Modellazione morbida dei sensori mediante apprendimento automatico per il processo di fermentazione Prendendo come esempio il processo di fermentazione delle proteasi marine

Lo scopo del presente libro è stato quello di sviluppare soluzioni di sensori morbidi per il bioprocessing a monte e dimostrare la loro utilità nel migliorare la robustezza e aumentare la riproducibilità batch-to-batch nei bioprocessi. Questo libro di studio comprende i seguenti obiettivi:- Proporre e confrontare le prestazioni dell'algoritmo di proiezione successiva con l'algoritmo di analisi delle relazioni di grigio in termini di selezione di variabili ausiliarie;- Proporre e confrontare le prestazioni del modello di sensore morbido SPA-GWO-SVR con il modello SPA-SVR in termini di accuratezza, errore quadratico medio, determinazione del coefficiente R2;- Proporre una strategia del peso di inerzia decrescente esponenziale con algoritmo PSO che sfrutta lo spazio di ricerca e quindi riducendo grandi lunghezze di passo porta il PSO verso la convergenza verso l'ottimo globale;- Proporre l'algoritmo di clustering fuzzy c-means per raggruppare i dati del campione e confrontare le prestazioni del modello di sensore morbido IPSO-LSSVM con il modello PSO-LSSVM standard su set di dati di regressione benchmark selezionati in termini di accuratezza, errore quadratico medio, quadrato medio radice errore e significa errore assoluto.