江苏大学学报（自然科学版）
江囌大學學報（自然科學版）
강소대학학보（자연과학판）
JOURNAL OF JIANGSU UNIVERSITY(NATURAL SCIENCE EDITION)
2013年
5期
574-578
,共5页
刘国海%肖夏宏%江辉%梅从立%丁煜函
劉國海%肖夏宏%江輝%梅從立%丁煜函
류국해%초하굉%강휘%매종립%정욱함
固态发酵%pH值%近红外光谱%Adaboost算法%BP神经网络
固態髮酵%pH值%近紅外光譜%Adaboost算法%BP神經網絡
고태발효%pH치%근홍외광보%Adaboost산법%BP신경망락
solid-state fermentation%pH%fourier transform near-infrared spectroscopy%adaptive boosting algorithm%BP neural network
为了实现固态发酵过程参数pH值的快速检测,提出基于近红外光谱技术的固态发酵过程参数pH值检测新方法.首先获取140个固态发酵过程产物样本在10 000 ～4 000 cm-1范围内的近红外光谱；然后利用酸度计测得近红外光谱预测模型的参考测量值；最后运用Adaboost(AdaptiveBoosting)算法来构建由10个弱预测器(BP神经网络)组成的BP-Adaboost强预测模型.试验结果显示:该模型的预测均方根误差(RMSEP)和预测集相关系数(R)分别为0.072 6和0.981 1；与BP模型结果相比,该模型具有较好的预测精度.
為瞭實現固態髮酵過程參數pH值的快速檢測,提齣基于近紅外光譜技術的固態髮酵過程參數pH值檢測新方法.首先穫取140箇固態髮酵過程產物樣本在10 000 ～4 000 cm-1範圍內的近紅外光譜；然後利用痠度計測得近紅外光譜預測模型的參攷測量值；最後運用Adaboost(AdaptiveBoosting)算法來構建由10箇弱預測器(BP神經網絡)組成的BP-Adaboost彊預測模型.試驗結果顯示:該模型的預測均方根誤差(RMSEP)和預測集相關繫數(R)分彆為0.072 6和0.981 1；與BP模型結果相比,該模型具有較好的預測精度.
위료실현고태발효과정삼수pH치적쾌속검측,제출기우근홍외광보기술적고태발효과정삼수pH치검측신방법.수선획취140개고태발효과정산물양본재10 000 ～4 000 cm-1범위내적근홍외광보；연후이용산도계측득근홍외광보예측모형적삼고측량치；최후운용Adaboost(AdaptiveBoosting)산법래구건유10개약예측기(BP신경망락)조성적BP-Adaboost강예측모형.시험결과현시:해모형적예측균방근오차(RMSEP)화예측집상관계수(R)분별위0.072 6화0.981 1；여BP모형결과상비,해모형구유교호적예측정도.
