發(fā)布時間：2018-01-05 00:34

  本文關鍵詞：改進的FCM-LSSVM青霉素發(fā)酵過程預測建模　出處：《控制工程》2017年11期 　論文類型：期刊論文

  更多相關文章： 青霉素發(fā)酵過程 模糊C均值聚類 最小二乘向量機 預測

【摘要】：針對青霉素發(fā)酵過程周期長,每個階段表現(xiàn)出不同的特性,最小二乘支持向量機(least squares support vector machines,LSSVM)的全局模型預測精度難以保證的問題,提出了改進的基于模糊C均值聚類(fuzzy C-means clustering algorithm,FCM)和LSSVM的青霉素發(fā)酵過程分段建模方法。首先,在分析影響青霉素產(chǎn)物濃度相關因素的基礎上選取輸入變量,對樣本數(shù)據(jù)采用FCM算法聚類,按照最大隸屬度將樣本歸類為穩(wěn)定過程或過渡過程;然后,分別為穩(wěn)定過程的4個階段和過渡過程的3個階段分別建立LSSVM子模型,最后通過子模型切換策略得到系統(tǒng)輸出。利用Pensim仿真平臺數(shù)據(jù),將提出的方法與FCM-LSSVM和LSSVM方法進行比較,平均絕對誤差分別為0.013 2、0.014 3、0.014 9,均方根誤差分別為0.017 8、0.019 2、0.021 6,實驗結果表明,所提出的方法具有良好的精度和泛化能力。
[Abstract]:In view of the penicillin fermentation process cycle is long, each stage shows different characteristics. The least squares support vector machine (LS-SVM) is least squares support vector machines. LSSVM) global model prediction accuracy is difficult to ensure. An improved fuzzy C-means clustering algorithm based on fuzzy C-means clustering is proposed. Firstly, based on the analysis of the factors related to the concentration of penicillin products, the input variables were selected, and the sample data were clustered by FCM algorithm. According to the maximum degree of membership, the sample is classified as a stable process or a transition process; Then, the LSSVM submodel is established for the four stages of the stabilization process and the three stages of the transition process respectively. Finally, the output of the system is obtained by submodel switching strategy. Using the data of Pensim simulation platform, the proposed method is compared with FCM-LSSVM and LSSVM methods. The mean absolute error and root mean square error were 0.013 2 0. 014 3 0. 014 9 and 0. 017 8 0. 019 2 鹵0. 021 6, respectively. The experimental results show that the proposed method has good accuracy and generalization ability.
【作者單位】： 宜春學院物理科學與工程技術學院;
【基金】：國家自然科學基金(51366013)
【分類號】：TP18;TQ927
【正文快照】： 青霉素發(fā)酵過程具有不確定性、非線性和嚴重的時變性等特點,且發(fā)酵過程機理復雜,數(shù)學模型難以建立,因此,一般采用人工神經(jīng)網(wǎng)絡[1,2]、支持向量機[3](support vector machines,SVM)等數(shù)據(jù)驅動方法建立經(jīng)驗模型。神經(jīng)網(wǎng)絡建模存在訓練樣本量大,網(wǎng)絡結構難確定,易陷入局部極值,收

【相似文獻】

相關期刊論文 前10條

1 倪華方;王樹青;王驥程;;工業(yè)青霉素發(fā)酵過程的計算機控制[J];化工自動化及儀表;1989年06期

2 鄒衛(wèi),王樹青;一種青霉素發(fā)酵過程補料優(yōu)化的新方法[J];福州大學學報(自然科學版);1993年05期

3 于乃功,阮曉鋼;青霉素發(fā)酵過程優(yōu)化控制問題及方法研究[J];國外醫(yī)藥(抗生素分冊);2004年03期

4 孫琦;;淺析青霉素發(fā)酵的過程特點及其控制方法[J];科技創(chuàng)新與應用;2012年12期

5 韓芳;王新香;王愛民;;青霉素發(fā)酵過程的模型辨識及仿真研究[J];計算機仿真;2013年04期

6 張嗣良,金沙,徐萼輝,俞俊棠;青霉素發(fā)酵過程特點與控制對策[J];華東化工學院學報;1989年04期

7 陳冠勝;王樹青;;青霉素發(fā)酵過程的微機控制系統(tǒng)[J];醫(yī)藥工程設計;1990年06期

8 梁小凡;熊偉麗;楊薇薇;徐保國;;青霉素發(fā)酵過程的2DPCA建模及監(jiān)測[J];計算機應用研究;2014年04期

9 汪志鋒;袁景淇;;基于動態(tài)MPLS的發(fā)酵過程效益函數(shù)在線預報[J];化工自動化及儀表;2006年02期

10 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

相關博士學位論文 前1條

1 劉世成;面向間歇發(fā)酵過程的多元統(tǒng)計監(jiān)測方法研究[D];浙江大學;2008年

相關碩士學位論文 前3條

1 王妍;青霉素發(fā)酵間歇過程特征狀態(tài)監(jiān)督系統(tǒng)[D];北京化工大學;2011年

2 孔明;基于FDA的青霉素發(fā)酵過程故障診斷研究[D];東北大學;2010年

3 馬強;間歇發(fā)酵過程的優(yōu)化操作與調(diào)度[D];北京化工大學;2010年

，

本文編號：1380834