基于两级神经网络的发酵过程多变量前馈解耦控制

针对具有时变、非线性、不确定性的多变量耦合生物发酵过程,提出了一种基于两级神经网络的多变量前馈解耦方法.一级神经网络利用可获得的过程信息拟和耦合通道的过程特性,实现耦合作用对被控量影响的估计;二级神经网络用来拟和控制通道的逆特性.通过两级网络的串联,消除系统间的耦合.实验结果表明,提出的解耦控制方法能适应生物发酵过程模型的不确定性和参数时变性,克服了前馈解耦方法依赖于过程模型和对模型参数的变化表现敏感的缺点.     

基于极限学习机的生化过程软测量建模

针对极限学习机方法隐层神经元数目过多的缺陷，提出一种改进的极限学习机方法。在单隐层前向神经网络的隐层中，增加一类分类神经元，从而形成了一种新的单隐层神经网络结构。针对不同类样本数不相同的问题，提出了处理方法，使得可以利用相同的隐层神经元对不同类的学习样本进行拟合，这使得网络的隐层神经元数目大大降低，从而简化了模型的结构，提高了神经网络的计算速度。将这一方法应用于诺西肽发酵过程，建立了菌体浓度的软测量模型，实现了菌体浓度的在线预估。