【摘要】：食品工業(yè)是人類的生命工業(yè),其發(fā)展水平是反映人民生活水平和國(guó)家發(fā)達(dá)程度的重要參考指標(biāo)。隨著自動(dòng)化程度的不斷提高,我國(guó)的食品生產(chǎn)已經(jīng)基本完成由手工作坊生產(chǎn)向機(jī)械化生產(chǎn)的轉(zhuǎn)變。然而,作為食品生產(chǎn)重要一環(huán)的食品檢測(cè)仍多采用人工離線檢測(cè)。食品生產(chǎn)檢測(cè)有調(diào)控生產(chǎn)、保證品質(zhì)的作用,離線檢測(cè)實(shí)時(shí)性差,且獨(dú)立于生產(chǎn)環(huán)節(jié)之外,不能根據(jù)測(cè)量結(jié)果及時(shí)調(diào)整生產(chǎn)線,因此這種食品檢測(cè)模式亟待調(diào)整。與此同時(shí),近年來近紅外光譜檢測(cè)技術(shù)因其分析迅速、樣品預(yù)處理操作簡(jiǎn)單、無損、污染程度低以及價(jià)格低廉等優(yōu)點(diǎn),在農(nóng)產(chǎn)品及食品檢測(cè)領(lǐng)域應(yīng)用廣泛。近紅外光譜檢測(cè)的檢測(cè)精度受多元校正模型的準(zhǔn)確度影響很大。然而,在食品生產(chǎn)中,環(huán)境、原料等生產(chǎn)要素變化較大,模型穩(wěn)定性差,經(jīng)常需要重新建�；蚋履Ｐ汀１疚闹荚诳朔t外在線檢測(cè)技術(shù)在食品檢測(cè)應(yīng)用中存在的模型不穩(wěn)定問題,提高模型自適應(yīng)更新能力,降低模型維護(hù)成本,智能化生產(chǎn)線,促進(jìn)食品生產(chǎn)線的升級(jí)改造。具體研究如下:(1)針對(duì)食品檢測(cè)中全譜更新計(jì)算量較大且易引入不相關(guān)波段信息的問題,提出了基于特征波段的遞歸偏最小二乘(Recursive Partial Least Squares,RPLS)算法。該算法在遞歸更新運(yùn)算前引入波長(zhǎng)選擇算法(本文提出一種新的波長(zhǎng)選擇算法——最小冗余最大相關(guān)算法),隨后在特征波段的基礎(chǔ)上進(jìn)行遞歸更新。通過在黃酒氨基酸態(tài)氮檢測(cè)及小麥籽粒蛋白質(zhì)含量檢測(cè)模型更新中應(yīng)用所提算法,使近紅外在線檢測(cè)的預(yù)測(cè)精度較原全譜遞歸更新方法有了一定提高。(2)針對(duì)食品檢測(cè)中初始樣品庫完備性而導(dǎo)致的全局模型精度較低的問題,研究了即時(shí)學(xué)習(xí)框架在近紅外模型更新中的應(yīng)用。本文通過對(duì)即時(shí)學(xué)習(xí)框架中相似度計(jì)算方法的優(yōu)化,提出引入最大信息系數(shù)(Maximal Information Coefficient,MIC)對(duì)波長(zhǎng)重要程度進(jìn)行評(píng)估,并以此對(duì)光譜加權(quán)后進(jìn)行后續(xù)相似度等計(jì)算。通過在黃酒酒精度檢測(cè)模型中應(yīng)用所提算法,有效提高了近紅外檢測(cè)精度。(3)更進(jìn)一步,針對(duì)食品檢測(cè)模型更新中遞歸更新和即時(shí)學(xué)習(xí)框架均存在必要性的問題,通過矩陣形式將兩種方法融合,同時(shí)從時(shí)間和空間兩個(gè)維度更新。此外,考慮到食品檢測(cè)中保留初始樣品庫的需求,提出一種新的模型更新算法——改進(jìn)的遞歸局部加權(quán)偏最小二乘(Modified Recursive Locally Weighted Partial Least Squre,m-RLWPLS)算法。將改進(jìn)的m-RLWPLS算法應(yīng)用于黃酒總酸檢測(cè)模型更新,顯著提高了近紅外檢測(cè)效果。
【學(xué)位授予單位】：江南大學(xué)
【學(xué)位級(jí)別】：碩士
【學(xué)位授予年份】：2018
【分類號(hào)】：TN219;TS207.3
【圖文】：

第二章 近紅外光譜檢測(cè)原理近紅外檢測(cè)技術(shù)作為一種重要的分析技術(shù)，在石化、化工、食品等多個(gè)領(lǐng)域應(yīng)用廣泛。本章將詳細(xì)介紹 NIR 技術(shù)的檢測(cè)原理、常用化學(xué)計(jì)量學(xué)方法以及模型更新相關(guān)概念，為讀者更好地理解下文所提的模型更新算法作背景鋪墊。2.1 近紅外光譜檢測(cè)原理近紅外(Near Infrared，NIR)光的本質(zhì)是一種電磁波，按照美國(guó)材料試驗(yàn)學(xué)會(huì)的定義，波長(zhǎng)在780-2526納米區(qū)間內(nèi)的波段為近紅外光譜區(qū)。近紅外區(qū)域常分為短波近紅外(780-1100nm)和長(zhǎng)波近紅外(1100-2526nm)兩個(gè)區(qū)塊。NIR 主要由分子間振動(dòng)引起，其譜區(qū)與有機(jī)分子中含氫基團(tuán)(O-H、C-H、N-H)的合頻和各級(jí)倍頻吸收區(qū)一致，通過掃描樣品的NIR 光譜即可得樣品有機(jī)分子含氫基團(tuán)的特征信息，因此在關(guān)注含氫基團(tuán)信息的食品、農(nóng)業(yè)、制藥、石油礦物等行業(yè)的檢測(cè)中應(yīng)用廣泛[24]。電磁波波長(zhǎng)分布范圍極廣，各部分間的性質(zhì)差異較大，本文所關(guān)注的 NIR 為位于紫外光與紅外光之間的波段，如圖 2-1 所示。

圖 3-1 互信息與信息熵關(guān)系圖息量多少的度量稱作信息熵。信息熵表征了所含信息量就越少，信息熵就越小。設(shè)光譜它們的邊緣概率分布為p ( x ), p( y )，聯(lián)合概率定義為[5]：H ( ) p ( )log p( )d x x x x H ( ) p ( )log p( )d y y y y x不確定度的減小程度稱為互信息，可用以描可以得出波長(zhǎng)x與目標(biāo)理化值y間的關(guān)系：I ( x , y ) H ( x ) H ( y ) H( x, y )y完全相關(guān)時(shí)，它們的互信息最大，而當(dāng)x和度，此情況下它們的互信息最小。與相關(guān)關(guān)性評(píng)價(jià)，是一種更為廣義的相關(guān)性評(píng)價(jià)指自信息H(X)自信息H(Y)

21圖 3-4 小麥籽粒特征波段（siPLS 波長(zhǎng)選擇算法）由表 3-1 可見，使用全譜固定模型時(shí)，由于檢測(cè)間隔兩周，受儀器漂移等因素影響，型預(yù)測(cè)精度相對(duì)其他方法較低。使用基于特征波段的固定模型后，由于濾除了 60%的相關(guān)性光譜，模型精度有所提升，RMSEP 下降 15%。遞歸算法加入了新樣品信息，比于固定模型，能不斷更新模型以匹配新樣品的微小變化。使用全譜 RPLS 后，RMSEP至 0.4784，較原固定模型下降 31%，RPD 上升至 3.6，達(dá)到定量分析較優(yōu)水平（RPD3）。使用基于特征波段的 RPLS 后，RMSEP 進(jìn)一步下降，RPD 達(dá)到 4.1。且由于僅用了特征波段的光譜數(shù)據(jù)，數(shù)據(jù)量降至原 40%，遞歸計(jì)算均在簡(jiǎn)化模型的基礎(chǔ)上運(yùn)行，算效率較全譜遞歸大幅提高。

【相似文獻(xiàn)】

相關(guān)期刊論文 前10條

1 石武禎;寧紀(jì)鋒;顏永豐;;壓縮感知跟蹤中的特征選擇與目標(biāo)模型更新[J];中國(guó)圖象圖形學(xué)報(bào);2014年06期

2 劉亞娟;莊肖波;;基于選擇性模型更新與卡爾曼濾波的目標(biāo)模型更新算法[J];科學(xué)技術(shù)與工程;2012年34期

3 黃安奇;侯志強(qiáng);余旺盛;劉翔;;利用背景加權(quán)和選擇性子模型更新的視覺跟蹤算法[J];中國(guó)圖象圖形學(xué)報(bào);2014年09期

4 黑石頭;;邪神的爪牙——戰(zhàn)錘混沌戰(zhàn)士[J];模型世界;2008年12期

5 黎明;計(jì)春雷;;基于支持向量機(jī)的彩色序列圖像復(fù)原模型更新算法[J];上海電機(jī)學(xué)院學(xué)報(bào);2009年04期

6 楊惠蘭;謝毅;趙雪汝;張維;何先友;;事件持續(xù)時(shí)間對(duì)情景模型更新的影響[J];心理科學(xué);2016年02期

7 鐘懷兵;熊偉麗;徐保國(guó);;一種帶模型更新的GPR在線軟測(cè)量方法[J];控制工程;2018年02期

8 沈志熙;楊欣;黃席樾;;均值漂移算法中的目標(biāo)模型更新方法研究[J];自動(dòng)化學(xué)報(bào);2009年05期

9 張亞X;高學(xué)金;曹彩霞;李亞芬;王普;;一種帶有模型更新機(jī)制的JITL-MPLS故障監(jiān)測(cè)方法[J];計(jì)算機(jī)與應(yīng)用化學(xué);2018年06期

10 王英杰;焦彬洋;姚忠達(dá);時(shí)瑾;;基于實(shí)測(cè)數(shù)據(jù)的車軌耦合模型更新方法[J];振動(dòng).測(cè)試與診斷;2018年02期

相關(guān)會(huì)議論文 前3條

1 謝毅;王靖;何先友;;文本閱讀中時(shí)間轉(zhuǎn)換的加工和監(jiān)測(cè)[A];第十五屆全國(guó)心理學(xué)學(xué)術(shù)會(huì)議論文摘要集[C];2012年

2 李波;袁保宗;;LMSF Mean Shift目標(biāo)跟蹤算法[A];第十二屆全國(guó)信號(hào)處理學(xué)術(shù)年會(huì)（CCSP-2005）論文集[C];2005年

3 韓正之;;HAC合成過程的建模[A];1997年中國(guó)控制會(huì)議論文集[C];1997年

相關(guān)博士學(xué)位論文 前7條

1 楊格;基于控制點(diǎn)和本構(gòu)模型更新的混合試驗(yàn)方法及平臺(tái)實(shí)現(xiàn)[D];哈爾濱工業(yè)大學(xué);2018年

2 李遠(yuǎn)征;人體目標(biāo)跟蹤和表情識(shí)別中的若干問題研究[D];西安電子科技大學(xué);2013年

3 郭甲騰;地礦三維集成建模與空間分析方法及其應(yīng)用[D];東北大學(xué);2013年

4 陳永盛;基于截面屈服面模型更新的框架結(jié)構(gòu)混合試驗(yàn)方法[D];哈爾濱工業(yè)大學(xué);2015年

5 蔣良衛(wèi);圖像序列中目標(biāo)跟蹤技術(shù)研究[D];華中科技大學(xué);2013年

6 王濤;基于模型更新的土木結(jié)構(gòu)混合試驗(yàn)方法[D];哈爾濱工業(yè)大學(xué);2014年

7 伍博;基于顯著性的視覺目標(biāo)跟蹤研究[D];電子科技大學(xué);2017年

相關(guān)碩士學(xué)位論文 前10條

1 楊治國(guó);視頻監(jiān)控中行人檢測(cè)與跟蹤的算法研究[D];湖南大學(xué);2015年

2 陳令奕;近紅外模型更新方法及在食品檢測(cè)中的應(yīng)用[D];江南大學(xué);2018年

3 郭東生;農(nóng)產(chǎn)品品質(zhì)檢測(cè)模型更新方法研究[D];江南大學(xué);2018年

4 楊浩文;考慮粘結(jié)滑移模型更新的混合試驗(yàn)方法[D];哈爾濱工業(yè)大學(xué);2016年

5 曹哲;基于本體的CIM模型更新與擴(kuò)展研究[D];上海交通大學(xué);2013年

6 蔡淞;基于視頻分析的會(huì)場(chǎng)管理系統(tǒng)設(shè)計(jì)與實(shí)現(xiàn)[D];復(fù)旦大學(xué);2013年

7 劉楊;少參數(shù)有限元模型更新與結(jié)構(gòu)損傷識(shí)別方法研究[D];鄭州大學(xué);2013年

8 丁宇X;力反饋遙操作中環(huán)境參數(shù)辨識(shí)與柔順控制方法的研究[D];北京郵電大學(xué);2017年

9 楊婷;停車場(chǎng)車流量視頻檢測(cè)關(guān)鍵技術(shù)研究與應(yīng)用[D];中北大學(xué);2017年

10 唐金亞;種子高光譜圖像識(shí)別中的化學(xué)計(jì)量學(xué)方法研究[D];江南大學(xué);2016年

本文編號(hào)：2799638