一种建立发酵过程模型的新方法.pdfVIP

第 32 卷第5 期 北京工业大学学报 Vo1. 32 No.5 2006 年 5 月 JOURNAL OF BEIJING UNIVERSITY OF TECHNOLOGY May 2006 一种建立发酵过程模型的新方法 高学金1 ，王 普1 ，再崇正1 ，易建强2，张亚庭1 ，张会清1 (1.北京工业大学电子信息与控制王程学戳，北京 100022; 2. 中国科学提复杂系统与智能科学重点实验室，北京 100033) 撞妻:为了建立精确的激生物发酵过程数学模型，在标准固自型支持向量机(SVM) 的基础上提出了动态 E­ SVM 方法，即不再样本使用不同的 E; 使用改进的多吕标遗传算法(Mα注)启动选择动态 ε-SVM 的参数.将改 进的 M仅:;A 和国归登动态 ε-SVM 结合形成一种新的建模方法，利用现场生产数据建立了青霉素效份预估模 型，结果表现此方法具有较强的拟合和泛住能力，经过对比，本文方法比基于 M以法和标准SVM的建模方法 具有更强的泛化能力. 关键樨z 动态草-SVM; 遗传算法:发酵z 数学模型 中噩分类号: TP273; Q81 文萦摄识码:A 文章编号: 0254 - 0037(2006)05 - 0405 - 05 由于发酵过程提非线性、时变性和生物传惑器的接乏以及各参数阔的关联性，经典系统理论几乎不能 为其建立合适的模型[1] 许多学者采用人工神经网络(ANN)为发酵过程建模[13] ，但是 ANN 要求较大的 样本数目和最小的训练误差，因哥不可避免地出现过报合现象，降低了模型的泛位能力. Vapnik 等提 出的支持向量机(SVM)[3-4]采用结构风险最小化原则，克服了 ANN 的国有缺菇，解决了小祥本、非线性、 高维数、局部极小点等实际问题，具有很强的泛生能力.通过对 SVM 在模式识到、砖闰序列葫捕、函数逼 近等领域的研究和应用-7] ，证明了 SVM 建模方法优于 ANN 建模方法[8] 在标准吕妇型 SVM 中，不敏感系数〈ε)对建立数学模型非常关键， ε 反映了模型对输入变量所含噪 声的敏感程度，可用来控制模型拟合精墅，厨有训练祥本对应的 z 都是相爵的[43] ，即不同样本所要求的 精度是相同的.由于发酵过程时变性强，不同时刻的样本输出差异性大，如采用担窍的 ε 易出现过拟合 或欠拟合的情况影嘀模型泛化能力.因此提出动态 ê-SVM，那句= p Yi 户为相对误差率. 目前， SVM 参数(惩罚系数 C 和接函数参数)主要通过实验、交叉验证、留一法等方法来选择.这些方 法不佳费时、商且很难找到最优参数.只有当载合误差和拴验误差蕃达到最小砖，才能保证模型具有较强 的泛生能力，所以 SVM 参数的选择属于多吕棕位化问题(MO)[到115 遗传算法(GA)通过整个解集的种群 进位，以内在并行的方式搜索多个非劣解，决策者可以在多个解中选择决策方案，这对于解决 MO 问题是 非常诱人的[9]115 ffl 以求解 MO 问题的 GA 被称为多目标遗传算法(MOGA到181 ，然商 Mα::;A 与标准 GA 同样存在早熟收敛和收敛速度慢的不足，本文从编码方式及遗传算子等方菌对其作了改进. 1 lE1归型动态 ε-SVM 国归型动态 ξ-SVM 的原理如下: m 为输出祥本，用菌 为输入样本，只 设有 n 个样本(Xl ， Yt) ， (X2， Y2) ， …， (Xn , Yn) 其中， Xi ε R εR 数f=wx+b 扭合n 个样本，并且假设所有样本都能在精度 êi( 称为动态不敏感损失函数)下无误差进 行拟合，部: 收稿日期: 2∞5-09-05. 基金项目 z 教育部科学技术研究重点项目(203002) ;北京市教育委员会科技发展计划面上项目(KM2005