论文部分内容阅读
固态发酵是制取生物乙醇的关键步骤之一。为提高乙醇固态发酵过程的监测效率和产品得率,研究提出基于分子光谱融合技术的乙醇固态发酵过程监测方法研究的新思路。具体研究内容如下:(1)基于分子光谱融合技术的酵母菌生长状态监测方法研究。首先,利用光谱仪获取酵母菌培养过程样本的拉曼光谱和近红外光谱,并利用Savitzky-Golay(SG)滤波结合标准正态变量(standard normal variate,SNV)对其进行预处理;然后,利用变量组合集群分析法(variable combination population analysis,VCPA)对预处理后的两种分子光谱分别进行特征波长优化,并在特征层进行特征融合;最后,建立基于分子光谱融合特征的酵母菌生长过程支持向量机(support vector machine,SVM)定量监测模型。实验结果显示,与基于单分子光谱特征的最佳VCPA-SVM模型相比,基于光谱融合特征建立的最佳VCPA-SVM模型可获得更好的预测性能。该最佳模型的预测均方根误差(root mean square error of prediction,RMSEP)、决定系数(coefficient of determination,R_P~2)和相对分析误差(relative percent deviation,RPD)分别为0.468、0.978和6.693。实验结果表明,分子光谱融合技术可有效提高酵母菌生长状态的监测精度;此外,VCPA方法在分子光谱特征波长挖掘上具有一定的潜力,能有效降低融合特征的维度。(2)基于分子光谱融合技术的乙醇固态发酵过程状态识别方法研究。首先,利用光谱仪采集乙醇固态发酵过程样本的拉曼光谱和近红外光谱;然后,利用SG滤波结合SNV对采集的拉曼光谱和近红外光谱分别进行预处理,引入主成分分析(principal component analysis,PCA)对预处理后的两种分子光谱分别进行特征降维,并在特征层进行特征融合;最后,建立基于分子光谱融合特征的乙醇固态发酵过程状态K最近邻(k-nearest neighbor,KNN)、极限学习机(extreme learning machine,ELM)和SVM识别模型。实验结果显示,与单分子光谱识别模型相比,基于光谱融合特征的识别模型均展现出明显的优势;其中,基于融合特征的PCA-SVM模型获得了最佳的识别性能,当主成分个数为5时,该最佳PCA-SVM模型在训练集和预测集中的正确识别率均为100%。实验结果表明,利用分子光谱融合技术借助合适的模式识别方法实现乙醇固态发酵过程状态的高精度识别是可行的。(3)基于分子光谱融合技术的乙醇固态发酵过程参数检测方法研究。首先,利用SG+SNV对实验获得的拉曼光谱和近红外光谱进行预处理;然后,利用竞争性自适应重加权采样(competitive adaptive reweighted sampling,CARS)对预处理后的拉曼光谱和近红外光谱进行特征波长优化,并在特征层进行融合;最后,建立基于分子光谱融合特征的乙醇固态发酵过程参数SVM定量检测模型。实验结果显示,与基于单分子光谱特征建立的最佳CARS-SVM模型相比,基于融合特征的最佳CARS-SVM模型性能有了明显的提升;对葡萄糖含量检测而言,最佳CARS-SVM模型的RMSEP、R_P~2和RPD分别为5.398、0.957和4.922;对乙醇含量检测而言,最佳CARS-SVM模型的RMSEP、R_P~2和RPD分别为4.394、0.977和6.758。实验结果表明,分子光谱融合技术与适当的化学计量学方法相结合可实现乙醇固态发酵过程参数的高精度定量检测。研究开展了基于分子光谱融合技术的乙醇固态发酵过程监测方法的研究,研究结果可为乙醇固态发酵过程监测提供理论支撑和方法参考,同时也为乙醇固态发酵过程便携式监测仪器装备的开发提供技术基础和实验参考。