小波支持向量機(jī)在發(fā)酵過程中的應(yīng)用.pdf

1、微生物發(fā)酵過程具有強(qiáng)非線性、時(shí)變性和相關(guān)性，要實(shí)現(xiàn)對發(fā)酵過程的進(jìn)一步優(yōu)化和控制，必須要有合理的模型。然而目前由于受生物傳感技術(shù)發(fā)展水平的限制和價(jià)格方面的因素，在發(fā)酵過程中能被在線測量的參數(shù)僅局限于某些物理、化學(xué)參數(shù)，而對較為復(fù)雜的關(guān)鍵生物參數(shù)還不能有效快捷地在線測量，導(dǎo)致不能建立合理的模型。因此，對發(fā)酵過程引進(jìn)軟測量技術(shù)具有很大的意義。
　　 本文在詳細(xì)分析發(fā)酵過程軟測量方法研究現(xiàn)狀的基礎(chǔ)上，研究了基于支持向量機(jī)(Support

2、 Vector Machine，SVM)的發(fā)酵過程軟測量方法，結(jié)合谷氨酸發(fā)酵過程，首先建立了基于標(biāo)準(zhǔn)支持向量機(jī)的谷氨酸發(fā)酵過程軟測量模型。由于此軟測量模型預(yù)測精度不高，因此，提出了多尺度小波支持向量機(jī)(Multi-scale Wavelet Support Vector Machine，WSVM)算法，并將其引入到谷氨酸發(fā)酵過程建模中，建立了谷氨酸發(fā)酵過程的谷氨酸濃度、OD值、殘?zhí)菨舛葼顟B(tài)估計(jì)模型。仿真結(jié)果表明，基于多尺度小波支持向量機(jī)

3、的谷氨酸發(fā)酵過程軟測量模型，提高了預(yù)測精度。
　　 其次，針對支持向量機(jī)和多尺度小波支持向量機(jī)算法在建模方面速度不高的問題，提出利用最小二乘支持向量機(jī)(Least-squares Support Vector Machine，LS-SVM)建立谷氨酸發(fā)酵過程的軟測量模型，并與多尺度小波支持向量機(jī)進(jìn)行了比較。結(jié)果表明LS-SVM在速度上具有很大的優(yōu)勢，但發(fā)現(xiàn)其建模的精度不夠。基于這種情況，提出了多尺度最小二乘小波支持向量機(jī)(Mul