神经网络和其在生物反应.ppt

神经网络和其在生物反应;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 人工神经网络通常特点;6.2 神经网络基础模式与学习方法;BP算法 ;BP算法关键缺点: (1) 算法收敛速度很慢; (2) 轻易陷入局部极小点; (3) 数值稳定性差、参数难于调整, 不便应用。 改善方法关键有: (1) 变步长 (2) 引入惯性常数 (3) 加入 (4) 模拟退火方法 ;η;6.3 神经网络在生物工程中应用 ;基于神经网络估计方法;6.3.1青霉素补料分批培养过程状态估量;3.网络输出值 （1）隐层数及神经元数影响;当 时, 除3-5外, 其它陷入局部最小。 迭代速度与网络总数权成正比, 与结构无关。 ;（2）步长影响;（3）训练结果 网络结构: 5-3-5-3 参数取值: ;6.3.2体积氧传输系数函数建模和模式识别;;;序号;6.3.3 木糖醇发酵过程辩识、估计和优化;图6.7 木糖醇发酵过程网络估计值（曲线）与实测值（符号）比较 ; 问题提出 在该过程中木糖醇累积量存在一个最大值, 而且初始糖浓度等条件不一样, 木糖醇浓度达成最大值时间不一样。为了估计木糖醇发酵过程木糖醇累积量达成最大值时刻, 必需对木糖醇发酵过程进行辩识, 在此我们利用了神经网络模型。 ;(1) 神经网络模型构建;目标函数: 式中tpj和Opj分别表示对应于第P组样本第j个输出单元期望值和拟合值。 经20000次训练后, 当第一、二隐含层神经元数分别为7和6时, 所得到离差平方和SQsum最好(为0.065）。 取该训练结果用于木糖醇发酵过程辩识, 所得到结果见表6.1。由该表可见, 除了Ｓ0= 4.71 (g/l) 下Ｓ估算值与拟合值之间平均相对误差（9.80％）较大外, 其它均小于5％。;(2) 过程估计检验 ;(3) 状态变量优化