

版權(quán)說(shuō)明:本文檔由用戶提供并上傳,收益歸屬內(nèi)容提供方,若內(nèi)容存在侵權(quán),請(qǐng)進(jìn)行舉報(bào)或認(rèn)領(lǐng)
文檔簡(jiǎn)介
1、微生物的發(fā)酵工程是以現(xiàn)代生物技術(shù)和生物工程為基礎(chǔ)的。生物量濃度是生物發(fā)酵過(guò)程中的一個(gè)重要過(guò)程參數(shù),并直接影響到發(fā)酵過(guò)程的優(yōu)化與控制、發(fā)酵產(chǎn)物產(chǎn)量與質(zhì)量。為了優(yōu)化控制整個(gè)發(fā)酵過(guò)程,對(duì)生物量參數(shù)進(jìn)行在線實(shí)時(shí)檢測(cè)成為現(xiàn)今工作中的一個(gè)重點(diǎn)問(wèn)題。受到經(jīng)濟(jì)和技術(shù)原因的影響,通常對(duì)生物量參數(shù)只是采用人工采樣,通過(guò)離線分析的方式獲得。這種方法數(shù)據(jù)采樣周期長(zhǎng)、滯后大、采樣過(guò)程中容易污染發(fā)酵液、難以滿足實(shí)時(shí)監(jiān)測(cè)的要求。而軟測(cè)量技術(shù)為解決上述問(wèn)題的提供了一個(gè)
2、有效的途徑。
本論文以紅霉素發(fā)酵過(guò)程為研究對(duì)象,將極限學(xué)習(xí)機(jī)算法引入到軟測(cè)量建模領(lǐng)域,并針對(duì)基于極限學(xué)習(xí)機(jī)的生物發(fā)酵過(guò)程軟測(cè)量?jī)?yōu)化建模進(jìn)行深入的討論。首先,針對(duì)傳統(tǒng)極限學(xué)習(xí)機(jī)算法存在的不足,通過(guò)最小二乘法和誤差反饋原理確定最優(yōu)的網(wǎng)絡(luò)輸入層到隱含層的學(xué)習(xí)參數(shù),再通過(guò)雙對(duì)角化方法優(yōu)化網(wǎng)絡(luò)輸出權(quán)值,解決了輸出矩陣的病態(tài)問(wèn)題,并以此提出了基于改進(jìn)雙對(duì)角化極限學(xué)習(xí)機(jī)的生物發(fā)酵軟測(cè)量建模方法。其次,針對(duì)生物發(fā)酵軟測(cè)量模型構(gòu)建完成后缺乏
溫馨提示
- 1. 本站所有資源如無(wú)特殊說(shuō)明,都需要本地電腦安裝OFFICE2007和PDF閱讀器。圖紙軟件為CAD,CAXA,PROE,UG,SolidWorks等.壓縮文件請(qǐng)下載最新的WinRAR軟件解壓。
- 2. 本站的文檔不包含任何第三方提供的附件圖紙等,如果需要附件,請(qǐng)聯(lián)系上傳者。文件的所有權(quán)益歸上傳用戶所有。
- 3. 本站RAR壓縮包中若帶圖紙,網(wǎng)頁(yè)內(nèi)容里面會(huì)有圖紙預(yù)覽,若沒(méi)有圖紙預(yù)覽就沒(méi)有圖紙。
- 4. 未經(jīng)權(quán)益所有人同意不得將文件中的內(nèi)容挪作商業(yè)或盈利用途。
- 5. 眾賞文庫(kù)僅提供信息存儲(chǔ)空間,僅對(duì)用戶上傳內(nèi)容的表現(xiàn)方式做保護(hù)處理,對(duì)用戶上傳分享的文檔內(nèi)容本身不做任何修改或編輯,并不能對(duì)任何下載內(nèi)容負(fù)責(zé)。
- 6. 下載文件中如有侵權(quán)或不適當(dāng)內(nèi)容,請(qǐng)與我們聯(lián)系,我們立即糾正。
- 7. 本站不保證下載資源的準(zhǔn)確性、安全性和完整性, 同時(shí)也不承擔(dān)用戶因使用這些下載資源對(duì)自己和他人造成任何形式的傷害或損失。
最新文檔
- 半監(jiān)督極限學(xué)習(xí)機(jī)在化工過(guò)程軟測(cè)量建模中的應(yīng)用研究.pdf
- 112.極限學(xué)習(xí)機(jī)的研究及其在醋酸精餾軟測(cè)量建模中的應(yīng)用
- 基于改進(jìn)LS-SVM的微生物發(fā)酵過(guò)程軟測(cè)量建模方法研究.pdf
- 基于改進(jìn)的極限學(xué)習(xí)機(jī)(ELM)的缺失數(shù)據(jù)填補(bǔ)方法研究.pdf
- 基于穩(wěn)健估計(jì)的極限學(xué)習(xí)機(jī)方法研究.pdf
- 基于改進(jìn)極限學(xué)習(xí)機(jī)的車牌字符識(shí)別方法.pdf
- 基于序列數(shù)據(jù)獲取的改進(jìn)極限學(xué)習(xí)機(jī)算法研究.pdf
- 基于深度學(xué)習(xí)的極限學(xué)習(xí)機(jī)算法研究.pdf
- 基于改進(jìn)的極限學(xué)習(xí)機(jī)短時(shí)交通流預(yù)測(cè)模型研究.pdf
- 基于改進(jìn)極限學(xué)習(xí)機(jī)的復(fù)雜工業(yè)過(guò)程故障預(yù)測(cè)方法應(yīng)用研究.pdf
- 基于FCM與LS-SVM的生物發(fā)酵過(guò)程軟測(cè)量建模方法研究.pdf
- 基于極限學(xué)習(xí)機(jī)的圖像標(biāo)注研究.pdf
- 基于集成學(xué)習(xí)的極限學(xué)習(xí)機(jī)的算法研究.pdf
- 基于極限學(xué)習(xí)機(jī)改進(jìn)模型的煤礦突水水源識(shí)別研究.pdf
- 基于支持向量機(jī)和極限學(xué)習(xí)機(jī)的管道缺陷分類方法研究.pdf
- 基于連續(xù)隱Markov模型(CHMM)的生物發(fā)酵軟測(cè)量建模方法研究.pdf
- 基于極限學(xué)習(xí)機(jī)的變壓器故障預(yù)測(cè)方法研究.pdf
- 基于支持向量機(jī)的微生物發(fā)酵過(guò)程軟測(cè)量方法研究.pdf
- 基于極限學(xué)習(xí)機(jī)的多示例算法研究.pdf
- 基于極限學(xué)習(xí)機(jī)的設(shè)備故障預(yù)測(cè)方法及應(yīng)用研究.pdf
評(píng)論
0/150
提交評(píng)論