基于支持向量機(jī)的發(fā)酵過程建模研究與控制系統(tǒng)設(shè)計(jì).pdf

1、青霉素發(fā)酵過程具有高度的非線性和時(shí)變性，其內(nèi)在機(jī)理非常復(fù)雜。要實(shí)現(xiàn)對發(fā)酵過程的進(jìn)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(guān)鍵的參數(shù)在線難以測量。因此，重點(diǎn)對發(fā)酵過程建模方法做研究。 發(fā)酵建模方法中，以神經(jīng)網(wǎng)絡(luò)最具代表性，但是由于其理論基于經(jīng)驗(yàn)風(fēng)險(xiǎn)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(jié)構(gòu)風(fēng)險(xiǎn)最小化原則的支持向量機(jī)方法(SVM)克服了以往神經(jīng)網(wǎng)絡(luò)等方法的固有缺點(diǎn)，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(jī)為青霉素發(fā)酵過程建立菌體濃度模型，分析了模型參數(shù)對模型性能的影響，并與傳統(tǒng)的徑向基(RBF)神經(jīng)網(wǎng)絡(luò)方法做了比較。指出了支持向量機(jī)方法的優(yōu)越性和不足之處。 其次，針對標(biāo)準(zhǔn)支持向量機(jī)在算法速度上的弱勢，提出利用最小二乘支持向量機(jī)(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(jì)模型，并與標(biāo)準(zhǔn)支持向量機(jī)做了比較。結(jié)果表明LSSVM在保持SVM的建模性能的基礎(chǔ)上，在算法的速度上優(yōu)于標(biāo)準(zhǔn)SVM，LSS

3、VM更利于在線建模預(yù)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(jī)模型?；旌夏Ｐ徒Y(jié)合了動(dòng)力學(xué)模型對機(jī)理的反映和最小二乘支持向量機(jī)較強(qiáng)的泛化能力，與單一的SVM和LSSVM模型進(jìn)行了比較。實(shí)驗(yàn)結(jié)果表明，提出的混合最小二乘支持向量機(jī)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(xiàng)目為背景