基于模糊最小二乘支持向量机的发酵过程建模研究

青霉素发酵过程具有时变性和高度非线性,对菌体浓度等的在线测量十分困难。最小二乘支持向量机建模,虽然提高了预测速度,但是预测精度有所欠缺。为提高预测精度,本文在最小二乘支持向量机中引入模糊思想,采用一种基于类中心距离的模糊隶属度函数,为青霉素发酵过程菌体浓度建立预测模型。原理分析与仿真结果表明模糊最小二乘支持向量机建模方法相比于单一的最小二乘支持向量机建模,它的预测精度高,性能更加优越。     

基于PCA和LS-SVM的软测量建模与应用

针对工业过程中某些重要过程变量难以实现实时在线检测和高维数据处理的问题,提出了将主元分析与最小二乘支持向量机相结合的软测量建模方法,并利用该方法建立了工业阿维菌素发酵过程中的菌丝浓度软测量模型.主元分析方法的引入,有效地提高了最小二乘支持向量机软测量模型的精度和泛化能力.应用结果表明,该方法与基于径向基函数神经网络软测量模型相比具有有效性和优越性.     

最小二乘Littlewood-Paley小波支持向量机在发酵过程建模中的应用

针对谷氨酸发酵过程一些关键参数不能在线测量而导致的建模精度不高问题,利用最小二乘支持向量机(LSSVM)和小波的理论,建立了一种新的模型.首先,选取Littlewood-Paley小波函数作为LS-WSVM的核函数,进而设计出最小二乘小波支持向量机(LS-WSVM),然后利用该算法对谷氨酸发酵过程进行建模.通过实际应用,实现了对残糖浓度、菌体浓度、谷氨酸浓度等不能在线测量变量的较准确预测,相对于LSSVM建模而言,提高了一个数量级,预测误差也明显得到改善,说明了该建模方法的有效性,具有一定的推广和应用价值.     

谷氨酸发酵过程的混合建模

针对谷氨酸发酵过程时变、非线性、模型的不确定等问题,提出一种综合机理知识与改进最小二乘支持向量机的发酵过程混合建模方法.采用改进最小二乘支持向量机模型对动力学模型估计值进行校正,弥补动力学模型的不精确性.将混合模型应用到谷氨酸发酵过程的谷氨酸质量浓度、基质质量浓度与菌体质量浓度的预测估计中,结果表明混合模型提高了单纯的机理模型的预测精度.     

基于自适应加权最小二乘支持向量机的青霉素发酵过程软测量建模

针对生化过程软测量建模过程中样本数据可能包含的测量误差对模型性能的影响,提出一种自适应加权最小二乘支持向量机(Adaptive weighted least squares support vector machine,AWLS-SVM)回归的软测量建模方法。该方法基于最小二乘支持向量机模型,根据样本拟合误差,并结合改进的正态分布赋权规则,自适应地为每个建模样本分配不同的权值,以降低随机误差对模型性能的影响;同时采用混沌差分进化—模拟退火(Chaos differential evolution simulated annealing,CDE-SA)算法对模型参数进行优化选择,以提高模型的泛化能力。仿真实验表明,AWLS-SVM模型的预测精度及鲁棒性能优于最小二乘支持向量机(Least squares support vector machine,LS-SVM)和加权最小二乘支持向量机(Weighted least squares support vector machine,WLS-SVM)。利用Pensim仿真平台的数据,将AWLS-SVM方法用于青霉素发酵过程软测量建模,获得了较好的效果。     

基于IRLS-ELM生物发酵在线软测量建模方法

为解决生物发酵过程中生物量浓度难以在线测量的问题,提出一种基于改进的最小二乘正则化极限学习机(IRLS-ELM)软测量建模方法并将其应用于红霉素发酵过程生物量浓度的在线预测中.根据误差反馈原理,将训练误差作为输入建立带反馈的神经网络,以提高模型预测精度.并将加权最小二乘法引入到ELM中改进其数学模型,削弱离群点或者不稳...     

基于改进的GA-LSSVM的软测量建模方法

针对工业过程中某些重要过程变量难以实现在线测量的问题,提出了一种改进的最小二乘支持向量机(IGA-LSSVM)的软测量建模方法.该方法采用核独立分量分析(KICA)对高维数据进行特征提取,利用改进的最小二乘支持向量机进行建模.该方法既利用了最小二乘支持向量机求解速度快的特点,又利用了自适应遗传算法强大的全局搜索能力,增强了模型的自适应性.用该方法建立柴油凝点的软测量模型,结果表明,基于IGA-LSSVM方法建立的软测量模型具有较高的预测精度和泛化能力.     

发酵过程中生物量浓度的在线估计

在发酵过程中,像生物量浓度等变量都是进行实验室的离线采样分析,这往往由于存在较大的时间延迟而不能及时地进行过程控制,达不到指导生产的目的.而软测量技术为该问题提出了一个很好的解决办法.基于神经网络与最小二乘支持向量机分别建立了生物量浓度的在线检测软测量模型.模型分为两类:黑箱模型与混合模型.模型的训练与验证数据都是取自真实的实验过程诺西肽发酵.结果表明软测量方法对生物量浓度具有很好的预估性能,而且加入先验知识的混合模型精度更高.     

基于自适应最小二乘支持向量机的预测函数控制

提出一种基于最小二乘支持向量机在线建模的自适应函数预测控制算法.该方法提出一种新样本与模型节点的相似性计算方法,结合预测误差与过程先验知识给出控制模型节点的加入准则,使其自适应调整模型的复杂度,保证模型系数的稀疏性,有效地提高建模的精度和速度;给出增加节点和删除最早节点时最小二乘支持向量机模型更新的在线递推形式;基于局部在线最小二乘支持向量机的线性化模型,给出了自适应预测函数控制算法.以pH中和控制作为仿真实例,结果表明该算法的有效性.     

基于PSO的氧化铝粉流量LS-SVM预测模型

针对电解铝厂生产过程中氧化铝输送流量在线测量问题,考虑到样本数据较少的因素,采用粒子群优化的最小二乘支持向量机方法,建立氧化铝超浓相输送中氧化铝粉流量的软测量模型.以粒子群优化的方法选取最小二乘支持向量机的模型参数,克服交叉验证法耗时与盲目性的问题,同时发挥最小二乘支持向量机的小样本学习能力强和计算简单的特点.通过采用实际数据进行仿真研究,结果表明,所建预测模型估计值与实际分析值吻合较好,从而验证了PSO-LSSVM预测模型对氧化铝粉流量准确估算的有效性.     

湿法冶金中预测金产量的混合建模方法

由于缺乏有效的检测手段,无法实现湿法冶金全过程金产量的精确在线检测.提出了一种最小二乘支持向量机(LS-SVM)与湿法冶金全过程静态机理模型相结合的混合建模方法,用以预测金的产量.通过对湿法冶金全过程的机理分析,利用物料衡算关系建立金的产量静态机理模型,利用LS-SVM对机理模型不能描述的过程特性进行误差补偿.仿真结果表明,该方法的预测性能优于机理模型和单独的LS-SVM构建的模型,验证了该方法的有效性.     

基于样本稀疏化高斯过程的发酵过程软测量建模方法

提出了一种基于样本稀疏化高斯过程(GP)的发酵过程软测量建模方法。该方法将聚类和灰色关联度分析相融合，综合考虑样本点间欧式距离和各个特征向量对样本点间相似度的影响，通过剔除相似度比较大的样本点，实现训练样本集的稀疏化，降低了模型的计算复杂度。利用基于样本稀疏化的高斯过程构建青霉素发酵过程的软测量模型，同时得到青霉素浓度的预估值和表征预估值的不确定度，实验结果表明，本文所提方法与标准GP方法相比，在保证模型预测精度的前提下，减少了模型的训练时间。     

基于最小二乘支持向量机动态逆的非线性系统自适应控制

提出基于最小二乘支持向量机动态逆的一种非线性系统自适应控制方法.该方法采用最小二乘支持向量机辨识非线性系统的动态逆模型,并将其串联在原系统之前得到复合的伪线性系统.对于建模误差、不确定因素等引起的非线性系统逆误差,采用在线最小二乘支持向量机进行自适应补偿.最小二乘支持向量机的在线参数调整规律由Lyapunov稳定性理论导出,并证明了非线性闭环系统的稳定性.仿真结果证明了该方法的有效性.     

一种新型的硫容量智能预报方法

针对在传统硫容量计算中,机理模型的一些关键参数很难获得这个问题,提出了一种基于AdaBoost和LS-SVM混合的回归方法,对硫容量进行智能预报.其中LS-SVM具有计算速度快,适合小样本回归等优点,而AdaBoost可以将弱学习机加权再组合成强学习机,在预报准确度上要高于单一的LS-SVM回归方法,而且还可以减少参数选择对最终预报结果的影响.仿真实验表明,该方法有着较高的准确度,满足生产要求.     

发酵过程生物量软测量虚拟仪器系统的集成

本文根据发酵过程生物量检测特点,基于虚拟仪器技术提出了一种全新的生物量在线检测系统集成方法,该系统采用PXI（PCI Extensions for Instrumentation）总线硬件平台,结合软测量算法,有效地实现了生物量在线估计。给出了该系统的集成原理和实现方法,及系统的硬件和软件设计。实验研究表明,集成的发酵过程生物量软测量虚拟仪器系统,能够充分利用软测量技术和虚拟仪器技术的各自优势,系统硬件配置灵活,实用性强,并能得到较高的发酵过程生物量在线测量精度。     

发酵过程中比生长率的在线估计

提出了一种基于在线可测的二氧化碳释放率的需氧发酵过程中比生长率的在线估计方法,并且采用优化的方法进行模型中重要参数的选择.由于二氧化碳释放率容易检测,所以这种估计方法非常容易实现.在诺西肽发酵过程的应用中,利用所提出的方法得到比生长率,进而计算生物量,得出的估计值与实验值吻合得很好,表明了该估计方法的可靠性与实用性.     

酵母细胞流加培养过程的建模与预估控制

建立了包括菌体浓度 X、底物浓度 S、培养液体积 V为状态变量的酵母流加发酵过程的非结构动力学模型 ;基于该模型 ,提出了一种克服被估变量的累积误差的一步预估方法 ,用以估计难以可在线测量的菌体浓度、底物浓度等生化状态变量 ,并根据预估结果 ,进行流加操作。该方法应用于酵母流加培养 ,酵母对糖得率由 35 .1%提高到 40 .2 %。     

贝叶斯框架的LS-SVM回归在民机液压系统预测中的应用

 为实现民机液压系统的健康预测,将贝叶斯框架应用于LS-SVM参数的选优.选用径向基核函数,选择了预测回归模型的算法和区间预测公式.用训练样本建立了液压系统的健康预测模型,用测试样本验证了公式的有效性;对液压数据参数进行预测,将预测值带入健康评估模型中得到预测结果.结果表明,基于贝叶斯框架下的LS-SVM回归模型可以很好地用于民机液压系统的健康预测.     

基于矢量基学习的自适应迭代最小二乘支持向量机回归算法

为增强最小二乘支持向量机(LS-SVM)回归建模的稀疏性、鲁棒性和实时性,在加权LS-SVM的基础上,提出了基于矢量基学习的自适应迭代回归算法。在训练过程中,该算法通过矢量基学习和自适应迭代相结合的方法得到1个小的支持向量集,同时采用加权方法确定权值以减小训练样本中非高斯噪声的影响。回归学习和动态系统辩识的仿真结果表明:在回归建模精度相似的情况下,该算法确定的支持向量为全部学习样本的4.9%~8.9%,训练时间为标准LS-SVM的0.011%~0.383%;由于能够鲁棒跟踪时变非线性系统的动态特性,适合在线实时训练;可进一步用于非线性系统的建模和实时控制研究。