基于支持向量機(jī)的青霉素發(fā)酵過程檢測(cè)系統(tǒng)設(shè)計(jì)


1.5萬字 43頁 原創(chuàng)作品，獨(dú)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(shí)變性，其內(nèi)在機(jī)理非常復(fù)雜。要實(shí)現(xiàn)對(duì)發(fā)酵過程的進(jìn)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(cè)。因此，重點(diǎn)對(duì)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(yàn)風(fēng)險(xiǎn)最小化原則，難免會(huì)出現(xiàn)過擬和、陷入局部最小等問題。支持向量機(jī)方法（SVM）克服了以往神經(jīng)元網(wǎng)絡(luò)等方法的固有缺點(diǎn)，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(jī)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(duì)模型性能的影響。其次，針對(duì)標(biāo)準(zhǔn)支持向量機(jī)在算法速度上的弱勢(shì)，提出利用最小二乘支持向量機(jī)（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(jì)模型，并與標(biāo)準(zhǔn)支持向量機(jī)做了比較。
論文詳細(xì)分析生物量軟測(cè)量方法研究現(xiàn)狀的基礎(chǔ)上，研究了基于支持向量機(jī)的青霉素發(fā)酵過程軟測(cè)量方法，建立了基于標(biāo)準(zhǔn)SVM的生物量軟測(cè)量模型和LS-SVM軟測(cè)量模型。研究了目標(biāo)函數(shù)、約束條件對(duì)測(cè)量精度和泛化能力的影響。提出適合發(fā)酵過程動(dòng)態(tài)特性的加權(quán)規(guī)則和加權(quán)因子的選擇方法，進(jìn)一步建立了基于最小二乘支持向量機(jī)的青霉素發(fā)酵過程軟測(cè)量模型，提高了模型的精度和泛化能力。實(shí)驗(yàn)仿真結(jié)果表明，基于標(biāo)準(zhǔn)支持向量機(jī)的軟測(cè)量模型，能實(shí)現(xiàn)生物量的在線檢測(cè)，但模型的泛化能力較差?；谧钚《酥С窒蛄繖C(jī)的生物量軟測(cè)量模型（LS-SVM）可以達(dá)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(cè)量模型克服了傳統(tǒng)測(cè)量方法的缺陷，為發(fā)酵過程生物量在線檢測(cè)提供了一種新的方法。


關(guān)鍵詞：軟測(cè)量 支持向量機(jī) 青霉素發(fā)酵 生物量 建模