基于证据神经网络与元启发式优化的生物质转化研究：纤维素乙醇及生物基化学品生产的高精度预测模型

这篇综述创新性地将证据神经网络（ENN）与元启发式优化（如PSO/GA）结合，应用于生物质（Sida cordifolia和Ipomoea repens）糖化产率的预测。研究表明ENN模型以MAPE=0%的绝对精度超越GPR-BO、SVM-PSO等对比模型（R2>0.99），其Dempster-Shafer理论框架能有效处理数据不确定性，为生物燃料工业化生产提供AI驱动的优化新范式。

　　

关键发现与结论

输入变量依赖性分析

通过相关性分析发现，在预测Sida cordifolia还原糖产率（RSY-SC）时，反应时间（0.256）的影响最为显著，其次是酸浓度（0.177）和温度（0.135）。而Ipomoea repens（RSY-IR）则对酸浓度（0.275）更敏感，时间（0.113）与温度（0.076）的关联性较弱。

证据神经网络（ENN）

ENN是一种能同时输出预测概率和不确定性的特殊神经网络。其核心在于采用基于距离的回归技术，通过高斯随机模糊数（GRFNs）编码输入向量与原型值的距离，并运用Dempster-Shafer理论构建置信函数。这种设计使其在生物质转化这类数据不完整的场景中展现出独特优势。

结论

本研究证实，结合元启发式优化的ENN模型在预测RSY-SC和RSY-IR产率方面具有最高精度与可靠性。建议在生物质制乙醇的工业化进程中优先采用该模型，并进一步探索遗传算法（GA）和粒子群优化（PSO）等技术的协同应用，以提升预测准确度与工艺优化效率。