共查询到15条相似文献,搜索用时 454 毫秒
1.
为建立洋葱伯克霍尔德菌(Burkholderia cepacia)脂肪酶发酵过程的软测量模型,运用BP神经网络对洋葱伯克霍尔德菌脂肪酶的发酵过程进行软测量建模,并利用遗传算法对神经网络的初始权值和阈值进行优化,实现模型加快收敛速度,达到全局最优解效果.该模型能够比较精确地模拟菌体生长、底物消耗以及发酵产酶的过程动态,具有良好的泛化能力,说明BP神经网络结合遗传算法在洋葱伯克霍尔德茵脂肪酶发酵过程的模拟与预测中是一种高效快速的方法. 相似文献
2.
根据L-缬氨酸发酵过程的实验数据,利用BP神经网络进行训练,建立实验模型,实时获取生化变量的预测值并进行验证.结果表明,运用BP神经网络对L-缬氨酸发酵过程进行模拟,所建立的模型能比较精确地模拟菌体生长、底物消耗及发酵产酸过程的变化,可以为L-缬氨酸发酵生产过程提供动态模拟,具有重要的实用价值. 相似文献
3.
4.
为了解决谷胱甘肽发酵过程建模中,由于试验数据含有噪音而导致的模型预测精度下降的问题,运用CCTSK模糊神经网络对谷胱甘肽发酵过程进行建模,并与BP神经网络进行对比.实验证明:CCTSK模糊神经网络具有更高的可解释性和良好的鲁棒性. 相似文献
5.
6.
7.
建立BP神经网络模型模拟啤酒酿造过程中糖度变化和乙醇浓度变化.将啤酒酿造过程中的发酵温度、麦汁浓度、接种量及发酵时间作为输入数据,将糖度变化和乙醇浓度的变化作为输出数据,运用BP神经网络建立啤酒酿造过程的模型.使用此模型模拟了主酵温度8℃、麦汁浓度11°P、接种量为2×107个/mL时糖度变化和乙醇浓度变化,结果糖度预测的均方根误差为2.66%,乙醇浓度预测的均方根误差为14.60%.结果表明,使用此模型能够准确预测啤酒酿造过程糖度变化和乙醇浓度的变化. 相似文献
8.
目的:解决目前分段摘酒过程依赖人工“看花摘酒”,酒精度检测不准确的问题。方法:设计搭建基于酒精度建模的分段摘酒系统,研究采集音叉在不同模态不同浓度酒精溶液内的音叉频率值、音叉内置温度值,酒精溶液温度值和动态条件下泵转速值,基于最小均方算法(LMS)和长短期记忆网络(LSTM)实现音叉频率自适应滤波和动态补偿,基于改进遗传算法优化BP神经网络(IGA-BP)建立酒精度预测模型。结果:模型在迭代次数和预测精度上优于传统遗传算法优化BP神经网络和BP神经网络建立的酒精度预测模型,酒精度平均预测误差为0.381。结论:基于改进遗传算法优化BP神经网络(IGA-BP)建立酒精度数预测模型具有合理性。 相似文献
9.
由于BP神经网络存存训练时间长、易陷入局部极小点问题,本文将IQPSO与BP算法相结合,给出了其用于建立青霉素浓度的预估模型.用青霉素发酵数据集对模型进行训练与检验.实验表明,该发酵过程模型训练误差小、学习速度快、泛化能力强、预测精度高、可以实现多步预估. 相似文献
10.
为了进一步提高三孢布拉霉高产突变株的番茄红素产量,本研究基于BP神经网络和遗传算法对发酵培养基的组成进行了优化。比较不同碳源、氮源、植物油对番茄红素产量和生物量的影响,确定最佳碳源、氮源和植物油。利用49组样本数据,建立以玉米粉、玉米浆、大豆油、磷酸二氢钾、硫酸镁为输入变量,番茄红素体积产量为输出变量的BP神经网络,并以建好的BP神经网络模型为适应度函数,利用遗传算法进行寻优。经过优化,得出番茄红素最大预测产量为1.27 g/L,经验证,与实际产量误差在5%以内,较优化前提高了31.6%。此时,玉米粉、玉米浆干粉、大豆油、磷酸二氢钾、硫酸镁的含量分别为41.2、8.93、26.5、1.39、0.46 g/L。因此,BP神经网络结合遗传算法是番茄红素发酵培养基优化的有力工具,番茄红素产量显著提高。 相似文献
11.
12.
13.
Most acetic acid found in beer is produced by yeast during fermentation. It contributes significantly to beer taste, especially when its content is higher than the taste threshold in beer. Therefore, the control of its content is very important to maintain consistent beer quality. In this study, artificial neural networks and support vector machine (SVM) were applied to predict acetic acid content at the end of a commercial‐scale beer fermentation. Relationships between beer fermentation process parameters and the acetic acid level in the fermented wort (beer) were modelled by partial least squares (PLS) regression, back‐propagation neural network (BP‐NN), radial basis function neural network (RBF‐NN) and least squares‐support vector machine (LS‐SVM). The data used in this study were collected from 146 production batches of the same beer brand. For predicting acetic acid content, LS‐SVM and RBF‐NN were found to be better than BP‐NN and PLS. For the comparison of RBF‐NN and LS‐SVM, RBF‐NN had a better reliability of model, but lower reliability of prediction. SVM had better generalization, but lower reliability of model. In summary, LS‐SVM was better than RBF‐NN modelling for the prediction of acetic acid content during the commercial beer fermentation in this study. Copyright © 2013 The Institute of Brewing & Distilling 相似文献
14.
为快速估测出发酵液中透明质酸含量,对发酵液中透明质酸含量与菌体量、浊度、粘度、电导率、还原糖含量进行相关性分析及偏相关性分析,选择与透明质酸含量相关性最为显著指标构建一元线性回归、二次项曲线回归以及BP神经网络数学模型,并对模型估测发酵液中透明质酸含量进行验证。结果表明:在显著性水平P<0.01下,发酵液浊度、电导率与透明质酸含量不存在相关性;菌体量与透明质酸含量存在虚假性相关;粘度及还原糖含量与透明质酸含量显著相关,系数分别为0.984、-0.869,粘度与透明质酸含量相关性最为显著,可作为估测发酵液中透明质酸含量的唯一指标;利用三种数学模型对发酵液中透明质酸含量进行估测验证表明BP神经网络模型的估测最为准确,方差仅为1.89×10-2,通过测定发酵液粘度可快速准确估测出发酵液中透明质酸含量。 相似文献
15.
基于神经网络的大生产规模啤酒发酵过程建模 总被引:3,自引:1,他引:3
应用神经网络建立了啤酒发酵过程发酵度及主要风味物质产生量的预测模型。建立的发酵度模型有很好的仿真能力和较好的预测能力。在建立的4个风味物质模型中,异戊醇和乙酸乙酯模型的仿真能力和预测能力都比较强,双乙酰和乙醛模型的仿真能力和预测能力都比较差,需要进一步研究。 相似文献