PLS-BPN法用于7005铝合金力学性能与工艺参数的定量研究

用偏最小二乘法(PLS)结合反向传播人工神经网络(BPN)方法对7005铝合金力学性能与工艺参数之间的关系进行定性分析和计算。结果表明:用PLS法对实验数据作模式识别优化处理的结果与实验很吻合,能够指明该合金工艺参数优化的方向;用BPN定量计算的结果与实验测定值符合也较好;将PLS与BPN法有机地联系起来,有利于克服过拟合,提高BPN预报的准确性。用留一(LOO)交叉验证法分别对3种模型PLS、BPN和PLS-BPN的合金性能预报结果进行验证,其中PLS-BPN模型预测的均方根误差(RMSE)和平均相对误差(MRE)均最低,更适合于7005铝合金性能预报。

BP神经网络和遗传算法在乳酸菌发酵参数优化中的应用

为提高短乳杆菌L2菌株γ-氨基丁酸(GABA)的产量,建立了一个反映因素与产量之间的非线性关系模型.运用Plackett-Burman设计、中心组合试验设计(CCD)对MRS培养基组成和培养条件进行了优化,筛选出4个影响发酵的关键因素:蛋白胨、葡萄糖、谷氨酸钠、初始pH.在此基础上,采用误差反向传播神经网络(BPN)和遗传算法(GA)确定了4个关键因素的适宜参数:蛋白胨21.185 g/L,葡萄糖3.857 g/L,谷氨酸钠48.948 g/L,初始pH 4.05.最终使短乳杆菌L2菌株的GABA产量达到了27.765 g/L,比原始MRS培养基的13.452 g/L提高了106.4%.研究表明利用BPN-GA方法进行发酵条件优化是一种行之有效的途径.