多模型軟測(cè)量建模方法研究及其在生物發(fā)酵過(guò)程中的應(yīng)用.pdf

1、微生物發(fā)酵工程是復(fù)雜的生化反應(yīng)過(guò)程，具有高度非線性、時(shí)變性和相關(guān)性。獲得更多的過(guò)程狀態(tài)變量和掌握更多的反應(yīng)過(guò)程信息是研究微生物發(fā)酵過(guò)程和提高生產(chǎn)效率的首要前提。然而，在實(shí)際的發(fā)酵生產(chǎn)過(guò)程中，由于工藝和技術(shù)的限制，一些重要的生物參數(shù)難以實(shí)現(xiàn)在線檢測(cè)，軟測(cè)量技術(shù)為解決此類問(wèn)題提供了一條有效的途徑。
　　 近年來(lái)，對(duì)于具有多變量、非線性、時(shí)變性和變量間有多重相關(guān)性特點(diǎn)的復(fù)雜系統(tǒng)建模，大多采用神經(jīng)網(wǎng)絡(luò)、模糊邏輯等智能方法建立單一模型。如

2、果對(duì)輔助變量和輸出變量之間的關(guān)系采用單一函數(shù)來(lái)擬合，而不考慮輸入數(shù)據(jù)之間的聯(lián)系和差異，勢(shì)必會(huì)造成建模偏差大，模型精度差等問(wèn)題，而且對(duì)大批量數(shù)據(jù)樣本僅考慮使用單模型建模，會(huì)導(dǎo)致過(guò)于龐大的網(wǎng)絡(luò)結(jié)構(gòu)和冗長(zhǎng)的訓(xùn)練時(shí)間。
　　 本論文受到國(guó)家高新技術(shù)發(fā)展計(jì)劃項(xiàng)目“基于模糊神經(jīng)逆的生物反應(yīng)過(guò)程軟測(cè)量技術(shù)及其優(yōu)化控制”資助。以生物發(fā)酵過(guò)程為研究對(duì)象，針對(duì)單模型軟測(cè)量方法存在的不足，通過(guò)對(duì)發(fā)酵機(jī)理和多種軟測(cè)量建模方法的研究，提出利用多模型建模方

3、法來(lái)解決發(fā)酵過(guò)程的軟測(cè)量建模問(wèn)題。建模前，首先利用主元分析方法對(duì)樣本數(shù)據(jù)進(jìn)行預(yù)處理，達(dá)到有效去除模型變量間的冗余信息、減小相關(guān)性和降低模型復(fù)雜度的目的；其次，采用數(shù)據(jù)挖掘技術(shù)中的聚類算法對(duì)樣本數(shù)據(jù)進(jìn)行分類，對(duì)聚類后的各子類樣本數(shù)據(jù)分別采用反向傳播神經(jīng)網(wǎng)絡(luò)建立子模型。針對(duì)聚類問(wèn)題，提出了兩種聚類算法：(1)為了避免傳統(tǒng)聚類算法存在的對(duì)初始值敏感，易陷入局部最優(yōu)和收斂速度慢等缺陷，利用粒子群優(yōu)化算法(PSO)的全局搜索能力強(qiáng)、收斂速度快的優(yōu)