LS_SVM和SVM在发酵过程建模中的比较.pdfVIP

第36卷第1期 北京工业大学学报 V01．36N0．1 2010年1月 JOURNAL0FBEIJINGUNIVERSITY0FTECHNOLOGY Jan．2010 高学金1，王 普1，齐咏生1’2，严爱军1，张会清1，公彦杰1 (1．北京工业大学电子信息与控制工程学院，北京100124； 2．内蒙古工业大学信息工程学院，呼和浩特010051) 利用生产数据为青霉素发酵过程建立的数学模型，改进型GA分别为LS—SVM和SVM选择参数值．实验证明： LS—SVM建立的模型具有较高的拟合精度和泛化能力．如果占过大时，SVM建立的模型的拟合精度和泛化能力 不高；当占过小时，模型的拟合精度和泛化能力较高，但耗时多．因此，LS．SVM更适合为发酵过程建模． 关键词：支持向量机；最dx--乘支持向量机；建模；青霉素发酵；遗传算法 81 文献标志码：A 中图分类号：TP273；Q 由于发酵过程的非线性、时变性以及各参数之间的关联，Becker等…认为，经典系统理论几乎不能为 neural 其建立合适的模型．人工神经网络(artificial vector 量机(support 证明了SVM建模方法优于ANN建模方法． 在SVM中，逼近精度占反映模型对输入变量所含噪声的敏感程度，用来控制模型拟合精度．所有训 练样本对应的8都相同∞t引，即不同样本所要求的精度相同．然而，由于发酵过程时变性强，不同时刻的 样本输出差异性大，相同的8会影响模型的性能． vector square．supportmachine，记为 Suykensp’在SVM的框架下，提出了最dx--乘支持向量机(1east LS—SVM)方法，加快了求解速度．相对于SVM，LS—SVM不再需要指定逼近精度． LS．SVM的正则化参数扎核函数参数、SVM的惩罚系数C以及核函数参数对模型的拟合精度和泛化 能力有较大的影响；Yuan等¨刮证明遗传算法(genetic swarm optimization，记为PSO)等在参数取值方面具有比较好的应用前景． 霉素发酵过程建立的数学模型的拟合精度和泛化能力，改进型GA分别为LS—SVM和SVM选择参数． 1改进型GA 较了实数编码和二进制编码的性能，结果表明，实数编码的收敛速度和精度均好于二进制编码． 第2步 选择算子根据父代中个体的适应度值对个体进行选择或淘汰，保证了算法的最优搜索方 向‘1 21．在规范化几何秩选择方法中，被选择的概率P；是基于第i个个体的秩．每个个体被选择的概率可 收稿日期：2008—10-．09． 1200707)． 博士科研启动基金资助项目(5200201 作者简介：高学金(1973一)，男，河北唐山人，副教授； 王普(1962一)，男，安徽合肥人，教授，博士生导师． 8 北京工业大学学报 定义为‘13-14] P；=-了b(1一q)。～，i=1，2，…，J7、r (1) l—L l—q， 式中，q是选择最优个体的概率；N是种群规模；r。是第i个个体的秩． 2个个体交叉点处对应的设计变量，则交叉后2个个体相应的设计变量分别为 1，i)=alP(￡，i)+(1一a1)p(t，J) fP(H … 。。 【P(t+