基于加权LS-SVM的青霉素发酵过程建模

青霉素发酵过程中,一些重要参数的检测存在一定的误差,给生产过程的监测及重要参数的实时监控等带来一定困难。样本数据中自变量、因变量均有可能包含误差数据,影响模型建立的准确性,本文采用加权最小二乘算法,给各个样本的误差平方赋予不同权重用于克服异常训练样本的影响,利用Pensim仿真平台数据,采用粒子群算法(PSO)对加权最小二乘向量机算法(WLS-SVM)的参数寻优,建立青霉素发酵过程模型,通过仿真实验表明了该算法用于青霉素发酵过程建模的有效性。     

基于KTA-LSSVM的青霉素发酵过程预测建模

为解决青霉素发酵过程预测建模中存在的输入变量选择问题,提出了基于核目标度量（kernel target alignment,KTA）和最小二乘支持向量机（least squares support vector machines,LSSVM）的青霉素发酵过程预测模型。首先,在分析影响青霉素产物浓度相关因素的基础上选取输入变量,采用KTA对输入变量进行尺度缩放,然后,利用Pensim仿真平台数据,采用混沌粒子群算法对LSSVM的参数寻优,建立青霉素发酵过程的KTA-LSSVM预测模型。青霉素浓度预测的KTA-LSSVM模型均方根误差为0.0179,LSSVM模型的均方根误差为0.0276,实验结果表明,本文提出的模型预测精度高,推广性能好。     

基于分阶段的LSSVM发酵过程建模

发酵过程建模是研究微生物发酵的重要课题,基于模型可实现被测参量的软测量、系统的优化控制。鉴于引入混合核函数的最小二乘支持向量机在过程建模中具有优良表现,采用基于混合核函数的最小二乘支持向量机建模。但由于发酵过程周期较长,最小二乘支持向量机的全局模型预测精度难以保证,算法复杂度很高,因此提出一种分阶段建模方法。首先,选择表征阶段特性的辅助变量,利用模糊C均值聚类算法对样本数据聚类,将发酵过程分成不同的阶段,然后为各个阶段分别建立最优混合核最小二乘支持向量机局部模型,最后将局部模型合成构成过程的完整模型。将此方法应用于青霉素发酵过程和重组大肠杆菌发酵过程中,验证了该方法的有效性。     

混沌最小二乘支持向量机及其在发酵过程建模中的应用

针对青霉素发酵过程的参数检测存在不确定因素,提出一种基于混沌最小二乘支持向量机的青霉素浓度预测方案。采用混沌优化算法对最小二乘支持向量机参数进行寻优,建立了一种混沌最小二乘支持向量机模型。首先,利用该模型对两种常规非线性函数曲线进行了仿真回归,结果表明,算法具有良好的建模精度;其次,基于Pensim仿真平台,运用文中方法预测青霉素发酵过程的产物量,实验仿真表明混沌优化算法具有良好的全局优化性能,在参数选择中可以有效避免陷入局部最小值,基于混沌优化的最小二乘支持向量机具有较高的建模精度。     

局部最小二乘支持向量机回归在线建模方法及其在间歇过程的应用

当间歇生产切换于不同的工艺条件时,由于新工况下的样本一般很少,且批次间存在着不确定性（由于原材料波动或过程动态特性波动等）,基于全局学习的建模方法（如最小二乘支持向量机回归,LSSVR）建立的模型泛化性能不强。将局部学习融入LSSVR中,提出一种局部LSSVR（local LSSVR, LLSSVR）的间歇过程在线建模方法。结合前一批次离线优化后的LSSVR参数,针对待预测新样本在线选择与之相关的近邻样本集并基于此进行建模。以建立青霉素发酵过程的菌体浓度为例,验证了LLSSVR算法能够从过程的第2个生产批次开始在线建立较准确的预报模型,较LSSVR有着更好的推广能力、适应性和鲁棒性。     

基于支持向量机的柠檬酸发酵过程统计建模

鉴于生物发酵过程的高度非线性,且样本采集困难,数据总量较少等,采用支持向量机(SVM)方法,为柠檬酸发酵过程建模,得到最终酸度与相关因素间的定量关系。通过优化建模参数,所建SVM模型具有较高的拟合能力,且预测误差小,稳健性好。实例表明,与人工神经元网络等方法相比较,SVM方法更为优越。     

用于发酵过程在线建模的自适应局部最小二乘支持向量机回归方法

提出一种基于自适应局部学习的最小二乘支持向量机回归（LSSVR）在线建模方法。考虑样本间的距离和角度信息以获得更全面合理的相似样本集,推导了采用快速留一法在线优化模型参数的准则,并给出了发酵过程在线自适应模型选择的策略。以链激酶流加发酵过程为例,验证了所提出算法能够从过程的第2批次开始,同时对活性菌体浓度和链激酶浓度进行较准确的在线预报,较普通的局部LSSVR等建模方法具有更高的预报精度和自适应性。     

青霉素发酵过程中的混合建模

由于微生物发酵过程机理的复杂性和高度非线性,建立发酵过程的精确模型具有一定难度。传统的动力学模型预测虽然会与实际输出有一定偏差,但它在某种程度上反映了过程机理;神经网络建模方法属于"黑箱"方法,建模过程中没有用到任何先验知识,有一定的预测效果;因此单一的建模方法往往会不具备其他建模方法的优势。本文以传统的发酵动力学模型为基础,结合RBF神经网络进行混合建模的"灰箱"建模方法是一种比较好的建模思路,可以取得较满意的软测量效果。     

选择性递推LSSVR及其在过程建模中的应用

提出一种改进的递推最小二乘支持向量机方法,用于非线性MIMO(multi-input multi-out)过程的可在线更新辨识和软测量建模.该算法在向前递推时只引入预报误差较大的样本更新模型,以提高模型的稀疏性和泛化能力.在向后删减时推导了基于快速留一法的模型修剪准则,以克服随意删减样本的缺点.通过有选择性的向前、向后递推,模型的推广能力和计算性能均得以保证,且更加适应过程的时变性.在连续搅拌釜式反应器过程的辨识和重油催化裂化的软测量建模研究,均表明所提出算法的有效性和优越性.     

基于PLS-LSSVM的谷氨酸发酵产物浓度预测建模

针对谷氨酸发酵过程关键生化参数难以在线检测给发酵优化控制带来困难问题,基于谷氨酸5 L发酵罐发酵过程,建立基于偏最小二乘（PLS）和最小二乘向量机（LSSVM）相结合的谷氨酸浓度预测模型;利用PLS对输入变量进行特征提取降低维数和消除相关性,以简化模型和提高模型精度。为确定谷氨酸发酵最佳预测模型,简化后的预测模型与发酵动力学模型进行比较;实验结果表明,简化后的耦合模拟退火（coupled simulated annealing,CSA）对参数进行优化的LSSVM模型具有最好预测性能,相对PLS预测模型和发酵动力学模型具有明显优势,均方根误差分别为1.597、8.49和2.934,可以为谷氨酸发酵过程操作及时调整及优化控制提供有效指导。     

青霉素发酵过程精细化控制

青霉素发酵生产水平一方面取决于菌种的生产能力,另一方面取决于发酵过程的控制。青霉素发酵周期长,影响因素多,加大了工艺控制的难度。同一个菌种,同样的设备,由于过程控制的不同,发酵水平可以相差15%以上。通过对青霉素发酵过程中种子质量的控制,移种过程的精细操作和检查,pH值、氨氮等重要参数的控制,补料的动态调整等方面的精细化控制,可以有效地控制代谢方向,避免代谢异常,防止出现低水平罐批,使发酵罐批之间的差异降低,整体发酵水平提高5%左右。     

青霉素G发酵过程自动控制设计

介绍了青霉素发酵过程中自动控制的工程设计。结合青霉素工业化生产方式,制定了以控制溶解氧、酸碱度、温度和压力等参数的模块化工业生产自动控制方案。在制药工程中采用先进的自动控制设计可以在企业投产后大大提高生产控制水平和管理水平。     

基于最小二乘支持向量机的复合肥装置养分含量的软测量建模

针对复合肥装置养分含量无法用常规的传感器在线测量的问题,提出了基于最小二乘支持向量机(LS-SVM)的软测量方法来在线估计养分含量.LS-SVM用等式约束代替传统的标准支持向量机中的不等式约束,求解过程从解二次规划问题变成解线性方程组,求解速度相对加快.工业实例表明LS-SVM所建模型的预测精度较高,能满足实际工业应用的需求.     

基于最小二乘支持向量机的测灰仪输出校正研究

提出了基于最小二乘支持向量机的校正模型对测灰仪的输出进行误差校正。在分析误差产生的基础上,实现误差校正。试验表明:该方法有效地降低了测灰仪的输出误差。     

青霉素发酵液膜过滤工艺研究

采用膜法处理青霉素发酵液,可以大大提高滤液质量,提高青霉素生产收率2.31%,同时可以降低后续工段的生产负荷,降低废水中的有机物含量,节能降耗,减少环保费用,有利于清洁生产.     

基于改进的LS-SVM测量油气两相流空隙率

利用ECT电容传感器提供的电容测量值,基于改进的最小二乘支持向量机(LS-SVM),提出了一种油气两相流空隙率测量的新方法.运用该方法测量空隙率时,以ECT电容传感器获取的66个独立电容值作为空隙率模型的输入,计算即可得空隙率.建模阶段,针对LS-SVM使用中存在的问题,首先运用训练数据筛选技巧,对LS-SVM进行稀疏化改进,接着引入实数编码的遗传算法(RC-GA)优化LS-SVM参数,然后运用改进后的LS-SVM和基于RC-GA的参数选取方法建立空隙率测量模型.所提出的空隙率测量方法省去了常用ECT方法测量空隙率时的复杂耗时的图像重建过程,提高了空隙率测量的实时性.实验结果表明,提出的LS-SVM改进和参数优化方法是有效的,提出的空隙率测量方法具有实时性佳的优点,测量精度满足实际应用要求.     

Melt index prediction by weighted least squares support vector machines

Melt index is considered an important quality variable determining product specifications. Reliable prediction of melt index (MI) is crucial in quality control of practical propylene polymerization processes. In this paper a least squares support vector machines (LS‐SVM) soft‐sensor model of propylene polymerization process is developed to infer the MI of polypropylene from other process variables. Considering the use of a SSE cost function without regularization might lead to less robust estimates; the weighted least squares support vector machines (weighted LS‐SVM) approach of propylene polymerization process is further proposed to obtain a robust estimation of melt index. The performance of standard SVM model is taken as a basis of comparison. A detailed comparison research among the standard SVM, LS‐SVM, and weighted LS‐SVM models is carried out. The research results confirm the effectiveness of the presented methods. © 2006 Wiley Periodicals, Inc. J Appl Polym Sci 101: 285–289, 2006     

新型优化策略在青霉素间歇发酵过程中的应用研究

基于全面关注间歇发酵过程中间状态的思想,提出由求解一系列端点时间不固定最优控制子问题形成的新型优化控制策略,并在优化目标函数中加入了菌体平均生长速率和流加时间间隔对发酵产量的影响因素.在此基础上提出基于遗传算法的最优控制策略实现算法,同时获得了最优流加时间间隔及相应的最优流加速率.将该方法在青霉素发酵过程进行仿真,将仿...