畢赤酵母發(fā)酵過程中菊粉酶濃度軟測量方法研究.pdf

1、低聚果糖因具有難消化性、低齲齒性以及改善脂質(zhì)代謝等作用，在保健食品領域得到了廣泛的應用。目前低聚果糖的制備途徑之一是通過畢赤酵母發(fā)酵生成的內(nèi)切型菊粉酶酶解菊粉。畢赤酵母發(fā)酵過程涉及的重要生化參數(shù)包括畢赤酵母濃度、甲醇濃度和菊粉酶濃度，其中前兩者都可以通過對應的實驗室級分析儀器或儀表在線測量，而菊粉酶濃度更多情況下只能依賴離線測量酶活的方法進行量化，不僅耗費大量的人力物力，同時也影響到發(fā)酵過程控制策略的實施和發(fā)酵工藝的改善。
　　軟

2、測量技術是解決上述菊粉酶濃度無法在線測量問題的有效途徑之一。本次研究以軟測量技術為核心，分別建立基于生物反應機理和支持向量機回歸的菊粉酶濃度軟測量模型，對畢赤酵母發(fā)酵過程中不可直接測量的菊粉酶濃度實現(xiàn)最優(yōu)估計和預測。
　　基于生物反應機理的軟測量模型適用于輸入變量較少的情況。其中，非結(jié)構(gòu)機理軟測量模型基于反應組分的質(zhì)量平衡方程，并且利用先驗知識，選擇Logistic方程描述模型中的畢赤酵母比生長速率，其結(jié)構(gòu)簡單，具有一定的通用性，

3、但估計精度有所欠缺。針對上述不足，通過分析畢赤酵母甲醇代謝途徑，建立菊粉酶濃度代謝機理軟測量模型。該模型依據(jù)畢赤酵母代謝過程的物質(zhì)流平衡關系，建立畢赤酵母比生長速率代謝模型，代替非結(jié)構(gòu)機理軟測量模型中的Logistic方程，以提高菊粉酶濃度的估計精度。對于兩種模型中出現(xiàn)的未知參數(shù)，分別用Levenberg-Marquardt算法（下文簡記為L-M算法）、遺傳算法以及粒子群優(yōu)化算法進行估計，并通過對比分析表明了粒子群優(yōu)化算法在軟測量模型參

4、數(shù)尋優(yōu)方面的優(yōu)越性。將粒子群優(yōu)化算法分別與兩種機理軟測量模型結(jié)合，發(fā)現(xiàn)兩種模型均能較為準確的估計菊粉酶濃度，并且代謝機理軟測量模型的估計效果要好于非結(jié)構(gòu)機理軟測量模型。
　　基于支持向量機回歸的軟測量模型適用于輸入變量類型較多但數(shù)據(jù)較少的小樣本估計和預測過程。為了提高預測精度，減少尋優(yōu)時間，本文采用最小二乘支持向量機回歸建模方法對畢赤酵母發(fā)酵過程建立菊粉酶濃度軟測量模型。針對模型輸入變量過多且線性相關的問題，利用主元分析法降低輸入

5、數(shù)據(jù)維數(shù)，將線性相關變量轉(zhuǎn)化為獨立變量。此外，考慮到最小二乘支持向量機參數(shù)對軟測量模型性能的重要影響，提出基于留一法和粒子群優(yōu)化算法的參數(shù)尋優(yōu)方法，以最小化留一交叉驗證誤差作為尋優(yōu)目標，并利用粒子群優(yōu)化算法的搜索尋優(yōu)能力實現(xiàn)參數(shù)優(yōu)選。實驗結(jié)果表明，相比標準支持向量機回歸，最小二乘支持向量機回歸軟測量模型對菊粉酶濃度具有更高的預測精度和更少的尋優(yōu)時間，并且在結(jié)合主元分析法與留一-粒子群參數(shù)尋優(yōu)方法后，最小二乘支持向量機回歸軟測量模型的預測