基于支持向量机的青霉素发酵过程检测系统设计.doc

基于支持向量机的青霉素发酵过程检测系统设计


1.5万字 43页 原创作品，独家提交，已通过查重系统


摘要 青霉素发酵过程具有高度的非线性和时变性，其内在机理非常复杂。要实现对发酵过程的进一步优化和控制，必须获得足够的发酵过程信息，但是目前最关键的参数在线难以检测。因此，重点对发酵过程建模方法做研究。发酵建模方法中，以神经网络最具代表性，但是由于其理论基于经验风险最小化原则，难免会出现过拟和、陷入局部最小等问题。支持向量机方法（SVM）克服了以往神经元网络等方法的固有缺点，大大提高了模型的泛化能力。
本论文提出了利用支持向量机为青霉素发酵过程建立菌体浓度模型，分析了模型参数对模型性能的影响。其次，针对标准支持向量机在算法速度上的弱势，提出利用最小二乘支持向量机（LS-SVM）建立青霉素发酵过程的菌体浓度、基质浓度、青霉素浓度状态估计模型，并与标准支持向量机做了比较。
论文详细分析生物量软测量方法研究现状的基础上，研究了基于支持向量机的青霉素发酵过程软测量方法，建立了基于标准SVM的生物量软测量模型和LS-SVM软测量模型。研究了目标函数、约束条件对测量精度和泛化能力的影响。提出适合发酵过程动态特性的加权规则和加权因子的选择方法，进一步建立了基于最小二乘支持向量机的青霉素发酵过程软测量模型，提高了模型的精度和泛化能力。实验仿真结果表明，基于标准支持向量机的软测量模型，能实现生物量的在线检测，但模型的泛化能力较差。基于最小二乘支持向量机的生物量软测量模型（LS-SVM）可以达到更高的精度，具有更好的泛化能力。本文建立的青霉素发酵过程软测量模型克服了传统测量方法的缺陷，为发酵过程生物量在线检测提供了一种新的方法。


关键词：软测量 支持向量机 青霉素发酵 生物量 建模