基于粒子群算法和支持向量机的发酵过程建模与优化研究

论文摘要

随着生物技术的快速发展,微生物发酵在国民经济中的地位越来越重要。但由于发酵过程具有高度的非线性、时变性和不确定性,关键变量难以实现在线测量,从而导致发酵过程的优化控制异常困难,而采用软测量技术对发酵过程进行建模预测则是解决此问题的出路之一。青霉素发酵过程是众多微生物发酵中较典型的一个生产过程,因此对青霉素发酵过程进行建模与优化控制的研究有着实际的应用价值。目前比较多的用于微生物发酵过程建模与预测的方法是基于神经网络的建模方法,但由于它是基于经验风险最小化原则,因此容易产生过度学习、局部最小等缺点,以致模型推广能力不好,从而影响预测精度。而基于结构风险最小化原则的支持向量机方法具有小样本学习能力强、泛化能力强、预测误差小、高维数据处理能力强等特点。因此针对微生物发酵过程的建模问题,本文采用基于支持向量机理论的建模方法对青霉素发酵过程建立预测模型,与基于神经网络的预测模型相比较,仿真结果显示支持向量机模型具有较好的预测效果。但由于支持向量机建模过程中的重要参数核函数参数、不敏感损失函数和惩罚系数值对模型性能有着重要影响,因此该方法存在参数优化选择问题。针对微生物发酵过程的优化问题,提出采用粒子群优化算法对支持向量机建模过程中的重要参数进行优化调整。仿真结果表明参数优化调整后得到的模型能取得更好的预测效果。同时基于此模型,在补料流加发酵控制过程中采用粒子群优化算法对发酵过程中的补料速率、温度、酸碱度、溶氧浓度进行优化控制,结果表明,该方法能够提高最终的产物合成量。

论文目录

• 摘要
• Abstract
• 第一章 绪论
• 1.1 发酵过程的软测量建模方法
• 1.1.1 基于机理分析的建模方法
• 1.1.2 基于回归分析的建模方法
• 1.1.3 基于人工神经网络的建模方法
• 1.1.4 基于支持向量机的建模方法
• 1.1.5 其他建模方法
• 1.2 发酵过程的优化控制
• 1.3 本课题主要研究内容及论文安排
• 第二章 支持向量机理论与建模方法
• 2.1 统计学习理论
• 2.1.1 机器学习
• 2.1.2 经验风险最小原则
• 2.1.3 VC 维
• 2.1.4 结构风险最小原则
• 2.2 支持向量机的分类问题
• 2.3 支持向量机的函数回归
• 2.4 支持向量机训练算法
• 2.4.1 最优化问题的Kuhu-Tucker 条件
• 2.4.2 分块算法
• 2.4.3 分解算法
• 2.4.4 序列最小优化算法
• 2.4.5 其他训练优化算法
• 2.5 核函数
• 2.6 本章小结
• 第三章 基于支持向量机的青霉素发酵过程建模
• 3.1 青霉素发酵过程简介
• 3.2 基于支持向量机的青霉素发酵过程建模
• 3.3 基于神经网络的青霉素发酵过程建模
• 3.3.1 神经网络结构类型
• 3.3.2 RBF 神经网络建模
• 3.4 SVM 与RBF 神经网络建模的性能比较
• 3.4.1 仿真比较与数据分析
• 3.4.2 结论
• 3.5 本章小结
• 第四章 基于粒子群算法的支持向量机参数优化
• 4.1 粒子群优化算法
• 4.1.1 粒子群算法基本原理
• 4.1.2 粒子群算法的数学描述
• 4.1.3 粒子群算法的改进与发展
• 4.2 基于PSO 的青霉素发酵过程支持向量机建模参数优化
• 4.2.1 参数变化对SVM 模型性能的影响
• 4.2.2 PSO 优化调整SVM 建模参数
• 4.3 本章小结
• 第五章 基于PSO 和SVM 的青霉素发酵过程补料优化控制
• 5.1 微生物发酵影响因素
• 5.2 补料流加发酵
• 5.3 补料优化控制
• 5.4 基于SVM 模型的补料优化控制
• 5.5 本章小结
• 第六章 总结与展望
• 6.1 论文主要工作与总结
• 6.2 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