基于支持向量机的发酵过程菌体浓度软测量研究

摘要

菌体浓度直接反映发酵过程中微生物生长情况，是发酵进程的主要标志，对发酵产物品质好坏起决定性作用。限于生物传感器水平，菌体浓度难以在线实时检测。根据发酵过程表征菌体生长情况的关键变量，建立精确的菌体浓度软测量模型，从而能够实时监测发酵过程，优化发酵工艺。支持向量机(Support Vector Machine，SVM)基于统计学习理论，擅长小样本学习。本文以毕氏酵母菌发酵过程为研究对象，采用SVM进行菌体浓度软测量。
　　发酵过程机理复杂、生产周期长、样本数据难以采集，本文首先分析毕氏酵母菌发酵工艺过程，找到影响菌体浓度的关键变量。分别采用SVM和BP神经网络两种方法进行菌体浓度软测量。通过MATLAB仿真分析，比较在小样本情况下，两者的预测性能。针对SVM参数选择问题，在遗传算法基础上，结合激素调节机制，采用改进遗传算法优化SVM参数，通过仿真分析，对比标准遗传算法，在收敛速度、寻优效果上的不同。发酵过程复杂多变，微生物生长过程中各阶段特点显著，对发酵过程分阶段建立软测量模型是解决该问题的重要手段。本文采用模糊均值聚类算法对发酵过程进行阶段划分，对每个阶段分别采用SVM软测量预测菌体浓度，对比全局预测模型，判断预测性能好坏。在现有发酵过程控制系统基础上，将菌体浓度软测量技术应用其中，实现发酵过程菌体浓度实时预测。

目录

声明

摘要

第1章 绪论

1．1 研究背景及意义

1．2 国内外研究现状

1．2．1 软测量技术研究现状

1．2．2 SVM的参数选择研究现状

1．2．3 SVM软测量的其它研究现状

1．3 本论文主要内容和结构

第2章 基于SVM的发酵过程菌体浓度软测量研究

2．1 SVM基本原理

2．1．1 最优超平面理论

2．1．2 最优超平面的构建

2．1．3 支持向量回归分析

2．2 毕氏酵母菌发酵过程简介

2．2．1 毕氏酵母茵介绍

2．2．2 发酵工艺流程简介

2．2．3 影响菌体生长的主要因素

2．3 基于SVM的菌体浓度软测量

2．3．1 SVM输入输出变量选择

2．3．2 数据处理

2．3．3 仿真分析

2．4 基于BP神经网络的菌体浓度软测量

2．4．1 BP神经网络简介

2．4．2 仿真分析

2．5 SVM与BP神经网络软测量预测性能比较

2．5．1 仿真比较与数据分析

2．5．2 结论

2．6 本章小结

第3章 基于改进遗传算法和SVM的菌体浓度软测量

3．1 改进遗传算法

3．1．1 遗传算法介绍

3．1．2 遗传算法的改进研究

3．1．3 基于激素调节机制的改进遗传算法

3．2 改进遗传算法优化SVM参数

3．2．1 参数对SVM的影响

3．2．2 改进遗传算法优化SVM参数

3．3 仿真分析

3．4 本章小结

第4章 基于分阶段的SVM菌体浓度软测量

4．1 分阶段软测量研究

4．1．1 微生物发酵过程阶段划分

4．1．2 分阶段软测量研究进展

4．1．3 模糊聚类算法简介

4．2 基于模糊C均值聚类算法的发酵过程分阶段软测量

4．2．1 基于模糊C均值聚类算法的发酵过程分阶段

4．2．2 基于SVM的发酵过程分阶段菌体浓度软测量

4．3 本章小结

第5章 发酵过程菌体浓度软测量工程实现

5．1 毕氏酵母菌发酵过程控制系统简介

5．2 毕氏酵母菌发酵过程控制系统改进

5．2．1 改进系统介绍

5．2．2 SC组态软件介绍

5．2．3 SC组态软件与MATLAB的数据通讯

5．3 本章小结

结论

参考文献

攻读硕士学位期间所发表的论文

致谢