1.3混合建模
隨著過程控製、仿真與優化技術的發展，對係統模型提出了更高的要求，除了較高的建模精度外，還要求大範圍描述過程動態行為的能力，傳統的建模方法已經不能滿足要求。近年來，充分利用對象的先驗知識，用辨識的方法估計機理模型參數，建立發酵過程混合模型的研究取得了進展。
發酵過程建模方麵，用ANN方法辨識機理模型參數建模應用較多。Zuo等以及Berkholz等將機理建模與ANN建模相結合，通過辨識得到機理模型中的參數，在此基礎上，采用遺傳算法或模糊邏輯對模型進行修正，簡化了汁算複雜性，提高了模型精度。Tholudur等也采用了機理建模與ANN相結合的方案，為了減少訓練網絡對實驗數據量的要求，還結合了內插參數模型方法，實驗結果表明，該方法使得機理模型對實驗數據的需求下降了40％。
SVM及改進的SVM方法用於發酵過程機理模型參數的辨識，也取得了一定的效果。許光等將發酵過程的動力學機理與SVM相結合，用SVM方法估計動力學方程的參數比生長速率，建立間歇式酒精發酵過混合模型，實驗表明，所建模型比SVM黑箱模型、與機理結合的神經網絡模型具有更好的預測性能。桑海峰等I25J提出了一種綜合先驗知識與最小二乘SVM的發酵過程建模方法，並將遺傳算法嵌入最小二乘SVM用於參數的優化選取，實驗證明，所得混合模型具有很高的精度與泛化能力。山辨識方法估計機理模型參數的過程混合模，實質上仍是過程機理參數模型，模型的簡化和未能機理分析的發酵過程部分仍影響模型的準確性，對發酵過程的描述不夠全麵。
上一篇：微生物發酵過程優化控製技術進展——3
下一篇：微生物發酵過程優化控製技術進展——5
