CN111537468A - 柠檬酸生产中的小麦淀粉乳总糖的nir检测方法 - Google Patents
柠檬酸生产中的小麦淀粉乳总糖的nir检测方法 Download PDFInfo
- Publication number
- CN111537468A CN111537468A CN202010490176.5A CN202010490176A CN111537468A CN 111537468 A CN111537468 A CN 111537468A CN 202010490176 A CN202010490176 A CN 202010490176A CN 111537468 A CN111537468 A CN 111537468A
- Authority
- CN
- China
- Prior art keywords
- layer
- weighted
- nir
- variable
- citric acid
- 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.)
- Granted
Links
- KRKNYBCHXYNGOX-UHFFFAOYSA-N citric acid Chemical compound OC(=O)CC(O)(C(O)=O)CC(O)=O KRKNYBCHXYNGOX-UHFFFAOYSA-N 0.000 title claims abstract description 147
- 235000013336 milk Nutrition 0.000 title claims abstract description 39
- 239000008267 milk Substances 0.000 title claims abstract description 39
- 210000004080 milk Anatomy 0.000 title claims abstract description 39
- 238000001514 detection method Methods 0.000 title claims abstract description 38
- 229920002472 Starch Polymers 0.000 title claims abstract description 37
- 229940100445 wheat starch Drugs 0.000 title claims abstract description 37
- 238000004519 manufacturing process Methods 0.000 title claims abstract description 26
- 238000000034 method Methods 0.000 claims abstract description 36
- 230000003595 spectral effect Effects 0.000 claims abstract description 26
- 238000000855 fermentation Methods 0.000 claims abstract description 13
- 230000004151 fermentation Effects 0.000 claims abstract description 13
- 238000012549 training Methods 0.000 claims description 36
- 230000006870 function Effects 0.000 claims description 34
- 238000009499 grossing Methods 0.000 claims description 19
- 238000012937 correction Methods 0.000 claims description 14
- 238000004422 calculation algorithm Methods 0.000 claims description 7
- 230000008569 process Effects 0.000 claims description 7
- 238000004590 computer program Methods 0.000 claims description 4
- 238000013136 deep learning model Methods 0.000 claims description 4
- 230000000694 effects Effects 0.000 claims description 4
- 238000007781 pre-processing Methods 0.000 claims description 4
- 238000004364 calculation method Methods 0.000 claims description 3
- 238000005259 measurement Methods 0.000 claims description 3
- 238000010606 normalization Methods 0.000 claims description 3
- 230000000007 visual effect Effects 0.000 claims description 2
- KRKNYBCHXYNGOX-UHFFFAOYSA-K Citrate Chemical compound [O-]C(=O)CC(O)(CC([O-])=O)C([O-])=O KRKNYBCHXYNGOX-UHFFFAOYSA-K 0.000 claims 1
- 238000001228 spectrum Methods 0.000 abstract description 35
- 238000005070 sampling Methods 0.000 abstract description 6
- 238000005516 engineering process Methods 0.000 abstract description 4
- 241000209140 Triticum Species 0.000 abstract description 3
- 235000021307 Triticum Nutrition 0.000 abstract description 3
- 230000009286 beneficial effect Effects 0.000 abstract description 2
- 238000004458 analytical method Methods 0.000 description 5
- IJGRMHOSHXDMSA-UHFFFAOYSA-N Atomic nitrogen Chemical compound N#N IJGRMHOSHXDMSA-UHFFFAOYSA-N 0.000 description 4
- 238000004497 NIR spectroscopy Methods 0.000 description 4
- 238000000605 extraction Methods 0.000 description 4
- 239000001963 growth medium Substances 0.000 description 3
- 230000007246 mechanism Effects 0.000 description 3
- 239000000126 substance Substances 0.000 description 3
- 230000007547 defect Effects 0.000 description 2
- 238000011161 development Methods 0.000 description 2
- 229910052757 nitrogen Inorganic materials 0.000 description 2
- UFHFLCQGNIYNRP-UHFFFAOYSA-N Hydrogen Chemical compound [H][H] UFHFLCQGNIYNRP-UHFFFAOYSA-N 0.000 description 1
- 238000013528 artificial neural network Methods 0.000 description 1
- 230000008859 change Effects 0.000 description 1
- 238000013135 deep learning Methods 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 239000003814 drug Substances 0.000 description 1
- 235000013305 food Nutrition 0.000 description 1
- 239000001257 hydrogen Substances 0.000 description 1
- 229910052739 hydrogen Inorganic materials 0.000 description 1
- 239000007788 liquid Substances 0.000 description 1
- 239000002609 medium Substances 0.000 description 1
- 150000007524 organic acids Chemical class 0.000 description 1
- 239000003208 petroleum Substances 0.000 description 1
- 238000003908 quality control method Methods 0.000 description 1
- 239000002994 raw material Substances 0.000 description 1
- 238000011897 real-time detection Methods 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- 230000009466 transformation Effects 0.000 description 1
- 238000000411 transmission spectrum Methods 0.000 description 1
Images
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
- G01N21/359—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
-
- 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
Abstract
本发明公开了一种柠檬酸生产中的小麦淀粉乳总糖的NIR检测方法。本发明对柠檬酸发酵液NIR光谱数据进行预处理，并将其作为输入变量，计算输入变量和目标理化值得到相关系数，并基于所述相关系数建立加权目标函数，对第一层加权受限玻尔兹曼机进行训练。本发明的有益效果：本发明采用NIR光谱技术对小麦乳的总糖进行实时在线检测。实际柠檬酸生产过程中，小麦淀粉乳的检测周期长、检测滞后大，并且检测工作量非常大，是影响后续发酵生产的瓶颈之一。NIR光谱不影响小麦淀粉乳正常生产，具有采样周期短、检测精度高等特点。
Description
技术领域
本发明涉及NIR检测领域，具体涉及一种柠檬酸生产中的小麦淀粉乳总糖的NIR检测方法。
背景技术
柠檬酸是一种重要的有机酸，广泛用于食品、医药、日化等行业。我国是世界上最大的柠檬酸生产国，年产量达70余万吨，占世界的65％左右。目前，全球柠檬酸出现供大于求的状况，迫切需要将柠檬酸生产向精细化、多元化、系列化方向发展。但是，在柠檬酸生产中，检测手段的不足一直制约柠檬酸发展的瓶颈问题。小麦是柠檬酸生产的主要原料之一，小麦淀粉乳的总糖等关键工艺参数直接影响着柠檬酸培养基的质量，进而影响着柠檬酸的得率。但是，总糖、的检测主要采用人工取样、离线分析的方法获得，具有采样周期大、滞后时间长等缺点，给培养基的质量控制带来了困难。目前培养基多是以人工控制为主，自动化水平低，生产效率低，不利于企业的升级改造。
近红外(NIR)光谱检测通过扫描样品的NIR光谱，可以得到样品中有机分子含氢基团的特征信息，具有简单、无损、绿色、快速等特点，广泛应用于石油、化工等众多领域，并逐渐在发酵过程推广应用。但是，NIR光谱分析方法是一种间接的分析方法，根据NIR光谱通过被检测物后产生的反射光谱或透过光谱间接地反映出理化值。因此，NIR光谱技术的关键在于构建准确有效的NIR光谱到理化值之间的回归模型。NIR光谱具有变量多、冗余大等特点，对NIR光谱进行压缩，从而获得与目标值相关的特征信息，是构建回归模型的关键。目前，NIR光谱中常用的建模方法是偏最小二乘(PLS)，在保证与理化值相关性最大的情况下，提取光谱的特征，光谱通过特征信息与理化值建立联系，实现简单方便，目前在主流的NIR光谱仪的软件中均配备有PLS软件包。但是PLS是一种线性模型，而实际生产中，光谱受很多因素的影响，光谱与理化值之间严格意义上满足非线性关系。深度学习模型通过多层神经网络结构从数据中学习由低层具体特征到高层抽象特征提取，在工业大数据的分析中具有巨大的应用潜力。但是，常规深度信念网络在提取光谱数据特征信息时只关注光谱本身特征，没有考虑光谱与理化值之间的相关关系，因此可能造成与总糖和总氮相关的光谱有用信息丢失，进而影响到总糖和总氮的检测精度。
发明内容
本发明要解决的技术问题是提供一种柠檬酸生产中的小麦淀粉乳总糖的NIR检测方法，总糖是发酵罐小麦淀粉乳的重要工艺参数，采用NIR光谱对总糖进行检测的前提是建立一个有效准确的模型。本发明采用深度信念网络构建校正模型，用于检测总糖，并对深度信念网络进行改进，以提升检测精度。主要解决以下两个方面的问题。一方面，将深度信念网络用于柠檬酸小麦淀粉乳的总糖检测。在柠檬酸小麦淀粉乳中，对总糖的检测一般采用的是人工取样分析的方法，本发明将NIR光谱技术引入到柠檬酸小麦淀粉乳的检测中，并针对现有NIR光谱软件仅包含PLS模型的缺点，引入深度信念网络，能够解决光谱变量多、冗余大，且与总糖之间为非线性相关的建模问题。另一方面，解决深度信念网络的特征提取中没考虑与总糖的相关性，从而导致NIR光谱检测精度降低的问题。深度信念网络由多层受限玻尔兹曼机构成，采取的是一种无监督预训练机制，学习的特征中可能包含大量与总糖无关的信息。为了充分利用总糖的信息，提高预测精度，则必须将深度信念网络改进为监督预训练机制。通过解决以上两个方面的问题，本发明可以根据与总糖的相关性，提取光谱中的非线性特征信息，并建立非线性校正模型，提高总糖的检测精度和检测实时性，为企业产业升级改造提供可能。
本发明的目的在于提供一种基于变量加权深度信念网络的柠檬酸小麦淀粉乳总糖的NIR光谱建模方法，解决了现有技术中的深度信念网络模型只关注输入光谱数据本身特征表示，而忽略了与总糖相关的特征提取，从而不能保证所提取特征与总糖之间的相关性的问题。所述方法包括以下步骤：
步骤1使用布鲁克MATRIX-F型傅里叶NIR光谱仪(OPUS分析软件包，德国Bruker公司)对柠檬酸小麦淀粉乳进行扫描，获取训练样本集的NIR光谱数据；
步骤2对获取的NIR光谱数据采用Savitzky-Golay卷积平滑法进行预处理，得到若干个训练样本。Savitzky-Golay卷积平滑又称多项式平滑，是通过多项式来对窗口之内的波谱点进行多项式最小二乘拟合，一般采用下式表示窗口移动多项式二乘最小二乘拟合法的通式：
其中，xk，smooth为波长k处经平滑后的平均值，H为归一化因子，
hi为平滑系数，每一测量值乘以平滑系数hi的目的是尽可能减少平滑对有用信息的影响。hi可基于最小二乘原理，用多项式拟合求得。；
步骤3计算输出变量与各层受限玻尔兹曼机可视层变量之间的相关系数，构造变量加权重构目标函数，对每一层变量加权受限玻尔兹曼机进行预训练；并将上一层变量加权受限玻尔兹曼机的隐藏层数据作为下一层变量加权受限玻尔兹曼机的输入层数据，逐层对加权受限玻尔兹曼机进行预训练；
步骤4利用目标总糖通过梯度下降算法对整个网络模型进行参数微调；构造基于加权深度信念网络的校正模型；并将NIR光谱数据集输入校正模型，进行预测。
步骤5计算输出变量与各层受限玻尔兹曼机变量之间的Pearson相关系数，并根据此相关系数设计相应的加权特征学习目标函数，具体如下：
计算输出变量与各层受限玻尔兹曼机变量之间的Pearson相关系数，计算式如下：
其中，T为样品数，j为输入维度，
为第j个输入的均值，
为目标变量均值。
根据相关系数设计权重函数，计算式如下：
设计新的变量加权特征学习目标函数：
其中，θ表示加权受限玻尔兹曼机中的网络参数合集，P(v)表示训练RBM的似然函数。
步骤6逐层对加权受限玻尔兹曼机进行预训练。将预处理后的光谱数据作为输入，通过新的变量加权特征学习目标函数，对加权受限玻尔兹曼机进行训练，并将上一层加权受限玻尔兹曼机的隐藏层作为下一层的输入层；一层一层由上而下对所有加权受限玻尔兹曼机进行训练。
步骤7对所有受限玻尔兹曼机完成训练之后，基于最终输出层输出变量构建收敛目标函数，通过所述收敛目标函数对所述深度学习模型进行参数微调整，直至满足预设收敛条件。收敛目标函数为：
其中，n为最终输出层样本个数，yi为光谱数据对应目标理化值，
为模型最终输出层输出目标理化值。
基于同样的发明构思，本申请还提供一种计算机设备，包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序，所述处理器执行所述程序时实现任一项所述方法的步骤。
基于同样的发明构思，本申请还提供一种计算机可读存储介质，其上存储有计算机程序，该程序被处理器执行时实现任一项所述方法的步骤。
基于同样的发明构思，本申请还提供一种处理器，所述处理器用于运行程序，其中，所述程序运行时执行任一项所述的方法。
本发明的有益效果：
本发明采用NIR光谱技术对小麦乳的总糖进行实时在线检测。实际柠檬酸生产过程中，小麦淀粉乳的检测周期长、检测滞后大，并且检测工作量非常大，是影响后续发酵生产的瓶颈之一。NIR光谱不影响小麦淀粉乳正常生产，具有采样周期短、检测精度高等特点。
相比于传统的NIR光谱的PLS模型，只能描述光谱与总糖之间的线性相关，本发明引入了深度信念网络建立校正模型，能够描述非线性关系，更符合实际光谱数据与总糖之间的相关性。
在深度信念网络的基础上，给出一种基于变量加权深度信念网络的NIR校正模型，该模型对传统深度信念网络的训练机制进行改进，使光谱的特征提取过程受总糖的监督，能够包含更多的有用信息，提高预测精度。
附图说明
图1是本发明柠檬酸生产中的小麦淀粉乳总糖的NIR检测方法中的柠檬酸小麦淀粉乳校正模型流程图。
图2是本发明柠檬酸生产中的小麦淀粉乳总糖的NIR检测方法中的柠檬酸小麦淀粉乳光谱图，其中，(a)是原始光谱，(b)是预处理后光谱。
图3是本发明柠檬酸生产中的小麦淀粉乳总糖的NIR检测方法中的小麦淀粉乳总糖预测效果对比图，其中，(a)是DBN模型，(b)是加权DBN模型。
具体实施方式
下面结合附图和具体实施例对本发明作进一步说明，以使本领域的技术人员可以更好地理解本发明并能予以实施，但所举实施例不作为对本发明的限定。
对柠檬酸发酵液NIR光谱数据进行预处理，并将其作为输入变量，计算输入变量和目标理化值得到相关系数，并基于所述相关系数建立加权目标函数，对第一层加权受限玻尔兹曼机进行训练，其具体计算如下：
计算输出变量与第一层输入变量之间的Pearson相关系数，计算式如下：
其中，T为样品数，j为输入维度，
为第j个输入的均值，
为目标变量均值。
根据相关系数设计权重函数，计算式如下：
设计新的变量加权特征学习目标函数：
其中，θ表示加权受限玻尔兹曼机中的网络参数合集，P(v)表示训练RBM的似然函数。
将训练后的第一层变量加权受限玻尔兹曼机的隐藏层特征作为第二层受限玻尔兹曼机的输入变量，计算该输入变量与目标理化值之间的相关系数，建立加权目标函数，对第二层加权受限玻尔兹曼机进行训练；
对整个加权深度信念网络模型的微调包括：基于最终输出层输出变量构建收敛目标函数，通过所述收敛目标函数对所述深度学习模型进行参数微调整，直至满足预设收敛条件。收敛目标函数为：
其中，n为最终输出层样本个数，yi为光谱数据对应目标理化值，
为模型最终输出层输出目标理化值。
下面结合附图和实施例，对本发明的具体实施方式作进一步详细描述。
图1示出了一种基于加权深度信念网络的柠檬酸发酵液NIR光谱建模方法，包括：
使用NIR光谱仪获取训练柠檬酸发酵液样本集的NIR光谱数据，对获取的NIR光谱数据进行预处理，得到若干个训练样本；
计算输出变量与各层受限玻尔兹曼机可视层变量之间的相关系数，构造变量加权重构目标函数，对每一层变量加权受限玻尔兹曼机进行预训练；并将上一层变量加权受限玻尔兹曼机的隐藏层数据作为下一层变量加权受限玻尔兹曼机的输入层数据，逐层对加权受限玻尔兹曼机进行预训练；
利用目标总糖通过梯度下降算法对整个网络模型进行参数微调；构造基于加权深度信念网络的校正模型；并将NIR光谱数据集输入校正模型，进行预测。
具体的，在本实施例中，所述深度信念网络模型包括两层加权受限玻尔兹曼机，且在训练深度信念网络模型过程中，所述第一层加权受限玻尔兹曼机的输入变量为预处理后的NIR光谱数据，输出变量为相应的柠檬酸发酵液含糖量；所述第二层加权受限玻尔兹曼机的输入变量为训练后的所述第一层加权受限玻尔兹曼机的隐藏层特征数据，输出变量为相应的柠檬酸发酵液含糖量；在本实施例中，每一个加权受限玻尔兹曼机在训练过程中，通过计算输入变量和输出变量的相关系数，并基于相关系数建立对应的加权目标函数，进而对在加权目标函数下的受限玻尔兹曼机进行训练，再通过梯度下降算法对整个网络模型进行参数微调；构造基于加权深度信念网络的预测模型。利用多个加权受限玻尔兹曼机堆栈成深度信念网络模型，能够逐步获得由低层次到高层次的深度输出相关特征，强化质量指标相关的特征，提供准确的预测值。
所述的对光谱数据进行预处理为Savitzky-Golay卷积平滑法，包括：
其中xk，smooth为波长k处经平滑后的平均值，H为归一化因子，
hi为平滑系数，每一测量值乘以平滑系数hi的目的是尽可能减少平滑对有用信息的影响。hi可基于最小二乘原理，用多项式拟合求得。
将训练样本输入数据xi＝[xi1，xi2，...，xim]T，i＝1,2,…,n作为第一层加权受限玻尔兹曼机的输入，记第一层加权受限玻尔兹曼机的隐藏层为
i＝1,2,…,n，计算第一层各个输入变量x(j)和目标理化值y之间的相关系数
若
较大，说明该变量与质量变量之间存在较强关联性，从而在进行特征表示时，应使得特征能够较好地重构该变量维度的数据；反之亦然。为此，在本实施例中，根据所述相关系数构建变量加权目标函数：
可以得到加权受限玻尔兹曼机中的网络参数合集θ1＝{w1，b1}，并计算得到第一层加权受限玻尔兹曼机的隐藏层
将第一层加权受限玻尔兹曼机的隐藏层
i＝1,2,…,n作为第二层加权受限玻尔兹曼机的输入数据。记第二层加权受限玻尔兹曼机的隐藏层为
i＝1,2,…,n，第二层加权受限玻尔兹曼机的参数记为θ1＝{w2，b2}。
第二层加权受限玻尔兹曼机的训练方式与第一层加权受限玻尔兹曼机的训练方式类似，将所述第一层加权受限玻尔兹曼机的隐藏层作为第二层加权受限玻尔兹曼机的输入，计算第二层加权受限玻尔兹曼机的输入变量和目标理化值之间的相关系数
构建变量加权目标函数：
得到所述第二层加权受限玻尔兹曼机的网络参数θ2＝{w2，b2}，并计算得到所述第第二层加权受限玻尔兹曼机的隐含层特征数据
将第二层加权受限玻尔兹曼机预训练完成后，在最后一层设置一层BP网络，接收RBM的输出特征向量作为它的输入特征向量,对整个训练网络进行有监督地参数微调。
在用BP算法对整个网络进行参数微调之后，在最后层隐藏层上连接最终输出层，输出层数据由柠檬酸发酵液含糖量yi(i＝1,2,…,n)构成，通过以下目标函数，微调整个加权深度信念网络模型的参数θ＝{w1，b1，w2，b2，w，b}，直至满足收敛条件。
其中，n为最终输出层样本个数，yi为光谱数据对应目标理化值，
为模型最终输出层输出目标理化值。
以上对本发明提供的柠檬酸生产中的小麦淀粉乳总糖的NIR检测方法做了详细的描述，还有以下几点需要说明：
基于NIR光谱的柠檬酸小麦淀粉乳总糖的在线实时检测方法。现有的方法主要采用人工取样、离线分析的方法得到。
需要建立柠檬酸小麦淀粉乳总糖的校正模型，基于深度信念网络的柠檬酸小麦淀粉乳总糖校正模型建立方法，通过深度学习的方法建立了光谱与总糖之间的非线性模型。
在基于深度信念网络的柠檬酸小麦淀粉乳总糖校正模型的建立过程中，提出一种基于加权深度信念网络的NIR光谱建模方法。将预处理后的NIR光谱数据作为加权深度信念网络的输入层，训练加权深度信念网络模型，对目标理化值进行预测。所述深度信念网络模型包括至少两个变量加权受限玻尔兹曼机，且在训练深度信念网络模型时，每相邻的两个变量加权受限玻尔兹曼机中，将排列在前的变量加权受限玻尔兹曼机的隐藏层特征数据作为排列在后的变量加权受限玻尔兹曼机的输入变量，对排列在后的变量加权受限玻尔兹曼机进行训练；利用反向误差传播算法对整个网络进行参数微调；在最后层加权受限玻尔兹曼机的隐藏层上连接最终输出回归层对总糖进行预测。
以上所述实施例仅是为充分说明本发明而所举的较佳的实施例，本发明的保护范围不限于此。本技术领域的技术人员在本发明基础上所作的等同替代或变换，均在本发明的保护范围之内。本发明的保护范围以权利要求书为准。
Claims (10)
1.一种柠檬酸生产中的小麦淀粉乳总糖的NIR检测方法，其特征在于，包括：
步骤1对柠檬酸小麦淀粉乳进行扫描，获取训练样本集的NIR光谱数据；
步骤2对获取的NIR光谱数据进行预处理，得到若干个训练样本；
步骤3计算输出变量与各层受限玻尔兹曼机可视层变量之间的相关系数，构造变量加权重构目标函数，对每一层变量加权受限玻尔兹曼机进行预训练；并将上一层变量加权受限玻尔兹曼机的隐藏层数据作为下一层变量加权受限玻尔兹曼机的输入层数据，逐层对加权受限玻尔兹曼机进行预训练；
步骤4利用目标总糖通过梯度下降算法对整个网络模型进行参数微调；构造基于加权深度信念网络的校正模型；并将NIR光谱数据集输入校正模型，进行预测；
步骤5计算输出变量与各层受限玻尔兹曼机变量之间的Pearson相关系数，并根据此相关系数设计相应的加权特征学习目标函数；
步骤6逐层对加权受限玻尔兹曼机进行预训练；将预处理后的光谱数据作为输入，通过新的变量加权特征学习目标函数，对加权受限玻尔兹曼机进行训练，并将上一层加权受限玻尔兹曼机的隐藏层作为下一层的输入层；一层一层由上而下对所有加权受限玻尔兹曼机进行训练；
步骤7对所有受限玻尔兹曼机完成训练之后，基于最终输出层输出变量构建收敛目标函数，通过所述收敛目标函数对所述深度学习模型进行参数微调整，直至满足预设收敛条件。
2.如权利要求1所述的柠檬酸生产中的小麦淀粉乳总糖的NIR检测方法，其特征在于，步骤1中，使用NIR光谱仪对柠檬酸小麦淀粉乳进行扫描。
3.如权利要求1所述的柠檬酸生产中的小麦淀粉乳总糖的NIR检测方法，其特征在于，使用布鲁克MATRIX-F型傅里叶NIR光谱仪对柠檬酸小麦淀粉乳进行扫描。
4.如权利要求1所述的柠檬酸生产中的小麦淀粉乳总糖的NIR检测方法，其特征在于，步骤2中，对获取的NIR光谱数据采用Savitzky-Golay卷积平滑法进行预处理；Savitzky-Golay卷积平滑又称多项式平滑，是通过多项式来对窗口之内的波谱点进行多项式最小二乘拟合，一般采用下式表示窗口移动多项式二乘最小二乘拟合法的通式：
其中，xk，smooth为波长k处经平滑后的平均值，H为归一化因子，
hi为平滑系数，每一测量值乘以平滑系数hi的目的是尽可能减少平滑对有用信息的影响；hi可基于最小二乘原理，用多项式拟合求得。
5.如权利要求1所述的柠檬酸生产中的小麦淀粉乳总糖的NIR检测方法，其特征在于，步骤7中，收敛目标函数为：
其中，n为最终输出层样本个数，yi为光谱数据对应目标理化值，
为模型最终输出层输出目标理化值。
6.如权利要求1所述的柠檬酸生产中的小麦淀粉乳总糖的NIR检测方法，其特征在于，步骤5具体如下：
计算输出变量与各层受限玻尔兹曼机变量之间的Pearson相关系数，计算式如下：
其中，T为样品数，j为输入维度，
为第j个输入的均值，
为目标变量均值；
根据相关系数设计权重函数，计算式如下：
设计新的变量加权特征学习目标函数：
其中，θ表示加权受限玻尔兹曼机中的网络参数合集，P(v)表示训练RBM的似然函数。
7.如权利要求1所述的柠檬酸生产中的小麦淀粉乳总糖的NIR检测方法，其特征在于，步骤4中，所述模型包括两层加权受限玻尔兹曼机，且在训练深度信念网络模型过程中，所述第一层加权受限玻尔兹曼机的输入变量为预处理后的NIR光谱数据，输出变量为相应的柠檬酸发酵液含糖量；所述第二层加权受限玻尔兹曼机的输入变量为训练后的所述第一层加权受限玻尔兹曼机的隐藏层特征数据，输出变量为相应的柠檬酸发酵液含糖量；每一个加权受限玻尔兹曼机在训练过程中，通过计算输入变量和输出变量的相关系数，并基于相关系数建立对应的加权目标函数，进而对在加权目标函数下的受限玻尔兹曼机进行训练，再通过梯度下降算法对整个网络模型进行参数微调；构造基于加权深度信念网络的预测模型；利用多个加权受限玻尔兹曼机堆栈成深度信念网络模型，能够逐步获得由低层次到高层次的深度输出相关特征，强化质量指标相关的特征，提供准确的预测值。
8.一种计算机设备，包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序，其特征在于，所述处理器执行所述程序时实现权利要求1到7任一项所述方法的步骤。
9.一种计算机可读存储介质，其上存储有计算机程序，其特征在于，该程序被处理器执行时实现权利要求1到7任一项所述方法的步骤。
10.一种处理器，其特征在于，所述处理器用于运行程序，其中，所述程序运行时执行权利要求1到7任一项所述的方法。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202010490176.5A CN111537468B (zh) | 2020-06-02 | 2020-06-02 | 柠檬酸生产中的小麦淀粉乳总糖的nir检测方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202010490176.5A CN111537468B (zh) | 2020-06-02 | 2020-06-02 | 柠檬酸生产中的小麦淀粉乳总糖的nir检测方法 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN111537468A true CN111537468A (zh) | 2020-08-14 |
| CN111537468B CN111537468B (zh) | 2021-03-30 |
Family
ID=71980741
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202010490176.5A Active CN111537468B (zh) | 2020-06-02 | 2020-06-02 | 柠檬酸生产中的小麦淀粉乳总糖的nir检测方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN111537468B (zh) |
Citations (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN104834920A (zh) * | 2015-05-25 | 2015-08-12 | 成都通甲优博科技有限责任公司 | 一种无人机多光谱图像的智能林火识别方法及装置 |
| CN107219188A (zh) * | 2017-06-02 | 2017-09-29 | 中国计量大学 | 一种基于改进dbn的近红外光谱分析纺织品棉含量的方法 |
| CN107423670A (zh) * | 2017-04-20 | 2017-12-01 | 上海交通大学 | 基于深度置信网络的modis雾监测方法 |
| CN107957410A (zh) * | 2016-10-17 | 2018-04-24 | 南京农业大学 | 一种基于荧光光谱的稻种发芽率无损检测方法 |
| CN108152235A (zh) * | 2018-03-21 | 2018-06-12 | 中南大学 | 一种联合土壤室内外光谱的重金属含量反演方法 |
-
2020
- 2020-06-02 CN CN202010490176.5A patent/CN111537468B/zh active Active
Patent Citations (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN104834920A (zh) * | 2015-05-25 | 2015-08-12 | 成都通甲优博科技有限责任公司 | 一种无人机多光谱图像的智能林火识别方法及装置 |
| CN107957410A (zh) * | 2016-10-17 | 2018-04-24 | 南京农业大学 | 一种基于荧光光谱的稻种发芽率无损检测方法 |
| CN107423670A (zh) * | 2017-04-20 | 2017-12-01 | 上海交通大学 | 基于深度置信网络的modis雾监测方法 |
| CN107219188A (zh) * | 2017-06-02 | 2017-09-29 | 中国计量大学 | 一种基于改进dbn的近红外光谱分析纺织品棉含量的方法 |
| CN108152235A (zh) * | 2018-03-21 | 2018-06-12 | 中南大学 | 一种联合土壤室内外光谱的重金属含量反演方法 |
Non-Patent Citations (3)
| Title |
|---|
| HUIHUA YANG ET AL: "Deep belief network-based drug identi¯cation using near infrared spectroscopy", 《JOURNAL OF INNOVATIVE OPTICAL HEALTH SCIENCES》 * |
| WENWEN LI ET AL: "Near infrared spectroscopy detection of the content of wheat based on improved deep belief network", 《JOURNAL OF PHYSICS: CONFERENCE SERIES》 * |
| 张瑞等: "基于Dropout深度信念网络的烟叶近红外光谱模型研究", 《计算机与数字工程》 * |
Also Published As
| Publication number | Publication date |
|---|---|
| CN111537468B (zh) | 2021-03-30 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN109493287B (zh) | 一种基于深度学习的定量光谱数据分析处理方法 | |
| CN111768000A (zh) | 在线自适应微调深度学习的工业过程数据建模方法 | |
| CN111126575A (zh) | 基于机器学习的气体传感器阵列混合气体检测方法及装置 | |
| CN112669915B (zh) | 一种基于神经网络与近红外光谱的梨无损检测方法 | |
| CN111855608A (zh) | 基于融合特征波长选择算法的苹果酸度近红外无损检测方法 | |
| Gao et al. | Machine learning algorithms for rapid estimation of holocellulose content of poplar clones based on Raman spectroscopy | |
| CN102680646A (zh) | 一种不饱和聚酯树脂反应釜中反应物浓度软测量方法 | |
| CN112904810A (zh) | 基于有效特征选择的流程工业非线性过程监测方法 | |
| WO2023108514A1 (zh) | 茶叶近红外光谱分析中谱峰自动检测与重构方法及系统 | |
| Cernuda et al. | Evolving chemometric models for predicting dynamic process parameters in viscose production | |
| WO2022188425A1 (zh) | 一种融入先验知识的深度学习故障诊断方法 | |
| CN111537468B (zh) | 柠檬酸生产中的小麦淀粉乳总糖的nir检测方法 | |
| Reis et al. | Prediction of profiles in the process industries | |
| CN112464635B (zh) | 投标文件自动打分的方法及其系统 | |
| Bi et al. | Apple internal quality fusion prediction by multi-pattern recognition technology and evidence theory | |
| CN115186584A (zh) | 一种融合注意力机制和自适应构图的宽度学习半监督软测量建模方法 | |
| CN113192034B (zh) | 基于反向传播神经网络的混合染液浓度检测方法 | |
| CN111914214B (zh) | 一种基于缩减kpls模型的pta生产过程软测量方法 | |
| CN110879873B (zh) | 一种基于哈密顿蒙特卡洛采样的vine copula相关性描述的软测量方法及系统 | |
| CN113686810A (zh) | 一种基于卷积神经网络的近红外光谱波长选择方法 | |
| CN112001115A (zh) | 一种半监督动态软测量网络的软测量建模方法 | |
| CN111024557B (zh) | 一种纸页吸水性软测量方法 | |
| CN114330089B (zh) | 一种稀土元素含量变化预测方法及系统 | |
| Ren et al. | An improved approach of cars for Longjing tea detection based on near infrared spectra | |
| Zhou et al. | Wine Quality Detection Based on Improved Stacking Ensemble Learning |
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 |