基于支持向量机的发酵过程建模方法研究

论文摘要

支持向量机（Support Vector Machine,SVM）理论方法是目前国内外学术界的研究热点之一,它能够研究在小样本条件下的统计规律,并且具有泛化能力强、所求解为全局最优等优点,非常适合非线性过程建模。目前,其理论研究和实际应用都处于飞速发展的阶段。由于发酵过程具有高度的非线性、时变性和不确定性的特点,其内在机理非常复杂。因此,对发酵过程进行建模研究具有实际的研究意义和应用价值,本文采用支持向量机方法针对典型的生物发酵过程-青霉素发酵过程进行建模研究。本文针对标准支持向量机、最小二乘支持向量机、模糊最小二乘支持向量机建模方法的不足进行了改进,提出了一种模糊最小二乘支持向量机的稀疏化算法。利用模糊隶属度来表示不同样本的重要程度,设定阈值,判定小于阈值的隶属度所对应的样本为无用或不具备重要信息的样本并予以否剔除,同时采用记忆递推式算法提高运算速度。这种方法仅保留了包含重要信息的样本参与建模,在预测训练中,不需要所有样本加入运算,具有稀疏性效果。仿真结果表明,稀疏模糊最小二乘支持向量机方法具有良好的建模效果,与其他支持向量机建模方法相比,在保证建模精度的前提下,运算速度大大提高了,并且还具备了稀疏性。

论文目录

• 摘要
• Abstract
• 第一章 绪论
• 1.1 研究背景
• 1.2 发酵过程建模概述与进展
• 1.2.1 动力学机理建模
• 1.2.2 神经网络建模
• 1.2.3 支持向量机建模
• 1.2.4 其他建模方法
• 1.3 本课题主要研究内容
• 第二章 支持向量机理论及其发展
• 2.1 统计学理论
• 2.1.1 VC 维
• 2.1.2 一致性概念与推广性的界
• 2.1.3 结构风险最小化原则
• 2.2 支持向量机理论简述
• 2.2.1 支持向量分类机
• 2.2.2 支持向量回归机
• 2.2.3 支持向量机的训练算法
• 2.2.4 支持向量机的优势
• 2.3 支持向量机在发酵过程中的建模
• 2.3.1 青霉素发酵过程简介
• 2.3.2 SVM 对青霉素发酵过程建模
• 2.3.3 影响支持向量机的参数
• 2.3.4 结论
• 2.4 本章小结
• 第三章 改进的支持向量机算法
• 3.1 引言
• 3.2 最小二乘支持向量机理论
• 3.2.1 问题的提出
• 3.2.2 最小二乘支持向量机算法简介
• 3.2.3 最小二乘支持向量机建模
• 3.2.4 结论
• 3.3 模糊最小二乘支持向量机理论
• 3.3.1 问题的提出
• 3.3.2 模糊最小二乘支持向量机算法简述
• 3.3.3 模糊隶属度函数
• 3.3.4 结论
• 3.4 本章小结
• 第四章 稀疏模糊最小二乘支持向量机
• 4.1 引言
• 4.2 LS-SVM 稀疏化思想
• 4.3 几种稀疏化算法
• 4.3.1 Suykens 的稀疏LS-SVM 算法
• 4.3.2 基于线性相关性的稀疏LS-SVM
• 4.4 稀疏模糊最小二乘支持向量机
• 4.4.1 稀疏模糊最小二乘支持向量机算法实现与建模
• 4.4.2 结论
• 4.5 本章小结
• 第五章 总结与展望
• 5.1 论文总结
• 5.2 研究展望
• 致谢
• 参考文献
• 附录：作者在攻读硕士学位期间发表的论文