基于逆系统的青霉素发酵软测量

针对青霉素发酵过程中菌体浓度、基质浓度、产物浓度等关键参量难以直接测量的难题,将逆系统方法与动态递归模糊神经网络(DRFNN)相结合,提出一种基于动态递归模糊神经逆的青霉素发酵软测量方法.在证明了系统可逆的条件下,得到系统的逆模型;再应用DRFNN网络所具有的自学习,自适应能力以及对任意非线性的逼近能力,对该模型进行了...     

发酵罐KPCA与SVR软测量技术的研究

青霉素发酵过程具有较强的非线性、时变性和不确定性,发酵过程中的基质浓度、青霉素菌体浓度、产物浓度等关键生物参数难以实时在线测量,而离线化验存在时滞大的问题,难以满足实时在线控制的要求。针对这一问题,提出了一种基于核主成分分析(KPCA)与支持向量机回归(SVR)的软测量建模方法。首先,利用KPCA提取软测量输入数据空间中的非线性主成分;然后,采用SVR算法建立了可准确预测青霉素发酵过程重要参数的软测量模型。试验结果表明,与传统建模方法相比,KPCA-SVR软测量模型的测量精度高、跟踪性能好、泛化能力强,能满足发酵过程中青霉素菌丝浓度的在线测量要求,是一种有效的软测量建模方法。     

基于在线LS-SVM的逆模/PID复合控制

针对最小二乘支持向量机(LS-SVM)无法在线建模的问题,提出了一种基于在线LS-SVM回归的非线性逆模型建立方法。在线LS-SVM能够跟踪时变非线性系统的动态特性,当系统参数随时间变化时仍然有效。在前馈控制中,在线LS-SVM建立系统逆模型,并与PID反馈控制相结合构成复合控制方法,应用于较一般的离散非线性系统。仿真结果表明,采用在线LS-SVM建立非线性系统的逆模型的方法有效,复合控制策略具有良好控制性能。     

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．     

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。     

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.     

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.     

燃料乙醇发酵过程中生物参量的软测量建模

针对燃料乙醇发酵过程中关键生物参量(基质浓度、菌体浓度、乙醇浓度等)在线检测困难,离线化验滞后大,难以实现实时控制的问题,提出了一种基于核主元分析(KPCA)与最小二乘支持向量机(LSSVM)相结合的软测量建模方法。以关键生物参量中乙醇浓度的预测为例,首先,利用KPCA提取软测量输入数据空间中的非线性主元,然后利用LSSVM算法建立了乙醇浓度的软测量模型。仿真结果表明,与PCA-LSSVM建模方法相比,KPCA-LSSVM软测量模型的测量精度高、跟踪性能好、泛化能力强,能满足发酵过程中乙醇浓度的在线测量要求,是一种有效的软测量建模方法。     

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.     

生物发酵过程中SSVIP-NNI软测量方法

生物发酵过程中关键生化变量难以直接检测,提出了一种利用基于敏感性与特异性的变量投影重要性(SSVIP)方法优化神经网络逆系统(NNI)的软测量方法。根据逆系统理论建立软测量模型,采用VIP变量优选方法,对软测量模型中的辅助变量进行优化。为了进一步提高VIP方法优选变量的性能,利用模型敏感性与特异性的概念,重新定义了VIP筛选阈值,确定最优的发酵过程软测量模型的变量。构造神经网络近似最优逆系统软测量模型,实现对发酵过程中关键过程变量的估计。通过Pensim仿真平台进行实验研究,结果表明经过辅助变量优选的神经网络逆系统软测量模型具有更高的估计精度和泛化能力。     

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.     

基于混沌和SVM的青霉素发酵过程混合建模

就青霉素发酵过程难以建立理想模型,提出一种基于混沌支持向量机和动力学模型相结合的混合建模新方法.首先分析青霉素发酵过程动力学模型的特点,选择合适的状态变量,然后利用混沌算法优化支持向量机的参数,建立动态时变的混合模型.该模型不但能自动选择支持向量机的参数,而且能够预报一些不能在线测量的生化状态变量.通过实用,证明了此方法有效.     

基于MOGA和SVM的发酵过程建模

针对微生物发酵过程，使用多目标遗传算法（multi-objective genetic algorithm, MOGA）确定最优参数．MOGA和SVM回归相结合形成一种新的建模方法，该方法利用现场生产数据建立了青霉素效价预估模型．仿真结果表明此方法具有很强的拟合和泛化能力．MOGA方法的有效性也得到了验证，它也能够自动选择最优参数．     

基于支持向量机的非线性内模解耦控制

针对非线性内模控制在应用于多变量系统时逆模型难以建立的问题, 提出了支持向量机α阶逆系统的内模解耦控制方法. 该方法利用支持向量机辨识非线性系统的逆模型, 并将其串连在原系统之前, 运用逆系统方法的思想, 将一个多变量、非线性、强耦合的复杂系统通过反馈线性化解耦成多个相互独立的单输入单输出的伪线性复合子系统. 对求得的伪线性系统采用内模控制方法进行控制. 仿真试验表明该方法不需要系统精确的数学模型, 较一般的逆系统方法鲁棒稳定性好, 设计简单, 跟踪精度高, 是解决多变量非线性系统控制的一种可行的理论方法.     

A weighted LS-SVM approach for the identification of a class of nonlinear inverse systems

In this paper, a weighted least square support vector machine algorithm for identification is proposed based on the T-S model. The method adopts fuzzy c-means clustering to identify the structure. Based on clustering, the original input/output space is divided into several subspaces and submodels are identified by least square support vector machine (LS-SVM). Then, a regression model is constructed by combining these submodels with a weighted mechanism. Furthermore we adopt the method to identify a class of inverse systems with immeasurable state variables. In the process of identification, an allied inverse system is constructed to obtain enough information for modeling. Simulation experiments show that the proposed method can identify the nonlinear allied inverse system effectively and provides satisfactory accuracy and good generalization. Supported by the National Natural Science Foundation of China (Grant No. 60874013) and the Doctoral Project of the Ministry of Education of China (Grant No. 20070286001)     

基于支持向量机的软测量方法研究

针对所有样本点均出现在最小二乘支持向量机模型中的缺陷,提出一种改进的最小二乘支持向量机回归方法．根据最小二乘支持向量机模型学习误差的大小,去除原变量空间中大部分误差较小的样本点,从而获得回归模型的“稀疏”特性,大大简化了模型复杂程度．同时,将此方法应用于生物发酵过程,建立青霉素发酵过程中产物浓度的软测量模型,实现青霉素浓度的在线预估．实验结果表明,该方法为生物发酵过程中难于在线测量质量参数的实时监测提供了一个有效的手段．     

基于支持向量机α阶逆系统方法的非线性内模控制

为了提高传统逆系统方法的鲁棒性和抗干扰能力, 提出了基于支持向量机α阶逆系统方法的非线性内模控制新方法. 该方法利用支持向量机辨识非线性系统的α阶逆模型, 并将其串连在原系统之前得到复合的伪线性系统. 对求得的伪线性系统采用内模控制方法进行控制. 仿真结果证明了该方法的有效性. 理论分析和仿真结果均表明, 该方法不依赖于系统的模型, 且较一般的逆系统方法鲁棒稳定性好, 设计简单, 跟踪精度高, 是解决非线性系统控制的一种可行的理论方法.