人工神经网络技术在微生物工程方面应用.pdfVIP

人工神经网络技术在微生物工程方面的应用 1 1 1 1 潘磊庆 ，屠康 ，陆兆新 ，董明盛 1 南京农业大学（210095） E-mail: plq_stone@ 摘 要：人工神经网络技术具有很强的非线性映射能力，用于系统的非线性建模，具有无可 比拟的优势，广泛应用于微生物工程中特别是发酵过程中培养基的优化和系统建模与控制方 面。本文主要介绍了人工神经网络的基本原理与使用方法，及其在发酵培养基优化、连续搅 拌反应器神经网络估计、分批发酵及补料分批发酵过程建模与控制优化等中的应用，旨在为 人工神经网络在微生物工程中的更广泛应用提供一定的理论基础和依据。 关键词：人工神经网络；BP 神经网络；微生物工程；发酵 引言 人工神经网络（artificial neural network, ANN ）是20世纪80年代迅速兴起的一种非线性 科学，它力图模拟人脑的一些基本特性如自组织性、自学习性、自适应性、容错性等，利用 对象的外部特性来建立内部的动态模型，目前己在模式识别、数据处理及自动控制等方面得 到了初步应用[1]。人工神经网络在人工智能领域发展较快，但在生化和食品领域的应用较少， 其在生物工程中的应用始于上世纪90年代后半期。采用计算机控制微生物发酵过程可实现过 程优化，提高菌株生产能力和改善产品质量，发达国家早在20世纪70年代即开始这方面的研 究。利用神经网络技术通过网络内部权值的调整来拟合系统的输入输出关系，即只根据输入 输出数据来建立模型，网络的统计信息储存在连接权矩阵内，故可以反映十分复杂的非线性 关系，网络的输出端点个数不限，因而很适合于多因变量、多自变量统计中的建模，其在微 生物工程中特别是发酵工业中广泛应用，已成为目前研究的热点之一。 1 神经网络及其模型 人工神经网络的科学定义是由国际著名神经网络研究专家Hecht-Nielsen给出的，具体表 述为：人工神经网络是由人工建立的以有向图为拓扑结构的动态系统，通过分析连续或断续 输入的状态响应来进行信息处理[2]。其实质是输入转化成输出的一种数学表达式，这种数学 关系由网络的结构来确定，而网络结构则必须根据具体问题进行设计和训练。与其它计算机 程序不同，它主要是通过对一系列样本的 “学习”而不是通过编程来解决预测、评估或识别 等问题。最简单的情况就是通过特定的学习算法调整各神经元间信息通道的连接权值，使 ANN 的实际输出不断逼近期望输出，以模拟对象的动力学特性。对于广泛用于微生物工程 建模与预测的多层前向网络，反向传播算法（Back propagation ）用得最多，简称BP算法， 其训练过程可简述如下：①权值的随机初始化；②给定输入和目标输出；③计算网络实际输 出；④修正权值。从输出层开始，将目标输出与实际输出间的误差信号沿连接通路的反向进 行传播，修正各连接权值使误差最小；⑤达到误差精度或循环次数要求，输出结果，终止； 否则回到②。用BP算法进行训练的神经网络习惯上称为BP 网络（BPNN ）[3]。图1所示为1 个三层BP 网络结构。 1 2 神经网络在发酵工业中的应用 2.1 发酵培养基的优化 可以利用正交设计或是均匀设计来安排实验，得到一 输出模式 批准确的实验数据或者是以实验过程中积累的大量数据作 y1 y2 … ym 为BP神经网络的学习样本。根据影响发酵的主要培养基成 分和目标参数来设计神经网络的拓扑结构，选用合适的初始