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.     

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.     

柠檬酸发酵过程的数学模型和状态估计

根据发酵动力学规律建立了柠檬酸发酵过程中的菌体增殖、基质消耗及产物积累的数学模型，并从碳平衡导出了间接测量模型。系统模型参数用广义最小二乘法进行估计。用推广卡尔曼滤波迭代算法进行状态实时估计取得令人满意的结果。     

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.     

基于栈式循环神经网络的血液动力学状态估计方法

利用fMRI数据准确地估计血液动力学状态, 能得到一种更接近神经元层面的大脑活动的客观表示, 这将促进人们对大脑运行机理的深刻理解, 推动脑认知的进一步发展.迄今为止, 人们已经提出了许多血液动力学状态估计方法.然而, 这些方法大都只考虑了相邻时刻血液动力学状态之间的关系, 忽视了更深层次的时序特征.而对模型参数先验信息的需求也使一些方法在实际应用中受到了限制.为此, 本文提出了一种基于循环神经网络的血液动力学状态估计新方法.首先, 利用血液动力学模型中非线性函数的反函数建立BOLD信号与血液动力学状态之间的映射关系, 并构建模型的反演过程.然后, 采用一种堆叠三个RNN模块的栈式神经网络结构来拟合这种映射关系, 使其能够以BOLD信号作为输入, 得到血液动力学状态的估计值.最后, 在仿真数据上验证新方法的性能.实验结果表明:与一些代表算法相比, 新方法能够更合理地提取fMRI数据中的时间特性, 有效地拟合BOLD信号与血液动力学状态之间的动态非线性关系.     

基于Matlab的发酵过程平台软件设计

设计了一套优化软件，将先进的智能控制理论运用到发酵过程控制领域中。针对非线性、时变的发酵过程利用神经网络非线性预测控制方法，建立了发酵过程神经网络模型进行菌体浓度、基质糖浓度、产物浓度的在线估计。由于缺乏发酵过程精确的数学模型，采用神经网络非线性预测控制方法结合遗传算法寻优技术确定发酵过程控制参数的最佳值，使整个发酵过程始终处于最优化状态，优化结果可提供给工艺工程师加以修正，再应用于生产，从而提高生产率。     

利用混合卡尔曼滤波的混沌信号盲估计

针对混沌动力学系统时变参数未知的混沌信号,在含有状态噪声的情况下,利用混合卡尔曼滤波提出一种盲估计算法.对未知参数和混沌状态构成的高维状态进行估计,先利用卡尔曼滤波给出线性高斯部分的最优精确估计,剩余部分利用粒子滤波方法给出次优估计,文中详细研究了高斯噪声以及非高斯噪声下的最优重要性函数选取并推导了重要性权重的计算公式,最终基于有效粒子的最小均方误差准则实现了信号的盲估计.仿真结果表明该算法能有效实现含有状态噪声混沌信号的盲估计,并取得了比基本粒子滤波算法更优的性能.     

模型参数失配有界下的扩展集员估计方法

在非线性模型参数失配下,直接采用滤波算法很难获到理想的估计状态.本文基于扩展集员估计方法,在状态估计中引入参数的不确定信息,提出一种参数失配有界下的状态估计方法.该方法应用区间或集合运算的法则,计算由参数失配引起的偏差范围,并将其用椭球集外包.在状态估计的预测步,通过该偏差椭球集与先验椭球区间的并运算,得到预测椭球区间;在状态估计的更新步,利用观测椭球集对预测椭球区间进行更新,从而得到后验椭球集合以及状态估计值.最后,在数值仿真和发酵模型中的仿真应用验证了算法的有效性.     

基于递推最小二乘估计的动力学模型参数识别

动力学建模过程中,模型参数的不确定性和参数的未知变化使得建模精度大为降低。通过对非线性最小二乘估计理论的研究,提出动力学模型参数的最小二乘估计,并设计出相应的估计器,基于现场数据给予模型较为准确的定论。应用于曲柄滑块机构中滑块与滑动面间的摩擦系数的估计,经过较少的迭代次数获得满意的估计效果。为动力学模型参数识别,建立更精确模型提供一个有效的途径。     

遗传算法在丁二酸发酵动力学模型中的应用

丁二酸是一种重要的化工原料,应用领域广泛。现阶段有关丁二酸发酵的研究重点集中在菌种选育和发酵工艺改良,而丁二酸发酵过程的模型化研究可以为工艺放大提供必要的基础数据。在对文献中已有的丁二酸发酵过程动力学模型做进一步探讨的基础上,对模型的结构做适当调整,并将遗传算法应用于该动力学模型的参数优化。结果表明,遗传算法能进一步提高模型计算值与丁二酸发酵实验测量值的吻合程度,可以有效地解决发酵动力学模型这类复杂的非线性函数的参数优化问题,优于单纯形法。遗传算法进行参数优化得到的动力学模型能较好地模拟丁二酸发酵过程。     

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。     

水平门限同积模型参数的拟极大似然估计

提出了用于非平稳非线性时间序列建模的水平门限同积模型,给出了模型参数的拟极大似然估计,由于对门限参数和同积向量似然函数既不可微也不光滑,不能直接运用传统的极大似然估计．因此首先利用遗传模拟退火算法估计门限参数和同积向量,然后用极大似然估计计算其余的参数,仿真结果表明,拟极大似然估计不受模型维数限制具有有效性和可行性,此外,数值计算结果的比较分析表明遗传模拟退火优于传统的遗传算法、模拟退火和随机搜索等优化算法．     

Global sensitivity analysis measures the quality of parameter estimation: The case of soil parameters and a crop model

One common limitation of the use of crop models for decision making in precise crop management is the need for accurate values of soil parameters for a whole field. Estimating these parameters from data observed on the crop, using a crop model, is an interesting possibility. Nevertheless, the quality of the estimation depends on the sensitivity of model output variables to the parameters. The goal of this study is to explain the results for the quality of parameter estimation based on global sensitivity analysis (GSA). The case study consists of estimating the soil parameters by using the STICS-wheat crop model and various synthetic observations on wheat crops (LAI, absorbed nitrogen and grain yield). Suitable criteria summarizing the sensitivity indices of the observed variables were created in order to link GSA indices with the quality of parameter estimation. We illustrate this link on 16 different configurations of different soil, climatic and crop conditions. The GSA indices were computed by the Extended FAST method and a function of RMSE was computed with an importance sampling method based on Bayes theory (GLUE). The proposed GSA-based criteria are able to rank the parameters with respect to their quality of estimation and the different configurations (especially climate and observation set) with respect to their ability to estimate the whole parameter set. They may be used as a tool for predicting the performance of different observation datasets with regard to parameter estimation.     

基于粒子群和支持向量机为青霉素发酵建模

针对支持向量机发酵建模中,选择重要建模参数值的问题,提出利用全局搜索能力较强的粒子群优化算法,优化调整支持向量机建模过程中的重要参数,每一个粒子的位置向量对应一组支持向量机建模的参数。参数不断优化后,得到拟合预测效果较优的模型,预测青霉素发酵过程。仿真结果表明,该方法能使模型的预测效果较好。     

Orbit determination in the presence of unmodeled accelerations

In this investigation, the unmodeled accelerations acting on an orbiting space vehicle are approximated by a first-order Gauss-Markov process. An extended Kalman-Bucy filter is used to estimate the state and the unmodeled accelerations at each observation epoch. Applications of the estimation algorithm to tracking data obtained during the Apollo 10 and 11 missions indicate that a more accurate estimate of the state is obtained and that the estimated values of the unmodeled accelerations can be correlated with physical phenomena neglected by the mathematical model.     

基于容积卡尔曼滤波算法估计动力锂电池荷电状态

动力锂电池荷电状态的准确估计是电池管理系统的关键功能之一。该文结合二阶电阻-电容等效电路模型,通过建立状态空间表达式,利用最小二乘法对等效电路模型各参数进行辨识,并通过多项式拟合方法获得了开路电压与剩余电荷的关系曲线,进而基于容积卡尔曼滤波方法对锂电池荷电状态进行建模,建立了基于数字信号处理器的充放电实验平台,实现了锂电池放电时荷电状态的实时估算。实验结果表明,该方法能够实现实时在线估算,且最大误差小于 2%,具有良好的估算精度。     

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。     

An innovative approach for modeling of hysteretic energy demand in steel moment resisting frames

This paper presents a new nonlinear model for the prediction of hysteretic energy demand in steel moment resisting frames using an innovative genetic-based simulated annealing method called GSA. The hysteretic energy demand was formulated in terms of several effective parameters such as earthquake intensity, number of stories, soil type, period, strength index, and energy imparted to the structure. The performance and validity of the model were further tested using several criteria. The proposed model provides very high correlation coefficient (R = 0.985), and low root mean absolute error (RMSE = 1,346.1) and mean squared error (MAE = 1,037.6) values. The obtained results indicate that GSA is an effective method for the estimation of the hysteretic energy. The proposed GSA-based model is valuable for routine design practice. The prediction performance of the optimal GSA model was found to be better than that of the existing models.