基于APSO—LSSVM的软测量建模研究

针对最小二乘支持向量机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自适应粒子群（APSO）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和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.     

青霉素发酵过程的模型辨识及仿真研究

研究青霉素发酵优化问题.青霉素发酵过程是一种复杂的生化反应系统,生物参数难获得,许多代谢途径尚不明确,传统方法无法建立精确数学模型.然而支持向量机不需要了解青霉素发酵系统的内部结构,具有智能性、自学习能力,可以解决复杂青霉素发酵建模问题.因此,以青霉素发酵过程生化机理模型产生的数据为样本,训练支持向量机,并采用粒子群算法对支持向量机参数优化,建立了支持向量机的发酵过程模型.仿真结果表明,支持向量机可以对青霉素发酵过程进行状态变量的估算与预测,为有效提高青霉素发酵预测精度,提供了实际有效的指导作用.     

基于递推模糊LSSVM的青霉素发酵优化控制

针对非线性、时变的发酵过程,提出一种递推式模糊最小二乘支持向量机建模方法。将最小二乘支持向量机和模糊思想融合起来,并采用递推式算法简化运算,仿真表明,建立的模型具有良好的预测效果。结合此模型采用粒子群优化算法优化发酵过程的补料速率控制轨线,结果证明该系统具有良好的控制效果。     

基于PSO优化的SVM预测应用研究*

支持向量机参数对支持向量机的性能有着重要影响,参数选择问题是支持向量机的重要研究内容。针对此问题,提出一种基于粒子群优化算法的支持向量机参数选择方法。实验结果表明,经粒子群优化算法优化的支持向量机回归模型具有较高的预测精度,粒子群优化算法是选取支持向量机参数的有效方法。     

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。     

基于QPSO组合优化的发酵过程LS-SVM建模

利用最小二乘支持向量机(LS-SVM)对发酵过程进行建模,辅助变量和模型参数的选择对建模效果有很大影响。因此提出了一种基于量子粒子群算法(QPSO)的组合优化建模方法,构造基于赤池信息量准则(AIC)的适应度函数,利用QPSO同步选择最优的辅助变量组合和参数对,对模型进行自动优选。将该方法用于诺西肽发酵过程的建模,仿真结果表明,通过QPSO组合优化能获得更好的建模效果。     

基于自适应变异粒子群优化的SVM在混合气体分析中的应用

针对混合气体定量分析中,支持向量机建模的参数难以确定、红外光谱数据计算量过大以及气体间交叉干扰等问题。提出了一种自适应变异粒子群优化的支持向量机方法,用于建立基于红外光谱的多组分混合气体定量分析模型。混合气体主要由浓度范围在0.5%~8%的CO、3.6%~12.5%的CO2及200×10-6~3270×10-6的C3H8三种组分气体组成。利用粒子群优化算法对支持向量机建模中的参数进行优化选择,并与遗传算法优化的支持向量机作对比。实验表明,采用此方法建模所用时间为39.524 s,遗传算法为26.272 s;针对CO2独立建模的预测结果,粒子群优化算法均方差为0.000123758,遗传算法均方差为2.14952。在建模时间略高的情况下,粒子群优化算法预测结果均方差明显低于遗传算法。     

基于PSO-MKSVM发酵过程建模与补料优化控制

针对动态非线性、时变发酵过程,采用混合核支持向量机的智能模型建模方法,通过建立混合核支持向量机的状态预估模型,实现对发酵产物浓度的预估,解决了缺乏生物传感器的问题.在此基础上,再利用粒子群优化算法求取补料速率优化曲线,最终使得发酵终止时产物产量最高.实验结果表明,该方法取得了良好的效果.     

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.     

引力搜索算法在青霉素发酵模型参数估计中的应用

针对生物发酵过程难以精确估计模型参数的问题,提出一种利用引力搜索算法(GSA)对青霉素发酵非构造式动力学模型参数进行估计的方法。在分析发酵过程反应机理的基础上,选取合适的青霉素发酵非构造式动力学模型的状态方程式;然后利用GSA良好的全局搜索能力,对状态方程式的参数进行估计,从而得到精确的发酵模型。仿真结果表明：GSA实现了对青霉素发酵过程模型参数的准确估计,所得到的模型精度能够满足青霉素发酵过程的状态估计和控制需求。因此,GSA可有效地应用于模型参数估计。     

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。     

青霉素发酵过程建模研究

青霉素发酵过程是一种具有非线性、时变性的复杂生化反应系统,由于一些生物参数在线检测困难,许多生化过程的代谢途径尚不明确,难以建立精确数学模型.而神经网络具有非线性、多变量、自学习、并行处理等特点,用于非线性系统的建模具有无可比拟的优势.因此,以青霉素发酵过程生化机理模型产生的数据为样本,训练RBF神经网络,建立了基于RBF神经网络的发酵过程模型.该模型可用于发酵过程中状态变量的估算与预测,并且可估计底物、产物、菌体浓度的变化趋势,对实际工作具有指导意义.     

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LS-SVM逆模型的青霉素发酵软测量方法

针对青霉素发酵过程中的某些关键生物参数(如菌体浓度、基质浓度、产物浓度)难以实时在线测量的问题,提出一种基于最小二乘支持向量机(LS-SVM)逆模型的软测量方法。该方法用具有高斯核函数的LS-SVM,离线建立被测对象的静态非线性逆模型。由静态非线性逆模型外加若干表征非线性动态特征微分器,构成了非线性系统的逆系统,将此逆系统串联在原发酵系统之后,得到"线性化"的伪线性系统。仿真结果表明,该方法能够对青霉素发酵过程中不可在线测量的关键变量进行预测,且达到了较高的测量精度。     

多速微粒群优化算法及其在软测量中的应用

多速微粒群优化算法（MVPSO）是一种改进的微粒群优化算法,具有概念清晰、操作简单、易实现等优点,同时克服了PSO算法易陷入局部极值的不足多速粒子群优化算法（MVPSO）是一种改进的粒子群优化算法,具有概念清晰、操作简单、易实现等优点,同时克服了标准PSO算法易陷入局部极值的不足。用MVPSO和PSO对几种典型多峰值函数优化问题进行测试,结果表明MVPSO优化算法更容易找到全局最优解,优化效率和优化性能明显提高。将MVPSO优化算法应用于青霉素发酵过程产物（青霉素）浓度软测量,建立基于MVPSO算法的青霉素发酵过程产物浓度软测量模型。实验表明,基于MVPSONN的软测量模型比基于BPNN的软测量模型具有更好的性能。     

一种实用的发酵过程建模方法

该文提出了同时利用在线参数和离线参数融合建模的实用新方法，给出了基于自适应模糊神经网络方法和模糊逻辑推理方法的建模过程，将两种建模方法进行最优加权融合，采用真实青霉素发酵过程数据进行模型验证，仿真结果表明了该方法具有较好的建模精度和实用性。     

青霉素生产过程的在线统计监测与产品质量控制

将多向偏最小二乘(MPLS)方法应用于青霉素间歇生产过程的建模与故障诊断中。从青霉素反应过程的特点来看,数据具有多维性,应用传统的偏最小二乘方法会使过程的统计建模与故障诊断难以实现。MPLS可对间歇过程的多维数据沿变量方向进行分割,使得多批量的数据可以在过程的各操作阶段建立相应的PLS模型,从而完成对该反应过程的实时监视与故障诊断。运用T2统计、Q统计方法,结合贡献图对过程进行了仿真分析,从理论分析和仿真实验结果的一致性,证明了该方法在青霉素生产过程的故障检测与诊断方面是可行的。