基于神經(jīng)網(wǎng)絡(luò)的抗生素發(fā)酵過(guò)程補(bǔ)料控制研究

基于神經(jīng)網(wǎng)絡(luò)的抗生素發(fā)酵過(guò)程補(bǔ)料控制研究

1補(bǔ)料量的控制抗生素是微生物的二級(jí)代謝產(chǎn)物。在一定條件下，各種添加劑被用來(lái)合成某些酶反應(yīng)。其發(fā)酵過(guò)程大致可分為前期、中期和后期三個(gè)階段,以分批補(bǔ)料間歇培養(yǎng)為特征,控制的目的是為菌體生長(zhǎng)和抗生素的合成提供適宜的外部條件。補(bǔ)料量的控制是整個(gè)抗生素發(fā)酵過(guò)程中的關(guān)鍵。目前的控制也只能對(duì)一些外部參數(shù)(如溫度、罐壓、空氣流量等)進(jìn)行簡(jiǎn)單地控制,而對(duì)于生產(chǎn)過(guò)程中起關(guān)鍵作用的補(bǔ)料量的控制多是靠人工經(jīng)驗(yàn),其可靠性差、偶然因素多,嚴(yán)重影響生產(chǎn)效益的提高。神經(jīng)網(wǎng)絡(luò)通過(guò)大量神經(jīng)元的連接,通過(guò)自學(xué)習(xí)、自組織和非線性動(dòng)力學(xué)所形成的分布式方式來(lái)處理難以語(yǔ)言化的模式信息。遺傳算法是模擬生物進(jìn)化現(xiàn)象,采用進(jìn)化機(jī)制,快速有效解決問(wèn)題的一種隨機(jī)性迭代式概率搜索方法,遺傳算法和神經(jīng)網(wǎng)絡(luò)相結(jié)合時(shí),可只考慮體現(xiàn)問(wèn)題的信息模式,并通過(guò)對(duì)信息模式的處理求得問(wèn)題的解,特別適用于非線性極強(qiáng)而難以建模的系統(tǒng)?；谝陨侠碚?本文提出了利用各種參數(shù)的化驗(yàn)值,通過(guò)神經(jīng)網(wǎng)絡(luò)的控制得到補(bǔ)料量的智能控制方法。2建立適應(yīng)該批菌體發(fā)酵的神經(jīng)網(wǎng)絡(luò)發(fā)酵過(guò)程是一個(gè)高度非線性、時(shí)間連續(xù)變化的動(dòng)態(tài)過(guò)程,其逆過(guò)程是為達(dá)到一定量的產(chǎn)出確定合適的補(bǔ)料量。對(duì)抗生素發(fā)酵過(guò)程的逆動(dòng)力學(xué)模型的辨識(shí)可采用神經(jīng)網(wǎng)絡(luò)直接逆系統(tǒng)建模方式,如圖1所示?？股厣a(chǎn)多以分批發(fā)酵方式進(jìn)行,每一批抗生素的發(fā)酵過(guò)程都有對(duì)該批菌體發(fā)酵的具體狀態(tài)進(jìn)行詳細(xì)記錄的批報(bào)表,批報(bào)表上有化驗(yàn)值和補(bǔ)料量,這些大都包含了發(fā)酵過(guò)程中生物量集中的信息,如表1為潔酶素(抗生素的一個(gè)分支)發(fā)酵中期的部分樣本數(shù)據(jù)。因而可以根據(jù)化驗(yàn)值和補(bǔ)料量建立合適的神經(jīng)網(wǎng)絡(luò),然后把這批數(shù)據(jù)當(dāng)作網(wǎng)絡(luò)的訓(xùn)練樣本,對(duì)神經(jīng)網(wǎng)絡(luò)進(jìn)行有教師信號(hào)的訓(xùn)練。以潔酶素發(fā)酵為例,網(wǎng)絡(luò)以殘?zhí)?、氨基氮和pH值的化驗(yàn)值為輸入,以補(bǔ)料量(補(bǔ)糖量、補(bǔ)氨水量、補(bǔ)硫酸氨量)為輸出建立一個(gè)3-9-3的BP網(wǎng)絡(luò)。如圖2所示,當(dāng)網(wǎng)絡(luò)誤差達(dá)到生產(chǎn)所要求的范圍內(nèi)后,訓(xùn)練結(jié)束,這時(shí)可利用網(wǎng)絡(luò)對(duì)生產(chǎn)進(jìn)行控制。如輸入化驗(yàn)值x1、x2、x3,則可得補(bǔ)料量y1、y2、y3。3bp網(wǎng)絡(luò)的缺陷對(duì)圖1中BP網(wǎng)絡(luò)的訓(xùn)練在此不采用BP學(xué)習(xí)算法,而是采用遺傳算法來(lái)優(yōu)化網(wǎng)絡(luò)權(quán)值,其基本思想是:首先在解空間用遺傳算法定位出一些較好的搜索空間,然后采用BP算法在這些解空間中搜索出最優(yōu)解,再不斷地迭代下去。BP網(wǎng)絡(luò)由于采用一階梯度法求解,所以收斂速度慢,易限于局部最優(yōu)。在網(wǎng)絡(luò)規(guī)模較大時(shí),這種缺陷表現(xiàn)得更為明顯。將遺傳算法與神經(jīng)網(wǎng)絡(luò)相結(jié)合,可兼有神經(jīng)網(wǎng)絡(luò)廣泛映射能力和遺傳算法快速、全局收斂以及增強(qiáng)式學(xué)習(xí)能力等性能,在某種程度上可避免BP算法收斂速度慢、易限于局部最優(yōu)的缺點(diǎn)。3.1ga優(yōu)化網(wǎng)絡(luò)訪問(wèn)權(quán)限的設(shè)計(jì)(1)生成連接權(quán)的變化范圍t采用二進(jìn)制編碼方案,網(wǎng)絡(luò)的每個(gè)連接權(quán)值都用一定長(zhǎng)的0/1串表示。在編碼時(shí),首先假定連接權(quán)在某一預(yù)定的范圍內(nèi)變化,那么各連接權(quán)的實(shí)際值和字符串表示值之間有如下關(guān)系:ωt(i?j)=ωmin(i?j)+binreplace(t)2L-1[ωmax(i?j)-ωmin(i?j)+1](1)ωt(i?j)=ωmin(i?j)+binreplace(t)2L?1[ωmax(i?j)?ωmin(i?j)+1](1)式中:binreplace(t)——由L位字符串所組成的二進(jìn)制整數(shù);[ωmax(i,j),ωmin(i,j)]——各連接權(quán)的變化范圍。將所有權(quán)值對(duì)應(yīng)的0/1串連在一起,得到一個(gè)很長(zhǎng)的二進(jìn)制字符串,代表網(wǎng)絡(luò)的一種權(quán)值組合,即一個(gè)個(gè)體。(2)群體數(shù)量、數(shù)量對(duì)ga運(yùn)算效率的影響群體的大小表示群體中所含個(gè)體的數(shù)量,當(dāng)群體中個(gè)體的數(shù)量較少時(shí),可提高GA的運(yùn)算速度,但卻降低了群體的多樣性,有可能會(huì)引起GA的早熟;當(dāng)群體中個(gè)體的數(shù)量較多時(shí),又會(huì)使得GA的運(yùn)行效率降低。一般建議的取值范圍為20~100。(3)差函數(shù)的定義在遺傳算法中,對(duì)適應(yīng)度函數(shù)的唯一要求是針對(duì)輸入可以計(jì)算出能加以比較的非負(fù)結(jié)果。因此這里采用網(wǎng)絡(luò)的誤差函數(shù)作為適應(yīng)度函數(shù),并認(rèn)為誤差大的個(gè)體其適應(yīng)度小。具體表示如下:F=C-E(2)式中:C——常數(shù);E——網(wǎng)絡(luò)的誤差函數(shù);E=12ΣmΣk(Ym?k-ˉYm?k)2E=12ΣmΣk(Ym?k?Yˉˉˉm?k)2,其中:Ym,k、ˉYm,k——網(wǎng)絡(luò)的第m個(gè)訓(xùn)練樣本的第k個(gè)輸出節(jié)點(diǎn)的實(shí)際輸出和期望輸出。(4)交叉算子的生成a.選擇算子:計(jì)算完各個(gè)體的適應(yīng)度后,選擇適應(yīng)度大的個(gè)體遺傳到下一代。在此應(yīng)用目前最常用的適應(yīng)度比例法,即各個(gè)個(gè)體的選擇概率和其適應(yīng)度成比例。對(duì)于適應(yīng)度為Fi的個(gè)體賦予其選擇概率Ps為:Ρs=Fi/ΝΣi=1Fi(3)式中:N——群體中所含個(gè)體的數(shù)量。在實(shí)際學(xué)習(xí)中,一般將適應(yīng)度最大的個(gè)體無(wú)條件地遺傳給下一代。b.交叉算子:按一定的交叉概率Pc從群體中隨機(jī)地選擇兩個(gè)權(quán)值個(gè)體,然后在個(gè)體字符串中隨機(jī)地設(shè)定一個(gè)交叉點(diǎn),在交叉點(diǎn)處把兩個(gè)個(gè)體分成前后兩個(gè)部分,交換兩個(gè)個(gè)體的后半部分,得到兩個(gè)新個(gè)體,取第一個(gè)個(gè)體為交叉結(jié)果。在實(shí)際學(xué)習(xí)中,一般要對(duì)網(wǎng)絡(luò)的權(quán)值部分和閾值部分分別進(jìn)行交叉,這樣做的原因是將權(quán)值和閾值分開(kāi),以提高學(xué)習(xí)率。c.變異算子:按一定的變異概率Pm對(duì)群體中的某些個(gè)體的某些位進(jìn)行變異,即對(duì)某些個(gè)體二進(jìn)制字符串的某些位進(jìn)行0與1的變換。(5)調(diào)整pc和pm交叉概率Pc控制著交叉操作的頻率,Pc過(guò)大,會(huì)使高適應(yīng)度值的解很快被破壞掉,Pc過(guò)小,搜索又會(huì)停滯不前。變異概率Pm是增大群體多樣性的又一個(gè)因素,Pm過(guò)大,會(huì)破壞有用的個(gè)體而使解遠(yuǎn)離最優(yōu)解,使GA變成隨機(jī)搜索,Pm過(guò)小,則不會(huì)產(chǎn)生新的個(gè)體。為加快GA的搜索效率和有效防止限于局部解,這里采用按下式自適應(yīng)地調(diào)整Pc和Pm:Pc=1(Fc<Favg)Pc=(Fmax-Fc)/(Fmax-Favg)(Fc≥Favg)(4)Pm=0.5(Fm<Favg)Pm=0.5(Fmax-Fm)/(Fmax-Favg)(Fm≥Favg)(5)式中:Fc——待交叉的兩個(gè)個(gè)體中的較大適應(yīng)度值;Fm——要變異個(gè)體的適應(yīng)度值;Fmax、Favg——群體中最大適應(yīng)度值和群體平均適應(yīng)度值。這就使得Pc和Pm隨著個(gè)體的適應(yīng)度值而自適應(yīng)地改變。3.2基于雙網(wǎng)融合的新群體群的建立首先用遺傳算法對(duì)神經(jīng)網(wǎng)絡(luò)的初始權(quán)值進(jìn)行優(yōu)化,利用遺傳算法的全局搜索性,將搜索空間縮小到一定的精度范圍,然后利用BP算法局部收斂性強(qiáng)的特性,在這個(gè)小的解空間中搜索出最優(yōu)解。具體步驟如下:①給定網(wǎng)絡(luò)的輸入、輸出樣本集;②根據(jù)經(jīng)驗(yàn)確定神經(jīng)網(wǎng)絡(luò)的各連接權(quán)的分布范圍,然后根據(jù)問(wèn)題所要求的精度確定各權(quán)值的編碼長(zhǎng)度,根據(jù)式(1)進(jìn)行二進(jìn)制編碼權(quán)值;③設(shè)定群體中的個(gè)體數(shù)N,隨即生成一個(gè)初始群體;④對(duì)群體中的每一個(gè)體二進(jìn)制串進(jìn)行譯碼,求得N組網(wǎng)絡(luò)權(quán)值,得到具有相同結(jié)構(gòu)的N個(gè)網(wǎng)絡(luò);⑤由輸入樣本集經(jīng)前向傳播算法,求得N組網(wǎng)絡(luò)權(quán)值對(duì)應(yīng)的N個(gè)網(wǎng)絡(luò)輸出;⑥根據(jù)適應(yīng)度函數(shù)式(2)、(3)求得N組權(quán)值各自所對(duì)應(yīng)的適應(yīng)度;⑦根據(jù)式(4)求得選擇概率,并根據(jù)選擇概率對(duì)N組權(quán)值進(jìn)行選擇操作;⑧根據(jù)式(5)、(6)的交叉概率和變異概率對(duì)選擇后的個(gè)體自適應(yīng)地進(jìn)行相應(yīng)的操作,生成新一代群體;⑨反復(fù)進(jìn)行④~⑧項(xiàng)操作,每進(jìn)行一次謂之群體進(jìn)化了一代,直至進(jìn)化了Kn代;⑩從第Kn代群體中選擇m個(gè)具有全局性的進(jìn)化解;(11)分別以這些進(jìn)化解為初始解,用BP算法求解;(12)比較m個(gè)由BP算法求得的最優(yōu)解,從而獲得整個(gè)的最優(yōu)解。算法流程圖如圖3所示。3.3bp算法下的輸出為了驗(yàn)證上述算法的有效性,取一非線性方程組為:[y1=x1+x22?x3y2=1/x1+x23+x2y3=x1+x2/x3建立如圖2的3-9-3的BP網(wǎng)絡(luò),三輸入量對(duì)應(yīng)x1,x2,x3,三輸出量對(duì)應(yīng)y1,y2,y3。x1分別取0.2,0.5,0.8,同理x2,x3也這樣取值,組成27組輸入量,代入方程組,求出相應(yīng)的輸出量y1,y2,y3,再把這27組輸入輸出量作為教師信號(hào),利用上述算法對(duì)網(wǎng)絡(luò)進(jìn)行訓(xùn)練,當(dāng)群體進(jìn)化到第30代時(shí)轉(zhuǎn)入BP算法,當(dāng)BP算法誤差到達(dá)0.03時(shí),訓(xùn)練結(jié)束。最后輸出一組最優(yōu)權(quán)值解。這時(shí)就可以取一組非訓(xùn)練數(shù)據(jù)輸入量x1,x2,x3,通過(guò)網(wǎng)絡(luò)來(lái)計(jì)算輸出量y1,y2,y3,并和通過(guò)方程組計(jì)算出的理論輸出值相比較,觀察其逼近理論輸出值的程度。表2為最優(yōu)權(quán)值解。表中ωh,0,ωh,1,ωh,2(h=0,…,8)表示第(h+1)個(gè)隱含結(jié)點(diǎn)和第1個(gè)、第2個(gè)、第3個(gè)輸入結(jié)點(diǎn)的權(quán)值,ω0,h,ω1,h,ω2,h(h=0,…,8)表示第(h+1)個(gè)隱含結(jié)點(diǎn)和第1個(gè)、第2個(gè)、第3個(gè)輸出結(jié)點(diǎn)的權(quán)值。最終的閾值為-0.63798,0.34301,2.614910,-1.3559981,1.89987,0.830001,-0.10001,0.139086,0.279843,2.100202,0.499874,0.287452。前9個(gè)分別為第1個(gè)隱含結(jié)點(diǎn)到第9個(gè)隱含結(jié)點(diǎn)的閾值,后3個(gè)為第1個(gè)輸出結(jié)點(diǎn)到第3個(gè)輸出結(jié)點(diǎn)的閾值。用表2所給的權(quán)值和閾值,任給一組輸入量x1,x2,x3,即可求出其網(wǎng)絡(luò)輸出值y1,y2,y3,由方程組求出相同輸入量的理論值,比較它們之間的差距。表3列出了幾組輸入量及其對(duì)應(yīng)的網(wǎng)絡(luò)輸出值和理論輸出值。在此可以看出網(wǎng)絡(luò)誤差已縮小到所要求的范圍。4神經(jīng)網(wǎng)絡(luò)直接逆系統(tǒng)模型的建立以潔酶素發(fā)酵為例,選取任意一個(gè)發(fā)酵罐作為研究對(duì)象,以其發(fā)酵批報(bào)表為基礎(chǔ),精選100批發(fā)酵出率高的批報(bào)建立教師數(shù)據(jù)。為了獲得良好的逆動(dòng)力學(xué)性能,網(wǎng)絡(luò)訓(xùn)練時(shí)應(yīng)覆蓋一定大的運(yùn)行范圍。采用上面敘述的算法并用VB6.0編寫(xiě)實(shí)用程序?qū)θ鐖D2所示的3-9-3BP網(wǎng)絡(luò)進(jìn)行離線訓(xùn)練,象3.3節(jié)的仿真試驗(yàn)一樣,最終得到一組最優(yōu)的網(wǎng)絡(luò)權(quán)閾值。這樣我們就已經(jīng)建好了神經(jīng)網(wǎng)絡(luò)直接逆系統(tǒng)模型,在對(duì)所建模型的精確性進(jìn)行驗(yàn)證后,就可以用于生產(chǎn)現(xiàn)場(chǎng)計(jì)算補(bǔ)料量,從而指導(dǎo)生產(chǎn)。為了驗(yàn)證所建模型的精確性,我們