Abstract
幾乎所有牽涉到生物的程序都非常複雜，我們無法由直觀的推測就知道系統的特性和各個變數間的關係。尤其在我們的系統中，雖然和產物相關的無因制群.變數多達20幾個，如: mixing time. eddy length. viscosity. shear force…….但因為可以直接控制的變數並不多，每一個batch所花的時間又很長，故我們試著要用一些資料的前處理方法，盡可能地將系統的資料都納入且做一個壓縮的動作，使得在有限的變數維度下，我們能夠坐擁最廣泛的系統資訊，利用類神經網路來建來一個較具有可信度的系統model。 我們選擇了PCA. DPCA. NLPCA三種資料前處理方法和原始數據所建構的model來做比較。 由於我們並不很清楚地知道系統是否具有強烈的動態或非線性特徵，故在執行的過程中，原始數據. PCA. NLPCA我們採用不具動態考量的模式，把每一個batch中的任一天都當成是一個小batch，天數當是一個index和其他的可操縱變數及測量值一起作為input。而在DPCA上，我們假設每一天的培養都與前一天的培養結果有關，以一階的moving window來重新排列我們的可操縱變數及測量值，將x(t)和x(t-1)的數據並置作為input; 故input中就沒有時間這個參數。 因為我們所擁有的實驗數據並不是很多，所以就有可能的範圍內，我們比較了這三種方法處理過的數據和原始數據在類神經網路上的表現，並希望從中得到對系統較多的了解。 我們所使用的類神經網路架構是Back propagation Neural Network，只使用一層hidden layer，hidden layer active function為sigmoid和hyperbolic tangent兩種從中選一，訓練時用Levenberg-Marquardt的方法來訓練。 在練訓的結果中我們可以發現，sigmoid function比hyperbolic tangent更適合我們的系統，因為不管是哪一種方法，在sigmoid上training error都比較小，而且，用sigmoid時，training error對於hidden layer neuron數目的增加會有較敏感的反應。 而由方法上來比較，很明顯的不論是training或者是testing，PCA表現得總是最不好的一個; 其他三者雖然在training時的表現大致差不多，但NLPCA卻在testing時遠遠地比DPCA和未處理過的data好上幾倍，不只是testing error比其他的方法小很多，且不像其他的方法在每一testing data上的表現差異性大，它是每一個testing data的error都小。 從NLPCA的非線性主值訓練. 測試的結果中，我們推測系統具有很強烈的非線性特徵，所以PCA的結果才會比原始數據還要差; 而且系統的非線性多過於動態特徵，這使得DPCA處理過的數據幾乎和原始數據的結果沒什麼兩樣。 經驗模式的建立有賴於原始數據的充分和完整，由於這次的data點數並不是很多，可操縱變數的變動也分配的不太平均，基於這樣的情況下所建構出的model，其可靠度勢必會大幅的下降…….建議以後的實驗可以按照實驗設計法來排定，而實驗中，也可以透過ANN和Fuzzy C Means由已完成的數據，建議較符合我們系統需要的新實驗點; 這樣會比單純地一個batch只改變一個參數來得有效率，也能夠期望得到更好的模式測預。