最优支持向量机用于谷胱甘肽发酵过程建模.pdf

：逼～壁 一皇…壁 UJiAN COMPUTER DOI：IO．16707~．cnki．fjpe．2016．06．002 最优支持向量机用于谷胱甘肽发酵过程建模 章哲庆 ，陆克中 (池州学院数学与计算机学院 安徽 池州 247000) 【摘 要】在构建谷胱甘肽的发酵模型时，模型的预测精度和泛化能力会因为试验数据中含有噪音而变的低下。针对 该问题 。本文提 出利用最小二乘支持向量机来构建发酵模型，在寻优支持向量机参数时利用量子粒子群优化算法来搜 索，并形成最优支持向量机。通过与BP神经网络模型进行对比的实验结果表明：该方法具有预测精度高、泛化能力强和 鲁棒性好等特点，具有一定的应用价值。 【关键词】谷胱甘肽；建模；最小二乘支持向量机；量子粒子群优化算法 谷胱甘肽(glutathione，r—glutamylcysteingl+glycine，GSH)是 表 1中营养需求是根据 C．utilisWSH02—08生产GSH时 细胞中主要的抗氧化剂，具有抗氧化和整合解毒作用1]【。目前， 提供的，列出了正交试验中几种考察水平及因素。表2中的试 GSH在美容养颜、提高免疫力、抗肿瘤等食品领域得到广泛应 验数据是采用L16(45)JE交试验表进行正交优化试验得到。 用lJ【。GSH的生产方法比较多，其中发酵法是生产GSH最主要 表2 L16(45)正交试验数据表 方法3[1。目前生产GSH所用的酵母大多是工业菌株，其生长条 件比较宽松，但产量不高。 在发酵过程参数的预测及估计中，神经网络模型应用比较 早，且效果 良好 。其中，BP网络通用性好，应用最为广泛 。 但是，由于菌体实际发酵过程非常复杂，并且实验数据精度不 高，从而导致 BP神经网络的收敛速度比较慢，且建模精度受影 响，即抗噪性比较差5[1；另外，基于 BP神经网络的GSH发酵过 程建模，需要大量的样本才能使得建模比较有效，从而对实际 生产过程 中的变化难以及时、准确地做出反应，影响后续的模 型控制和优化。 支持 向量机 (Suppo~VectorMachine，SVM)是利用统计学 习的知识，能在小样本的机器学习情况下，解决神经网络等建 模方式陷入局部最优且泛化能力差的缺点，在构建发酵模型时 被广泛采用 。但SVM模型对参数依赖性比较高，如果参数选 择不当，会影响模型精度。当前SVM参数主要依靠使用者的经 验来选取，经验水平的高低直接制约了SvM的应用8[1。为了解 3最优支持向量机 决这个问题，本文采用量子粒子群优化算法 自动地获取 SVM 支持向量机(Suppo~VectorMachine，SVM)t91对小样本、高维 的最优参数，从而取得了在 GSH发酵过程中最优支持向量机 数、非线性、局部极小点等实际问题具有很好的解决能力，同时 的模型。不但实现了SVM参数的自动获取，而且提高了模型的 具有很强的泛化能力。但是在标准的支持向量机中，所求解的 泛化能力；同时在数据量少时能克服BP网络不能实时测量变 二次规划问题的复杂度会随着样本数据的增大而增大，进而导 量的不足，达到在线预估的目的。 致计算速度变慢、抗噪声能力恶化；为了解决此类问题，Suykens 1材料与方法 提出了最小二乘支持向量机 astSquareSVM，LSSVM)算法。 本部分的菌株、培养基、培养方法、胞内谷胱甘肽的提取与 该算法用公式f1)作为估计的最优函数： 分析方法均参考文献 ，这里不再列出。 y)= 彻 )+6 (1) 2正交试验 其中，Y∈R，∈R，6为常数，非线性函数 )将输入的训 表 1 L16(45)TF交试验因素水平表 练数据映射到高维特征空间，构建超平面。算法的具体过程见