基于连续隐Markov模型的发酵过程关键状态变量软测量

基于贝叶斯LS-SVM的海洋生物酶发酵过程软测量建模黄永红;宋心雷【期刊名称】《仪表技术与传感器》【年(卷),期】2014(000)008【摘要】针对海洋生物酶发酵过程关键生物参数(如基质浓度、菌体浓度等)难以实现直接在线测量的问题,提出了一种基于贝叶斯准则的最小二乘支持向量机(LS-SVM)软测量建模方法.以典型的海洋生物酶—海洋蛋白酶为研究对象,在分析海洋蛋白酶发酵过程机理的基础上,确定了发酵过程软测量模型的辅助变量和主导变量.考虑到在LS-SVM建模中,正规化参数和核参数的优化是建模的难点,采用贝叶斯准则对LS-SVM参数进行优化,进而建立了基于贝叶斯准则的LS-SVM软测量模型.仿真验证结果表明,该模型比传统的LS-SVM具有更高的预测精度和泛化能力.【总页数】4页(P92-94,110)【作者】黄永红;宋心雷【作者单位】江苏大学电气信息工程学院,机械工业设施农业测控技术与装备重点实验室,江苏镇江212013;江苏大学电气信息工程学院,机械工业设施农业测控技术与装备重点实验室,江苏镇江212013【正文语种】中文【中图分类】TP273【相关文献】1.贝叶斯证据框架下LS-SVM的BPMSM磁链建模 [J], 孙晓东;陈龙;杨泽斌;朱熀秋;嵇小辅2.贝叶斯证据框架下的LS-SVM多工况数控机床热误差建模 [J], 余文利;姚鑫骅;傅建中;孙磊3.海洋生物酶发酵过程关键生物参数的软测量 [J], 孙丽娜;黄永红;丁慎平;刘骏4.基于KPCA-DFNN海洋微生物发酵过程软测量建模 [J], 孙丽娜;黄永红;蒋星红;冯培燕5.贝叶斯证据框架下LS-SVM方法在秸秆发酵制乙醇浓度预测中的寻优轨迹研究[J], 孙正凤;窦如凤;刘增元因版权原因，仅展示原文概要，查看原文内容请购买。

基于PSO-ANN逆的发酵过程软测量建模黄丽;孙玉坤;黄永红;嵇小辅;王博【摘要】针对发酵过程中一些关键生化参量难以通过常规仪表实时测量,而制约发酵生产过程优化控制的问题,提出一种基于粒子群神经网络逆(PSO-ANN逆)的发酵软测量建模方法,以青霉素发酵过程为背景,首先建立其虚拟予系统数学模型,并构建发酵过程逆模型；其次,提出PSO-ANN逆的软测量实现方法,以克服解析法逆运算的复杂性甚至难于实现的问题；最终构建PSO-ANN逆软测量模型,并进行试验及仿真.结果表明:该软测量建模方法能够将机理建模与数据驱动建模方法相结合,充分利用对象模型的先验知识和经验数据,有效解决了青霉素发酵过程中不可在线测量的关键参量实时测量难题,其训练和测试误差分别达到0.037 2和0.046 1,模型具有较高的预测精度和较强的预测能力.%To solve the difficulty of measuring the key biological parameters on line by conventional instruments, a soft sensor modeling method was proposd based on PSO-ANN inversion to realize optimal control in biological fermentation. The mathematical model of assumed subsystem for penicillin fermentation was established to give the inverse model of fermentation. To solve the complex operation of inversion, the soft sensor method based on PSO-ANN inversion was proposed. The PSO-ANN inverse model was finally established to complete simulation and experiments. The results show that the prior knowledge and empirical data can be entirely used by the soft sensor modeling method to measure the key parameters. The proposed model shows high precision and good performance with training error of 0.037 2 and testing error of 0. 046 1.【期刊名称】《江苏大学学报（自然科学版）》【年(卷),期】2012(033)003【总页数】5页(P300-304)【关键词】发酵;软测量;粒子群;逆系统;建模【作者】黄丽;孙玉坤;黄永红;嵇小辅;王博【作者单位】江苏大学电气信息工程学院,江苏镇江212013;南京工程学院,江苏南京211167;江苏大学电气信息工程学院,江苏镇江212013;江苏大学电气信息工程学院,江苏镇江212013;江苏大学电气信息工程学院,江苏镇江212013【正文语种】中文【中图分类】TP18发酵过程是一个高度非线性、时变、多变量、强耦合的复杂生化反应过程.由于包含生命体的生长繁殖，内部机理非常复杂.一些直接反映发酵过程品质的关键参量难以通过传统测量方法实时检测，成为制约发酵过程优化控制的瓶颈问题，严重影响生物反应过程的自动化生产.这些参量常需经实验室离线取样分析，数据测量值受取样间隔影响，滞后大，特别是实际操作中取样易引起发酵染菌［1］.采用软测量方法是解决上述参量实时测量问题的有效途径.文献［2-4］均利用各种软测量建模方法对发酵过程关键参量测量展开研究，但这些方法大都基于数据驱动软测量构建模型，属于“黑箱”建模，模型精度过多依赖于样本数据;若能够将发酵机理和数据驱动软测量建模方法有效结合起来，构建基于机理的“灰箱”软测量模型，既可避免完全基于发酵机理建模的复杂性，又可发挥数据驱动软测量建模结构简单、易实现的优点.文中拟将软测量技术运用于发酵过程中关键参量的实时测量，提出一种将逆系统、粒子群算法和神经网络相结合的建模方法，构建基于粒子群神经网络逆(particle swarm optimization artificial neural network inversion，PSO-ANN逆)的软测量模型，并进行青霉素发酵过程关键参量软测量的测试仿真.1 数学模型及可逆性分析对如青霉素发酵这样的生化过程，要想建立精确的数学模型是非常困难的.Constantinides等学者先后用各种方法建模，由R.Bajpai和M.Reuss于1980年建立的青霉素模型被公认为最能反映发酵过程宏观特性的动力学模型［5-6］，其灰箱模型如下:式中:ρX，ρS，ρP分别为菌体、基质和产物的质量浓度，g·L-1;V 为发酵液体积，L;c L，c(CO2)，c(H+)分别为溶解氧、二氧化碳和氢离子浓度;f cs，f gl，f as，f co，f w分别为玉米浆、葡萄糖、硫酸铵、玉米油和纯化水的流加速率.比生长率μ和μPP，B及转移系数K la分别表示为其他参数均视为常数，符号含义与文献［5］一致.令 x=［x1，x2，x3，x4，x5，x6，x7］T=［ρX，ρS，ρP，c L，c(CO2)，c(H+)，V］T，u=dd V t，则式(1)中，x4，x5，x6，x7为可用物理或化学传感器测得的量，而x1，x2，x3为不直接可测量，为实现其实时检测，建立软测量模型.假设在原生化反应过程内存在一个虚拟子系统，该系统以x1，x2，x3 为输入，x4，x5，x6，x7 为输出，其逆系统就是所要建立的软测量模型.记z=［z1，z2，z3］T=［x7，x4，x6］T，x^= ［x1，x2，x3］T，由式(1)并结合文献［7］建模方法，可构建虚拟子系统模型为其中:由于，则此虚拟子系统可逆，其逆模型为式(11)即为基于发酵机理的软测量模型，可实现对^x的软测量.2 基于PSO-ANN逆的软测量模型为避免逆系统(11)解析逆的求解困难，采用粒子群［8-10］优化神经网络(PSO-ANN)并与逆系统复合，构建PSO-ANN逆软测量模型，如图1所示.根据式(11)，该模型有17个辅助变量，3个主导变量，其中，［u1，u2，u3，u4，u5］T=［f cs，f gl，f as，f co，f w］T，^x1，^x2，^x3分别为ρX，ρS，ρP 的软测量值.图1 基于PSO-ANN逆的青霉素发酵软测量模型粒子群算法(PSO)于1995年由 Kennedy和Eberhart博士提出，其概念源于对鸟群和鱼群捕食行为的研究.假设在一个D维目标搜索空间中，有m个粒子组成一个群落，每个粒子被视为搜索空间中的一点，并以一定速度飞行.x i=(xi1，xi2，…，xiD)为粒子当前位置;p i=(pi1，pi2，…，piD)为个体极值;p g=(pg1，pg2，…，pgD)为全局极值;粒子速度为 v i=(vi1，vi2，…，viD).粒子根据以下方程更新速度和位置:式中:i=1，2，…，m;k=1，2，…，K max(K max为最大迭代次数);d=1，2，…，D;c1，c2为非负常数;r1，r2为服从均匀分布的两个独立随机数;ω为惯性权重.PSO-ANN逆模型中的神经网络(ANN)采用应用最为广泛的BP网络，但标准BP网络收敛速度较慢，易陷入局部极小值，泛化性能较差.PSO算法通过群体中粒子间的合作与竞争来搜索全局最优解.将BP网络的权值和阈值映射为一群粒子x i=［˜ω，θ］i.每个粒子的维数表示网络中起连接作用的权的数量与网络阈值数量之和.用PSO算法训练神经网络，可以充分发挥其全局寻优能力和局部快速收敛优势.粒子在权值和阈值空间内移动搜索使得神经网络输出层误差最小，根据图2步骤实现PSO-ANN逆模型中˜ω，θ的参数选择.图2 PSO-ANN逆软测量模型参数优化流程图3 试验与仿真青霉素发酵试验各批次发酵时间180～200 h不等，罐压保持在0.04～0.06 MPa，温度控制在25±0.5℃，电机转速为120 r/min.由流量传感器、溶氧电极、CO2气敏电极、［H+］玻璃电极等以30 min一次的速率采集玉米浆、葡萄糖、硫酸铵、玉米油和纯化水的流加速率，以及溶解氧、CO2、［H+］浓度等数据.对于所需的各阶导数数据，采用五点数值求导法计算获得.每4 h离线取样一次发酵液，通过实验室分析测定获得发酵过程中菌体、基质和产物质量浓度.共采集10个批次，460组数据，剔除32组有明显误差的数据，剩余428组数据用作软测量建模仿真验证.经数字滤波、归一化处理后，将数据分为2部分，其中90%作为软测量模型训练样本集，其余10%作为测试样本集.根据图1建立青霉素发酵PSO-ANN逆软测量模型.经过反复训练最终确定BP网络采用17-29-1的拓扑结构.为了对比该软测量模型性能，用ANN逆软测量模型和PSO-ANN软测量模型分别对相同样本预测输出情况.其中PSO-ANN软测量模型输入量为c(H+)、c(CO2)、c L 和 f gl，网络结构为 4-7-1.预测结果如图3-5所示.比较可得，图3的软测量值能更好地跟踪试验值，拟合程度优于图4，说明采用PSO算法优化后的网络性能优于单纯的神经网络，可避免局部最优等问题，提高神经网络的泛化和学习能力;图5相对于图3、图4而言，虽然预测趋势与实际发酵过程基本相符，但预测值与试验值偏离较大，说明基于纯数据驱动的“黑箱”软测量模型在预测精度和泛化能力上略低于基于发酵反应过程机理的“灰箱”软测量模型精度，这表明PSO-ANN逆软测量模型由于包含有发酵过程机理，能充分利用对象模型的先验知识，再结合经验数据，更能反映实际发酵过程，因此软测量精度更高、预测能力更强，所以文中对发酵过程的软测量建模着眼于对象内部机理，而不是纯粹数据驱动方法.表1为不同软测量模型下的产物浓度均方根误差(RMSE)对比，从表中可以清楚地看到，PSO-ANN逆软测量模型下训练和测试误差分别为0.037 2和0.046 1，均小于其他两种软测量模型下的误差，这也充分说明PSO-ANN逆软测量模型有较高的预测精度和较强的预测能力.表1 软测量模型误差对比RMSE PSO-ANN逆软测量模型训练样本RMSE 测试样本0.037 2 0.046 1 ANN逆 0.048 3 0.059 2 PSO-ANN 0.058 7 0.063 94 结论1)根据青霉素发酵过程的动力学方程，可构建发酵过程虚拟子系统数学模型.2)研究虚拟子系统的可逆性，将发酵过程机理与试验样本结合，提出用PSO-ANN 逆构造虚拟子系统逆的软测量方法.3)PSO-ANN逆软测量模型，采用PSO算法优化选取ANN模型参数，避免了网络易陷入局部最优的缺陷，提高了ANN模型的泛化能力和学习能力.4)仿真结果表明，所构建PSO-ANN逆软测量模型，由于充分利用对象模型的先验知识和经验数据，互相取长补短，克服了各自的局限性.因此该软测量模型更加完善，相对于单纯数据驱动的软测量模型，具有更高的学习精度、更准确的预测能力和更强的泛化能力，可实现青霉素发酵过程关键参量的实时测量.参考文献(References)【相关文献】［1］郑琦，卢卫红，辛平，等.生物传感器在环境监测和发酵工业中的应用［J］.仪器仪表学报，2006，27(12):1746-1748.Zheng Qi，Lu Weihong，Xin Ping，et al.Applications of biosensor in environmental monitoring and fermentation industry［J］.Chinese Journal of Scientific Instrument，2006，27(12):1746-1748.(in Chinese)［2］杨强大，王福利，常玉清.基于改进BP神经网络的菌体浓度软测量［J］.控制与决策，2008，23(8):869-873.Yang Qiangda，Wang Fuli，Chang Yuqing.Soft sensor of biomass based on improved BP neural network［J］.Control and Decision，2008，23(8):869-873.(in Chinese) ［3］黄丽，孙玉坤，嵇小辅，等.基于CPSO与LSSVM融合的发酵过程软测量建模［J］.仪器仪表学报，2011，32(9):2066-2070.Huang Li，Sun Yukun，Ji Xiaofu，et al.Soft sensor modeling of fermentation process based on the combination of CPSO and LSSVM［J］.Chinese Journal of Scientific Instrument，2011，32(9):2066-2070.(in Chinese)［4］刘国海，周大为，徐海霞，等.基于SVM的微生物发酵过程软测量建模研究［J］.仪器仪表学报，2009，30(6):1228-1232.Liu Guohai，Zhou Dawei，Xu Haixia，et al.Soft sensor modeling using SVM in fermentation process［J］.Chinese Journal of Scientific Instrument，2009，30(6):1228-1232.(in Chinese)［5］Birol Gülnur，Ündey Cenk，Çinar Ali.A modular simulation package for fed-batch fermentation:penicillin production［J］.Computer and Chemical Engineering，2002，26(11):1553-1565.［6］ Bajpai R，Reuss M.A mechanistic model for penicillin production［J］.Journal of Chemical Technology and Biotechnology，1980，30:332-344.［7］ Dai Xianzhong，Wang Wancheng，Ding Yuhan，et al.“Assumed inherent sensor”inversion based ANN dynamic soft-sensing method and its application in erythromycin fermentation process［J］.Computers and Chemical Engineering，2006，30(8):1203-1225.［8］ Eberhart Russell C，Shi parison between genetic algorithms and particle swarm optimization［C］∥Proceedings of the Seventh Annual Conference on Evolutionary Programming.San Diego:［s.n.］，1998:611-616.［9］张春晓，张涛.基于最小二乘支持向量机和粒子群算法的两相流含油率软测量方法［J］.中国电机工程学报，2010，30(2):86-91.Zhang Chunxiao，Zhang Tao.Soft measurement method for oil holdup of two phase flow based on least squares support vector machine and particle swarm optimization［J］.Proceedings of the CSEE，2010，30(2):86-91.(in Chinese) ［10］ Ababneh J I，Bataineh M H.Linear phase FIR filter design using particle swarm optimization and genetic algorithms［J］.Digital Signal Processing，2008，18(4):657-668.。

基于改进布谷鸟算法-BP神经网络的松茸发酵过程软测量建模朱湘临;宋彦;王博;丁煜函;朱莉;姜哲宇;陈威【摘要】针对松茸发酵过程中关键参量难以实时在线检测的难题,提出了一种基于改进布谷鸟算法(CS)与改进BP神经网络(BPNN)相结合的松茸菌丝生物量软测量建模方法;首先采用两阶段动态发现概率法对传统CS进行改进,平衡CS的全局搜索与局部搜索能力;然后引入附加动量和动态调整学习率对BPNN进行改进,提高BPNN参量的修正精度;最后,通过CS算法获取BPNN的初始权值和阈值,并由权值修正公式(附加动量与动态学习率相结合)对权值进行动态修正;仿真结果表明,改进的CS-BPNN软测量模型在预测精度提高了6％以上,能够实现松茸发酵过程实时在线测量的需求.【期刊名称】《计算机测量与控制》【年(卷),期】2019(027)005【总页数】5页(P39-43)【关键词】松茸;布谷鸟算法;软测量;BP神经网络【作者】朱湘临;宋彦;王博;丁煜函;朱莉;姜哲宇;陈威【作者单位】江苏大学电气信息工程学院,江苏镇江212013;江苏大学电气信息工程学院,江苏镇江212013;江苏大学电气信息工程学院,江苏镇江212013;江苏大学电气信息工程学院,江苏镇江212013;江苏大学电气信息工程学院,江苏镇江212013;无锡太湖水务有限公司,江苏无锡214000;江苏大学电气信息工程学院,江苏镇江212013【正文语种】中文【中图分类】TP30 引言松茸作为一种珍贵的食药两用真菌，因其自身特有的抗肿瘤、抗衰老、改善免疫系统功能等功效而大受人们喜爱[1]。

随着我国对松茸需求量的日益增大，传统的培养方式已远远不能满足人们对松茸的需求。

松茸液态深层发酵和其他传统生产方式相比，具有菌丝体生长周期短、产量高、污染小等优越性，并且通过液体深层发酵获得的菌丝体在营养价值上与野生子实体相近。

然而，由于发酵过程的高度时变性和不确定性，目前，关键生物参量还难以实时在线测量。

隐马尔可夫模型的步骤
隐马尔可夫模型（HiddenMarkovModel）是一种描述序列数据的统计模型。

它的应用范围很广，例如语音识别、自然语言处理、生物信息学等领域。

下面是隐马尔可夫模型的步骤：
1. 确定模型参数：隐马尔可夫模型包括状态转移概率矩阵A、发射概率矩阵B和初始状态概率向量π。

这些参数需要通过训练数据进行估计。

2. 确定观测序列：观测序列是模型要处理的数据，通常用符号序列表示，例如语音信号的频率、文本中的单词等。

3. 定义状态空间：状态空间是指模型中所有可能的状态的集合。

每个状态都对应着一个观测值或一组观测值。

4. 确定状态转移概率矩阵A：状态转移概率矩阵A描述了模型中状态之间的转移概率。

对于每个状态，它可以转移到自身或其他状态。

通过训练数据，可以估计出不同状态之间的转移概率。

5. 确定发射概率矩阵B：发射概率矩阵B描述了模型中每个状态产生观测值的概率。

对于每个状态，它可以产生不同的观测值。

通过训练数据，可以估计出每个状态产生不同观测值的概率。

6. 确定初始状态概率向量π：初始状态概率向量π表示模型开始时处于不同状态的概率。

通过训练数据，可以估计出模型开始时处于不同状态的概率。

7. 应用模型：在得到模型参数后，可以用隐马尔可夫模型进行预测。

给定一个观测序列，可以通过模型计算出最可能的状态序列。

这可以用于语音识别、手写识别、自然语言处理等领域。

以上是隐马尔可夫模型的步骤，通过这些步骤可以建立一个可以处理序列数据的统计模型，并应用于不同领域的实际问题中。

专利名称：一种基于快速成分迁移学习的发酵过程软测量建模方法
专利类型：发明专利
发明人：刘毅,戴云,朱佳良
申请号：CN202111633686.4
申请日：20211228
公开号：CN114334024A
公开日：
20220412
专利内容由知识产权出版社提供
摘要：本发明公开了一种基于快速成分迁移学习的发酵过程软测量建模方法，包括以下步骤：1)获取青霉素数据；2)青霉素数据的预处理以及数据集划分；3)适配源域和目标域的边缘分布；4)建立基于正则化极限学习机的软测量模型；5)模型表现评估。

本发明基于迁移成分分析方法，减小了源域和目标域的特征分布距离，使得两组数据的特征分布相似。

随后采用正则化极限学习机方法在映射后的源域数据上建立软测量模型，并预测目标域青霉素的浓度。

申请人：浙江工业大学
地址：310014 浙江省杭州市拱墅区朝晖六区
国籍：CN
代理机构：杭州浙科专利事务所(普通合伙)
代理人：汤明
更多信息请下载全文后查看。

隐Markov模型在生物信息中的应用及其算法的改进的开题报告题目：隐Markov模型在生物信息中的应用及其算法的改进摘要：隐Markov模型（Hidden Markov Model，HMM）是一种常用的分类和预测方法，在生物信息学领域也有广泛的应用。

本文将介绍隐Markov模型的基本原理和生物信息学中的应用，探讨现有算法的局限性及改进方向，提出一种改进的算法，并通过实验验证其性能的提升。

关键词：隐Markov模型；生物信息学；分类；预测；算法改进一、背景隐Markov模型（HMM）是一种基于概率论的统计模型，最早由S.E. K. Dealer和A. Baumberg于1974年提出，用于语音识别和自然语言处理。

隐Markov模型在计算机科学、信号处理、统计学、物理学、生物信息学等领域有广泛的应用。

隐Markov模型是一个包含隐藏状态的模型，它的输出只能由概率计算得出。

在隐Markov模型中，由一些状态连接一些输出。

状态之间的转移和输出的选择都是基于概率的。

因此，隐Markov模型可以描述一个过程，这个过程是在给定一些输入的情况下进行的，这些输入可能是有噪声的。

因此，隐Markov模型可以用于识别和预测，尤其是在有时序性、结构复杂的数据上，表现出了很好的效果。

生物信息学是应用计算机科学和数学工具研究生命科学问题的一门学科。

生物信息学中的任务包括DNA序列比对、蛋白质结构预测、基因定位和功能预测等。

隐Markov模型在生物信息学中的应用包括蛋白质和DNA序列的分类和识别、生物通路分析、基因和蛋白质结构的预测等领域。

二、研究内容本文将介绍隐Markov模型的基本原理和在生物信息学中的应用，重点探讨现有算法的局限性及改进方向，提出一种改进的算法，并通过实验验证其性能的提升。

具体内容如下：（1）隐Markov模型的基本原理介绍隐Markov模型的定义、状态转移概率、输出概率等基本概念，以及隐Markov模型的三个基本问题：概率计算问题、精确匹配问题和状态路径问题。

介绍了各种软测量的基本方法,及建模中常出现的一些问题软测量技术本质上说是一个建模问题，即通过构造某种数学模型，描述可测变量与不可测的被估变量之间的函数关系。

而软仪表就是根据已经建好的数学模型利用计算机软件以过程可测变量数据为基础实现对被估变量的估计。

因此，软测量技术的基础就是根据某种最优准则选择跟被估变量既有密切关系又易测量的可测变量。

这些可测变量通常被称为辅助变量191。

软测量技术发展至今大体有以一下四种方法:1.基于工艺机理模型的方法。

在对过程工艺机理深刻认识的基础上，通过分析对象的机理，找出辅助变量与估计变量之间的函数关系。

2.基于回归模型的方法。

通过对实验或仿真的结果进行数据处理，可以得到辅助变量与估计变量的回归模型。

3.基于状态估计的方法。

如果把被估变量看作状态变量，把可测变量看作输出变量，那么依据可测变量去估计被估变量的问题就是控制理论中典型的状态观测或估计命题。

采用Kalman滤波器是一种可取的手段【io14.基于知识的方法。

尽管ANN(人工神经网络))gr1不是习惯意义上的数学模型，但可以很好地复现各种非线性特性。

我们可以把辅助变量作为神经网络的输入，将估计变量作为神经M络的输出，通过网络的学习来解决被估变量的软测量问题。

通过采用软测量技术不仅解决了许多检测难题，并具有下列优点:一是不象某些成分仪表那样需要精心维护;二是动态响应迅速;三是能够连续地给出示数。

在软测量方法中，辅助夺量的类型、数目、测点位置的选择，过程数据的采集与处理等因素都会严重影响软仪表的性能。

随着对象特性的变化和工作点的漂移，在使用过程中，还需要对软仪表进行校正以适rN-y新的工况。

1.2.3数学建模数学模型是描述被控对象运行过程的数学表达式，它是实现优化的基本依据，没有一个确切的数学模型，就不能对系统进行定量的分析研究。

常用的数学模型有微分方程表达式(或差分方程表达式)、传递函数表达式、状态空间表达式[91一般来说，建立系统数学模型的方法有三种，这些方法既可以单独使用，也可以混合使用:(1)机理分析法(Mechanism Analysis Method)。

基于GD-FNN的微生物发酵过程软测量建模黄永红;孙丽娜;孙玉坤;聂文惠【摘要】针对微生物发酵过程关键生物参数(如菌体浓度、基质浓度、产物浓度等)难以直接在线测量的问题,提出了一种基于广义动态模糊神经网络(GD-FNN)的软测量建模方法.GD-FNN算法基于椭圆基函数(EBF),以模糊-完备性作为在线参数分配机制.该方法学习时参数调整和结构辨识同时进行,并能自动地确定模糊规则从而达到系统的特定性能.文中以青霉素发酵过程为研究对象,应用一致关联度法确定软测量模型的辅助变量后,建立了GD-FNN软测量模型.仿真结果表明,基于GD-FNN 的软测量建模比基于径向基(RBF)神经网络的软测量建模运算速度快、预测精度高、泛化能力强.【期刊名称】《仪表技术与传感器》【年(卷),期】2013(000)012【总页数】5页(P173-177)【关键词】广义动态模糊神经网络;一致关联度;青霉素;软测量【作者】黄永红;孙丽娜;孙玉坤;聂文惠【作者单位】江苏大学电气信息工程学院,江苏镇江212013;江苏大学电气信息工程学院,江苏镇江212013;江苏大学电气信息工程学院,江苏镇江212013;江苏大学电气信息工程学院,江苏镇江212013【正文语种】中文【中图分类】TP2730 引言微生物发酵过程具有非线性、时变性和不确定性，要实现对微生物发酵过程的进一步优化控制，必须获得足够的发酵过程信息。

目前，微生物发酵过程能够实时在线测量的参数仅局限于某些物理、化学参数，而对于影响发酵产品品质的生物参数(如菌体浓度、基质浓度和产物浓度等)还没有成熟实用的在线测量仪器用来测量。

离线化验时滞性很大，无法满足现场实时优化控制的需要，采用软测量技术是解决此问题的出路之一［1－2］。

软测量建模是软测量技术的核心问题。

目前，建模方法主要分为机理建模、数据驱动建模、混合建模3种［3］。

径向基(Radial Basis Function，RBF)神经网络软测量建模是近年来应用很广泛的一种数据驱动建模方法，但是该方法计算量大，泛化能力低［4］。

生物发酵过程中VIP优化神经网络逆系统的软测量方法于霜;刘国海;梅从立;程锦翔【摘要】针对生物发酵过程中生化变量难以在线检测的问题,提出一种基于变量投影重要性( Variable importance in the project,VIP)方法优化的神经网络逆系统软测量模型. 根据逆系统理论建立发酵过程生化变量的软测量模型,由于发酵系统的复杂性,逆系统软测量模型具有不惟一性,且难以得到精确的表达式. 文中提出采用VIP方法对逆系统软测量模型的辅助变量进行优选,以对主变量贡献率较高的变量作为软测量模型的辅助变量,离线采集发酵过程各变量值,训练神经网络近似逆系统软测量模型,得到优化的神经网络逆系统软测量模型,实现发酵过程中菌体浓度和基质浓度的在线估计. 利用Pensim平台采集数据,对所提方法做了仿真实验,结果表明:经过优化辅助变量的神经网络逆系统软测量方法具有更高的估计精度和泛化能力.%To solve the online measuring of biochemical variables in the fermentation process, a neural network inverse soft sensing method which is optimized using the variable importance in the project( VIP) is proposed. According to the inverse system theory,a soft sensing model of biochemical variables is constructed. Due to the complexity of the fermentation process,the soft sensing model is not unique and not exact. This paper proposes that secondary variables should be optimized using the VIP method. The variables which have greater contribution to key variables are selected as the secondary variables of the soft sensing model. This paper collectes the fermentation process data offline and trains neural network approximating complex soft sensing model. The optimal neural network inverse system soft sensing model is obtained. It can estimate themycelium concentration and substrate concentration online. Numerical simulations based on the Pensim data platform show that the optimal soft sensing model has higher estimation accuracy and stronger generation ability.【期刊名称】《南京理工大学学报（自然科学版）》【年(卷),期】2015(034)004【总页数】5页(P447-451)【关键词】变量投影重要性;神经网络逆系统;软测量;发酵过程;内含传感器;变量筛选;在线检测【作者】于霜;刘国海;梅从立;程锦翔【作者单位】苏州工业职业技术学院机电工程系,江苏苏州215104;江苏大学电气信息工程学院,江苏镇江212013;江苏大学电气信息工程学院,江苏镇江212013;江苏大学电气信息工程学院,江苏镇江212013【正文语种】中文【中图分类】TP273生物发酵过程具有复杂性、时变性和不确定性,发酵过程的菌体浓度、基质浓度等关键生化变量的在线测量对发酵过程的优化控制[1],提高产品的产量与质量具有重要的作用。

海洋生物酶发酵过程关键生物参数的软测量孙丽娜;黄永红;丁慎平;刘骏【摘要】针对海洋生物酶发酵过程中关键生物参数在线测量困难、离线化验滞后大,难以实现实时控制问题,提出一种贝叶斯正则化神经网络软测量建模方法.通过贝叶斯正则化修正神经网络训练性能函数,限制网络权值,简化了网络结构,从而有效地抑制过拟合,提高网络泛化能力.以典型的海洋生物酶—海洋蛋白酶为例,建立了海洋蛋白酶发酵过程关键生物参数(基质浓度、菌体浓度、酶活)软测量模型.结果表明:贝叶斯正则化神经网络不仅对训练样本集表现出很强的拟合能力,且对预测样本同样表现出很强的推广能力;在预测精度上明显高于LM算法的神经网络,解决了海洋生物酶发酵过程关键生物参数在线测量问题.【期刊名称】《传感器与微系统》【年(卷),期】2018(037)009【总页数】3页(P136-138)【关键词】贝叶斯正则化;神经网络;关键生物参数;软测量【作者】孙丽娜;黄永红;丁慎平;刘骏【作者单位】苏州工业园区职业技术学院机电工程系,江苏苏州215123;江苏大学电气信息工程学院,江苏镇江212013;苏州工业园区职业技术学院机电工程系,江苏苏州215123;苏州工业园区职业技术学院机电工程系,江苏苏州215123【正文语种】中文【中图分类】TP2730 引言海洋生物酶[1～3]发酵过程具有非线性、时变性、强耦合和不确定性等特点。

许多关键生物参数，如菌体浓度、基质浓度及产物浓度等，还没有成熟实用的在线测量仪器，给整个发酵过程的在线控制和实时优化带来很大困难，软测量技术是解决上述难题的有效方法[4～6]。

目前应用最广泛的误差反向传播算法神经网络存在过拟合和预测推广性不强的缺点，基于其他算法如动量法、共轭梯度学习算法以及Levenberg-Marquardt(LM)优化算法等[7～9]的神经网络的泛化能力在海洋生物酶发酵过程关键生物参数软测量中并没有达到理想效果。

针对以上算法的神经网络不足之处，本文提出了利用贝叶斯正则化神经网络[10,11]对海洋蛋白酶(典型的海洋生物酶)发酵过程关键生物参数进行软测量。

基于阶段辨识的诺西肽发酵过程菌体浓度软测量
杨强大;王福利;常玉清
【期刊名称】《控制理论与应用》
【年(卷),期】2009(026)009
【摘要】由于发酵过程中系统非线性特性与发酵阶段密切相关的实际特点,针对诺西肽发酵过程菌体浓度的估计问题,提出了一种基于阶段辨识的软测量方法.首先以分阶段的诺西肽发酵过程非结构模型为基础.根据隐函数存在定理进行辅助变量的合理选择;然后利用经数学推导得到的指示变量"伪比生长率"完成发酵阶段的在线辨识,并采用神经网络构建出对应于各阶段的局部软测量模型.实际应用结果表明,所提方法有效、预估精度较高.
【总页数】5页(P1026-1030)
【作者】杨强大;王福利;常玉清
【作者单位】东北大学,材料与冶金学院,辽宁,沈阳,110004;东北大学,信息科学与工程学院,辽宁,沈阳,110004;东北大学,流程工业综合自动化教育部重点实验室,辽宁,沈阳,110004;东北大学,信息科学与工程学院,辽宁,沈阳,110004;东北大学,流程工业综合自动化教育部重点实验室,辽宁,沈阳,110004
【正文语种】中文
【中图分类】TP274
【相关文献】
1.基于RBF神经网络的诺西肽发酵过程菌体质量浓度软测量 [J], 杨强大;张卫军;王福利;常玉清
2.诺西肽发酵过程中的分阶段软测量建模 [J], 杨强大;侯新宇
3.基于加权RBF神经网络的诺西肽发酵过程菌体浓度软测量 [J], 杨强大;王福利;常玉清
4.基于阶段识别的诺西肽发酵过程软测量建模 [J], 杨强大;王福利;常玉清
5.基于多支持向量机的诺西肽发酵中菌体浓度软测量 [J], 桑海峰;王福利;何大阔;张大鹏;何建勇
因版权原因，仅展示原文概要，查看原文内容请购买。

专利名称：基于模糊支持向量机的赖氨酸发酵过程关键状态变量软测量方法及系统
专利类型：发明专利
发明人：孙玉坤,王博,嵇小辅
申请号：CN200910264045.9
申请日：20091229
公开号：CN101748186A
公开日：
20100623
专利内容由知识产权出版社提供
摘要：一种基于模糊支持向量机的赖氨酸发酵过程关键状态变量软测量方法，该方法依赖硬件平台及测量仪表、计算机系统和进行软件计算的智能控制器，该软件通过测量仪表获得实时的过程数据进行软测量。

该方法首先通过对赖氨酸发酵过程工艺机理的分析，选取合适的辅助变量并根据历史罐批数据建立训练样本数据库，然后将训练样本映射到高维核空间里，计算出核空间里每个样本点所对应的模糊隶属度；对模糊化后的训练样本采用模糊支持向量机进行训练建立软测量模型；最后根据待预测罐批的最新输入向量，实现关键状态变量的预测。

本发明实现了赖氨酸发酵过程关键状态变量在线实时的预测，对实现赖氨酸发酵过程的优化控制和优化运行具有重要意义。

申请人：江苏大学
地址：212013 江苏省镇江市学府路301号
国籍：CN
代理机构：南京知识律师事务所
代理人：卢亚丽
更多信息请下载全文后查看。