基于改进极限学习机的软测量建模方法

针对生物发酵过程中一些生物参量难以测量的问题,提出一种基于改进极限学习机（IELM）的软测量建模方法。该方法通过最小二乘方法和误差反馈原理计算出最优的网络输入到隐含层的学习参数,以提高模型的稳定性和预测精度。通过双对角化方法计算出最优的输出权值,解决输出矩阵的病态问题,进一步提高模型的稳定性。将所提方法应用于红霉素发酵过程生物量浓度的软测量。结果表明,与ELM、PL-ELM、IRLS-ELM软测量建模方法相比,IELM在线软测量建模方法具有更高的预测精度和更强的泛化能力。     

一种求解过程动态优化问题的生物地理学习粒子群算法

智能优化算法具有适用性广泛、全局搜索能力强等优点,近年来在动态优化中的应用逐渐增多。通过混合生物地理优化与粒子群优化,提出了生物地理学习粒子群（biogeography-based learning particle swarm optimization,BLPSO）算法,并用于动态优化问题的求解。BLPSO采用了新型的生物地理学习方式,该方式根据粒子“排名”,即粒子的优劣,以维度为单位构造学习粒子,提高了学习的效率。针对动态优化问题,首先通过控制向量参数化将其转化为非线性规划问题,然后采用BLPSO算法进行求解。最后,将BLPSO应用于非可微、多峰、多变量等典型动态优化问题的求解,计算结果表明BLPSO具有较好的搜索精度和收敛速度。     

红霉素发酵关键生化量的动态软测量方法

本文给出基于"内含传感器"逆的动态软测量方法,以解决红霉素发酵过程的关键生化量难以用物理传感器直接测量的问题.首先假定在发酵过程内部,存在一个以不直接可测量为输入、直接可测量为输出的"内含传感器"子系统,并建立其数学模型;然后构造出相应的"内含传感器"的逆系统.由于逆系统的输出就是原来的不直接可测量,这样,把该逆系统串连在原系统之后,就可作为动态软测量模型,实现对不直接可测量的软测量.实验结果证明了该方法的有效性.     

红霉素发酵生化参量的神经网络逆系统软测量方法

为解决红霉素发酵关键生化参量测定中的困难,提出了一种神经网络逆系统测量的方法.基于可测的溶解氧CL,pH值和体积V,通过构造神经网络逆,来得到无法直接测量的菌丝浓度、总糖和化学效价.检验结果表明,应用该方法得到的测量值与实际值比较接近,较好地解决了红霉素发酵过程中的关键生化参量的测量问题,为实施优化控制打下了良好的基础.