[发明专利]多模型神经网络的生物发酵过程软测量建模方法及软仪表

权利要求书

1.一种多模型神经网络的生物发酵过程软测量建模方法，其特征是采用如下步骤：

1)先通过数据预处理模块用归一化和主元分析方法对输入的变量数据进行预处理， 选择生物发酵过程对象的控制输入变量和在线可测变量作为模型的输入，离线测量的发酵 数据作为模型的输出，对输出的数据进行归一化，使用主元分析方法对归一化后的数据进 行预处理；

2)然后通过数据预处理模块对预处理后的主元变量集作聚类划分，确定聚类数目、 允许误差、群体规模、惯性权重、学习因子以及指数权重，采用基于粒子群优化算法的核 模糊C均值聚类算法对输入变量做聚类分析；先设定粒子群算法中的各个参数，从中随机 选择初始粒子集作为聚类中心和定义适应度函数，根据公式计算核矩阵和隶属度矩阵，再 计算每个粒子的适应度值，根据适应度值和粒子群优化算法更新公式修正个体极值和全局 极值，最后判断是否满足条件，若满足条件便执行FCM聚类算法实现数据分类，若不满 足条件再重新计算矩阵，实现步骤如下：

步骤1、给定聚类数目C，允许误差ε，t＝1；

步骤2、设定群体规模N，惯性权重，学习因子c₁，c₂，指数权重m；

步骤3、初始化粒子群l₁，l₂，…，l_C，其中l_j为一个任意产生的聚类中心的集合，从样本 集X＝{x₁，x₂，…，x_N}中任取C个向量来初始化l_j；

步骤4、计算核矩阵K(x_i，l_j)；

K(x，y)＝exp[-(x-y)²/σ²]                (6)

σi=1lΣj=1l||xij-vi||2,]]>i＝1，2，…，4；j＝1，2，…，l               (7)

v_i为第i个聚类中心，x_ij为第i类的第j个样本数据，l为第i个聚类所包含的样本数 目；

步骤5、针对每个样本根据式(8)计算隶属度矩阵；

μij=(1-K(xi,vj))-1/(m-1)Σj=1C(1-K(xi,vj))-1/(m-1)---(8)]]>

步骤6、由式(9)计算出f(x_i)，根据式(10)、(11)修正粒子速度和位置，根据适 应度的值修改个体极值P_id(t)和全局极值P_gd(t)，以便产生下一代粒子；

f(xi)=1Jφ(U,V)+1=12Σi=1CΣj=1Nμijm[1-K(xi,vj)]+1---(9)]]>

V_id(t+1)＝ω·V_id(t)+c₁·r₁(P_id(t)-X_id(t))

+c₂·r₂(P_gd(t)-X_id(t))                      (10)

X_id(t+1)＝X_id(t)+V_id(t+1)，(i＝1，2，…，N) (11)

步骤7、若当前迭代次数达到预先设定的最大次数，则停止迭代。在最后一代找到最 优解，输出取得P_gd的粒子，即聚类中心的集合，否则转到步骤4)，t＝t+1；

步骤8、根据式(8)更新粒子群体的隶属度；

步骤9、根据式(12)更新群体的聚类中心。计算相邻两代隶属度矩阵之差E，若E＜ ε，停止；否则转到8)，

vj=Σi=1NμijmK(xi,vj)xiΣi=1NμijmK(xi,vj)---(12)]]>

3)再用BP神经网络模型模块对不同的类分别建立子神经网络；

4)最后建立多模型神经网络软测量模型，根据聚类后的输入输出样本数据建立子神 经网络子模型；对子神经网络输出反归一化处理，根据分类数据建立多模型神经网络软测 量模型，多模型神经网络软测量输出为各子模型输出的加权和，权值为隶属度 u_i(i＝1，2，...，C)，要满足下式：

∀i,Σj=1Cμij=1;∀i,j,μij∈[0,1];∀j,Σi=1Nμij>0]]>

式中：C为聚类数目，N为样本数，U＝[μ_ij]_C×N是模糊C划分矩阵，μ_ij为样本x_i对应于第j个聚类的隶属度值，V＝[v_j]为C个聚类中心组成的集合，m是影响隶属度矩阵 模糊化程度的指数权重；

权值做如下的处理：

μ^i=μi/Σj=1Cμj]]>(j＝1，2，…，C)，

则整个模型的输出可由下式计算出来：

F=Σi=1Cμ^ifi]]>

式中f_i为第i个子神经网络的输出值；

通过多模型神经网络软测量模型在线测试发酵过程中的生物量浓度，将测量的数值通 过生物量浓度软测量值显示仪显示。