系列化反应过程人工智能建模方法地探讨.pdfVIP

了厂){9／ 生化反应过程人工智能建模方法的探讨+ 陈元青 王树青 (浙江大学工业控制技术研究所国家重点实验室，杭卅i，310027) 摘要本文讨论了生化反应过程近几年来出现的人工智能建模方法，其中包括神经网络方 法，模糊逻辑方法，遗传算法等以及这几种方法的交叉运用 关键词生化反应过程建模神经网络模糊方法遗传算法 1引言 建立生化过程准确合理的数学模型对于更好地从理性上去了解和把握生化过程有着重 要的意义。建模和控制是相互依存的，人们在对生化反应过程有足够的了解时才有可能提出 合理的控制策略，而且系统模型的难易与控制策略和水平的高低有关。由于生化反应过程是 许多活细胞参与的，细胞体内部的相互作用非常复杂，很多生化过程代谢途径尚不清楚，要 得到一个良好普适性的数学模型还很困难，同时生化过程属于动态的、多参数非线性系统， 目前对该过程的控制还根不适应生产的需要。近几年来齄着计算机应用的推广和各种估计投 术的发展，人们开始尝试用估计的方法来预测生化过程的重要变量，如菌体浓度、基质浓度i 产物浓度等。神经网络、模糊方法、遗传算法等都被用来指导生化过程的操作，从而提高发 酵过程的自动化监控水平。 2人工智能建模方法 2．1神经网络技术 2．1．1标准神经网络 人工神经网络的应用不需要知道过程的机理，它被用作对象的输入输出模型，其内帮 各节点间的联系权值暗含着对过程输入输出关系的描述，通过网络拓扑结构的选择和较为方 便的学习过程，神经网络能由已知输入得到对象的输出，从而建立了对象的模型，用以预估 过程众多的可铡或不可测状态量。 神经网络输入节点的选择应尽量做到选那些与输出有着密切关系的参数，从而保证输 入与输出之间有某种联系，使网络学习有一定的目的性。在生化过程中，输入节点一般可取 发酵时间、当前PH值、当前温度T、当前时刻的菌体浓度、当前时刻的基质浓度、溶氧浓度 DO、C02的释放率CER、呼吸商RQ等。输地节点一般可取为下一时刻的菌体浓度、基质浓 ·国家自然科学基金资助项目 自动化理论、技术与应用(第5卷) 回归网络(RNN)等。学习算法有传统BP算法及其一些改进算法如批学习算法、变速率学习算 法、使用共轭梯度法或牛顿法的BP算法、随机趋化算法和模糊自调整算法等。神经网络已 广泛用于生化过程建模，K撕m等人”‘、张伟国“’、花强”1等已将神经网络分别用于己酸发 面的研究。 2．12混合神经网络(HybridNeura]Network) 耀合神经网络的基本思想是由过程的某些状态向量及控制向量作为一标准神经网络的 输入．其基本输出是过程的先验知识难以确定但密切联系并反映系统内部机理的一些参数(如 比生长速率等)，此输出作为已知和其它所需状态参数一起代入先验模型，从而计算出所要 预测的状态量。因此最终的模型即可看作是包岔有一些已知限制的结构神经网络，又可被认 为是具有神经网络预测过程参数功能的方程式。 花强”’将混合神经网络用于维生索C发酵过程建模取得了很好的效果。D．C Psichogios等 Fu…。也作过这方面的报道。 人“和Penoheng ) 上 X叠(t芦‰㈣ ——围一◆x㈣(t+1) 2．2遗传算法(GA) 方法，它以随机产生的一群候选解为开始，而每一解均被表示成字符串形式，通过使用遗传 算子对这些字符串进行组合，这些候选解逐步朝着更好的方向进行。简单的遗传算法由三个 群体遗传过程中发生的繁殖、交配和突变现象。遗传算法中需要选择的参数主要有串长L， 的应用按其方式可分为三大部分；遗传计算、遗传编程、遗传学习。生化过程建模主要利用 遗传学习，遗传学习系统是由GA为内核构成豹增强式学习系统，一般地，群体由产生式规 则组成，利用和环境的接触来学习，完成给定任务。蔡煜东Ⅲ，黄秀轩【9l等人将遗传算法用 于谷氨酸发酵过程建模，结果表明该算法与传统的建模方法相比，具有收敛速度快、拟合精 度高、适用范围广等优点。 2．3模糊模式识别方法 模糊技术擅长逻辑推理，可以由专家的行为特性中获取有用的启发式知识，在专