青霉素发酵过程的模型辨识及仿真研究

研究青霉素发酵优化问题.青霉素发酵过程是一种复杂的生化反应系统,生物参数难获得,许多代谢途径尚不明确,传统方法无法建立精确数学模型.然而支持向量机不需要了解青霉素发酵系统的内部结构,具有智能性、自学习能力,可以解决复杂青霉素发酵建模问题.因此,以青霉素发酵过程生化机理模型产生的数据为样本,训练支持向量机,并采用粒子群算法对支持向量机参数优化,建立了支持向量机的发酵过程模型.仿真结果表明,支持向量机可以对青霉素发酵过程进行状态变量的估算与预测,为有效提高青霉素发酵预测精度,提供了实际有效的指导作用.     

基于模糊粗糙神经网络的发酵过程建模

对于发酵这样一个非线性的动态过程,由于其复杂性和在线传感器的缺乏,使得过程中的一些重要状态变量难以在线测量,从而给发酵过程的优化柠制带来了极大的困难,为此,结合模糊粗糙集和智能控制的理论,充分利用模糊粗糙集和神经网络两者的优点,提出了一种新型的网络-模糊粗糙神经网络实现对发酵过程的建模和状态估计,结果表明陵网络模型的结构简单,可解释性强。收敛速度快,能够较为准确地拟合过程的动态特性,预估能力较强。     

基于变分贝叶斯算法的青霉素发酵过程建模

青霉素发酵过程具有明显的阶段特征,同时由于操作条件多变、生产环境复杂等原因导致其存在极大的不确定性,故本文在变分贝叶斯框架下建立了青霉素浓度预测的FIR融合模型。首先选取调度变量对发酵阶段进行划分,然后基于变分贝叶斯算法辨识得到各FIR子模型的参数,最后根据阶段特征计算样本隶属于各子模型的概率并融合子模型的输出得到青霉素浓度的预测值。文中利用工业规模青霉素发酵罐的实际数据进行仿真实验,模型预测青霉素浓度的相关误差为0.24%,表明提出模型具有较高的拟合度,能够更为精准的预测青霉素浓度并适应实际的复杂工业环境。     

改进型Elman神经网络发酵过程建模研究

依据发酵过程的机理和改进的Elman神经网络动态建模原理,提出了一个新的发酵过程建模分批训练算法。通过发酵过程仿真实验,与传统的BP建模算法比较,改进的Elman神经网络建模算法具有收敛速度快、泛化能力强等特点。此外,利用该算法编制的软件可以内嵌到发酵过程监控系统中,实现发酵过程在线建模与状态参量的在线预估。     

非线性发酵过程观测器设计仿真研究

本文运用微分几何非线性变换理论对螺旋霉素发酵罐设计了非线性观测器,并取得了满意的仿真结果     

基于NSGA-Ⅱ和BP融合的青霉素发酵过程建模

针对BP(Back Propagation)网络对青霉素发酵过程建模时,会遇到陷入局部极小点、收敛速度慢等问题,提出将BP训练看成多目标寻优过程,以网络输出节点的误差最小作为并行搜索的多个目标,通过精英策略的非支配排序遗传算法(NSGA-Ⅱ,Non-Dominated Sorting Genetic Algorithm Ⅱ)算法对BP网络的初始权值和阈值进行优化,给出了应用该方法的步骤.通过仿真验证,这种NSGA-Ⅱ&BP融合的算法对青霉素发酵过程建模,能克服BP网络训练的缺陷,且所需训练次数大大减少.     

发酵过程的建模与优化方法研究

对于发酵这样一个复杂的非线性动态过程,由于在线传感器的缺乏,使得过程中的一些重要状态变量难以在线测量,从而给发酵过程的优化控制带来了极大困难。为此,提出了一种新型的动态网络—递归补偿模糊神经网络方法,实现对发酵过程的建模和状态估计,结果表明该网络能够较为准确地拟合过程的动态特性。进一步采用改进的蚁群算法来对发酵过程的控制变量进行优化,使发酵的产物产量得到提高。该方法应用于多粘菌素的发酵生产过程中,实现了状态变量的在线预估与控制变量的在线优化。     

青霉素发酵过程的粒子群模糊神经网络软测量

针对青霉素发酵过程中的基质浓度、菌体浓度、产物浓度等关键生物参数难以在线实时测量的问题,提出了一种基于粒子群模糊神经网络的软测量建模方法.采用模糊径向基函数-神经网络(RBF-NN)构建青霉素发酵的软测量模型,同时,结合改进粒子群优化训练算法(PSO),建立了青霉素反应过程的软测量模型,并对发酵工艺进行了仿真试验研究.仿真试验结果表明,所建立的软测量模型测量精度高、效果好,能够满足工程实际的要求.     

糖厂澄清过程中和pH值控制的RBF神经网络建模研究

澄清工段是亚硫酸法生产蔗糖的关键过程之一,由于该过程是一个复杂的物理、化学过程,具有多输入、大滞后、强非线性、时变参数等特点,因此难以建立其精确的数学模型。为此本文采用径向基函数神经网络（Radial Basis Function NeuralNetwork,RBFNN）来建立该过程的神经网络模型。模型测试结果表明：采用该方法所建的模型精度较高、泛化能力较好,为解决复杂系统的建模问题提供了一种新途径。     

花生四烯酸发酵过程的建模方法研究

对发酵法生产花生四烯酸的建模方法进行了初步研究,并基于四种温度下的试验数据,建立了发酵过程模型.比较分析了最小二乘支持向量机( LS-SVM)和广义回归神经网络(GRNN)这两种方法的特点.结果表明,这两种方法均能较好地建立该发酵过程的模型,LS-SVM建模的预测能力稍优于GRNN,为后续花生四烯酸发酵过程的优化及控制的研究奠定了基础.     

发酵过程的多模型融合建模算法

提出了利用多模型融合技术进行发酵过程建模的新方法， 该方法能够将在线参数和离线参数同时用于建模中． 首先给出了多模型融合建模算法框架， 并描述了基于自适应模糊神经网络和模糊推理技术两个参与融合的子模型的建立方法. 采用三个非线性函数分别运用GMDH-PTSV算法、傅里叶神经网络和多模型融合建模算法进行建模精度比较. 最后给出了多模型融合建模算法在青霉素发酵过程中应用的结果．     

一种实用的发酵过程建模方法

该文提出了同时利用在线参数和离线参数融合建模的实用新方法，给出了基于自适应模糊神经网络方法和模糊逻辑推理方法的建模过程，将两种建模方法进行最优加权融合，采用真实青霉素发酵过程数据进行模型验证，仿真结果表明了该方法具有较好的建模精度和实用性。     

木薯酒精发酵过程溶解氧的模型研究

针对木薯酒精发酵过程中溶解氧的模型难以建立的现状,将模糊技术与神经网络相结合,用自适应神经模糊推理系统(ANFIS)对溶解氧进行建模,使用混合学习算法对该模型进行学习,并用未经训练的数据进行模型验证。结果表明,该模型取得满意的逼近效果,具有一定的可操作性,能够较好的解决木薯酒精发酵过程中溶解氧的建模问题。     

基于RBF神经网络的热电偶建模方法

针对热电偶的测量精度问题,建立了热电偶传感器的数学模型。此数学模型采用RBF神经网络,利用带遗忘因子的梯度下降算法进行网络参数的调整,并给出了建模步骤。实际结果表明,该模型具有较高的精度。     

基于改进PSO的发酵过程同步串联混合建模

准确可靠的过程模型是实现发酵过程优化的基础和前提. 对于反应机理复杂的发酵过程,串联混合建模是一种相对有效的建模方法, 但现有方法需要利用插值所得的数据进行中间变量黑箱模型的构建, 较大程度地影响了所建混合模型的泛化性能. 为此,提出一种可将黑箱模型构建问题转化为动态模型参数辨识问题的同步串联混合建模方法, 从而避免了现有方法需利用插值数据来构建黑箱模型的不足; 通过引入多精英学习策略和惯性权重自适应调整策略, 构造了一种改进的粒子群优化(Particle swarm optimization, PSO)算法自适应多精英学习PSO (Adaptive multi-elite learning PSO, AMLPSO)算法,并采用该算法求取黑箱模型的参数; 借鉴均匀设计思想确定黑箱模型的结构. 利用诺西肽分批发酵过程实际生产数据进行实验研究, 结果验证了所提方法的有效性.     

化工过程建模中的一类复合型模糊神经网络

针对化工非线性过程建模问题,本文提出了一类由函数逼近和规则推理网络构成的复合型模糊神经网络,其规则网络基于过程先验知识用于对操作区间的划分,而函数网络采用改进型模糊神经网络结构完成非线性函数逼近。该技术已成功地用于某工业尿素ＣＯ２汽提塔液位建模。     

神经网络在生产过程建模中的应用

工业生产是一个非常复杂的过程,要想直接通过所测的海量数据来建立生产系统的解析式模型是不可行的,因此只有通过间接的方法如寻找等效模型,而神经网络具有很强的自学习和适应能力,能够从大量的历史数据中进行聚类和学习,进而找到某些行为变化的规律。本文对超滤膜分离中药成分进行了研究,利用BP神经网络对相关参数进行了仿真,并得出了对实际生产具有指导性意义的一些结论。