智能检测理论及技术08.ppt

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要求，且取样测量容易污染杂菌，影响发酵的正常进行。 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 生物参量在线测量对发酵工程的优化和控制具有重要意义，国内外的研究者一直致力于生物参量在线测量的研究。在以硬件形式直接在线测量的方法中，代表性的有光浊度法、荧光法、介电常数法、超声波法等。这些方法在使用上都有局限性，每种测量方法都有各自的特点和适用范围，且在线分析仪器价格昂贵、维护费用高、测量滞后大，不能适用于所有发酵过程的生物参量的在线测量。 近年来，随着软测量技术的研究进展，应用软测量技术研究生物参量在线估计已成为一个重要研究领域。 Wang J L, Yu T, Jin C Y. On-line estimation of biomass in fermentation process using support vector machine[J]. Chinese Journal of Chemical Engineering, 2006, 14(3): 383-388. Desai K, Badhe Y, Tambe S S, et al. Soft-sensor development for fed-batch bioreactors using support vector regression [J]. Biochemical Engineering Journal, 2006, 27(3):225-239. 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 有关SVM在发酵过程软测量中应用的中文文献 马勇，黄德先，金以慧. 基于支持向量机的软测量建模方法[J]. 信息与控制，2004, 33(4): 417-421. 常玉清，王福利，王小刚，等. 基于支持向量机的软测量方法及其在生化过程中的应用[J]. 仪器仪表学报，2006, 27(3): 241-244. 高学金，王普，孙崇正，等. 基于动态 的发酵过程建模[J]. 仪器仪表学报，2006, 27(11): 1497-1500. 孙玉坤，陈明忠，嵇小辅，等. 基于支持向量机的赖氨酸发酵生物参数软测量[J].仪器仪表学报，2008, 29(10): 2067-2071. 刘国海，周大为，徐海霞，等. 基于SVM的微生物发酵过程软测量建模研究[J].仪器仪表学报，2009, 30(6): 1228-1232. 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 采用 不敏感损失回归SVM进行软测量模型的建立，采用SMO算法进行样本的训练。 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 数据归一化处理 进行SVM建模以前，需要对训练样本集进行缩放，主要目的在于避免一些特征值过大而另一些特征值范围过小，同时也可避免在训练时为了计算核函数而计算内积的时候引起数值计算困难。因此在建立SVM模型前将样本数据缩放到[-1,1]之间。在进行SVM模型预测时，需要将输入数据集缩放到[-1,1]之间，得到的输出结果也在[-1,1]之间，需要经过转换后得到正常范围内的输出预测结果。 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