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.     

模糊支持向量机在青霉素发酵中的应用

支持向量机（SVM）是一种基于结构风险最小化原理（SRM）的学习算法,也是一种具有很好的泛化性能的回归方法.针对青霉素发酵过程中的菌体浓度进行软测量建模,提出了一种新的基于距离的模糊支持向量机,并用序列最小优化算法（SMO）求解优化问题.仿真实例说明能够对青霉素发酵过程中不可在线测量的变量进行软测量,达到了较高的测量精度.     

基于支持向量机的发酵过程建模研究

发酵过程有众多关键性的变量难以在线检测,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,LS-SVM算法精度高,速度快,适合于在线预估。将该算法用于青霉素发酵过程建模,用具有RBF核函数的LS-SVM建立菌体浓度、青霉素浓度的模型,并通过仿真实验与标准支持向量机进行比较。结果表明,最小二乘支持向量机是青霉素发酵过程建模与控制的一种有效的方法。     

基于QPSO-LSSVM的L-缬氨酸发酵建模

最小二乘支持向量机(least square support vector machine,LSSVM)是1种新的机器学习算法,它采用结构风险最小化准则,能有效提高模型的泛化能力,且具有运算速度快、抗噪能力强等特点.本文针对最小二乘支持向量机发酵建模中,选择重要模型参数值的问题,提出利用全局搜索能力强的量子粒子群优化算法,优化LSSVM建模过程的重要参数,并将该混合建模方法应用于L-缬氨酸发酵,建立L-缬氨酸产物浓度、菌体浓度和底物浓度等重要过程变量的预测模型,在线预估这些不能在线测量的生化状态变量.实验表明,混合算法所建立起的L-缬氨酸发酵模型在模拟菌体生长、底物消耗及发酵产酸过程的变化等方面都比BP神经网络建模方法具有较小的拟合误差和较好的推广性能,可以为L-缬氨酸发酵生产过程提供动态模拟,具有重要的实用价值.     

一种改进的支持向量机的文本分类算法

在文本分类中,应用支持向量机(SVM)算法能使分类在小样本的条件下具有良好的泛化能力.但支持向量机的参数取值决定了其学习性能和泛化能力.为提高支持向量机算法的性能,提出了一种采用免疫算法对支持向量机参数进行优化的文本分类算法(IA-SVM).算法减少了对支持向量机参数选择的盲目性,提高了SVM的预测精度.实验表明,IA-SVM算法在文本分类问题上明显提高了分类正确牢,学习速度也有提高.     

基于IGA-SVM的发酵过程建模及优化控制

利用免疫遗传算法（IGA,Immune Genetic Algorithm）的全局搜索功能和支持向量机（SVM,Support Vector Machine）泛化能力强的特点,选择合适的状态变量,对发酵过程建立动态时变模型。利用该模型和算法对一些不能在线测量的生化状态变量进行在线预估,并对一些关键的操作变量进行了优化。通过对谷氨酸发酵过程的实际应用,验证了该方法的有效性。     

基于边界样本选择的支持向量机加速算法

针对支持向量机（Support Vector Machine,SVM）处理大规模数据集的学习时间长、泛化能力下降等问题,提出基于边界样本选择的支持向量机加速算法。首先,进行无监督的K均值聚类;然后,在各个聚簇内依照簇的混合度、支持度因素应用K近邻算法剔除非边界样本,获得最终的类别边界区域样本,参与SVM模型训练。在标准数据集上的实验结果表明,算法在保持传统支持向量机的分类泛化能力的同时,显著降低了模型训练时间。     

基于捕食搜索策略遗传算法的SVM参数优化方法

基于支持向量机(SVM)模型的泛化能力和拟合精度与其相关参数的选取有关,提出将捕食搜索策略的遗传算法(PSGA)运用到SVM的参数选取中。该算法以最小化输出量的拟合误差为目标,以SVM的3个参数作为决策变量。通过对谷氨酸发酵过程建模的实验表明,该方法可以提高谷氨酸浓度的训练精度及预测精度,是一种优化SVM参数的有效方法。     

PSO-SVR算法在发酵过程控制中的应用

针对发酵过程中生物参数难以实时在线测量的问题,建立了用于生物参数状态预估的支持向量机软测量模型。考虑到该支持向量回归模型的复杂性和推广能力的好坏很大程度上取决于其3个参数（?着,C,?酌）能否取到最优值,采用粒子群算法实现对参数（?着,C,?酌）的同时寻优。在此基础上,以L-天冬酰胺酶II为对象,建立其基于PSO-SVR的发酵过程产物浓度状态预估模型。发酵罐控制结果表明：该模型具有很好的学习精度和泛化能力,可实现对L-天冬酰胺酶II产物浓度的实时在线预估。     

基于灰关联分析的KFCM-LSSVM蒸发过程软测量

针对氧化铝蒸发过程出口浓度在线检测问题,提出一种基于灰色关联分析和核模糊聚类相结合的多支持向量机蒸发过程建模方法.该方法采用灰色关联分析提取影响出口浓度较大的变量,再用核模糊聚类算法将样本划分成不同的子类,并对各子类构建的支持向量机模型的输出综合加权得到最终输出.对蒸发过程生产数据进行实验,并与核模糊聚类最小二乘支持向量机(KFCM-LSSVM)相比较,结果表明新模型鲁棒性较强、精度较高、泛化性更好,可以用于蒸发过程的优化控制.     

增量回归支持向量机改进学习算法

传统的支持向量机不具有增量学习性能,而常用的增量学习方法具有不同的优缺点,为了解决这些问题,提高支持向量机的训练速度,文章分析了支持向量机的本质特征,根据支持向量机回归仅与支持向量有关的特点,提出了一种适合于支持向量机增量学习的算法(IRSVM),提高了支持向量机的训练速度和大样本学习的能力,而支持向量机的回归能力基本不受影响,取得了较好的效果。     

基于SVM主动学习的入侵检测系统

研究在入侵检测中,采用基于支持向量机(SVM)的主动学习算法,解决小样本下的机器学习问题。该文提出了基于SVM主动学习算法的系统框架及适用于入侵检测系统的SVM主动学习算法,讨论了候选样本集的组成比例、候选样本集数量及核函数的不同参数选取对检测结果的影响。通过实验验证,基于SVM主动学习算法与传统SVM算法相比,能有效地减少学习样本数,提高检测精度。     

一种基于主动学习的SVM增量训练算法

针对SVM训练学习过程中难以获得大量带有类标注样本的问题,提出一种基于距离比值不确定性抽样的主动SVM增量训练算法(DRB-ASVM),并将其应用于SVM增量训练.实验结果表明,在保证不影响分类精度的情况下,应用主动学习策略的SVM选择的标记样本数量大大低于随机选择的标记样本数量,从而降低了标记的工作量或代价,并且提高了训练速度.     

基于RS的SVM算法在空袭目标识别中的应用

在现代防空作战中,如何快速准确的对敌我目标进行识别,至关重要。本文结合粗糙集和支持向量机算法建立了基于RS的SVM增量学习模型,提出了基于快速求核和集合近似质量的粗糙集属性约简算法,改进了SVM增量学习算法。试验结果表明,算法正确有效,模型符合现代防空作战中对目标识别的要求,具有一定的实用价值。     

基于加速遗传算法的选择性支持向量机集成*

为有效提升支持向量机的泛化性能,提出基于加速遗传算法的选择性支持向量机集成。通过Bootstrap技术产生并训练得到多个独立子SVM,基于负相关学习理论构造适应度函数,提高子SVM的泛化性能,并增大其之间差异度。利用加速遗传算法计算各子SVM在加权平均中的最优权重,然后选择权值大于一定阈值的部分SVM进行加权集成。实验结果表明,该算法是一种有效的集成方法,能进一步提高SVM的集成效率和泛化性能。     

一种SVM增量学习算法α-ISVM

基于SVM(support vector machine)理论的分类算法,由于其完善的理论基础和良好的试验结果,目前已逐渐引起国内外研究者的关注.深入分析了SVM理论中SV(support vector,支持向量)集的特点,给出一种简单的SVM增量学习算法.在此基础上,进一步提出了一种基于遗忘因子α的SVM增量学习改进算法α-ISVM.该算法通过在增量学习中逐步积累样本的空间分布知识,使得对样本进行有选择地遗忘成为可能.理论分析和实验结果表明,该算法能在保证分类精度的同时,有效地提高训练速度并降低存储空间的占用.     

基于SVM和Adaboost解决实时流量识别问题

摘要针对当前实时流量识别技术上的不足,本文基于支持向量机算法（SVM）和Adaboost算法,提出了一种实时流量识别算法。这种方法将SVM算法使用在Adaboost算法框架中,通过Adaboost算法来提高SVM算法的对流量样本学习能力,改善了SVM算法在实时流量识别中的准确率,从而改善识别器的性能。仿真实验证明,通过设定算法的迭代次数,这种方法的实时流量识别准确率能够达到85％以上。     

支持向量机在工业过程中的应用

支持向量机(SVM)是一种基于统计学习理论,针对小样本学习问题的通用学习算法,它采用结构风险最小化(Structural risk minimization,SRM)准则,大大提高了模型的泛化能力,成功地解决了神经网络的过学习问题。目前主要应用在模式识别领域,在工业过程中的应用相对较少。本文首先从理论研究、算法结构、参数选择和扩展SVM4个方面详细介绍了近些年来支持向量机的研究进展;然后对SVM在工业过程中的应用现状进行分析,指出进一步研究的方向。     

基于深度学习的航空发动机传感器故障检测

针对传统反向传播(BP)神经网络和支持向量机(SVM)存在的过拟合、维数灾难、参数选择困难等问题,提出了一种基于深度学习算法的航空发动机传感器故障检测方法.对发动机参数记录仪采集的多维数据进行预处理,建立基于深度置信网络(DBN)的故障检测模型,利用预处理后的数据对检测模型进行训练,经过DBN故障检测模型逐层特征学习实现了传感器故障检测.仿真结果表明:在无人工特征提取和人工特征提取的情况下,基于DBN故障检测的准确率均高于BP神经网络和SVM模型.     

基于样本密度的SVM及其在入侵检测中的应用

针对网络数据集过于庞大，学习速度过慢的问题，提出了一种基于空间块和样本密度的SVM算法，并将其应用到入侵检测中。该算法根据样本的局部密度选择训练样本，减少参加训练的样本数量，提高学习速度。实验结果表明，该算法在保证检测精度的同时，学习速度快于传统SVM入侵检测方法。