基于RBF神经网络的青霉素发酵过程的模型辨识

分析了目前青霉素发酵过程中存在的问题.基于RBF神经网络的辨识方法,建立了青霉素发酵过程模型.以动力学模型为基础产生教师数据,采用遗传算法对网络进行训练,建立了基于RBF神经网络的发酵过程模型,并进行了仿真实验验证.实验结果表明,该辨识模型对青霉素补料分批培养过程具有实用价值.     

微生物批式流加发酵的建模及基于HPSO算法的参数辨识（英文）

研究了微生物批式发酵甘油生产1,3-丙二醇过程的建模和参数辨识。由于流加过程中甘油和碱被间断地注入发酵罐,因而本文提出一个非线性多阶段动力系统描述该过程,并讨论了该系统的性质。以实验数据和计算值之间误差平方和最小为性能指标,建立了系统辨识模型,并证明了参数的可辨识性。最后构造了混杂粒子群算法求解该参数辨识模型,数值结果表明实验观测值和计算值之间的误差比已有文献降低了1.76%～41.77%,因而该系统能更好的描述批式流加发酵过程。     

微生物批式流加发酵的建模及基于HPSO算法的参数辨识

研究了微生物批式发酵甘油生产1,3 丙二醇过程的建模和参数辨识。由于流加过程中甘油和碱被间断地注入发酵罐,因而本文提出一个非线性多阶段动力系统描述该过程,并讨论了该系统的性质。以实验数据和计算值之间误差平方和最小为性能指标,建立了系统辨识模型,并证明了参数的可辨识性。最后构造了混杂粒子群算法求解该参数辨识模型,数值结果表明实验观测值和计算值之间的误差比已有文献降低了176％～4177％,因而该系统能更好的描述批式流加发酵过程。     

微生物间歇发酵比生长速率辨识及优化算法

根据微生物间歇发酵甘油生产1,3-丙二醇过程的特征及动态行为,建立了能够更好地描述微生物间歇发酵过程的含控制函数和参数的动力系统,证明了该系统的一些性质.以实验数据和计算值之间误差平方和最小为性能指标,建立了系统辨识模型.根据微生物生长特点,采用离散化方法将系统辨识模型转化为一个参数辨识问题.最后,构造了改进的粒子群算法求解.数值结果表明实验观测值和计算值之间的相对误差比已有研究结果降低了6%~16%,该系统能更好地模拟间歇发酵过程.     

采用非线性粒子群算法的同步糖化发酵参数辨识

为进一步优化同步糖化发酵(SSF)工艺,在经典发酵动力学的基础上,总结出SSF工艺中的还原糖变化方程,并采用自适应粒子群优化(PSO)算法进行菌体生长、产物生成以及还原糖消耗的模型参数辨识.通过比较分析线性和非线性动态变化惯性权重的自适应PSO算法在动力学参数辨识过程中的优劣,确定了非线性方法的快速收敛特性.结果表明:模型的拟合值与实验数据比较接近,即利用这些模型来反映此SSF过程的机理具有一定的准确性和可靠性;通过非线性动态变化惯性权重的自适应PSO算法进行参数辨识具有一定的可行性和推广性,也为模型参数辨识提供了一种新思路.     

发酵过程控制的回归模型和过程预测

发酵过程是与微生物的生命活动相联系的生化过程 ,反应机理复杂 ,机理模型尚不成熟。本文提出利用发酵批报数据 ,以二次多项式模型集为基础 ,通过逐步回归和统计推断进行模型选择和参数估计的通用建模方法 ,以实现发酵过程的预测控制。     

甘油微生物间歇发酵过程的参数辨识

研究了甘油微生物间歇发酵过程的参数辨识问题.针对该问题,首先建立了以斜率误差准则为目标函数的参数辨识优化模型,然后应用B样条法估计实验数据的一阶导数,最后应用遗传算法求解该优化模型.计算结果表明本文方法是有效的.     

基于数据特征的模糊模型辨识与模糊控制器设计方法

针对难于建立精确数学模型的复杂过程,提出了一种基于数据特征的模糊模型辨识方法.该方法首先按过程输出随输入变量变化的剧烈程度对输入变量论域进行划分,然后在此划分的基础上确定出模糊模型的规则总数和前件参数,最后由于要建立的模糊模型可以表示为一个前馈模糊神经网络,因此利用BP学习算法求得过程模糊模型的后件参数.基于所提出的模糊模型辨识方法进行了柔性连杆机器人模糊控制器设计,并进行了柔性连杆机器人模糊控制实验.实验表明,通过所提出的模糊模型辨识和模糊控制方法可以得到满意的控制性能.     

微生物连续发酵系统参数辨识与优化算法

考虑3-HPA对细胞生长的抑制作用和底物与产物的跨膜运输方式,建立了能更好描述微生物连续发酵过程的新的数学模型,以计算值与实验稳态数据之间的平均相对误差为优化目标,以多个动力系统为状态约束,建立了参数辨识模型,证明了该辨识模型的参数可辨识性,并构造了改进的粒子群(PSO)算法求解该辨识模型.数值结果表明该新的动力学模型能更好地描述实际微生物连续发酵过程.     

T-S模糊模型的一种简单辨识算法

讨论了T-S模糊模型的辨识问题,以直线作为数据分类的目标,提出了一种改进的简单辨识算法.首先采用Hough变换,根据给定的输入输出数据,得到了模型后件部分的直线方程,并辨识出结论参数,然后依照得到的直线对输入数据进行分类.考虑输入数据与相应直线的接近程度,以及邻近直线对输入数据的影响程度,辨识出了模型的前件参数.本算法不需要对数据的循环计算,从而大大减少了计算量.仿真例子说明了本算法对T-S模糊模型辨识的有效性.