基于支持向量機的發(fā)酵過程建模方法研究.pdf

1、支持向量機(SupportVectorMachine，SVM)理論方法是目前國內(nèi)外學術(shù)界的研究熱點之一，它能夠研究在小樣本條件下的統(tǒng)計規(guī)律，并且具有泛化能力強、所求解為全局最優(yōu)等優(yōu)點，非常適合非線性過程建模。目前，其理論研究和實際應用都處于飛速發(fā)展的階段。 由于發(fā)酵過程具有高度的非線性、時變性和不確定性的特點，其內(nèi)在機理非常復雜。因此，對發(fā)酵過程進行建模研究具有實際的研究意義和應用價值，本文采用支持向量機方法針對典型的生物發(fā)酵過

2、程-青霉素發(fā)酵過程進行建模研究。 本文針對標準支持向量機、最小二乘支持向量機、模糊最小二乘支持向量機建模方法的不足進行了改進，提出了一種模糊最小二乘支持向量機的稀疏化算法。利用模糊隸屬度來表示不同樣本的重要程度，設(shè)定閾值，判定小于閾值的隸屬度所對應的樣本為無用或不具備重要信息的樣本并予以否剔除，同時采用記憶遞推式算法提高運算速度。這種方法僅保留了包含重要信息的樣本參與建模，在預測訓練中，不需要所有樣本加入運算，具有稀疏性效果。