文献综述
文 献 综 述1. 前言近年来，随着人们对资源与环境问题的日益关注，利用微生物生产脂肪酸及其衍生物以代替传统化石和动植物来源的相应产品得到了广泛关注，解脂耶氏酵母(Yarrowia lipolytica)油脂含量甚至能够超过其自身细胞干重的80%以上[1]。
而解脂耶氏酵母产出油脂的最优条件目前仍然是困扰研究人员的一个关键性问题，通过生物实验测量得出结果要浪费大量的时间和资源。
在以往的研究中，将生物实验与人工智能相结合的实践屡见不鲜。
有研究人员曾对生物分子序列进行人工智能设计[2]，采用了生成对抗网络(Generative Adversarial Networks, GAN)、变分自编码器(Variational Auto-Encoder，VAE)和循环神经网络(Recurrent Neural Network，RNN)等方法进行研究分析。
在对解脂耶氏酵母产油的研究中，已知的温度、pH值、转速、溶解氧浓度、碱流加量等参量的数据量丰富，但未知的葡萄糖浓度、生物量和产油量数据较少。
通常，较少的样本数据难以训练出能够产生较精准预测的模型，同时利用变分自编码器和循环神经网络等方法生成数据难以保留数据的时间特性和不同组数据间的相关性，因此，利用GAN进行数据扩增后再进行模型的训练是当前的热门研究课题。
2. 课题背景GAN是一种深度学习模型，是近年来用于无监督学习最具前景的方法之一[3]，其模型通过框架中生成模型(Generative Model)和判别模型(Discriminative Model)的相互博弈产生相当好的输出。
常见的GAN模型能够生成逼真的照片、图像甚至视频，而本课题由实验提供的数据和需要预测的数据均为时间序列数据。
对于这一类问题，常见的GAN算法难以进行有效地解决，因此本课题需要找到一个能够生成时间序列的GAN算法[4]，进而解决数据生成问题。
以上是毕业论文文献综述，课题毕业论文、任务书、外文翻译、程序设计、图纸设计等资料可联系客服协助查找。
