1.2黑箱建模
发酵过程是多变量、强耦合、慢时变的复杂非线性过程，机理建模尚不成熟。以最小二乘为基础的一元和多元回归辨识建立发酵过程模型，取得了一定效果。Zhang等用偏最小二乘回归对重要参量难以在线获取的发酵过程建模，所得模型易与经典的预测控制方法结合，且具有差错诊断功能，回归建模方法简单易用，但需大量数据样本才能保证建模精度，且对测量误差比较敏感。随着非线性系统理论研究的深入和辨识技术的发展，非线性函数逼近方法被用于发酵过程建模，应用较多的是人工神经网络(artificialneuralnetwork，ANN)技术和支持向量机(supportvectormachine，SVM)技术。
1.2.1基于人工神经网络技术建模
英国Newcastle大学的Massimo等首先将基于经验风险最小化理论的ANN技术引入发酵过程，ANN以其在线校正能力强、适合处理多变量非线性问题等优点而广泛用于发酵过程建模。王健等用BP神经网络对L．色氨酸的发酵过程建模，所建模型能够比较精确地模拟菌体生长、底物消耗以及发酵产酸3个过程的变化。用标准BP算法对网络进行训练时，网络学习的收敛速度慢，需要大量的实验数据才能达到要求的精度，不能保证收敛于全局最优。改进神经网络的学习训练算法、网络拓扑结构及结合优化算法训练神经网络，能提高ANN建模的精度。
径向基(radialbasisfunction，RBF)神经网络是一种新型的前向网络，与BP网络相比，RBF神经网络不仅具有在任意精度下逼近任意非线性映射的能力，还可以达到最佳逼近精度。Chen等采用RBF神经网络对N-乙酸-D-甘露糖胺丙酮酸的合成过程建模，并将小波收缩与双正交滤波器结合产生重建函数用于RBF模型，结果表明，在训练数据的不足的情况下，所建模型具有较高的可靠性和精度。Peng等用RBF神经网络构造生物过程的ARX模型，采用在线估计算法修正模型，实现了氮氧化物降解过程的全局建模。此外，白组织神经网络[1、模糊粗糙神经网络引、级联再生神经网络等方法也成功用于酵母、多黏菌素等发酵过程建模。
将优化算法用于神经网络的学习、网络结构的设计，可实现神经网络学习规则和网络权系数的优化，能在某种程度上避免网络学习算法收敛速度慢、易限于局部最优的缺点，提高建模精度引。ANN方法存在的容易陷入局部极小点、过学习、对训练样本外的数据预测能力差等不足，在一定程度上限制着ANN建模在发酵过程中的应用。
1.2.2基于支持向量机技术的建模
20世纪90年代中期，Vapnik等现了在高维空间中有效控制容量的方法，提出了SVM方法，用结构风险最小化原则代替经验风险最小化原则，较好地解决了小样本、非线性、高维数和局部极小等问题。一些著名的研究机构，如贝尔实验室、柏林工业大学、微软研究中心、麻省理工学院等也加入SVM研究的行列。现在，SVM方法已广泛用于文本识别、图像处理及生物信息学等领域，是90年代末发展最快的研究方向之一。
SVM优良的特性使之在系统建模方面得到广泛关注，将SVM及其改进方法用于发酵过程建模取得了较好的效果。用标准的SVM方法为柠檬酸发酵过程建模，并与最优的ANN方法进行比较，结果表明，SVM的预测相对误差的均值下降了5个百分点，具有更好的稳健性能。高学金等针对标准SVM所有训练样本都使用相同的不敏感系数这一不足，提出动态s．SVM并用于青霉素发酵过程建模，同标准SVM建模方法相比，动态s．SVM将最小二乘SVM用于青霉素发酵过程建模，在保证精度的前提下，缩短了训练时间，加快了最小二乘SVM在线应用的进程。SVM解决了在ANN中无法避免的局部极小值问题，同ANN相比，SVM对样本的依赖程度低，在一定程度上能够避免“维数灾难”，SVM拓扑结构由支持向量决定，减小了模型结构的复杂性。
以ANN和SVM为代表的基于实验数据的黑箱建模方法，受实验数据量及建模方法原理约束的影响，无法表达超出实验数据的过程特性，对于复杂的发酵过程，黑箱模型的表达能力也值得怀疑。另外，黑箱建模方法忽略了过程的基本知识，如发酵过程中的质量平衡方程等，重要信息的缺失使得它不能体现过程的物理意义。
上一篇：微生物发酵过程优化控制技术进展——2
下一篇：微生物发酵过程优化控制技术进展——4
