为了实现固态发酵过程状态的快速监测, 以饲料蛋白固态发酵为实验对象, 开展了基于近红外光谱分析技术的饲料蛋白固态发酵过程状态定性识别研究。 首先利用Antaris Ⅱ型傅里叶变换近红外光谱仪采集140个固态发酵物样本的近红外光谱, 并采用标准正态变换(SNV)光谱预处理方法对获得的原始光谱进行预处理; 其次, 采用谱回归判别分析(SRDA)法对预处理后的近红外光谱进行特征提取; 最后, 采用最近邻(NN)分类算法作为弱分类器建立固态发酵过程状态识别模型, 并对测试集样本进行识别。 结果显示, 与利用主成分分析(PCA)法和线性判别分析(LDA)法提取的光谱特征建立的识别模型结果相比较, SRDA-NN识别模型获得的结果最佳, 在测试集中的正确识别率达到94.28%; 为了进一步提高识别模型的准确率, 将自适应提升法(Adaboost)与SRDA-NN方法结合, 提出了Adaboost-SRDA-NN集成学习算法来建立饲料蛋白固态发酵过程状态的在线监测模型。 通过Adaboost算法提升后的SRDA-NN模型预测性能得到了进一步增强, Adaboost-SRDA-NN模型在测试集中的正确识别率达到100%。 试验结果表明: 在近红外光谱定性分析模型校正过程中, SRDA方法能有效地对近红外光谱数据进行特征提取, 以实现维数约简; 另外, Adaboost算法能很好地提升最终分类模型的预测精度。

针对近红外光谱数据的内在特点, 提出了一种基于稳定性竞争自适应重加权采样(stability competitive adaptive reweighted sampling, SCARS)策略的近红外特征波长优选方法。该方法以PLS模型回归系数的稳定性作为变量选择的依据, 其过程包含多次循环迭代, 每次循环均首先计算相应变量的稳定性, 而后通过强制变量筛选以及自适应重加权采样技术(ARS)进行变量筛选; 最后对每次循环后所得变量子集建立PLS模型并计算交互验证均方根误差(RMSECV), 将RMSECV值最小的集合作为最优变量子集。利用饲料蛋白固态发酵过程近红外光谱数据集对所提方法进行了验证, 并与基于PLS的蒙特卡罗无信息变量消除法(MC-UVE)和竞争自适应重加权采样(CARS)方法所得结果进行了比较。试验结果显示: 建立在SCARS方法优选的21个特征波长变量基础上的PLS模型预测效果更好, 其预测均方根误差(RMSEP)和相关系数(Rp)分别为0.054 3和0.990 8; 该优选策略能有效地增强固态发酵光谱数据特征波长变量选择的准确性和稳定性, 提高了模型的预测精度, 具有一定的应用价值。