摘要：在建立青霉素发酵过程软测量模型时，不同辅助变量与目标变量的相关程度差异较大，一般的堆叠自编码器难以聚焦高相关性辅助变量，表达能力受限。同时，仅依靠神经网络无法提取发酵过程的慢速特征，削弱了对过程关键动态的捕捉，影响预测精度。针对上述问题，本文提出了一种基于慢特征分析与混合神经网络的软测量模型，旨在提升模型特征提取能力与预测精度。模型采用利用皮尔逊相关系数改进的堆叠自编码器，根据系数值将辅助变量划分至两个子空间，并突出对高相关性特征的提取。同时，模型通过慢特征分析提取发酵过程中的慢变化特征，并利用通道注意力机制融合两类特征，从而增强特征表征能力。仿真表明，所提模型在青霉素发酵过程数据上有着较高的预测精度和有效性。
文章目录
1 引 言
2 相关方法
2.1 SFA算法
2.2 LSTM网络原理
3 SFA-DPGSAE-LSTM-Attention混合网络软测量模型
3.1 双并行门控堆叠自编码器（DPGSAE）
3.2 所提模型架构
4 仿真研究
4.1 评价指标
4.2 对比实验
5 结 论
