神经网络及其在生物反应.pptVIP

6. 神经网络及其在生物反应过程中的应用 6.1 人工神经网络的一般特点 6.2 神经网络基本模式与学习方法 6.3 神经网络在生物反应过程中的应用 生物神经元－－信息处理单元 生物神经元－－信息处理单元 生物神经元－－信息处理单元 生物神经元－－信息处理单元 生物神经元－－信息处理单元 生物神经元－－信息处理单元 人工神经元－－信息处理单元 人工神经－－信息处理单元 人工神经元信息输入输出 人工神经元信息输入输出 人工神经元信息输入输出 人工神经元信息输入输出 6.1 人工神经网络的一般特点 (1) 计算速度较快（并行性）。 (2) 很强的容错性（个别与整体）。 (3) 信息分布式存贮（权）。 (4) 很强的学习功能（权、结构）。 6.2 神经网络基本模式与学习方法 BP算法 BP算法的主要缺点： (1) 算法收敛速度很慢； (2) 容易陷入局部极小点； (3) 数值稳定性差、参数难于调整，不便应用。 改进方法主要有： (1) 变步长 (2) 引入惯性常数 (3) 加入 (4) 模拟退火方法 6.3 神经网络在生物工程中的应用 6.3.1 青霉素补料分批培养过程状态估计 6.3.2 体积氧传递系数的函数建模和模式识别 6.3.3 木糖醇发酵状态估计、过程预测与优化 基于神经网络的预测方法 基于神经网络的时间序列预测 (X1n+k,X2n+k,…,Xpn+k)=F[(X1n,X2n,…,Xpn), (X1n-1,X2n-1,…,Xpn-1),…,(X1n-m+1,X2n-m+1,…,Xpn-m+1)] 基于神经网络的回归预测 Y=F(X1,X2,…,Xk) 基于神经网络的组合预测 fe=ψ(f1,f2,…,fk) 6.3.3 木糖醇发酵过程辩识、预测和优化 工作容积为3.5升，装料量1.5升 30 ℃、pH5、通气量1 VVM和搅拌转速为500 rpm 考察不同初始木糖浓度S。（=4.71、8.90、10.19、31.06、58.01和94.71 g/L）下的木糖醇发酵动力学行为 问题的提出 在该过程中木糖醇的累积量存在一个最大值，而且初始糖浓度等条件不同，木糖醇浓度达到最大值的时间不同。为了预测木糖醇发酵过程木糖醇累积量达到最大值的时刻，必须对木糖醇发酵过程进行辩识，在此我们运用了神经网络模型。 (1) 神经网络模型的构建 学习样本：从上述五批发酵的时间曲线中等间隔（Δt为1h）取162组经广义对数方程拟合所得数据。 输入变量：发酵时间ｔ、t时刻的木糖浓度Ｓ、 菌体浓度Ｘ和木糖醇浓度Ｐ、溶解氧饱和浓度DO和发酵液pH值。 输出变量：t＋Δt时间的Ｓ、Ｘ和Ｐ。 所用网络的拓扑结构：双隐层，其神经元数由后述的均匀设计法确定。 活化函数和学习算法：Sigmoid 函数，反向传播法（BP法）。 目标函数： 式中tpj和Opj分别表示对应于第P组样本第j个输出单元的期望值和拟合值。 经20000次训练后, 当第一、二隐含层的神经元数分别为7和6时，所得到的离差平方和SQsum最佳(为0.065）。 取该训练结果用于木糖醇发酵过程辩识，所得到的结果见表6.1。由该表可见, 除了Ｓ0= 4.71 (g/l) 下的Ｓ估算值与拟合值之间的平均相对误差（9.80％）较大外, 其余均小于5％。 (2) 过程预测检验 为了检验上述建立的神经网络的预测能力，本文分别用64组不参予训练但用于广义对数方程拟合的状态变量及一批Ｓ0为8.9g/L时，即不参予训练又不参予拟合的木糖醇发酵过程状态变量的实测值为样本进行过程预测。所得结果如图6.7(a)－(f)所示，由此图可见，该网络具有很强的预测能力。 (3) 状态变量优化 为了改善木糖醇发酵的操作条件，我们引用均匀设计对发酵初始的4 个状态参数(Ｘ、Ｓ、DO和pH）的20个水平安排了20种不同的“实验”方案。 运用上述所建立的神经网络模型进行发酵过程仿真预测，结果如表： 图6.7 木糖醇发酵过程的网络预测值（曲线）与实测值（符号）的比较 0.05Ｐmax 2.76 4.21 4.77 3.07 3.13 Ｐ 1.13 2.34 1.87 1.00 0.96 Ｘ 0.05Ｓ0 0.66 1.98 2.44 3.37 9.80 Ｓ note 94.71 58.01 31.06 10.19 4.71 Ｓ0 64.7 0.696 4.70 65 93 4.50 opt. 8.1~64.7 0.144~0.858 4.7~5.0 65~94 35~100 4.5~5.1 1~20 Ｐmax (g/L) Yp/s。Max(g/g) pH DO(%) Ｓ0 (g/