機(jī)器學(xué)習(xí)算法在發(fā)酵中的應(yīng)用

范為嘉

摘 要：發(fā)酵工業(yè)受到手工操作的限制，未來將應(yīng)用生物技術(shù)和方法，結(jié)合機(jī)器識(shí)別、深度學(xué)習(xí)等智能化技術(shù)，實(shí)現(xiàn)基于人工智能的發(fā)酵工業(yè)智能化。本文概括性地介紹機(jī)器學(xué)習(xí)算法在發(fā)酵智能化研究中的一些應(yīng)用。

關(guān)鍵詞：機(jī)器學(xué)習(xí);發(fā)酵;神經(jīng)網(wǎng)絡(luò);花卉授粉算法;遺傳算法;支持向量機(jī)

引言[1，2]

機(jī)器學(xué)習(xí)專門研究計(jì)算機(jī)如何模擬或?qū)崿F(xiàn)人類的學(xué)習(xí)行為，以獲取新的知識(shí)或技能重新組織已有的知識(shí)結(jié)構(gòu)使之不斷改善自身的性能。發(fā)酵指人們借助微生物在有氧或無氧條件下的生命活動(dòng)來制備微生物菌體本身、或者直接代謝產(chǎn)物或次級(jí)代謝產(chǎn)物的過程，在食品工業(yè)、生物和化學(xué)工業(yè)中均有廣泛應(yīng)用。機(jī)器學(xué)習(xí)算法在發(fā)酵中的應(yīng)用已經(jīng)得到各國科學(xué)家的研究。

1厭氧發(fā)酵制氫的神經(jīng)網(wǎng)絡(luò)非線性建模[2]

Ahmed El-Shafie使用梭狀芽胞桿菌（ATCC13564）考查了利用人工神經(jīng)網(wǎng)絡(luò)（ANN）方法模擬和預(yù)測(cè)產(chǎn)氫量的可能性。他引入了一種獨(dú)特的體系結(jié)構(gòu)來模擬反應(yīng)溫度、初始介質(zhì)pH值和初始底物三個(gè)輸入?yún)?shù)之間的相互關(guān)系以預(yù)測(cè)氫氣產(chǎn)率，并利用實(shí)驗(yàn)的60個(gè)數(shù)據(jù)記錄建立了神經(jīng)網(wǎng)絡(luò)模型。結(jié)果表明，所提出的人工神經(jīng)網(wǎng)絡(luò)模型預(yù)測(cè)有很高的精度，最大誤差為10%。此外，與傳統(tǒng)方法Box-Wilson Design（BWD）的比較分析證明了ANN模型顯著優(yōu)于BWD。人工神經(jīng)網(wǎng)絡(luò)模型克服了BWD方法在記錄數(shù)量上的局限性，它只是考慮氫產(chǎn)率隨機(jī)模式的有限長(zhǎng)度。

2利用神經(jīng)網(wǎng)絡(luò)和遺傳算法研究酸奶發(fā)酵中酸化工藝的最佳溫度分布[3]

E. B. Gueguim-Kana等科學(xué)家在38-44°C的最佳溫度范圍內(nèi)研究了保加利亞乳桿菌和嗜酸鏈球菌在酸奶生產(chǎn)中的酸化行為。對(duì)于最佳酸化溫度剖面研究，他們采用模塊化的人工神經(jīng)網(wǎng)絡(luò)（ANN）和遺傳算法（GA）的優(yōu)化模型，利用不同的溫度分布對(duì)14批酸奶發(fā)酵進(jìn)行了評(píng)估，來訓(xùn)練和驗(yàn)證ANN子模塊。人工神經(jīng)網(wǎng)絡(luò)在150個(gè)時(shí)段后的訓(xùn)練數(shù)據(jù)上捕捉到溫度分布與酸化模式之間的非線性關(guān)系。這是遺傳算法的一個(gè)評(píng)價(jià)函數(shù)，溫度剖面的酸化斜率是性能指標(biāo)。遺傳算法子模塊使用遺傳算法在各代之間迭代進(jìn)化出更好的溫度分布，經(jīng)過11代后符合停止標(biāo)準(zhǔn)。最佳剖面為0.06117，初始值為0.0127，設(shè)定點(diǎn)序列為43、38、44、43和39°C。對(duì)遺傳算法的三個(gè)重復(fù)的評(píng)估表明，43、38、44、43和39°C時(shí)的最佳剖面平均斜率為0.04132。他們所使用的優(yōu)化模型可以有效地尋找發(fā)酵過程的不同物理化學(xué)參數(shù)的最佳剖面。

3支持向量機(jī)檢測(cè)葡萄酒發(fā)酵異常過程[4]

不正常發(fā)酵是早期釀酒過程中出現(xiàn)的主要問題之一。近年來，多變量統(tǒng)計(jì)和計(jì)算智能的方法被廣泛應(yīng)用于解決這一問題。在這項(xiàng)工作中，Gonzalo Hernández等人使用三種不同的核函數(shù)：線性、多項(xiàng)式和徑向基函數(shù)的支持向量機(jī)方法來檢測(cè)正常的和有問題的（緩慢、卡住）葡萄酒發(fā)酵。對(duì)于訓(xùn)練算法，他們使用了22種葡萄酒發(fā)酵的相同數(shù)據(jù)庫，研究了大約22000個(gè)點(diǎn)，考慮的主要化學(xué)變量為：總糖、酒精度和密度。利用80%的數(shù)據(jù)進(jìn)行模型訓(xùn)練，20%的數(shù)據(jù)進(jìn)行測(cè)試，在48h的時(shí)間截止條件下，他們獲得了發(fā)酵行為的結(jié)果。主要結(jié)果表明，基于三次多項(xiàng)式和徑向基核的SVM方法的預(yù)測(cè)正確率分別是88%和85%。

4工業(yè)金霉素間歇發(fā)酵過程中的生物效價(jià)軟傳感器建模方法[5]

發(fā)酵液的效力是反映金霉素發(fā)酵產(chǎn)物產(chǎn)量和質(zhì)量的關(guān)鍵參數(shù)之一，但到目前為止，還沒有一種儀器可以在線檢測(cè)金霉素的效力。所有的測(cè)試都是通過手動(dòng)離線測(cè)試完成的，生產(chǎn)過程通常有幾十個(gè)小型、大型發(fā)酵罐，而從發(fā)酵罐中取樣和分析結(jié)果需要幾個(gè)小時(shí)，使用分析結(jié)果控制操作量會(huì)導(dǎo)致嚴(yán)重滯后。Yu-mei Sun等人將自組織特征映射（SOM）神經(jīng)網(wǎng)絡(luò)與數(shù)據(jù)的精確分類相結(jié)合，將最小二乘支持向量機(jī)（LSSVM）算法與非線性特征的強(qiáng)描述相結(jié)合，建立了預(yù)測(cè)金霉素發(fā)酵效力的SOM-LSSVM全局建模方法。根據(jù)非線性金霉素發(fā)酵過程的特點(diǎn)，他們用實(shí)時(shí)學(xué)習(xí)遞歸最小二乘支持向量回歸（JITL-RLSSVR）進(jìn)行局部實(shí)時(shí)建模和10次折疊交叉驗(yàn)證，提出了一種用于金霉素發(fā)酵效力在線預(yù)測(cè)的混合軟傳感器建模方法（JITL-RLSS VRSOM-LSSVM）?，F(xiàn)場(chǎng)實(shí)驗(yàn)表明，該方法可以獲得更準(zhǔn)確的效力預(yù)測(cè)值，并能滿足生產(chǎn)工藝的要求。

5酵母發(fā)酵過程中負(fù)性規(guī)則的引入與模糊控制器的演化[6]

生物過程的控制非常具有挑戰(zhàn)性，因?yàn)樗艿礁鞣N不確定性來源的高度影響。由于這些不確定性在大多數(shù)情況下無法直接測(cè)量，總體控制要么是依靠操作員的經(jīng)驗(yàn)而手動(dòng)完成，要么是在模糊邏輯理論的基礎(chǔ)上應(yīng)用智能專家系統(tǒng)。專家系統(tǒng)控制主要是通過使用積極規(guī)則來表示的，這在決策過程的語義方面并不是直截了當(dāng)?shù)?，因?yàn)檫@一決策過程還包括以限制或禁止的形式出現(xiàn)的負(fù)面經(jīng)驗(yàn)。Stephan Birle等人提出了一種基于正負(fù)規(guī)則的酵母繁殖過程模糊邏輯控制方法，該過程是通過交互過程中的溫度來引導(dǎo)酵母細(xì)胞濃度的參考軌跡。由于參考軌跡和系統(tǒng)響應(yīng)的均方根誤差比僅使用正規(guī)則的控制器平均降低62.8%，因此，負(fù)規(guī)則的加入使得過程的控制更加穩(wěn)定和準(zhǔn)確。

6利用花卉授粉算法動(dòng)態(tài)優(yōu)化間歇發(fā)酵生物過程[7]

現(xiàn)在有幾種優(yōu)化策略可以用于進(jìn)料間歇發(fā)酵過程中尋找最佳進(jìn)料剖面，如迭代動(dòng)態(tài)規(guī)劃（IDP）、遺傳算法（GA）、粒子群優(yōu)化（PSA）和蟻群優(yōu)化（ACO）等。在Sarma Mutturi 的 研究中，以陸生開花植物授粉過程為靈感的花卉授粉算法（FPA）首次被用于尋找最佳攝食、飼料分批發(fā)酵過程中的剖面圖。他選擇單控制變量、雙控制變量和狀態(tài)變量有界問題來檢驗(yàn)花卉授粉算法對(duì)最優(yōu)控制問題的魯棒性。結(jié)果表明，花卉授粉算法與其他隨機(jī)策略相比，計(jì)算強(qiáng)度較小。將所得結(jié)果與其他研究結(jié)果進(jìn)行比較，發(fā)現(xiàn)對(duì)于所研究的情形，花卉授粉算法要么收斂到較新的最優(yōu)值，要么更接近所建立的全局最優(yōu)值。

7 小結(jié)

專家們已經(jīng)利用神經(jīng)網(wǎng)絡(luò)、花卉授粉算法、遺傳算法、支持向量機(jī)等算法研究了發(fā)酵工程中的厭氧發(fā)酵制氫、乳桿菌和嗜酸鏈球菌最佳酸化溫度、葡萄酒發(fā)酵異常、間歇發(fā)酵等問題，這對(duì)發(fā)酵工業(yè)的智能化發(fā)展將起到積極的促進(jìn)作用。

參考文獻(xiàn)：

[1]蔡自興，蒙祖強(qiáng)：人工智能基礎(chǔ)（3版）[專著]. 北京：高等教育出版社，2016.

[2]Ahmed El-Shafie： Neural network nonlinear modeling for hydrogen production using anaerobic fermentation[J]. Neural Computing and Applications volume 24， pages539–547（2014）.

[3]E. B. Gueguim-Kana， J. K. Oloke， A. Lateef & M. G. Zebaze-Kana： Novel optimal temperature profile for acidification process of Lactobacillus bulgaricus and Streptococcus thermophilus in yoghurt fermentation using artificial neural network and genetic algorithm[J]. Journal of Industrial Microbiology & Biotechnology volume 34， pages? 491 – 496 （2007）.

（廣東省廣州市天河外國語學(xué)校? 廣東? 廣州? 510000）