小波支持向量機在發(fā)酵過程中的應用.pdf

1、微生物發(fā)酵過程具有強非線性、時變性和相關性，要實現(xiàn)對發(fā)酵過程的進一步優(yōu)化和控制，必須要有合理的模型。然而目前由于受生物傳感技術發(fā)展水平的限制和價格方面的因素，在發(fā)酵過程中能被在線測量的參數(shù)僅局限于某些物理、化學參數(shù)，而對較為復雜的關鍵生物參數(shù)還不能有效快捷地在線測量，導致不能建立合理的模型。因此，對發(fā)酵過程引進軟測量技術具有很大的意義。
　　 本文在詳細分析發(fā)酵過程軟測量方法研究現(xiàn)狀的基礎上，研究了基于支持向量機(Support

2、 Vector Machine，SVM)的發(fā)酵過程軟測量方法，結合谷氨酸發(fā)酵過程，首先建立了基于標準支持向量機的谷氨酸發(fā)酵過程軟測量模型。由于此軟測量模型預測精度不高，因此，提出了多尺度小波支持向量機(Multi-scale Wavelet Support Vector Machine，WSVM)算法，并將其引入到谷氨酸發(fā)酵過程建模中，建立了谷氨酸發(fā)酵過程的谷氨酸濃度、OD值、殘?zhí)菨舛葼顟B(tài)估計模型。仿真結果表明，基于多尺度小波支持向量機

3、的谷氨酸發(fā)酵過程軟測量模型，提高了預測精度。
　　 其次，針對支持向量機和多尺度小波支持向量機算法在建模方面速度不高的問題，提出利用最小二乘支持向量機(Least-squares Support Vector Machine，LS-SVM)建立谷氨酸發(fā)酵過程的軟測量模型，并與多尺度小波支持向量機進行了比較。結果表明LS-SVM在速度上具有很大的優(yōu)勢，但發(fā)現(xiàn)其建模的精度不夠?；谶@種情況，提出了多尺度最小二乘小波支持向量機(Mul