智能計(jì)算方法及其在發(fā)酵過程中的應(yīng)用研究.pdf

1、智能可以看作是知識(shí)積累和知識(shí)運(yùn)用的綜合能力反應(yīng)，主要是認(rèn)識(shí)客觀事物、掌握客觀規(guī)律，以及運(yùn)用知識(shí)去解決實(shí)際問題的能力。人工智能就是用人工系統(tǒng)來模擬人的問題求解、推理、學(xué)習(xí)等方面的能力。人工智能經(jīng)過近半個(gè)世紀(jì)的發(fā)展，形成了多個(gè)研究發(fā)展方向，其中智能計(jì)算方法是智能科學(xué)當(dāng)前研究的重要方向之一。在過去幾十年的時(shí)間里，智能計(jì)算得到了廣泛的研究和迅猛的發(fā)展，并在信號(hào)處理、模式識(shí)別、系統(tǒng)辨識(shí)、發(fā)酵控制、生物信息學(xué)、食品和醫(yī)療以及商業(yè)等領(lǐng)域取得了豐碩的成

2、果。
　　 本文針對(duì)智能計(jì)算方法在生物發(fā)酵過程以及生物信息學(xué)中的相關(guān)應(yīng)用進(jìn)行了研究，包括Cascaded Centralized Takagi-Sugeno-Kang(CCTSK)模糊神經(jīng)網(wǎng)絡(luò)，多層感知器(Multi-Layer Perceptron)、徑向基函數(shù)(Radial Basis Function，RBF)神經(jīng)網(wǎng)絡(luò)、Takagi-Sugeno-Kang(TSK)模糊系統(tǒng)等相關(guān)智能計(jì)算方法在谷胱甘肽、乳酸桿菌的發(fā)酵過程中

3、的應(yīng)用。另外，對(duì)生物信息學(xué)中基因表達(dá)調(diào)控網(wǎng)絡(luò)的重構(gòu)也做了一點(diǎn)工作，具體來說，本論文的創(chuàng)造性研究成果主要有：
　　 第一部分，對(duì)模糊系統(tǒng)進(jìn)行了研究，建立了不確定的高斯混合模型和具有可加性的二型Takagi-Sugeno-Kang模糊系統(tǒng)之間的對(duì)應(yīng)關(guān)系。然后利用Cascaded CentralizedTakagi-Sugeno-Kang(CCTSK)模糊神經(jīng)網(wǎng)絡(luò)對(duì)谷胱甘肽(glutathione，GSH)的發(fā)酵過程進(jìn)行建模。在實(shí)際的

4、發(fā)酵生產(chǎn)過程中，由于菌體發(fā)酵過程自身的復(fù)雜性以及實(shí)驗(yàn)中的客觀條件的限制，使得實(shí)驗(yàn)數(shù)據(jù)不可避免的含有一定量的噪音，從而使得傳統(tǒng)的神經(jīng)網(wǎng)絡(luò)所建立的模型的收斂速度和精度明顯下降，且建模結(jié)果缺乏可解釋性。CCTSK模糊神經(jīng)網(wǎng)絡(luò)由于采用了中心化的級(jí)聯(lián)的網(wǎng)絡(luò)結(jié)構(gòu)，實(shí)驗(yàn)結(jié)果表明，運(yùn)用CCTSK模糊神經(jīng)網(wǎng)絡(luò)對(duì)谷胱甘肽發(fā)酵的過程所建立的模型具有良好的魯棒性和更高的可解釋性。
　　 第二部分，研究了魯棒的基于熵準(zhǔn)則的RBF谷胱甘肽發(fā)酵建模。利用信息

5、論中關(guān)于熵的概念，從概率密度的角度出發(fā)，采用判別熵構(gòu)造出一個(gè)新的誤差準(zhǔn)則函數(shù)——基于熵準(zhǔn)則的誤差準(zhǔn)則函數(shù)，并將其應(yīng)用于谷胱甘肽的發(fā)酵建模過程中。由于新的誤差準(zhǔn)則函數(shù)能夠從訓(xùn)練樣本的整體分布結(jié)構(gòu)來進(jìn)行模型的參數(shù)學(xué)習(xí)，從而有效地避免了傳統(tǒng)的基于Mean Square Error(MSE)準(zhǔn)則的RBF神經(jīng)網(wǎng)絡(luò)的過學(xué)習(xí)和泛化能力弱的缺陷。
　　 第三部分，進(jìn)一步研究了基于熵準(zhǔn)則的誤差準(zhǔn)則函數(shù)的特點(diǎn)。將新的準(zhǔn)則函數(shù)用于多層感知器模型、徑向

6、基函數(shù)神經(jīng)網(wǎng)絡(luò)模型以及Takagi-Sugeno-Kang模糊系統(tǒng)模型中，然后對(duì)乳酸桿菌發(fā)酵生成多糖(exopolysaccharide，EPS)的過程進(jìn)行建模，實(shí)驗(yàn)結(jié)果表明：新方法具有較高的預(yù)測(cè)精度、泛化能力以及良好的魯棒性。
　　 最后一部分，研究了目前生物信息學(xué)中的熱點(diǎn)——基因表達(dá)調(diào)控網(wǎng)絡(luò)的重構(gòu)問題。針對(duì)傳統(tǒng)的線性組合模型只考慮了基因之間的線性調(diào)控關(guān)系的缺陷，引入了能量因子的概念，從而使得模型具備了分析基因間的非線性調(diào)控關(guān)