分階段GP模型在發(fā)酵過程建模中的應(yīng)用研究.pdf

1、由于測量手段的限制，對于發(fā)酵過程中的菌體濃度與產(chǎn)物濃度等變量很難實現(xiàn)在線測量，導(dǎo)致了發(fā)酵過程的優(yōu)化控制很難實現(xiàn)。通過建立回歸預(yù)測模型利用輸入條件及其他易測變量進行菌體濃度與產(chǎn)物濃度實時預(yù)測是解決這一問題的有效手段。
　　微生物發(fā)酵具有高度非線性與復(fù)雜性，由于發(fā)酵機理復(fù)雜很難利用動力學(xué)原理建立發(fā)酵機理模型，而利用樣本數(shù)據(jù)建立黑箱經(jīng)驗?zāi)Ｐ褪乾F(xiàn)在主流的發(fā)酵過程建模方式。高斯過程(Gauss Process，GP)模型是近幾年興起的一種非

2、參數(shù)概率模型，將其用于小樣本回歸預(yù)測中具有參數(shù)少，預(yù)測精度高的優(yōu)點。本文將其應(yīng)用于發(fā)酵過程建模中主要存在兩個問題:1、GP模型建模中需要求解矩陣的逆運算，當(dāng)樣本數(shù)量較多時訓(xùn)練時間過長且泛化能力受到影響，對于發(fā)酵周期較長的發(fā)酵過程建模中，模型預(yù)測效果不理想;2、發(fā)酵過程具有明顯的階段性特征，不同的階段體現(xiàn)不同的特征，采用單一的全局模型通常很難獲得較好的預(yù)測精度，尤其是在階段分界處預(yù)測誤差較大。
　　本文針對第一個問題提出一種基于樣本

3、稀疏化的GP模型建模方法，首先利用AP聚類算法依據(jù)相似性原理將樣本分為若干類，對每個類別中的樣本按照密度指標(biāo)依次選出有效樣本，從而達到樣本稀疏化的目的。這種樣本稀疏化方法既能保證樣本的多樣性，避免樣本過于集中，也能確保密度較高處的樣本不會全部被剔除。利用Pensim平臺生成的青霉素發(fā)酵數(shù)據(jù)進行建模驗證，證明基于樣本稀疏化的GP模型相比于完全樣本訓(xùn)練的GP模型訓(xùn)練時間明顯縮短，對于測試樣本的預(yù)測精度也有所提高。針對第二個問題，采用一種分階

4、段的建模方法，先將樣本按照階段特性劃分為若干階段，對每個階段樣本分別建立局部GP模型，對于樣本的階段劃分本文采用一種半監(jiān)督的FCM聚類算法，將階段特性明確樣本選為標(biāo)記樣本，用來對聚類過程進行引導(dǎo)，這種方法有利于提高聚類速度和準(zhǔn)確度，聚類完成后采用一種軟化分策略劃分階段。當(dāng)局部GP模型建立后利用其對未知樣本進行預(yù)測時，首先進行樣本的階段識別，然后采用一種切換與加權(quán)相組合的策略進行預(yù)測。將分階段的GP模型建模方法應(yīng)用于Pensim生成的青霉