人工神经网络技术在微生物工程方面的应用
2007-12-22 01:25:13   来源：本站原创   评论：0 点击：

--------------------------------------------------------------------------------

Page 1
人工神经网络技术在微生物工程方面的应用 潘磊庆1，屠康1，陆兆新1，董明盛11 南京农业大学（210095）E-mail: plq_stone@njau.edu.cn 摘 要：人工神经网络技术具有很强的非线性映射能力，用于系统的非线性建模，具有无可比拟的优势，广泛应用于微生物工程中特别是发酵过程中培养基的优化和系统建模与控制方面。本文主要介绍了人工神经网络的基本原理与使用方法，及其在发酵培养基优化、连续搅拌反应器神经网络估计、分批发酵及补料分批发酵过程建模与控制优化等中的应用，旨在为人工神经网络在微生物工程中的更广泛应用提供一定的理论基础和依据。 关键词：人工神经网络；BP 神经网络；微生物工程；发酵 引言 人工神经网络（artificial neural network, ANN）是20世纪80年代迅速兴起的一种非线性科学，它力图模拟人脑的一些基本特性如自组织性、自学习性、自适应性、容错性等，利用对象的外部特性来建立内部的动态模型，目前己在模式识别、数据处理及自动控制等方面得到了初步应用[1]。人工神经网络在人工智能领域发展较快，但在生化和食品领域的应用较少，其在生物工程中的应用始于上世纪90年代后半期。采用计算机控制微生物发酵过程可实现过程优化，提高菌株生产能力和改善产品质量，发达国家早在20世纪70年代即开始这方面的研究。利用神经网络技术通过网络内部权值的调整来拟合系统的输入输出关系，即只根据输入输出数据来建立模型，网络的统计信息储存在连接权矩阵内，故可以反映十分复杂的非线性关系，网络的输出端点个数不限，因而很适合于多因变量、多自变量统计中的建模，其在微生物工程中特别是发酵工业中广泛应用，已成为目前研究的热点之一。 1 神经网络及其模型 人工神经网络的科学定义是由国际著名神经网络研究专家Hecht-Nielsen给出的，具体表述为：人工神经网络是由人工建立的以有向图为拓扑结构的动态系统，通过分析连续或断续输入的状态响应来进行信息处理[2]。其实质是输入转化成输出的一种数学表达式，这种数学关系由网络的结构来确定，而网络结构则必须根据具体问题进行设计和训练。与其它计算机程序不同，它主要是通过对一系列样本的“学习”而不是通过编程来解决预测、评估或识别等问题。最简单的情况就是通过特定的学习算法调整各神经元间信息通道的连接权值，使ANN的实际输出不断逼近期望输出，以模拟对象的动力学特性。对于广泛用于微生物工程建模与预测的多层前向网络，反向传播算法（Back propagation）用得最多，简称BP算法，其训练过程可简述如下：①权值的随机初始化；②给定输入和目标输出；③计算网络实际输出；④修正权值。从输出层开始，将目标输出与实际输出间的误差信号沿连接通路的反向进行传播，修正各连接权值使误差最小；⑤达到误差精度或循环次数要求，输出结果，终止；否则回到②。用BP算法进行训练的神经网络习惯上称为BP网络（BPNN）[3]。图1所示为1个三层BP网络结构。 1http://www.paper.edu.cn
--------------------------------------------------------------------------------
Page 2
2神经网络在发酵工业中的应用 2.1 发酵培养基的优化 可以利用正交设计或是均匀设计来安排实验，得到一批准确的实验数据或者是以实验过程中积累的大量数据作为BP神经网络的学习样本。根据影响发酵的主要培养基成分和目标参数来设计神经网络的拓扑结构，选用合适的初始权值和学习速率，设定结束训练的条件，然后用实验数据对神经网络进行训练。完成训练之后的BP神经网络，其输入与输出之间形成了一种能够映射培养基成分与目标值内在联系的连接关系，此时就通过神经网络建立了发酵培养基与目标参数的模型。对于建立的模型要进行验证后才能运用于发酵实验，具体方法是取一定数量的数据作为网络验证样本来检查模型是否满足实验要求。在保证模型符合实验的精度要求后，使用一定的优化方法就可以得出最佳的发酵培养基配方。方柏山等[4]（2000）用人工神经网络模型描述发酵培养基与产物的关系,并由此模型预测产物浓度,用遗传算法优化培养基配方能够收到较好的效果。它不仅能有效地提高产物浓度、显著地降低培养基成本,而且可大大减少繁琐的实验工作量及缩短研究周期。无锡轻工大学的蔡宇杰等[5]（2001）利用采用两层神经网络，以玉米淀粉、豆饼粉、麸皮、硝酸铵、磷酸二氢钠、组分A的浓度共6项作为输入值，以最终发酵液内的酶活作为输出值。最大训练步数为80000步，误差指标为0.02，学习速率为0.3。取20组数据作为学习样本训练网络，另取10组数据作为验证样本，结果优化后的生淀粉酶发酵培养基使酶活由300U/ml提高到345U/ml，约提高了15%。天津大学的方柏山等[6]（2000）人以YE、PEP、(NH4)2SO4、(NH4)2HPO4、KH2PO4、MgSO4等6组分作为输入结点，以木糖醇浓度为输出结点，隐层采用3个神经元，对木糖醇发酵培养基进行建模，得到了最佳发酵培养基配方，优化后的配方木糖醇产量64.6g/L，比初始产量56.2g/L提高14.9%。宋文军等[7]（2003）应用遗传算法对L-异亮氨酸发酵培养基进行优化，经优化后的发酵培养基能积累L-异亮氨酸16.84g/L，比初始值提高28.7%。并且运用神经网络对L-异亮氨酸的发酵过程进行建模并预测，取得了良好的效果。张慧等[8]（2005）运用神经网络对L-缬氨酸发酵培养基组成进行建模，在神经网络模型的基础上采用遗传算法对培养基组成进行优化，得到最佳发酵培养基组成。结果表明，运用神经网络并结合遗传算法是一种行之有效的优化方法。按最佳发酵培养基组成进行发酵实验64h，可在发酵液中积累L-缬氨酸28.5g/L。 2.2 连续搅拌反应器的神经网络估计 英国Montaqul等[9]（1983）曾对菌丝体连续发酵过程的神经网络建模与预测进行了研究。采用三层拓扑结构，可以很好地给出生物量的精确估计。加拿大Thibault等[10]（1991）将一个简单的单隐层BP网络用于连续搅拌式发酵罐的状态变量预测。输入变量为稀释率、瞬时生物量和基质浓度。输出值为下一时间间隔的细胞与基质浓度预测值。经6000次迭代后预测误差小于0.5%，大体和广义卡尔曼滤波器（EKf）的预测精度相近。华东理工大学的胡泽新提出一种基于神经网络模型的连续发酵生产酒精过程的非线性自适应控制新方法。状态变量权可调输入层y1X2X1隐层权可调输出层……ymy2X3………输出模式输入模式图1 1个三层BP网络结构2http://www.paper.edu.cn
--------------------------------------------------------------------------------
Page 3
为酵母、葡萄糖和酒精浓度。进料基质浓度和稀释率为可操作变量。控制目标是使产品产率最大。仿真结果表明，基于神经网络的自适应控制可以较好地使产率维持在最低值。而控制作用变量——进料基质浓度变化平缓，便于操作。 2.3 发酵过程建模及控制优化 中国科学院上海冶金研究所的蔡煜东等[11]（1995）运用神经网络对谷氨酸发酵过程的三个阶段进行建模，分别建立了菌体浓度的神经网络预测模型、基质浓度的神经网络预测模型和产物浓度的神经网络预测模型，取得了良好的效果。在菌体浓度模型中隐层采用5个神经元，网络的收敛精度达到10-4，其最大相对误差不超过1.14%，运用此模型进行预测的菌体浓度最大相对误差不超过0.0058%。此外，基质浓度及产物浓度的模型中最大相对误差分别为1.85%和5.0%，模型预测最大相对误差分别为5.8%和6.8%。霍兰等[12]（1997）人研究了网络模型在柠檬发酵过程优化及状态跟踪上的应用，并建立了两个柠檬发酵过程的人工神经网络模型。基于第一个网络模型，当对初始糖浓度和细菌活性做调整后，可计算出一个优化氧浓度曲线和不同发酵时间的最大酸浓度。在这条优化曲线的基础上，然后使用第二个模型计算出酸浓度曲线，由此可得知结束发酵的最佳时间。方柏山[13]（1998）运用广义对数方程拟合不同初始木糖浓度下的木糖醇发酵过程，借助于均匀设计综合考察构建神经网络时第一、二隐层单元数、学习速度、初始权矩阵对模拟结果的影响及不同的初始状态变量对木糖醇发酵过程的影响，建立了一个能够很好地用于不同初糖浓度下木糖醇发酵状态估算和过程预测的四层6-7-6-3拓扑构型的神经网络模型，提出了对改善木糖醇发酵有指导意义的优化方案。秦肖瑧等[14]（1998）利用神经网络在非线性系统辨识方面的独到之处，对啤酒发酵中的糖度建模，以酵母活性、酵母数量、麦汁浓度和发酵温度为4个输入结点，隐层采用8个神经元，以发酵液中的糖度值作为输出结点，解决了在啤酒发酵过程中糖度不能在线测量的难题，为啤酒发酵过程的全自动化起到了可喜的推进作用。高海燕等[15]（2001）利用神经网络准确地预测了异亮氨酸的发酵趋势，实时获取生化变量的预测值，并且克服了发酵生产过程中时滞的影响，使系统具有较强的鲁棒性和抗干扰能力。在江西鹰潭生物化学制品厂50t的L-异亮氨酸的发酵实验中，其运用神经网络预测器对发酵生产过程的重要变量进行预测，由增长法确定隐层结点数为5，使用标准BP算法来训练网络，通过模糊推理得到溶氧的操作值，而在此之前是由经验丰富的操作人员根据长菌的快慢手工调节的。按此方法进行操作，节省了供氧消耗，避免出现氧限制的情况，使发酵过程始终处于较优状态。 2.4 生长过程 Debasis等[16](1996) 利用动态识别的反向神经网络模型开发了一个自适应最优算法，可应用于面包酵母的连续培养中细胞产量的最大化。这一算法的优点在于，当存在环境条件和微生物培养特性的干扰时，仍可以很好地鉴别和维持连续生物反应器的优化稀释速率。仿真结果表明，与传统的动态线性输入2输出模型相比，利用神经网络模型可以极大地降低达到优化操作水平所需的时间。基于经典的非结构化模型，即可预测特定生长速率和消耗速率拖延因素的不同前向神经网络，Koprinkova 等[17](1998) 也提出了在恒化器中微生物培养的神经网络模型，并应用不同的神经网络拓朴结构，研制得一个限定葡萄糖底物浓度的酿酒酵母生长模型。 Hajmeer等[18]（2002）利用概率神经网络（PNNS）分类埃西氏大肠杆菌（R31）生长或未生长的数据，模拟其生长情况。 2.5 发酵过程 Bulsari 等人[19](1991)选择生长于恒温器中的酿酒酵母作为研究对象，探讨了利用前向神经网络识别高度非线性过程系统的可能性。酵母可以葡萄糖为底物，用于生产酒精(主要3http://www.paper.edu.cn
--------------------------------------------------------------------------------
Page 4
能量代谢产物)。其中，微生物浓度、底物浓度和产物浓度是3个过程研究的状态变量。研究中采用LM 方法，通过余数平方和的最小化来训练神经网络。神经网络的输入数据是在一给定时间的3 个状态变量和从给定时间到预测时间范围内(时间间隔是0.1h)的过程输入状态变量。每个结点的输出是通过逻辑型(S型)或对称广对数螺线激励方程,计算输入到该节点的权重总和得到的。多数情况下，对称广对数螺线的均方误差总和要比S型的低。Zhu等[20](1994)构造了一个用于预测恒化器中酿酒酵母生产酒精初始相中底物、生物量和酒精浓度的神经网络模型,并对其进行优化。训练结果表明,这一神经网络经过很好的训练,可用于拓朴结构的优化，并可提前一步准确地预测3 个关键的状态变量。同年，Bulsari 等人[21]（1994）提出了一个酿酒酵母发酵过程动力学的神经网络模型。在模型的开发及应用中，通过一个基于初步平衡和电中性条件的独立模型，对该过程的状态进行估计，其目标是研制出一个可用于在线仿真和预测整个动力学关系的模型。网络本身采用离线训练方式，但当应用于在线控制时，则需调节一系列校正因子，才能适应过程状态。通过许多酿酒酵母的批量操作研究，证明这一神经网络能够准确地描述发酵系统的两相生长。孟华等[22]（1999）针对柠檬酸发酵过程的复杂性和不确定性，采用了一种基于人工神经网络的模糊控制。仿真实验表明， 系统具有良好的动态性能和鲁棒性，适用于难以建立数学模型的场合和参数时变的系统。陈仕学等[23]（2003）分析了目前青霉素发酵过程中存在的问题。基于RBF神经网络的辨识方法，建立了青霉素发酵过程模型。以动力学模型为基础产生教师数据，采用遗传算法对网络进行训练，建立了基于RBF神经网络的发酵过程模型，并进行了仿真实验验证。实验结果表明，该辨识模型对青霉素补料分批培养过程具有实用价值。王健等[24]（2003）运用BP神经网络对L-色氨酸的发酵过程进行建模并预测，所建立的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。结果表明，BP神经网络在L-色氨酸发酵的模拟与预测中是一种高效快速的方法。刘尧猛等[25]（2003）论述了利用改进的BP神经网络实现发酵过程状态预估模型的设计原理和方法，包括BP神经网络的拓扑结构选取、学习和测试样本的选择及处理，变步长引入动量项BP神经网络的训练方法以及全局收敛法的实现等。此外，用VC实现了发酵过程BP神经网络建模平台。经聚赖氨酸发酵过程验证，其模型具有良好的收敛性能和泛化性能，可应用于发酵过程状态参数的在线预估和测量。 2.6 过程控制 Ye等人[26](1994)研究了用于分批喂料面包酵母培养的神经网络控制方法。网络训练使用的是开关控制，可辨识非线性的单一输入(葡萄糖的喂料速率)和单一输出(酒精浓度)。为了获得较好的控制质量，研究中将基于优化性能指标的可预测控制原理引入神经网络控制中。实验结果表明，这一神经网络能有效地将酒精浓度控制在设定值处。Teissier等人[27](1997)建立了一个神经网络的动态模型，用于跟踪酒基培养基中酵母的生长情况。根据在线测量释放出的二氧化碳和初始酵母的浓度,可估计和预测分批培养中酵母的浓度，其中，酵母最终浓度预测值的平均误差低于5%。此外，该模型还可以用在开环控制方式中，通过设定培养温度，达到所需的最终酵母浓度。在生长中，只须对4%酵母的培养温度进行校正，以将酵母浓度的测量误差(3×106个细胞/mL)维持在一定范围内。通过对6个连续的培养样本进行控制,可以评价模型和控制算法的性能。同年，Dacosta等人[28]对酵母发酵过程中葡萄糖底物和生物量的利用情况进行估计，可用于过程的优化和控制。研制这一传感器的主要难点之一是批与批之间过程性能的变化(如初始细菌培养液或者所喂给原料质量的重量偏差)。当且仅当连续过程测量成为可能时，才能开发出具有最入的神经软性传感器的不足之处在于无法克服不同初始细菌培养液间的差异。但是,若额外提供一个表征批与批之间变量的网络输入，发现4http://www.paper.edu.cn
--------------------------------------------------------------------------------
Page 5
传感器可以成功地预测不同初始培养液条件下发酵罐中的葡萄糖和生物量。利用计算机模型，Kurtanjek[29](1997)也对酵母分批喂料生产的过程控制和主要成分分析进行研究。模型主要来源于二次辅助生长中主要代谢反应的细胞外反应速率、反应器中物质的质量平衡和二级产物浓度的PI控制。过程矩阵的主要成分是由QR算法来评价的，并通过神经网络模型，对过程的建模、检测和自适应控制进行了讨论。次年，Kurtanjek等人[30]又研制了一个基于人工神经网络主要组件的面包酵母产品模型。通过内部模型的控制(IMC)方法，这一模型可应用到自适应控制的发酵过程中，仿真数据取自于40m3立式生物反应器的工业生产数据和计算机仿真所得的数据仿真焦点放在人工神经网络的结构选择和模型验证上，可消除过度训练所引起的模型降级。由于应用IMC，可以确定控制变量(酒精局部压力)的预测模型和操作变量(糖蜜喂料速率)的反置模型。在1～20min的范围内，对模型的预测能力进行测试，结果表明，与未经训练的模式相比，人工神经网络模型的平均相对误差只是其1%～10%。Cheroutre-Vialette等[31]（2002）利用神经网络建立动力学模型描述L.monocytogenes的生长，作为温度、pH和NaCl浓度的函数，结果显示，该神经网络模型能够反映环境变量对微生物行为的影响。蒋益虹等[32]（2003）将人工神经网络技术与传统正交试验方法相结合，提出一种新的试验数据分析和处理方法，利用神经网络特有的自学习能力，通过仿真、评估和优化，分别获得了红曲杨梅果酒糖化和发酵的最优工艺：发酵温度18℃、糖汁比4：6、酵母加量15%、红曲加量2.1%，将该优化工艺应用于实际生产中,所得的杨梅果酒口感醇和、风味独特且具有丰富的营养价值, 取得了较好的效果。赵丽丽等[33]（2003）根据L-缬氨酸发酵过程的试验数据，利用BP神经网络进行训练，建立试验模型，实时获取生化变量的预测值并进行验证。结果表明，应用BP神经网络对L-缬氨酸发酵过程进行模拟，所建立的模型能比较精确地模拟菌体生长、底物消耗激发酵产酸过程的变化，可以为L-缬氨酸发酵生产过程提供动态模拟。杨旭华等[34]（2004）以提高间歇式微生物发酵的产品得率为目标,利用BP神经网络和本文提出的傅立叶神经网络,提出发酵过程的发酵时间模型和最优发酵温度模型;在此基础上,提出了针对不同生产批次采用不同的最优发酵温度的新方法,此方法使不同生产批次的发酵过程都可以在适合其自身的最优的发酵温度下进行发酵,从而提高发酵生产的得率。实践应用表明,采用此种生产方案,产品平均得率提高5%。 2.7 补料发酵过程建模及控制优化 在补料发酵过程中补料量的控制是整个生产过程的关键，由于发酵过程的复杂性、非线性和时变性，无法建立适当的计算模型，同时过程参数的测量时间长、精度差，且投入的养料无定量的计算公式，因此对补料量的确定多是靠人工经验。华东理工大学的胡泽新等[35]（1993）提出了基于神经网络的酵母流加发酵过程最优重复控制的两种新方法。方法1采用状态反馈控制律，用误差反传法学习过程和控制器神经网络参数。方法2采用直接最优控制律，用误差反传法学习过程神经网络参数和控制作用。两种方法都具有很强的自适应能力。在控制方案实施时，采用了动态重复控制方式，使得控制方法具有类似于预调控制的优点，鲁棒性好。将其用于酵母流加发酵过程的优化控制，仿真结果令人满意。实验证明按最优流加轨线操作，可使产率提高26%，糖密消耗减少4%。天津大学的苗志奇等[36]（1998）采用神经网络的方法，将模拟网络与优化网络结合组成双网系统，用于谷氨酸流加生产过程的模拟与优化分析。模拟网络中设置瓶颈结构，以加强网络的数据过滤与压缩能力，滤除工业数据中的噪音。利用训练算法本身，优化网络方便地实现了单变量、多变量优化，获得令人满意的结果。洛阳工学院的姬宪法等[37]（2000）利用神经网络对洁霉素发酵过程进行建模，提出了基于神经网络的辨识方法建立洁霉素发酵过程逆动力学模型的方案。以生产发酵批报为5http://www.paper.edu.cn
--------------------------------------------------------------------------------
Page 6
基础，根据发酵工艺的要求，对发酵过程的不同时间段，建立不同的模型来映射其输入输出关系，分别用各不同补料时刻的教师数据训练相应网络模型，得到了针对该发酵罐的补料专家信息库。在不同的时段，只有调用对应的网络信息库，即可计算出此时的补料量。熊伟丽等[38]（2004）提出利用那些发酵时间短、产量高的批报数据，采用神经网络建立发酵过程的预估模型，再结合遗传算法的全局搜索特性，找到控制参数的最佳值，使整个发酵过程始终处于最优化状态，从而提高生产率。设计了基于DDE的VB、Excel和Matlab的发酵过程优化软件平台，并将该软件平台应用到多粘菌素发酵过程PH值的寻优。 2.8 测量、预测和诊断 人工神经网络技术还曾应用于其他方面的研究中。 在无线电频率范围内的介电分光学,已广泛应用到细胞生物量的在线实时预测中。然而,由于大量非生物量的不溶性固体的存在(如小麦胶),可能会干扰某些工业媒体对生物量的测量。因此David等[39](1996) 将介电光谱与人工神经网络技术有机地结合起来,以避免因高浓度小麦胶污染所引发的悬浮物中细胞生物量的预测值。经研究发现，由不同量的酵母和小麦胶悬浮物引发的介电光谱学数据经BP 网络训练后，所得的人工神经网络模型可以从看不见的混合物数据中成功地预测酵母和小麦胶的含量。因此，这是一个与常规介电数据分析方法十分相近的有效解决方式。Shimizu等[40]（1997）将一种非线性数据分析的统计方法，即自适应人工神经网络，应用到带有温度可控表达系统的重组细胞酵母优化生产过程的错误诊断中。存在于数据组里的高频噪音可在执行错误诊断前，通过弱波转换而除去。这一诊断系统能准确而及时地在线检测试验组中错误的温度传感器以及重组细胞的胶质不稳定性，然而，同样的错误在线性的主要成分分析系统中是无法检测到的。研究表明，在错误检测之后，通过采取适当的措施，使可使酵母的终产量2倍于未加诊断时的终产量。黄明志等[41]（2000）探索了动态BP网络和RBF网络在红霉素发酵过程状态预估中的应用, 比较了它们的收敛速度和学习能力。结果表明，BP网络和RBF网络都具有相当好的学习能力, 但RBF网络的收敛速度更快。训练好的神经网络, 在红霉素发酵过程中可在线预估出红霉素效价、葡萄糖浓度、NH2-N 浓度、丙醇浓度和菌体浓度等参数值, 并可在进一步的过程优化和控制中应用。殷铭等[42]（2000）采用模糊逻辑学习算法建立L-异亮氨酸发酵溶解氧的模糊间接预估规则, 并利用模糊神经网络实现这些规则。该网络经过学习能对模糊规则的隶属函数进行自调整。仿真结果表明, 按该模糊神经网络预估器进行预估控制, 可节约发酵供氧能量, 防止出现氧限制的情况,从而解决了常规控制难以解决的溶解氧控制问题。由于生物发酵过程的复杂性和不确定性，传统的建模、状态估计、基于模型的多步超前预测方法通常难以奏效,作为一种数据驱动的方法，神经网络模型能够弥补以上方法的不足。赵学庆等[43]（2000）采用滚动学习—预测算法，对工业生产规模的青霉素流加发酵过程的产量、糖耗分别作出了多步超前预测，取得了满意的结果.在轻工发酵过程中，酵母细胞浓度是一个重要的过程参数，但目前的检测手段多为离线测量，不能用于自动控制。发酵液的电容率与酵母细胞浓度之间存在某种关系。RBF 神经网络在间接测量方面有着逼近能力强、训练方法简单易行等特点。徐宏波等[44]（2002）结合温度、pH值和液位等易测参数，利用RBF神经网络来逼近这种关系，很好地解决了酵母细胞在线测量的问题。Xiong R等[45]（2002）检测了利用混合设计的54份蛋黄酱在5℃和22℃时的微生物安全性，并用神经网络模拟沙门氏菌（PT4）的情况，结果显示神经网络不能模拟沙门氏菌S型的是生长，但可以模拟有机体的存在情况。乔晓艳等[46]（2003）症对微生物发酵过程中菌体细胞浓度难以实时在线检测的的问题，提出了一种基于径向基函数（RBF）神经网络的软测量模型，采用了可调基函数宽度的计算方法，提高了RBF6http://www.paper.edu.cn
--------------------------------------------------------------------------------
Page 7
网络的自适应性及泛化能力，为复杂系统中生物量参数的检测提供了一条有效的途径。在发酵过程中,罐批异常(如染菌) 会导致产率和产品质量的下降，如果能及时给出预警，就能采取相应措施避免或减少经济损失。李运锋等[47]（2005）利用三层BP网络，以头孢菌素C发酵为例，对罐批进行了超前3步预报，比较了正常罐批和异常罐批的预报误差，给出了异常罐批的三个特征，并利用这些特征和其它辅助信息，成功地对异常罐批进行了故障早诊断。3 神经网络应用新技术 针对神经网络的一些固有缺陷，近年来出现了径向基神经网络、混合神经网络以及神经网络与遗传算法、模拟退火算法相结合的方法，在发酵过程建模中取得了明显的效果。Zhonging等[48](1992)在神经网络技术的辅助下,利用模糊控制技术对成员函数进行了在线调整。其中,神经网络的作用是识别酵母分批喂料培养中的DO浓度(振动/非振动) 和酒精浓度(升高/降低/几乎不变)的变化形式。这种模糊神经控制方式保持了神经网络和模糊控制的优点。当应用于焙烤酵母发酵中时,则极大地优于传统的模糊控制。汤忠鎏等[49]（1996）采用结构简单的径向基(RBF)神经网络建立真菌发酵过程模型，网络训练误差收敛速率均很快。结果表明结构简单的RBF神经网络模型适宜描述类似横纹黑蛋巢菌这类的真菌培养过程。网络对试验数据具有很强的拟合能力，无需关于发酵过程动力学方面的先验知识。若能合适选取中心与参数值β，即可用不太多的隐层节点数在数十次选代训练后获得令人满意的网络模型拟合精度。浙江大学的花强等[50]（1996）对维生素C生产中第2步2-KLG，发酵过程进行神经网络建模，特别研究了基于部分先验知识的混合神经网络用于该过程的状态估计的情况取得了较好的效果。此外,Miao等人[51](1998) 也开发了一种用于分批喂料酵母发酵过程的模糊神经网络模型。该网络带有一个特殊结构的新优化辅助网络，并将全局优化基因算法引入喂料速率的优化研究中。基于网络模型，在优化网络和基因算法的分别辅助下，对不同时期的最优底物浓度和分批喂料的最适量进行研究。据其研究结果，可建造一个模糊神经网络控制器。刘文定等[52]（1998）人针对烟叶发酵过程中大时延、非线性、分布参数及干扰，将神经网络与模糊控制结合。利用神经网络特有的自学习能力，去修正模糊控制规则，提出神经网络模糊控制器，采用最优梯度速降算法，加速学习速度。通过烟叶发酵过程的控制。表明控制性能优于一般模糊控制，且适用范围广。华东理工大学的黄明志等[53]（2000）探索了动态BP网络和RBF网络在红霉素发酵过程状态预估中的应用，比较了它们的收敛速度和学习能力。结果表明，BP网络和RBF网络都具有相当好的学习能力，但RBF网络的收敛速度更快，训练好的神经网络，在红霉素发酵过程中可在线预估出红霉素效价、葡萄糖浓度、NH2-N浓度、丙醇浓度和菌体浓度等参数值，并可在进一步的过程优化和控制中应用。隋青美等[54]（2002）提出了一种新型结构的发酵过程混合神经网络模型。该模型由非线性神经网络和线性神经网络两部分组成。由于非线性神经网络采用结构具有线性形式的Flat网络，两个网络能够合并为同一表达式，并具有线性形式，可采用线性最小二乘法求解网络权值。与串联结构及串并联结构混合神经网络模型相比，该模型训练方式简单，并可方便地使用在线辨识算法。方千山等[55]（2002）应用模糊控制的逻辑推理性能,借助神经网络的学习能力,提出了一种模糊神经网络预测控制模型。利用该模型对发酵过程的预测控制,实验曲线表明,可获得较高的预测精度和较好的控制效果。王燕等[56]（2002）研究在液体培养基中，将米曲霉3042菌体培养成直径为1～2mm、菌壁上含较高氨基酰化酶浓度的菌丝球,以甲醛为交联剂，明胶为酶活性保护剂对米曲霉菌丝球进行固定化研究。在正交实验L16(45)的基础上，选用结构为4-10-15-1的BP人工神经网络,对固定化工艺条件进行优化和预测,得到了优化的固定化条件。7http://www.paper.edu.cn
--------------------------------------------------------------------------------
Page 8
实验测定在此条件下制备的固定化米曲霉菌体比酶活为1500u，比酶活保留率达到83%，说明人工神经网络可以用于米曲霉菌体固定化工艺条件的优化。熊雪梅等[57]（2002）选取与黄瓜霜霉病发生程度显著相关的温度和湿度作为预报因子，采用人工神经网络的BP网络模型进行预报霜霉病的初步试验，取得了满意的效果。夏定纯等[58]（2003）讨论了啤酒发酵过程的混合建模方法，对随机搜索学习算法作了分析，该算法是一种基于全局优化搜索的学习策略，避免基于微分优化策略的缺陷，能较好地学习非线性动态系统特性，一步预估进度能达到较好的要求。由于该算法简明、计算量小，故适合于实时性要求很高的场合。对于精确模型不易获得以及参量难以直接测量的情况下，不失为一种十分有效的手段。卓戎等[59]（2003）针对在生物发酵过程中一些关键参数难以在线测量的问题,介绍了工业过程先进控制系统中的软测量技术。讨论了利用人工神经网络的两种典型结构实现发酵过程中关键参数(如细胞浓度、基质浓度、产物浓度) 在线测量的软测量方法。Siripatrawan等[60]（2003）利用神经网络方法预测肉汤中埃西氏大肠菌(ATCC 25922)的数目，预测值与实际值的回归系数R2=0.999。Garcia等[61]（2003）通过确定5个参数（pH、NaCl、亚硝酸盐含量、温度和氧气环境）比较了利用响应表面模型（RSM）和神经网络模型（ANN）预测O157:H7的生长情况。结果显示：神经网络模型能更好的预测实际的情况。须文波等[62]（2003）提出一种基于模糊推理的误差预测补偿系统,用于修正生化过程中预估神经网络模型的预测输出,以提高预测精度,并采用遗传算法建立生化过程的在线优化体系。通过对谷氨酸发酵过程仿真,表明该系统的应用是有效的.马立玲等[63]（2004）针对具有不能在线检测变量的生化过程, 提出了一种两级神经网络的故障诊断方法。一级神经网络利用可检测的过程数据建立不可检测量的软测量模型；二级神经网络利用软测量模型的估计量进行分析、故障的诊断和分类。最后, 将这一方法应用到了谷氨酸发酵过程的故障诊断之中，并给出了实验研究结果。李运锋等[64]（2004）提出一种新的样本选择方法——统计平均法，并以三层BP网络青霉素产量预报为例进行验证，结果显示该方法在不降低预报精度的情况下，能显著减少训练样本数目。相比Kohonen网络法和Kennard Stone法等其它样本选择方法,该方法更为简单可行常玉清等[65]（2005）针对具有复杂非线性的生化过程，提出了一种基于多神经网络模型的软测量方法利用主成分分析技术对原样本数据进行压缩，得到低维样本数据，并利用一种改进的分类指标对低维样本数据实现生化过程样本数据的分类,然后利用神经网络分别拟和各类数据的特性，建立软测量模型。最后，将这一方法应用于谷氨酸发酵过程，实验结果验证了该方法的有效性。 4 结论和展望 目前人工神经网络以其对非线形系统优越的处理能力在微生物工程中的应用日益受到关注，但也应清楚看到其固有的不足。以目前应用最广的BP网络为例，其限制和不足主要表现在训练过程的不确定上，如对于一些复杂问题往往需要较长的训练时间；有时会出现网络麻痹现象；BP算法也有可能使网络权值只收敛到局部最小解，而非全局最小解。因此在实际应用中，可采用多层网络和较多的神经元来得到更好的结果，也可选用几组不同的初始条件对网络进行训练并从中挑选出最好结果。针对神经网络的一些固有缺陷，近年来出了径向基（RBF）神经网络、混合神经网络、以及神经网络与遗传算法、模拟退火算法相结合的方法，在发酵过程的建模有很广泛的运用前景。现在神经网络已经与模糊控制、模式识别以及遗传算法相结合在一起，能够对发酵过程中的重要生化变量进行预测，克服时滞的影响，加快系统响应速度，准确预测发酵趋势，实时地获取生化变量的预测值，有效的监控发酵过程和进行优化操作，并使系统具有较好的鲁棒性。因此,为了能使神经网络技术真正成熟地运用到工业生产中,除了继续进8http://www.paper.edu.cn
--------------------------------------------------------------------------------
Page 9
行理论研究外,也必须致力于软件及传感器的开发,使研究工作能从实验室阶段,走向大生产并取得显著的应用相信在不久的将来，神经网络技术在发酵工业应用中会越来越成熟，越来越完善。在微生物工程中必将得到更为广阔的应用和发展。 参考文献 [1] 李琳，赵谋明，张黎．人工神经网络在食品工业中的应用[J]．食品研究与开发，2005，26（1）：13-16．[2] 从爽．面向MATLAB工具箱的神经网络理论与应用[M]．安徽合肥：中国科技技术大学出版社．2003年5月． [3] 陈斌，黄奕星．食品与农产品品质无损检测新技术[M]．北京：化学工业出版社．2004年3月． [4] 方柏山，陈宏文，谢晓兰．基于神经网络和遗传算法的木糖醇发酵培养基优化研究[J]．生物工程学报，2000，16（5）:648-650． [5] 蔡宇杰，诸葛斌，张锡红，等．遗传算法与神经网络耦联法优化生淀粉酶发酵培养基[J]．无锡轻工大学学报，2001，20（4）:421． [6] 方柏山，陈宏文，谢晓兰，等．基于神经网络和遗传算法的木糖醇发酵培养基优化研究[J]．生物工程学报，2000，16（5）:648． [7] 宋文军，陈宁，熊明勇． L-异亮氨酸发酵培养基的遗传算法优化及发酵过程的神经网络建模[J]．天津师范大学学报，2003，23（1）:46-50． [8] 张慧，王健，陈宁． L-缬氨酸发酵培养基的神经网络建模与遗传算法优化[J]．生物技术通报，2005，16（2）:156-158． [8] Grootwassink JWD, Hewitt GM.J Gen Microbiol[J].1983,129:31． [9] Diana LV,Celia EC, Faustino Sineriz. Appl Environ Microbiol[J].1991.57(8):2392． [10] 蔡煜东，陈常庆，周斌．谷氨酸发酵过程的神经网络模拟预测模型[J]．生物工程学报，1995，11(1)：90． [11] 霍兰，张卫华，王爱萍．基于人工神经网络的发酵过程动态模式及优化[J]．山东科学，1997,10(3):49．[12] 方柏山．木糖醇发酵状态估算、过程预测与优化[J]．生物工程学报，1998,14,(1):81． [13] 秦肖瑧，夏定纯．神经网络用于啤酒发酵中糖度建模[J]．武汉纺织工学院学报，1998,14(2):33． [14] 高海燕，薄亚明，高志宇．L-异高氨酸发酵过程的神经网络预测控制[J]．基础自动化，2001,8(3):18．[15] Debasis S et al. Chemical Engineering Communications , 1996, 143 : 99～116． [16] Koprinkova P et al. Cybernetics and Systems ,1998,29 (3) :303～331 [17] M.Hajmeer,I Basheer. A probabilistic neural network approach for modeling and classification of bacterial growth/no-growth data[J]. Journal of Microbiological Methods,2002(51): 217-226[18] Bulsari A et al. IEEE International Joint Conference on Neural NetworksIJCNN ’91, Nov. 18～ 21, Sponsored by: IEEE Neural Network Soc. Publ. by IEEE , 1224～1229 [19] Zhu Y H et al. Transactions of the Institution of Chemical Engineers , 1994 , 72 (3) : 135～142 [20] Bulsari A et al. Biosensors & Bioelectronics , 1994,9 (2):105～109 [21] 孟华，付小美，曹桂萍．柠檬酸发酵过程的神经网络模糊控制[J]．河北工业科技，1999，16（3）：53-55 [22] 陈仕学，于乃功，阮晓钢. 基于RBF 神经网络的青霉素发酵过程的模型辨识[J]. 中南工业大学学报，2003，34（4）：342-344 . [23] 王健，陈宁，杨海军，等．基于BP 神经网络的L-色氨酸发酵过程建模[J]．天津轻工业学院学报，2003，18（3）:1-4. 9http://www.paper.edu.cn
--------------------------------------------------------------------------------
Page 10
[24]刘尧猛，孟昭鹏，于惠文，等．发酵过程状态预估的BP 神经网络模型实现[J]．天津轻工业学院学报,2003,18(3):35-38 [25] Ye K et al. Process Control and Quality , 1994,5 (4):245～250 [26] Teissier P et al. Journal of Biotechnology , 1997,55 (3):157～169 [27] Dacosta P et al. Artificial Intelligence in Engineering , 1997 , 11 (4) : 383～392 [28] Kurtanjek Z. Mathematics and Computers in Simulation , 1997 , 44 (3) : 287～294 [29] Zelimir K et al. Journal of Biotechnology , 1998,65 (1):23～35[30] M. Cheroutre-Vialette, A. Lebert. Application of recurrent neural network to predict bacterial growth indynamic conditions[J]. International Journal of Food Microbiology，2002（73）：107-118 [31] 蒋益虹，沈益民．人工神经网络用于红曲杨梅果酒生产工艺的优化[J].浙江大学学报，2003， 29(3):275～279 [32] 赵丽丽、陈宁、熊明勇，等．利用神经网络对L-缬氨酸发酵建模[J]．无锡轻工大学学报，2003， 22（2）：44-47 [33] 杨旭华，戴华平，孙优贤．基于神经网络的发酵时间和最优发酵温度模型[J]．化工自动化及仪表, 2004,31 (1):18-21 [34] 胡泽新，邵惠鹤．基于神经网络的酵母流加发酵过程最优重复控制新方法[J]．信息与控制，1993,22(4):18 [35] 苗志奇，赵凌云，元英进．谷氨酸流加发酵过程的神经网络优化研究[J]．生物工程学报，1998,14(2):198 [36] 姬宪法，肖隽亚，朱永强，等.抗生素发酵过程的模型辨识[J].洛阳工学院学报，2000,21(4):85 [37] 熊伟丽，徐保国，肖应旺．神经网络、遗传算法在发酵优化软件平台设计中的应用[J]．自动化与仪器仪表,2004（5）:20-22 [38] David J N et al. Bioelectrochemistry and Bioenergetics , 1996 , 39 (2) : 185～193 [39] Shimizu H et al. Journal of Fermentation and Bioengineering, 1997 , 83 (5) : 435～442 [40] 黄明志，杭海峰，储炬，等．人工神经网络在红霉素发酵过程状态预估中的应用[J]．华东理工大学学报，2000，26（2）:162-164． [41] 殷铭，张兴华，戴先中．基于模糊神经网络的发酵过程溶解氧预估控制[J]．控制与决策，2000，15（5）：547-551 [42] 袁景淇，周又玲，等．生物发酵过程神经网络状态预报器的验证[J]．无锡轻工大学学报，2000，19（6）：542-546 [43] 徐宏波，李超璟，熊伟丽，等．RBF神经网络在酵母细胞预测中的应用[J]．制造业自动化，2002，24（6）：44-47 [44] Xiong R, Xie G, Edmondson A S, Meullenet J F. Neural network modelling of the fate of Salmonella enterica serovar Enteritidis PT4 in home-made mayonnaise prepared with citric acid[J]．Food Control. 2002, 13(8): 525-533 [45] 乔晓艳，贾莲凤．RBF神经网络在菌体细胞浓度软测量中的应用[J]．计算机工程与设计，2003，24（3）：55-57 [46] 李运锋，袁景淇．神经网络预报在发酵过程异常诊断中的应用[J]．生物工程学报，2005，21（1）:102-106． [47] Shiz et al．Journal of Fermentation and Bio2engineering , 1992 , 74 (1):39～45． [48] 汤忠鎏，卢京潮．神经网络建立真菌发酵过程模型的研究[J]．苏州医学院学报，1996,16(3):411． 10http://www.paper.edu.cn
--------------------------------------------------------------------------------
Page 11
[49] 花强，王树青．神经网络建模方法在维生素C发酵过程中的应用[J]．化工学报，1996,47(4):433． [50] MiaoZetal. Chinese Journal of Chemical engineering , 1998, 6 (4) : 340～347[51] 刘文定，谢克明.神经网络模糊控制在烟叶发酵过程中的应用[J] 电力学报，1998,13(1):15-18． [52] 黄明志，杭海峰，储炬．人工神经网络在红霉素发酵过程状态预估中的应用[J]．华东理工大学学报,2000,26(2):162 [53] 隋青美，王正欧．发酵过程混合神经网络模型及其仿真[J]．系统仿真学报，2002，14（4）：415-417．[54] 方千山，王永初．基于神经网络的模糊预测控制及其应用[J]．自动化仪表，2002，23（8）：11-13．[55] 王燕，张凤宝，高志明，等．人工神经网络在米曲霉菌体固定化研究中的应用[J]．生物工程学报,2002,18(2):221-224 [56] 熊雪梅，姬长英．人工神经网络方法在黄瓜霜霉病预报中的应用[J]．农机化研究，2002（1）：113-115．[57] 夏定纯，秦肖臻．啤酒发酵过程中神经网络糖度混合建模[J]．武汉科技学院学报，2003，16（4）：43-46． [58] 卓戎,周涛．人工神经网络的软测量技术在发酵过程中的应用[J]．新疆石油学院学报，2003，15（2）：73-79． [59] Siripatrawan, U, Linz, J E, Harte, B R . Rapid method for prediction of Escherichia coli numbers using an electronic sensor array and an artificial neural network[J]．Journal of Food Protection. 2004, 67(8): 1604-1609[60] Garcia Gimeno, R M, Hervas Martinez C, Barco Alcala E, Zurera Cosano G, Sanz Tapia E. An artificialneural network approach to Escherichia coli O157:H7 growth estimation. Journal of Food Science. 2003; 68(2): 639-645 [61] 须文波，冯斌，黄佳．基于神经网络和遗传算法的生化过程状态预估及优化控制[J]．江南大学学报，2003，2（4）：343-347． [62] 马立玲，常玉清，王福利．两级神经网络的故障诊断方法及其在生化过程中的应用[J]．仪器仪表学报,2004,25(3):294-297 [63] 李运锋，袁景淇，薛耀锋．发酵过程中神经网络训练样本的选取[J]．化工自动化及仪表，2004，31(6):21～24． [64] 常玉清，王小刚，　王福利．基于多神经网络模型的软测量方法及应用[J]，东北大学学报，2005，26（6）：519-522． Application of artificial network on the Micro-bioengineering Pan Leiqing, Tu Kang (College of Food Science and Technoilogy, NanJing Agricultural University,210095)AbstractArtificial neural network (ANN) has the ability of nonlinear mapping and superiority on nonlinear modeling. It is applied widely in the micro-bioengineering, especially in the optimization of mediummodeling and system controlling. This paper mainly introduced the theory and method of ANN, the application of optimization of medium, estimate of consistent stirrer, modeling and control optimization of batch fermentation, etc. And wish to provide some theory and base for better11http://www.paper.edu.cn
--------------------------------------------------------------------------------
Page 12
application of ANN in the micro-bioengineering. Key words: artificial neural network; BP neural network; fermentation; micro-bioengineering作者简介：潘磊庆：男，1980 年生，湖北十堰人，在读博士，主要从事农产品贮藏加工方面的研究。屠 康：男，1968 年生，浙江黄岩人，教授，博导，主要研究农产品物性以及贮藏加工。江苏南京 南京农业大学食品科技学院（210095）。E-mail: kangtu@njau.edu.cn 12http://www.paper.edu.cn