多模型軟測量建模方法研究及其在生物發(fā)酵過程中的應用.pdf

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

2、果對輔助變量和輸出變量之間的關系采用單一函數(shù)來擬合，而不考慮輸入數(shù)據(jù)之間的聯(lián)系和差異，勢必會造成建模偏差大，模型精度差等問題，而且對大批量數(shù)據(jù)樣本僅考慮使用單模型建模，會導致過于龐大的網(wǎng)絡結構和冗長的訓練時間。
　　 本論文受到國家高新技術發(fā)展計劃項目“基于模糊神經(jīng)逆的生物反應過程軟測量技術及其優(yōu)化控制”資助。以生物發(fā)酵過程為研究對象，針對單模型軟測量方法存在的不足，通過對發(fā)酵機理和多種軟測量建模方法的研究，提出利用多模型建模方

3、法來解決發(fā)酵過程的軟測量建模問題。建模前，首先利用主元分析方法對樣本數(shù)據(jù)進行預處理，達到有效去除模型變量間的冗余信息、減小相關性和降低模型復雜度的目的；其次，采用數(shù)據(jù)挖掘技術中的聚類算法對樣本數(shù)據(jù)進行分類，對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)絡建立子模型。針對聚類問題，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、收斂速度快的優(yōu)