基于支持向量機(jī)的發(fā)酵過程建模方法研究.pdf

1、支持向量機(jī)(SupportVectorMachine，SVM)理論方法是目前國內(nèi)外學(xué)術(shù)界的研究熱點(diǎn)之一，它能夠研究在小樣本條件下的統(tǒng)計(jì)規(guī)律，并且具有泛化能力強(qiáng)、所求解為全局最優(yōu)等優(yōu)點(diǎn)，非常適合非線性過程建模。目前，其理論研究和實(shí)際應(yīng)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(shí)變性和不確定性的特點(diǎn)，其內(nèi)在機(jī)理非常復(fù)雜。因此，對發(fā)酵過程進(jìn)行建模研究具有實(shí)際的研究意義和應(yīng)用價(jià)值，本文采用支持向量機(jī)方法針對典型的生物發(fā)酵過

2、程-青霉素發(fā)酵過程進(jìn)行建模研究。 本文針對標(biāo)準(zhǔn)支持向量機(jī)、最小二乘支持向量機(jī)、模糊最小二乘支持向量機(jī)建模方法的不足進(jìn)行了改進(jìn)，提出了一種模糊最小二乘支持向量機(jī)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(yīng)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(shí)采用記憶遞推式算法提高運(yùn)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(yù)測訓(xùn)練中，不需要所有樣本加入運(yùn)算，具有稀疏性效果。