基于支持向量機的發(fā)酵過程建模研究與控制系統(tǒng)設計.pdf

1、青霉素發(fā)酵過程具有高度的非線性和時變性，其內在機理非常復雜。要實現(xiàn)對發(fā)酵過程的進一步優(yōu)化和控制，必須獲得足夠的發(fā)酵過程信息，但是目前最關鍵的參數在線難以測量。因此，重點對發(fā)酵過程建模方法做研究。 發(fā)酵建模方法中，以神經網絡最具代表性，但是由于其理論基于經驗風險最小化原則，難免會出現(xiàn)過擬和、陷入局部最小等問題?；诮Y構風險最小化原則的支持向量機方法(SVM)克服了以往神經網絡等方法的固有缺點，大大提高了模型的泛化能力。 首

2、先，提出了利用支持向量機為青霉素發(fā)酵過程建立菌體濃度模型，分析了模型參數對模型性能的影響，并與傳統(tǒng)的徑向基(RBF)神經網絡方法做了比較。指出了支持向量機方法的優(yōu)越性和不足之處。 其次，針對標準支持向量機在算法速度上的弱勢，提出利用最小二乘支持向量機(LSSVM)建立青霉素發(fā)酵過程的菌體濃度、青霉素濃度狀態(tài)估計模型，并與標準支持向量機做了比較。結果表明LSSVM在保持SVM的建模性能的基礎上，在算法的速度上優(yōu)于標準SVM，LSS

3、VM更利于在線建模預估。 接著，針對于SVM、LSSVM菌體濃度模型在發(fā)酵生長期存在的不足之處，提出了串聯(lián)和串并聯(lián)兩種混合最小二乘支持向量機模型?；旌夏Ｐ徒Y合了動力學模型對機理的反映和最小二乘支持向量機較強的泛化能力，與單一的SVM和LSSVM模型進行了比較。實驗結果表明，提出的混合最小二乘支持向量機模型性能優(yōu)良，能夠解決單一SVM和LSSVM模型對菌體濃度建模所存在的問題。 最后，以某生化工程中心發(fā)酵控制系統(tǒng)項目為背景