分階段GP模型在發(fā)酵過(guò)程建模中的應(yīng)用研究.pdf

1、由于測(cè)量手段的限制，對(duì)于發(fā)酵過(guò)程中的菌體濃度與產(chǎn)物濃度等變量很難實(shí)現(xiàn)在線測(cè)量，導(dǎo)致了發(fā)酵過(guò)程的優(yōu)化控制很難實(shí)現(xiàn)。通過(guò)建立回歸預(yù)測(cè)模型利用輸入條件及其他易測(cè)變量進(jìn)行菌體濃度與產(chǎn)物濃度實(shí)時(shí)預(yù)測(cè)是解決這一問(wèn)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(jī)理復(fù)雜很難利用動(dòng)力學(xué)原理建立發(fā)酵機(jī)理模型，而利用樣本數(shù)據(jù)建立黑箱經(jīng)驗(yàn)?zāi)Ｐ褪乾F(xiàn)在主流的發(fā)酵過(guò)程建模方式。高斯過(guò)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(cè)中具有參數(shù)少，預(yù)測(cè)精度高的優(yōu)點(diǎn)。本文將其應(yīng)用于發(fā)酵過(guò)程建模中主要存在兩個(gè)問(wèn)題:1、GP模型建模中需要求解矩陣的逆運(yùn)算，當(dāng)樣本數(shù)量較多時(shí)訓(xùn)練時(shí)間過(guò)長(zhǎng)且泛化能力受到影響，對(duì)于發(fā)酵周期較長(zhǎng)的發(fā)酵過(guò)程建模中，模型預(yù)測(cè)效果不理想;2、發(fā)酵過(guò)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(cè)精度，尤其是在階段分界處預(yù)測(cè)誤差較大。
　　本文針對(duì)第一個(gè)問(wèn)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(lèi)算法依據(jù)相似性原理將樣本分為若干類(lèi)，對(duì)每個(gè)類(lèi)別中的樣本按照密度指標(biāo)依次選出有效樣本，從而達(dá)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(guò)于集中，也能確保密度較高處的樣本不會(huì)全部被剔除。利用Pensim平臺(tái)生成的青霉素發(fā)酵數(shù)據(jù)進(jìn)行建模驗(yàn)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(shí)間明顯縮短，對(duì)于測(cè)試樣本的預(yù)測(cè)精度也有所提高。針對(duì)第二個(gè)問(wèn)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(duì)每個(gè)階段樣本分別建立局部GP模型，對(duì)于樣本的階段劃分本文采用一種半監(jiān)督的FCM聚類(lèi)算法，將階段特性明確樣本選為標(biāo)記樣本，用來(lái)對(duì)聚類(lèi)過(guò)程進(jìn)行引導(dǎo)，這種方法有利于提高聚類(lèi)速度和準(zhǔn)確度，聚類(lèi)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(duì)未知樣本進(jìn)行預(yù)測(cè)時(shí)，首先進(jìn)行樣本的階段識(shí)別，然后采用一種切換與加權(quán)相組合的策略進(jìn)行預(yù)測(cè)。將分階段的GP模型建模方法應(yīng)用于Pensim生成的青霉