基于連續(xù)隱Markov模型(CHMM)的生物發(fā)酵軟測(cè)量建模方法研究.pdf

1、生物參量是發(fā)酵過程的重要參數(shù)，直接反映著微生物發(fā)酵過程的狀態(tài)，影響著發(fā)酵產(chǎn)物的質(zhì)量和產(chǎn)量。為了對(duì)發(fā)酵過程進(jìn)行有效的監(jiān)測(cè)和優(yōu)化控制，迫切需要實(shí)現(xiàn)發(fā)酵過程中關(guān)鍵生物參量的在線測(cè)量。然而，在實(shí)際的發(fā)酵生產(chǎn)過程中，由于工藝和技術(shù)的限制，一些關(guān)鍵生物參量難以實(shí)現(xiàn)在線檢測(cè)，只能通過人工采樣離線分析的方法獲得。該方法獲得數(shù)據(jù)間隔時(shí)間長(zhǎng)、滯后大，難以滿足發(fā)酵過程實(shí)時(shí)監(jiān)測(cè)和優(yōu)化控制要求。采用軟測(cè)量技術(shù)是解決上述問題的有效途徑。
　　 本文以紅霉素

2、發(fā)酵過程為研究對(duì)象，在詳細(xì)分析了軟測(cè)量建模方法國(guó)內(nèi)外研究現(xiàn)狀的基礎(chǔ)上，將連續(xù)隱Markov模型(CHMM)引入到軟測(cè)量建模領(lǐng)域，提出了基于CHMM的生物發(fā)酵軟測(cè)量建模新方法，并結(jié)合紅霉素發(fā)酵過程采集數(shù)據(jù)建立了菌體濃度軟測(cè)量模型。全文主要研究?jī)?nèi)容如下：
　　 1、在詳細(xì)分析軟測(cè)量建模方法國(guó)內(nèi)外研究現(xiàn)狀以及CHMM基本理論和算法的基礎(chǔ)上，結(jié)合紅霉素發(fā)酵過程，將CHMM模型引入到軟測(cè)量建模領(lǐng)域，提出了基于CHMM的生物發(fā)酵軟測(cè)量建模方

3、法。
　　 2、針對(duì)現(xiàn)有軟測(cè)量模型預(yù)測(cè)結(jié)果直接應(yīng)用于發(fā)酵過程實(shí)時(shí)監(jiān)測(cè)和優(yōu)化控制時(shí)存在盲目性的問題，提出了軟測(cè)量結(jié)果可信度評(píng)價(jià)指標(biāo)，用于在線實(shí)時(shí)評(píng)價(jià)軟測(cè)量結(jié)果的可靠性。
　　 3、針對(duì)傳統(tǒng)Baum-Welch算法存在的缺陷，以及CHMM在生物發(fā)酵軟測(cè)量建模應(yīng)用中的實(shí)際問題，對(duì)Baum-Welch參數(shù)重估公式進(jìn)行了修正，研究了一種改進(jìn)Baum-Welch算法，并給出了基于改進(jìn)Baum-Welch算法的CHMM生物發(fā)酵軟測(cè)量建

4、模實(shí)現(xiàn)步驟。
　　 4、為了提高基于CHMM的生物發(fā)酵軟測(cè)量模型的預(yù)測(cè)精度，采用區(qū)別性訓(xùn)練算法代替?zhèn)鹘y(tǒng)的最大似然估計(jì)訓(xùn)練算法（Baum-Welch算法），研究了基于改進(jìn)最小分類誤差準(zhǔn)則的CHMM軟測(cè)量模型參數(shù)訓(xùn)練算法，并給出了基于改進(jìn)最小分類誤差準(zhǔn)則的CHMM生物發(fā)酵軟測(cè)量建模實(shí)現(xiàn)步驟。
　　 5、采用紅霉素發(fā)酵過程數(shù)據(jù)，分別對(duì)基于改進(jìn)Batun-Welch算法和基于改進(jìn)最小分類誤差準(zhǔn)則的CHMM生物發(fā)酵軟測(cè)量建模方法進(jìn)