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。     

基于LS-SVM和Pensim仿真平台的青霉素发酵过程建模

从青霉素发酵过程仿真平台(Pensim)得到的结果作为出发点,采用最小二乘支持向量机(LS-SVM)对青霉素发酵过程进行建模研究。分别研究丁利用溶解氧浓度、排气二氧化碳浓度等变量对青霉素产物浓度、菌体浓度和底物浓度等重要过程变量的建模问题,在3种不同的仿真条件下分别建立了相应的在线预报模型,并对其进行了分析和比较。基于 Pensim 的仿真结果表明采用 LS-SVM 方法所建立的在线预报模型均具有良好的预测精度,对后续发酵过程的控制和优化能起到一定的参考作用。     

基于模糊核聚类的乙烯裂解深度DE-LSSVM多模型建模

乙烯裂解深度的建模与控制对于裂解炉的实时优化具有重要意义。针对石脑油原料组分复杂、油品特性波动大等状况,采用模糊核聚类对石脑油数据库进行最优划分,建立最小二乘支持向量机的多模型,对于最小二乘支持向量机中模型的参数选取,利用差分进化算法进行参数寻优,提高了模型的精度和泛化能力。通过对现场数据的建模实验,结果表明：基于模糊核聚类的乙烯裂解深度最小二乘支持向量机多模型跟踪性能良好,预测精度较高。     

基于PSO-LS-SVM的主蒸汽流量测量

为提高火电机组主蒸汽流量的测量精度,提出了最小二乘支持向量机的建模方法,同时利用粒子群优化算法对最小二乘支持向量机的参数进行优化,按照机理分析选择相应的运行参数作为输入,利用该模型对主蒸汽流量进行预测计算。计算结果表明:利用粒子群优化最小二乘支持向量机的建模方法提高了主蒸汽流量的测量精度。     

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LSSVM的溶剂油分离建模方法研究

针对传统支持向量机和单一模型建模的缺点,利用某炼油厂溶剂油分离过程中二侧线流量作为建模对象,对最小二乘支持向量机集成学习方法进行了研究。首先利用自适应系数加权模糊(AWFCM)聚类算法对训练样本进行聚类;然后对每一类数据使用最小二乘支持向量机建立子模型,并使用PLS合成函数得到最小二乘支持向量机集成模型;最后通过仿真实验来验证最小二乘支持向量机集成模型预测的精确性。结果表明,该算法在预测精度上有了较大的提高,对过程控制系统中分离效果的预测具有重要指导意义。     

基于改进粒子群优化LSSVM的水泥熟料fCaO软测量

针对水泥熟料fCaO含量难以在线实时测量,提出了一种基于最小二乘支持向量机的软测量建模方法。针对最小二乘支持向量机模型的2个难点进行了改进:首先利用样本间的马氏距离来衡量样本的相似程度,删除样本中部分相似样本,提高最小二乘支持向量机模型的稀疏性,从而减小了模型的运算量。然后利用改进的粒子群优化算法对最小二乘支持向量机模型的2个重要参数进行迭代寻优,克服了常规交叉验证法或网格搜索法等参数选择方法的盲目性。最后将基于粒子群最小二乘支持向量机软测量模型用于熟料fCaO含量的实例仿真。结果表明,该方法具有收敛性好、预测精度高、泛化能力强等优点。     

基于粗差判别的参数优化自适应加权最小二乘支持向量机在PX氧化过程参数估计中的应用

针对软测量建模过程中数据可能存在粗大误差以及粗差数据对模型的性能产生的影响,提出了一种基于粗差判别的自适应加权最小二乘支持向量机回归方法(WLS-SVM)。 该方法首先根据3δ法则检测出样本中的显著误差并加以剔除,然后根据样本误差的大小自适应地调整权值,使得非显著误差对模型性能的影响大大降低。另外,由于最小二乘支持向量机的正则化参数和核宽度参数对模型的拟合精度和泛化能力有较大的影响,一般依靠经验和试算的方法进行估计,耗时且不准确,本文将模型的参数作为进化算法的优化问题,应用自适应免疫算法(AIGA)对参数进行优化选择。仿真实验表明,该方法对非线性系统的建模具有很好的效果。同时,将该方法应用于工业PX氧化建模过程中动力学参数的估计中,结果表明,基于粗差判别的参数优化自适应最小二乘支持向量机预测精度高,取得了较好的效果。     

基于人工蜂群算法优化LSSVM的蒸汽干度软测量

为了提高蒸汽干度测量的精确性,提出了基人工蜂群优化最小二乘支持向量机的干度软测量模型。首先利用人工蜂群算法对最小二乘支持向量机的核参数进行参数优化,然后利用优化后的最小二乘支持向量机干度测量模型对干度进行软测量,软测量结果表明基于人工蜂群优化的最小二乘支持向量机的测量效果满足了精度要求。最后运用最小二乘支持向量机和BP神经网络模型对干度进行了软测量,结果表明:基于人工蜂群优化的最小二乘支持向量机软测量模型具有测量精度高,测量稳定性好的优点。     

基于混合粒子群优化的异类多模型软测量方法研究与应用

基于异类组合预测模型可提高模型的预测精度及鲁棒性的思想,提出一种基于混合粒子群优化的异类多模型非线性组合软测量建模的新方法。即先分别用混合粒子群优化的径向基函数神经网络、最小二乘支持向量机及部分最小二乘算法对训练集训练得出子模型,然后将具有性能互补性的三个子模型的输出作为反向传播网络的输入得到最后结果。用混合粒子群优化的方法来选取径向基函数神经网络和最小二乘支持向量机的模型参数,该方法克服了常用的交叉验证法耗时与盲目性问题。三层反向传播网络具有无限逼近特性,使得整个组合预测模型具有更好的泛化能力和预报精度。将其应用于汽油调合系统中研究法辛烷值的预测,仿真结果表明,该方法是可行且有效的。     

一种提高微生物发酵单位的新优化控制策略

为了提高微生物发酵单位,提出了支持向量机（SVM）与基于实数编码遗传算法（RGA）相互耦联的优化控制策略。为解决发酵参数之间的耦合问题,进一步引入了模式的概念。SVM建立微生物发酵过程的预估模型,RGA以此模型为适应度函数计算最优控制模式。此策略应用于青霉素发酵过程的优化控制,效价比没有实施优化控制策略的生产结果提高了22.88％。     

青霉素发酵过程的模型仿真与补料优化

补料分批式青霉素发酵的机理模型已得到深入研究,但是模型往往难以用于补料的优化和批次内的控制。为了对模型进行优化控制,针对Birol等提出的青霉素发酵非结构动力学模型,合理调整了温度和pH变化的影响,得到了青霉素发酵过程的简化机理模型。反应基质的补料是青霉素优化控制的关键,选择对补料速率进行优化来提高青霉素的产量。由于机理模型具有非线性和约束条件,采用序贯二次规划算法来进行求解,其中将补料轨线进行分段处理提高了优化效率。优化计算结果表明改进的补料过程可以提高青霉素的浓度和产量。     

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。     

一种提高发酵单位的SVM与RGA相结合的优化控制策略

An optimal control strategy is proposed to improve the fermentation titer, which combines the support vector machine (SVM) with real code genetic algorithm (RGA). A prediction model is established with SVM for penicillin fermentation processes, and it is used in RGA for fitting function. A control pattern is proposed to overcome the coupling problem of fermentation parameters, which describes the overall production condition. Experimental results show that the optimal control strategy improves the penicillin titer of the fermentation process by 22.88%, compared with the routine operation.     

粒子群优化算法在催化裂化模型参数估计中的应用

参数估计是化工模型工业应用中的重要课题,有相当的难度。针对催化裂化八集总模型的动力学参数估计问题,考察了不同类型优化算法的应用效果,结果表明,粒子群优化算法简单、容易实现,而且可以避免传统方法对初始值的依赖,并进一步提出用结合Levenberg-Marquardt算法的混合粒子群优化算法提高参数估计效果。工业实例表明,用混合粒子群优化算法得到的动力学参数可以保证模型的预测精度。     

基于动态代谢通量分析的发酵过程多目标优化

通过动态代谢通量分析方法建立发酵过程模型,提出了一种基于微观代谢信息的发酵过程多目标优化策略,该策略基于所建微观模型,根据动态特性将发酵过程分为菌体生长和产物合成两个阶段,进行特征分析并从微观通量层面分别设计优化目标与约束条件,采用多目标粒子群算法求得最优解。该方法用于青霉素发酵过程底物流加速率和pH的操作轨迹优化,仿真实验结果表明,采用基于微观通量的多目标优化策略能够提高产物终端浓度,表明优化策略的有效性。     

基于改进DPC的青霉素发酵过程多模型软测量建模

青霉素发酵过程具有较强的非线性、时变性、阶段性和不确定性,基于单一的软测量模型对产物浓度进行在线估计,难以满足系统对模型精度的要求。针对上述问题,提出一种改进密度峰值聚类的多模型软测量建模方法来估计青霉素发酵过程中的产物浓度。首先,引入相似度函数代替欧氏距离计算样本点的k近邻,并且计算样本点与其k近邻之间的共享近邻,进而利用样本点的k近邻及共享近邻重新定义样本点的局部密度。其次,利用样本点之间的k近邻关系来重新定义样本点的分配策略;通过改进的聚类算法得到各聚类子集,分别建立基于最小二乘支持向量机的软测量模型。Pensim仿真平台的验证结果表明,改进的聚类算法能够更加准确地对样本数据进行聚类,从而有效提高青霉素发酵过程软测量模型的估计精度。     

基于k-近邻互信息的发酵过程高斯过程回归建模

发酵过程中基质浓度往往无法在线测量,采用高斯过程回归（GPR）建立基质浓度的估计模型,实现了其软测量。不同于传统软测量方法对基质浓度的估计,该方法不仅可以得到估计值,还能够得到其估计方差。考虑到发酵过程中各变量之间的非线性、相关性,为了提高模型的预测性能,在模型建立之前首先用k-近邻互信息（k-MI）辅助变量选择方法对模型的输入变量进行选择。从青霉素发酵过程的应用结果来看,采用kMI-GPR方法取得了较好的估计效果。