An experimental verification and va

An experimental verification and validation of the neural-network rate-function (NNRF) approach to modeling dynamic systems is provided. The NNRF modeling scheme utilizes the designed experimental data to build the interested states of the dynamic system as a function of the related recurrent states and the external inputs by feedforward artificial neural networks (FANNs). Once these FANNs are trained, they can be put back into the original differential equations, thereby turning out this combined NNRF-differential-equation model. The experimental system for demonstrating the applicability of the NNRF modeling approach is the liquid phase cultivation of Monascus anka. In a 5 l batch reactor system, the controlled inputs are the cultivating temperature and the dissolved oxygen; the desired outputs are the glucoamylase activity and the concentration of red pigment. Based on the developed sequential pseudo-uniform design (SPUD) method, 11 batches are adequate to provide the identified NNRF model with sufficient information. Facing the noisy inputs and outputs, the identified NNRF demonstrates its predictive capability and could be applied to determine the optimal operating conditions for the submerged cultivation of M. anka.

ผลลัพธ์ (ไทย) 1:

อุปกรณ์มีการตรวจสอบทดลองและการตรวจสอบของข่ายประสาทอัตราการทำงาน (NNRF) วิธีการสร้างโมเดลระบบแบบไดนามิก แบบโมเดล NNRF ใช้ข้อมูลทดลองออกแบบสร้างอเมริกาสนใจระบบไดนามิกเป็นฟังก์ชันของอเมริกาเกิดขึ้นที่เกี่ยวข้องและปัจจัยการผลิตภายนอก โดย (FANNs) เครือข่ายประสาทเทียมที่ feedforward เมื่อมีการฝึกอบรม FANNs เหล่านี้ พวกเขาสามารถใส่กลับเข้าไปในสมการเดิม จึงเปิดออกนี้รวมแบบจำลองสมการเชิงอนุพันธ์ NNRF ระบบการทดลองแสดงให้เห็นถึงความเกี่ยวข้องของ NNRF วิธีการสร้างโมเดลเป็นการเพาะปลูกของเฟสของเหลวของ Monascus anka ในระบบเครื่องปฏิกรณ์ชุด 5 ลิตร ควบคุมจะพัฒนาอุณหภูมิและออกซิเจนละลาย ผลที่ต้องการมีกิจกรรม glucoamylase และความเข้มข้นของเม็ดสีแดง จากวิธีการพัฒนาตามลำดับเหมือนกันหลอกออกแบบ (SPUD) ชุดที่ 11 มีเพียงพอเพื่อให้แบบ NNRF ที่ระบุ มีข้อมูลที่เพียงพอ หันหน้าไปทางเสียงอินพุตและเอาต์พุต NNRF ระบุแสดงความสามารถในการคาดการณ์ และสามารถใช้เพื่อกำหนดเงื่อนไขการปฏิบัติงานที่เหมาะสมสำหรับการเพาะปลูกแบบจุ่มใต้น้ำของ M. anka

ผลลัพธ์ (ไทย) 2:

การตรวจสอบการทดลองและการตรวจสอบของระบบประสาทเครือข่ายอัตราฟังก์ชั่น (NNRF) แนวทางการสร้างแบบจำลองระบบแบบไดนามิกที่มีให้ โครงการการสร้างแบบจำลอง NNRF ใช้ข้อมูลจากการทดลองได้รับการออกแบบเพื่อสร้างรัฐสนใจของระบบแบบไดนามิกเป็นหน้าที่ของรัฐที่เกี่ยวข้องและเกิดขึ้นอีกปัจจัยภายนอกโดยการคราทเครือข่ายประสาทเทียม (fanns) เมื่อ fanns เหล่านี้จะได้รับการฝึกฝนที่พวกเขาสามารถใส่กลับเข้าไปในสมการเชิงอนุพันธ์เดิมจึงเปิดออกรวม NNRF-ค่าสมรุ่นนี้ ระบบการทดลองแสดงให้เห็นถึงการบังคับใช้ของวิธีการสร้างแบบจำลอง NNRF คือการเพาะปลูกของของเหลว Monascus Anka ใน 5 ลิตรระบบเครื่องปฏิกรณ์ปัจจัยการผลิตที่มีการควบคุมอุณหภูมิการปลูกฝังและออกซิเจนที่ละลายในน้ำ; เอาท์พุทที่ต้องการมีกิจกรรม glucoamylase และความเข้มข้นของเม็ดสีแดง ขึ้นอยู่กับการออกแบบเครื่องแบบหลอกพัฒนาตามลำดับ (Spud) วิธีการ 11 สำหรับกระบวนการที่เพียงพอที่จะให้รูปแบบ NNRF ร​​ะบุมีข้อมูลที่เพียงพอ หันหน้าไปทางปัจจัยการผลิตที่มีเสียงดังและเอาท์พุทที่ระบุ NNRF แสดงให้เห็นถึงความสามารถในการคาดการณ์และสามารถนำไปใช้ตรวจสอบสภาพการใช้งานที่เหมาะสมสำหรับการเพาะปลูกจมอยู่ใต้น้ำของเอ็มแองก้า

ผลลัพธ์ (ไทย) 3:

การตรวจสอบทดลองและตรวจสอบของอัตราการทำงานเครือข่ายประสาท ( NNRF ) วิธีการแบบจำลองระบบพลวัตมีให้ การ NNRF การสร้างแบบจำลองโครงการใช้การออกแบบการทดลองเพื่อสร้างรัฐสนใจของระบบแบบไดนามิกเป็นหน้าที่ของรัฐ และปัจจัยภายนอกที่เกี่ยวข้องดำเนินการไปข้างหน้าโดยโครงข่ายประสาทเทียม ( จํานวน ) เมื่อมีจํานวนเหล่านี้มีการฝึกอบรมที่พวกเขาสามารถใส่กลับเข้าไปในสมการเดิมจึงกลายเป็นนี้รวม NNRF แบบจำลองสมการเชิงอนุพันธ์ . ระบบทดลองเพื่อแสดงให้เห็นถึงการประยุกต์ใช้แบบจำลองเป็น NNRF เฟสของเหลวเพาะไหมเชื้อราแอนก้า . ในเครื่องปฏิกรณ์แบบ 5 ลิตร ระบบ ควบคุมปัจจัยการผลิตเป็นกสิอุณหภูมิและปริมาณออกซิเจนที่ละลายในน้ำ ; ผลผลิตเป็นกิจกรรมที่ต้องการทำงานและความเข้มข้นของเม็ดสีสีแดง บนพื้นฐานของการพัฒนาออกแบบเครื่องแบบแบบเทียม ( มันฝรั่ง ) , 11 ชุดเพียงพอที่จะให้ระบุ NNRF แบบจำลองกับข้อมูลที่เพียงพอ ซึ่งกระผมเสียงดังและผลผลิต ระบุ NNRF สาธิตความสามารถในการทำนายและสามารถนำไปใช้เพื่อศึกษาหาสภาวะที่เหมาะสมสำหรับการจมของ ม. แองคา .