微生物发酵工程是一个具有高度非线性、时变性和迟滞性的生化反应过程,其内在机理非常复杂。传统的测量方法难以对发酵过程中的一些关键变量(如菌体浓度、基质中葡萄糖浓度、产物浓度等)在线测量,这使得要对整个发酵过程进行最优化控制变得非常困难,软测量技术是解决此问题的有效途径之一。本文以赖氨酸发酵过程为研究对象,在软测量理论的基础上,采用动态递归模糊神经网络建立软测量模型,对发酵过程中的三个重要变量进行预测。仿真结果表明,该软测量模型能够较准确的输出估计值,且在有扰动的情况下模型有较强的稳定性,为发酵过程优化控制提供了前提条件。本文所做的具体研究如下:1、在大量阅读文献和赖氨酸发酵实验的基础上,依据实际发酵过程微生物生长代谢曲线,分别建立了模糊神经网络软测量模型和基于动态递归模糊神经网络软测量模型,对赖氮酸发酵过程中的变量(菌体细胞浓度、基质中葡萄糖浓度、产物浓度等)进行预测估计,并对两种模型的性能进行了研究和比较。2、对软测量辅助变量的选取和数据的预处理方法进行了研究,文中采用核主元分析法确定辅助变量,应用基于马氏距离的最小距离中位值算法(MMMD)剔除实验数据中的错误数据。3、针对模糊C-均值聚类算法(FCM)对初始值极为敏感,容易陷入局部极小的缺点,利用数据场聚类算法能准确寻找初始中心的特点提出了一种基于数据场的模糊C-均值聚类算法,因此克服了模糊C-均值聚类算法随机选择初始中心的盲目性,且加快了模糊C-均值聚类算法的运行速度。4、在动态递归模糊神经网络的基础上,采用改进的模糊C-均值聚类算法对模型的结构进行辨识,同时应用免疫遗传算法对模型的结构和参数进行整体优化。仿真结果表明,改进的动态递归模糊神经网络软测量模型能够更加有效、快速地逼近真实值,大大提高了预测精度。