针对农杆菌ATCC31749发酵法产凝胶多糖过程中产物质量浓度预测精度不高问题,提出一种基于模糊加权最小二乘支持向量机(least squares support vector machine,LSSVM)算法和机理模型相结合的混合建模新方法。首先通过添加模糊加权思想和...针对农杆菌ATCC31749发酵法产凝胶多糖过程中产物质量浓度预测精度不高问题,提出一种基于模糊加权最小二乘支持向量机(least squares support vector machine,LSSVM)算法和机理模型相结合的混合建模新方法。首先通过添加模糊加权思想和混合核函数方法对LSSVM算法进行优化,并用优化后的LSSVM求解农杆菌ATCC31749发酵过程动力学模型,结合鸟群算法对动力学模型参数进行寻优;然后拟合出溶氧体积分数和各参数之间的关联函数模型,并代入到动力学模型,建立起以溶氧浓度作为关键控制变量的发酵动力学模型;最后,用鸟群算法对模型进行寻优,寻找使得发酵产物浓度最大的最优溶氧过程控制策略。实验仿真结果表明,混合模型的预测精度得到提高,产多糖期溶氧体积分数控制为52%时,产物质量浓度最大,为48.85 g/L。该研究所建立的农杆菌发酵过程混合模型及其溶氧优化结果,为发酵工业上进一步通过最佳溶氧控制策略来提高多糖产量提供了方向。展开更多
最小二乘支持向量机(Least Squares Support Vector Machine,LSSVM)通过求解一个线性等式方程组来提高支持向量机(Support Vector Machine,SVM)的运算速度。但是,LSSVM没有考虑间隔分布对于LSSVM模型的影响,导致其精度较低。为了增强LS...最小二乘支持向量机(Least Squares Support Vector Machine,LSSVM)通过求解一个线性等式方程组来提高支持向量机(Support Vector Machine,SVM)的运算速度。但是,LSSVM没有考虑间隔分布对于LSSVM模型的影响,导致其精度较低。为了增强LSSVM模型的泛化性能,提高其分类能力,提出一种具有间隔分布优化的最小二乘支持向量机(LSSVM with margin distribution optimization,MLSSVM)。首先,重新定义间隔均值和间隔方差,深入挖掘数据的间隔分布信息,增强模型的泛化性能;其次,引入权重线性损失,进一步优化了间隔均值,提升模型的分类精度;然后,分析目标函数,剔除冗余项,进一步优化间隔方差;最后,保留LSSVM的求解机制,保障模型的计算效率。实验表明,新提出的分类模型具有良好的泛化性能和运行时间。展开更多
文摘最小二乘支持向量机(Least Squares Support Vector Machine,LSSVM)通过求解一个线性等式方程组来提高支持向量机(Support Vector Machine,SVM)的运算速度。但是,LSSVM没有考虑间隔分布对于LSSVM模型的影响,导致其精度较低。为了增强LSSVM模型的泛化性能,提高其分类能力,提出一种具有间隔分布优化的最小二乘支持向量机(LSSVM with margin distribution optimization,MLSSVM)。首先,重新定义间隔均值和间隔方差,深入挖掘数据的间隔分布信息,增强模型的泛化性能;其次,引入权重线性损失,进一步优化了间隔均值,提升模型的分类精度;然后,分析目标函数,剔除冗余项,进一步优化间隔方差;最后,保留LSSVM的求解机制,保障模型的计算效率。实验表明,新提出的分类模型具有良好的泛化性能和运行时间。
