1、“.....生物发酵过程软测量模型控制结构图如图所示。从图中可以看出软测量模型对于整个发酵过程控制系统具有十分重要的作用。使用软测量技术可以有效的提高整体的控制水平，提高生产的稳定性和产品的质量。发酵过程软测量模型控制器辅助变量图生物发酵过程软测量模型控制结构图但是，生物发酵过程是个极其复杂的不确定性过程，软测量模型预测结果不可避免的存在定误差。因此，在缺少可信度评价指标的前提下，将软测量模型预测结果直接应用于发酵过程的监测和优化控制具有定的盲目性。为解决上述问题，本节在软测量建模基本原理章节研究基础上，提出软测量结果可信度评价指标，用于在线评价软测量模型预测结果的可靠性。其中，软测量建模方法的软测量结果可信度指标计算公式为，从式可以看出，越大表示待测样本与个子模型相似度就越大......”。

2、“.....所得软测量结果也就不可靠。这里指出本文所提软测量结果可信度评价指标与均方差或最大相对误差等指标的不同。从式和可以看出，软测量结果可信度评价指标是与软测量结果起在线实时得到的，对应每个软测量结果都有相应的个可信度评价指标。在软测量模型工程实际应用时，可信度评价指标在线实时评价软测量结果的可靠性，从而指导软测量结果是否应用于工业过程的监测和优化控制，解决软测量模型预测结果直接应用于工业过程的监测和优化控制时存在盲目性的问题。而均方差或最大相对误差等指标是在离线建立软测量模型时，用来评价所建软测量模型有效性的。基于改进算法的软测量建模方法改进算法在实际应用于生物发酵软测量建模过程中，需要解决模型参数的训练问题。传统算法是常用的种学习算法......”。

3、“.....。然而，在进行生物发酵软测量建模时，为增加模型预测的稳健性，本文采用多组观测样本序列训练每个子模型，并且观测样本序列为观测值序列而不是多维观测矢量序列，因此需要对该算法做适当的改进，以适用于在生物发酵软测量建模应用中的具体情况。应用于生物发酵软测量建模过程中，观测样本序列为观测值序列而不是多维观测矢量序列，模型参数中的观测矢量概率密度函数矩阵需要修改为观测值概率密度函数矩阵，其中观测值概率密度函数采用混合维高斯概率密度函数表示式中，表示状态时输出观测值的概率密度函数为混合高斯数表示状态中第个高斯密度的混合权重，同样满足约束条件表示状态中第个混合高斯密度的均值表示状态中第个混合高斯密度的方差。于是，利用多观测值样本序列进行参数训练时......”。

4、“.....，其中,表示第组观测值序列，为每组观测值序列的观测长度。此时，模型训练的目标是调整模型参数使得下式的值达到最大给定模型和观测值序列，定义三个后验概率变量用于简化参数重估。其中表示时刻链处于状态，时刻处于状态的概率表示时刻链处于状态的概率,表示时刻链处于状态中第混合数的概率。添加比例因子解决算法下溢问题，标定后公式如下,,其中，和是第个观测样本序列的前向后向变量，是第个观测样本序列的标定系数,那么，利用组观测值序列进行模型参数训练时，参数重估公式修正为,......”。

5、“.....根据以上参数重估修正公式，由训练数据集得到的参数时，还需要解决初始模型的选取问题。不同的初始模型将得到不同的训练结果。因为算法本质上是个最大似然估计法，它是使局部极大时得到模型参数，因此，选取较好的初始模型，使最后求出的局部极大和全局最大接近，是很有意义的。般认为，参数和对初始值选取的影响不大，可以任意选取。但的初值对的训练影响较大，般采用较为复杂的初值选取方法。这里采用均值聚类法来实现。根据上面的分析，基于改进算法的参数训练步骤总结如下首先输入模型的状态数高斯混合数初始状态概率分布矢量初始状态概率转移矩阵迭代误差迭代最大步数和训练样本集由均值聚类法初始估计高斯混合密度参数和，获得的初始模型按照参数重估修正公式计算的各个参数和......”。

6、“.....若不满足算法收敛条件，返回步骤继续重估，若满足算法收敛条件，则训练结束，把所得模型作为最终的结果模型。根据上面描述的步骤，基于改进算法的参数训练过程示意图如图所示输入均值聚类法求迭代变量改进算法参数重估算法计算训练超过最大迭代步数退出最终模型参数得到初始化模型得到重估模型是否是否图基于改进算法的参数训练过程示意图基于改进算法的软测量建模方法基于改进算法的软测量建模过程示意图如图所示。具体建模步骤如下辅助变量的选择在待测工程对象的可测变量集中，根据工艺机理分析，选择对主导变量影响较大的变量作为初始辅助变量，然后再根据变量的灵敏性工程适用性精确性和鲁棒性的原则选择最终的辅助变量。数据采集及预处理采集待测工程对象的辅助变量实时数据和主导变量离线分析数据......”。

7、“.....记为针对每种状态需要训练个相应的子模型特征提取将辅助变量按序排列组成观测向量即观测值序列，并从训练样本集中提取对应于主导变量离线分析值数据库中每个状态的多组观测值序列，作为训练样本序列用于模型库训练模型库训练通过提取的训模型对菌体浓度的预测效果图模型预测误差曲线模型对菌体浓度的预测效果图模型预测误差曲线图两种建模方法对批发酵数据的预测效果对比为了便于比较，表中给出了批测试数据基于和的软测量模型对样本点菌体浓度预测的仿真结果。表中采用均方差和最大相对误差二个预测性能的评价指标来反映两种建模方法的预测效果。ˆˆ式中，为预测样本点个数，是样本菌体浓度离线分析值，ˆ是相应软测量模型预测值......”。

8、“.....在采用相同训练样本的情况下，软测量模型的预测效果较软测量模型优越。为了更直观地说明本文所建软测量模型优越的预测性能以及可信度指标的实际意义，基于前面所得实验结果，表列出了在采用相同训练数据集和测试数据集条件下，和软测量模型对批测试数据中的部分测试样本个样本点进行预测的结果。从表可以看出，本文所建软测量模型不但预测精度比软测量模型有显著提高，而且每个预测结果都还附有可信度这个评价指标。其中，样本号为和样本点软测量模型预测结果可信度较低，，其测试误差也较大，，而高可信度预测结果普遍具有较好的预测精度，这说明了本文所提可信度指标的有效性。因此，在软测量模型实际应用时，根据可信度这在线评价指标，可以有选择地选取高可信度预测结果用于发酵过程的实时监测和控制，避免了盲目控制。由此可见，本文所建软测量模型具有优良性能......”。

9、“.....表部分测试样本及预测结果样本号菌体浓度离线分析值预测值误差可信度注样本号表示第批测试数据时刻采样样本点本章小结本章研究了基于的生物发酵软测量建模方法，研究内容和创新成果如下首次将模型引入到生物发酵软测量建模领域，研究了软测量建模基本原理，提出了基于的发酵过程软测量建模方法。针对现有软测量模型预测结果直接应用于发酵过程实时监测和优化控制时存在盲目性的问题，提出软测量结果可信度评价指标，用于在线评价软测量预测结果的可靠性。练样本序列，采用改进算法分别建立与主导变量离线分析值数据库中每个状态对应的子模型，记为，所有训练好的子模型组成个模型库即软测量模型软测量实现将,新样本观测值序列输入训练好的模型库，采用识别算法即算法计算新样本在模型库中各个内的输出概率，再通过软测量输出公式和分别得出软测量结果及其可信度......”。