发酵过程软测量：基于连续隐Markov模型与可信度评价

"本文介绍了一种基于连续隐Markov模型（Continuous Hidden Markov Model, CHMM）的发酵过程软测量方法，旨在解决生物发酵过程中某些生物参量难以在线检测的问题。文章提出了一种改进的最小分类误差准则来优化CHMM模型参数估计，同时为了评估软测量结果的可靠性，还提出了在线可信度评价指标。实验结果验证了该方法的有效性和可信度指标的实际应用价值。" 在生物发酵过程中，存在一些关键的生物参量，如pH值、溶解氧浓度等，由于技术限制，这些参数往往无法直接实时在线测量。针对这一问题，研究者们提出了软测量技术，它可以通过已知的输入参数和过程数据间接估算难以测量的参量。本文提出的连续隐Markov模型（CHMM）是软测量技术的一种应用，利用CHMM的动态特性，可以有效地模拟生物发酵过程的非线性和时变行为。 CHMM是一种概率模型，由一系列隐藏状态和观察状态组成，其中隐藏状态不可直接观测，但可通过观察状态推断。在发酵过程软测量中，隐藏状态可能代表难以测量的生物参量，而观察状态则为可直接测量的工艺参数。通过学习和训练CHMM模型，可以预测并估算那些难以测量的生物参量。 为了减少模型构建过程中的计算复杂性，文章引入了改进的最小分类误差准则。传统的最小分类误差准则常用于分类任务，但在CHMM参数估计中，这种准则的改进版可以帮助更精确地拟合数据，从而提高软测量模型的准确性。 此外，为了确保软测量结果在实际应用中的可靠性，研究者提出了在线可信度评价指标。这个指标可以在发酵过程监控和控制中实时评估软测量结果的可信程度，避免盲目依赖模型输出，增加了控制决策的科学性和安全性。 实验结果证明，所提出的CHMM软测量方法有效降低了发酵过程监测的不确定性，并且在线可信度评价指标对实际应用具有重要意义。这项工作对于生物发酵过程的自动化控制和优化有着积极的推动作用，也为其他类似复杂工业过程的软测量技术提供了新的思路。