基于PSO和LSSVM的生化过程建模研究

针对最小二乘支持向量机(LSSVM)在生化过程建模中的重要建模参数值选择问题.提出利用具有较强的全局搜索能力的粒子群(PSO)优化算法.对最小二乘支持向量机建模过程中的重要参数进行优化调整,每一个粒子的位置向量对应一组最小二乘支持向量机建模的参数.利用参数优化调整后得到的具有较优拟合预测效果的模型对谷氨酸发酵过程进行预测,仿真结果表明,该方法能使模型取得较好的预测效果.     

基于粒子群和支持向量机为青霉素发酵建模

针对支持向量机发酵建模中,选择重要建模参数值的问题,提出利用全局搜索能力较强的粒子群优化算法,优化调整支持向量机建模过程中的重要参数,每一个粒子的位置向量对应一组支持向量机建模的参数。参数不断优化后,得到拟合预测效果较优的模型,预测青霉素发酵过程。仿真结果表明,该方法能使模型的预测效果较好。     

基于改进PSO算法和LS-SVM的短期电力负荷预测

针对电力负荷的小样本、非线性、高维数和局部极小点等问题,提出采用最小二乘支持向量机方法建模,以历史负荷、温度、湿度等数据作为输入量,对短期电力负荷进行预测;针对最小二乘支持向量机在建模中存在的参数选取问题,采用一种根据种群多样性信息来指导初始种群选取和避免粒子早熟收敛现象的改进粒子群优化算法来优化最小二乘支持向量机的惩罚因子和核参数。仿真结果表明,基于改进粒子群优化算法和最小二乘支持向量机的短期电力负荷预测方法较最小二乘支持向量机预测方法、基于基本粒子群优化算法和最小二乘向量机的预测方法具有更好的预测精确度。     

基于改进PSO优化LSSVM的传感器补偿研究

针对最小二乘支持向量机在对传感器进行补偿时,正则化参数和核函数参数对补偿精度影响较大的问题,提出一种利用改进的粒子群优化算法优化最小二乘支持向量机模型参数的传感器补偿方法。该方法利用改进的粒子群优化算法优化最小二乘支持向量机模型的正则化参数和核函数参数,避免了人工选择参数的盲目性,提高了最小二乘支持向量机模型的预测精度。仿真实验表明,在传感器的补偿时,该方法比最小二乘支持向量机模型的补偿精度更高。     

基于PSO和SVM的发酵过程建模与优化控制

针对微生物发酵过程的建模与优化控制问题,利用支持向量机理论进行发酵过程的建模,并提出采用粒子群优化算法对支持向量机建模过程中的重要参数进行优化调整.仿真结果表明参数优化调整后得到的模型能取得更好的预测效果.同时基于此模型,在补料分批发酵控制过程中采用粒子群优化算法对补料速率进行优化控制,仿真结果表明,该方法能够提高最终的产物合成量.     

基于自适应加权最小二乘支持向量机的芳烃产量软测量建模

芳烃收率是催化重整生产过程中的重要质量指标。针对其软测量建模中样本数据可能存在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(AWLSSVM)回归建模方法。该方法基于最小二乘支持向量机模型,根据样本拟合误差,并结合改进的指数分布加权规则,为每个建模样本分配不同的权值,以降低测量误差对建模精度的影响;同时提出一种全局优化算法—混沌粒子群模拟退火(CPSO-SA)算法对最小二乘支持向量机的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LS-SVM和WLS-SVM。最后,应用AWLS-SVM方法建立催化重整生产过程芳烃收率的软测量模型,获得了较好的效果。     

基于支持向量机的迟滞系统建模及性能研究

迟滞系统广泛存在于各工程领域,但由于迟滞非线性系统的不确定性、状态不可测等特性,因此迟滞系统在建模方面存在一定的困难。针对上述问题,提出了一种采用最小二乘支持向量回归机的解决方案,对系统进行建模方法的研究,并利用粒子群算法、量子粒子群算法等对最小二乘支持向量机中的惩罚参数γ和核函数参数σ的组合进行优化,以提高模型性能及泛化能力。仿真结果表明,利用粒子群优化算法的最小二乘支持向量回归机对迟滞系统的模型仿真可以得到较好的结果。     

基于粒子群最小二乘支持向量机的水文预测

支持向量机理论为研究中长期水文预测提供了新的方法。针对最小二乘支持向量机模型参数选择费时且效果差这一问题,给出基于粒子群算法的最小二乘支持向量机水文预测模型(PSO-LSSVM)。该模型运用最小二乘支持向量机回归原理建立,参数选取采用具有全局搜索能力的粒子群算法进行寻优。用此模型对南桠河冶勒水电站月径流进行预测,仿真计算结果表明,该算法可提高预测效率与预测精度。     

基于粒子群算法的煤气化过程LS_SVM预测模型

针对最小二乘支持向量机参数选择对模型性能的重要影响,并且以往的参数优选方法效果差且耗时长这一问题,提出基于粒子群算法优化最小二乘支持向量机预测模型.该模型用最小二乘支持向量机理论建立,用粒子群算法优化模型参数.论文将此模型用于预测评价固定床煤气化气化效果的三个主要性能指标(气体热值、气化效率、气体产率),通过现场实际数据仿真结果表明,该算法有效地提高了模型预测精度,验证了此模型的可靠性和可用性.     

基于PSO-LSSVM的网络流量预测模型

为了提高网络流量的预测精度,考虑到网络流量的长相关、非线性等特性,提出一种粒子群算法优化最小二乘支持向量机参数的网络流量预测模型（PSO-LSSVM）．首先将最小二乘支持向量机参数作为粒子的位置向量,然后利用粒子群算法找到模型的最优参数,最后采用最优参数最小二乘支持向量机建立网络流量预测模型．仿真结果表明,相对于参比模型,PSO-LSSVM能够获得更高的网络流量预测精度,更能准确描述网络流量变化规律．     

青霉素发酵过程的粒子群模糊神经网络软测量

针对青霉素发酵过程中的基质浓度、菌体浓度、产物浓度等关键生物参数难以在线实时测量的问题,提出了一种基于粒子群模糊神经网络的软测量建模方法.采用模糊径向基函数-神经网络(RBF-NN)构建青霉素发酵的软测量模型,同时,结合改进粒子群优化训练算法(PSO),建立了青霉素反应过程的软测量模型,并对发酵工艺进行了仿真试验研究.仿真试验结果表明,所建立的软测量模型测量精度高、效果好,能够满足工程实际的要求.     

IPSO算法在黄酒发酵温控系统中的应用

黄酒发酵温度控制系统是一个时变的、非线性的系统.在黄酒发酵控制中温度是一个非常重要的参数,针对黄酒发酵的温度特性,设计出了一种基于位置加权和自适应惯性权重的改进粒子群算法(IPSO)的PID温度控制系统.带位置加权的PSO算法减小了搜索过程的盲目性,克服了基本PSO算法易陷入局部极值的缺陷.自适应惯性权重兼顾了粒子的全局与局部搜索能力.将IPSO优化算法用标准测试函数进行测试,结果表明该算法优化结果比标准PSO算法有所提高.并采用LabVIEW与MATLAB混合编程的方法进行仿真比较,结果表明,该控制方法具有动态响应快、超调量小、鲁棒性强等优点,有很好的实用性.     

基于量子微粒群算法的发酵过程模型参数估计

量子微粒群优化算法(QPSO)是一种改进的微粒群优化算法(PSO),克服了PSO算法搜索空间有限和易陷入局部极值的不足,同时该算法具有参数少、易实现、收敛速度快等优点.应用量子微粒群优化算法,以谷氨酸发酵过程产物(谷氨酸)浓度数据为检验样本,以Verhulst方程为菌体生长模型,进行发酵模型参数估计.实验结果表明,基于QPSO算法的参数估计方法具有精度高、编程实现简单、计算量小等优点.     

基于栈式降噪自编码器的发酵过程回归建模

精确有效的发酵过程模型不仅能够定量揭示过程信息间的关联,实现对难以实时监测变量的预测,而且是进一步控制和优化的前提;基于数据驱动的发酵过程建模方法得到了广泛研究与应用,然而其仅考虑发酵过程的非线性特征和数据具有多采样率的特点,忽略了过程数据中测量噪声对模型的影响;为此,提出基于栈式降噪自编码器的发酵过程回归建模方法,该方法不仅具有较强的非线性拟合能力,半监督的学习策略也能够充分挖掘发酵过程中的所有数据信息,同时可以从含噪声的过程数据中提取出鲁棒性的特征,使模型具有噪声适应性;通过青霉素仿真对比实验结果表明,该模型的预测性能更好.     

丁二酸发酵过程的软测量建模研究

生物转化法生产丁二酸的间歇厌氧发酵过程存在明显的不确定性和高度非线性,其中某些参数(如丁二酸浓度)难以在线检测,给过程优化策略的有效实施带来了障碍.最小二乘支持向量机(LS-SVM)是标准支持向量机(SVM)的一种扩展,遵循结构风险最小化原则.将该算法用于丁二酸发酵过程建模.用具有RBF核函数的LS-SVM建立丁二酸浓度的模型,并通过MATLAB 7.0开发工具和径向基(RBF)人工神经网络的建模方法进行比较.结果表明LS-SVM方法比基于RBF神经网络的软测量建模方法降低了83.7%的外推误差,具有更好的泛化能力,使针对丁二酸浓度的在线预估与优化控制成为可能.     

基于改进PSO的发酵过程同步串联混合建模

准确可靠的过程模型是实现发酵过程优化的基础和前提. 对于反应机理复杂的发酵过程,串联混合建模是一种相对有效的建模方法, 但现有方法需要利用插值所得的数据进行中间变量黑箱模型的构建, 较大程度地影响了所建混合模型的泛化性能. 为此,提出一种可将黑箱模型构建问题转化为动态模型参数辨识问题的同步串联混合建模方法, 从而避免了现有方法需利用插值数据来构建黑箱模型的不足; 通过引入多精英学习策略和惯性权重自适应调整策略, 构造了一种改进的粒子群优化(Particle swarm optimization, PSO)算法自适应多精英学习PSO (Adaptive multi-elite learning PSO, AMLPSO)算法,并采用该算法求取黑箱模型的参数; 借鉴均匀设计思想确定黑箱模型的结构. 利用诺西肽分批发酵过程实际生产数据进行实验研究, 结果验证了所提方法的有效性.     

Matlab仿真在谷氨酸发酵过程中的应用

针对谷氨酸发酵过程中的温度具有时变缓慢、大滞后的特点,提出采用自校正PID控制算法实现对谷氨酸发酵温度的控制.控制器采用最小二乘法对系统参数进行在线辨识,并采用极点配置自校正方法对辨识结果进行校正处理.最后,使用Matlab仿真工具对设置和不设置阈值的控制量输出分别进行仿真比较.结果表明,设置阈值的控制量输出所取得的控制效果较好.     

输入不确定BELM在发酵过程软测量中的应用

为复杂的发酵过程建立软测量模型要求模型最好能够给出预测值的置信区间,以便技术人员对发酵过程的真实状况和模型的可靠性进行评估。贝叶斯极限学习机能够在实现预测的同时一并给出预测值的置信区间,因此将其用于发酵过程的软测量建模。然而,实际发酵过程中的输入数据往往带有噪声,贝叶斯极限学习机仅能处理输出含噪声的情况。针对这个问题,提出了输入不确定贝叶斯极限学习机。在原有的贝叶斯推理过程中引入输入不确定性,得到了综合考虑输入输出噪声的模型参数和预测置信区间。最后利用青霉素发酵过程进行仿真验证,建立了产物质量浓度的软测量模型,结果表明该方法预测精度高,得到的预测置信区间包含了所有真实值。     

发酵过程混合建模与优化控制新方法

针对当前微生物发酵过程存在因为生物传感器不具备足够的准确性和灵敏性,实验时的菌液和产物浓度等生化指标难以实时监测和控制等缺点,提出了采用量子粒子群优化算法(QPSO)优化最小二乘支持向量机(LSSVM)参数的QPSO-LSSVM混合建模新方法,并用于多粘菌素的发酵过程建模;同时,基于此模型,采用QPSO算法对pH值与溶解氧浓度Do控制轨线进行优化研究;首先,利用LSSVM进行发酵过程的建模,然后采用QPSO对LSSVM建模过程中的重要参数进行优化调整,形成QPSO-LSSVM混合建模与优化控制方法;仿真结果表明,该方法得到的模型能取得更好的预测效果,优化后的pH值与Do浓度控制轨线能够提高最终的产物浓度;该方法用于发酵过程的建模和重要参数的优化控制是可行的、有效的。