本文選題：加權最小二乘支持向量機　切入點：青霉素發(fā)酵過程　出處：《南京理工大學學報》2017年01期 　論文類型：期刊論文

【摘要】：針對生化過程軟測量建模過程中樣本數(shù)據(jù)可能包含的測量誤差對模型性能的影響,提出一種自適應加權最小二乘支持向量機(Adaptive weighted least squares support vector machine,AWLS-SVM)回歸的軟測量建模方法。該方法基于最小二乘支持向量機模型,根據(jù)樣本擬合誤差,并結合改進的正態(tài)分布賦權規(guī)則,自適應地為每個建模樣本分配不同的權值,以降低隨機誤差對模型性能的影響;同時采用混沌差分進化—模擬退火(Chaos differential evolution simulated annealing,CDE-SA)算法對模型參數(shù)進行優(yōu)化選擇,以提高模型的泛化能力。仿真實驗表明,AWLS-SVM模型的預測精度及魯棒性能優(yōu)于最小二乘支持向量機(Least squares support vector machine,LS-SVM)和加權最小二乘支持向量機(Weighted least squares support vector machine,WLS-SVM)。利用Pensim仿真平臺的數(shù)據(jù),將AWLS-SVM方法用于青霉素發(fā)酵過程軟測量建模,獲得了較好的效果。
[Abstract]:Aiming at the influence of the measurement error that the sample data may contain on the model performance during the modeling of biochemical process soft sensor, A soft sensor modeling method for adaptive weighted least squares support vector AWLS-SVM (Adaptive weighted least squares support vector SVM) regression is proposed, which is based on the least squares support vector machine model, according to the sample fitting error, and combined with the improved normal distribution weighting rule. It adaptively assigns different weights to each modeling sample to reduce the influence of random error on the model performance. Meanwhile, chaotic differential evolution-simulated annealing algorithm (chaos differential evolution simulated annealing CDE-SA) is used to optimize the model parameters. In order to improve the generalization ability of the model, the simulation results show that the prediction accuracy and robust performance of the AWLS-SVM model are superior to those of the least squares squares support vector machine (LS-SVM) and the weighted least squares support vector machine (WLS). Using the data of Pensim simulation platform, The AWLS-SVM method was applied to the soft sensor modeling of penicillin fermentation process, and a good result was obtained.
【作者單位】： 福州大學石油化工學院;
【基金】：國家自然科學基金(60804027;61374133) 福州大學科研基金(FZU-022335;600338;600567) 高校博士點專項科研基金(20133314120004)
【分類號】：TQ927;TP18

【參考文獻】

相關期刊論文 前7條

1 于霜;劉國海;梅從立;程錦翔;;生物發(fā)酵過程中VIP優(yōu)化神經(jīng)網(wǎng)絡逆系統(tǒng)的軟測量方法[J];南京理工大學學報;2015年04期

2 熊偉麗;姚樂;徐保國;;混沌最小二乘支持向量機及其在發(fā)酵過程建模中的應用[J];化工學報;2013年12期

3 熊偉麗;王肖;陳敏芳;徐保國;;基于加權LS-SVM的青霉素發(fā)酵過程建模[J];化工學報;2012年09期

4 王博;孫玉坤;嵇小輔;黃永紅;黃麗;;基于PSO-SVM逆的賴氨酸發(fā)酵過程軟測量[J];化工學報;2012年09期

5 顧燕萍;趙文杰;吳占松;;最小二乘支持向量機的算法研究[J];清華大學學報(自然科學版);2010年07期

6 劉國海;周大為;徐海霞;梅從立;;基于SVM的微生物發(fā)酵過程軟測量建模研究[J];儀器儀表學報;2009年06期

7 劉毅;王海清;;基于LS-SVM和Pensim仿真平臺的青霉素發(fā)酵過程建模[J];化學反應工程與工藝;2006年03期

【共引文獻】

相關期刊論文 前10條

1 黃蘇丹;曹廣忠;錢清泉;段吉安;;平面開關磁阻電機非線性力電流轉換模型[J];電工技術學報;2017年02期

2 謝瑋;王彥春;劉建軍;蘇建龍;毛慶輝;何潤;;基于粒子群優(yōu)化最小二乘支持向量機的非線性AVO反演[J];石油地球物理勘探;2016年06期

3 李妍君;熊偉麗;徐保國;;一種帶過程變量時滯估計的在線軟測量建模方法[J];信息與控制;2016年06期

4 徐黎;于霜;;基于顏色傳感器和LSSVM算法的pH在線檢測系統(tǒng)[J];計算機與應用化學;2016年11期

5 畢航權;石杏喜;劉瑋;;LS-SVW/BP神經(jīng)網(wǎng)絡組合模型在GPS高程轉換中的應用[J];公路與汽運;2016年06期

6 朱湘臨;華天爭;;基于混沌果蠅優(yōu)化最小二乘支持向量機的秸稈發(fā)酵過程軟測量建模[J];北京工業(yè)大學學報;2016年10期

7 王營;王蔚;;基于改進粒子群優(yōu)化LSSVM的光伏功率預測[J];科技經(jīng)濟導刊;2016年28期

8 袁壽新;;基于核主元分析法的灌溉用水量預測法[J];工程技術研究;2016年05期

9 李娜;張文月;王玉瑋;符景帥;王煒R，

本文編號：1648238