基于動態(tài)遞歸模糊神經(jīng)網(wǎng)絡(luò)的微生物發(fā)酵過程軟測量方法研究.pdf

1、微生物發(fā)酵工程是一個具有高度非線性、時變性和遲滯性的生化反應(yīng)過程，其內(nèi)在機(jī)理非常復(fù)雜。傳統(tǒng)的測量方法難以對發(fā)酵過程中的一些關(guān)鍵變量(如菌體濃度、基質(zhì)中葡萄糖濃度、產(chǎn)物濃度等)在線測量，這使得要對整個發(fā)酵過程進(jìn)行最優(yōu)化控制變得非常困難，軟測量技術(shù)是解決此問題的有效途徑之一。
　　 本文以賴氨酸發(fā)酵過程為研究對象，在軟測量理論的基礎(chǔ)上，采用動態(tài)遞歸模糊神經(jīng)網(wǎng)絡(luò)建立軟測量模型，對發(fā)酵過程中的三個重要變量進(jìn)行預(yù)測。仿真結(jié)果表明，該軟測量

2、模型能夠較準(zhǔn)確的輸出估計(jì)值，且在有擾動的情況下模型有較強(qiáng)的穩(wěn)定性，為發(fā)酵過程優(yōu)化控制提供了前提條件。本文所做的具體研究如下：
　　 1、在大量閱讀文獻(xiàn)和賴氨酸發(fā)酵實(shí)驗(yàn)的基礎(chǔ)上，依據(jù)實(shí)際發(fā)酵過程微生物生長代謝曲線，分別建立了模糊神經(jīng)網(wǎng)絡(luò)軟測量模型和基于動態(tài)遞歸模糊神經(jīng)網(wǎng)絡(luò)軟測量模型，對賴氨酸發(fā)酵過程中的變量(菌體細(xì)胞濃度、基質(zhì)中葡萄糖濃度、產(chǎn)物濃度等)進(jìn)行預(yù)測估計(jì)，并對兩種模型的性能進(jìn)行了研究和比較。
　　 2、對軟測量輔

3、助變量的選取和數(shù)據(jù)的預(yù)處理方法進(jìn)行了研究，文中采用核主元分析法確定輔助變量，應(yīng)用基于馬氏距離的最小距離中位值算法(MMMD)剔除實(shí)驗(yàn)數(shù)據(jù)中的錯誤數(shù)據(jù)。
　　 3、針對模糊C-均值聚類算法(FCM)對初始值極為敏感，容易陷入局部極小的缺點(diǎn)，利用數(shù)據(jù)場聚類算法能準(zhǔn)確尋找初始中心的特點(diǎn)提出了一種基于數(shù)據(jù)場的模糊C-均值聚類算法，因此克服了模糊C-均值聚類算法隨機(jī)選擇初始中心的盲目性，且加快了模糊C-均值聚類算法的運(yùn)行速度。