基于电子鼻和高斯过程的秸秆固态发酵过程监测技术

格式：pdf
大小：385.04 KB
文档页数：6

下载文档原格式

基于电子鼻、电子舌技术的姜厚朴炮制机理探讨

基于电子鼻、电子舌技术的姜厚朴炮制机理探讨作者：荆文光，张权，程显隆，石佳，马双成，魏锋来源：《河北工业科技》2021年第05期摘要：為了从气、味角度阐述姜制厚朴刺激性降低的炮制内涵，采用电子舌、电子鼻分别对15份厚朴药材、15份净厚朴、15份姜厚朴进行炮制前后味觉和气味定量化测定，分别利用配对样品t检验和主成分分析的方法解析炮制前后厚朴味觉和气味的变化。

结果显示，味觉中只有涩味在炮制后降低，具有显著差异（P<0.05），而电子舌的涩味传感器是对涩味物质引起的味道进行响应，在低浓度下感知为刺激性回味，说明厚朴姜制后刺激性降低;同时厚朴姜制后电子鼻氮氧化物和硫化物传感器的测定值降低，说明此类挥发性成分减少，亦可导致厚朴刺激性降低。

研究结果表明电子舌、电子鼻可用于厚朴炮制机理的研究，厚朴“不以姜制，则戟人喉舌”具有一定的科学性。

关键词：中药炮制学;炮制机理;电子鼻;电子舌;厚朴;刺激性中图分类号：R283文献标识码：ADOI： 10.7535/hbgykj.2021yx05010Discussion on the processing mechanism of ginger Magnoliae officinaliscortex based on electronic nose and tongue technologyJING Wenguang，ZHANG Quan，CHENG Xianlong，SHI Jia，MA Shuangcheng，WEI Feng（National Institutes for Food and Drug Control，Beijing 100050，China）Abstract：In order to explore the processing mechanism connotation of the decreased irritation of ginger Magnoliae officinalis cortex，the combination of electronic nose and electronic tongue technology was used to quantitatively determine the taste and odor of 15 batches of Magnoliae officinalis cortex materials，15 batches of Magnoliae officinalis cortex and 15 batches of ginger Magnoliae officinalis cortex before and after processing.The paired sample t test and principal component analysis were carried out to analyze and compare the taste and odor changes of Magnoliae officinalis cortex before and after processing.The results show that only the astringency in the taste is reduced after ginger processing，with significant difference （P<005）;while the astringency sensor of the electronic tongue responds to the taste caused by astringent substances，and it is perceived as pungent aftertaste at low concentrations，indicating that the irritation is reduced after ginger processing.At the same time，the measured values of nitrogen oxide and sulfide sensors in electronic nose also decrease after processing，which implies the decrease of volatile components can reduce the irritation of Magnoliae officinalis cortex.The results indicate that the electronic tongue and nose can be used to investigate the mechanism of Magnoliae officinalis cortex and "Without ginger processing，the mouthpiece will be thorny" has certain scientific rationality.Keywords：science of processing Chinese materia medica;processing mechanism;electronic nose;electronic tongue;Magnoliae officinalis cortex;irritation厚朴来源于木兰科植物厚朴Magnolia officinalis Rehd.et Wils.或凹叶厚朴Magnolia officinalis Rehd. et Wils.var biloba Rehd. et Wils.的干燥干皮、枝皮和根皮，其主要分布在湖北、四川、福建、陕西、广西、江西等地[1-2]。

电子鼻和电子舌在食品监测中的应用

第20卷第2期2004年3月农业工程学报T ran sacti on s of the CSA E V o l .20　N o.2M ar .　2004电子鼻与电子舌在食品检测中的应用研究进展王　俊,胡桂仙,于　勇,周亦斌(浙江大学生物系统工程与食品科学学院,杭州310029)摘　要:随着嗅觉与味觉传感器技术的发展,电子鼻与电子舌技术在食品检测中得到了不断研究与应用。

电子鼻由气敏传感器、信号处理和模式识别系统等功能器件组成。

电子舌是用类脂膜作为味觉传感器,以类似人的味觉感受方式检测味觉物质。

着重阐述了电子鼻与电子舌技术的结构组成,重点介绍了其在食品新鲜度检测、果蔬成熟度评价及饮料、酒类识别等轻工业中的应用现状与发展趋势,并指出了这些信息新技术实现过程中所需要解决的问题。

关键词:电子鼻;电子舌;食品;检测中图分类号:T S 207.3 文献标识码:A 文章编号:100226819(2004)022*******收稿日期:2003201228　修订日期:2004202218作者简介:王　俊(1965-),男,教授,博士生导师,主要从事农产品加工工程研究,杭州市　浙江大学生物系统工程与食品科学学院,310029。

Em ail :j w ang @zju .edu .cn0　引　言食品品质通常是通过气味、外观、质地、滋味和营养等方面来评价的。

为提高食品品质评审的客观性、可靠性、重复性,减少人为评定差异,近年来国内外在应用电子鼻与电子舌技术方面,开展了一系列研究,并取得相当进展。

电子鼻又称气味扫描仪,是20世纪90年代发展起来的一种快速检测食品的新颖仪器。

它以特定的传感器和模式识别系统快速提供被测样品的整体信息,指示样品的隐含特征[1]。

电子舌是一种使用类似于生物系统的材料作传感器的敏感膜,当类脂薄膜的一侧与味觉物质接触时,膜电势发生变化,从而产生响应,检测出各类物质之间的相互关系[2]。

这种味觉传感器具有高灵敏度、可靠性、重复性。

基于BP-Adaboost的近红外光谱检测固态发酵过程pH值

显示：该模型的预测均方根误差（ＲＭＳＥＰ）和预测集相关系数（冗）分别为０．０７２６和０．９８１ｌ；与ＢＰ
模型结果相比，该模型具有较好的预测精度．关键词：固态发酵；ｐＨ值；近红外光谱；Ａｄａｂｏｏｓｔ算法；ＢＰ神经网络中图分类号：０６５７．３３；Ｑ８１５文献标志码：Ａ文章编号：１６７１ — ７７７５（２０１３）０５— ０５７４一Ｏ５
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（Ａｄａｐｔｉｖｅ
Ｂｏｏｓｔｉｎｇ）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
第５
ｍｅｔｈｏｄｗａｓｐｒｏｐｏｓｅｄｂａｓｅｄｏｎｎｅａｒ — ｉｎｆｒａｒｅｄｓｐｅｃｔｒｏｓｃｏｐｙ．Ｔｈｅｎｅａｒ — ｉｎｆｒａｒｅｄｓｐｅｃｔｒｏｓｃｏｐｙｏｆ１４０ｓｏｌｉｄ—
ＤｅｔｅｃｔｉｏｎｏｆｐＨｖａｒｉａｂｌｅｉｎｓｏｌｉｄ－ｓｔａｔｅｆｅｒｍｅｎｔａｔｉｏｎｐｒｏｃｅｓｓｂｙＦＴ－－ＮＩＲｓｐｅｃｔｒｏｓｃｏｐｙａｎｄＢＰ－－Ａｄａｂｏｏｓｔ

电子鼻的仿生数据分析方法

特征提取
通过计算数据的主成分，提取出数据中的主要特征，便于后续的分析和处理。
03
电子鼻数据预处理
数据清洗
去除异常值
在数据采集过程中，难免会由于各种原因产生一些异常值，这些值可能会对数据分析产生负面影响，因此需要将其去除。
填补缺失值
在数据中，有时会存在一些缺失值，这可能是由于设备故障或者数据采集过程中的误差导致的。为了使数据更加完整，可以采用一定的方法对缺失值进行填补。
案例二：食品检测
总结词
电子鼻仿生数据分析方法在食品检测领域具有广泛的应用前景，能够实现对食品新鲜度、品质和安全性的快速、准确检测。
详细描述
电子鼻仿生数据分析方法能够通过感知和分析食品的气味信息，实现对食品新鲜度、品质和安全性的快速、准确检测。这种方法能够检测出食品中的有害物质、细菌和其他污染物，保障食品安全。例如，在肉类、鱼类、蔬菜等食品的检测中，电子鼻仿生数据分
06
电子鼻仿生数据分析方法应用案例
案例一：疾病预测
要点一
总结词
电子鼻仿生数据分析方法在疾病预测方面具有高准确性和实时性，能够快速识别疾病的气味特征，为早期诊断提供有力支持。
要点二
详细描述
电子鼻仿生数据分析方法利用仿生学的原理，通过模拟人类嗅觉系统对气味信息的感知和分析，实现对疾病气味特征的快速识别和分类。这种方法具有高灵敏度和特异性，能够准确检测出疾病的气味标志物，为早期诊断提供有力支持。例如，在肺癌、糖尿病、肝病等疾病的诊断中，电子鼻仿生数据分析方法表现出优异的应用效果。
THANKS
感谢观看
要点二
线性判别分析（LDA ）
LDA是一种监督学习算法，它通过构建一个投影矩阵，将原始数据映射到新的低维空间中，使得同类数据在新的空间中距离更近，不同类数据在新的空间中距离更远。LDA适用于有标签的数据降维。

霉变小麦的电子鼻区分及其传感器阵列选择优化

霉变小麦的电子鼻区分及其传感器阵列选择优化郑豪男;易晓梅;惠国华;李剑;周志鑫;施佩影;朱博威;张飞翔;毛欣怡;阮肖镕;屠佳云;郜园园【摘要】采用电子鼻区分不同霉变程度的扬麦23号样品,连续检测不同霉变程度小麦样品,并记录检测数据.将检测数据耦合到双稳态随机共振系统,调解系统参数诱发产生共振,依据系统输出信噪比特征值建立小麦霉变程度预测模型.为了提高电子鼻对霉变小麦样品区分效果,进行了电子鼻传感器负荷加载分析,对电子鼻传感器阵列进行了优化研究,结果表明传感器阵列优化可有效提高电子鼻检测小麦霉变程度的准确度.采用华麦6号样品构建验证实验,结果证明所建立的方法具有较好的应用意义,并具有普遍意义上的适用性.【期刊名称】《传感技术学报》【年(卷),期】2019(032)005【总页数】6页(P688-692,710)【关键词】小麦;霉变;电子鼻;传感器阵列优化;随机共振【作者】郑豪男;易晓梅;惠国华;李剑;周志鑫;施佩影;朱博威;张飞翔;毛欣怡;阮肖镕;屠佳云;郜园园【作者单位】浙江农林大学信息工程学院,林业感知技术与智能装备国家林业局重点实验室,浙江省林业智能监测重点实验室,杭州311300;浙江农林大学信息工程学院,林业感知技术与智能装备国家林业局重点实验室,浙江省林业智能监测重点实验室,杭州311300;浙江农林大学信息工程学院,林业感知技术与智能装备国家林业局重点实验室,浙江省林业智能监测重点实验室,杭州311300;浙江农林大学信息工程学院,林业感知技术与智能装备国家林业局重点实验室,浙江省林业智能监测重点实验室,杭州311300;浙江农林大学信息工程学院,林业感知技术与智能装备国家林业局重点实验室,浙江省林业智能监测重点实验室,杭州311300;浙江北极品水产有限公司,杭州311215;浙江农林大学信息工程学院,林业感知技术与智能装备国家林业局重点实验室,浙江省林业智能监测重点实验室,杭州311300;浙江农林大学信息工程学院,林业感知技术与智能装备国家林业局重点实验室,浙江省林业智能监测重点实验室,杭州311300;浙江农林大学信息工程学院,林业感知技术与智能装备国家林业局重点实验室,浙江省林业智能监测重点实验室,杭州311300;浙江农林大学信息工程学院,林业感知技术与智能装备国家林业局重点实验室,浙江省林业智能监测重点实验室,杭州311300;浙江农林大学信息工程学院,林业感知技术与智能装备国家林业局重点实验室,浙江省林业智能监测重点实验室,杭州311300;浙江农林大学信息工程学院,林业感知技术与智能装备国家林业局重点实验室,浙江省林业智能监测重点实验室,杭州311300【正文语种】中文【中图分类】TP393小麦是三大谷物之一,产出几乎全作食用,仅约有六分之一作为饲料使用。

电子鼻在果蔬贮藏保鲜中应用的研究进展

广东农业科学Guangdong Agricultural Sciences 2024，51（1）：51-62 DOI:10.16768/j.issn.1004-874X.2024.01.006朱榕秋，周熠玮，陈维信，朱孝扬，李雪萍. 电子鼻在果蔬贮藏保鲜中应用的研究进展［J］. 广东农业科学，2024，51（1）：51-62.ZHU Rongqiu, ZHOU Yiwei, CHEN Weixin, ZHU Xiaoyang, LI Xueping. Research progress on the application of electronic nose in storage and preservation of fruits and vegetables［J］. Guangdong Agricultural Sciences, 2024，51（1）：51-62.电子鼻在果蔬贮藏保鲜中应用的研究进展朱榕秋1，周熠玮2，陈维信1，朱孝扬1，李雪萍1（1.华南农业大学园艺学院/广东省果蔬保鲜重点实验室/南方园艺产品保鲜教育部工程研究中心，广东广州 510642；2.广东省农业科学院环境园艺研究所，广东广州 510642）摘要：果蔬采后变化是一个复杂的生物学过程，涉及成熟、衰老和死亡等多个阶段，导致果蔬内部物质发生一系列生理、生化和微生物变化，从而影响果蔬的品质和风味。

气味是果蔬品质和风味的重要指标之一，与果蔬品种、成熟度、新鲜度和采后病害等因素具有密切关系。

传统的气味分析方法主要包括仪器分析（如气相色谱-质谱联用）和感官分析，但这些方法存在局限性，如气相色谱-质谱联用不能全面反映样品的整体风味，且样品前处理复杂、检测耗时长、技术成本高等；而感官分析受主观因素影响较大。

电子鼻作为一种模拟生物嗅觉系统的仪器，能够快速、客观和准确地检测和识别气味信号，逐渐成为果蔬贮藏保鲜领域的研究热点。

综述电子鼻在果蔬品种与产地鉴定、成熟度判断、新鲜度检测、采后病害监测、果蔬农药残留和品质评价等方面的应用进展，并分析电子鼻在实际应用中面临的挑战和问题，展望果蔬采后精准化检测的未来发展趋势，以及提出了电子鼻向专一化、智能化、实用化方向改进的可能途径，为实现果蔬品质精准化检测提供参考和技术支持。

高斯过程集成算法的发酵过程软测量建模

关键词：高斯过程；ａｇｇＢｇｉ算法；ｎ软测量；谷氨酸发酵
Ｄ：０３７／ｉｎ１０．３１０１３０２文章编号：０２８３（０１３．２３０文献标识码：ＯＩ１．８．ｓ．０２８３．１．．７ｊｓ２３６１０．３１２１）３０１．３Ａ中图分类号：Ｐ９Ｔ３１
江南大学轻工过程先进控制教育部重点实验室，江苏无锡２４２１１２
ＫｅａｆＡｄａｃｄＰｏｅｓＣｏｔｌｆｒＬｉｈｎｕｔＭｉｉｔｆＥｕａｏＪａｇａｉｅｓｔＷｕｉＪａｇｕ２４１２，ｈｎｙＬｂｏｖｎｅｒｃｓｎｒｏｇｔＩｄｓｙ，ｎｓｒｏｄｃｔｎ，ｉｎｎＵｎｖｒｉｏｒｙｉｎｙ，ｘ，ｉｓ１２Ｃｉａｎ
ＣｍｕｒｎｉｅｎｄｐｌａｏｓｏｐｔｇｅｒｇｎＡｐｉｔｎ计算机工程与应用ｅＥｎｉａｃｉ
＠工程与应用＠
高斯过程集成算法的发酵过程软测量建模
张相胜，王凯
ＺＨＡＮＧａｇｈｎ，ＡＮＧｉＸｉｎｓｅｇＷＫａ
摘要：针对谷氨酸发酵过程一些关键参数不能在线测量而导致的建模精度不高的问题，ａｇｇＢｇｉ和高斯过程回归算法相结合，ｎ提出一种基于Ｂｇｉ算法集成高斯过程的软测量建模方法。该算法使用Ｂｇｉ技术从训练样本集中选取若干子训练样本集，ａｇｇｎａｇｇｎ
利用该若干子集形成许多高斯过程模型，并通过平均组合方式进行集成，得到最终的模型输出。将该集成算法应用到谷氨酸发酵过程的软测量建模中，实现了对谷氨酸浓度的准确预测，相对于单一高斯过程模型，具有更高的预测精度和鲁棒性。

基于电子鼻技术对草莓采后灰霉病的分析与早期诊断

基于电子鼻技术对草莓采后灰霉病的分析与早期诊断刘强1，张婷婷1，周丹丹2，丁海臻1，张斌3，陈敏3，丁超1，潘磊庆3，屠康3,*（1.南京财经大学食品科学与工程学院，江苏省现代粮食流通与安全协同创新中心，江苏高校粮油质量安全控制及深加工重点实验室，江苏南京210023；2.南京林业大学轻工与食品学院，江苏南京210037；3.南京农业大学食品科学技术学院，江苏南京210095）摘要：构建基于气味信息的草莓灰霉病无损检测的方法，对草莓果实灰霉病过程进行动态分析。

以健康草莓果实作为对照，每隔24 h采用便携式电子鼻获取样品气味信息，并结合顶空固相微萃取-气相色谱-质谱联用技术对样本挥发性组分进行定量检测，最后采用偏最小二乘回归构建基于电子鼻技术的草莓果实菌落总数预测模型。

结果表明：草莓果实接种灰霉病后120 h内，酯类、醛类和醇类含量变化明显，以乙醇为代表的醇类含量（以湿质量计算）从初始0.85 μg/g快速上升至3.95 μg/g；主成分分析表明基于电子鼻气味传感阵列对应的稳定值与微生物含量密2）为0.815，相对切相关，结合偏最小二乘法回归的草莓果实微生物含量预测的相对最佳模型对应的决定系数（Rp 分析误差为2.270，基于电子鼻传感器稳定信号的无损预测可实现早期病害果实92.9%的准确区分。

研究结果可以为实现草莓采后病害无损监控与早期诊断提供参考。

关键词：草莓果实；电子鼻技术；灰霉病；无损检测Quantitative Analysis and Early Detection of Postharvest Gray Mold in Strawberry Fruit Using Electronic Nose LIU Qiang1, ZHANG Tingting1, ZHOU Dandan2, DING Haizhen1, ZHANG Bin3, CHEN Min3, DING Chao1, PAN Leiqing3, TU Kang3,* (1. Collaborative Innovation Center for Modern Grain Circulation and Safety, Jiangsu Key Laboratory of Quality Control and FurtherProcessing of Cereals and Oil, College of Food Science and Engineering, Nanjing University of Finance and Economics, Nanjing 210023, China; 2. College of Light Industry and Food Engineering, Nanjing Forestry University, Nanjing 210037, China;3. College of Food Science and Technology, Nanjing Agricultural University, Nanjing 210095, China)Abstract: A non-destructive method for the detection of gray mold in strawberry fruit based on odor information was proposed in order to monitor the decay process of strawberry fruit. A portable electoral nose (E-nose) was utilized to collect the odor information of samples every 24 h. Healthy strawberry fruit were taken as the control group. The volatile compounds of samples were then quantitatively detected by headspace solid phase micro-extraction (HS-SPME) combined with gas chromatography-mass spectrometry (GC-MS). Finally, a regression model for predicting the microbial load in artiﬁcially infected strawberry fruit was established based on E-nose datasets by partial least squares regression (PLSR).The results showed that after 120 h storage, the contents of esters, aldehydes and alcohols in infected strawberry fruit were signiﬁcantly changed, and the content of alcohol (mainly ethanol) increased rapidly from 0.85 to 3.95 μg/g. Principal component analysis (PCA) showed a high correlation between the microbial load and the stable response of E-nose sensors.The optimal PLSR model for the microbial load showed a coefﬁcient of determination for prediction (R p2) of 0.815, anda relative percent deviation (RPD) of 2.270. Furthermore, the non-destructive detection method based on stable signalsof E-nose sensors could identify early diseased strawberry fruit with an accuracy of 92.9%. These results can provide a reference for non-destructive monitoring and early detection of strawberry postharvest diseases.Keywords: strawberry fruit; electronic nose; gray mold; non-destructive detectionDOI:10.7506/spkx1002-6630-20210511-112中图分类号：TS255.3 文献标志码：A 文章编号：1002-6630（2022）12-0341-09收稿日期：2021-05-11基金项目：江苏省高等学校自然科学研究面上项目（20KIB550005）；南京财经大学青年学者支持计划项目；江苏高校优势学科建设工程项目（PAPD）第一作者简介：刘强（1991—）（ORCID: 0000-0001-6180-0376），男，讲师，博士，研究方向为农产品贮藏与加工。

1、下载文档前请自行甄别文档内容的完整性，平台不提供额外的编辑、内容补充、找答案等附加服务。
2、"仅部分预览"的文档,不可在线预览部分如存在完整性等问题,可反馈申请退款(可完整预览的文档不适用该条件!)。
3、如文档侵犯您的权益，请联系客服反馈,我们会尽快为您处理(人工客服工作时间：9:00-18:30)。

— —控制整体垂直变量潜在的变化量 σf — l— — —长度尺度协方差函数的确定
（ 1） …，对于协方差函数，要求它在任意点集｛ x ，（ k） x ｝上，都能保证产生一个非负正定协方差矩阵。
其目的是在建模过程中，能在相邻输入产生相近输
0108 修回日期： 20140211 收稿日期： 2014* 江苏省自然科学基金资助项目（ BK20130531 ）、 6］）和国家中小企业创新基金资助项江苏高校优势学科建设工程资助项目（ PAPD2011［ 12C26213202207 ）目（ Email： clmei@ ujs． edu． cn 作者简介：梅从立，副教授，博士，主要从事生物发酵过程测控技术研究，
［9 － 12 ］
提
出了一种基于电子鼻的红茶发酵过程中茶叶香气在线监测系统，研究结果表明利用电子鼻技术来实现发酵过程的监测是可行的，并且具有响应时间短，监监测复杂气测速度快等特点。电子鼻是一种识别、体的现代分析技术，其核心模块包括气敏传感器、信。，号处理和模式识别系统等其中传感器阵列是由几个甚至几十个不同气敏传感器形成的仪器“嗅，觉” 模拟人和生物概念的鼻。目前国内外有关电子鼻技术在固态发酵过程中的应用相关报道相对较少。因此电子鼻技术在固态发酵相关领域应用研究具有理论和应用意义。 SVM ）和神支持向量机（ Support vector machine， NNs）是最常用的两种分类经网络（ Neural networks，
190
农
业
机
械
学
报
2014年
闭状态，通过真空泵将固态发酵物样本在集气装置中产生的顶空气体抽入电子鼻系统的传感器阵列，使气体分子与各气敏传感器发生反应并转换为可测量的初始电信号，经调理电路板进行滤波、放大，经过 A / D 转换模块传送到上位机和触摸屏中进行实 2 时显示并记录；在传感器阵列清洗阶段，电磁阀 1 、关闭，电磁阀 3 导通，通过真空泵将纯净空气抽入电子鼻系统的传感器阵列，以冲洗采样时富集的顶空气体并利用尾气回收装置将其回收。
［7 ］ SVM 工具，并在发酵过程监控中有所应用。但是，的估计输出不具有概率意义和 NNs 模型存在过度［6 ］
1
高斯过程多类分类器
GP［13］是指一组随机变量的集合，这个集合里
面的任意有限个随机变量都服从联合高斯分布。 GP 的全部统计特征完全由它的均值 m （ x ）和协方 x' ）来确定，差 C（ x，故高斯过程可以定义为 f（ x）～ GP（ m（ x）， C（ x， x' ））
－ xq ）
2
) +ν
1
（ 3）式中 — —先验知识的总体度量， ν0 — 用来调节先验权重 — —服从高斯分布的噪声方差 ν1 — …，设 θ = （ ρ1 ， ρd ， ν0 ， ν1 ）表示超参数，与神经网络中的超参数含义类似。 1. 2 高斯过程分类
［14 ］对于二分类问题，使用 Logistic 转移函数来对输入向量 x i 进行处理，得到输入向量 x i 属于类别
2 0 1 4 年 11 月 doi： 10． 6041 / j． issn． 10001298． 2014． 11． 029
农业机械学报
第 45 卷第 11 期
基于电子鼻和高斯过程的秸秆固态发酵过程监测技术
梅从立束栋鑫江辉黄文涛刘国海
（江苏大学电气信息工程学院，镇江 212013 ）
理，其原理是将待测样品放入密闭的容器中，通过静置或加热升温的方法使挥发性组分从待测样品中挥发出来，待气液（或气固）两相达到平衡时，直接抽取密闭容器顶部气体进行相关分析，从而检测待测［18 ］样品中挥发性组分的成分和含量。静态顶空分析法所需设备简单且易实现，但密闭容器的体积大待测样本取样多少和顶空气体生成时间等需要小、在实验过程中进行优化，以获得理想的实验结果。另外，实验采用的气敏传感器属于金属氧化物型气体传感器，实验前要对传感器阵列进行适当预热操作，特别是在首次使用该电子鼻系统进行实验时，应保证其预热时间不低于 48 h。最终，利用该电子鼻系统对蛋白饲料固态发酵实验过程中采集的样本进电子鼻信号行了电子鼻信号的采集。在此过程中，的实验条件设置如表 2 所示。
为了计算方便，假设 m （ x ） = 0 ，则高斯过程分类器就成为一个均值为零的高斯过程，则多维高斯密度函数为 p（ f | x） = 1 （ 2 π）
l /2
| C | 1 /2
exp
f C f) (－1 2
T －1
（ 6）
而边缘概率密度为 p（ y | x） = x） p（ f | x） df ∫ p（ y | f，（ 7）
最后通过贝叶斯公式可得到后验概率 p（ y | f） p（ f | x） p（ f | y， x） = p（ y | x） 1. 3 高斯过程训练
搅拌 10 min，搅拌速率为 4 r / min。从装料开始每隔 24 h 取样 5 个，每批发酵过程可获得 35 个样本；按照上述相同原料和条件进行 4 个批次发酵实验。采用电子鼻系统对采集样本进行信号采集。 2. 2 电子鼻系统实验使用的电子鼻系统由江苏大学农产品加工［17 ］图 1 为该电子鼻系统的实物工程研究所研制，图。图 2 所示为电子鼻系统采样示意图。该电子鼻系统是一个基于金属氧化物型气体传感器阵列的自制电子鼻系统，其传感器阵列由 11 个日本费加罗公分别有通用型传感器司生产的气体传感器组成， TGS2602 、 TGS2610 、 TGS2611 、 TGS813 和 TGS822 及 TGS825 、 TGS826 、 TGS880 、专用型传感器 TGS822TF、 TGS4160 和 TGS5042 。表 1 列出了实验所用电子鼻系统传感器阵列中各气敏传感器的性能特点及其量程。电子鼻工作流程如下：在顶空气体产生阶段，电磁阀 1 ～ 3 均处于关闭状态；在电子鼻系统信号采集 2 处于导通状态，阶段，电磁阀 1 、电磁阀 3 仍处于关
2
2. 1
实验与结果分析
实验
y i 的概率为 p（ y i | f i ） = σ（ y i f i ）（ 4））为 Logistic 转移函数。其中 f i = f（ x i ）为隐函数， σ（ · 由于训练样本之间相互独立，因此对应的似然概率为
n n
2. 1. 1
实验材料原料：风干的小麦秸秆粉碎至 40 目，蒸汽爆破预处理；麦麸；玉米粉；细米糠。培养基：马铃薯葡萄
d
（ 1）
x， x' ∈Ｒ是任意随机变量。本文中高斯径向式中，基为 k（ x i ， x j ） = σ2 f exp 式中 1. 1
(
－
| xi － xj | 2 2 l2
)
（ 2）
学习的局限性都是需要解决的问题。近年来高斯过 GP ）［8］逐渐成为一种备受关注程（ Gaussian process，的统计学习方法，为核函数的学习提供了一种既具有理论基础，又可以用于实践的概率模型，并在模型的选择、学习和预测方面提供了一个完整的理论框
数据则标记为 y = － 1 ，最后训练总共得到 k 个分类器，并且每个分类器都有一个相对应的超参数 θk 。（ 3 ）测试数据通过训练数据得到的超参数将获得相对应的预测概率，找出这些概率最大值所对应的类。本研究所有数据分析都在 Matlab 2010a （ Mathworks，USA）软件平台上完成。
*
摘要：基于电子鼻监控数据，建立基于高斯过程的状态监控分类器，实现对秸秆饲料固态发酵过程的有效监测。秸秆饲料固态发酵过程实验周期为 7 d，每隔 24 h 利用电子鼻系统对发酵气体监测数据进行采集。该发酵实验共分 20 批次，其中 10 批次实验数据用来训练高斯过程分类器，其余 10 批次实验数据用来测试所训练分类器的性能。实验结果表明所采用电子鼻系统可以对秸秆饲料固态发酵过程状态进行有效监控。将所训练高斯过程分类器与神经网络分类器进行比较表明，基于高斯过程分类器的正确率为 100% ，高于基于支持向量机、神经网支持向量机、 94. 29% ，络分类器的正确率 85. 71% 、能够更好地实现对秸秆饲料固态发酵过程的监测。关键词：秸秆固态发酵监测电子鼻高斯过程 1298 （ 2014 ） 11018806 文章编号： 1000中图分类号： O235 ； TQ92 文献标识码： A
［15 ］
1 T －1 1 n f C f － ln | C | － ln（ 2 π）（ 9 ） 2 2 2
基于样本数据，通过对数似然函数（ 9 ）的极大化来调整超参数。首先，将超参数设为一个合理范围之内的随机值，然后使用迭代的方法，比如共轭梯度法，来搜索超参数的最优值。 1. 4 高斯过程多元分类高斯过程的多元分类问题可以通过把多元分类［16 ］简单分解为二元分类问题来实现。其步骤如下：
（ 8）
对于高斯过程分类器的训练，也就是对后验概 x）的率的估计，可以采用 Laplace 方法求解 p （ f | y， x）。但是 p（ f | y， x ）对于 f 是独立的，估计值 q（ f | y，当最大化 f 时只需要考虑非标准化的后验。对数似然函数表达式为 lnp（ f | x） = －
p（ y | f） =
p（ y i | f（ x i ）） ∏ i =1