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
