量子神经网络及在发酵过程中的应用

2010 No．2 Serial No．215 China Brewing 学院学报,2000,19(1):40-44. [4]汪建斌, 邓 勇. Alcalase碱性蛋白酶对大豆分离蛋白水解作用的研 究[J].食品工业科技,2002,23(1):61-63. [5]吴 非,霍贵成.酶法钝化大豆胰蛋白酶抑制剂研究[J].食品研究与开 发,2002,23(6):26-28. [6] ASLYNG M D, LARSEN L M, NIELSEN P M. Development of chemical and sensory characteristics during enzymatic hydrolysis of soy [J]. Zeitschrift fürLebensmitteluntersu-chungundforschungA, 1999, 208(1):50-56. [7] BOUE S M, SHIH BY, CARTER-WIENTJES C H, et al. Effect of soy- bean lipoxygenase on volatile generation and inhibition of Aspergillus flavus mcelial gowth [J]. J Agric Food Chem, 2005, 53(1):4778-4783. [8]张小侠.大豆脱腥工艺研究[J].粮食与饲料工业,1993(3):44. [9]钱海峰,周惠明.大豆制品腥昧控制研究进展[J].粮食与油脂,2003(8): 18. [10]江汉湖.大豆的腥昧和生理有害因子[J].食品导报,1988(7):5. [11]张延坤.大豆腥味的产生及其去除 方法 快递客服问题件处理详细方法山木方法pdf计算方法pdf华与华方法下载八字理论方法下载 [J].天津农业科学,1998,4(2): 41. [12]赵 毅,周素梅,王 强.豆奶中不良风味产生机理及解决途径探讨 [J].食品科技,2005(12):54. 发酵过程是一个非线性、多变量、时变和不确定的复 杂过程，该过程的模型化是实现其优化控制的关键一步， 常根据经验和微生物代谢本质来实现，并经实践不断验证、 修正参数，从而使模型能更好地反映发酵本质。针对特定 微生物发酵过程，需要应用计算机软件对发酵动力学模 型参数进行按拟合，求得待解参数，从而为微生物发酵过 程的优化奠定基础。参数待解也叫参数估计，是模型化的 一个重要问题。 目前参数估计的一些常用方法有极大似然估计、最 小二乘法、人工神经网络、遗传算法等，在实际应用中，这 些方法还存在一些限制与不足。人工神经网络方法精度 高，但网络拓扑结构与权值的确定往往是很复杂，非常困 难的。极大似然估计法和最小二乘法都是建立在具有连 续导数的光滑搜索空间的假设基础上，在梯度方向上寻优 的局部搜索技术，在一些情况下易陷入局部极值。遗传算 法要进行复制、交叉、变异、编码、解码等繁琐操作，不易于 实际应用。 本研究运用量子神经网络求解谷氨酸发酵动力学参数， 并与其他方法求得的结果进行比较，收到了较好的效果。 1 发酵动力学建立 1.1 发酵数学模型 发酵模型是典型的非线性模型，其一般形式为 y=f（x，θ）+e，e~N（0，δ2） （1） 式中：x为系统输入少，y为系统输出，θ为待估计的模型参 数；e为均差为 0、方差为 δ2的白噪音。 参数估计问题的实质就是在模型结构已经确定的情 量子神经网络及在发酵过程中的应用 侯 勇1，2 (1.山东经贸职业学院，山东 潍坊 261011；2.北京科技大学信息工程学院，北京 100083） 摘 要：给出了一种量子神经网络模型，组成该模型的全于神经元对信息的处理分为两阶段．第一阶段为宏观信息收集部分，产生 控制量子比特；第二阶段为微观信息处理部分，根据控制量子比特，改变工作量子比特，即神经元的状态。以谷氨酸发酵过程产物 （谷氨酸）浓度数据为检验样本，将量子神经网络应用到以Verhulst方程为菌体的生长模型中，进行发酵模型参数估计。实验结果表 明，基于量子神经网络算法的参数估计方法具有精度高、编程实现简单、计算量小等优点。 关 键 词：量子神经网络；量子神经元；发酵模型；参数估计；优化 中图分类号：TQ920.1 文献 标识 采样口标识规范化 下载危险废物标识 下载医疗器械外包装标识图下载科目一标识图大全免费下载产品包装标识下载 码：B 文章编号：0254-5071（2010）02-0154-04 Quantum neural network and its application in fermentation HOU Yong1,2 (1. Shandong Vocational College of Economics and Business, Weifang 261011, China; 2. School of Information Engineering, Beijing University of Science and Technology, Beijing 100083, China) Abstract: A quantum neural network to simulate quantum controlled NOT gate was presented in the study. At the first stage, the neural cell collected macroscopical information of samples and generated controlled quantum bit. The second stage, was named quantum controlled NOT gate simulation, which means the quantum neural cell will be changed according to the corresponding control of quantum bit. Quantum neural network with quantum neural cell is applied in bacterium growth model of Verhulst equation for parameters estimation of fermentation model for glutamic acid production. It is showed that the method of parameters estimation based on quantum neural network has the advantages of high precision, feasible program and low computation. Key words: quantum neural network; quantum neural cell; ferment model; parameter estimation; optimization 收稿日期：2009-08-30 作者简介：侯 勇（1978-），男，讲师，研究方向为神经网罗及应用、网络安全与通信。 !!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!! Experience Exchanges154· · 中 国 酿 造 2010年 第 2期 总第 215期 况下，根据己知输入输出观测数据对（xi，yi），i=1，…，n，求 解偏差平方和J（θ）= n i=1 Σ（yi-f（xi，θ））2为最小的0值，其实质 就是将模型参数估计问题转化为非线性函数优化问题。 1.2 谷氨酸分批发酵动力学模型的建立 菌体生长动力学模型：研究表明，采用Verhulst方程能 够很好地反映分批发酵过程中因细菌浓度的增加对菌体 自身生长存在的抑制作用。 dy（t） d（t）=ry（t）（1-y（t）/k），y（0）=y0 （2） 式中：dy（t）d（t）为微生物生长速率；y（t）为菌体浓度；t为菌体生 长时间；r为微生物最大比生长速度；r、k为待定模型参数。 产物形成动力学模型：研究发现，产物形成动力学模 型采用式（2）能够更好地表达产物形成的规律。 dP dt =bX-ks dX dt （3） 式中：dPdt 为产物形成速率；b和ks为待估参数。 底物消耗动力学模型：在谷氨酸的发酵过程中，底物 消耗可以大致分为长菌消耗和产酸消耗2大部分。虽然菌 体呼吸也要消耗大量的基质，但可以将其归结在长菌消 耗之内。因此，葡萄糖消耗的模型方程可以简单地用式（3） 描述。 -dSdt =k1 dy（t） dt +k2 dP dt （4） 式中：-dSdt为底物消耗速率，k1和k2为待估参数。 2 量子神经网络 2.1 量子神经元拓扑结构 量子神经元的拓扑结构见附图。 附图中各部分 说明 关于失联党员情况说明岗位说明总经理岗位说明书会计岗位说明书行政主管岗位说明书 （从左向右）： （l）w1，w2，…，wn：为邻近神经元所表达出激活态时的 概率，知道了概率，也就了解了神经元活动情况。 （2）S（Σ）：其中综合所收集到的概率值和权值，S（·） 是多层传递Sigmoid函数，将收集到的综合信息转换到 ［0，l］范围内，是产生控制量子比特相位的初始阶段。可 以表示为： θ r= 1ns +2 r-1ns -1 r=1，…，ns S（net）= 1ns ns r=1 ΣS（α（net-θr）） （5） 式中：ns为量子间隔数目，即Sigmoid函数的个数；θr为台阶宽 度，也叫做量子间隔；α为陡度因子。 （3）0.5πU：产生控制量子比特的相位。 （4）2πs（δ）神经元内部状态的相位，δ是相位的调节参 数（相移参数）。 （5）F（θ）：根据控制量子比特，神经元状态改变后的状态。 （6）M：观测也就是说，将神经元激活态时的概率表达 出来，作为该神经元的信息输出。 总体上来说，宏观信息收集部分的主要功能是收集其 他相连神经元的信息，然后综合信息，同时转换成控制量 子比特。微观信息处理部分的主要功能是模拟受控非门 根据控制量子比特来改变工作量子比特，即神经元的内部 状态，然后对神经元最新状态测量，将神经元激活态的概 率值，作为神经元的宏观信息传递出去。 2.2 工作机理 附图的量子神经元模型工作机理解释： 如果神经元的状态为｜φ〉，此时的相角为2πS（δ）（S 为sigmoid函数，σ为相移参数），具体表示： ｜φ〉=cos2πS（σ）｜0〉+sin2πS（σ）｜1〉 按照附图的计算方式，当U=0时，控制量子比特为｜0〉， 当U=l时，控制量子比特为｜1〉，当0 标准 excel标准偏差excel标准偏差函数exl标准差函数国标检验抽样标准表免费下载红头文件格式标准下载 遗传算法（GA）、改进遗传算法（GA）、标准微粒群算 法种方法进行比较。QNN算法与其他4种方法的参数估计 结果见表2。 根据表2中的数据，由式（23）可计算出谷氨酸菌体浓 度拟合值见表3。 为了检验不同参数估计方法的性能，将表2中的参数 估计值作为模型参数，以表1中的实际测量数据作为检验 样本，进行模型拟合度比较。采用剩余标准差公式（13）作 为 评价 LEC评价法下载LEC评价法下载评价量规免费下载学院评价表文档下载学院评价表文档下载 指标。 S= P p=1 Σ L k=1 Σ（dk（p）-Ok（p））2 P-m姨 （25） 其中：S为剩余标准差，P为个数，m为计参数个数，本文 P=20，m=30由表3中的估计值和表1的实际测量值，根据式 （1）可以计算出剩余标准差，结果见表4。 剩余标准差小说明参数估计精确高，由表4可以看出， PSO算法与IA算法的参数估计精度相当，高于ANN方法与 SGA算法，精度最高的是QNN。从实施过程来看，神经网络需 要事先确定网络结构，遗传算法需要繁琐的编码解码操作，而 QNN算法简单，需要调整的参数少，易于编程实现。因此， QNN算法用于发酵模型的参数估计是可行而有效的。 4 结束语 将基于量子神经网络算法应用于发酵模型参数估 计。以谷氨酸发酵菌体浓度数据为样本进行验证。实验结 果表明，基于量子神经网络的发酵模型参数估计方法具有 精度高、易实现、计算量小等优点。同时，该方法对于一般 非线性模型参数估计也具有普遍意义。 参考文献： [1]陈宏文，方柏山.胡宗定遗传算法应用于分批发酵动力学模型参数估 计[J].华侨大学学报：自然科学版，2000，21(1):71-75. [2] LIN W, ZHANG H, QIAN J. Model selection and parameter estimation of nonlinear system base on PS0[J]. Inte1lige Control Automaion, 2004, 1(1):262-266. [3]吕 强，俞金寿.量子神经元结构设计及其应用川控制与决策 2007,22 (9):1022- 1026. [4] Nielsen M A Chuang IL，赵千川译.量子计算和量子信息[M].北京：清 华大学出版社，2004. [5] TOTH G, LENT C S, DOUGLAS P, et al. Quantum cellular neural net- works [J]. Superattice Microst,1996, 20(4):473-478. [6] KOUDA N, MATSUI N, NISHIMURA H, et al. Qubit neural network and its learning efficiency[J] . Neural Comput Appl , 2005, 14 (2): 114-121. 表3 菌体浓度实际值与模型拟合值的比较 Table 3. Comparison of real values and estimated values of bacterial concentration g/L 实际值 ANN SGA IGA PSO QNN 0.32 0.2158 0.2417 0.2416 0.2127 0.3192 0.35 0.3342 0.3148 0.3236 0.3049 0.3496 0.36 0.3934 0.3706 0.4012 0.3815 0.3609 0.41 0.4264 0.4199 0.4412 0.4279 0.4089 0.56 0.5428 0.5514 0.5891 0.5479 0.5579 0.63 0.6129 0.6121 0.6241 0.6419 0.6302 0.72 0.7126 0.7036 0.6943 0.6918 0.7199 0.76 0.7455 0.7423 0.7416 0.7549 0.7586 0.80 0.8126 0.7936 0.7919 0.7946 0.7997 0.82 0.8294 0.8145 0.8116 0.8295 0.8182 0.85 0.8615 0.8412 0.8561 0.8461 0.8499 0.86 0.8712 0.8781 0.8442 0.8519 0.8601 0.88 0.8901 0.8691 0.8416 0.8876 0.8797 0.90 0.8894 0.8874 0.8869 0.8769 0.8969 0.89 0.8746 0.8761 0.8901 0.8912 0.8900 0.90 0.8899 0.9012 0.8813 0.8896 0.8969 0.91 0.8968 0.8892 0.8969 0.8967 0.9101 0.89 0.9085 0.9056 0.9082 0.8807 0.8897 0.90 0.9125 0.8896 0.8912 0.8961 0.8998 表4 几种参数估计方法的剩余标准差比较 Table 4. Comparison residual deviation of several parameter estimation methods 项目 ANN SGA IGA PSO QNN S 0.03831 0.03636 0.03326 0.03426 0.03106 经验交流 157· ·