基于动态ε-SVM的发酵过程建模

针对支持向量机(SVM)所有训练样本都使用相同的不敏感系数这一不足,本文提出了动态-SVM建模方法,并采用此方法建立了青霉素效价预估模型,此模型具有良好的拟合和泛化能力。通过实验分析了动态-SVM参数调整对模型性能的影响,并且由现场数据建立的模型发现,动态-SVM建模方法优于标准SVM建模方法。

分阶段建立发酵过程模型的方法的研究和应用

为了建立精确的微生物发酵过程数学模型,在标准回归型支持向量机(SVM)的基础上提出了动态ε-SVM方法,即不同样本使用不同的ε。进而,提出了将自组织特征映射聚类(SOFM)和动态ε-SVM回归相结合的建模方法。该方法首先利用SOFM神经网络对样本进行聚类,达到划分发酵阶段和建立局部模型的目的,然后应用动态ε-SVM方法对各类样本进行回归建模。实验结果表明,使用该方法建立的青霉素发酵过程模型具有较高的拟合和泛化能力。经过比较,该方法建立的模型比其它SVM方法建立的模型具有较强的泛化能力。

一种建立发酵过程模型的新方法

为了建立精确的微生物发酵过程数学模型,在标准回归型支持向量机(SVM)的基础上提出了动态ε- SVM方法。即不同样本使用不同的ε;使用改进的多目标遗传算法(MOGA)自动选择动态ε-SVM的参数．将改进的MOGA和回归型动态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价预估模型．结果表明此方法具有较强的拟合和泛化能力．经过对比,本文方法比基于MOGA和标准SVM的建模方法具有更强的泛化能力．