Fermentation process quality prediction using teacher student stacked sparse recurrent autoencoder
Notice bibliographique
Résumé
Abstract For predicting the value of the quality variable in fermentation processes, traditional data‐driven methods do not use information in large amounts of unlabelled data. To solve this data‐rich but information‐poor (DRIP) problem, a teacher student stacked sparse recurrent autoencoder (TS‐SSRAE) model is proposed. Compared with traditional data‐driven methods, the proposed method has three main advantages. First, an autoencoder is an unsupervised method which can effectively extract rich information in unlabelled data. The proposed stacked recurrent autoencoder (SRAE) with long short‐term memory (LSTM) recurrent neural unit is superior to traditional autoencoders when extracting the dynamic correlation information in the fermentation process. Second, sparse constraints can make it much easier for hidden neurons to obtain useful information in a single moment. Finally, the LSTM recurrent neural unit is complex and the inputs of a SRAE must be a sequence, which increases the complexity of the model to a certain extent. So, the knowledge distillation is employed to simplify the model and reduce the computing time. In order to demonstrate its effectiveness, the proposed method is applied to the penicillin fermentation process for a simulation experiment and Escherichia coli production of interleukin‐2. The results show that the proposed method based on TS‐SSRAE can have better performance than conventional methods.
Récupéré en direct depuis OpenAlex et désinversé. Les résumés ne sont pas conservés dans cette base de données : les index inversés représentent 8,6 Go des 9,3 Go de texte de la base, et le serveur dispose de 13 Go libres.
Comment cette classification a été obtenuedéplier
Prédiction machine sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Le volet Gemma est une étiquette directe du modèle pour chaque travail de la base, lue sur la notice réduite au titre. Le volet Codex est un classifieur appris des 10 348 étiquettes directes de Codex et calibré sur les taux pondérés de l'échantillon; les champs sans appui suffisant ne portent aucun appel Codex. Le mode candidate est l'union des deux volets; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont pas des étiquettes humaines.
Scores du classifieur distillé par catégorie (deux têtes)
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,001 | 0,001 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,001 |
| Bibliométrie | 0,000 | 0,000 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,001 |
| Science ouverte | 0,001 | 0,000 |
| Intégrité de la recherche | 0,001 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,001 | 0,000 |
Scores machine (provisoires)
Les deux têtes enseignantes du modèle étudiant, lues sur ce travail. Un score ordonne la base pour la relecture; il n'affirme jamais une catégorie, et le statut de validation accompagne chaque rangée tel quel.
Scores de référence d'un modèle non mature (critères de maturité non atteints, 7 itérations). Un score ordonne; il n'affirme jamais une catégorie.
score_only:v0-immature-baseline · tel quel depuis la passe de notation : score_only signifie que le nombre peut ordonner les travaux, et qu'aucune étiquette de catégorie n'en découleClassification
machine, non validéePrédiction automatique; un appel candidat d’une seule source (Gemma direct ou Codex distillé), pas un consensus.
Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».