测数据库；整编监测数据库；在线数据实时分析库；人工巡视检查资料库；数据自动采集参数库；模型输入输出数据库；实时控制日志数据库等。图形库和图像库是数据库的延展和补充。在本系统中建立一个数据库非常必要，因为只有建立了一个数据充分的数据库资源，我们才能有效的分析大曲品质，曲料理化指标。

(1)模型库及其管理子系统

提供相应分析处理使用的处理模型和计算方法的例程库。包括各种时态和空间模型、在线数据可靠性分析算法等。包括大曲成分预报模型、大曲质量评价模型、大曲质量预测模型、酒质评价模型、酒质预测模型等。

(2)知识库及其管理子系统

是用于知识信息的存储及其使用管理的计算机软件系统。本系统的知识库内容包括：1.各监测工程的监测指标，2.各厂家企业的评判标准，3.监测数据误差限值，4.专业规律指标，5.专家知识经验，6白酒法律、法规，行业规程、规范的有关条款等。曲料品质分析与评价系统框图如图3所示。

本发明实施例提供的微生物快速检测系统：

通过低选择性交互敏感的多传感器阵列检测曲料样品的整体特征响应信号，检测培养基随着微生物生长的变化(把大的有机物分子转化成小的有机分子和离子)，过程中培养基其本身的特性(电导、电阻、粘度等等)也发生了改变，通过对这一变化的检测取得特征值，再通过PCA和神经网络等模式识别方法的数据处理来确定不同阶段培养基的不同特征。

(1)传感器阵列的确定

采用电化学的方法对微生物及其代谢产物检测，传感器是检测系统的核心部件。关键往往在于如何提高检测的灵敏度，以及从电信号中提取出和待测微生物指标呈良好线性关系的特征，通过氧化还原酶反应和适当的媒介，能将微生物的代谢氧化还原反应转换成可量化的电信号。

传感器阵列采用重金属铂，金，钯，钨，钛，银的电极构成，并利用相同的处理方法(主成分分析法或最小二乘法)来选取对微生物培养基检测的最佳电极和频率段。

(2)微生物检测池的设计

由于微生物的生长会产生很多气泡，导致检测的误差加大，所以不能采取传统将电极倒置插入培养基检测的方法。微生物检测池是一个密闭的空间，池体底部装有电极的设置可以避免外界对被检测培养基的污染，使检测的数据更加准确，传感器阵列位于检测池的底座还可以消除微生物在生长的时候产生的气泡对电极的影响，检测池池体内侧设有内螺纹，底座外周设有与该内螺纹相匹配的外螺纹，设置螺旋结构，可以使检测池池体与底座脱离，便于清洗电极表面。

(3)培养基优化设计

神经网络有很强的输入输出非线性映射能力，特别适用于微生物发酵这种高度非线性、非结构化的复杂模型中。而遗传算法又是一种有导向的全局随机搜索方法，它对于目标函数和搜索空间没有任何限制，因此非常适合神经网络模型等无明确分析函数形式的优化问题。实验培养基配比的组合被分成训练组和预测组，训练组用来训练BP神经网络，然后预测组用来对训练好的网络进行测试，由此构建神经网络模型。并以该模型的输出为GA的目标函数，通过遗传算法的全局寻优，找到最优培养基组合。

(4)定量检测微生物方法的建立，利用检测平台检测微生物不同种类，所具有的不同酶系，在特定液体培养基中培养一定时间后，所产生的不同代谢产物，导致培养基具有整体的特殊性，本发明根据这种特殊性为依据，对微生物建立生长预测模型。根据微生物呈指数生长的特点，微生物数量的对数随时间的变化得到一条S形曲线，所绘制的生长曲线分别为延滞期、对数期、稳定器和衰老期。用CurveExpert软件分析智舌检测菌种的生长数据，拟合S曲线，建立生长模型，通过Logistic、MMF、Gompertz 3种模型的标准差S和相关系数R的比较，确定最佳模型。从而确定检测该菌种的最合适培养基。微生物定量检测的平台设计和方法建立如下图5所示。

以上所述仅为本发明的较佳实施例而已，并不用以限制本发明，凡在本发明的精神和原则之内所作的任何修改、等同替换和改进等，均应包含在本发明的保护范围之内。

Claims (7)

1.一种大曲中理化指标特征值提取及曲料品质分析方法，其特征在于，所述大曲中理化指标特征值提取及曲料品质分析方法包括：

步骤一，基于粗糙集理论分析大曲理化指标对白酒质量和产量影响，得出在白酒生产质量和产量中起主要作用指标；

步骤二，通过条件属性简化后构造的神经网络建立一种基于大曲理化指标与产酒量和酒质联系的数学模型；

步骤三，用相关分析、主成分分析法对大曲质量的理化指标体系进行综合评价，通过主成分分析法，科学地寻找到大曲质量标准体系设置动态因子的理论依据；

步骤四，通过对主成分分析算法的改进能明显提高降维效果，用更少的主成分更多的反映原始指标的信息；

所述大曲中理化指标特征值提取及曲料品质分析方法采用大曲中理化指标特征值提取及曲料品质分析系统实现，具体包括：

传感器阵列模块，通过采集工作电机上的响应信号，利用多频脉冲原理提取有效信号特征值，结合模式识别方法对数据最后分析；

信号调理模块，从中提取到传感器输出信号，采用电流电压放大电路，使其信号的强度和幅值的大小能够在信号采集电路信号采集的范围之内；

数据预处理模块和数据分析模块，将调理好的模拟信号转换为数字信号输入到计算机，将庞大的数据通过进行分析、存储，并且完成数据库更新；

所述步骤一中S＝(U，C，D，V，f)为一个大曲理化指标对白酒质量和产量影响分析系统A＝CUD为属性集，C和D分别为条件属性集和决策属性集，基于条件属性C描述决策属性D表达的知识，对于任何一个属性R∈C，其可导性定义为知识的依赖性，表达为：

则大曲理化指标对白酒质量和产量影响的重要因素定义为：

将重要性最大的属性加入集合R中，最后得到影响白酒质量和产量的重要因素；

所述步骤二中通过对数中心化决主成分分析中原始数据非线性化的问题；改进的主成分分析算法为：

有M个指标的原始数据为(X_ij)_m×n；

1)对原始数据作中心对数化变换：

2)计算对数中心化的样本协方差矩阵：S＝(S_ij)_m×n，

式中：

3)根据|λI-S|计算的协差矩阵S的特征值和特征向量P；并按特征值大小排列λ_i和特征向量P_i；

4)根据

计算贡献率，根据

计算累计贡献率；

5)给定域值与累计贡献率进行比较以此确定主成分的个数，建立主成分方程。

2.如权利要求1所述的大曲中理化指标特征值提取及曲料品质分析方法，其特征在于，所述传感器阵列模块的传感器采用贵金属裸电极阵列，并采用多频脉冲作为激发信号。

3.如权利要求1所述的大曲中理化指标特征值提取及曲料品质分析方法，其特征在于，所述大曲中理化指标特征值提取及曲料品质分析系统进一步包括：数据库、模型方法库、知识库、在线数据采集子系统、实时控制管理、综合分析与决策支持子系统、综合信息管理子系统；

数据库及综合信息管理子系统，面向数据信息存储和信息查询的计算机软件系统；数据库包括：监测仪器特征库、原始监测数据库、整编监测数据库、在线数据实时分析库、人工巡视检查资料库、数据自动采集参数库、模型输入输出数据库、实时控制日志数据库；

模型方法库及其管理子系统，提供相应分析处理使用的处理模型和计算方法的例程库；包括各种时态和空间模型、在线数据可靠性分析算法；包括大曲成分预报模型、大曲质量评价模型、大曲质量预测模型、酒质评价模型、酒质预测模型；

知识库及其管理子系统，用于知识信息的存储及其使用管理的计算机软件系统；知识库内容包括：各监测工程的监测指标、各厂家企业的评判标准、监测数据误差限值、专业规律指标、专家知识经验、白酒法律、法规，行业规程、规范的有关条款。

4.如权利要求1所述大曲中理化指标特征值提取及曲料品质分析方法，其特征在于，实现所述大曲中理化指标特征值提取及曲料品质分析方法的微生物快速检测系统，通过低选择性交互敏感的多传感器阵列检测曲料样品的整体特征响应信号，检测培养基随着微生物生长的变化；通过对这一变化的检测取得特征值，通过PCA和神经网络模式识别方法的数据处理来确定不同阶段培养基的不同特征。

5.如权利要求4所述的大曲中理化指标特征值提取及曲料品质分析方法，其特征在于，所述微生物快速检测系统的传感器阵列采用电化学的方法对微生物及其代谢产物检测，通过氧化还原酶反应和适当的媒介，能将微生物的代谢氧化还原反应转换成可量化的电信号；传感器阵列采用重金属铂，金，钯，钨，钛，银的电极构成，并利用相同的处理方法选取对微生物培养基检测的最佳电极和频率段。

6.如权利要求4所述的大曲中理化指标特征值提取及曲料品质分析方法，其特征在于，所述微生物快速检测系统的微生物检测池的传感器阵列位于检测池的底座，检测池池体内侧设有内螺纹，底座外周设有与该内螺纹相匹配的外螺纹，设置螺旋结构，使检测池池体与底座脱离。

7.如权利要求4所述的大曲中理化指标特征值提取及曲料品质分析方法，其特征在于，所述微生物快速检测系统的培养基的实验培养基配比的组合被分成训练组和预测组，训练组用来训练BP神经网络，预测组用来对训练好的网络进行测试，构建神经网络模型；模型的输出为GA的目标函数，通过遗传算法的全局寻优，找到最优培养基组合；

定量检测微生物方法的建立，利用检测平台检测微生物不同种类；对微生物建立生长预测模型；根据微生物呈指数生长的特点，微生物数量的对数随时间的变化得到一条S形曲线，所绘制的生长曲线分别为延滞期、对数期、稳定器和衰老期；用CurveExpert软件分析智舌检测菌种的生长数据，拟合S曲线，建立生长模型，通过Logistic、MMF、Gompertz3种模型的标准差S和相关系数R的比较，确定最佳模型；确定检测该菌种的最合适培养基。

Images