基于模糊粗糙神经网络的发酵过程建模

对于发酵这样一个非线性的动态过程,由于其复杂性和在线传感器的缺乏,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柠制带来了极大的困难,为此,结合模糊粗糙集和智能控制的理论,充分利用模糊粗糙集和神经网络两者的优点,提出了一种新型的网络-模糊粗糙神经网络实现对发酵过程的建模和状态估计,结果表明陵网络模型的结构简单,可解释性强。收敛速度快,能够较为准确地拟合过程的动态特性,预估能力较强。     

一种实用的发酵过程建模方法

该文提出了同时利用在线参数和离线参数融合建模的实用新方法，给出了基于自适应模糊神经网络方法和模糊逻辑推理方法的建模过程，将两种建模方法进行最优加权融合，采用真实青霉素发酵过程数据进行模型验证，仿真结果表明了该方法具有较好的建模精度和实用性。     

发酵过程混合建模与优化控制新方法

针对当前微生物发酵过程存在因为生物传感器不具备足够的准确性和灵敏性,实验时的菌液和产物浓度等生化指标难以实时监测和控制等缺点,提出了采用量子粒子群优化算法(QPSO)优化最小二乘支持向量机(LSSVM)参数的QPSO-LSSVM混合建模新方法,并用于多粘菌素的发酵过程建模;同时,基于此模型,采用QPSO算法对pH值与溶解氧浓度Do控制轨线进行优化研究;首先,利用LSSVM进行发酵过程的建模,然后采用QPSO对LSSVM建模过程中的重要参数进行优化调整,形成QPSO-LSSVM混合建模与优化控制方法;仿真结果表明,该方法得到的模型能取得更好的预测效果,优化后的pH值与Do浓度控制轨线能够提高最终的产物浓度;该方法用于发酵过程的建模和重要参数的优化控制是可行的、有效的。     

发酵过程的多模型融合建模算法

提出了利用多模型融合技术进行发酵过程建模的新方法， 该方法能够将在线参数和离线参数同时用于建模中． 首先给出了多模型融合建模算法框架， 并描述了基于自适应模糊神经网络和模糊推理技术两个参与融合的子模型的建立方法. 采用三个非线性函数分别运用GMDH-PTSV算法、傅里叶神经网络和多模型融合建模算法进行建模精度比较. 最后给出了多模型融合建模算法在青霉素发酵过程中应用的结果．     

GMDH-PTSV 算法及其在发酵过程建模中的应用

本文提出了GMDH-PTSV(具有主成份双向变量选择器的GMDH)建模算法。在此算法中,变量的选择是根据对系统的测量数据,而不是根据人的经验构造出的(0-1)相关矩阵。通过仿真,对GMDH-PTSV算法和其它三种算法进行了比较。最后,应用GMDH-PTSV算法对一种生物发酵过程建立了模型。     

青霉素发酵过程建模研究

青霉素发酵过程是一种具有非线性、时变性的复杂生化反应系统,由于一些生物参数在线检测困难,许多生化过程的代谢途径尚不明确,难以建立精确数学模型.而神经网络具有非线性、多变量、自学习、并行处理等特点,用于非线性系统的建模具有无可比拟的优势.因此,以青霉素发酵过程生化机理模型产生的数据为样本,训练RBF神经网络,建立了基于RBF神经网络的发酵过程模型.该模型可用于发酵过程中状态变量的估算与预测,并且可估计底物、产物、菌体浓度的变化趋势,对实际工作具有指导意义.     

花生四烯酸发酵过程的建模方法研究

对发酵法生产花生四烯酸的建模方法进行了初步研究,并基于四种温度下的试验数据,建立了发酵过程模型.比较分析了最小二乘支持向量机( LS-SVM)和广义回归神经网络(GRNN)这两种方法的特点.结果表明,这两种方法均能较好地建立该发酵过程的模型,LS-SVM建模的预测能力稍优于GRNN,为后续花生四烯酸发酵过程的优化及控制的研究奠定了基础.     

发酵过程建模与优化控制的研究

针对发酵过程的时变性和强非线性,本研究采用神经网络对发酵过程建模,在线预测某些重要生物参数,并以这些生物参数的预测值为指导,使用遗传算法(GA)在线优化主要的环境参数,确定各参数的最优轨线来控制发酵过程,并构建了由PC机和单片机组成的发酵优化控制的监控系统.实验表明,该控制系统应用于实际发酵生产过程能有效提高发酵生产效率.     

改进型Elman神经网络发酵过程建模研究

依据发酵过程的机理和改进的Elman神经网络动态建模原理,提出了一个新的发酵过程建模分批训练算法。通过发酵过程仿真实验,与传统的BP建模算法比较,改进的Elman神经网络建模算法具有收敛速度快、泛化能力强等特点。此外,利用该算法编制的软件可以内嵌到发酵过程监控系统中,实现发酵过程在线建模与状态参量的在线预估。     

用随机神经网络优化求解改进算法的研究

随机神经网络是一种仿照实际的生物神经网络的生理机制而定义的网络,其网络结构及应用具有自身的特点。在详细讨论了动态随机神经网络求解典型NP优化问题TSP的算法的同时,特别提出了一种有效改进算法,使得参数在简单选取的情况下保证能量函数的下降,在组合优化问题上具有普遍意义,并且在10城市TSP对改进算法进行验证,指出RNN是解决TSP问题的有效途径。     

人工神经网络用于乙醇发酵生产过程的建模探讨

基于发酵生产的特点及建模要求,以某企业燃料乙醇生产过程为研究对象,利用工业生产中的参数及数据,建立了以乙醇发酵效果为目标的BP神经网络模型,以静态模型反映复杂的动态问题.探讨了乙醇发酵生产模型的误差产生原因,并提出改进方案,根据已有经验将相关参数进行了合理组合,调整神经网络模型的输入输出参数结构,以提高仿真模拟效果.通过多次模型改进,使模拟的平均相对误差从10%提高至5.4%,为进一步研究发酵生产建模提供了思路.     

环境友好过程的建模和多目标优化

以环境和经济为目标的过程设计是过程系统工程的重要研究内容。为有效地实施环境友好过程设计,有必要从系统的角度来考虑和研究过程建模和优化问题。本文从物质变化、能量利用、环境影响、经济效益等角度对过程结构进行重新分析,得出多目标问题宏结构,并对其7种模块建立了线性模型。提出了以环境影响最小和经济效益最大为目标的多目标优化模型,多目标模型的求解采用搜索寻优和多目标决策相结合的求解策略。最后以反应系统为例,对环境友好过程建模和优化进行实例研究,     

Modeling and optimization method featuring multiple operating modes for improving carbon efficiency of iron ore sintering process

Iron ore sintering is one of the most energy-consuming processes in steelmaking. Since its main source of energy is the combustion of carbon, it is important to improve the carbon efficiency to save energy and to reduce undesired emissions. A modeling and optimization method based on the characteristics of the sintering process has been developed to do that. It features multiple operating modes and employs the comprehensive carbon ratio (CCR) as a measure of carbon efficiency. The method has two parts. The first part is the modeling of multiple operating modes of the sintering process. K-means clustering is used to identify the operating modes; and for each mode, a predictive model is built that contains two submodels, one for predicting the state parameters and one for predicting the CCR. The submodels are built using back-propagation neural networks (BPNNs). An analysis of material and energy flow, and correlation analyses of process data and the CCR, are used to determine the most appropriate inputs for the submodels. The second part of the method is optimization based on a determination of the optimal operating mode. The problem of how to reduce the CCR is formulated as a two-step optimization problem, and particle swarm optimization is used to solve it. Finally, verification of the modeling and optimization method based on actual process data shows that it improves the carbon efficiency of iron ore sintering.     

校车的线路选择及优化设计方法

以大学城教师接送车辆的线路优化为研究对象,针对大学教师接送站点分布分散的特点,建立多线路的校车调度方案,提出了一种利用K-means聚类算法对已有的站点位置进行区域划分,利用改进蚁群算法对每个区域的校车运行线路进行优化的方法。以杭州大学城某高校的校车线路优化为实例,验证在最适当的线路数下,得到最佳的目标值,能更好地提高校车效率。     

基于DRNN的传感器的建模研究

针对传感器受温度影响的复杂非线性输入输出特性,利用对角递归神经网络（DRNN）建模,并实现了温度补偿和非线性校正。对于权值的训练采用LM算法,克服了BP算法收敛慢的缺陷,使其在保证收敛的前提下,提高了收敛速度。实验表明：应用DRNN对传感器建模是一种行之有效的方法。     

基于神经网络和混合遗传算法的优化控制研究

本文主要提出一种对复杂系统进行智能优化控制的解决方案,首先采用神经网络对欲控制的复杂系统进行建模,然后采用实际数据构建针对性的神经网络模型,最后用混合遗传算法对神经网络模型进行制定参数寻优,从而获得对复杂系统的智能优化控制。在理论探讨的基础上,本文给出了此优化控制方法的相关MATLAB程序,只要针对具体问题稍加调整,相信此程序能较好地解决实际中复杂系统的优化控制问题。