红霉素发酵过程中神经网络逆软测量方法的改进和实现

摘要

本文针对基于“内含传感器”的神经网络逆软测量方法在红霉素发酵过程中应用时软测量精度不高的问题，提出了若干改进方法，并应用到某制药厂的实际红霉素发酵过程。实际的运行效果表明了这些改进方法的有效性，为提高红霉素发酵过程关键参量(菌丝浓度、总糖浓度和化学效价)的软测量精度问题提供了很好的方法。本文取得的研究成果如下： 1．在基于“内含传感器”的神经网络逆软测量方法的基础上，根据神经网络逆系统扩展结构理论，通过对红霉素发酵过程的分析，增加了重要的辅助变量，然后用主元分析法对软测量模型的辅助变量进行了处理，使软测量模型的精度得到了较大的提高。 2．提出了先两步判断法后滑动平均滤波法对神经网络逆软测量模型的辅助变量进行误差处理，有效地滤除了噪声信号，改善了误差处理效果，并对过失误差起到了预防和校正的作用。 3．对归一化方法进行了改进，使归一化后的数据更能体现输入变量的特征，进行神经网络训练时，可以更充分地逼近神经网络逆软测量模型，提高神经网络的泛化能力。 4．通过神经网络自动训练和自动检验模块、离线化验数据录入存储和多项式插值模块、神经网络逆软测量版本选择模块，实现了软测量模型的在线校正，从而使软测量模型能适应新的工作状况，保证软测量精度。 5．依据程序模块化的思想，实现了红霉素发酵过程神经网络逆软测量软件。

目录

文摘

英文文摘

第一章绪论

1.1项目背景及研究意义

1.2本文研究内容

第二章基于“内含传感器”的神经网络逆软测量方法简介

2.1软测量方法

2.2基于“内含传感器”的神经网络逆软测量方法

2.2.1生化反应过程中的“内含传感器”

2.2.2基于“内含传感器”的神经网络逆软测量方法

2.3基于“内含传感器”的神经网络逆软测量方法在红霉素发酵过程中的应用

2.3.1红霉素发酵过程中“内含传感器”的构造

2.3.2红霉素发酵过程中基于“内含传感器”的神经网络逆软测量方法

2.4影响软测量性能的因素

2.4.1辅助变量的选择和处理

2.4.2数据预处理

2.4.3软测量模型的在线校正

2.5软测量性能的评价标准

2.6小结

第三章红霉素发酵过程中基于“内含传感器”的神经网络逆软测量方法的改进

3.1神经网络逆软测量模型的辅助变量的选择和处理方法的改进

3.1.1红霉素发酵过程分析

3.1.2根据神经网络逆扩展结构确定软测量模型的辅助变量

3.1.3采用主元分析法处理神经网络逆软测量模型的辅助变量

3.1.4改进后的神经网络逆软测量效果分析

3.1.5小结

3.2误差处理方法的改进

3.2.1误差处理方法的改进——先两步判断法后滑动平均滤波方法

3.2.2改进的误差处理方法对提高神经网络逆软测量精度的效果分析

3.2.3小结

3.3样本归一化方法的改进

3.3.1样本归一化处理方法的改进

3.3.2改进的归一化处理方法对提高神经网络逆软测量精度的效果分析

3.3.3 小结

3.4神经网络逆软测量模型的在线校正

3.5小结

第四章改进的神经网络逆软测量方法的实现

4.1神经网络逆软测量软件设计思想

4.2神经网络逆软测量算法实现

4.3神经网络逆软测量模型在线校正的设计与实现

4.3.1设计思路

4.3.2具体实现

4.4改进的神经网络逆软测量软件的应用效果分析

4.4.1改进的神经网络逆软测量方法的性能检验

4.4.2改进的神经网络逆软测量方法的检验结果分析

4.5小结

第五章论文总结和展望

5.1研究工作总结

5.2展望

参考文献

附录A“内含传感器”子系统模型的建模算法

附录B红霉素发酵模型符号说明

附录C红霉素发酵过程中“内含传感器”模型的构造过程

附录D样本均值和样本标准差更新的迭代公式推导过程

致谢

作者简介