智能检测理论与技术08.pptVIP

8.3 基于智能检测的支持向量机回归模型 第八章 基于支持向量机的智能检测 最小二乘支持向量机 最小二乘支持向量机用最小二乘线性系统作为损失函数，代替传统的二次规划方法。因此，LS-SVM在利用结构风险原则时，其优化问题变为： 其Lagrange函数为： 8.3 基于智能检测的支持向量机回归模型 第八章 基于支持向量机的智能检测 最小二乘支持向量机 求Lagrange函数最小值 整理得到(n+1)维线性方程 LS-SVM最小二乘向量机估计函数为 8.4 基于支持向量机的智能检测应用实例 第八章 基于支持向量机的智能检测 发酵过程包括大量复杂的生化反应和迁移现象。发酵过程中底物浓度、菌体浓度、产物浓度随时间变化，发酵液物料的性质，如密度、黏度、流变学特性、表面张力、氧及其他性质如扩散系数、氧饱和浓度也随时间发生变化。由于一系列分解代谢和合成代谢的结果，引起了温度、pH值、氧化还原电位、排气二氧化碳和溶解氧的变化。为了能够有效地控制发酵，就需要获得发酵过程变量的变化信息，对发酵过程关键生物参量的变化进行检测。 目前，生物参量测量大多采用手工离线取样测量，如干重法、离心叠集细胞体积法、直接染色法、光密度法和细胞计数法等。这些方法操作复杂，滞后时间长，测量误差大，且测量精度受死细胞影响，不能及时反映发酵状态，难以满足发酵过程实时控制的