神经网络和其在生物反应专家讲座

6.神经网络及其在生物反应过程中应用

6.1人工神经网络普通特点 6.2神经网络基本模式与学习方法 6.3神经网络在生物反应过程中应用神经网络和其在生物反应专家讲座第1页生物神经元－－信息处理单元神经网络和其在生物反应专家讲座第2页生物神经元－－信息处理单元神经网络和其在生物反应专家讲座第3页生物神经元－－信息处理单元神经网络和其在生物反应专家讲座第4页生物神经元－－信息处理单元神经网络和其在生物反应专家讲座第5页生物神经元－－信息处理单元神经网络和其在生物反应专家讲座第6页生物神经元－－信息处理单元神经网络和其在生物反应专家讲座第7页人工神经元－－信息处理单元神经网络和其在生物反应专家讲座第8页人工神经－－信息处理单元神经网络和其在生物反应专家讲座第9页人工神经元信息输入输出神经网络和其在生物反应专家讲座第10页人工神经元信息输入输出神经网络和其在生物反应专家讲座第11页人工神经元信息输入输出神经网络和其在生物反应专家讲座第12页人工神经元信息输入输出神经网络和其在生物反应专家讲座第13页6.1人工神经网络普通特点 (1)计算速度较快（并行性）。 (2)很强容错性（个别与整体）。 (3)信息分布式存贮（权）。 (4)很强学习功效（权、结构）。神经网络和其在生物反应专家讲座第14页6.2神经网络基本模式与学习方法神经网络和其在生物反应专家讲座第15页BP算法

神经网络和其在生物反应专家讲座第16页BP算法主要缺点： (1)算法收敛速度很慢； (2)轻易陷入局部极小点； (3)数值稳定性差、参数难于调整，不便应用。改进方法主要有：(1)变步长 (2)引入惯性常数(3)加入(4)模拟退火方法

神经网络和其在生物反应专家讲座第17页ηθtα神经网络和其在生物反应专家讲座第18页6.3神经网络在生物工程中应用

6.3.1青霉素补料分批培养过程状态预计6.3.2体积氧传递系数函数建模和模式识别6.3.3木糖醇发酵状态预计、过程预测与优化神经网络和其在生物反应专家讲座第19页基于神经网络预测方法基于神经网络时间序列预测(X1n+k,X2n+k,…,Xpn+k)=F[(X1n,X2n,…,Xpn),(X1n-1,X2n-1,…,Xpn-1),…,(X1n-m+1,X2n-m+1,…,Xpn-m+1)]

基于神经网络回归预测

Y=F(X1,X2,…,Xk)基于神经网络组合预测

fe=ψ(f1,f2,…,fk)

+神经网络和其在生物反应专家讲座第20页6.3.1青霉素补料分批培养过程状态预计1.青霉素补料分批培养动力学模型2.人工神经网络模型输入变量：输出变量：样本数：收敛准则：神经网络和其在生物反应专家讲座第21页3.网络输出值（1）隐层数及神经元数影响隐层神经元数263-55-310网络总权数2157606663相对迭代速度1.002.292.432.573.5729.432.33.044.783.15迭代次数2144364641451274274362994相对时间1.006.905.125.1310.5表6.1对于不一样隐层神经元数训练结果神经网络和其在生物反应专家讲座第22页当时，除3-5外，其它陷入局部最小。迭代速度与网络总数权成正比，与结构无关。神经网络和其在生物反应专家讲座第23页（2）步长影响时所得结果最好。提议并非普遍适用。在一样下，伴随值改变而改变。在一样，与值相关。神经网络和其在生物反应专家讲座第24页（3）训练结果网络结构：5-3-5-3参数取值：神经网络和其在生物反应专家讲座第25页6.3.2体积氧传递系数函数建模和模式识别Ka=0.01(P/V)(Vs)(P/V>700)Ka=0.02(P/V)(Vs)(P/V<700)Pav=uggPgv=Npn3d5/VSmithetal.Nishikawaetal.Calderbanketal.神经网络和其在生物反应专家讲座第26页神经网络和其在生物反应专家讲座第27页神经网络和其在生物反应专家讲座第28页序号130.60.80.474.059.5240.91.80.570.288.5350.40.60.730.287.9460.81.60.269.847.8570.20.40.327.433.2680.71.20.665.689.1791.02.00.873.589.1误差（％）Smith等人Calderbank等人Nishikawa等人平均3种分类7.810.11.76.57种分类8.87.51.76.1模式识别：三个输出神经元三种分类：＜4、[4、8]、＞8[001]、[010]、[100]七种分类：＜2、[2,4)、[4，6）、[6，8）、[8，10）、[10，12）、＞12[001]、[010]、[011]、[100]、[101]、[110]、[111]神经网络和其在生物反应专家讲座第29页6.3.3木糖醇发酵过程辩识、预测和优化工作容积为3.5升，装料量1.5升30℃、pH5、通气量1VVM和搅拌转速为500rpm考查不一样初始木糖浓度S。（=4.71、8.90、10.19、31.06、58.01和94.71g/L）下木糖醇发酵动力学行为神经网络和其在生物反应专家讲座第30页图6.7木糖醇发酵过程网络预测值（曲线）与实测值（符号）比较

神经网络和其在生物反应专家讲座第31页

问题提出

在该过程中木糖醇累积量存在一个最大值，而且初始糖浓度等条件不一样，木糖醇浓度到达最大值时间不一样。为了预测木糖醇发酵过程木糖醇累积量到达最大值时刻，必须对木糖醇发酵过程进行辩识，在此我们利用了神经网络模型。神经网络和其在生物反应专家讲座第32页(1)神经网络模型构建学习样本：从上述五批发酵时间曲线中等间隔（Δt为1h）取162组经广义对数方程拟合所得数据。输入变量：发酵时间ｔ、t时刻木糖浓度Ｓ、菌体浓度Ｘ和木糖醇浓度Ｐ、溶解氧饱和浓度DO和发酵液pH值。输出变量：t＋Δt时间Ｓ、Ｘ和Ｐ。所用网络拓扑结构：双隐层，其神经元数由后述均匀设计法确定。活化函数和学习算法：Sigmoid函数，反向传输法（BP法）。神经网络和其在生物反应专家讲座第33页目标函数：式中tpj和Opj分别表示对应于第P组样本第j个输出单元期望值和拟合值。经0次训练后,当第一、二隐含层神经元数分别为7和6时，所得到离差平方和SQsum最正确(为0.065）。取该训练结果用于木糖醇发酵过程辩识，所得到结果见表6.1。由该表可见,除了Ｓ0=4.71(g/l)下Ｓ估算值与拟合值之间平均相对误差（9.80％）较大外,其余均小于5％。Ｓ0

4.7110.1931.0658.0194.71noteＳ

9.803.372.441.980.66>0.05Ｓ0

Ｘ

0.961.001.872.341.13Ｐ

3.133.074.774.212.76>0.05Ｐmax

神经网络和其在生物反应专家讲座第34页(2)过程预测检验

为了检验上述建立神经网络预测能力，本文分别用64组不参予训练但用于广义对数方程拟合状态变量及一批Ｓ0为8.9g/L时，即不参予训练又不参予拟合木糖醇发酵过程状态变量实测值为样本进行过程预测。所得结果如图6.7(a)－(f)所表示，由此图可见，该网络含有很强预测能力。神经网络和其在生物反应专家讲座第35页(3)状态变量优化

为了改进木糖醇发酵操作条件，我们引用均匀设计对发酵初始4个状态参数(Ｘ、Ｓ、DO和pH）20个水平安排了20种不一样“试验”方案。利用上述所建立神经网络模型进行发酵过程仿真预测，结果如表：No.Ｘ0(g/L)Ｓ0(g/L)DO(%)