神经网络及其在生物反应课件

资料仅供参考,不当之处，请联系改正。生物神经元信息处理单元资料仅供参考,不当之处，请联系改正。生物神经元信息处理单元资料仅供参考,不当之处，请联系改正。生物神经元信息处理单元资料仅供参考,不当之处，请联系改正。生物神经元信息处理单元资料仅供参考,不当之处，请联系改正。生物神经元信息处理单元资料仅供参考,不当之处，请联系改正。生物神经元信息处理单元资料仅供参考,不当之处，请联系改正。人工神经元信息处理单元资料仅供参考,不当之处，请联系改正。人工神经信息处理单元资料仅供参考,不当之处，请联系改正。人工神经元信息输入输出资料仅供参考,不当之处，请联系改正。人工神经元信息输入输出资料仅供参考,不当之处，请联系改正。人工神经元信息输入输出资料仅供参考,不当之处，请联系改正。人工神经元信息输入输出资料仅供参考,不当之处，请联系改正。6.1 人工神经网络的一般特点人工神经网络的一般特点(1)计算速度较快（并行性）。(2)很强的容错性（个别与整体）。(3)信息分布式存贮（权）。(4)很强的学习功能（权、结构）。资料仅供参考,不当之处，请联系改正。6.2 神经网络基本模式与学习方法神经网络基本模式与学习方法资料仅供参考,不当之处，请联系改正。BP算法 资料仅供参考,不当之处，请联系改正。BP算法的主要缺点：(1)算法收敛速度很慢；(2)容易陷入局部极小点；(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 资料仅供参考,不当之处，请联系改正。t资料仅供参考,不当之处，请联系改正。6.3 神经网络在生物工程中的应用神经网络在生物工程中的应用 6.3.1 青霉素补料分批培养过程状态估计青霉素补料分批培养过程状态估计6.3.2 体积氧传递系数的函数建模和模式识别体积氧传递系数的函数建模和模式识别6.3.3 木糖醇发酵状态估计、过程预测与优化木糖醇发酵状态估计、过程预测与优化资料仅供参考,不当之处，请联系改正。基于神经网络的预测方法基于神经网络的时间序列预测(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)基于神经网络的回归预测Y=F(X1,X2,Xk)基于神经网络的组合预测 fe=(f1,f2,fk)+资料仅供参考,不当之处，请联系改正。6.3.16.3.1青霉素补料分批培养过程状态估计青霉素补料分批培养过程状态估计1.1.青霉素补料分批培养动力学模型青霉素补料分批培养动力学模型2.2.人工神经网络模型人工神经网络模型输入变量：输出变量：样本数：收敛准则：资料仅供参考,不当之处，请联系改正。3.3.网络输出值网络输出值（1 1）隐层数及神经元数的影响）隐层数及神经元数的影响隐层神经元数 2 6 3-5 5-3 10网络总权数 21 57 60 66 63相对迭代速度 1.00 2.29 2.43 2.57 3.57 29.4 32.3 3.04 4.78 3.15迭代次数 21443 64641 45127 42743 62994相对时间 1.00 6.90 5.12 5.13 10.5表表6.1 6.1 对于不同隐层神经元数的训练结果对于不同隐层神经元数的训练结果资料仅供参考,不当之处，请联系改正。当当 时，除时，除3-5外，其它外，其它陷入局部最小。陷入局部最小。迭代速度与网络总数权成正比，迭代速度与网络总数权成正比，与结构无关。与结构无关。资料仅供参考,不当之处，请联系改正。（2 2）步长的影响）步长的影响 时所得结果最好。时所得结果最好。的建议并非普遍适用。的建议并非普遍适用。在同样的在同样的 下，下，随着随着 值变化而变化。值变化而变化。在同样的在同样的 ，与与 的值有关。的值有关。资料仅供参考,不当之处，请联系改正。（3 3）训练结果）训练结果网络结构：5-3-5-3参数取值：资料仅供参考,不当之处，请联系改正。6.3.26.3.2体积氧传递系数的函数建模和模式识别体积氧传递系数的函数建模和模式识别 Ka=0.01(P/V)(Vs)(P/V700)Ka=0.02(P/V)(Vs)(P/V0.050 0.961.001.872.341.13 3.133.074.774.212.760.05max 资料仅供参考,不当之处，请联系改正。(2)(2)过程预测检验过程预测检验 为了检验上述建立的神经网络的预测能力，本文分别用64组不参予训练但用于广义对数方程拟合的状态变量及一批0为8.9g/L时，即不参予训练又不参予拟合的木糖醇发酵过程状态变量的实测值为样本进行过程预测。所得结果如图6.7(a)(f)所示，由此图可见，该网络具有很强的预测能力。资料仅供参考,不当之处，请联系改正。(3)(3)状态变量优状态变量优化化 为了改善木糖醇发酵的操作条件，我们引用均匀设计对发酵初始的4 个状态参数(、DO和pH）的20个水平安排了20种不同的“实验”方案。运用上述所建立的神经网络模型进行发酵过程仿真预测，结果如表：No.0(g/L)0(g/L)DO(%)pH Yp/s。Max(g/g)max(g/L)120 4.55.1 35100 65944.75.00.1440.858 8.164.7 opt.4.50 93 65 4.70 0.696 64.7 分别比上述五批实验所得的最大产率0.61(g/g)和最高木糖醇浓度57.88(g/L)提高了11.6和10.6。