技术领域
[0001] 本
发明涉及发酵茶智能化固态发酵技术及设备，具体是基于智能
发酵罐，利用嗅觉传 感器技术、可见/
近红外光谱技术，实现在线检测发酵茶固态发酵的方法及装置。
背景技术
[0002] 发酵茶具有止渴、防癌、抗癌、助消化、减肥、延缓衰老等作用，深受消费者喜爱。 发酵茶的制茶工艺一般包括杀青、揉捻、渥堆发酵和干燥等工序，其中发酵是发酵茶品质 形成的关键工艺，以
微生物活动为中心的一种生化作用，是生化动
力(胞外酶)、物化动力(微 生物热)以及微生物自身代谢的综合作用，即在湿热、微生物及胞外酶三者的相互作用下， 形成发酵茶所特有的色泽红润、汤色红艳、香气高爽、滋味醇厚等特点。
[0003] 传统的发酵茶制作通过茶农的眼看、鼻闻和手探来掌握翻堆和出堆时机，即采用的是 一种感官标准判断法。在发酵茶渥堆过程中，茶叶由青色变化到近似黄褐色，并可闻到青 香酒精味时，即认为达到了渥堆要求。这种传统方法虽然可行，但存在主观判断失误、适 度标准不规范以及渥堆时间偏长等问题，可能导致发酵茶汤色浑浊、口感苦涩、发酵味重， 甚至带有酸馊和霉味，影响感官愉悦，成为发酵茶推广中的障碍。为了控制发酵茶品质和 提高生产效率，有必要对发酵茶渥堆方法和机械装置进行技术革新。
[0004] 如
申请号为CN201310053371.1的“黑茶动态发酵工艺”
专利，公开了一种动态组合发 酵工艺，并使之形成流
水作业、标准化生产，其采用二次渥堆技术，使得黑茶品质更加稳 定，但是该发酵工艺采用发酵室人工进行控制，不能得到黑茶发酵过程中的内部变化信息， 机械化程度不高，生产效率较低。
[0005] 嗅觉
传感器是根据
可视化传感器与待检测气体反应前后的
颜色变化对气体进行定性、 定量判别，不仅利用气体敏感材料和待检测气体之间的范德华力等很弱的相互作用，而且 引入金属键、极性键等较强的化学反应，所以在检测
精度、灵敏度等方面与常见的气体传 感器相比有明显的优势。
[0006] 如申请号为CN201510542739.X的“一种基于嵌入式的嗅觉可视化自动检测装置及其 检测方法”专利，公开了一种将嵌入式技术和嗅觉可视化技术相结合，实现嗅觉可视化检 测白酒挥发性气体，但嗅觉传感器技术在黑茶发酵中的应用未见报道。
[0007] 可见/
近红外光谱，是一种包含可见光(visible light，VIS)和近红外光(near-infrared，NIR) 区间的
电磁波，相应的
波长范围为380～1700nm，已广泛应用于固体、液体中色泽及有机 成分的快速检测，在工业生产及食品、农产品品质的分析领域得到广泛应用。
[0008] 如申请号为CN201310392685.4的“不同承印材质印刷颜色特性的预测方法”专利，公 开了一种利用可见光谱技术来解决印刷上不同承印纸张下印刷出的颜色预测问题，但采用 纸张的光谱反射率，没有转换成相应的
色度值，对于试样的真实数值，无法得到有效评估。
[0009] 因此寻找一种简便快速检测黑茶固态发酵适度的方法，对满足实际生产需求有着重要 的现实意义。
发明内容
[0010] 本发明采用自制的发酵剂人工接种于智能发酵罐内，结合嗅觉传感器技术和可见/近红 外光谱技术，实时监测发酵罐内气体成分变化、发酵茶色泽及内部成分变化，经过膜分离 浓缩之后，进行
冷冻干燥，制成发酵茶成品，可使得发酵茶成品品质更加稳定。
[0011] 本发明的目的在于克服传统发酵茶发酵以及人工感官评定所存在的不足，提供一种发 酵茶智能化固态发酵方法，该方法采用智能发酵罐取代传统渥堆发酵，可大大缩短发酵茶 成品的加工时间；采用嗅觉传感器技术和可见/近红外光谱技术，实时监测发酵罐内发酵茶 固态发酵程度，可有效控制发酵茶固态发酵过程，提高发酵茶成品的品质。
[0012] 针对本发明的方法及装置，具体采用的技术方案如下：
[0013] 一种发酵茶智能化固态发酵方法，包括以下步骤：
[0014] 步骤一，在无菌操作下，将发酵剂的
种子液进行人工接种，置于智能发酵罐中进行固 态发酵，实现发酵茶优势菌种的接种；步骤二，在发酵茶固态发酵过程中，通过嗅觉传感 器和可见/近红外光谱模
块实时获取发酵罐内发酵茶发酵物的
传感器数据，构建基于改进深 度降噪自编码极限学习机的发酵适度评定模型，实现发酵茶固态发酵在线预测；步骤三， 将固态发酵适度的发酵茶，采用
压榨过滤技术使茶水分离，再利用冷冻干燥技术进行干燥， 保证发酵茶成品的品质稳定。
[0015] 进一步，步骤二中，所述改进深度降噪自编码极限学习机的发酵适度评定模型，以深 度降噪自编码的第一层隐含层的输出作为极限学习机的输入，将降噪自编码的最后两层分 别设计为极限学习机的
输入层和隐含层，并将其连接权值和偏置用作极限学习机的输入权 值和偏置。
[0016] 进一步，步骤二的具体实现过程为：引入能实现特征提取和隐含层参数学习的无监督 式学习网络降噪自编码，将原始数据X通过一定概率X*～PD(X*|X)随机映射为带有噪声 污染的输入数据X*，通过降噪自编码网络的训练重构输入.降噪自编码的网络输出 与其 输入原始数据X近似一致，降噪自编码无监督训练过程分为编码和解码两个阶段，其实现 步骤如下：
[0017] 编码阶段：假设一个含d维的原始输入数据X*被映射成一个d′维的隐层特征代表Y， 其计算公式如下：
[0018] Y＝f(X*，θ)＝μ(W·X*+b)
[0019] 式中，θ＝{(W，b)|W∈Rd′×d，b∈Rd′×1}，W，b分别表示输入层与隐含层之间连接权值和偏置； μ(·)为映射激活函数；
[0020] 解码阶段：隐层特征代表Y通过重构自编码的网络输出
[0021]
[0022] 其中，θ′＝{(W′，b′)|W∈Rd×d′，b∈Rd×1}，W′，b′分别表示为隐含层与
输出层之间的连接权值 和偏置；
[0023] 通过最小化网络输出 和原始数据X的误差实现模型参数的更新，其中，优化目标函 数为：
[0024]
[0025]
[0026] 公式(3)中第一项均方误差项；第二项为正则项，λ为优化目标参数，上式中优化目标函数 为一个凸优化问题，采用基于梯度下降方式的优化
迭代算法对其求解；
[0027] 最后将多个降噪自编码网络进行堆栈形成深度降噪自编码网络并进行逐层训练，由前 一层所学到的数据特征用于下一层的输入，直到所有层得到训练；此时获得深度降噪自编 码网络的一个整体初始值。
[0028] 进一步，还包括：引入极限学习机作为深度混合模型的终端进行发酵适度的回归预测， 以深度降噪自编码的第一层隐含层的输出作为极限学习机的输入，将深度降噪自编码的最 后两层分别设计为极限学习机的输入层和隐含层，并将其连接权值和偏置用作极限学习机 的输入权值和偏置；具体实现过程如下：
[0029] 给定训练样本{(xi，yi)}，其中i＝1，2，3，...，N，设定L个隐含层
节点，激励函数为f(x)， 则其数学模型的表达式为：
[0030]
[0031] 其中，ωi为输入神经元与第i个隐含层节点的连接权值，bi为第i个隐含层节点的偏置，βi为第i个隐含层节点与输出神经元的连接权值，oj为第j个输入样本的预测输出值，此处极 限学习机网络的连接权值和偏执来自深度降噪自编码网络的最后两层的权值和偏执；
[0032] 当隐含层神经元个数与训练样本个数相等时，对于任意的w和b，单隐含层前馈神经 网络SLFNN可以以零误差逼近N个训练样本，即
[0033]
[0034] 对于给定的任意小误差ε，当激活函数g(x)无限可微时，网络训练误差可以逼近任意 一个ε(ε＞0)，即
[0035]
[0036] 深度降噪自编码极限学习机的整个训练过程中参数不需要进行完全调整，只需对隐含 层和输出层之间的连接权值β进行微调，其解为：
[0037]
[0038] 其中，H+为隐含层输出矩阵H的Moore-Penrose广义逆，Y′为输出矩阵Y的转置；
[0039] 最终将深度降噪自编码所学习到的初始值经过极限学习机网络预测后，将其预测误差 反向传播以实现整个网络参数的更新，以输出高精度的深度降噪自编码极限学习机预测模 型，实现发酵适度的预测。
[0040] 进一步，步骤二中，在于发酵罐罐顶排气口处安装嗅觉传感器，发酵罐左侧透光玻璃 处安装可见/近红外光谱模块；所述嗅觉传感器，在于表征茶发酵液发酵过程特征气体变化 的特异性
半导体材料；所述特征气体，在于采用GC-MS筛选出能表征发酵过程特异性变化 的气体成分；所述特异性半导体材料，为卟啉复合物材料，能与特征气体
接触后产生特征 电位变化；所述卟啉复合物材料，为TPPZnF、CoTPP、CHO3Tppa；
[0041] 所述可见/近红外光谱模块，波长范围在300-1100nm，有效
像素为2048，可获取可见/ 近红外光谱波段信息；所获取颜色变化，在于获取颜色值特征波段的光谱数据；所述特征 波段，在于筛选出[371.15nm 401.68nm]、[402.68nm 432.3nm]、[749.21nm 775.76nm] 波长区间；采用联合区间算法筛选出[802.64nm 828.55nm]、[1002.76nm 1025.7nm]波 长区间。
[0042] 进一步，步骤二中，所述固态发酵过程，保持
含水量不超过10％，发花
温度在30～40℃， 湿度在70～85％；所述发酵罐，保持转速在5-15rpm，可结合发酵茶发酵进度适度调节；所 述发酵适度，是通过嗅觉传感器和可见/近红外光谱模块实时获取反映发酵茶固态发酵过程 中发酵物气味、颜色和总多酚含量等关键参量的传感器数据。
[0043] 进一步，步骤三中，所述压榨过滤，采用压榨过滤机过滤，制成砖形外观；所述冷冻 干燥，在-20℃下进行干燥。
[0044] 本发明的装置的技术方案为：一种发酵茶智能化固态发酵装置，所述装置，包括空压 机(1)、总空气
过滤器(2)、分
空气过滤器(3)、空气流量
控制器(4)、无菌水槽(5)、 智能发酵罐(6)、可见/近红外光谱模块(7)、嗅觉传感器(8)、湿度控制器(9)、灯孔(10)、
温度控制器(11)、PLC控制系统(12)、O2和CO2在线检测仪(13)；
[0045] 所述空压机(1)与一级空气过滤器(2)相连；所述总空气过滤器(2)与分空气过滤 器(3)相连；所述分空气过滤器(3)与空气流量控制器(4)相连；所述空气流量控制器 (4)与无菌水槽(5)相连；所述无菌水槽(5)连接于智能发酵罐(6)底部；所述视觉 传感器(7)置于智能发酵罐(6)的透光玻璃处；所述嗅觉传感器(8)置于智能发酵罐(6) 排气口处；所述湿度控制器(9)置于智能发酵罐(6)上部一端；所述灯孔(10)设置在 智能发酵罐(6)后部；所述温度控制器(11)置于智能发酵罐(6)出水口上部；所述PLC 控制系统(12)连接控制空气流量控制器(4)、湿度控制器(9)、温度控制器(11)；所述 O2和CO2在线检测仪(13)连接智能发酵罐的进气口、出气口。
[0046] 进一步，所述PLC控制系统(12)，由PLC、传感器和执行机构组成；所述PLC控制 系统(12)通过可见/近红外光谱模块(7)、嗅觉传感器(8)获取发酵过程实时数据，并 反馈到PLC内部算法模型，实时调控温度控制器(11)、O2和CO2在线检测仪(13)的设 备参数，能实时控制发酵罐内的发酵状态；所述O2和CO2在线检测仪(13)，为LKM2000A 型气体分析仪，采用红外传感测定CO2浓度、电化学传感器测定O2浓度。
[0047] 本发明的有益效果，具体如下：
[0048] 其一，发酵茶发酵的优势菌群的确定：采用自制发酵剂，添加发酵茶固态发酵的冠突 散囊菌优势菌群促进发酵茶发花，并添加双歧杆菌
益生菌加速发酵，可有效解决发酵茶发 酵过程中发酵周期长、发酵不均匀、杂菌污染问题，更显著增加了发酵茶
风味保健功能；
[0049] 其二，发酵茶智能化固态发酵的监测体系和指标的建立：在发酵茶渥堆原理和茶农经 验的
基础上，通过发酵实验研究认为可采用气味、色泽、内部成分的协同来构建发酵茶智 能化固态发酵的监测指标体系，并提出了“三度”的监控指标，为茶农从感官判断到物理指 标监测提供了先进的技术支持；
[0050] 其三，发酵茶智能化固态发酵的检测手段：采用嗅觉传感器技术和可见/近红外光谱技 术，配合相应深度降噪自编码所学习到的初始值经过极限学习机网络预测，实时监测发酵 罐内发酵茶固态发酵程度，能够科学、直观地提供发酵茶智能化固态发酵信息，提高发酵 茶成品的品质；
[0051] 其四，发酵茶智能化固态发酵的检测装置：采用智能发酵罐代替传统人工渥堆方式， 克服了传统发酵茶发酵以及人工感官评定所存在的不足，可大大缩短发酵茶成品的加工时 间，且装置结构操作方便，易于推广应用。
附图说明
[0052] 图1为本发明装置图；(a)为发酵茶智能化固态发酵装置示意图；(b)为本发明发酵 茶智能化固态发酵装置俯视图；
[0053] 图2为图1SDAE-ELLM网络结构图；
[0054] 图3为DAE训练模型。
[0055] 图中：1空压机，2总空气过滤器，3分空气过滤器，4空气流量控制器，5无菌水槽， 6智能发酵罐，7可见/近红外光谱模块，8嗅觉传感器，9湿度控制器，10灯孔，11温度 控制器，12PLC控制系统，13O2和CO2在线检测仪。
具体实施方式
[0056] 以下将结合附图和具体实施方式对本发明的技术方案作进一步详细说明。本发明对不 同品种的发酵茶智能化固态发酵具有通用性。本实施案例所选的目标为金花发酵茶，其它 种类的发酵茶可参考此实例进行。
[0057] 本实施案例采用智能发酵罐取代传统渥堆发酵，可大大缩短发酵茶成品的加工时间； 采用嗅觉传感器技术，实时监测发酵茶发酵过程中气体变化；采用可见/近红外光谱技术， 实时监测固态发酵过程中发酵茶色泽和多酚含量变化，并结合PLC控制系统，可有效调控 发酵茶固态发酵过程，提高发酵茶成品的品质。具体技术方案如下：
[0058] 图1本发明发酵茶智能化固态发酵装置示意图，根据图1，所述空压机与总空气过滤 器相连；所述总空气过滤器与分空气过滤器相连；所述分空气过滤器与空气流量控制器相 连；所述空气流量控制器与无菌水槽相连；所述无菌水槽连接于智能发酵罐底部；所述视 觉传感器置于智能发酵罐左部透光玻璃处；所述嗅觉传感器置于智能发酵罐排气口处；所 述湿度控制器置于智能发酵罐上部右侧；所述灯孔设置在智能发酵罐后部；所述温度控制 器置于智能发酵罐出水口上部；所述PLC控制系统连接控制空气流量控制器、湿度控制器、 温度控制器；所述O2和CO2在线检测仪连接智能发酵罐进气口、出气口。
[0059] 所述空压机1，经总空气过滤器2与分空气过滤器3过滤之后，得到能加速发酵的气 体；所述空气过滤，采用高效空气除菌过滤器，二级过滤效率达到99.99％；所述智能发酵 罐6，采用SUS304优质不锈
钢，底部采用多孔透气设计，能充分发酵。所述湿度控制器9， 检测范围在5％～95％±2％·FS，可自动保存数据记录；所述温度控制器11，包含温度在线检 测系统和温度自动控制系统；所述温度在线检测系统，采用pt100温度传感器，量程在 0～199.9℃±0.2％·FS；所述温度自动控制系统，采用热水/冷
水循环作为控制媒质，可夹套换 热，控制范围在(冷媒温度+5)℃～70℃±0.5％.FS。所述PLC控制系统12，由PLC、传感器 和执行机构等组成；所述控制，在于通过可见/近红外光谱模块7、嗅觉传感器8获取发酵 过程实时数据，并反馈到PLC内部的算法模型，实时调控温度控制器11、O2和CO2在线 检测仪13的设备参数，能实时控制发酵罐内的发酵状态；所述O2和CO2在线检测仪13， 为LKM2000A型气体分析仪，具有高精密性和长期
稳定性；所述精密性，在于采用红外传 感测定CO2浓度、电化学传感器测定O2浓度，有效测定范围分别在0-30％、0-20％。
[0060] 下面将结合具体的实施案例对本发明进行详细描述。但这些实施案例并不限制本发明， 本领域的普通技术人员根据这些实施案例所做出的结构、方法、或功能上的变换均包含在 本发明的保护范围内。
[0061] 实施案例：金花发酵茶智能化固态发酵的检测
[0062] 一种发酵茶智能化固态发酵方法，包括如下步骤：
[0063] (1)将双歧杆菌、冠突散囊菌菌种接种于20个100ml三
角瓶培养，得到发酵剂的种 子液；保持搅拌子转速为10rpm，将接种量为5％～10％的种子液，置于智能发酵罐中进行 发酵茶固态发酵；
[0064] (2)在发酵茶发酵过程中，保持含水量不超过10％，发花温度在30～40℃，湿度在 70～85％，罐体转速在5-15rpm；通过嗅觉传感器实时获取发酵罐内发酵茶气味变化，通过 可见/近红外光谱模块实时获取发酵罐内发酵茶颜色和多酚含量变化，并结合PLC控制系统 调控温度、湿度和进气量，实现发酵茶固态发酵的自动调控；
[0065] (3)将发酵罐内适度发酵后的发酵茶，采用压榨过滤技术使茶水分离；在-20℃温度 下，利用冷冻干燥技术进行干燥，制得品质稳定的发酵茶成品。
[0066] 上述发酵剂，由双歧杆菌、冠突散囊菌、酿酒
酵母、
植物乳杆菌组成；所述双歧杆菌， 编号1.5043，购自中国普通微生物菌种保藏管理中心，可使茶发酵液富含
蛋白质、微量元 素；所述冠突散囊菌，编号3.6088，购自中国普通微生物菌种保藏管理中心，可使茶发酵 液富含茯茶特有的风味口感；所述
酿酒酵母，编号2.3973，购自中国普通微生物菌种保藏 管理中心，可使茶发酵液富含酸甜爽口的独特风味；所述植物乳杆菌，编号1.16089，购自 中国普通微生物菌种保藏管理中心，可使茶发酵液
味道香醇，富含多种功效成分。
[0067] 上述智能发酵罐，能实现智能监测、智能调控二者有机结合的功能；所述智能监测， 在于气味监测模块、色泽监测模块、内部成分含量监测模块三者能实时捕获罐内发酵信息； 实时分析处理输入的3个嗅觉传感器
信号、2个可见/近红外信号、1个温度信号、1个O2/CO2含量信号，能实现搅拌速率、温度、进气量的自动解耦控制。
[0068] 步骤二中，所述嗅觉传感器，在于表征发酵茶固态发酵过程特征气体变化的特异性半 导体材料；所述特征气体，在于采用GC-MS筛选出能表征发酵过程特异性变化的气体成分； 所述特异性半导体材料，为卟啉复合物材料，能与特征气体接触后产生特征电位变a化；所 述卟啉复合物材料，为TPPZnF、CoTPP、CHO3TPP。所述可见/近红外光谱模块，波长范 围在300-1100nm，有效像素为2048，可获取可见/近红外光谱波段信息；所述获取颜色变 化，在于获取颜色值特征波段的光谱数据；所述特征波段，在于筛选出[371.15nm 401.68 nm]、[402.68nm 432.3nm]、[749.21nm 775.76nm]波长区间；所述获取多酚含量变化， 在于获取多酚含量特征波长的光谱数据；所述特征波长，采用联合区间算法筛选出[802.64 nm
828.55nm]、[1002.76nm 1025.7nm]波长区间。固态发酵过程中，保持含水量不超过 10％，发花温度在30～40℃，湿度在70～85％；所述发酵罐，保持转速在5-15rpm，可结合 发酵茶发酵进度适度调节；
[0069] 步骤三中，所述压榨过滤，采用压榨过滤机过滤，制成砖形外观；所述冷冻干燥，在 -20℃下进行干燥，制得的发酵茶成品品质稳定。
[0070] 如图3所示，所述深度降噪自编码极限学习机(deep denoising auto-coder and extreme learning machine，DDAE-ELM)的发酵适度评定模型，是将降噪自编码(denoising auto-encoder，DAE)网络与极限学习机(extreme learning machine，ELM)网络进行深度融 合，提出深度降噪自编码极限学习机(deep denoising auto-coder and extreme learning machine， DDAE-ELM)的混合
深度学习模型，模型架构如图1所示。以深度降噪自编码(deep denoising auto-coder，DDAE)的第一层隐含层的输出作为ELM的输入，将DDAE的最后两层分别设 计为ELM的输入层和隐含层，并创新性地将其连接权值和偏置用作ELM的输入权值和偏 置。如此设计不仅可以使得ELM充分利用DDAE所学到的数据特征，而且可使ELM网络 模型唯一确定，提高预测结果的稳定性。
[0071] DDAE-ELM的运行机制主要分为两部分：无监督预训练过程和有监督微调过程。其中， 无监督预训练进行特征学习，获取网络参数初始值；有监督微调用于更新整个网络的参数 值，本研究采用后向传播(back propagation，BP)算法将预测误差反向传播以实现整个网络 参数的更新。本发明提出的DDAE-ELM混合模型具体实现步骤如下所述：
[0072] (1)无监督预训练过程。引入一种能实现特征提取和隐含层参数学习的无监督式学习网络 降噪自编码(denoising auto-encoder，DAE)，将原始数据X通过一定概率X*～PD(X*|X)随机 映射为带有噪声污染的输入数据X*，通过DAE网络的训练重构输入 训练模型如图2 所示，DAE的结构主要由输入层、隐含层和输出层构成，且层与层之间的神经元呈全连接 状态，而同层之间却不相连。DAE的网络结构与传统神经网络相似，主要区别在于DAE 的网络输出 与其输入X近似一致，而不再是以分类模型所给出的标签或回归模型给出的 期望值为输出。DAE无监督训练过程可以分为编码和解码两个阶段，其实现步骤如下：
[0073] 编码阶段：假设一个含d维的原始输入数据X*被映射成一个d′维的隐层特征代表Y， 其计算公式如下：
[0074] Y＝f(X*，θ)＝μ(W·X*+b) (1)式中，θ＝{(W，b)|W∈Rd′×d，b∈Rd′×1}，W，b分别表示输入层与隐含层之间连接权值和偏置； μ(·)为映射激活函数。
[0075] 解码阶段：隐层特征代表Y可通过公式(2)重构AE的网络输出
[0076]
[0077] 其中，θ′＝{(W′，b′)|W∈Rd×d′，b∈Rd×1}，W′，b′分别表示为隐含层与输出层之间的连接权值 和偏置。
[0078] 最后，通过最小化输出数据 和原始数据X的误差实现模型参数的更新。其中，优化 目标函数为：
[0079]
[0080]
[0081] 公式(3)中第一项均方误差项；第二项为正则项，其作用是为了避免过拟合。由于上式中优 化目标函数为一个凸优化问题，这里我们采用基于梯度下降方式的优化迭代算法对其求解。
[0082] 最后将多个DAE网络进行堆栈形成深度DDAE网络并进行逐层训练，由前一层所学到 的数据特征用于下一层的输入，直到所有层得到训练。此时，便可获得DDAE网络的一个 整体初始值。
[0083] (2)有监督微调。引入ELM作为深度混合模型的终端进行发酵适度的回归预测，但 ELM网络在训练过程中其输入层与隐含层间的连接权值及隐含层神经元的
阈值是随机产 生的，可能会使输出矩阵不能满足列满秩，导致线性系统难以训练输出权值矩阵，以致模 型预测效果不佳。针对这一问题，以DDAE的第一层隐含层的输出作为ELM的输入，将 DDAE的最后两层分别设计为ELM的输入层和隐含层，并创新性地将其连接权值和偏置用 作ELM的输入权值和偏置。具体实现过程如下：
[0084] 给定训练样本{(xi，yi)}，其中i＝1，2，3，...，N，设定L个隐含层节点，激励函数为f(x)， 则其数学模型的表达式为：
[0085]
[0086] 其中，ωi为输入神经元与第i个隐含层节点的连接权值，bi为第i个隐含层节点的偏置，βi为第i个隐含层节点与输出神经元的连接权值，oj为第j个输入样本的预测输出值。此处 ELM网络的连接权值和偏执来自DDAE网络的最后两层的权值和偏执，并非随机产生。
[0087] 由推导定理可知，当隐含层神经元个数与训练样本个数相等时，对于任意的w和b， 单隐含层
前馈神经网络SLFNN可以以零误差逼近N个训练样本，即
[0088]
[0089] 所以，对于给定的任意小误差ε，当激活函数g(x)无限可微时，网络训练误差可以逼 近任意一个ε(ε＞0)，即
[0090]
[0091] DDAE-ELM的整个训练过程中参数不需要进行完全调整，只需对隐含层和输出层之间 的连接权值β进行微调，其值可通过以下方程获得：
[0092]
[0093] 其解为：
[0094]
[0095] 其中，H+为隐含层输出矩阵H的Moore-Penrose广义逆，Y′为输出矩阵Y的转置。
[0096] 最终，将DDAE所学习到的初始值经过ELM网络预测后，将其预测误差反向传播以实 现整个网络参数的更新，以输出高精度的DDAE-ELM
预测模型，实现发酵适度的快速精 准预测。
[0097] 综上，本发明的一种发酵茶智能化固态发酵方法及装置。在无菌操作下，将发酵剂的 种子液进行人工接种，置于智能发酵罐中进行固态发酵；在发酵茶固态发酵过程中，通过 嗅觉传感器实时获取发酵罐内发酵茶气味变化，通过可见/近红外光谱模块实时获取发酵罐 内发酵茶颜色及多酚含量变化，最后将固态发酵适度的发酵茶，采用压榨过滤技术使茶水 分离，再利用冷冻干燥技术进行干燥，制得品质稳定的发酵茶成品。本发明的方法和装置， 基于嗅觉传感器技术、可见/近红外光谱技术，采用智能发酵罐对发酵茶固态发酵进行实时 监测，相比传统人工感官检测，实时监测能保证发酵茶成品的品质稳定，提高发酵茶加工 生产效率，更适用于发酵茶智能化加工领域。
[0098] 在本
说明书的描述中，参考术语“一个
实施例”、“一些实施例”、“示意性实施例”、“示 例”、“具体示例”、或“一些示例”等的描述意指结合该实施例或示例描述的具体特征、结 构、材料或者特点包含于本发明的至少一个实施例或示例中。在本说明书中，对上述术语 的示意性表述不一定指的是相同的实施例或示例。而且，描述的具体特征、结构、材料或 者特点可以在任何的一个或多个实施例或示例中以合适的方式结合。
[0099] 尽管已经示出和描述了本发明的实施例，本领域的普通技术人员可以理解：在不脱离 本发明的原理和宗旨的情况下可以对这些实施例进行多种变化、
修改、替换和变型，本发 明的范围由
权利要求及其等同物限定。
