人工神经网络在发酵过程中的应用.pdfVIP

人工神经网络在发酵过程中的应用 陈宁张克旭 (天津科技大学食品科学与生物工程学院天津300222) 王东阳 (山东菱化集团公司 山东济宁) 一、引言 近年广泛用于各个领域的人工神经网络技术具有很强的非线性映射能力， 它通过对网络内部权值的调整来拟合系统的输人输出关系，即只根据输人输出 数据来建立模型，将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。理论上已经证明，三层前向神经网络可以任意精度逼迫任意连续 Back 函数，前向网络的训练采用差错反向传播(Error 于发酵过程是一个高度非线性、时间连续变化的动态过程，因此，在发酵工业中 运用神经网络能够取得非常好的效果。 二、BP神经网络的基础理论 BP神经网络由输入层、隐层和输出层 三层组成，其5—3—1的网络拓扑结构如 图1所示。对于输入信号，要先向前传播 到隐层的结点上，经过各单元的特性为 Sigmoid型的激活函数运算后，把隐层结点 输入层 隐层 输出层 的输出信息传播到输出结点，最后给出输 图1BP网络结构(5—3—1) 出结果。网络的学习过程由正向和反向传 播两部分组成。在正向传播过程中，每一层神经元的状态只影响下一层神经元 网络。如果输出层不能得到期望输出，也就是实际输出值与期望输出值之间有 误差，那么传人反向传播过程，将误差信号沿原来的连接通路返回，通过修改各 层神经元的权值，逐次地向输入层传播进行计算，再经过正向传播过程。经这两 ·62· 个过程的反复运用，使得误差信号达到最小，最后网络的学习过程就结束。 差函数(E)沿负梯度方向下降。设BP网络三层结点表示为，输人结点：x；，隐结 点：Yi，输出结点：0i。输入结点与隐结点的网络权值为吣；，隐结点与输出结点间 的网络权值为T1i，当输出结点的期望输出为tl时，BP模型的计算公式如下： (1)隐结点的输出：yi=fC (3)输出结点的误差公式： E=吉；(tl一0L)2=吉；(tl一以；TliYi一0I))2 =吉；(tl一以ETff(E．wi：i—ei)一eI))2 三、BP神经网络的设计 进行网络设计的首要任务就是网络结构的确定，包括输入偷出结点、层数、 每层激活函数的确定以及隐含层结点数的确定。 1．输入／输出结点 BP网络已被应用于各个领域，无论让它完成什么任务，都必须将实际问题 转化为网络能够接受的形式——数据样本。在大多数实际应用中，需要设计者 根据实际情况来确定样本的，此时，输入／输出结点数的确定也是需要认真考虑 的，尤其是在建模中，如何设计出一个能够表现出被控过程动态特性的模型是需 要相关专业知识的。在发酵工业中输入结点就是影响发酵过程的各重要变量， 而输出结点就是所期望输出的主要控制参数。 2．层数 BP网络所具有的最大也是唯一的特点是非线性函数的逼近，而且只含有一 个隐含层的BP网络即可完成此任务。由于BP网络的功能实际上是通过网络输 入到网络输出的计算来完成的，所以多于一个隐含层的BP网络虽然具有更快的 训练速度，但是实际应用中需要较多的计算时间。另一方面，众所周知，训练速 度也可以通过增加隐含层结点数以及采用更好的训练算法来达到。所以，从实 用的角度出发，除有特殊的要求外，对于一般的应用情况，采用具有一个隐层的 BP网络就能够达到目的。 3．学习速率 学习速率决定每一次循环训练中所产生的权值变化量，大的学习速率可能 · 63· 导致系统的不稳定，但小的学习速率将会导致训练较长，收敛速度很慢，不过能 保证网络的误差值不跳