基于数据场聚类的模糊神经网络在发酵过程中的应用

针对传统模糊神经网络方法中模糊规则难以提取、网络结构优化时间过长以及易于早熟的问题,提出了一种基于数据场聚类的免疫模糊神经网络方法.该方法将物理学中场的理念引入到抽象的数域空间,通过模拟对象在虚拟数据场中的相互作用实现数据对象的自组织聚类,提取模糊规则建立初始模糊神经网络模型,并运用免疫遗传算法优化构成隶属函数的网络结构.以实验室赖氨酸发酵过程关键生物量参数软测量为例,进行了仿真验证.结果表明,与常规方法相比,该方法具有较好的建模精度和实用性.     

状态饱和离散线性系统的稳定性分析

讨论一类具有状态饱和非线性的离散线性系统稳定性分析问题. 通过引入无穷范数小于等于1 的自由矩阵与对角元素非正的对角矩阵, 将状态饱和离散线性系统的状态变量约束在一个凸多面体内, 进而以矩阵不等式形式给出状态饱和离散线性系统的稳定性判据, 并给出该矩阵不等式的迭代线性矩阵不等式算法. 基于这一稳定性判据, 给出了基于迭代线性矩阵不等式的状态反馈控制律设计算法. 通过状态饱和离散线性系统的状态空间分割方法, 给 出了保守性更小的稳定性判据, 并给出了相应的迭代线性矩阵不等式算法. 数值例子验证了所给出方法的正确性与有效性.

     

基于最小二乘支持向量机逆系统的赖氨酸发酵过程解耦控制

将逆系统方法与支持向量机相结合,提出了一种基于最小二乘支持向量机（LS-SVM）的阶逆系统的赖氨酸发酵过程多变量非线性解耦控制方法．在分析了系统可逆性的基础上,利用具有高斯核函数的LS-SVM离线建立赖氨酸发酵过程的非线性逆模型．将得到的LS-SVM逆系统串联在原反应系统之前,使得复杂的非线性多变量系统解耦成多个相对独立的单输入单输出伪线性子系统,从而可用线性系统控制方法对其进行控制．仿真结果表明,LS-SVM逆系统解耦控制方法具有良好的逼近非线性系统的性能．该方法为实现多输入多输出非线性系统的解耦控制提供了一条新的思路．     

Lurie控制系统的时滞相关绝对稳定性新判据

研究了纵平面内的自主水下航行器(AUV)的跟踪控制问题. 该AUV由一个内部滑动质点及后推进器驱动. 结合滑动质点的运动方程, AUV可视为欠驱动系统. 基于Lyapunov理论及反步控制方法, 提出了一种跟踪控制律以镇定误差动力学并使得位置跟踪误差收敛于零点左右的一个小邻域内. 仿真结果验证了该控制律的有效性.     

一类线性时变不确定周期奇异系统的鲁棒镇定

讨论了一类线性时变不确定周期广义系统的鲁棒镇定问题．基于线性时变不确定周期广义系统的鲁棒稳定的概念, 提出鲁棒稳定的充分必要条件, 并基于对偶系统的等价性得到鲁棒镇定的充分必要条件. 通过引入自由矩阵, 所得结果表示为线性矩阵不等式, 验证过程更简单、可靠.     

状态饱和线性离散系统的H∞ 控制

研究一类具有状态饱和约束的离散线性系统的 ∞控制问题.通过引入一个无穷范数小于等于1的自由变量,将状态饱和约束下的离散线性系统状态变量约束在一个凸多面体内.在此基础上,给出了状态饱和离散线性系统的有界实引理,并研究了状态反馈控制律设计算法.所给出的结论表示为双线性矩阵不等式,可通过所提出的迭代线性矩阵不等式算法求解.最后通过数值例子验证了所提出算法的正确性和有效性.     

基于聚类动态LS-SVM的L-赖氨酸发酵过程软测量方法

针对生化反应过程中软测量模型存在的模型失效问题,提出了一种基于模糊C均值聚类(FCM)和动态LS-SVM的混合建模方法.首先,采用FCM算法将训练集分成具有不同聚类中心的子集,然后对每一类分别采用LS-SVM进行训练并建立子模型.对于带有新信息的样本数据首先计算其对每一类的模糊隶属度函数,然后用隶属度最大的一类所对应的子模型进行动态学习,并更新子模型.将所提出的软测量建模方法用于对L-赖氨酸发酵过程关键生物量参数的预测,实验结果表明所提出的建模方法可以有效地增强软测量模型适应工况变化的能力,提高其预测精度.     

基于CPSO的混合核LSSVM生物发酵软测量建模

针对赖氨酸发酵过程非线性、强耦合及关键参数难以在线实时测量等问题,将混合核函数概念引入最小二乘支持向量机中,提出了一种基于混合核LSSVM的软测量建模方法。该方法采用混合核函数代替传统的RBF核作为支持向量机的核函数建立模型,并利用全局搜索能力较强的混沌粒子群优化（CPSO）算法对模型参数进行了寻优处理。仿真结果表明,该方法建立的软测量模型可以实现对发酵过程中的菌体浓度C、基质浓度S及产物浓度P等参量的在线实时预测,在改善了模型全局性的同时也提高了预测精度。     

基于CPSO与LSSVM融合的发酵过程软测量建模

发酵过程是一个复杂的时变、非线性、强耦合过程.发酵过程中的关键参量菌体浓度通常难以用传统物理传感器实时在线检测.为了测量该参数,将CPSO算法与LSSVM相结合构建发酵过程软测量模型.模型采用CPSO算法优化LSSVM软测量模型参数,克服了常规交叉验证法选取参数的耗时和盲目性.仿真结果表明,CPSO-LSSVM软测量模型较LSSVM软测量模型更能在较短的时间内获得较高的收敛精度,其平均误差为2.05％,说明该软测量模型可用于发酵过程不可在线测量的菌体浓度的实时在线软测量,并且预测精度高,预测速度快,预测能力强.该软测量建模方法也为发酵过程其他关键参量的实时在线测量提供了新的途径.     

基于自适应FLSVM的赖氨酸发酵过程软测量方法

针对生化反应过程中软测量模型随着时间的推移而出现的模型老化现象,提出一种基于增量学习的自适应模糊支持向量机软测量建模方法.它首先将输入空间中的样本映射到高维特征空间,然后根据样本偏离超平面的程度赋予不同的模糊隶属度,建立模糊支持向量机软测量模型,并在模型投入现场运行后,通过一种改进的增量学习算法在线更新模型参数以自适应获得更加准确的软测量模型.以L-赖氨酸流加发酵过程为例,验证了所提算法能够从过程的第2批次开始对关键生物量参数(菌丝浓度和基质浓度)进行较准确的在线预测,与普通的模糊支持向量机建模方法相比具有较高的预测精度和自适应性.