CN109507143B - 沼液理化指标近红外光谱同步快速检测方法 - Google Patents
沼液理化指标近红外光谱同步快速检测方法 Download PDFInfo
- Publication number
- CN109507143B CN109507143B CN201811323250.3A CN201811323250A CN109507143B CN 109507143 B CN109507143 B CN 109507143B CN 201811323250 A CN201811323250 A CN 201811323250A CN 109507143 B CN109507143 B CN 109507143B
- Authority
- CN
- China
- Prior art keywords
- near infrared
- biogas slurry
- infrared spectrum
- characteristic
- sample
- 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.)
- Active
Links
- 238000002329 infrared spectrum Methods 0.000 title claims abstract description 50
- 239000002002 slurry Substances 0.000 title claims abstract description 50
- 239000000126 substance Substances 0.000 title claims abstract description 48
- 238000001514 detection method Methods 0.000 title claims abstract description 38
- 230000001360 synchronised effect Effects 0.000 title claims abstract description 18
- 238000004422 calculation algorithm Methods 0.000 claims abstract description 47
- 230000002068 genetic effect Effects 0.000 claims abstract description 37
- 238000005457 optimization Methods 0.000 claims abstract description 30
- 238000002922 simulated annealing Methods 0.000 claims abstract description 28
- 238000000034 method Methods 0.000 claims abstract description 20
- XKMRRTOUMJRJIA-UHFFFAOYSA-N ammonia nh3 Chemical compound N.N XKMRRTOUMJRJIA-UHFFFAOYSA-N 0.000 claims abstract description 17
- QVGXLLKOCUKJST-UHFFFAOYSA-N atomic oxygen Chemical compound [O] QVGXLLKOCUKJST-UHFFFAOYSA-N 0.000 claims abstract description 17
- 235000014113 dietary fatty acids Nutrition 0.000 claims abstract description 17
- 229930195729 fatty acid Natural products 0.000 claims abstract description 17
- 239000000194 fatty acid Substances 0.000 claims abstract description 17
- 150000004665 fatty acids Chemical class 0.000 claims abstract description 17
- 239000001301 oxygen Substances 0.000 claims abstract description 17
- 229910052760 oxygen Inorganic materials 0.000 claims abstract description 17
- 238000001228 spectrum Methods 0.000 claims abstract description 12
- 238000010238 partial least squares regression Methods 0.000 claims abstract description 11
- 239000006228 supernatant Substances 0.000 claims abstract description 11
- 238000012937 correction Methods 0.000 claims abstract description 10
- 230000009977 dual effect Effects 0.000 claims abstract description 10
- 238000000855 fermentation Methods 0.000 claims abstract description 10
- 238000012795 verification Methods 0.000 claims abstract description 10
- 210000000349 chromosome Anatomy 0.000 claims description 14
- QTBSBXVTEAMEQO-UHFFFAOYSA-N Acetic acid Chemical compound CC(O)=O QTBSBXVTEAMEQO-UHFFFAOYSA-N 0.000 claims description 9
- 238000001816 cooling Methods 0.000 claims description 9
- 238000005070 sampling Methods 0.000 claims description 9
- 230000002159 abnormal effect Effects 0.000 claims description 6
- 238000000137 annealing Methods 0.000 claims description 6
- 238000002790 cross-validation Methods 0.000 claims description 6
- XBDQKXXYIPTUBI-UHFFFAOYSA-N dimethylselenoniopropionate Natural products CCC(O)=O XBDQKXXYIPTUBI-UHFFFAOYSA-N 0.000 claims description 6
- 230000010076 replication Effects 0.000 claims description 6
- 238000004088 simulation Methods 0.000 claims description 6
- 230000003595 spectral effect Effects 0.000 claims description 6
- 238000004458 analytical method Methods 0.000 claims description 4
- 238000012360 testing method Methods 0.000 claims description 4
- 208000001613 Gambling Diseases 0.000 claims description 3
- 239000002253 acid Substances 0.000 claims description 3
- 230000005540 biological transmission Effects 0.000 claims description 3
- 238000004364 calculation method Methods 0.000 claims description 3
- 230000003197 catalytic effect Effects 0.000 claims description 3
- 238000013461 design Methods 0.000 claims description 3
- 230000029087 digestion Effects 0.000 claims description 3
- 238000011156 evaluation Methods 0.000 claims description 3
- 238000004401 flow injection analysis Methods 0.000 claims description 3
- 238000007710 freezing Methods 0.000 claims description 3
- 230000008014 freezing Effects 0.000 claims description 3
- 239000007789 gas Substances 0.000 claims description 3
- 238000009499 grossing Methods 0.000 claims description 3
- 238000004433 infrared transmission spectrum Methods 0.000 claims description 3
- 230000014759 maintenance of location Effects 0.000 claims description 3
- 230000003287 optical effect Effects 0.000 claims description 3
- 238000007781 pre-processing Methods 0.000 claims description 3
- 230000008569 process Effects 0.000 claims description 3
- 238000012545 processing Methods 0.000 claims description 3
- 235000019260 propionic acid Nutrition 0.000 claims description 3
- IUVKMZGDUIUOCP-BTNSXGMBSA-N quinbolone Chemical compound O([C@H]1CC[C@H]2[C@H]3[C@@H]([C@]4(C=CC(=O)C=C4CC3)C)CC[C@@]21C)C1=CCCC1 IUVKMZGDUIUOCP-BTNSXGMBSA-N 0.000 claims description 3
- 230000006798 recombination Effects 0.000 claims description 3
- 238000005215 recombination Methods 0.000 claims description 3
- 230000009466 transformation Effects 0.000 claims description 3
- 238000000870 ultraviolet spectroscopy Methods 0.000 claims description 3
- 238000005516 engineering process Methods 0.000 abstract description 4
- 239000007788 liquid Substances 0.000 abstract description 2
- 230000004151 fermentation Effects 0.000 description 3
- 239000010815 organic waste Substances 0.000 description 3
- 238000011161 development Methods 0.000 description 2
- 238000004519 manufacturing process Methods 0.000 description 2
- VNWKTOKETHGBQD-UHFFFAOYSA-N methane Chemical compound C VNWKTOKETHGBQD-UHFFFAOYSA-N 0.000 description 2
- 239000002028 Biomass Substances 0.000 description 1
- 230000003851 biochemical process Effects 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 238000003912 environmental pollution Methods 0.000 description 1
- 210000003608 fece Anatomy 0.000 description 1
- 235000013305 food Nutrition 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 238000002188 infrared transmission spectroscopy Methods 0.000 description 1
- 239000007791 liquid phase Substances 0.000 description 1
- 244000144972 livestock Species 0.000 description 1
- 239000010871 livestock manure Substances 0.000 description 1
- 239000003208 petroleum Substances 0.000 description 1
- 244000144977 poultry Species 0.000 description 1
- 238000004451 qualitative analysis Methods 0.000 description 1
- 230000009467 reduction Effects 0.000 description 1
- 239000000243 solution Substances 0.000 description 1
- 239000010902 straw Substances 0.000 description 1
- 239000002699 waste material Substances 0.000 description 1
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 description 1
Classifications
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
- G01N21/00—Investigating or analysing materials by the use of optical means, i.e. using sub-millimetre waves, infrared, visible or ultraviolet light
- G01N21/17—Systems in which incident light is modified in accordance with the properties of the material investigated
- G01N21/25—Colour; Spectral properties, i.e. comparison of effect of material on the light at two or more different wavelengths or wavelength bands
- G01N21/31—Investigating relative effect of material at wavelengths characteristic of specific elements or molecules, e.g. atomic absorption spectrometry
- G01N21/35—Investigating relative effect of material at wavelengths characteristic of specific elements or molecules, e.g. atomic absorption spectrometry using infrared light
- G01N21/3577—Investigating relative effect of material at wavelengths characteristic of specific elements or molecules, e.g. atomic absorption spectrometry using infrared light for analysing liquids, e.g. polluted water
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
- G01N21/00—Investigating or analysing materials by the use of optical means, i.e. using sub-millimetre waves, infrared, visible or ultraviolet light
- G01N21/17—Systems in which incident light is modified in accordance with the properties of the material investigated
- G01N21/25—Colour; Spectral properties, i.e. comparison of effect of material on the light at two or more different wavelengths or wavelength bands
- G01N21/31—Investigating relative effect of material at wavelengths characteristic of specific elements or molecules, e.g. atomic absorption spectrometry
- G01N21/35—Investigating relative effect of material at wavelengths characteristic of specific elements or molecules, e.g. atomic absorption spectrometry using infrared light
- G01N21/359—Investigating relative effect of material at wavelengths characteristic of specific elements or molecules, e.g. atomic absorption spectrometry using infrared light using near infrared light
Abstract
沼液理化指标近红外光谱同步快速检测方法属于厌氧发酵液检测技术；本方法通过样品采集、理化指标测定、近红外光谱采集、光谱预处理及样品集划分、基于双重遗传模拟退火算法的特征波长优选后，将校正集光谱数据分别按双重遗传模拟退火算法优选的沼液化学需氧量、挥发性脂肪酸和氨氮理化指标的特征波长建立相应的偏最小二乘回归模型，并使用验证集对回归模型的精度进行评测，建立快速检测模型，对需检测理化指标的沼液样本离心后取上清液进行近红外光谱扫描，再按优选的相应理化指标特征波长输入检测模型，完成沼液理化指标同步快速检测；本方法检测速度快，精度高，检测项目全。
Description
技术领域
本发明属于厌氧发酵液检测技术，主要涉及一种沼液理化指标近红外光谱同步快速检测方法。
背景技术
随着我国农牧业的快速发展，产生了大量的农作物秸秆和畜禽粪便等有机废弃物，由此引起的环境污染问题日益突出。厌氧发酵产沼气作为一项清洁生物质能源技术是实现农牧业有机废弃物资源化利用、改善环境、解决能源问题的重要手段和发展方向。由于沼气发酵是一个极其复杂的生化过程，如何高效地利用农牧业废弃物发酵产沼气，是当前农业面临的重大挑战。化学需氧量、挥发性脂肪酸和氨氮等沼液理化指标是控制和优化厌氧发酵工艺的重要指标。为了对厌氧发酵过程进行有效调控，有必要对上述沼液理化指标进行快速准确测定，但采用传统化学方法测定其含量时存在测试速度慢、成本高的问题。
近红外光谱分析技术具有简便、快速、无损、低成本以及可实现多组分同时测定等众多优点，已广泛用于食品、制药、石油、化工、酿酒等行业的定性分析和定量检测。在应用近红外透射光谱进行液相物质检测方面，研究人员已经分别实现了水体的化学需氧量、挥发性脂肪酸和氨氮检测，但检测效率和精度有待进一步提高。原因在于近红外光谱仪器采集的数据量大，在建立上述检测模型时以全谱波长点建模，计算量大，波长冗余严重，不相干和非线性的波长点对模型预测精度影响较大。遗传算法具有较强的鲁棒性和全局搜索能力，其随机搜索能力能够有效解决光谱波长点之间的共线性问题，已广泛应用于近红外光谱特征波长优选。但遗传算法存在早熟问题，且进化后期搜索效率较低。因此，对遗传算法进行改进，并应用于沼液近红外光谱特征波长优选，研究一种沼液化学需氧量、挥发性脂肪酸和氨氮理化指标的近红外光谱同步快速检测方法十分必要。
发明内容
本发明的目的就是针对上述现有技术存在的问题，结合厌氧发酵生产作业使用的实际需要，提出一种沼液理化指标近红外光谱同步快速检测方法，达到解决以全谱波长点个数作为染色体码长直接编码时码太长引起解空间发散、波长冗余严重、减少搜索时间、提高检测速度和检测精度的目的。
本发明的目的是这样实现的：一种沼液理化指标近红外光谱同步快速检测方法，所述方法包括步骤是：
①、样品采集：
以正常产气的半连续厌氧发酵罐中沼液为样品，每4小时采样一次，采样量40ml，采样30天，共采样180个；样品在6000r/min下冷冻离心10min后，取样品上清液待测；
②、理化指标测定：
取样品上清液采用传统的化学方法进行化学需氧量、挥发性脂肪酸和氨氮含量的测定；所述化学需氧量采用密封催化消解法结合T6新世纪紫外可见分光光度计测定，挥发性脂肪酸中的乙酸、丙酸和总酸含量采用Agilent GC-6890气相色谱仪测定，氨氮采用FOSSFIAstar 5000流动注射分析仪测定；
③、近红外光谱采集：
另取样品上清液采用Antaris II FT-NIR光谱仪进行沼液近红外光谱采集，采用透射分析模块，样品池采用1mm光程矩形比色皿，光谱范围为4000-10000cm-1，扫描次数为32次，分辨率为8.0cm-1；
④、对③中采集的沼液近红外光谱进行预处理及样品集划分：
对光谱数据采用一阶导数平滑处理后，再进行标准正态变量变换处理，并基于蒙特卡洛交叉验证去除异常样本；运用KS法将去除异常样本后的样品集按3∶1的比例划分校正集和验证集；
其特征在于：
⑤、基于双重遗传模拟退火算法的特征波长优选：
第一步：对标准遗传算法进行改进，引入模拟退火算法的温度参数和降温操作，构建遗传模拟退火算法；遗传模拟退火算法以偏最小二乘回归模型的交叉验证均方根误差为目标函数，结合温度参数设计适应度函数，所述适应度函数计算公式如下：
式中，f(x)为当前染色体的目标函数值，fmin为当前代种群中的最小目标函数值，t为当前代温度值；
第二：基于遗传模拟退火算法进行近红外光谱特征区间优选：对校正集中的近红外光谱数据分别按30、40、50、60、80、100、120个波长点划分区间，依次将1557个波长点的光谱数据划分为52、39、31、26、20、16、13个区间，采用二进制编码方式，以区间个数为码长，进行遗传模拟退火算法的种群初始化；“1”和“0”分别表示对应的特征区间所包含波长点对应的数据“是”、“否”选中参与运算；根据种群初始化结果计算各染色体的目标函数值，确定初始温度和降温操作，并计算各染色体的适应度函数值，然后依据适应度函数值对种群中的染色体依此执行带最优保留策略的赌轮选择、离散重组交叉、离散变异和Metropolis选择复制操作，完成一轮次的种群进化过程；经过多个轮次的种群进化，满足设定的算法终止条件后，即完成近红外光谱特征区间优选；按如上步骤，执行多次特征区间优选算法，求出沼液近红外光谱化学需氧量、挥发性脂肪酸和氨氮理化指标在不同区间个数下的多个备选特征区间，通过综合评测校正决定系数和校正均方根误差，确定沼液特定理化指标的最佳区间个数和最佳特征区间；
第三步：基于遗传模拟退火算法进行近红外光谱特征波长点优选：以优选后沼液特定理化指标的近红外光谱特征区间包含的特征波长点数为码长，进行二进制编码，并进行种群初始化；“1”和“0”分别表示该波长点对应的数据“是”、“否”选中参与运算；在确定初始温度、降温操作，计算适应度函数值后，执行多个轮次的遗传模拟退火选择、交叉、变异和Metropolis选择复制进化操作，完成近红外光谱特征波长点的优选；针对遗传模拟退火算法优化结果的随机性，多次执行特征波长点优选算法，并选择多次重复选中的波长点为特征波长点建立偏最小二乘回归模型，得到较高的回归模型性能；
⑥、将校正集光谱数据分别按双重遗传模拟退火算法优选的沼液化学需氧量、挥发性脂肪酸和氨氮理化指标的特征波长建立相应的偏最小二乘回归模型，并使用验证集对回归模型的精度进行评测；若验证集的评测结果不满足测试精度要求，重新执行第⑤步骤，进行特征波长优选；当建立的偏最小二乘回归模型检测精度满足需求时，输出相应模型，完成沼液理化指标近红外光谱同步快速检测模型；
⑦、对需要检测理化指标的沼液样本，离心后取上清液进行近红外透射光谱扫描，再按优选的相应理化指标特征波长输入检测模型，即完成沼液理化指标的同步快速检测。
本发明基于双重遗传模拟退火算法的近红外光谱沼液理化指标特征波长优选先进行特征区间优选，再进行特征波长点优选，在兼顾波长优选性能的同时有效减少搜索时间，解决了以全谱波长点个数做为染色体码长直接编码时码长太长引起解空间发散的问题，且基于该波长优选方法建立的沼液理化指标偏最小二乘回归模型具有检测速度快、精度高的特点，能够实现沼液化学需氧量、挥发性脂肪酸和氨氮理化指标的同步快速检测，检测内容多、项目全。
附图说明
图1是沼液理化指标近红外光谱同步快速检测方法流程示意图；
图2是基于双重遗传模拟退火算法的特征波长优选流程示意图。
具体实施方式
下面结合附图对本发明具体实施方案进行详细描述。一种沼液理化指标近红外光谱同步快速检测方法，所述方法包括步骤是：
①、样品采集：
以正常产气的半连续厌氧发酵罐中沼液为样品，每4小时采样一次，采样量40ml，采样30天，共采样180个；样品在6000r/min下冷冻离心10min后，取样品上清液待测；
②、理化指标测定：
取样品上清液采用传统的化学方法进行化学需氧量、挥发性脂肪酸和氨氮含量的测定；所述化学需氧量采用密封催化消解法结合T6新世纪紫外可见分光光度计测定，挥发性脂肪酸中的乙酸、丙酸和总酸含量采用Agilent GC-6890气相色谱仪测定，氨氮采用FOSSFIAstar 5000流动注射分析仪测定；
③、近红外光谱采集：
另取样品上清液采用Antaris II FT-NIR光谱仪进行沼液近红外光谱采集，采用透射分析模块，样品池采用1mm光程矩形比色皿，光谱范围为4000-10000cm-1，扫描次数为32次，分辨率为8.0cm-1；
④、对③中采集的沼液近红外光谱进行预处理及样品集划分：
对光谱数据采用一阶导数平滑处理后，再进行标准正态变量变换处理，并基于蒙特卡洛交叉验证去除异常样本；运用KS法将去除异常样本后的样品集按3∶1的比例划分校正集和验证集；
⑤、基于双重遗传模拟退火算法的特征波长优选：
第一步：对标准遗传算法进行改进，引入模拟退火算法的温度参数和降温操作，构建遗传模拟退火算法；遗传模拟退火算法以偏最小二乘回归模型的交叉验证均方根误差为目标函数，结合温度参数设计适应度函数，所述适应度函数计算公式如下：
式中，f(x)为当前染色体的目标函数值，fmin为当前代种群中的最小目标函数值，t为当前代温度值；
第二步：基于遗传模拟退火算法进行近红外光谱特征区间优选：对校正集中的近红外光谱数据分别按30、40、50、60、80、100、120个波长点划分区间，依次将1557个波长点的光谱数据划分为52、39、31、26、20、16、13个区间，采用二进制编码方式，以区间个数为码长，进行遗传模拟退火算法的种群初始化；“1”和“0”分别表示对应的特征区间所包含波长点对应的数据“是”、“否”选中参与运算；根据种群初始化结果计算各染色体的目标函数值，确定初始温度和降温操作，并计算各染色体的适应度函数值，然后依据适应度函数值对种群中的染色体依此执行带最优保留策略的赌轮选择、离散重组交叉、离散变异和Metropolis选择复制操作，完成一轮次的种群进化过程；经过多个轮次的种群进化，满足设定的算法终止条件后，即完成近红外光谱特征区间优选；按如上步骤，执行多次特征区间优选算法，求出沼液近红外光谱化学需氧量、挥发性脂肪酸和氨氮理化指标在不同区间个数下的多个备选特征区间，通过综合评测校正决定系数和校正均方根误差，确定沼液特定理化指标的最佳区间个数和最佳特征区间；
第三步：基于遗传模拟退火算法进行近红外光谱特征波长点优选：以优选后沼液特定理化指标的近红外光谱特征区间包含的特征波长点数为码长，进行二进制编码，并进行种群初始化；“1”和“0”分别表示该波长点对应的数据“是”、“否”选中参与运算；在确定初始温度、降温操作，计算适应度函数值后，执行多个轮次的遗传模拟退火选择、交叉、变异和Metropolis选择复制进化操作，完成近红外光谱特征波长点的优选；针对遗传模拟退火算法优化结果的随机性，多次执行特征波长点优选算法，并选择多次重复选中的波长点为特征波长点建立偏最小二乘回归模型，能够得到较高的回归模型性能；
⑥、将校正集光谱数据分别按双重遗传模拟退火算法优选的沼液化学需氧量、挥发性脂肪酸和氨氮理化指标的特征波长建立相应的偏最小二乘回归模型，并使用验证集对回归模型的精度进行评测；若验证集的评测结果不满足测试精度要求，重新执行第⑤步骤，进行特征波长优选；当建立的偏最小二乘回归模型检测精度满足需求时，输出相应模型，完成沼液理化指标近红外光谱同步快速检测模型；
⑦、对需要检测理化指标的沼液样本，离心后取上清液进行近红外透射光谱扫描，再按优选的相应理化指标特征波长输入检测模型，即完成沼液理化指标的同步快速检测。
Claims (1)
1.一种沼液理化指标近红外光谱同步快速检测方法，所述方法包括步骤是：
①、样品采集：
以正常产气的半连续厌氧发酵罐中沼液为样品，每4小时采样一次，采样量40ml，采样30天，共采样180个；样品在6000r/min下冷冻离心10min后，取样品上清液待测；
②、理化指标测定：
取样品上清液采用传统的化学方法进行化学需氧量、挥发性脂肪酸和氨氮含量的测定；所述化学需氧量采用密封催化消解法结合T6新世纪紫外可见分光光度计测定，挥发性脂肪酸中的乙酸、丙酸和总酸含量采用Agilent GC-6890气相色谱仪测定，氨氮采用FOSSFIAstar 5000流动注射分析仪测定；
③、近红外光谱采集：
另取样品上清液采用Antaris II FT-NIR光谱仪进行沼液近红外光谱采集，采用透射分析模块，样品池采用1mm光程矩形比色皿，光谱范围为4000-10000cm-1，扫描次数为32次，分辨率为8.0cm-1；
④、对③中采集的沼液近红外光谱进行预处理及样品集划分：
对光谱数据采用一阶导数平滑处理后，再进行标准正态变量变换处理，并基于蒙特卡洛交叉验证去除异常样本；运用KS法将去除异常样本后的样品集按3∶1的比例划分校正集和验证集；
其特征在于：
⑤、基于双重遗传模拟退火算法的特征波长优选：
第一步：对标准遗传算法进行改进，引入模拟退火算法的温度参数和降温操作，构建遗传模拟退火算法；遗传模拟退火算法以偏最小二乘回归模型的交叉验证均方根误差为目标函数，结合温度参数设计适应度函数，所述适应度函数计算公式如下：
式中，f(x)为当前染色体的目标函数值，fmin为当前代种群中的最小目标函数值，t为当前代温度值；
第二步：基于遗传模拟退火算法进行近红外光谱特征区间优选：对校正集中的近红外光谱数据分别按30、40、50、60、80、100、120个波长点划分区间，依次将1557个波长点的光谱数据划分为52、39、31、26、20、16、13个区间，采用二进制编码方式，以区间个数为码长，进行遗传模拟退火算法的种群初始化；“1”和“0”分别表示对应的特征区间所包含波长点对应的数据“是”、“否”选中参与运算；根据种群初始化结果计算各染色体的目标函数值，确定初始温度和降温操作，并计算各染色体的适应度函数值，然后依据适应度函数值对种群中的染色体依此执行带最优保留策略的赌轮选择、离散重组交叉、离散变异和Metropolis选择复制操作，完成一轮次的种群进化过程；经过多个轮次的种群进化，满足设定的算法终止条件后，即完成近红外光谱特征区间优选；按如上步骤，执行多次特征区间优选算法，求出沼液近红外光谱化学需氧量、挥发性脂肪酸和氨氮理化指标在不同区间个数下的多个备选特征区间，通过综合评测校正决定系数和校正均方根误差，确定沼液特定理化指标的最佳区间个数和最佳特征区间；
第三步：基于遗传模拟退火算法进行近红外光谱特征波长点优选：以优选后沼液特定理化指标的近红外光谱特征区间包含的特征波长点数为码长，进行二进制编码，并进行种群初始化；“1”和“0”分别表示该波长点对应的数据“是”、“否”选中参与运算；在确定初始温度、降温操作，计算适应度函数值后，执行多个轮次的遗传模拟退火选择、交叉、变异和Metropolis选择复制进化操作，完成近红外光谱特征波长点的优选；针对遗传模拟退火算法优化结果的随机性，多次执行特征波长点优选算法，并选择多次重复选中的波长点为特征波长点建立偏最小二乘回归模型，得到较高的回归模型性能；
⑥、将校正集光谱数据分别按双重遗传模拟退火算法优选的沼液化学需氧量、挥发性脂肪酸和氨氮理化指标的特征波长建立相应的偏最小二乘回归模型，并使用验证集对回归模型的精度进行评测；若验证集的评测结果不满足测试精度要求，重新执行第⑤步骤，进行特征波长优选；当建立的偏最小二乘回归模型检测精度满足需求时，输出相应模型，完成沼液理化指标近红外光谱同步快速检测模型；
⑦、对需要检测理化指标的沼液样本，离心后取上清液进行近红外透射光谱扫描，再按优选的相应理化指标特征波长输入检测模型，即完成沼液理化指标的同步快速检测。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201811323250.3A CN109507143B (zh) | 2018-10-29 | 2018-10-29 | 沼液理化指标近红外光谱同步快速检测方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201811323250.3A CN109507143B (zh) | 2018-10-29 | 2018-10-29 | 沼液理化指标近红外光谱同步快速检测方法 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN109507143A CN109507143A (zh) | 2019-03-22 |
| CN109507143B true CN109507143B (zh) | 2019-12-31 |
Family
ID=65747826
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN201811323250.3A Active CN109507143B (zh) | 2018-10-29 | 2018-10-29 | 沼液理化指标近红外光谱同步快速检测方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN109507143B (zh) |
Families Citing this family (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN112863612B (zh) * | 2021-01-19 | 2024-01-30 | 中国科学院生态环境研究中心 | 多元物料干式厌氧消化混合配比的优化方法 |
| CN114674783A (zh) * | 2022-05-30 | 2022-06-28 | 东北农业大学 | 一种基于近红外光谱检测沼液质量指标的方法 |
| CN115639160A (zh) * | 2022-12-23 | 2023-01-24 | 东北农业大学 | 一种无人值守的沼液指标在线同步速测装置及方法 |
Citations (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN101832909A (zh) * | 2010-03-12 | 2010-09-15 | 江苏大学 | 基于模拟退火-遗传算法近红外光谱特征子区间选择方法 |
| CN102305772A (zh) * | 2011-07-29 | 2012-01-04 | 江苏大学 | 基于遗传核偏最小二乘法的近红外光谱特征波长筛选方法 |
| CN102346136A (zh) * | 2010-08-02 | 2012-02-08 | 中国科学技术大学 | 一种测定厌氧发酵过程中的物质的含量的方法 |
| CN103366189A (zh) * | 2013-07-10 | 2013-10-23 | 河海大学 | 一种高光谱遥感图像的智能化分类方法 |
| CN105046003A (zh) * | 2015-07-23 | 2015-11-11 | 王家俊 | 模拟退火-遗传算法的光谱特征区间选择及光谱加密方法 |
-
2018
- 2018-10-29 CN CN201811323250.3A patent/CN109507143B/zh active Active
Patent Citations (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN101832909A (zh) * | 2010-03-12 | 2010-09-15 | 江苏大学 | 基于模拟退火-遗传算法近红外光谱特征子区间选择方法 |
| CN102346136A (zh) * | 2010-08-02 | 2012-02-08 | 中国科学技术大学 | 一种测定厌氧发酵过程中的物质的含量的方法 |
| CN102305772A (zh) * | 2011-07-29 | 2012-01-04 | 江苏大学 | 基于遗传核偏最小二乘法的近红外光谱特征波长筛选方法 |
| CN103366189A (zh) * | 2013-07-10 | 2013-10-23 | 河海大学 | 一种高光谱遥感图像的智能化分类方法 |
| CN105046003A (zh) * | 2015-07-23 | 2015-11-11 | 王家俊 | 模拟退火-遗传算法的光谱特征区间选择及光谱加密方法 |
Non-Patent Citations (2)
| Title |
|---|
| 一种近红外光谱特征子区间选择新算法;石吉勇等;《光谱学与光谱分析》;20121231;第30卷(第12期);第3199-3202页 * |
| 波长选择算法在近红外光谱法中药有效成分测量中的应用;谷筱玉等;《光谱学与光谱分析》;20060930;第26卷(第9期);第1618-1620页 * |
Also Published As
| Publication number | Publication date |
|---|---|
| CN109507143A (zh) | 2019-03-22 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN109507143B (zh) | 沼液理化指标近红外光谱同步快速检测方法 | |
| Triolo et al. | Near Infrared Reflectance Spectroscopy (NIRS) for rapid determination of biochemical methane potential of plant biomass | |
| Li et al. | Establishing a minimum dataset for soil quality assessment based on soil properties and land-use changes | |
| 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 | |
| CN111855589A (zh) | 水稻叶片氮积累量遥感反演模型和方法 | |
| CN111855591A (zh) | 水稻地上部碳氮比遥感反演模型和方法 | |
| CN111855590A (zh) | 水稻叶片淀粉积累量遥感反演模型和方法 | |
| CN101762569A (zh) | 一种畜禽粪便工厂化堆肥发酵过程的无损监测方法 | |
| CN111829965A (zh) | 水稻地上部淀粉积累量遥感反演模型和方法 | |
| CN111855593A (zh) | 水稻叶片淀粉含量遥感反演模型和方法 | |
| Wang et al. | Onsite nutritional diagnosis of tea plants using micro near-infrared spectrometer coupled with chemometrics | |
| Peng et al. | Applications of near infrared spectroscopy and hyperspectral imaging techniques in anaerobic digestion of bio-wastes: A review | |
| Xu et al. | Fast detection of volatile fatty acids in biogas slurry using NIR spectroscopy combined with feature wavelength selection | |
| CN111855592A (zh) | 水稻单位面积内地上部干物重遥感反演模型和方法 | |
| Carciochi et al. | Critical sulfur dilution curve and sulfur nutrition index in maize | |
| CN112270131A (zh) | 基于ard回归算法的水稻叶面积指数遥感反演模型和方法 | |
| CN103267739A (zh) | 一种基于光谱技术的水产养殖废水有机物浓度测量方法 | |
| CN111060477B (zh) | 厌氧共发酵原料生化甲烷势近红外光谱快速检测方法 | |
| Wang et al. | Electronic nose signals-based deep learning models to realize high-precision monitoring of simultaneous saccharification and fermentation of cassava | |
| CN112362812A (zh) | 基于Lars算法的水稻叶片叶绿素类胡萝卜素含量比值遥感反演模型和方法 | |
| Qiu et al. | Rapid detection of chemical oxygen demand, pH value, total nitrogen, total phosphorus, and ammonia nitrogen in biogas slurry by near infrared spectroscopy | |
| Bao et al. | Detection of volatile fatty acids in anaerobic digestion system by near infrared spectroscopy | |
| Putra et al. | Estimation of acetic acid concentration from biogas samples using machine learning | |
| Niaze et al. | Model construction and optimization for raising the concentration of industrial bioethanol production by using a data-driven ANN model | |
| CN112525831A (zh) | 基于CatBoost回归算法的水稻地上部蛋白氮积累量遥感反演模型和方法 |
Legal Events
| Date | Code | Title | Description |
|---|---|---|---|
| PB01 | Publication | ||
| PB01 | Publication | ||
| SE01 | Entry into force of request for substantive examination | ||
| SE01 | Entry into force of request for substantive examination | ||
| GR01 | Patent grant | ||
| GR01 | Patent grant |