PRNN对Bacillus cereus DM423分批培养过程中生物量的软测量

为利用神经网络的非线性处理能力准确反映微生物培养的动态过程,应用部分反馈神经网络(PRNN)对分批培养过程中的Bacillus cereus DM423的生物量进行软测量,构建了拓扑结构为11-5-1的部分反馈神经网络. 网络的输入量为pH、温度、溶氧量和葡萄糖浓度的延时量,同时将网络输出的生物量浓度进行延时、反馈作为网络输入量,输出量为生物量浓度当时值,算法为BPTT法,获得的网络泛化能力较好,训练样本的均方差为0.56×10-3. 此外,所建立的部分反馈神经网络具有良好鲁棒性,可抵抗小幅度的高斯噪声干扰. 对Bacillus cereus DM423分批培养过程进行多步预测,预测精度高.     

部分反馈神经网络对腊样芽孢杆菌DM423分批培养过程中生物量的软测量

神神经网络以其较强的非线性处理能力在生物化工中有着广泛的应用前景，本文应用部分反馈神经网络对分批培养过程中的腊样芽孢杆菌DM423的生物量进行软测量，构建了拓扑结构为11-5-1的部分反馈神经网络。网络的输入量为pH、温度、溶氧量和葡萄糖浓度的延时量，并也将网络输出的生物量浓度进行延时、反馈作为网络输入量，生物量浓度当时值为输出量，网络的泛化能力较好，测试样本的均方差为0.5610-3。此外，所建立的部分反馈神经网络具有良好鲁棒性和预测能力。     

DM423摇瓶培养过程生物量的BP神经网络软测量

利用BP神经网络来描述腊样芽孢杆菌(Baeillus cereus DM423)(简称DM423)摇瓶培养过程中生物量与培养液初始葡萄糖含量和初始生物量之间的关系．建立了结构为2-6-3的BP神经网络．用所建立的神经网络对DM423摇瓶培养过程的生物量进行估算,发现估算值与实测值相当接近,表明网络有较好的泛化能力．此外,当初始葡萄糖含量超出测试样本范围时(分别为4．25和27．30g／L),网络对样本的预测结果也相当理想,预测的平均相对误差为1．95％．