基于支持向量機的青霉素發(fā)酵過程檢測系統(tǒng)設(shè)計


1.5萬字 43頁 原創(chuàng)作品，獨家提交，已通過查重系統(tǒng)


摘要 青霉素發(fā)酵過程具有高度的非線性和時變性，其內(nèi)在機理非常復(fù)雜。要實現(xiàn)對發(fā)酵過程的進一步優(yōu)化和控制，必須獲得足夠的發(fā)酵過程信息，但是目前最關(guān)鍵的參數(shù)在線難以檢測。因此，重點對發(fā)酵過程建模方法做研究。發(fā)酵建模方法中，以神經(jīng)網(wǎng)絡(luò)最具代表性，但是由于其理論基于經(jīng)驗風(fēng)險最小化原則，難免會出現(xiàn)過擬和、陷入局部最小等問題。支持向量機方法（SVM）克服了以往神經(jīng)元網(wǎng)絡(luò)等方法的固有缺點，大大提高了模型的泛化能力。
本論文提出了利用支持向量機為青霉素發(fā)酵過程建立菌體濃度模型，分析了模型參數(shù)對模型性能的影響。其次，針對標(biāo)準(zhǔn)支持向量機在算法速度上的弱勢，提出利用最小二乘支持向量機（LS-SVM）建立青霉素發(fā)酵過程的菌體濃度、基質(zhì)濃度、青霉素濃度狀態(tài)估計模型，并與標(biāo)準(zhǔn)支持向量機做了比較。
論文詳細(xì)分析生物量軟測量方法研究現(xiàn)狀的基礎(chǔ)上，研究了基于支持向量機的青霉素發(fā)酵過程軟測量方法，建立了基于標(biāo)準(zhǔn)SVM的生物量軟測量模型和LS-SVM軟測量模型。研究了目標(biāo)函數(shù)、約束條件對測量精度和泛化能力的影響。提出適合發(fā)酵過程動態(tài)特性的加權(quán)規(guī)則和加權(quán)因子的選擇方法，進一步建立了基于最小二乘支持向量機的青霉素發(fā)酵過程軟測量模型，提高了模型的精度和泛化能力。實驗仿真結(jié)果表明，基于標(biāo)準(zhǔn)支持向量機的軟測量模型，能實現(xiàn)生物量的在線檢測，但模型的泛化能力較差?；谧钚《酥С窒蛄繖C的生物量軟測量模型（LS-SVM）可以達到更高的精度，具有更好的泛化能力。本文建立的青霉素發(fā)酵過程軟測量模型克服了傳統(tǒng)測量方法的缺陷，為發(fā)酵過程生物量在線檢測提供了一種新的方法。


關(guān)鍵詞：軟測量 支持向量機 青霉素發(fā)酵 生物量 建模