基于PCA-ARLSSVM的毕赤酵母发酵过程软测量研究
发布时间：2020-12-02 12:41
菊粉酶是一种能够水解β-2,1-D-果聚糖果糖苷键的水解酶,可用于生产生物燃料乙醇、丁醇、单细胞油脂、低聚果糖和乳酸等工业产品。因此,菊粉酶在医药、保健、食品和生物能源等领域显示出巨大的的应用前景。在利用毕赤酵母高密度发酵生成菊粉酶过程中需要测量的参数包括化学参数、生物参数和物理参数。其中,产物菊粉酶的浓度只能通过考马斯亮蓝法（Bradford）离线测量,这样不仅造成发酵成本的增加,而且对发酵过程的控制决策和工艺改善造成影响。为解决上述难题,本文使用软测量建模方法,实现对产物菊粉酶浓度的在线预测。本文主要研究内容如下:1.本文在充分分析毕赤酵母发酵工艺后,通过对重组毕赤酵母（Pichia pastoris KM71/pPIC9K-EnInu）进行高密度发酵,获取发酵过程中关键变量的原始数据。通过建立标准最小二乘支持向量机（Least Squares Support Vector Machines,LSSVM）模型,初步实现了对菊粉酶浓度的在线预测。2.针对标准LSSVM模型输入数据维数较高,且数据之间相关性较强、模型鲁棒性能差、运算时间长、预测精度不高等问题,本文提出了基于主元分析与自...
【文章来源】：江苏大学江苏省
【文章页数】：69 页
【学位级别】：硕士
【部分图文】：
软测量结构框架
图 1.2 基于人工神经网络的软测量模型Fig.1.2 Soft-sensor model based on ANNANN 模型的建立方式主要有两种，一种是直接建立人工神经网络模型，如图 1.2（a）所示，用网络描述可测变量和待测变量间的关系，实现对主导变量的在线预测；另一种是用 ANN 与其它软测量模型相结合，先利用人工神经网络来估计常规模型的参数，从而间接实现对待测变量的在线预测，如图 1.2（b）所示。（3）基于模糊数学的软测量研究方法基于模糊数学的软测量模型是一种知识性模型，适合应用于被测对象难以定量描述且不稳定的工业过程中[40]。实际工业应用时单一基于模糊数学的软测量模型常和其它基于人工智能的软测量模型相结合，如模糊神经网络模型，既有模糊数学模型的定性描述功能，又兼具神经网络模型容错能力强、并行计算、自学习的优点。这样可以优势互补，从而提高软测量模型的性能[41-43]。（4）基于支持向量机的软测量研究方法
江 苏 大 学 硕 士 学 位 论 文火虫群优化算法和基本果蝇算法之后，通过萤火虫对模型的惩罚系数与宽度系数进行寻优，使模型的预过仿真实验，证明了 PCA-ARLSSVM 模型及萤火虫相比于标准 LSSVM 模型和部分寻优算法的性能优越展望部分。对全文所做工作进行总结，指出不足之如图 1.3 所示。
【参考文献】：
期刊论文
[1]基于TSK型递归模糊神经网络的永磁直线同步电机位置控制研究[J]. 熊渊琳,方宝英. 机电工程. 2019(04)
[2]粒子群蛙跳模糊神经网络的PMSM转速控制器设计[J]. 乔维德. 微特电机. 2019(03)
[3]生物工程中检测技术的需求和发展趋势[J]. 姜琳. 生物技术世界. 2014(08)
[4]菊粉酶及其制备低聚果糖研究进展[J]. 顾夕梅,陈晓佩,奚晓桐,沈怡,李鑫. 广东化工. 2014(07)
[5]求解TSP问题的离散型萤火虫群优化算法[J]. 周永权,黄正新,刘洪霞. 电子学报. 2012(06)
[6]基于果蝇优化算法的模拟滤波器设计[J]. 肖正安. 湖北第二师范学院学报. 2012(02)
[7]人工神经网络的发展及应用[J]. 毛健,赵红东,姚婧婧. 电子设计工程. 2011(24)
[8]菊粉酶基因在酿酒酵母中的表达及乙醇发酵[J]. 李楠楠,袁文杰,王娜,辛程勋,葛旭萌,白凤武. 生物工程学报. 2011(07)
[9]基于tPSO-BPNN的赖氨酸发酵软测量[J]. 黄丽,孙玉坤,嵇小辅,黄永红,王博. 仪器仪表学报. 2010(10)
[10]无花果曲霉固态发酵中菊粉酶的提取工艺[J]. 陈天祥,陈寒青,陈晓明,于阳,徐学明,金征宇. 食品与生物技术学报. 2010(03)
博士论文
[1]Aspergillus ficuum菊粉酶的基因克隆、表达及其结构与功能研究[D]. 陈晓明.江南大学 2012
[2]基于最小二乘支持向量机的铝电解过程建模与控制研究[D]. 阎纲.中南大学 2012
[3]基于数据驱动的生物反应过程软测量与优化控制[D]. 黄丽.江苏大学 2011
[4]基于混合模型的软测量方法研究及其在发酵过程中的应用[D]. 于涛.北京化工大学 2006
[5]软测量技术若干问题的研究及工业应用[D]. 刘瑞兰.浙江大学 2004
硕士论文
[1]黑曲霉内切菊粉酶的外源表达及其在低聚果糖制备中的应用[D]. 徐艳冰.南京林业大学 2016
[2]毕赤酵母发酵过程中菊粉酶浓度软测量方法研究[D]. 张颖佳.山东大学 2016
[3]基于BLS-SVM的海洋生物酶发酵过程软测量与预测控制[D]. 岳海东.江苏大学 2016
[4]基于神经网络的混合建模在发酵过程中的研究与应用[D]. 关伟.北京工业大学 2009
[5]混合软测量方法在污水处理中的研究[D]. 王胜光.上海交通大学 2008
[6]生物发酵过程中的软测量技术应用研究[D]. 童豪.浙江大学 2004
本文编号：2895327
【文章来源】：江苏大学江苏省
【文章页数】：69 页
【学位级别】：硕士
【部分图文】：
软测量结构框架
图 1.2 基于人工神经网络的软测量模型Fig.1.2 Soft-sensor model based on ANNANN 模型的建立方式主要有两种，一种是直接建立人工神经网络模型，如图 1.2（a）所示，用网络描述可测变量和待测变量间的关系，实现对主导变量的在线预测；另一种是用 ANN 与其它软测量模型相结合，先利用人工神经网络来估计常规模型的参数，从而间接实现对待测变量的在线预测，如图 1.2（b）所示。（3）基于模糊数学的软测量研究方法基于模糊数学的软测量模型是一种知识性模型，适合应用于被测对象难以定量描述且不稳定的工业过程中[40]。实际工业应用时单一基于模糊数学的软测量模型常和其它基于人工智能的软测量模型相结合，如模糊神经网络模型，既有模糊数学模型的定性描述功能，又兼具神经网络模型容错能力强、并行计算、自学习的优点。这样可以优势互补，从而提高软测量模型的性能[41-43]。（4）基于支持向量机的软测量研究方法
江 苏 大 学 硕 士 学 位 论 文火虫群优化算法和基本果蝇算法之后，通过萤火虫对模型的惩罚系数与宽度系数进行寻优，使模型的预过仿真实验，证明了 PCA-ARLSSVM 模型及萤火虫相比于标准 LSSVM 模型和部分寻优算法的性能优越展望部分。对全文所做工作进行总结，指出不足之如图 1.3 所示。
【参考文献】：
期刊论文
[1]基于TSK型递归模糊神经网络的永磁直线同步电机位置控制研究[J]. 熊渊琳,方宝英. 机电工程. 2019(04)
[2]粒子群蛙跳模糊神经网络的PMSM转速控制器设计[J]. 乔维德. 微特电机. 2019(03)
[3]生物工程中检测技术的需求和发展趋势[J]. 姜琳. 生物技术世界. 2014(08)
[4]菊粉酶及其制备低聚果糖研究进展[J]. 顾夕梅,陈晓佩,奚晓桐,沈怡,李鑫. 广东化工. 2014(07)
[5]求解TSP问题的离散型萤火虫群优化算法[J]. 周永权,黄正新,刘洪霞. 电子学报. 2012(06)
[6]基于果蝇优化算法的模拟滤波器设计[J]. 肖正安. 湖北第二师范学院学报. 2012(02)
[7]人工神经网络的发展及应用[J]. 毛健,赵红东,姚婧婧. 电子设计工程. 2011(24)
[8]菊粉酶基因在酿酒酵母中的表达及乙醇发酵[J]. 李楠楠,袁文杰,王娜,辛程勋,葛旭萌,白凤武. 生物工程学报. 2011(07)
[9]基于tPSO-BPNN的赖氨酸发酵软测量[J]. 黄丽,孙玉坤,嵇小辅,黄永红,王博. 仪器仪表学报. 2010(10)
[10]无花果曲霉固态发酵中菊粉酶的提取工艺[J]. 陈天祥,陈寒青,陈晓明,于阳,徐学明,金征宇. 食品与生物技术学报. 2010(03)
博士论文
[1]Aspergillus ficuum菊粉酶的基因克隆、表达及其结构与功能研究[D]. 陈晓明.江南大学 2012
[2]基于最小二乘支持向量机的铝电解过程建模与控制研究[D]. 阎纲.中南大学 2012
[3]基于数据驱动的生物反应过程软测量与优化控制[D]. 黄丽.江苏大学 2011
[4]基于混合模型的软测量方法研究及其在发酵过程中的应用[D]. 于涛.北京化工大学 2006
[5]软测量技术若干问题的研究及工业应用[D]. 刘瑞兰.浙江大学 2004
硕士论文
[1]黑曲霉内切菊粉酶的外源表达及其在低聚果糖制备中的应用[D]. 徐艳冰.南京林业大学 2016
[2]毕赤酵母发酵过程中菊粉酶浓度软测量方法研究[D]. 张颖佳.山东大学 2016
[3]基于BLS-SVM的海洋生物酶发酵过程软测量与预测控制[D]. 岳海东.江苏大学 2016
[4]基于神经网络的混合建模在发酵过程中的研究与应用[D]. 关伟.北京工业大学 2009
[5]混合软测量方法在污水处理中的研究[D]. 王胜光.上海交通大学 2008
[6]生物发酵过程中的软测量技术应用研究[D]. 童豪.浙江大学 2004
本文编号：2895327
本文链接：https://www.wllwen.com/kejilunwen/zidonghuakongzhilunwen/2895327.html
