基于改进FNN的青霉素发酵过程软测量建模与实现的中期报告.docx

基于改进FNN的青霉素发酵过程软测量建模与实现的中期报告
1.研究背景与意义
青霉素是一种广泛使用的抗生素，被广泛应用于临床治疗和预防疾病。青霉素的生产主要通过青霉素发酵来实现。青霉素发酵是一种复杂的生物化学过程，受到多种因素的影响，如温度、pH值、氧气含量、营养物质浓度等。因此，准确监测和控制这些因素对于提高青霉素生产效率和质量至关重要。软测量技术是一种重要的监测和控制方法，可以在无需精确传感器的情况下，通过采用多个输入和输出参数的机器学习方法进行建模和预测。
2.研究内容和方法
本研究基于改进的FNN（FunctionalNeuralNetwork）模型，结合PCA（PrincipalComponentAnalysis）降维技术和BP（BackPropagation）神经网络算法，进行青霉素发酵过程的软测量建模和实现。具体方法如下：
（1）收集青霉素发酵过程中相关参数的历史数据，并使用PCA降维技术进行数据预处理。
（2）基于PCA处理后的数据集，训练改进的FNN模型，并使用BP神经网络算法进行优化。
（3）通过模型预测得到实时反馈数据，并根据预测数据和实际数据进行青霉素发酵过程控制。
3.进展情况及结果展示
目前，我们已完成对青霉素发酵过程相关参数的数据采集和分析，首先使用PCA对数据进行降维处理。接下来，我们将使用改进的FNN模型进行训练和优化，以实现青霉素发酵过程的软测量建模和实现。预计到年底前完成模型构建和验证，并进行实际应用测试。
4.研究展望
当前研究主要关注基于改进的FNN模型的青霉素发酵过程软测量建模和实现，探讨了一种新的监测和控制方法。未来，我们将进一步研究基于其他机器学习算法的软测量方法，并进行更深入的实验研究和应用。同时，还可以探讨数据采集和预处理的优化方法，以进一步提高建模精度和实际效果。