[发明专利]一种通过构建QDA模型预测堆积发酵进程的方法

权利要求书

1.一种通过构建QDA模型预测堆积发酵进程的方法，其特征在于，所述方法包括：

S1：获取待预测堆积发酵酒醅的理化指标数据；

S2：将所述理化指标代入构建的QDA判别模型中，得到所述待预测堆积发酵酒醅的发酵进程；所述QDA判别模型为所述待预测堆积发酵酒醅的理化指标与所述待预测堆积发酵酒醅的发酵进程相对应的关系式；

其中，所述理化指标数据包括：所述待预测堆积发酵酒醅在堆积0-6天的每一天的溶氧量数据；所述发酵进程包括所述堆积发酵酒醅的入窖节点。

2.如权利要求1所述的方法，其特征在于，所述理化指标数据包括：所述待预测堆积发酵酒醅在堆积0-3天的每一天的溶氧量数据；优选地，所述理化指标数据包括：所述待预测堆积发酵酒醅在堆积第4-6天中任意一天的溶氧量数据。

3.如权利要求1所述的方法，其特征在于，所述待预测堆积发酵酒醅的取样点包括：位于所述待预测堆积发酵酒醅堆体的中心点位置；

优选地，所述理化指标数据的获取包括：通过近红外扫描获取得到。

4.如权利要求1所述的方法，其特征在于，所述QDA判别模型的构建包括：

步骤一、样品关键环境因子的识别：将堆积发酵酒醅堆体样品的溶氧量、酸度、葡萄糖含量、乳酸含量作为样品环境因子，通过VPA进行样品关键环境因子的识别；

步骤二、将步骤一识别得到的所述关键环境因子作为建模特征，通过二次判别分析方法构建得到用于发酵进程预测的所述QDA判别模型。

5.如权利要求4所述的方法，其特征在于，所述QDA判别模型的构建还包括：

步骤三、回判：基于步骤二构建得到的所述QDA判别模型对步骤一中的所述堆积发酵酒醅堆体的发酵进程进行回判；

优选地，所述回判的过程包括：

(1)predmodel＝predict(model,data)，(2)predmodel；得到所述回判结果。

6.如权利要求4所述的方法，其特征在于，所述QDA判别模型的构建中，所述堆积发酵酒醅样品为酱香型白酒的一轮次堆积发酵酒醅。

7.如权利要求4所述的方法，其特征在于，所述堆积发酵酒醅堆体样品的取样点包括：

位于所述堆积发酵酒醅堆体的中轴上、且纵向距所述堆体的顶尖10-20cm的位置；和/或

位于所述堆积发酵酒醅堆体的中心点位置；和/或

位于横向距离所述中心点位置60-80cm的位置；和/或

横向距离所述中心点位置120-130cm的位置；和/或

位于所述堆积发酵酒醅堆体的中轴上、且纵向距所述堆体底部10-30cm的位置。

8.如权利要求4所述的方法，其特征在于，所述关键环境因子的识别采用Rstudio软件完成；

优选地，所述关键环境因子的识别包括如下过程：

将样品环境因子和微生物信息整理为csv文件，使样品名称一一对应；

操作方法包括：(1)setwd()；spe＝read.csv(微生物.csv,header＝TRUE,row.names＝1,sep＝,,colClasses＝c(character,rep(numeric,times＝757)))；env＝read.csv(环境4.csv,header＝TRUE,row.names＝1,sep＝,)，(2)library(vegan)；rda.vpa-varpart(spe,env[1],env[2],env[3],env[4],transfo＝hel,chisquare＝FALSE)；rda.vpa。

9.如权利要求4所述的方法，其特征在于，所述QDA判别模型的构建采用Rstudio软件完成。

10.如权利要求4所述的方法，其特征在于，所述QDA判别模型的构建过程如下：

(1) data＝read.csv(sample.csv,header＝T,row.names＝1,sep＝,,encoding＝UTF-8)；library(MASS)；grp＝read.csv(group.csv,header＝T,row.names＝1,sep＝,,encoding＝UTF-8)，(2)model＝qda(data,grp[,1])。