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QGA-LSSVM的醋酸乙烯聚合率软测量建模

针对最小二乘支持向量机(LS-SVM)在建立醋酸乙烯(VAC)聚合率软测量模型过程中最优模型参数的选择问题,提出了利用一种量子遗传算法来自动选取LS-SVM模型正则化参数和核函数参数的方法;把LS-SVM模型参数的选择问题转化为优化问题,利用全局搜索能力强的量子遗传算法优化LS-SVM建模过程的重要参数,建立了基于QGA-LSSVM方法的VAC聚合率软测量模型;仿真结果表明:与已有的神经网络和支持向量机软测量方法相比,该模型泛化能力强,精度高,更有利于醋酸乙烯聚合率测量工程实际运用。     

支持向量机在丁二酸发酵过程建模中的应用

支持向量机是一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.本文针对生物转化法生产丁二酸发酵过程机理复杂、高度非线性、生物参数难以实时在线测量等特点,介绍了支持向量机回归建模算法在Matlab软件中的实现过程,对产物丁二酸浓度建立了预测模型,研究了SVM的小样本学习、泛化能力.仿真结果表明,与神经网络相比,SVM算法具有更好的推广能力,使得在未来工业化丁二酸发酵生产过程中针对丁二酸浓度的在线预估与优化控制成为可能.     

花生四烯酸发酵过程的建模方法研究

对发酵法生产花生四烯酸的建模方法进行了初步研究,并基于四种温度下的试验数据,建立了发酵过程模型.比较分析了最小二乘支持向量机( LS-SVM)和广义回归神经网络(GRNN)这两种方法的特点.结果表明,这两种方法均能较好地建立该发酵过程的模型,LS-SVM建模的预测能力稍优于GRNN,为后续花生四烯酸发酵过程的优化及控制的研究奠定了基础.     

基于小波和LS-SVM的软测量建模方法

针对工业过程中某些重要过程变量难以实现在线检测的问题,提出了一种基于小波和最小二乘支持向量机(LS-SVM)的软测量建模方法.首先通过小波变换把样本数据序列分解为不同频段的子序列,然后对这些子序列分别采用LS-SVM进行建模,最后通过小波重构得到主导变量的估计值.其中采用量子粒子群算法(PSO)来优化选取LS-SVM参数.通过仿真实验验证此方法,实验结果表明所提出的方法具有估计精度高、泛化能力强等优点.     

基于LS-CSO优化MWLS-SVM的SO2排放浓度软测量建模

针对石灰石-石膏湿法烟气脱硫过程最小二乘支持向量机（LS-SVM）建模中存在的噪声和辅助变量差异性对模型的影响,提出一种混合加权最小二乘支持向量机（MWLS-SVM）的建模方法。该建模方法对辅助变量进行加权,以降低各辅助变量对模型的差异性影响,并采用样本局部异常因子,对模型经验风险项进行加权处理,以提高模型的逼近和泛化能力,同时提出一种局部搜索竞争粒子群（LS-CSO）算法优化MWLS-SVM模型参数和特征权重。分别采用直接加权最小二乘支持向量机（DWLS-SVM）、LS-SVM和MWLS-SVM三种方法对湿法烟气脱硫SO₂排放浓度建立软测量模型,采用LS-CSO优化模型参数,实验结果表明MWLS-SVM模型在预测精度和泛化能力表现上明显优于LS-SVM和DWLS-SVM。     

蚁群算法滚动优化的LS-SVM预测控制研究

针对非线性过程预测控制的模型预测和滚动优化问题,提出一种蚁群算法滚动优化的最小二乘支持向量机(LS-SVM)新型预测控制器,该控制器以建模简单、精度高的LS-SVM作为预测模型,蚁群算法作为滚动优化策略,避免了滚动优化中复杂的梯度计算.仿真研究表明,该控制器具有良好的非线性控制效果.     

基于LS-SVM求解非线性常微分方程组的近似解

提出了一种基于最小二乘支持向量机(LS-SVM)的改进方法求解非线性常微分方程组初值问题的近似解.利用径向基核函数(RBF)可导的特点对LS-SVM模型进行改进,将含核函数导数形式的LS-SVM模型转化为优化问题进行求解.方法可在原始对偶集中获得近似解的最佳表示,所得近似解连续可微,且精度较高.给出数值算例,通过与真实解的对比验证了所提方法的准确性和有效性.     

基于支持向量机的生物质气化过程研究

提出了一种基于支持向量机的生物质气化过程研究的新方法。采用竹子气化数据建立LS-SVM模型,并验证最小二乘支持向量机方法在生物质气化过程建模中的适用性。结果表明：提出的LS-SVM模型预测方法是有效的。     

基于自适应加权最小二乘支持向量机的芳烃产量软测量建模

芳烃收率是催化重整生产过程中的重要质量指标。针对其软测量建模中样本数据可能存在的测量误差对模型性能的影响,提出一种自适应加权最小二乘支持向量机(AWLSSVM)回归建模方法。该方法基于最小二乘支持向量机模型,根据样本拟合误差,并结合改进的指数分布加权规则,为每个建模样本分配不同的权值,以降低测量误差对建模精度的影响;同时提出一种全局优化算法—混沌粒子群模拟退火(CPSO-SA)算法对最小二乘支持向量机的模型参数进行优化选择,以提高模型的泛化能力。仿真实验表明,AWLS-SVM模型的预测精度及鲁棒性能优于LS-SVM和WLS-SVM。最后,应用AWLS-SVM方法建立催化重整生产过程芳烃收率的软测量模型,获得了较好的效果。     

基于最小二乘支持向量机的航煤干点软测量应用研究

传统支持向量机是近几年发展起来的一种基于统计学习理论的学习机器,在非线性函数回归估计方面有许多应用。最小二乘支持向量机用等式约束代替传统支持向量机方法中的不等式约束,利用求解一组线性方程得出对象模型,避免了求解二次规划问题。本文采用最小二乘支持向量机解决了航空煤油干点的在线估计问题,结果表明,最小二乘支持向量机学习速度快、精度高,是一种软测量建模的有效方法。在相同样本条件下,比RBF网络具有较好的模型逼近性和泛化性能,比传统支持向量机可节省大量的计算时间。     

贝叶斯框架下的LSSVM和贝叶斯网络及其应用

贝叶斯理论能够利用样本信息和先验知识,简化预测模型,优化参数.主要介绍了贝叶斯框架下的最小二乘支持向量机算法和贝叶斯正则化神经网络,贝叶斯框架下的最小二乘支持向量机能确定正则化参数和核参数,贝叶斯正则化网络能够自适应的调整网络的复杂度和网络的隐节点个数.以轻柴油的凝点、闪点、95%馏出温度3个关键指标输出为例分别建立了这两种预测模型,并且对结果进行了比较,仿真结果表明贝叶斯框架下的最小二乘支持向量机比贝叶斯正则化网络有更强的泛化能力,而且程序运行速度快,运算精度高.     

一种基于最小二乘支持向量机的预测控制算法

针对工业过程中普遍存在的非线性被控对象，提出一种基于最小二乘支持向量机建模的预测控制算法．首先，用具有RBF核函数的LS-SVM离线建立被控对象的非线性模型；然后，在系统运行过程中，将离线模型在每一个采样周期关于当前采样点进行线性化，并用广义预测算法实现对被控系统的预测控制．仿真结果表明了该算法的有效性和优越性．     

基于支持向量机的软测量技术及其应用

支持向量机(SVM)是一种基于结构风险最小化原理,具有很好推广性能的学习算法。讨论了基于最小二乘支持向量机(LS-SVM)的软测量数据建模原理和方法,并将其应用在汽车排放的氮氧化合物NOX软测量中。通过与基于神经网络的软测量方法进行比较,结果显示出SVM的明显的优势,特别是对小样本、非线性、高维数一类软测量问题的建模,提供了一种有效的途径。     

基于最小二乘支持向量机的软测量建模及在电厂烟气含氧量测量中的应用

通过分析燃煤电厂烟气含氧量测量的现状。提出了基于最小二乘支持向量机的软测量方法,给出了相应的系统结构和算法,用现场实测数据计算取得了良好的效果。通过和神经网络方法的比较,仿真结果证明了该方法具有更好的性能指标。     

谷氨酸发酵菌体浓度的内模控制

针对由于缺乏可靠的生物传感器,谷氨酸发酵中重要的生物参数—菌体浓度不能在线测量,更不能对其实现控制的情况,提出了基于径向基神经网络的内模控制。既解决了由于谷氨酸发酵内部机理复杂而难以建立菌体浓度模型的难题,又实现了谷氨酸菌体浓度的内模控制;同时也解决了内模控制中逆模型建模的问题。仿真结果表明,该方法实现了谷氨酸菌体浓度的有效控制,鲁棒性强、抗干扰能力好,具有良好的实际应用和推广价值。     

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．