基于支持向量机的发酵过程建模研究与控制系统设计

《基于支持向量机的发酵过程建模研究与控制系统设计》由会员上传分享，免费在线阅读，更多相关内容在学术论文-天天文库。

1、摘要{青霉素发酵过程具有高度的非线性和时变性，其内在机理非常复杂。要实现对发酵过程的进一步优化和控制，必须获得足够的发酵过程信息，但是目前最关键的参数在线难以测量。因此，重点对发酵过程建模方法做研究。发酵建模方法中，以神经网络最具代表性，但是由于其理论基于经验风险最小化原则，难免会出现过拟和、陷入局部最小等问题。基于结构风险最小化原则的支持向量机方法(SupportvectorMachine，SVM)克服了以往神经元网络等方法的固有缺点，大大提高了模型的泛化能力。首先，提出了利用支持向量机为青霉素发酵过程建立菌体浓度模型，分析了模型参数对模型性能的影响，并与传统的径

2、向基(RadialBasicFunction，RBF)神经网络方法做了比较。指出了支持向量机方法的优越性和不足之处。。其次，针对标准支持向量机在算法速度上的弱势，提出利用最小二乘支持向量机(LeastSquareSVM，LSSVM)建立青霉素发酵过程的菌体浓度、青霉素浓度状态估计模型，并与标准支持向量机做了比较。结果表明LSSVM在保持SVM的建模性能的基础上，在算法的速度上优于标准svM，LSSVM更利于在线建模预估。接着，针对于SVM、LSSVM菌体浓度模型在发酵生长期存在的不足之处，提出了串联和串并联两种混合最小二乘支持向量机模型。混合模型结合了动力学模型对机

3、理的反映和最小二乘支持向量机较强的泛化能力，与单一的SVM和LSSVIVl模型进行了比较。实验结果表明，提出的混合最小二乘支持向量机模型性能优良，能够解决单一SVM和LSSVM模型对菌体浓度建模所存在的问题。最后，以某生化工程中心发酵控制系统项目为背景，采用现场总线技术，C／S结构技术设计了发酵过程控制系统，利用OPC技术、SQL技术、VB面向对象编程等方法编写了客户端的上位机监控软件。针对于目前SVM建模方法多数只是仿真研究的现状，利用动态链接库技术、VC、Maflab等软件技术，编写了SVM软测量软件预估模块。，关键词：支持向量机RBF神经网络混合模型发酵过程建

4、模客户端软件ABsTRACTABSTRACTPenicillinfermentprocesspossessesnon-linearandtimedifference，anditsinherentmechanismisverycomplex．Tocarryoutfxll'theroptimizingandcontrolstrategy，moreinformationmustbegained．However,someparameters，suchasbio-parameters，whicharemorecomplexandimportant,cannotbemeasum

5、dyet．Tlms，themainresearchismethodsofmodelingforfermentprocess．ArtificialNeuralnetwork(ANN)isthemostrepresentative0neinfermentprocessmodelingmethods．ThetheoryofANNisbasedonEmpidealRiskMinimization(ERM)，ithassomedisadvantagesuchasoverfitting,localmininlBln，etc．SupportVectorMachine(SVM)，w

6、hichbasedonStructureRiskMinimization(SRM)overcomes婶蝌’Sinherentdisadvantagesandgreatlyimprovesmodels’generalization．⋯二，Firstly,．AmyceliummodelissetupbySVM，andtheeffec,t,ofmodelbySVM’sparametersisstudied．AcomparisonbetweenSVMandRBFNNprovesthatSVMisabettermethodforfermentprocessmodeling．B

7、utSVMalsohassomedisadvantage．Secondly，becauseoftheshortofalgorithmofSVM，^缸gp其炉modelandpenicillinmodelwhichsetupbyLSSVMarecomparedwithSVM．皿eresulto艘vesthatLSSVMnotonlyhasgoodmodelqualitybutalsohasfasteralgorithm．LSSVM醺珥p单suitablethanSVMforonlineprediction．，、飞：·、111i]mly．sincetheresult