1、微生物發(fā)酵是一個(gè)非常復(fù)雜的生化反應(yīng)過程，具有高度的非線性、時(shí)變性和不確定性。其發(fā)酵過程的關(guān)鍵生物參數(shù)，如基質(zhì)濃度、菌體濃度及產(chǎn)物濃度等，難以實(shí)時(shí)在線測(cè)量，因而對(duì)整個(gè)發(fā)酵過程進(jìn)行優(yōu)化控制非常困難。采用軟測(cè)量技術(shù)是解決上述問題的有效途徑。
　　 本文以海洋蛋白酶發(fā)酵過程為研究對(duì)象，在分析徑向基神經(jīng)網(wǎng)絡(luò)、模糊神經(jīng)網(wǎng)絡(luò)、動(dòng)態(tài)模糊神經(jīng)網(wǎng)絡(luò)軟測(cè)量建模方法的理論基礎(chǔ)上，提出了一種基于廣義動(dòng)態(tài)模糊神經(jīng)網(wǎng)絡(luò)的軟測(cè)量建模方法。廣義動(dòng)態(tài)模糊神經(jīng)網(wǎng)絡(luò)算

2、法基于橢圓基函數(shù)，與徑向基函數(shù)接收域相比，橢圓基函數(shù)接收域提供了更靈活、更廣泛的非線性變換來逼近任意一個(gè)非線性系統(tǒng);同時(shí)，該算法以模糊ε-完備性作為在線參數(shù)的分配機(jī)制，避免了初始化選擇的隨機(jī)性;另外，該算法還對(duì)模糊規(guī)則及輸入變量的重要性作出了評(píng)價(jià)。
　　 為了驗(yàn)證基于廣義動(dòng)態(tài)模糊神經(jīng)網(wǎng)絡(luò)的軟測(cè)量建模方法具有良好的預(yù)測(cè)性能，文中根據(jù)廣義動(dòng)態(tài)模糊神經(jīng)網(wǎng)絡(luò)算法，對(duì)海洋蛋白酶發(fā)酵過程關(guān)鍵生物參量進(jìn)行了軟測(cè)量建模，并與基于徑向基神經(jīng)網(wǎng)絡(luò)、

3、動(dòng)態(tài)模糊神經(jīng)網(wǎng)絡(luò)的軟測(cè)量方法進(jìn)行了比較。結(jié)果表明，基于廣義動(dòng)態(tài)模糊神經(jīng)網(wǎng)絡(luò)的軟測(cè)量建模方法在學(xué)習(xí)速率與預(yù)測(cè)性能方面具有突出的優(yōu)勢(shì)。
　　 另外，為了滿足微生物發(fā)酵過程實(shí)時(shí)監(jiān)測(cè)和優(yōu)化控制的要求，文中建立了基于WinCC的微生物發(fā)酵過程智能監(jiān)視系統(tǒng)。由于MATLAB不能與現(xiàn)場(chǎng)工控設(shè)備進(jìn)行直接數(shù)據(jù)通信，無法對(duì)軟測(cè)量模型預(yù)測(cè)出的關(guān)鍵生物參數(shù)估計(jì)值進(jìn)行實(shí)時(shí)監(jiān)視。文中結(jié)合MATLAB和組態(tài)軟件WinCC各自的優(yōu)勢(shì)，用動(dòng)態(tài)數(shù)據(jù)交換技術(shù)實(shí)現(xiàn)了M