1.2黑箱建模
發酵過程是多變量、強耦合、慢時變的複雜非線性過程,機理建模尚不成熟。以最小二乘為基礎的一元和多元回歸辨識建立發酵過程模型,取得了一定效果。Zhang等用偏最小二乘回歸對重要參量難以在線獲取的發酵過程建模,所得模型易與經典的預測控製方法結合,且具有差錯診斷功能,回歸建模方法簡單易用,但需大量數據樣本才能保證建模精度,且對測量誤差比較敏感。隨著非線性係統理論研究的深入和辨識技術的發展,非線性函數逼近方法被用於發酵過程建模,應用較多的是人工神經網絡(artificialneuralnetwork,ANN)技術和支持向量機(supportvectormachine,SVM)技術。
1.2.1基於人工神經網絡技術建模
英國Newcastle大學的Massimo等首先將基於經驗風險最小化理論的ANN技術引入發酵過程,ANN以其在線校正能力強、適合處理多變量非線性問題等優點而廣泛用於發酵過程建模。王健等用BP神經網絡對L.色氨酸的發酵過程建模,所建模型能夠比較精確地模擬菌體生長、底物消耗以及發酵產酸3個過程的變化。用標準BP算法對網絡進行訓練時,網絡學習的收斂速度慢,需要大量的實驗數據才能達到要求的精度,不能保證收斂於全局最優。改進神經網絡的學習訓練算法、網絡拓撲結構及結合優化算法訓練神經網絡,能提高ANN建模的精度。
徑向基(radialbasisfunction,RBF)神經網絡是一種新型的前向網絡,與BP網絡相比,RBF神經網絡不僅具有在任意精度下逼近任意非線性映射的能力,還可以達到最佳逼近精度。Chen等采用RBF神經網絡對N-乙酸-D-甘露糖胺丙酮酸的合成過程建模,並將小波收縮與雙正交濾波器結合產生重建函數用於RBF模型,結果表明,在訓練數據的不足的情況下,所建模型具有較高的可靠性和精度。Peng等用RBF神經網絡構造生物過程的ARX模型,采用在線估計算法修正模型,實現了氮氧化物降解過程的全局建模。此外,白組織神經網絡[1、模糊粗糙神經網絡引、級聯再生神經網絡等方法也成功用於酵母、多黏菌素等發酵過程建模。
將優化算法用於神經網絡的學習、網絡結構的設計,可實現神經網絡學習規則和網絡權係數的優化,能在某種程度上避免網絡學習算法收斂速度慢、易限於局部最優的缺點,提高建模精度引。ANN方法存在的容易陷入局部極小點、過學習、對訓練樣本外的數據預測能力差等不足,在一定程度上限製著ANN建模在發酵過程中的應用。
1.2.2基於支持向量機技術的建模
20世紀90年代中期,Vapnik等現了在高維空間中有效控製容量的方法,提出了SVM方法,用結構風險最小化原則代替經驗風險最小化原則,較好地解決了小樣本、非線性、高維數和局部極小等問題。一些著名的研究機構,如貝爾實驗室、柏林工業大學、微軟研究中心、麻省理工學院等也加入SVM研究的行列。現在,SVM方法已廣泛用於文本識別、圖像處理及生物信息學等領域,是90年代末發展最快的研究方向之一。
SVM優良的特性使之在係統建模方麵得到廣泛關注,將SVM及其改進方法用於發酵過程建模取得了較好的效果。用標準的SVM方法為檸檬酸發酵過程建模,並與最優的ANN方法進行比較,結果表明,SVM的預測相對誤差的均值下降了5個百分點,具有更好的穩健性能。高學金等針對標準SVM所有訓練樣本都使用相同的不敏感係數這一不足,提出動態s.SVM並用於青黴素發酵過程建模,同標準SVM建模方法相比,動態s.SVM將最小二乘SVM用於青黴素發酵過程建模,在保證精度的前提下,縮短了訓練時間,加快了最小二乘SVM在線應用的進程。SVM解決了在ANN中無法避免的局部極小值問題,同ANN相比,SVM對樣本的依賴程度低,在一定程度上能夠避免“維數災難”,SVM拓撲結構由支持向量決定,減小了模型結構的複雜性。
以ANN和SVM為代表的基於實驗數據的黑箱建模方法,受實驗數據量及建模方法原理約束的影響,無法表達超出實驗數據的過程特性,對於複雜的發酵過程,黑箱模型的表達能力也值得懷疑。另外,黑箱建模方法忽略了過程的基本知識,如發酵過程中的質量平衡方程等,重要信息的缺失使得它不能體現過程的物理意義。
上一篇:微生物發酵過程優化控製技術進展——2
下一篇:微生物發酵過程優化控製技術進展——4