【技术实现步骤摘要】
本专利技术涉及大曲品质检测，具体涉及一种近红外光谱结合理化指标的大曲品质快速检测方法。
技术介绍
1、白酒以其独特风味和深厚文化底蕴，备受世界瞩目。其酿造工艺成为了中国传统工艺的重要代表之一。各类白酒采用不同的酒曲而呈现出各具特色的口感和风味，正是酒曲与酿酒技艺巧妙融合的结果，为中国白酒赋予了独特的品质和风格。浓香型大曲以小麦(或配有大麦、豌豆、高粱等)为原料，经生料制曲，自然接种，自然发酵而成。大曲在中国白酒酿造中具有不可或缺的重要作用，是实现糖化、发酵和赋香过程中的关键剂，因此就有人形容“曲乃酒之骨”。大曲作为白酒生产中间产品，其品质的优劣将影响到最终酿成的白酒质量。大曲不仅是白酒酿造的糖化发酵剂，同时富含各种香味及前提物质，大曲品质的评价指标很大程度上依赖于感官评价和简单的理化指标检测，也有采用复杂的生化指标，包括酒化力、酯化力及生香力进行评价，但是生化指标难于量化，致使评价结果存在较大差异；感官评价指标主要包括外观、断面和香气等，多依赖于检测人员经验和主观性，也难以满足大曲品质标准化生产的需求，理化指标水分、酸度、淀粉是酿酒企业监控大曲品质的重要和常用的技术指标。由于感官评价的主观性和局限性难以满足大曲品质标准化生产的需求，因此对大曲的理化指标进行快速检测，有助于建立科学的大曲质量评价标准。目前，对大曲理化性质的检测方法主要以化学分析方法为主，例如实验室测定水分、酸度和淀粉含量分别是105℃恒重法、酸碱滴定法、水解法和斐林试剂法，最后根据一定的标准对其水分、还原糖、酸度等进行判断，所以存在逐项检测分析耗时长、需要专业技术
2、随着人工智能和计算机技术的迅速发展，应用变量选择的方法研究也取得了较大的进展。国内外学者针对不同检测对象，运用不同算法实现待测样本近红外光谱预测模型的建模，其中线性建模方法主要有多元线性回归、主成分分析法、偏最小二乘回归；非线性建模有极限学习机、支持向量机回归(support vector machine，svr)、随机森林、人工神经网络(artificial neural network，ann)等。目前已有遗传算法(genetic algorithm，ga)、粒子群算法(particle swarm optimization，pso)等优化算法被用于svr参数寻优，并成功应用于食物在成分检测以及品质评价中。虽然这些优化算法使得svr模型效果得到一定的改善，但仍然存在收敛速度慢、易陷入局部最优等问题。
技术实现思路
1、为了解决上述现有技术中存在的问题，本专利技术拟提供了一种近红外光谱结合理化指标的大曲品质快速检测方法，拟解决传统大曲品质检测依赖于人工经验检测方法无法兼顾检测速度和检测精度的问题。
2、一种近红外光谱结合理化指标的大曲品质快速检测方法，包括以下步骤：
3、步骤1：采集大曲样本的近红外光谱数据并测量大曲样本的理化指标；
4、步骤2：对采集大曲样本近红外光谱数据进行预处理；
5、步骤3：对预处理得到的近红外光谱数据进行特征选择和提取；
6、步骤4：将提取的近红外光谱特征与对应大曲样本理化指标组合为样本数据集，并基于样本数据集建立并优化大曲近红外光谱支持向量机回归预测模型，其中采用灰狼算法优化支持向量机；
7、步骤5：采集待测的大曲样本近红外光谱数据处理后输入训练好的大曲近红外光谱支持向量机回归预测模型中得到相应大曲样本的理化指标预测值。
8、优选的，所述步骤1包括：利用湿化学方法测量大曲样本理化指标的具体数值并整理，所述理化指标包括水分、酸度和淀粉。
9、优选的，所述步骤2包括：
10、异常样品剔除：采用蒙特卡洛交叉验证法对所采集样本中的异常值进行剔除，通过随机选择样本数据集的子集进行交叉验证，利用集群分析思维来识别异常点，调整其均值标准差的大小，识别出异常点，减少异常样本的影响；
11、预处理：通过预处理消除光谱图中可能存在的基线漂移、散射效应以及噪声；所述预处理方式包括：基线校正、平滑处理、求导处理、多元散射校正、标准正态变换，其中：
12、通过求导处理消除基线漂移和平缓背景引起的干扰，分辨重叠峰，获得更高分辨率的基酒光谱轮廓；
13、通过多元散射校正修正因光程而造成的误差；
14、通过标准正态变换修正光谱的基线漂移情况，增强光谱与数据之间的相关性。
15、优选的，所述步骤3包括：通过竞争性自适应重加权算法即cars算法进行光谱特征波选择；cars算法需要对训练集样本进行蒙特卡罗采样，利用衰减函数剔除影响力较小的波长，对大曲光谱样本集每一次的蒙特卡罗采样都进行偏最小二乘回归交叉验证模型，取最小的rmsecv确定最佳的变量集合，即为cars选择的特征波长点。
16、优选的，所述步骤4中采用灰狼算法来优化支持向量机过程如下：
17、(1)采用spxy样本划分法将大曲样本数据集划分为训练集和验证集，并对光谱数据进行归一化处理；
18、(2)设置种群规模n，最大迭代次数t，初始化svr的参数，并设置svr中c和g作为gwo优化值；
19、(3)根据c和g初始化狼群的位置，使用训练集对svr模型进行训练，并将初始位置输入模型中，以计算灰狼个体的适应度值；
20、(4)比较灰狼个体适应度值的大小进行等级排序，α最优，β次之，最后为δ，并按照以下公式进行狼群个体的位置更新；
21、dα＝|c1xα(t)-x(t)|
22、dβ＝|c2xβ(t)-x(t)|
23、dδ＝|c3xδ(t)-x(t)|
24、x1＝xα-a1dα
25、x2＝xβ-a2dβ
26、x3＝xδ-a3dδ
27、
28、dα、dβ、dδ分别为α、β、δ与猎物之间的距离；xα(t)、xβ(t)、xδ(t)为t时刻猎物的位置；c1、c2、c3和a1、a2、a3分别为α、β、δ的系数矢量；xα、xβ、xδ分别表示猎物的矢量位置；xp指灰狼个体的当前位置；
29、(5)判断是否达到设置的迭代次数，若是循环结束后，得到最佳的参数c和g，以及最佳的适应度值，若否，则转到第四步；
30、(6)输出最优参数c和g，并对训练数据重新进行训练；
31、(7)将验证集数据输入gwo-svr模型进行预测，评估并分析模型的性能。
32、优选的，所述步骤4中建立并优化了大曲水分近红外光谱支持向量机回归预测模型、大曲酸度近红外光谱支持向量机回归预测模型、大曲淀粉近红外光谱支持向量机回归预测模型。
33、一种近红外光谱结合理化指标的大曲品质快速检测系统，包括预处理模块、特征提取模块和检测模块，其中：
34、预处理模块用于对采集到本文档来自技高网...
【技术保护点】
1.一种近红外光谱结合理化指标的大曲品质快速检测方法，其特征在于，包括以下步骤：
2.根据权利要求1所述的一种近红外光谱结合理化指标的大曲品质快速检测方法，其特征在于，所述步骤1包括：利用湿化学方法测量大曲样本理化指标的具体数值并整理，所述理化指标包括水分、酸度和淀粉。
3.根据权利要求1所述的一种近红外光谱结合理化指标的大曲品质快速检测方法，其特征在于，所述步骤2包括：
4.根据权利要求1所述的一种近红外光谱结合理化指标的大曲品质快速检测方法，其特征在于，所述步骤3包括：通过竞争性自适应重加权算法即CARS算法进行光谱特征波选择；CARS算法需要对训练集样本进行蒙特卡罗采样，利用衰减函数剔除影响力较小的波长，对大曲光谱样本集每一次的蒙特卡罗采样都进行偏最小二乘回归交叉验证模型，取最小的RMSECV确定最佳的变量集合，即为CARS选择的特征波长点。
5.根据权利要求1所述的一种近红外光谱结合理化指标的大曲品质快速检测方法，其特征在于，所述步骤4中采用灰狼算法来优化支持向量机过程如下：
6.根据权利要求1所述的一种近红外光
7.一种近红外光谱结合理化指标的大曲品质快速检测系统，其特征在于，包括预处理模块、特征提取模块和检测模块，其中：
...【技术特征摘要】
1.一种近红外光谱结合理化指标的大曲品质快速检测方法，其特征在于，包括以下步骤：
2.根据权利要求1所述的一种近红外光谱结合理化指标的大曲品质快速检测方法，其特征在于，所述步骤1包括：利用湿化学方法测量大曲样本理化指标的具体数值并整理，所述理化指标包括水分、酸度和淀粉。
3.根据权利要求1所述的一种近红外光谱结合理化指标的大曲品质快速检测方法，其特征在于，所述步骤2包括：
4.根据权利要求1所述的一种近红外光谱结合理化指标的大曲品质快速检测方法，其特征在于，所述步骤3包括：通过竞争性自适应重加权算法即cars算法进行光谱特征波选择；cars算法需要对训练集样本进行蒙特卡罗采样，利用衰减函数剔除影响力较小的波长，对大曲...
【专利技术属性】
技术研发人员：李兆飞，赵娜，张贵宇，王继华，杨壮，
申请(专利权)人：四川轻化工大学，
类型：发明
国别省市：
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。