基于改進(jìn)LS-SVM的微生物發(fā)酵過(guò)程軟測(cè)量建模方法研究.pdf

1、微生物發(fā)酵過(guò)程具有高度時(shí)變性和不確定性，關(guān)鍵生物參量（基質(zhì)濃度、菌體濃度、產(chǎn)物濃度等）是反應(yīng)發(fā)酵進(jìn)程的重要指標(biāo)。但是，目前這些參量還難以實(shí)時(shí)在線(xiàn)測(cè)量，離線(xiàn)化驗(yàn)時(shí)滯性很大，無(wú)法滿(mǎn)足現(xiàn)場(chǎng)實(shí)時(shí)優(yōu)化控制的需要。將軟測(cè)量技術(shù)應(yīng)用到發(fā)酵過(guò)程中，對(duì)生物參量進(jìn)行在線(xiàn)估計(jì)是解決上述問(wèn)題的有效途徑。
　　 本文在深入研究分析最小二乘支持向量機(jī)算法優(yōu)勢(shì)和不足的前提下，對(duì)其進(jìn)行了方法改進(jìn)，并以燃料乙醇發(fā)酵過(guò)程中關(guān)鍵生物參量之一乙醇濃度為研究對(duì)象，對(duì)所提

2、出的改進(jìn)方法分別進(jìn)行了驗(yàn)證分析:
　　 1.在分析支持向量機(jī)、最小二乘支持向量機(jī)算法的理論基礎(chǔ)上，以一個(gè)仿真實(shí)例對(duì)以上兩種建模方法進(jìn)行了比較。結(jié)果表明，最小二乘支持向量機(jī)軟測(cè)量建模方法訓(xùn)練速度快，預(yù)測(cè)精度高，但是在其建模過(guò)程中利用經(jīng)驗(yàn)法和試湊法不能很好地選取核參數(shù)與正規(guī)化參數(shù)，為此，文中提出一種基于交叉驗(yàn)證的最小二乘支持向量機(jī)軟測(cè)量建模方法。
　　 2.考慮到燃料乙醇發(fā)酵過(guò)程中干擾因素較多且相互關(guān)聯(lián)，輸入變量之間存在的非

3、線(xiàn)性屬性會(huì)嚴(yán)重影響模型的預(yù)測(cè)精度和泛化能力，文中提出一種基于核主元與交叉驗(yàn)證的最小二乘支持向量機(jī)軟測(cè)量建模方法。首先利用核主元分析法對(duì)輸入變量進(jìn)行數(shù)據(jù)壓縮和信息抽取，消除輸入變量之間的相關(guān)性，然后再利用基于交叉驗(yàn)證的最小二乘支持向量機(jī)軟測(cè)量建模方法對(duì)燃料乙醇發(fā)酵過(guò)程進(jìn)行軟測(cè)量建模。仿真結(jié)果表明，該建模方法優(yōu)于基于最小二乘支持向量機(jī)和基于交叉驗(yàn)證的最小二乘支持向量機(jī)軟測(cè)量建模。
　　 3.針對(duì)燃料乙醇發(fā)酵過(guò)程中的過(guò)程對(duì)象特性和工作