智能計算方法及其在發(fā)酵過程中的應用研究.pdf

1、智能可以看作是知識積累和知識運用的綜合能力反應，主要是認識客觀事物、掌握客觀規(guī)律，以及運用知識去解決實際問題的能力。人工智能就是用人工系統(tǒng)來模擬人的問題求解、推理、學習等方面的能力。人工智能經過近半個世紀的發(fā)展，形成了多個研究發(fā)展方向，其中智能計算方法是智能科學當前研究的重要方向之一。在過去幾十年的時間里，智能計算得到了廣泛的研究和迅猛的發(fā)展，并在信號處理、模式識別、系統(tǒng)辨識、發(fā)酵控制、生物信息學、食品和醫(yī)療以及商業(yè)等領域取得了豐碩的成

2、果。
　　 本文針對智能計算方法在生物發(fā)酵過程以及生物信息學中的相關應用進行了研究，包括Cascaded Centralized Takagi-Sugeno-Kang(CCTSK)模糊神經網(wǎng)絡，多層感知器(Multi-Layer Perceptron)、徑向基函數(shù)(Radial Basis Function，RBF)神經網(wǎng)絡、Takagi-Sugeno-Kang(TSK)模糊系統(tǒng)等相關智能計算方法在谷胱甘肽、乳酸桿菌的發(fā)酵過程中

3、的應用。另外，對生物信息學中基因表達調控網(wǎng)絡的重構也做了一點工作，具體來說，本論文的創(chuàng)造性研究成果主要有：
　　 第一部分，對模糊系統(tǒng)進行了研究，建立了不確定的高斯混合模型和具有可加性的二型Takagi-Sugeno-Kang模糊系統(tǒng)之間的對應關系。然后利用Cascaded CentralizedTakagi-Sugeno-Kang(CCTSK)模糊神經網(wǎng)絡對谷胱甘肽(glutathione，GSH)的發(fā)酵過程進行建模。在實際的

4、發(fā)酵生產過程中，由于菌體發(fā)酵過程自身的復雜性以及實驗中的客觀條件的限制，使得實驗數(shù)據(jù)不可避免的含有一定量的噪音，從而使得傳統(tǒng)的神經網(wǎng)絡所建立的模型的收斂速度和精度明顯下降，且建模結果缺乏可解釋性。CCTSK模糊神經網(wǎng)絡由于采用了中心化的級聯(lián)的網(wǎng)絡結構，實驗結果表明，運用CCTSK模糊神經網(wǎng)絡對谷胱甘肽發(fā)酵的過程所建立的模型具有良好的魯棒性和更高的可解釋性。
　　 第二部分，研究了魯棒的基于熵準則的RBF谷胱甘肽發(fā)酵建模。利用信息

5、論中關于熵的概念，從概率密度的角度出發(fā)，采用判別熵構造出一個新的誤差準則函數(shù)——基于熵準則的誤差準則函數(shù)，并將其應用于谷胱甘肽的發(fā)酵建模過程中。由于新的誤差準則函數(shù)能夠從訓練樣本的整體分布結構來進行模型的參數(shù)學習，從而有效地避免了傳統(tǒng)的基于Mean Square Error(MSE)準則的RBF神經網(wǎng)絡的過學習和泛化能力弱的缺陷。
　　 第三部分，進一步研究了基于熵準則的誤差準則函數(shù)的特點。將新的準則函數(shù)用于多層感知器模型、徑向

6、基函數(shù)神經網(wǎng)絡模型以及Takagi-Sugeno-Kang模糊系統(tǒng)模型中，然后對乳酸桿菌發(fā)酵生成多糖(exopolysaccharide，EPS)的過程進行建模，實驗結果表明：新方法具有較高的預測精度、泛化能力以及良好的魯棒性。
　　 最后一部分，研究了目前生物信息學中的熱點——基因表達調控網(wǎng)絡的重構問題。針對傳統(tǒng)的線性組合模型只考慮了基因之間的線性調控關系的缺陷，引入了能量因子的概念，從而使得模型具備了分析基因間的非線性調控關