[發明專利]基于貝葉斯組合神經網絡的生物發酵產量在線預報方法

無效

• 申請號: 201310661816.4
• 申請日: 2013-12-09
• 公開（公告）號: CN103678953A
• 公開（公告）日: 2014-03-26
• 發明（設計）人: 袁景淇;王濤;潘玉霖;成寶琨
• 申請（專利權）人: 上海交通大學
• 主分類號: G06F19/24
• 分類號: G06F19/24;G06N3/08
• 代理公司: 上海漢聲知識產權代理有限公司 31236
• 代理人: 郭國中

1.一種基于貝葉斯組合神經網絡的生物發酵產量在線預報方法，其特征在于，包括步驟如下：

步驟一、根據歷史發酵批次的產量分布特征，在考慮到發酵過程中的擾動的情況下，采用發酵批次分類算法將歷史發酵批次分為優勢批次、中等批次和劣勢批次三類；

步驟二、對每一類發酵批次，分別建立一個神經網絡預報器，其訓練數據庫由經過數據預處理的對應類別的歷史批次數據庫的數據和待預報批次的已知數據組成，數據預處理是指將在線采集的過程變量和離線分析數據通過移動窗口方法處理成為神經網絡訓練所需要的輸入輸出數據對；

步驟三、分別對代表優勢批次、中等批次和劣勢批次的三個神經網絡用對應的訓練數據庫進行在線訓練；

步驟四、根據待預報批次的最新輸入向量，分別計算三個已經訓練好的神經網絡的預報輸出值；

步驟五、發酵過程的產量預報值由三個神經網絡的預報輸出值加權得到，各個組合權值則根據該神經網絡在待預報批次之前時段的預測精度，采用貝葉斯統計推斷方法進行迭代計算得到；

步驟六、當一個被預報的批次發酵結束后，將根據發酵批次分類算法進行分類，并根據分類結果將其數據更新到對應類別的歷史數據庫中。

2.根據權利要求1所述的基于貝葉斯組合神經網絡的生物發酵產量在線預報方法，其特征在于，步驟一所述的發酵批次分類算法，具體為：

對所有歷史批次的產量數據在各個采樣點進行正態分布統計分析，得到在第k個采樣時刻T_k的60%置信上限P_m(T_k)+λσ(T_k)和60%置信下限P_m(T_k)-λσ(T_k)，其中P_m和σ分別代表發酵產量對應于60%置信限的統計均值和標準差，λ為置信系數，與60%置信限相對應；對于第i個批次，定義SU_i和SD_i兩個統計變量：

SUi=Σk=1Ni{P(Tk)-[Pm(Tk)+λσ(Tk)]}---(1)]]>

SDi=Σk=1Ni{P(Tk)-[Pm(Tk)-λσ(Tk)]}---(2)]]>

其中N_i為第i個批次的所有采樣點個數，則批次分類算法的計算步驟為：若SU_i>0，則第i個批次被分類為優勢批次；若SD_i<0，則第i個批次被分類為劣勢批次；若以上兩種情況都不滿足，則第i個批次被分類為中等批次。

3.根據權利要求1或2所述的基于貝葉斯組合神經網絡的生物發酵產量在線預報方法，其特征在于，步驟五所述發酵過程的產量預報值由三個神經網絡的預報輸出值加權得到，各個組合權值則根據該神經網絡在被預報批次之前時段的預測精度，采用貝葉斯統計推斷方法進行迭代計算得到，具體方法為：

發酵過程的產量預報值由三個神經網絡的預報輸出值加權得到：

P^(Tk+TP)=Σr=13pTkrP^r(Tk+TP),r=1,2,3---(3)]]>

其中，T_P為預報寬度，即超前預報的時間；表示在采樣時刻T_k對未來T_P時間之后的產量的超前預報值，是由三個神經網絡的預報輸出值r＝1,2,3通過加權求和得到；是第r個神經網絡在采樣時刻T_k的權值，它的計算方法具體為：

eTkr=P(Tk)-P^r(Tk)---(4)]]>

為在T_k的發酵批次產量采樣值P(T_k)與第r個神經網絡的預報值之間的偏差，認為它滿足均值為0和方差為σ_r的高斯分布，則的迭代公式為：

pTkr=12πσrpTk-1rexp(-|P(Tk)-P^r(Tk)|22σr2)Σj=1312πσjpTk-1jexp(-|P(Tk)-P^j(Tk)|22σj2),r=1,2,3---(5)]]>

由式(5)可知第r個神經網絡在采樣時刻T_k的權值與該神經網絡上一個采樣時刻的預測精度有關，其中為第r個神經網絡在采樣時刻T_k-1的權值，T_k-1即T_k的上一個采樣時刻；在式(5)的分母中，j表示用來區分求和的三個子項的標號；式（5）是一個迭代計算式，在產量預報的起始時刻T₁，迭代計算的初值是根據歷史批次中第r類批次出現的頻率計算的，即：

pT1r=nrnh---(6)]]>

其中，nh為所有歷史批次的個數，n_r是nh個歷史批次中被劃分為第r類的批次的個數，即是根據統計被劃分為第r類的歷史批次的個數占所有歷史批次個數的比重來計算的。