支持向量机在丁二酸发酵过程建模中的应用

支持向量机是一种新的机器学习算法,它采用结构风险最小化准则,能有效提高模型的泛化能力.本文针对生物转化法生产丁二酸发酵过程机理复杂、高度非线性、生物参数难以实时在线测量等特点,介绍了支持向量机回归建模算法在Matlab软件中的实现过程,对产物丁二酸浓度建立了预测模型,研究了SVM的小样本学习、泛化能力.仿真结果表明,与神经网络相比,SVM算法具有更好的推广能力,使得在未来工业化丁二酸发酵生产过程中针对丁二酸浓度的在线预估与优化控制成为可能.     

基于人工智能的生物发酵控制系统方法

研究发酵控制优化问题,发酵控制系统是一个复杂的大时延系统,发酵过程具有动态性、时变性,传统难以获得较高的控制精度.为了提高生物发酵控制精度,提出一种人工智能的生物发酵控制算法.采用神经网络的智能性捕捉发酵过程的时变性、动态性变化特点,并采用智能算法中的粒子群算法对控制模型参数进行快速优化,最后采用仿真对控制系统进行测试.仿真结果表明,提出算法提高了生物发酵控制系统的控制精度高,系统鲁棒性强,为生物发酵控制优化设计提供了参考.     

基于粒子群优化神经网络(PSO-BPNN)算法在发酵过程控制中的研究

针对发酵过程中生物参数难以实时在线测量的问题,建立了用于生物参数状态预估的PSO-BPNN软测量模型。鉴于标准BP神经网络收敛太慢的缺点,运用PSO算法来优化网络权值,在此基础上,以饲料用β-甘露聚糖酶为对象,建立其基于PSO-BPNN的发酵过程产物浓度状态预估模型。发酵罐控制结果表明:该模型具有很好的学习精度和泛化能力,可实现对β-甘露聚糖酶产物浓度的实时在线预估。     

基于Matlab的发酵过程平台软件设计

设计了一套优化软件，将先进的智能控制理论运用到发酵过程控制领域中。针对非线性、时变的发酵过程利用神经网络非线性预测控制方法，建立了发酵过程神经网络模型进行菌体浓度、基质糖浓度、产物浓度的在线估计。由于缺乏发酵过程精确的数学模型，采用神经网络非线性预测控制方法结合遗传算法寻优技术确定发酵过程控制参数的最佳值，使整个发酵过程始终处于最优化状态，优化结果可提供给工艺工程师加以修正，再应用于生产，从而提高生产率。     

生物发酵过程温度模糊PID控制系统的研究

针时生物发酵过程温度控制的非线性和时变性的特点,设计了一种基于模糊PID的温度控制系统.采用偏差和偏差变化率的变化规律为依据,查询模糊规则表生成控制规则,对发酵过程中难以整定的PID参数进行在线调节.将模糊PID控制算法应用于ε-聚赖氨酸发酵监控系统,对发酵罐的温度进行实时检测控制.通过实验验证了模糊PID的优越性.     

多粘菌素补料分批发酵过程pH值的优化控制

针对补料分批发酵过程pH值优化轨迹难以确定和控制的问题,为了获取pH值的优化轨迹并加以有效控制,利用神经网络非线性预测控制方法结合遗传算法寻优设计基于动态数据交换的VB,Excel和Matlab的发酵过程优化软件平台;通过该优化软件平台找到多粘菌素发酵过程pH值的优化轨迹;对它采用参数自调整模糊控制方法,使之按优化轨线变化.统计多粘菌素10批次优化控制发酵生产结果,发酵时间平均缩短5 %,提高产量3 %.     

发酵过程的建模与优化方法研究

对于发酵这样一个复杂的非线性动态过程,由于在线传感器的缺乏,使得过程中的一些重要状态变量难以在线测量,从而给发酵过程的优化控制带来了极大困难。为此,提出了一种新型的动态网络—递归补偿模糊神经网络方法,实现对发酵过程的建模和状态估计,结果表明该网络能够较为准确地拟合过程的动态特性。进一步采用改进的蚁群算法来对发酵过程的控制变量进行优化,使发酵的产物产量得到提高。该方法应用于多粘菌素的发酵生产过程中,实现了状态变量的在线预估与控制变量的在线优化。     

固体发酵过程参数检测与优化控制

针对固体发酵过程中主导参数难以在线实时测量和控制,运用软测量方法和智能控制技术,构建了一种多变量模糊神经控制系统及其解耦算法:综合应用传统的PID控制方法、模糊神经网络技术,并参考历史数据和专家经验取得优化控制.实验证明,该方法结构简单、具有较好的泛化性能,实时性和准确性可以满足生产要求.     

基于多尺度理论的发酵过程在线优化控制系统的设计与实现

简要介绍了多尺度理论和多参数相关分析方法的基本概念，阐述了多尺度理论及多参数相关分析方法在发酵过程优化与放大生产中的应用，提出了应用计算机软、硬件技术实现发酵过程在线优化控制系统的方法与措施。     

发酵过程在线仿真与优化

采用一种独特的计算机在线仿真方法,实现发酵生产过程在线建模与优化.