CN109598083A - 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 - Google Patents
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 Download PDFInfo
- Publication number
- CN109598083A CN109598083A CN201811547861.6A CN201811547861A CN109598083A CN 109598083 A CN109598083 A CN 109598083A CN 201811547861 A CN201811547861 A CN 201811547861A CN 109598083 A CN109598083 A CN 109598083A
- Authority
- CN
- China
- Prior art keywords
- glutamic acid
- drosophila
- support vector
- acid fermentation
- fermentation process
- 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.)
- Pending
Links
- 238000000855 fermentation Methods 0.000 title claims abstract description 68
- 230000004151 fermentation Effects 0.000 title claims abstract description 68
- 241000255581 Drosophila <fruit fly, genus> Species 0.000 title claims abstract description 62
- WHUUTDBJXJRKMK-UHFFFAOYSA-N Glutamic acid Natural products OC(=O)C(N)CCC(O)=O WHUUTDBJXJRKMK-UHFFFAOYSA-N 0.000 title claims abstract description 62
- 235000013922 glutamic acid Nutrition 0.000 title claims abstract description 62
- 239000004220 glutamic acid Substances 0.000 title claims abstract description 62
- 238000000034 method Methods 0.000 title claims abstract description 27
- 238000005457 optimization Methods 0.000 title claims abstract description 25
- WHUUTDBJXJRKMK-VKHMYHEASA-N L-glutamic acid Chemical compound OC(=O)[C@@H](N)CCC(O)=O WHUUTDBJXJRKMK-VKHMYHEASA-N 0.000 claims abstract description 87
- 238000012360 testing method Methods 0.000 claims description 15
- 238000012549 training Methods 0.000 claims description 12
- 230000008569 process Effects 0.000 claims description 8
- 239000000796 flavoring agent Substances 0.000 claims description 5
- 235000019634 flavors Nutrition 0.000 claims description 5
- 238000004458 analytical method Methods 0.000 claims description 4
- 239000011159 matrix material Substances 0.000 claims description 4
- 230000003044 adaptive effect Effects 0.000 claims description 3
- 238000013507 mapping Methods 0.000 claims description 2
- DWNBOPVKNPVNQG-LURJTMIESA-N (2s)-4-hydroxy-2-(propylamino)butanoic acid Chemical compound CCCN[C@H](C(O)=O)CCO DWNBOPVKNPVNQG-LURJTMIESA-N 0.000 claims 1
- 235000013399 edible fruits Nutrition 0.000 claims 1
- 238000005259 measurement Methods 0.000 abstract description 16
- 238000004519 manufacturing process Methods 0.000 abstract description 12
- 238000009655 industrial fermentation Methods 0.000 abstract description 3
- QVGXLLKOCUKJST-UHFFFAOYSA-N atomic oxygen Chemical compound [O] QVGXLLKOCUKJST-UHFFFAOYSA-N 0.000 description 4
- 229910052760 oxygen Inorganic materials 0.000 description 4
- 239000001301 oxygen Substances 0.000 description 4
- QGZKDVFQNNGYKY-UHFFFAOYSA-N Ammonia Chemical compound N QGZKDVFQNNGYKY-UHFFFAOYSA-N 0.000 description 2
- 238000010276 construction Methods 0.000 description 2
- 238000005516 engineering process Methods 0.000 description 2
- 239000007788 liquid Substances 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- NAWXUBYGYWOOIX-SFHVURJKSA-N (2s)-2-[[4-[2-(2,4-diaminoquinazolin-6-yl)ethyl]benzoyl]amino]-4-methylidenepentanedioic acid Chemical compound C1=CC2=NC(N)=NC(N)=C2C=C1CCC1=CC=C(C(=O)N[C@@H](CC(=C)C(O)=O)C(O)=O)C=C1 NAWXUBYGYWOOIX-SFHVURJKSA-N 0.000 description 1
- VHUUQVKOLVNVRT-UHFFFAOYSA-N Ammonium hydroxide Chemical compound [NH4+].[OH-] VHUUQVKOLVNVRT-UHFFFAOYSA-N 0.000 description 1
- 239000002253 acid Substances 0.000 description 1
- 229910021529 ammonia Inorganic materials 0.000 description 1
- 239000000908 ammonium hydroxide Substances 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000003851 biochemical process Effects 0.000 description 1
- 230000008859 change Effects 0.000 description 1
- 230000008878 coupling Effects 0.000 description 1
- 238000010168 coupling process Methods 0.000 description 1
- 238000005859 coupling reaction Methods 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 238000000691 measurement method Methods 0.000 description 1
- 238000003062 neural network model Methods 0.000 description 1
- 238000012545 processing Methods 0.000 description 1
- 230000009467 reduction Effects 0.000 description 1
- 238000005070 sampling Methods 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- 230000009466 transformation Effects 0.000 description 1
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F30/00—Computer-aided design [CAD]
- G06F30/20—Design optimisation, verification or simulation
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Computer Hardware Design (AREA)
- Evolutionary Computation (AREA)
- Geometry (AREA)
- General Engineering & Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Investigating Or Analysing Biological Materials (AREA)
Abstract
本发明提供了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,属于工业发酵生产过程软测量建模和应用领域。首先基于数据确定谷氨酸发酵软测量建模所需的辅助变量,对辅助变量进行预处理;通过对谷氨酸发酵生产过程中的主要辅助变量和产物谷氨酸浓度之间的非线性关系进行基于果蝇算法优化孪生支持向量回归机的软测量建模,利用发酵生产中容易测量的变量对较难测量的产物浓度进行在线软测量,可以为谷氨酸发酵生产过程操作提供指导,本软测量建模能提高谷氨酸发酵过程产物谷氨酸浓度的预测精度,可有效用于指导谷氨酸生产。
Description
技术领域
本发明属于工业发酵生产过程软测量建模和应用领域,特别涉及一种基于果蝇算法优化孪生支持向量回归机的发酵过程生化产物浓度的软测量建模方法。
背景技术
谷氨酸作为工业发酵领域的重要产品,有着非常广泛的应用。谷氨酸发酵过程是一类高度非线性、重复性较差、慢时变的复杂生化过程。在实际的生产过程中,谷氨酸浓度是发酵过程中一个重要的指标,但是由于传感器技术等的限制,该指标的测量很困难,目前常用的方法是通过实验室离线测量得到。相比在线的实时测量方法,谷氨酸浓度的离线测量往往需要花费更多的时间,这对于谷氨酸发酵过程的质量控制来说是非常不利的。为了提高谷氨酸发酵过程的自动化程度和产品质量,通常需要对谷氨酸浓度进行在线软测量。
软测量方法通过对过程中容易测量的变量和谷氨酸浓度之间的关系进行建模,并利用辨识的方法确定模型参数。利用该模型在线对谷氨酸浓度进行估计,实时获得谷氨酸浓度的在线值,能有效避免传统分析方法大时滞的缺点。但是,由于发酵过程中谷氨酸产量和其影响因素之间的复杂关系,过程变量之间有的时候会表现出很强的非线性关系。在这种情况下,传统神经网络模型、模糊逻辑推理模型等对谷氨酸浓度的软测量难以达到满意的效果。
近年来,使用各种核函数处理非线性数据的方法得到了广泛使用,其中代表性方法有支持向量机回归和孪生支持向量回归机等。在发酵过程中,在线可测辅助变量与生化参数如谷氨酸浓度等主导变量间是一种复杂非线性关系。由于孪生支持向量回归机通过合适的正规化参数选择而具有更好的泛化能力和有效的非线性建模能力,而且具有建模时间短、参数少等特点,可实现谷氨酸发酵过程中谷氨酸浓度的软测量。
发明内容
本发明针对谷氨酸生产过程中产物浓度测量的难点,提供一种基于果蝇优化的孪生支持向量回归机的谷氨酸浓度软测量的建模方法。
本发明的技术方案:
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,步骤如下:
(1)通过数据库收集谷氨酸发酵过程各个辅助变量的实时数据作为初始样本,通过分析获取初始样本所对应的谷氨酸浓度值,作为软测量建模的目标输出;
(2)对初始样本进行预处理得到建模样本,将建模样本划分为训练样本和测试样本;
(3)采用训练样本,建立基于孪生支持向量回归机的谷氨酸发酵过程软测量模型,采用测试样本进行谷氨酸浓度的预测;
(4)选择多项式核函数,作为孪生支持向量回归机的谷氨酸发酵过程软测量模型的核函数;确定需要优化的参数C1,C2,ε1,ε2,其中C1和C2为孪生支持向量回归机的谷氨酸发酵过程软测量模型的惩罚参数,ε1和ε2为孪生支持向量回归机的不敏感损失参数;
(5)采用果蝇算法对孪生支持向量回归机的谷氨酸发酵过程软测量模型的参数C1,C2,ε1,ε2进行优化,在全局范围内得到最优值;
(6)代入经过优化的参数C1,C2,ε1,ε2,构造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模型;
(7)在线采集谷氨酸发酵过程主要辅助变量的新样本,并对其进行预处理;
(8)将预处理后的新样本输入到步骤(6)中基于果蝇算法优化的谷氨酸发酵过程软测量模型中,获得该时刻对应的谷氨酸浓度;
所述步骤(3)中,建立基于孪生支持向量回归机的谷氨酸发酵过程软测量模型,具体过程为:
采用孪生支持向量回归机进行建模,孪生支持向量回归机把拟合问题等价为二次规划问题:
其中,式(1)和(2)是优化问题的目标函数,训练样本是组成向量m为训练样本组数;Ai为1×d维的向量,i=1,2,...,m,d为训练样本的维数; 是Ai对应的软测量建模的目标输出,i=1,2,...,m;α和γ为拉格朗日乘子,α和γ都为m×1维的向量,e为m×1维的单位列向量;H=[K(A,AT)e],K(·)是非线性映射函数,K(A,AT)=[(A·AT)+S]·[(A·AT)+S]T,S为元素全为1的m×m维矩阵;f=Y1-ε1e,h=Y1+ε2e;通过matlab的二次规划工具箱求解式(1)和式(2),即可得到α和γ的值;
测试样本是组成向量m为测试样本组数;Bi为1×d维的向量,i=1,2,...,m;Y=[y1y2…ym]T,yi是Bi对应的目标输出,i=1,2,...,m;则得到测试样本B的预测输出为:
其中,
所述步骤(5)的具体过程为:
①设定果蝇群体数目sizepop,最大的迭代次数maxgen,最优适应度函数值M和四个果蝇个体的初始化最优坐标(Uj,Vj)=(0,0),j=1,2,3,4;在[0,1]范围内,随机生成四个果蝇个体随机数,得到四个果蝇个体初始坐标j=1,2,3,4;
②设定迭代次数的初始值k=1;
③设定果蝇群体组数的初始值size=1;
④计算果蝇群体的适应度函数:
⑤对每个果蝇个体赋予随机方向与距离,得到第size组四个果蝇个体的坐标
其中Random_Value表示[-50,50]的随机数;
⑥通过式(6)计算第size组果蝇群体与原点之间的距离再计算味道浓度判定值该值为距离的倒数;
⑦取代入步骤(3)中建立基于孪生支持向量回归机的谷氨酸发酵过程软测量模型中,并进行谷氨酸浓度的预测,通过公式(4)求出第size组果蝇群体的适应度函数值smellsize;
⑧判断size是否小于sizepop,小于sizepop,则size=size+1,转到④;否则转到⑨;
⑨从sizepop组果蝇群体中找到最小适应度函数值bestsmellp=min(smell1,smell2...,smellsizepop),对应的第p组四个果蝇个体坐标j=1,2,3,4,其中p为sizepop组果蝇群体中最小适应度函数值所对应的组号;
判断bestsmellp是否大于M,大于M,则否则M=bestsmellp,
⑩将k=k+1,当k<maxgen时,则转到③,否则转到
得到最优坐标(Uj,Vj),j=1,2,3,4;计算味道浓度判定值
果蝇算法对孪生支持向量回归机的参数在全局范围内找到的四个最优值C1=S1,C2=S2,ε1=S3,ε2=S4。
本发明的有益效果:本发明通过对谷氨酸生产过程中辅助变量和产物谷氨酸浓度的非线性关系进行基于果蝇算法优化孪生支持向量回归机的软测量建模,通过发酵过程中易于测量的辅助变量对难于测量的产物谷氨酸浓度进行在线软测量,为谷氨酸发酵生产过程的产物谷氨酸浓度的在线实时测量提供了一种方法。
附图说明
图1是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流程框图。
图2是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后预测结果曲线图,图中小实心三角表示谷氨酸产物浓度的软测量预测值。
图3是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后模型残差输出结果曲线图,图中小实心三角表示谷氨酸产物浓度的软测量预测值与实际测量值的残差。
具体实施方式
下面结合附图对本发明的具体实施方式做进一步说明。
参照附图1,一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,包括以下步骤:
步骤1:通过控制***的数据库收集谷氨酸发酵过程各个辅助变量的实时数据作为初始样本,通过实验室分析获取初始样本所对应的谷氨酸浓度值,作为软测量建模的目标输出;
步骤2:对初始样本进行预处理得到建模样本,将建模样本划分为训练样本和测试样本;
步骤3:针对训练样本和测试样本,建立基于孪生支持向量回归机的谷氨酸发酵过程软测量模型;
采用孪生支持向量回归机进行建模,孪生支持向量回归机把拟合问题等价为二次规划问题:
其中,ξ和η是非负的松弛变量;将式(7)和式(8)中两个不平行决策函数的求解问题可转换为求解式(1)和式(2)两个二次规划问题;通过引入拉格朗日乘子α,γ,都为n×1维列向量,由KKT条件可得:
联立式(9)和式(10)可以得到:
令H=[K(A,AT)e],f=Y1-ε1e,式(12)变换为:
-GTf+GTGu1+GTα=0 (13)
由式(13)解得u1=(GTG)-1GT(f-α);
同理,u2=(GTG)-1GT(h-γ),其中:h=Y1-ε2e,结合式(8)~(11)可以解得可以得到式(1)和式(2),可通过matlab二次规划工具箱求解,解得α和γ,就可以得到u1和u2;将测试样本代入式(3)进行训练,就可以得到
步骤4:选择多项式核函数,作为孪生支持向量回归机的谷氨酸发酵过程软测量模型的核函数;确定需要优化的参数C1,C2,ε1,ε2,其中C1和C2为孪生支持向量回归机的谷氨酸发酵过程软测量的惩罚参数,ε1和ε2为孪生支持向量回归机的不敏感损失参数;
步骤5:采用果蝇算法对孪生支持向量回归机的谷氨酸发酵过程软测量的参数C1,C2,ε1,ε2进行优化,在全局范围内得到最优值;具体过程为:
①设定果蝇群体数目sizepop=20,最大的迭代次数maxgen=100,最优适应度函数值M=10和四个初始化最优坐标在[0,1]范围内,随机生成四个果蝇个体随机数,得到初始坐标
②设定迭代次数的初始值k=1;
③设定果蝇群体组数的初始值size=1;
④通过式(4)计算果蝇群体的适应度函数;
⑤对每个果蝇个体通过式(5)赋予随机方向与距离,得到
⑥通过式(6)计算第size组果蝇群体与原点之间的距离再计算味道浓度判定值
⑦取代入步骤(3)中建立基于孪生支持向量回归机的谷氨酸发酵过程软测量模型中,并进行谷氨酸浓度的预测,通过公式(4)求出第size组果蝇群体的适应度函数值smellsize;
⑧判断size是否小于sizepop,如果是,则size=size+1,转到④;否则转到⑨;
⑨从sizepop组果蝇群体中找到最小适应度函数值bestsmellp=min(smell1,smell2...,smellsizepop),对应的坐标其中p为sizepop组果蝇群体中最小适应度函数值所对应的位置;判断bestsmellp是否大于M,如果是,则否则M=bestsmellp,
⑩将k=k+1,判断k<maxgen,如果成立,则转到③,否则转到
得到最优坐标(Uj,Vj),j=1,2,3,4,果蝇算法对孪生支持向量回归机的参数在全局范围内找到的四个最优值C1=S1,C2=S2,ε1=S3,ε2=S4。
步骤6:代入经过优化的参数C1,C2,ε1,ε2,构造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模型;
步骤7:在线采集谷氨酸发酵过程主要辅助变量的新样本,并对其进行预处理;
步骤8:将预处理后的新样本输入到步骤6中基于果蝇算法优化的谷氨酸发酵过程软测量模型中,获得该时刻对应的谷氨酸浓度;
实施例
采用本发明提出的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模型的方法,结合一个具体的谷氨酸发酵过程例子来说明本发明的有效性。发酵过程中影响谷氨酸产品浓度的因数有:发酵时间t、发酵温度T、发酵液pH值、搅拌转速RPM、溶氧DO、O2的摄取速率OUR、CO2的生成速率CER、氨水消耗量、发酵罐压力p和体积V等。取5批共90组谷氨酸发酵过程数据,每批都表示一个完整的发酵过程,形成90×8维输入量样本数据矩阵和90×1维输出量矩阵;降维为90×6维输入量样本数据矩阵和90×1维输出量矩阵。4批数据作为训练,其余1批数据作为测试。为了消除量纲的影响,将数据做标准化处理。
结合谷氨酸发酵生产工艺和现场实际可知,发酵时间t、发酵温度T、发酵液pH值、溶氧DO、搅拌转速RPM、O2的摄取速率OUR和CO2的生成速率CER相对于其它相关因素,关联度较大;另外转速RPM虽然与谷氨酸浓度关联度较大,但因与溶氧值DO存在偶联关系,可不予考虑,最后确定预测模型输入变量为:发酵时间t、溶氧DO、发酵温度T、O2的摄取速率OUR、pH值和CO2的生成速率CER这6个辅助变量。
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对4批谷氨酸发酵数据进行训练,1批数据进行预测测试。从附图2和附图3可以看出,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模型能较为准确预测出谷氨酸浓度,具有较好的预测精度。
以上是本发明的较佳实施例而已,并非对本发明作任何形式上的限制,凡是依据本发明的技术实质对以上实施例所做的任何简单修改、等同变化与修饰,均属于发明技术方案的范围内。
Claims (1)
1.一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,其特征在于,步骤如下:
(1)通过数据库收集谷氨酸发酵过程各个辅助变量的实时数据作为初始样本,通过分析获取初始样本所对应的谷氨酸浓度值,作为软测量建模的目标输出;
(2)对初始样本进行预处理得到建模样本,将建模样本划分为训练样本和测试样本;
(3)采用训练样本,建立基于孪生支持向量回归机的谷氨酸发酵过程软测量模型,采用测试样本进行谷氨酸浓度的预测;
(4)选择多项式核函数,作为孪生支持向量回归机的谷氨酸发酵过程软测量模型的核函数;确定需要优化的参数C1,C2,ε1,ε2,其中C1和C2为孪生支持向量回归机的谷氨酸发酵过程软测量模型的惩罚参数,ε1和ε2为孪生支持向量回归机的不敏感损失参数;
(5)采用果蝇算法对孪生支持向量回归机的谷氨酸发酵过程软测量模型的参数C1,C2,ε1,ε2进行优化,在全局范围内得到最优值;
(6)代入经过优化的参数C1,C2,ε1,ε2,构造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模型;
(7)在线采集谷氨酸发酵过程主要辅助变量的新样本,并对其进行预处理;
(8)将预处理后的新样本输入到步骤(6)中基于果蝇算法优化的谷氨酸发酵过程软测量模型中,获得该时刻对应的谷氨酸浓度;
所述步骤(3)中,建立基于孪生支持向量回归机的谷氨酸发酵过程软测量模型,具体过程为:
采用孪生支持向量回归机进行建模,孪生支持向量回归机把拟合问题等价为二次规划问题:
其中,式(1)和(2)是优化问题的目标函数,训练样本是组成向量m为训练样本组数;Ai为1×d维的向量,i=1,2,...,m,d为训练样本的维数; 是Ai对应的软测量建模的目标输出,i=1,2,...,m;α和γ为拉格朗日乘子,α和γ都为m×1维的向量,e为m×1维的单位列向量;H=[K(A,AT)e],K(·)是非线性映射函数,K(A,AT)=[(A·AT)+S]·[(A·AT)+S]T,S为元素全为1的m×m维矩阵;f=Y1-ε1e,h=Y1+ε2e;通过matlab的二次规划工具箱求解式(1)和式(2),即可得到α和γ的值;
测试样本是组成向量m为测试样本组数;Bi为1×d维的向量,i=1,2,...,m;Y=[y1 y2…ym]T,yi是Bi对应的目标输出,i=1,2,...,m;则得到测试样本B的预测输出为:
其中,
所述步骤(5)的具体过程为:
①设定果蝇群体数目sizepop,最大的迭代次数maxgen,最优适应度函数值M和四个果蝇个体的初始化最优坐标(Uj,Vj)=(0,0),j=1,2,3,4;在[0,1]范围内,随机生成四个果蝇个体随机数,得到四个果蝇个体初始坐标
②设定迭代次数的初始值k=1;
③设定果蝇群体组数的初始值size=1;
④计算果蝇群体的适应度函数:
⑤对每个果蝇个体赋予随机方向与距离,得到第size组四个果蝇个体的坐标
其中Random_Value表示[-50,50]的随机数;
⑥通过式(6)计算第size组果蝇群体与原点之间的距离再计算味道浓度判定值该值为距离的倒数;
⑦取代入步骤(3)中建立基于孪生支持向量回归机的谷氨酸发酵过程软测量模型中,并进行谷氨酸浓度的预测,通过公式(4)求出第size组果蝇群体的适应度函数值smellsize;
⑧判断size是否小于sizepop,小于sizepop,则size=size+1,转到④;否则转到⑨;
⑨从sizepop组果蝇群体中找到最小适应度函数值bestsmellp=min(smell1,smell2...,smellsizepop),对应的第p组四个果蝇个体坐标其中p为sizepop组果蝇群体中最小适应度函数值所对应的组号;判断bestsmellp是否大于M,大于M,则否则M=bestsmellp,
⑩将k=k+1,当k<maxgen时,则转到③,否则转到
得到最优坐标(Uj,Vj),j=1,2,3,4;计算味道浓度判定值
果蝇算法对孪生支持向量回归机的参数在全局范围内找到的四个最优值C1=S1,C2=S2,ε1=S3,ε2=S4。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201811547861.6A CN109598083A (zh) | 2018-12-18 | 2018-12-18 | 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 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201811547861.6A CN109598083A (zh) | 2018-12-18 | 2018-12-18 | 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 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN109598083A true CN109598083A (zh) | 2019-04-09 |
Family
ID=65963519
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201811547861.6A Pending CN109598083A (zh) | 2018-12-18 | 2018-12-18 | 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 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN109598083A (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110908361A (zh) * | 2019-12-03 | 2020-03-24 | 江南大学 | 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 |
Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20170061305A1 (en) * | 2015-08-28 | 2017-03-02 | Jiangnan University | Fuzzy curve analysis based soft sensor modeling method using time difference Gaussian process regression |
CN107391851A (zh) * | 2017-07-26 | 2017-11-24 | 江南大学 | 一种基于核岭回归的谷氨酸发酵过程软测量建模方法 |
CN107703493A (zh) * | 2017-11-13 | 2018-02-16 | 浙江大学 | 基于自适应果蝇优化算法优化最小二乘支持向量机的海杂波最优软测量仪表及方法 |
CN107942304A (zh) * | 2017-11-13 | 2018-04-20 | 浙江大学 | 基于果蝇优化算法优化最小二乘支持向量机的海杂波最优软测量仪表及方法 |
-
2018
- 2018-12-18 CN CN201811547861.6A patent/CN109598083A/zh active Pending
Patent Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20170061305A1 (en) * | 2015-08-28 | 2017-03-02 | Jiangnan University | Fuzzy curve analysis based soft sensor modeling method using time difference Gaussian process regression |
CN107391851A (zh) * | 2017-07-26 | 2017-11-24 | 江南大学 | 一种基于核岭回归的谷氨酸发酵过程软测量建模方法 |
CN107703493A (zh) * | 2017-11-13 | 2018-02-16 | 浙江大学 | 基于自适应果蝇优化算法优化最小二乘支持向量机的海杂波最优软测量仪表及方法 |
CN107942304A (zh) * | 2017-11-13 | 2018-04-20 | 浙江大学 | 基于果蝇优化算法优化最小二乘支持向量机的海杂波最优软测量仪表及方法 |
Non-Patent Citations (1)
Title |
---|
黄华娟: "孪生支持向量机关键问题的研究" * |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110908361A (zh) * | 2019-12-03 | 2020-03-24 | 江南大学 | 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 |
CN110908361B (zh) * | 2019-12-03 | 2022-06-14 | 江南大学 | 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 |
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 | |
CN107391851A (zh) | 一种基于核岭回归的谷氨酸发酵过程软测量建模方法 | |
CN106843172A (zh) | 基于jy‑kpls的复杂工业过程在线质量预测方法 | |
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 | |
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 | |
CN106444377A (zh) | 基于pso‑fsvm的赖氨酸发酵过程关键变量软测量方法及*** | |
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*** | |
CN107782857A (zh) | 基于改进cs‑bpnn的食用菌发酵过程关键参量的软测量方法 | |
Cheng et al. | Artificial intelligence technologies in bioprocess: opportunities and challenges | |
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 | |
CN103674778A (zh) | Rbf粒子群优化的工业熔融指数软测量仪表和方法 | |
CN103675006A (zh) | 最小二乘的工业熔融指数软测量仪表和方法 | |
Wang et al. | Soft-sensing modeling based on ABC-MLSSVM inversion for marine low-temperature alkaline protease MP fermentation process | |
Zhu et al. | The generalized predictive control of bacteria concentration in marine lysozyme fermentation process | |
Saarela et al. | Modelling of a fed-batch fermentation process | |
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 | |
CN114239397A (zh) | 基于动态特征提取与局部加权深度学习的软测量建模方法 | |
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 | |
CN103810396A (zh) | 一种基于特征空间的双核多向偏最小二乘的发酵过程质量预测方法 | |
CN103617316B (zh) | 一种基于多核支持向量机的发酵过程动态预测方法 | |
CN106599391A (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 | |
CN103675012A (zh) | Bp粒子群优化的工业熔融指数软测量仪表和方法 | |
Yi et al. | Computer-aided visual modeling of rice leaf growth based on machine learning | |
CN103675009A (zh) | 模糊方程的工业熔融指数软测量仪表及方法 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
RJ01 | Rejection of invention patent application after publication |
Application publication date: 20190409 |
|
RJ01 | Rejection of invention patent application after publication |