现有BP网络结构和算法流程如图8和图9所示。
[0081] (1)适用于YCER)05和YCER)53的人工神经网络模型构建
[0082] 本发明以24组均匀试验数据做为人工神经网络的训练和预测样本，YCEF005如图 6所示固态发酵人工神经网络样本，YCEF053如图7所示固态发酵人工神经网络样本，分别 建立适用于本发明中两种内生真菌的人工神经网络模型。这是本发明的优点之一，对实现 发酵优化计算机化和工业应用具有极大的意义。
[0083] 本发明应用MATLABR2012b实现模型建立与优化。
[0084] 本发明基于粒子群算法（PS0)的人工神经网络模型构建
[0085] 以发酵培养基的均匀设计的24组试验中的19组试验数据作为BP神经网络的训 练样本，另5组数据作为网络的预测仿真样本。按照经验公式（高大启，1998)
[0086] s:; + 0.12/?2+2.54/?+0.11 n+0.35 +0.51.............................. (61
[0087] s一一隐藏层神经元个数
[0088] m--输入层神经元个数
[0089] n--输出层神经元个数
[0090] 根据考察组分与优化指标个数设计网络拓扑结构：如图10所示。
[0091] 采用训练后得到的网络模型，对五个预测集样本进行仿真运算，结果如图11。由图 可知，A26。值的仿真值与实测值的误差在10%以内，网络具有良好的泛化能力，可用来预测 固态发酵的真菌生物量
[0092] (2)BP人工神经网络遗传算法寻优
[0093] 遗传算法（GeneticAlgorithm，GA)是以模拟达尔文遗传选择和自然淘汰的生物 进化过程的进化算法。它从染色群体中选取的适应环境的个体，淘汰不好的个体，把保留下 来的个体复制再生，通过交叉、变异的遗传算子产生新的染色群体。根据收敛条件选出适应 环境的个体，一代一代不断进化，最后收敛得到最优个体，求得问题最优解。本发明以基于 PS0算法的BP神经网络模型的预测值的相反数作为GA算法的适应度，寻求BP网络输出的 最大值，即发酵最大生物量。参数设定：迭代次数maxgen= 100,种群规模sizepop= 30， 交叉系数pcross= [0? 4]，变异系数pmutation= [0? 2]。遗传算法由MTLAB软件GA0T遗 传算法工具箱完成。
[0094] 使用BP-GA优化模型对培养基配方中的外加营养组分进行全局寻优（YCER)05 见图12、YCEF053见图13)，经过100次的遗传操作后，得到最优化外加营养组分组成（表 5)，根据BP模型预测得到此优化条件下YCEF005的A26。值为1. 60,YCEF053的A26。值为 1. 48。其中最优化的外加营养组分中的质量百分比是相对于基质而言，比如YCER)05中蔗 糖12. 96%，是指在lkg含麸皮、豆饼粉、米糠和玉米碎粒的基质中再加入12. 96克蔗糖，以 此类推。
[0095] 表5人工神经网络寻优结果
[0096]
[0097] (3)菌株在优化后培养上的生长曲线
[0098] 为了验证本发明中得到的人工神经网络模型对本发明涉及菌株的效果，技术 人员再次以优化后的培养基进行发酵效果监测，YCEF005菌株最佳的发酵培养基包括基 质和外加营养组分，其中lkg基质包括麸皮60%，即1200g;豆饼粉10%，即200g;米糠 10%，即200g;玉米碎粒20%，即400g;外加营养组分包括（/kg):蔗糖12.96g;硝酸铵 (NH4N03H00g;蛋白胨 12. 70g/kg;磷酸二氢钾（KH2P04)L50g;硫酸钙（CaS04) 10 . 00g;硫 酸镁（MgS04) 0 . 48g;蒸馏水500g;总计2541. 64克，接种量240mL。YCEF053菌株最佳发酵 培养基包括基质和外加营养组分，其中lkg基质包括麸皮50%，即1000g;豆饼粉10%，即 200g;米糠20%，即400g;玉米碎粒20%，即400g;外加营养组分包括（/kg):蔗糖13. 37g; 硝酸钠（NaN03)3. 85g;蛋白胨 14. 02g;磷酸二氢钾（KH2P04) 1. 23g;硫酸钙（CaS04) 10 . 89g; 硫酸镁（MgS04)0 . 52g;蒸馏水480g;总计2523. 88克，接种量200mL。并通过试验得出 YCER)05菌株最大A26。值为1. 513,菌丝干重为0. 146g;YCER)53菌株的最大A26。值为1. 492， 菌丝干重为0. 121g。菌株在优化后的生长曲线：从图14可知在第3至第7天内两个菌株的 生物量快速增加，第7到第9天还在缓慢增加，9天时候基本保持恒定，达到平衡的生物量。
[0099] 本发明的实施例表明：基于PS0算法的BP人工神经网络具有较强的学习能力和泛 化能力，能够对实验结果进行较好地拟合，并构建得到一个模型。以该神经网络模型为目标 函数，通过GA的全局寻优，优化得到
[0100] 本发明公开基于PS0和BP网络的预测、PS0算法优化BP网络结构适应度函数fun 和遗传算法寻优适应度函数fit_005的计算代码，见附录。
[0101] 本发明在对烟草内生真菌固态发酵条件优化过程中，利用基于人工神经网络和遗 传算法的优化方法，对发酵培养基成分和发酵条件进行较好地优化，以减少生产中的成本 消耗并提高有效微生物产量，是本发明的亮点。
[0102] 最后，还需要注意的是，以上列举的仅是本发明的若干个具体实施例。显然，本发 明不限于以上实施例，还可以有许多变形。本领域的普通技术人员能从本发明公开的内容 直接导出或联想到的所有变形，均应认为是本发明的保护范围。
[0103] 附录
[0104] 1基于PS0和BP网络的预测
[0105] % %该代码为基于PS0和BP网络的预测
[0106] %
[0107] % %清空环境
[0108] clc
[0109] clear
[0110] %读取数据
[0111] loaddata_ycef005 ；
[0112] %节点个数
[0113] inputnum= 8 ;
[0114] hiddennum= 5 ;
[0115] outputnum= 1 ；
[0116] %训练数据和预测数据
[0117] input-train=input(1:19, 1:8);
[0118] input-test=input(19:24, 1:8);
[0119] output-train=output(1:19, 9);
[0120] output-test=output(19:24, 9);
[0121] %选连样本输入输出数据归一化
[0122] [inputn，inputps] =mapminmax(input-train);
[0123] [outputn，outputps] =mapminmax(output-train);
[0124] %构建网络
[0125] net=newff(inputn，outputn，hiddennum);
[0126] %参数初始化
[0127] %粒子群算法中的两个参数
[0128] cl= 1. 49445 ；
[0129] c2 = 1. 49445 ；
[0130] maxgen= 100 ; %进化次数
[0131] sizepop= 30 ; %种群规模
[0132] Vmax= 1 ；
[0133] Vmin= _1 ;
[0134] popmax= 5 ；
[0135] popmin= -5 ；
[0136] fori= 1:sizepop
[0137] pop(i，：）= 5*rands(1，51);
[0138] V(i，：）=rands(1，51);
[0139] fitness(i) =fun(pop(i，：），inputnum，hiddennum，outputnum，net，inputn，out putn)；
[0140] end
[0141] %个体极值和群体极值
[0142] [bestfitnessbestindex] =min(fitness)；
[0143] zbest=pop(bestindex，：）； ％全局最佳
[0144] gbest=pop; %个体最佳
[0145] fitnessgbest=fitness; %个体最佳适应度值
[0146] fitnesszbest=bestfitness; %全局最佳适应度值
[0147] % %迭代寻优
[0148] fori= 1:maxgen
[0149] i；
[0150] forj= 1:sizepop
[0151] %速度更新
[0152] V(j，：）=V(j，：）+cl*rand*(gbest(j，：）-pop(j，：））+c2*rand* (zbest-pop (j, ：)) ;V(j,find(V(j, :)>Vmax)) =Vmax；
[0153] V(j,find(V(j, :)<Vmin)) =Vmin；
[0154] %种群更新
[0155] pop(j，：）=pop(j，：）+0? 2*V(j，：）；
[0156] pop(j，find(pop(j，：）>popmax)) =popmax；
[0157] pop(j，find(pop(j，：）〈popmin)) =popmin;
[0158] %自适应变异
[0159] pos=unidrnd(51)；
[0160] ifrand>0. 95
[0161] pop(j，pos) = 5*rands(1，1);
[0162] end
[0163] %适应度值
[0164] fitness(j) =fun(pop(j，：），inputnum，hiddennum，outputnum，net，inputn，out putn)；
[0165] end
[0166] forj= 1:s