[发明专利]一种醋醅固态发酵过程谱图模态辨识方法及系统

说明书

一种醋醅固态发酵过程谱图模态辨识方法及系统，包括采集醋醅样本，建立近红外光谱基线校正函数，并初始化校正函数参数，计算拟合基线，计算原始数据和拟合基线之间的差值，得到校正误差，根据校正误差大小确定基线区间和特征区间，对比间隔最大校正误差值与设定平均校正误差，由参数优化函数计算间隔平滑系数，基于校正误差计算权重系数，根据所计算的权重系数和间隔平滑系数进行基线更新，计算原始数据和拟合基线的相对拟合误差及当前迭代次数，判定是否终止，基于校正基线，获得醋醅发酵过程近红外光谱的校正数据；根据校正数据进行固体发酵阶段的模态辨识；本发明通过校正数据对醋醅固体发酵过程中的模态进行辨识，提高了模态识别的准确度。

技术领域

本发明涉及无损检测及模式识别领域，特别是一种醋醅固态发酵过程谱图模态辨识方法及系统。

背景技术

固态发酵是指微生物在不含或几乎不含任何游离态自由水的固态培养基上进行发酵的过程，是我国重要的传统发酵方式之一。相比于液态发酵，固态发酵可直接利用农业废渣及其他木质纤维原料为基质进行微生物培养，应用范围广泛；此外，固态发酵基质及废弃物易于降解，有利于环境生态保护。作为固态发酵的典型代表之一，醋醅固态发酵过程中的各种微生物使其产物营养丰富，口感纯正。但是醋醅固态发酵生产过程复杂，通常分为接种、提热、过杓和露底4个阶段，需要根据生产季节和原料品质差异进行发酵阶段识别和翻醅操作。目前香醋固态发酵过程主要依靠人工经验划进行阶段识别，每一阶段的翻醅操作及其重要参数检测主要以人工经验和离线检测方式为主，检测结果往往延迟于实际生产过程，而醋醅固态发酵基质中的微生物对于环境温度和醋液pH值较为敏感，阶段误判、提前或延时翻醅均不利于基质微生物生长。此外，基于人工经验的发酵阶段划分及翻醅操作属于固定周期模式，而实际的固态发酵易受环境温度和原料等因素影响，是一个多模态的动态发酵过程，因此根据发酵过程基质的变化进行翻醅发酵模态辨识更加有利于微生物的成长，从而提高产品品质。

近红外光谱作为光谱学的一个重要分支，具有检测过程无污染、成本低、检测周期短等特点，已在农业、化工等领域得到广泛应用。结合醋醅固态发酵过程中有机物含量的变化，可通过分析近红外光谱对醋醅固体发酵过程中的模态进行辨识。但在实际分析过程中，由于检测环境、仪器性能及人为操作等因素的干扰，使得所采集的光谱数据一般含有基线。而基线的存在破坏光谱数据特征，降低分析模型性能，因此有必要在醋醅固体发酵模态辨识之前对近光谱数据进行基线校正。

基线校正方法主要有导数、多项式拟合、稀疏表示和惩罚最小二乘方法。其中应用最广的是基于惩罚最小二乘法的基线校正方法，该方法通过设定固定的平滑系数逐点迭代更新权重系数。而实际分析过程中的光谱数据往往由多个区间构成，单一的平滑参数容易产生欠拟合现象，进而导致所得校正数据含有背景基线。

发明内容

本发明的一个目的就是提供一种醋醅固态发酵过程谱图模态辨识方法，它可以用于醋醅固态发酵过程中谱图的模态辨识。

包括有以下步骤：

1)采集醋醅样本：获取醋醅样本固态发酵过程多阶段近红外光谱数据，形成原始数据集；

2)基线校正：基于原始数据建立惩罚最小二乘近红外光谱基线校正函数；对近红外光谱数据的基线进行校正，得到校正基线；

3)输出校正数据：基于步骤2)所得校正基线，稀疏化醋醅固态发酵过程近红外光谱，得到校正数据。

4)发酵阶段模态辨识：根据校正数据构建醋醅固态发酵模态辨识模型，根据醋醅固态发酵模态辨识模型预测醋醅固态发酵的模态。

进一步，步骤2)中基线校正的具体步骤如下：

2-1)初始化校正函数参数：基于原始数据建立惩罚最小二乘近红外光谱基线校正函数；并初始化惩罚最小二乘近红外光谱基线校正函数的参数；平滑系数λ,迭代次数K，迭代计算间隔P,平均校正误差β，拟合基线差分矩阵D，权重系数W及相对拟合误差系数δ；