摘要：产物浓度是发酵过程中反映发酵状态的关键变量，通过软测量技术实现对该变量的在线预测十分重要。传统的软测量方法多为基于历史数据训练的静态模型，但在实际的分批发酵过程中，不同批次间的差异性导致模型预测精度缺乏稳定性。针对上述问题，提出一种基于增量学习的发酵过程产物浓度动态预测方法（ILDP）。首先，提出基于特征降维的相似度计算模块，对历史样本与新增样本进行特征降维，从历史样本中选取与新增样本相似的样本填充新增样本集，解决发酵过程新增标签样本少的问题；其次，提出基于增量学习的自适应更新模块，通过计算新增样本与模型训练样本的损失梯度以更新模型参数，使模型在新增标签样本少的情况下具备快速自适应更新的能力；最后，在青霉素公开数据集IndPenSim上进行实验，验证了该方法在不同批次发酵数据上的预测性能。
文章目录
1引言
2基于增量学习的发酵过程产物浓度动态预测方法
2.1基于特征降维的相似度计算模块
2.2基于增量学习的自适应更新模块
3实验及结果分析
3.1 数据集介绍
3.2 实施细节与评估指标
3.2.1 产物浓度预测实验
3.2.2对比实验
4结束语
