论文部分内容阅读
随着生物技术的发展,发酵过程在国民经济中的地位越来越重要,但由于发酵过程具有高度的非线性、时变性和模型不确定性,关键变量如生物质浓度和产物浓度难以在线测量,离线分析又导致测量滞后,使发酵过程控制问题变得十分复杂,难以获得令人满意的控制性能.青霉素发酵过程又是生化反应过程中比较典型的生产过程,因此对青霉素发酵过程进行建模研究有实际应用价值.因此,该文基于神经网络理论,对发酵过程的建模问题进行了深入的研究.第一,概括总结了发酵过程的建模方法,总结了目前发酵过程建模国内外的研究现状和存在的问题,对最新进展进行了总结和评述,介绍了软测量技术及其在发酵过程中的应用.第二,研究了一种新型的前向神经网络-FLAT神经网络的应用,详细介绍了它的结构,在FLAT神经网络的学习算法中,总结了FLAT神经网络的一步更新学习算法,推导了FLAT神经网络的梯度下降算法和最小二乘算法.通过仿真实验说明了与BP网络相比FLAT网络所具有的优点:收敛速度快、不存在局部极小点、隐层节点的数目容易确定.仿真实验结果还表明FLAT神经网络辨识精度高、学习速度快、泛化能力强.第三,介绍了发酵过程中几种典型混合神经网络建模方法,并研究了广义混合神经网络模型,它可用神经网络描述发酵过程通用结构形式的模型.该模型由非线性神经网络和线性神经网络两部分组成,由于非线性神经网络采用结构具有线性形式的FLAT神经网络,使两个网络能够合并为同一表达式,并具有线性形,使得能够使用线性最小二乘法求解网络权值.仿真实验表明,该模型训练方式简单,并可方便地使用在线辨识算法.第四,介绍了青霉素发酵过程的特点,青霉素发酵过程工艺和参数,着重介绍了青霉素发酵过程的数学模型.第五,应用第三章提出的广义混合神经网络建模方法,根据青霉素发酵过程可在线测量过程参数二氧化碳生成率CER,实现青霉素发酵过程生物质浓度的测量.由仿真实验结果可以看出,该方法建模精度高、泛化能力强.