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

【摘要】：針對(duì)生化過程軟測(cè)量建模過程中樣本數(shù)據(jù)可能包含的測(cè)量誤差對(duì)模型性能的影響,提出一種自適應(yīng)加權(quán)最小二乘支持向量機(jī)(Adaptive weighted least squares support vector machine,AWLS-SVM)回歸的軟測(cè)量建模方法。該方法基于最小二乘支持向量機(jī)模型,根據(jù)樣本擬合誤差,并結(jié)合改進(jìn)的正態(tài)分布賦權(quán)規(guī)則,自適應(yīng)地為每個(gè)建模樣本分配不同的權(quán)值,以降低隨機(jī)誤差對(duì)模型性能的影響;同時(shí)采用混沌差分進(jìn)化—模擬退火(Chaos differential evolution simulated annealing,CDE-SA)算法對(duì)模型參數(shù)進(jìn)行優(yōu)化選擇,以提高模型的泛化能力。仿真實(shí)驗(yàn)表明,AWLS-SVM模型的預(yù)測(cè)精度及魯棒性能優(yōu)于最小二乘支持向量機(jī)(Least squares support vector machine,LS-SVM)和加權(quán)最小二乘支持向量機(jī)(Weighted least squares support vector machine,WLS-SVM)。利用Pensim仿真平臺(tái)的數(shù)據(jù),將AWLS-SVM方法用于青霉素發(fā)酵過程軟測(cè)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(xué)石油化工學(xué)院;
【基金】：國家自然科學(xué)基金(60804027;61374133) 福州大學(xué)科研基金(FZU-022335;600338;600567) 高校博士點(diǎn)專項(xiàng)科研基金(20133314120004)
【分類號(hào)】：TQ927;TP18

【參考文獻(xiàn)】

相關(guān)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(luò)逆系統(tǒng)的軟測(cè)量方法[J];南京理工大學(xué)學(xué)報(bào);2015年04期

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

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

5 顧燕萍;趙文杰;吳占松;;最小二乘支持向量機(jī)的算法研究[J];清華大學(xué)學(xué)報(bào)(自然科學(xué)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(cè)量建模研究[J];儀器儀表學(xué)報(bào);2009年06期

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

【共引文獻(xiàn)】

相關(guān)期刊論文 前10條

1 黃蘇丹;曹廣忠;錢清泉;段吉安;;平面開關(guān)磁阻電機(jī)非線性力電流轉(zhuǎn)換模型[J];電工技術(shù)學(xué)報(bào);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(jī)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(shí)滯估計(jì)的在線軟測(cè)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(cè)系統(tǒng)[J];計(jì)算機(jī)與應(yīng)用化學(xué);2016年11期

5 畢航權(quán);石杏喜;劉瑋;;LS-SVW/BP神經(jīng)網(wǎng)絡(luò)組合模型在GPS高程轉(zhuǎn)換中的應(yīng)用[J];公路與汽運(yùn);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(jī)的秸稈發(fā)酵過程軟測(cè)量建模[J];北京工業(yè)大學(xué)學(xué)報(bào);2016年10期

7 王營;王蔚;;基于改進(jìn)粒子群優(yōu)化LSSVM的光伏功率預(yù)測(cè)[J];科技經(jīng)濟(jì)導(dǎo)刊;2016年28期

8 袁壽新;;基于核主元分析法的灌溉用水量預(yù)測(cè)法[J];工程技術(shù)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(hào)：1648238