分階段GP模型在發(fā)酵過程建模中的應用研究.pdf

1、由于測量手段的限制，對于發(fā)酵過程中的菌體濃度與產(chǎn)物濃度等變量很難實現(xiàn)在線測量，導致了發(fā)酵過程的優(yōu)化控制很難實現(xiàn)。通過建立回歸預測模型利用輸入條件及其他易測變量進行菌體濃度與產(chǎn)物濃度實時預測是解決這一問題的有效手段。
　　微生物發(fā)酵具有高度非線性與復雜性，由于發(fā)酵機理復雜很難利用動力學原理建立發(fā)酵機理模型，而利用樣本數(shù)據(jù)建立黑箱經(jīng)驗模型是現(xiàn)在主流的發(fā)酵過程建模方式。高斯過程(Gauss Process，GP)模型是近幾年興起的一種非

2、參數(shù)概率模型，將其用于小樣本回歸預測中具有參數(shù)少，預測精度高的優(yōu)點。本文將其應用于發(fā)酵過程建模中主要存在兩個問題:1、GP模型建模中需要求解矩陣的逆運算，當樣本數(shù)量較多時訓練時間過長且泛化能力受到影響，對于發(fā)酵周期較長的發(fā)酵過程建模中，模型預測效果不理想;2、發(fā)酵過程具有明顯的階段性特征，不同的階段體現(xiàn)不同的特征，采用單一的全局模型通常很難獲得較好的預測精度，尤其是在階段分界處預測誤差較大。
　　本文針對第一個問題提出一種基于樣本

3、稀疏化的GP模型建模方法，首先利用AP聚類算法依據(jù)相似性原理將樣本分為若干類，對每個類別中的樣本按照密度指標依次選出有效樣本，從而達到樣本稀疏化的目的。這種樣本稀疏化方法既能保證樣本的多樣性，避免樣本過于集中，也能確保密度較高處的樣本不會全部被剔除。利用Pensim平臺生成的青霉素發(fā)酵數(shù)據(jù)進行建模驗證，證明基于樣本稀疏化的GP模型相比于完全樣本訓練的GP模型訓練時間明顯縮短，對于測試樣本的預測精度也有所提高。針對第二個問題，采用一種分階

4、段的建模方法，先將樣本按照階段特性劃分為若干階段，對每個階段樣本分別建立局部GP模型，對于樣本的階段劃分本文采用一種半監(jiān)督的FCM聚類算法，將階段特性明確樣本選為標記樣本，用來對聚類過程進行引導，這種方法有利于提高聚類速度和準確度，聚類完成后采用一種軟化分策略劃分階段。當局部GP模型建立后利用其對未知樣本進行預測時，首先進行樣本的階段識別，然后采用一種切換與加權相組合的策略進行預測。將分階段的GP模型建模方法應用于Pensim生成的青霉