CN102231057B - 基于混沌粒子群优化的赖氨酸发酵过程软测量方法 - Google Patents

基于混沌粒子群优化的赖氨酸发酵过程软测量方法 Download PDF

Info

Publication number
CN102231057B
CN102231057B CN 201110052527 CN201110052527A CN102231057B CN 102231057 B CN102231057 B CN 102231057B CN 201110052527 CN201110052527 CN 201110052527 CN 201110052527 A CN201110052527 A CN 201110052527A CN 102231057 B CN102231057 B CN 102231057B
Authority
CN
China
Prior art keywords
soft
historical
sensing model
vector machine
variable
Prior art date
Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
Expired - Fee Related
Application number
CN 201110052527
Other languages
English (en)
Other versions
CN102231057A (zh
Inventor
黄丽
孙玉坤
嵇小辅
黄永红
王博
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Jiangsu University
Original Assignee
Jiangsu University
Priority date (The priority date is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the date listed.)
Filing date
Publication date
Application filed by Jiangsu University filed Critical Jiangsu University
Priority to CN 201110052527 priority Critical patent/CN102231057B/zh
Publication of CN102231057A publication Critical patent/CN102231057A/zh
Application granted granted Critical
Publication of CN102231057B publication Critical patent/CN102231057B/zh
Expired - Fee Related legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Landscapes

  • Investigating Or Analysing Biological Materials (AREA)
  • Measuring Or Testing Involving Enzymes Or Micro-Organisms (AREA)

Abstract

本发明公开一种基于混沌粒子群优化的赖氨酸发酵过程软测量方法，先建立赖氨酸发酵过程主导变量和辅助变量的历史数据库且选取一致关联度的历史辅助变量；对当前待预测罐批发酵过程主导变量和辅助变量结合历史发酵过程主导变量和历史辅助变量构成最小二乘支持向量机软测量训练样本数据库且构造与之对应的软测量模型，再利用混沌粒子群算法优化软测量模型中的正规化参数
Figure 412365DEST_PATH_IMAGE002
和核参数且建立基于混沌粒子群优化支持向量机软测量模型，最后获得相应关键生化参量预测值；本发明采用混沌序列初始化粒子群位置，使粒子较均匀、不重复地遍布解空间，增强了软测量模型的全局寻优能力，预测和测量精度高、速度快、能力强、泛化能力好。

Description

基于混沌粒子群优化的赖氨酸发酵过程软测量方法
技术领域
本发明属于生物技术和测量技术的交叉领域，涉及生物发酵过程关键生化参量的优化建模，具体涉及赖氨酸发酵过程的混沌粒子群优化支持向量机软测量建模方法，实现关键生化参量的实时在线测量。
背景技术
赖氨酸名列八种人体必需氨基酸之首，广泛应用于食品、医疗、饲料等领域。赖氨酸发酵属于二类发酵，产物形成表现为生长偶联型，其发酵过程具有时变、非线性、多变量、强耦合等特征，内部机理非常复杂。发酵过程的关键生化参量，如菌体浓度X、基质浓度S、赖氨酸产物浓度P等无法通过常规仪表在线测量，成为影响发酵过程在线优化控制的瓶颈技术。通常这些关键参数的获取，是采用周期采样、离线分析测定，由于受到取样间隔的影响，测定值的滞后大，实时性差，不能满足实时控制的需要，特别是人工取样容易给发酵过程带来人为污染，引起产量和质量的下降。
随着计算机技术的发展，为了解决此类关键变量不可直接测量的问题，软测量技术得到了广泛的应用。所谓软测量，就是以易测的过程变量（辅助变量）为基础，利用易测变量和待测变量（主导变量）之间的数学关系（软测量模型），通过各种数学计算和估计，实现对待测过程变量的在线测量。在软测量的众多方法中，最小二乘支持向量机（LSSVM）方法以拟合精度高、泛化能力强等一系列优势得到了广泛应用。在建立赖氨酸发酵过程的LSSVM软测量模型时，正规化参数                                                
Figure 2011100525275100002DEST_PATH_IMAGE001
和核参数
Figure 902454DEST_PATH_IMAGE002
直接影响到软测量模型的拟合性能和泛化能力，但在实际使用时，LSSVM软测量模型的正规化参数
Figure 2011100525275100002DEST_PATH_IMAGE003
和核参数
Figure 225113DEST_PATH_IMAGE004
陷入局部极值的概率大，全局优化能力差，影响其测量精度。
发明内容
本发明的目的是为克服目前赖氨酸发酵过程关键生化参量无法精确测量的不足而提出一种基于混沌粒子群优化的赖氨酸发酵过程软测量方法，通过常规在线测量仪表提供的辅助变量信号即可在线、实时、精确得到当前的主导变量值。
本发明采用的技术方案是：选取赖氨酸罐批发酵过程中的溶解氧
Figure 728907DEST_PATH_IMAGE005
、酸碱度
Figure 30575DEST_PATH_IMAGE006
值、二氧化碳释放率、氧吸收率
Figure 781363DEST_PATH_IMAGE008
和葡萄糖流加速率
Figure DEST_PATH_IMAGE009
为辅助变量及菌体浓度X、基质浓度S、赖氨酸产物浓度P为主导变量，其特征在于包括以下步骤：
（1）建立赖氨酸发酵过程主导变量和辅助变量的历史数据库，对历史数据库进行数据预处理，按照服从正态分布时的
Figure 588388DEST_PATH_IMAGE010
准则剔除过失数据、且经数字滤波和校正后形成历史发酵过程参量数据库；
（2）从历史发酵过程参量数据库中选取一致关联度的历史过程参量为历史辅助变量，即历史数据库中溶解氧
Figure 895873DEST_PATH_IMAGE005
、酸碱度
Figure 52048DEST_PATH_IMAGE006
值、二氧化碳释放率
Figure 36053DEST_PATH_IMAGE007
、氧吸收率
Figure 644889DEST_PATH_IMAGE008
和葡萄糖流加速率
Figure 490485DEST_PATH_IMAGE009
这五个辅助变量符合
Figure 189582DEST_PATH_IMAGE011
的要求；
一致关联度
Figure 157538DEST_PATH_IMAGE012
，其中，；
Figure 191353DEST_PATH_IMAGE014
；
Figure DEST_PATH_IMAGE015
；
Figure 89908DEST_PATH_IMAGE016
；
Figure DEST_PATH_IMAGE017
为两变量的相关系数；分别为数据预处理后的赖氨酸发酵过程不可测变量和可测变量；
Figure DEST_PATH_IMAGE019
为样本数；
Figure 717122DEST_PATH_IMAGE020
；
Figure DEST_PATH_IMAGE021
为样本点；
Figure 238233DEST_PATH_IMAGE022
为相邻两样本数据的变化量；为相邻样本数据变化量的平均值；
Figure 878162DEST_PATH_IMAGE024
为符号因子，
Figure DEST_PATH_IMAGE025
为数据变化率对关联度的影响因子，，
Figure 2011100525275100002DEST_PATH_IMAGE027
为变化率关联系数，
Figure 533713DEST_PATH_IMAGE028
；                                       
（3）对当前待预测罐批发酵，将经实验室离线分析的当前待预测罐批发酵过程生化参量X、S、P作为主导变量，直接采集当前待预测罐批的溶解氧
Figure 604438DEST_PATH_IMAGE005
、酸碱度
Figure 844795DEST_PATH_IMAGE006
值、二氧化碳释放率
Figure 684575DEST_PATH_IMAGE007
、氧吸收率
Figure 102918DEST_PATH_IMAGE008
和葡萄糖流加速率
Figure 660938DEST_PATH_IMAGE009
这五个量为辅助变量，然后先根据步骤（2）进行相应数据预处理后，再结合历史发酵过程主导变量和经一致关联度选取后的历史辅助变量，最终构成得到最小二乘支持向量机软测量训练样本数据库；
（4）对最小二乘支持向量机软测量训练样本数据库中的样本数据进行归一化处理，构造与之对应的最小二乘支持向量机软测量模型，利用混沌粒子群算法优化软测量模型中的正规化参数和核参数，建立基于混沌粒子群优化支持向量机软测量模型，并训练及测试该模型；在给定空间
Figure DEST_PATH_IMAGE029
上寻找函数集合，使得软测量数学模型的函数在给定的误差约束
Figure 391424DEST_PATH_IMAGE032
下有式
Figure DEST_PATH_IMAGE033
成立，式
Figure 412731DEST_PATH_IMAGE033
就是所建立的基于混沌粒子群优化支持向量机软测量模型，ε为给定的误差，函数
Figure 227104DEST_PATH_IMAGE034
表示X、S、P三个参量的函数；
（5）根据当前待预测罐批的最新数据集，获得相应关键生化参量预测值；
（6）判断罐批发酵是否结束，如果没有结束，则重新构建最小二乘支持向量机软测量训练样本数据库，即执行步骤（3）-（5），如果结束，则更新罐批发酵过程历史数据库，即更新步骤（1）中所建立的历史数据库，若所建立的历史数据库已更新，则执行步骤（5），否则执行步骤（1）-（5），最后输出软测量模型预测结果；
        其中，步骤（4）所述利用混沌粒子群算法优化软测量模型中的正规化参数和核参数
Figure 236517DEST_PATH_IMAGE036
的具体步骤是：
1）初始化粒子群参数，包括设置粒子总数
Figure DEST_PATH_IMAGE037
、维数
Figure 441233DEST_PATH_IMAGE038
、最大迭代次数
Figure DEST_PATH_IMAGE039
、加速因子
Figure 263302DEST_PATH_IMAGE040
、
Figure DEST_PATH_IMAGE041
、惯性权重
Figure 119132DEST_PATH_IMAGE042
，，并根据混沌序列初始化粒子位置
Figure 50179DEST_PATH_IMAGE044
和速度
Figure DEST_PATH_IMAGE045
，
Figure 492924DEST_PATH_IMAGE046
的计算公式及其中的变量定义如下：
Figure DEST_PATH_IMAGE047
，式中
Figure 167619DEST_PATH_IMAGE048
、
Figure DEST_PATH_IMAGE049
分别是
Figure 877954DEST_PATH_IMAGE046
的最大值和最小值；
Figure 245482DEST_PATH_IMAGE050
为当前迭代次数；
Figure DEST_PATH_IMAGE051
是最大迭代次数；
2）映射种群中的粒子为最小二乘支持向量机软测量模型正规化参数
Figure 172593DEST_PATH_IMAGE035
和核参数
Figure 447717DEST_PATH_IMAGE036
；
3）输入样本训练最小二乘支持向量机软测量模型； 
4）用最小二乘支持向量机软测量模型对训练样本集的输出误差作为适应度函数
Figure 28871DEST_PATH_IMAGE052
；其中，l为样本总数；y为实际输出值；
Figure DEST_PATH_IMAGE053
为目标输出值；
5）更新个体极值
Figure 550988DEST_PATH_IMAGE054
和全局极值
Figure DEST_PATH_IMAGE055
：若
Figure 217593DEST_PATH_IMAGE056
，则；否则
Figure 984823DEST_PATH_IMAGE058
不变；若
Figure DEST_PATH_IMAGE059
，则
Figure 420483DEST_PATH_IMAGE060
；否则不变；如果达到最大迭代次数
Figure 379081DEST_PATH_IMAGE062
或收敛精度
Figure DEST_PATH_IMAGE063
，执行步骤9），否则判断算法停滞步数并添加极值扰动算子
Figure 267402DEST_PATH_IMAGE064
和
Figure DEST_PATH_IMAGE065
，其中
Figure 835393DEST_PATH_IMAGE066
、
Figure DEST_PATH_IMAGE067
分别表示个体极值和全局极值进化停滞步数；
Figure 125560DEST_PATH_IMAGE068
、
Figure DEST_PATH_IMAGE069
分别表示对应的停滞步数阈值；
Figure 255059DEST_PATH_IMAGE070
、
Figure DEST_PATH_IMAGE071
分别表示带条件的均匀随机函数；
6）根据以下极值扰动粒子群算法更新粒子的速度
Figure 630677DEST_PATH_IMAGE045
和位置
Figure 739710DEST_PATH_IMAGE044
：
Figure 212279DEST_PATH_IMAGE072
 ，  
Figure DEST_PATH_IMAGE073
 ， 
其中，
Figure 263412DEST_PATH_IMAGE074
；
Figure DEST_PATH_IMAGE075
，
Figure 375593DEST_PATH_IMAGE076
代表第
Figure 537584DEST_PATH_IMAGE076
次迭代，加速因子
Figure DEST_PATH_IMAGE077
、
Figure 432638DEST_PATH_IMAGE078
为非负常数，
Figure DEST_PATH_IMAGE079
、
Figure 654672DEST_PATH_IMAGE080
为两个独立随机数，
Figure 67199DEST_PATH_IMAGE046
为惯性权重；
7）对算法停滞步数进行计数；
8）迭代次数
Figure 783613DEST_PATH_IMAGE076
=
Figure 965196DEST_PATH_IMAGE076
+1，并执行步骤3）；
9）将
Figure 92552DEST_PATH_IMAGE055
映射为最小二乘支持向量机软测量模型的正规化参数
Figure 179326DEST_PATH_IMAGE001
和核参数
Figure 683119DEST_PATH_IMAGE002
并作为优化结果输出
本发明的有益效果是：
1、结合具体赖氨酸发酵过程采用混沌粒子群（CPSO）算法优化参数，既利用标准粒子群（PSO）算法收敛速度快、简单易于实现的优点，又充分发挥混沌运动随机性和遍历性的优势，所建立的混沌粒子群优化支持向量机（CPSO-LSSVM）软测量模型采用混沌序列初始化粒子群位置，使粒子较均匀、不重复地遍布解空间，增强了软测量模型的全局寻优能力，并且粒子群算法中添加了极值扰动算子，在提高了算法优化速度的同时，更进一步降低了正规化参数
Figure 984788DEST_PATH_IMAGE003
和核参数
Figure 30848DEST_PATH_IMAGE004
陷入局部极值的概率，采用已经优化的正规化参数
Figure 355650DEST_PATH_IMAGE003
和核参数
Figure 725451DEST_PATH_IMAGE004
作为LSSVM软测量模型参数进行建模，全局优化能力强。最终得到的CPSO-LSSVM软测量模型发挥了LSSVM的小样本学习和计算简单的特点。
2、利用常规检测仪表和计算机***提供的在线过程数据就可实现赖氨酸发酵过程关键生化参量的实时在线软测量，解决了发酵过程优化控制的瓶颈问题。与周期采样、人工取样分析法相比，大大降低了发酵过程中由人为操作引起的很多不确定性，提高了测量的实时性，避免了离线取样分析带来的费时、费力、数据滞后、易染菌等弊端，预测和测量精度高、速度快、能力强、泛化能力好，为后续发酵过程实施补料、优化控制等提供先决条件。
附图说明
以下结合附图和具体实施方式对本发明作进一步详细说明：
图1为赖氨酸发酵软测量模型；
图2为赖氨酸发酵过程中基于混沌粒子群优化的软测量方法流程图；
图3为混沌粒子群优化支持向量机软测量模型参数算法流程图。
具体实施方式
参见图1，将赖氨酸放置在发酵罐中进行发酵培养，赖氨酸在发酵过程中，影响发酵品质及发酵效率的变量主要有：发酵液中的菌体浓度X、基质浓度S和赖氨酸产物浓度P，因此选择X、S、P作为软测量模型的主导变量。赖氨酸发酵软测量模型的输出即为X、S、P这三个主导变量。在实际发酵过程中，菌体细胞生长所依赖的环境变量有很多，如图1中的温度t、反应器压力p、酸碱度PH值、搅拌电机转速
Figure DEST_PATH_IMAGE081
、溶解氧
Figure 802998DEST_PATH_IMAGE005
、发酵液体积
Figure 226151DEST_PATH_IMAGE082
、葡萄糖流加速率
Figure 834987DEST_PATH_IMAGE009
、氨水流加速率
Figure DEST_PATH_IMAGE083
、二氧化碳释放率和氧吸收率
Figure 143794DEST_PATH_IMAGE008
。
赖氨酸在发酵罐中进行几天补料分批培养发酵，由数字控制***以每分钟一次的速度实时采集发酵过程中溶解氧、酸碱度
Figure 145565DEST_PATH_IMAGE006
值、二氧化碳释放率
Figure 542655DEST_PATH_IMAGE007
、氧吸收率
Figure 345526DEST_PATH_IMAGE008
和葡萄糖流加速率
Figure 671334DEST_PATH_IMAGE009
。每4小时取样一次发酵液并离线检测分析菌体浓度X、基质浓度S、赖氨酸产物浓度P。发酵过程软测量方法参见图2，具体实现步骤如下：
步骤1：建立赖氨酸发酵过程历史数据库。汇总赖氨酸发酵过程现场采集的历史辅助变量和离线检测分析的历史主导变量数据，对数据进行坐标变换与插值，建立历史数据库。
步骤2：数据预处理。对发酵过程历史数据库中的数据按照服从正态分布时的
Figure 254762DEST_PATH_IMAGE010
准则剔除过失数据，并进行数字滤波和校正。
Figure 442161DEST_PATH_IMAGE010
准则是指当测量次数足够大且测量数据服从正态分布时，若某次测量值所对应的剩余误差
Figure 115850DEST_PATH_IMAGE084
，σ为正态分布的标准差，则认为该测量值为异常数据，予以剔除。
步骤3：步骤2中剔除了过失数据并进行数字滤波和校正后形成了历史发酵过程参量数据库。
步骤4：选取历史辅助变量。为了确定环境变量对赖氨酸发酵软测量模型输出的影响，采用一致关联度评价环境变量与主导变量之间的联系程度，用一致关联度法评价发酵过程参量数据与待测量的生化参量之间的关联度，从历史发酵过程参量数据库中选取一致关联度
Figure 425609DEST_PATH_IMAGE011
的历史过程参量为历史辅助变量，即历史数据库中溶解氧
Figure 434016DEST_PATH_IMAGE005
、酸碱度
Figure 487423DEST_PATH_IMAGE006
值、二氧化碳释放率
Figure 451837DEST_PATH_IMAGE007
、氧吸收率
Figure 932496DEST_PATH_IMAGE008
和葡萄糖流加速率
Figure 910423DEST_PATH_IMAGE009
这五个辅助变量符合
Figure 705204DEST_PATH_IMAGE011
的要求。  
一致关联度
Figure DEST_PATH_IMAGE085
的算法如下：
         
Figure 586441DEST_PATH_IMAGE013
     （1）
Figure 175686DEST_PATH_IMAGE014
                                   （2）
Figure 221002DEST_PATH_IMAGE015
                                  （3）
Figure 242310DEST_PATH_IMAGE016
                                  （4）
其中，
Figure 978054DEST_PATH_IMAGE017
为两变量的相关系数；
Figure 3778DEST_PATH_IMAGE018
分别为经过数据预处理后的赖氨酸发酵过程不可测变量和可测变量；
Figure 956297DEST_PATH_IMAGE086
为样本数；
Figure DEST_PATH_IMAGE087
；
Figure 279831DEST_PATH_IMAGE021
为样本点；为相邻两样本数据的变化量；
Figure 879757DEST_PATH_IMAGE023
为相邻样本数据变化量的平均值；
Figure 322502DEST_PATH_IMAGE028
             （5）
Figure 59514DEST_PATH_IMAGE012
                                   （6）
 
Figure 520582DEST_PATH_IMAGE026
                                   （7）
其中
Figure 137377DEST_PATH_IMAGE027
为变化率关联系数；
Figure 51107DEST_PATH_IMAGE088
为符号因子；
Figure 591809DEST_PATH_IMAGE085
为关联度；
Figure 920766DEST_PATH_IMAGE025
为数据变化率对关联度的影响因子。
对赖氨酸发酵过程，以环境变量对与菌体浓度X的一致关联度为主要依据，当关联度
Figure 255932DEST_PATH_IMAGE011
时，可将对应的输入变量确定为辅助变量。表1为各外部变量对主导变量菌体浓度X的关联度：
 表1辅助变量的关联度
Figure DEST_PATH_IMAGE089
，
由表1可知，溶解氧
Figure 109488DEST_PATH_IMAGE005
、酸碱度
Figure 125985DEST_PATH_IMAGE006
值、二氧化碳释放率
Figure 623963DEST_PATH_IMAGE007
、氧吸收率
Figure 818446DEST_PATH_IMAGE008
、葡萄糖流加速率
Figure 972347DEST_PATH_IMAGE009
与主导变量菌体浓度X较为相关，因此图1中辅助变量实际选取的是上述五个量。图1赖氨酸发酵的软测量数学模型可描述为：在给定空间
Figure 854852DEST_PATH_IMAGE029
上寻找函数集合
Figure 394287DEST_PATH_IMAGE030
，使得软测量数学模型的函数
Figure 336835DEST_PATH_IMAGE031
在给定的误差约束
Figure 712453DEST_PATH_IMAGE032
下有下式成立，ε为给定的误差：
Figure 133070DEST_PATH_IMAGE033
                 （8）
则式（8）就是所建立的CPSO-LSSVM软测量模型，式中函数
Figure 291125DEST_PATH_IMAGE034
表示X、S、P三个参量的函数。
步骤5：构建LSSVM软测量训练样本数据库
对当前待预测罐批发酵，将经实验室离线分析的当前待预测罐批发酵过程生化参量X、S、P作为主导变量，直接采集当前待预测罐批的溶解氧
Figure 138996DEST_PATH_IMAGE005
、酸碱度
Figure 1909DEST_PATH_IMAGE006
值、二氧化碳释放率
Figure 226217DEST_PATH_IMAGE007
、氧吸收率
Figure 740244DEST_PATH_IMAGE008
和葡萄糖流加速率
Figure 24595DEST_PATH_IMAGE009
这五个量为辅助变量，然后先根据步骤2进行相应数据预处理后，再结合历史发酵过程主导变量和经一致关联度选取后的历史辅助变量，最终构成得到LSSVM软测量训练样本数据库。
步骤6：对LSSVM软测量训练样本数据库中的样本数据进行归一化处理，采用常规的归一化处理方法进行处理。
步骤7：对归一化处理后样本数据建立基于混沌粒子群优化支持向量机（CPSO-LSSVM）软测量模型。对归一化处理后的赖氨酸发酵过程LSSVM软测量训练样本数据库，构造与之对应的最小二乘支持向量机（LSSVM）软测量模型，利用混沌粒子群算法（CPSO）优化软测量模型中的正规化参数
Figure 374805DEST_PATH_IMAGE001
和核参数，建立CPSO-LSSVM软测量模型。
步骤8：根据步骤5得到的LSSVM软测量训练样本数据库，对步骤7所建立的CPSO-LSSVM软测量模型进行训练及测试。 
步骤9：关键生化参量预测。利用已经训练测试好的CPSO-LSSVM软测量模型，根据当前待预测罐批的最新数据集，获得相应关键生化参量预测值；
步骤10：判断罐批发酵是否结束；如果没有结束，则重新构建LSSVM软测量训练样本数据库；如果结束，则更新发酵过程历史数据库，在完成当前罐批关键生化参量预测后，将当前罐批数据也更新到发酵过程历史数据库中，若已更新执行步骤9；否则执行步骤1-9，最后可输出软测量模型预测结果。
对上述的软测量训练样本数据库中的
Figure 7223DEST_PATH_IMAGE090
个样本
Figure DEST_PATH_IMAGE091
，根据式（8），将辅助变量作为LSSVM软测量模型输入量
Figure 400158DEST_PATH_IMAGE092
，
Figure DEST_PATH_IMAGE093
，
Figure 486931DEST_PATH_IMAGE094
，输出量为主导变量X、S、P三个参量中的任意一个参量
Figure DEST_PATH_IMAGE095
非线性映射函数
Figure 990725DEST_PATH_IMAGE096
，将输入空间映射至Hilbert（希尔伯空间）特征空间，数据逼近的LSSVM可描述为：
Figure DEST_PATH_IMAGE097
（9）
其中
Figure 712300DEST_PATH_IMAGE098
为权矢量；
Figure 276137DEST_PATH_IMAGE035
为正规化参数；
Figure DEST_PATH_IMAGE099
为误差变量；
Figure 850206DEST_PATH_IMAGE100
为偏差量；J为目标函数。
为求解该约束的最优化问题，引入Lagrange（拉格朗日）函数：
Figure 954428DEST_PATH_IMAGE102
（10）
其中
Figure DEST_PATH_IMAGE103
为Lagrange乘子。
将上式分别对
Figure 48286DEST_PATH_IMAGE098
、
Figure 533757DEST_PATH_IMAGE100
、
Figure 142592DEST_PATH_IMAGE104
、
Figure DEST_PATH_IMAGE105
求偏导并令其等于0，可得到如下优化条件：
Figure 253768DEST_PATH_IMAGE106
 （11）
消去
Figure DEST_PATH_IMAGE107
，则优化问题可转化为求解下列方程组：
Figure 389083DEST_PATH_IMAGE108
（12）
其中，
Figure DEST_PATH_IMAGE109
；
Figure 65962DEST_PATH_IMAGE110
为
Figure 162094DEST_PATH_IMAGE112
阶单位阵；
Figure DEST_PATH_IMAGE113
；
Figure 545802DEST_PATH_IMAGE114
为满足Mercer条件的核函数，
Figure DEST_PATH_IMAGE115
，选用径向基核函数，其表达式为：
Figure DEST_PATH_IMAGE117
            （13）   
其中，
Figure 801203DEST_PATH_IMAGE036
为核参数。
由此得到LSSVM回归的软测量模型为
Figure 940060DEST_PATH_IMAGE118
           （14）
其中：α i 和b由式求解得到。
LSSVM软测量模型中的正规化参数
Figure 211904DEST_PATH_IMAGE035
和核参数
Figure 461620DEST_PATH_IMAGE036
是影响软测量模型精度的重要参数，本发明采用混沌粒子群算法进行参数选取。假设在一个D维的目标搜索空间中，有m个粒子组成一个群落，每个粒子被视为搜索空间中的一点，并以一定速度飞行，各粒子根据自身的飞行经验和同伴的飞行经验动态调整速度的大小和方向。其中，
Figure 384576DEST_PATH_IMAGE044
为粒子当前位置，由
Figure DEST_PATH_IMAGE119
和
Figure 881286DEST_PATH_IMAGE036
映射得到
Figure 952010DEST_PATH_IMAGE120
，粒子速度表示为，并根据混沌序列初始化
Figure 468366DEST_PATH_IMAGE044
和；
Figure 179150DEST_PATH_IMAGE054
为个体极值；
Figure 36247DEST_PATH_IMAGE055
为全局极值。
粒子根据以下极值扰动粒子群算法更新速度和位置：
Figure 917484DEST_PATH_IMAGE122
（15）
Figure DEST_PATH_IMAGE123
                                           （16）
其中，
Figure 506729DEST_PATH_IMAGE074
；
Figure 552045DEST_PATH_IMAGE124
；
Figure 760304DEST_PATH_IMAGE076
代表迭代次数；
Figure 309097DEST_PATH_IMAGE077
、
Figure 334822DEST_PATH_IMAGE078
为非负常数；
Figure 601855DEST_PATH_IMAGE079
、
Figure 158345DEST_PATH_IMAGE080
为两个独立随机数；
Figure 827223DEST_PATH_IMAGE046
为惯性权重，由下式确定：
                                    （17）
式中
Figure 210800DEST_PATH_IMAGE048
、
Figure 699550DEST_PATH_IMAGE049
分别是
Figure 390557DEST_PATH_IMAGE046
的最大值和最小值；
Figure 913942DEST_PATH_IMAGE050
为当前迭代次数；
Figure 15890DEST_PATH_IMAGE051
是最大迭代次数。
在此用进化停滞步数、
Figure 922853DEST_PATH_IMAGE067
作为触发条件，对个体极值
Figure 986230DEST_PATH_IMAGE126
和全局极值
Figure DEST_PATH_IMAGE127
同时进行随机扰动：
    
Figure 711609DEST_PATH_IMAGE128
                           （18）
其中，
Figure 112635DEST_PATH_IMAGE066
、
Figure 457029DEST_PATH_IMAGE067
分别表示个体极值和全局极值进化停滞步数；
Figure 643422DEST_PATH_IMAGE068
、
Figure 87172DEST_PATH_IMAGE069
分别表示对应的停滞步数阈值。
Figure 303390DEST_PATH_IMAGE064
              （19）
                      （20）
式（19）
Figure 725330DEST_PATH_IMAGE070
、式（20）
Figure 776200DEST_PATH_IMAGE071
表示带条件的均匀随机函数。
图3具体实现了利用CPSO算法对LSSVM软测量模型参数和
Figure 838014DEST_PATH_IMAGE002
进行优化，以期快速获得高精度的LSSVM软测量模型，避免传统交叉验证试算的耗时和盲目性，详细实现步骤如下：
（1）初始化粒子群参数，包括设置粒子总数
Figure 231955DEST_PATH_IMAGE037
、维数
Figure 345405DEST_PATH_IMAGE038
、最大迭代次数
Figure 208319DEST_PATH_IMAGE039
、加速因子
Figure 118113DEST_PATH_IMAGE040
、、惯性权重
Figure 854173DEST_PATH_IMAGE042
，
Figure 938804DEST_PATH_IMAGE043
等参数，并根据混沌序列初始化粒子位置
Figure 655218DEST_PATH_IMAGE044
和速度
Figure 774484DEST_PATH_IMAGE045
。
首先随机产生一个各分量在
Figure DEST_PATH_IMAGE129
之间的
Figure 416687DEST_PATH_IMAGE130
维向量
Figure DEST_PATH_IMAGE131
，然后根据Logistic映射
Figure 254193DEST_PATH_IMAGE132
经过m=1次迭代产生混沌序列，其中
Figure DEST_PATH_IMAGE133
，
Figure 443472DEST_PATH_IMAGE134
。当
Figure DEST_PATH_IMAGE135
时***完全处于混沌状态。
（2）映射种群中的粒子为LSSVM软测量模型正规化参数
Figure 666512DEST_PATH_IMAGE035
和核参数，即
Figure 40304DEST_PATH_IMAGE136
，
Figure DEST_PATH_IMAGE137
。将
Figure 347789DEST_PATH_IMAGE138
的各个分量载波到
Figure 690914DEST_PATH_IMAGE001
和
Figure 425652DEST_PATH_IMAGE002
的取值范围即可产生CPSO初始位置：；
（3）输入样本进行最小二乘支持向量机（LSSVM）算法训练。建立LSSVM软测量模型，根据输入样本训练该软测量模型。
（4）计算适应度值。用LSSVM软测量模型对训练样本集的输出误差作为适应度函数
Figure 719974DEST_PATH_IMAGE140
，由下式计算各粒子适应度值：
              
Figure DEST_PATH_IMAGE141
                （21）
其中：l为样本总数，y为实际输出值，由式得到，
Figure 752521DEST_PATH_IMAGE053
为目标输出值 。
（5）根据下式更新个体极值
Figure 763202DEST_PATH_IMAGE054
和全局极值
Figure 668841DEST_PATH_IMAGE055
：
若
Figure 453389DEST_PATH_IMAGE056
，则
Figure 164993DEST_PATH_IMAGE057
；否则
Figure 233443DEST_PATH_IMAGE058
不变；
若
Figure 559251DEST_PATH_IMAGE059
，则
Figure 814783DEST_PATH_IMAGE060
；否则
Figure 39001DEST_PATH_IMAGE061
不变；
（6）如果达到最大迭代次数或收敛精度
Figure 271716DEST_PATH_IMAGE142
，执行步骤（11），否则执行步骤（7）。
（7）判断算法停滞步数并添加极值扰动算子
Figure 263812DEST_PATH_IMAGE144
和
Figure 317219DEST_PATH_IMAGE146
。
 （8）根据如下极值扰动粒子群算法更新粒子的速度
Figure 94682DEST_PATH_IMAGE045
和位置
Figure 263757DEST_PATH_IMAGE044
：
Figure DEST_PATH_IMAGE147
（22）
Figure 759461DEST_PATH_IMAGE073
                                          （23）
其中，；
Figure 497795DEST_PATH_IMAGE075
；
Figure 87040DEST_PATH_IMAGE076
代表第
Figure 866777DEST_PATH_IMAGE076
次迭代；
Figure 947472DEST_PATH_IMAGE077
、
Figure 761844DEST_PATH_IMAGE078
为非负常数；
Figure 521990DEST_PATH_IMAGE079
、
Figure 789023DEST_PATH_IMAGE080
为两个独立随机数；
Figure 174874DEST_PATH_IMAGE046
为惯性权重。
（9）对算法停滞步数进行计数。
（10）迭代次数
Figure 843753DEST_PATH_IMAGE148
，并执行步骤（3）。
（11）将
Figure 774799DEST_PATH_IMAGE055
映射为LSSVM软测量模型的正规化参数和核参数
Figure 220135DEST_PATH_IMAGE002
并作为优化结果输出。

Claims (1)

1.一种基于混沌粒子群优化的赖氨酸发酵过程软测量方法，选取赖氨酸罐批发酵过程中的溶解氧 
Figure 72628DEST_PATH_IMAGE001
、酸碱度
Figure 927452DEST_PATH_IMAGE002
值、二氧化碳释放率
Figure 644872DEST_PATH_IMAGE003
、氧吸收率和葡萄糖流加速率
Figure 792137DEST_PATH_IMAGE005
为辅助变量及菌体浓度X、基质浓度S、赖氨酸产物浓度P为主导变量，其特征在于包括以下步骤：
（1）建立赖氨酸发酵过程主导变量和辅助变量的历史数据库，对历史数据库进行数据预处理，按照服从正态分布时的
Figure 50817DEST_PATH_IMAGE006
准则剔除过失数据、且经数字滤波和校正后形成历史发酵过程参量数据库；
（2）从历史发酵过程参量数据库中选取一致关联度的历史过程参量为历史辅助变量，即历史数据库中溶解氧
Figure 454434DEST_PATH_IMAGE001
、酸碱度
Figure 60996DEST_PATH_IMAGE002
值、二氧化碳释放率
Figure 54360DEST_PATH_IMAGE003
、氧吸收率和葡萄糖流加速率
Figure 483384DEST_PATH_IMAGE005
这五个辅助变量符合
Figure 460566DEST_PATH_IMAGE007
的要求；
一致关联度
Figure 20111005252751000011
，其中，
Figure 69718DEST_PATH_IMAGE009
；；
Figure 925996DEST_PATH_IMAGE011
；
Figure 198846DEST_PATH_IMAGE012
；
Figure 927767DEST_PATH_IMAGE013
为两变量的相关系数；
Figure 442800DEST_PATH_IMAGE014
分别为数据预处理后的赖氨酸发酵过程不可测变量和可测变量；
Figure 940777DEST_PATH_IMAGE015
为样本数；；
Figure 600746DEST_PATH_IMAGE017
为样本点；为相邻两样本数据的变化量；
Figure 773418DEST_PATH_IMAGE019
为相邻样本数据变化量的平均值；
Figure 653649DEST_PATH_IMAGE020
为符号因子，
Figure 91584DEST_PATH_IMAGE021
为数据变化率对关联度的影响因子，
Figure 948419DEST_PATH_IMAGE022
，
Figure 420989DEST_PATH_IMAGE023
为变化率关联系数，
Figure 472122DEST_PATH_IMAGE024
；                                       
（3）对当前待预测罐批发酵，将经实验室离线分析的当前待预测罐批发酵过程生化参量X、S、P作为主导变量，直接采集当前待预测罐批的溶解氧、酸碱度
Figure 559343DEST_PATH_IMAGE002
值、二氧化碳释放率、氧吸收率
Figure 842874DEST_PATH_IMAGE004
和葡萄糖流加速率
Figure 691619DEST_PATH_IMAGE005
这五个量为辅助变量，然后先根据步骤（2）进行相应数据预处理后，再结合历史发酵过程主导变量和经一致关联度选取后的历史辅助变量，最终构成得到最小二乘支持向量机软测量训练样本数据库；
（4）对最小二乘支持向量机软测量训练样本数据库中的样本数据进行归一化处理，构造与之对应的最小二乘支持向量机软测量模型，利用混沌粒子群算法优化软测量模型中的正规化参数
Figure 719618DEST_PATH_IMAGE025
和核参数
Figure 838884DEST_PATH_IMAGE026
，建立基于混沌粒子群优化支持向量机软测量模型，并训练及测试该模型；所建立的基于混沌粒子群优化支持向量机软测量模型是
Figure DEST_PATH_IMAGE027
，函数
Figure 966240DEST_PATH_IMAGE028
表示X、S、P三个参量的函数，f表示软测量数学模型函数；
（5）根据当前待预测罐批的最新数据集，获得相应关键生化参量预测值；
（6）判断罐批发酵是否结束，如果没有结束，则重新构建最小二乘支持向量机软测量训练样本数据库，即执行步骤（3）-（5），如果结束，则更新罐批发酵过程历史数据库，即更新步骤（1）中所建立的历史数据库，若所建立的历史数据库已更新，则执行步骤（5），否则执行步骤（1），最后输出软测量模型预测结果；
        其中，步骤（4）所述利用混沌粒子群算法优化软测量模型中的正规化参数
Figure 866063DEST_PATH_IMAGE029
和核参数
Figure 369856DEST_PATH_IMAGE030
的具体步骤是：
1）初始化粒子群参数，包括设置粒子总数
Figure 113602DEST_PATH_IMAGE031
、维数
Figure 474177DEST_PATH_IMAGE032
、最大迭代次数
Figure 798979DEST_PATH_IMAGE033
、加速因子
Figure 168780DEST_PATH_IMAGE034
、
Figure 997059DEST_PATH_IMAGE035
、惯性权重
Figure 794114DEST_PATH_IMAGE036
，
Figure 340632DEST_PATH_IMAGE037
，并根据混沌序列初始化粒子位置
Figure 514125DEST_PATH_IMAGE038
和速度
Figure 961024DEST_PATH_IMAGE039
，
Figure 928980DEST_PATH_IMAGE040
的计算公式及其中的变量定义如下：
，式中、
Figure 477271DEST_PATH_IMAGE043
分别是
Figure 553811DEST_PATH_IMAGE040
的最大值和最小值；为当前迭代次数；是最大迭代次数；
2）映射种群中的粒子为最小二乘支持向量机软测量模型正规化参数
Figure 808447DEST_PATH_IMAGE029
和核参数
Figure 55888DEST_PATH_IMAGE030
；
3）输入样本训练最小二乘支持向量机软测量模型； 
4）用最小二乘支持向量机软测量模型对训练样本集的输出误差作为适应度函数
Figure 126612DEST_PATH_IMAGE046
；其中，l为样本总数；y为实际输出值；为目标输出值；
5）更新个体极值
Figure 957482DEST_PATH_IMAGE048
和全局极值
Figure 375825DEST_PATH_IMAGE049
：若
Figure 668266DEST_PATH_IMAGE050
，则
Figure 961582DEST_PATH_IMAGE051
；否则
Figure 593552DEST_PATH_IMAGE052
不变；若
Figure 245113DEST_PATH_IMAGE053
，则；否则
Figure 623322DEST_PATH_IMAGE055
不变；如果达到最大迭代次数
Figure 109798DEST_PATH_IMAGE056
或收敛精度
Figure 197840DEST_PATH_IMAGE057
，执行步骤9），否则判断算法停滞步数并添加极值扰动算子
Figure 895232DEST_PATH_IMAGE058
和
Figure 94132DEST_PATH_IMAGE059
，其中
Figure 435115DEST_PATH_IMAGE060
、
Figure 694058DEST_PATH_IMAGE061
分别表示个体极值和全局极值进化停滞步数；
Figure 386070DEST_PATH_IMAGE062
、分别表示对应的停滞步数阈值；
Figure 584150DEST_PATH_IMAGE064
、
Figure 13995DEST_PATH_IMAGE065
分别表示带条件的均匀随机函数；
6）根据以下极值扰动粒子群算法更新粒子的速度
Figure 426259DEST_PATH_IMAGE039
和位置
Figure 966962DEST_PATH_IMAGE038
：
Figure 548116DEST_PATH_IMAGE066
 ，  
Figure 820965DEST_PATH_IMAGE067
 ， 
其中，
Figure 549887DEST_PATH_IMAGE068
；，
Figure 64362DEST_PATH_IMAGE070
代表第
Figure 6648DEST_PATH_IMAGE070
次迭代，加速因子、
Figure 43054DEST_PATH_IMAGE072
为非负常数，、
Figure 275769DEST_PATH_IMAGE074
为两个独立随机数，为惯性权重；
7）对算法停滞步数进行计数；
8）迭代次数
Figure 72004DEST_PATH_IMAGE070
=
Figure 544574DEST_PATH_IMAGE070
+1，并执行步骤3）；
9）将
Figure 828662DEST_PATH_IMAGE049
映射为最小二乘支持向量机软测量模型的正规化参数和核参数并作为优化结果输出。
CN 201110052527 2011-03-04 2011-03-04 基于混沌粒子群优化的赖氨酸发酵过程软测量方法 Expired - Fee Related CN102231057B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN 201110052527 CN102231057B (zh) 2011-03-04 2011-03-04 基于混沌粒子群优化的赖氨酸发酵过程软测量方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN 201110052527 CN102231057B (zh) 2011-03-04 2011-03-04 基于混沌粒子群优化的赖氨酸发酵过程软测量方法

Publications (2)

Publication Number Publication Date
CN102231057A CN102231057A (zh) 2011-11-02
CN102231057B true CN102231057B (zh) 2013-08-21

Family

ID=44843630

Family Applications (1)

Application Number Title Priority Date Filing Date
CN 201110052527 Expired - Fee Related CN102231057B (zh) 2011-03-04 2011-03-04 基于混沌粒子群优化的赖氨酸发酵过程软测量方法

Country Status (1)

Country Link
CN (1) CN102231057B (zh)

Families Citing this family (19)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
DE102014106916A1 (de) * 2013-05-28 2014-12-04 Endress + Hauser Conducta Gesellschaft für Mess- und Regeltechnik mbH + Co. KG Vorrichtung zur automatisierten Bestimmung von mindestens zwei unterschiedlichen Prozessparametern
CN104318090A (zh) * 2014-10-13 2015-01-28 江苏大学 基于最小二乘法支持向量机的溶菌酶发酵过程中的广义预测方法
CN105676814B (zh) * 2016-01-11 2017-12-29 大唐环境产业集团股份有限公司 基于sfla‑svm的数字化水岛在线加药控制方法
CN107024861B (zh) * 2016-02-01 2020-10-23 上海梅山钢铁股份有限公司 一种转炉干法除尘***的在线建模方法
CN106052753A (zh) * 2016-05-18 2016-10-26 江苏大学 基于模糊支持向量机的秸秆发酵燃料乙醇过程关键状态变量软测量方法
EP3296387B1 (de) * 2016-09-16 2019-05-15 Siemens Aktiengesellschaft Verfahren zur überwachung von bioprozessen
CN106444377A (zh) * 2016-10-09 2017-02-22 江苏大学 基于pso‑fsvm的赖氨酸发酵过程关键变量软测量方法及***
CN106782703A (zh) * 2016-12-05 2017-05-31 浙江大学 一种核电站一回路冷却剂泄漏的软测量方法
CN106814171B (zh) * 2017-01-18 2019-02-19 江南大学 一种利用数学模型确定食用油中植物甾醇添加量的方法
CN107766880B (zh) * 2017-10-09 2020-08-28 江苏大学 基于ba-lssvm的光合细菌发酵过程关键参量的软测量方法
CN108090500B (zh) * 2017-11-22 2021-01-15 江苏大学 食用菌发酵生产过程关键参量的软测量方法
CN108388113B (zh) * 2018-02-07 2019-11-15 浙江大学 基于分布估计局部优化的最小二乘支持向量机软测量建模方法
CN108520111B (zh) * 2018-03-06 2021-11-30 宁波大学 一种基于正交成分最优选择与最优回归的软测量方法
CN108629146A (zh) * 2018-04-25 2018-10-09 广西民族大学 混沌粒子群算法及其在生化过程动态优化中的应用方法
CN110095188B (zh) * 2019-04-02 2021-07-16 杭州盗火者科技有限公司 一种光谱还原方法、装置及计算机可读存储介质
CN112541296A (zh) * 2020-07-22 2021-03-23 华北电力大学（保定） 一种基于pso-lssvm的so2预测方法
CN112069567B (zh) * 2020-08-07 2024-01-12 湖北交投十巫高速公路有限公司 基于随机森林和智能算法预测混凝土抗压强度的方法
CN114417720B (zh) * 2022-01-19 2023-04-28 江苏大学 一种毕赤酵母发酵过程多模型预测控制方法
CN115356936A (zh) * 2022-10-19 2022-11-18 山东润德生物科技有限公司 氨糖发酵过程中的补料控制方法、***、存储介质及设备

Family Cites Families (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN101587350B (zh) * 2009-06-05 2012-05-23 江苏大学 基于模糊神经逆的青霉素发酵过程关键生化量的软测量方法及***构造
CN101763036A (zh) * 2009-12-29 2010-06-30 江苏大学 基于模糊神经网络的赖氨酸发酵过程补料预测控制***及方法
CN101872387A (zh) * 2010-05-21 2010-10-27 杭州电子科技大学 一种啤酒口味的软测量方法
CN101872444B (zh) * 2010-05-21 2012-07-25 杭州电子科技大学 一种结合中期修正策略的间歇过程批到批优化方法

Also Published As

Publication number Publication date
CN102231057A (zh) 2011-11-02

Similar Documents

Publication Publication Date Title
CN102231057B (zh) 基于混沌粒子群优化的赖氨酸发酵过程软测量方法
CN108090500B (zh) 食用菌发酵生产过程关键参量的软测量方法
CN101630376B (zh) 多模型神经网络的生物发酵过程软测量建模方法及软仪表
CN101315557B (zh) 基于遗传算法优化bp神经网络的丙烯聚合生产过程最优软测量仪表及方法
CN110807554B (zh) 基于风电/光伏经典场景集的生成方法及***
US20200202051A1 (en) Method for Predicting Outcome of an Modelling of a Process in a Bioreactor
CN101799888B (zh) 基于仿生智能蚁群算法的工业软测量方法
CN106843172A (zh) 基于jy‑kpls的复杂工业过程在线质量预测方法
CN101929993A (zh) 基于动态模糊神经网络的青霉素发酵过程软测量建模方法
CN101748186A (zh) 基于模糊支持向量机的赖氨酸发酵过程关键状态变量软测量方法及***
CN103226728B (zh) 高密度聚乙烯串级聚合反应过程智能检测与收率优化方法
CN109616161B (zh) 一种基于孪生支持向量回归机的发酵过程软测量方法
CN110046377A (zh) 一种基于异构相似度的选择性集成即时学习软测量建模方法
CN103674778A (zh) Rbf粒子群优化的工业熔融指数软测量仪表和方法
CN110908361B (zh) 一种基于在线孪生支持向量回归机的发酵过程软测量方法
CN103675006A (zh) 最小二乘的工业熔融指数软测量仪表和方法
CN107766880B (zh) 基于ba-lssvm的光合细菌发酵过程关键参量的软测量方法
CN110276480A (zh) 一种用于建筑能耗管理的分析预测方法及***
CN110909492B (zh) 一种基于极端梯度提升算法的污水处理过程软测量方法
CN106599391B (zh) 基于三角形角度值动态加权的关联向量机软测量建模方法
CN113051806A (zh) 一种基于aqpso-rbf神经网络的水质bod测量方法
Niu et al. Modeling and parameter updating for nosiheptide fed-batch fermentation process
CN103617316B (zh) 一种基于多核支持向量机的发酵过程动态预测方法
CN113377075B (zh) 一种稀土萃取过程实时优化的方法、装置及计算机可读存储介质
CN109598083A (zh) 一种基于果蝇算法优化孪生支持向量回归机的谷氨酸发酵过程软测量建模方法

Legal Events

Date Code Title Description
C06 Publication
PB01 Publication
C10 Entry into substantive examination
SE01 Entry into force of request for substantive examination
C14 Grant of patent or utility model
GR01 Patent grant
CF01 Termination of patent right due to non-payment of annual fee

Granted publication date: 20130821

Termination date: 20160304

CF01 Termination of patent right due to non-payment of annual fee