CN110908361B - 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 - Google Patents
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 Download PDFInfo
- Publication number
- CN110908361B CN110908361B CN201911218032.8A CN201911218032A CN110908361B CN 110908361 B CN110908361 B CN 110908361B CN 201911218032 A CN201911218032 A CN 201911218032A CN 110908361 B CN110908361 B CN 110908361B
- Authority
- CN
- China
- Prior art keywords
- formula
- modeling
- soft measurement
- online
- penicillin
- 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.)
- Active
Links
- 239000013598 vector Substances 0.000 title claims abstract description 48
- 238000000855 fermentation Methods 0.000 title claims abstract description 41
- 230000004151 fermentation Effects 0.000 title claims abstract description 41
- 238000000691 measurement method Methods 0.000 title claims abstract description 11
- 229930182555 Penicillin Natural products 0.000 claims abstract description 52
- JGSARLDLIJGVTE-MBNYWOFBSA-N Penicillin G Chemical compound N([C@H]1[C@H]2SC([C@@H](N2C1=O)C(O)=O)(C)C)C(=O)CC1=CC=CC=C1 JGSARLDLIJGVTE-MBNYWOFBSA-N 0.000 claims abstract description 52
- 229940049954 penicillin Drugs 0.000 claims abstract description 52
- 238000005259 measurement Methods 0.000 claims abstract description 44
- 238000000034 method Methods 0.000 claims abstract description 18
- 238000012545 processing Methods 0.000 claims abstract description 5
- 238000010606 normalization Methods 0.000 claims abstract description 4
- 239000011159 matrix material Substances 0.000 claims description 31
- 230000006870 function Effects 0.000 claims description 12
- 238000004364 calculation method Methods 0.000 claims description 4
- 238000004458 analytical method Methods 0.000 claims description 3
- 241000084490 Esenbeckia delta Species 0.000 claims description 2
- 238000013507 mapping Methods 0.000 claims description 2
- 238000005457 optimization Methods 0.000 claims description 2
- 230000017105 transposition Effects 0.000 claims description 2
- 238000004519 manufacturing process Methods 0.000 abstract description 9
- 238000009655 industrial fermentation Methods 0.000 abstract description 2
- 238000012549 training Methods 0.000 description 5
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 238000012360 testing method Methods 0.000 description 2
- 102000008297 Nuclear Matrix-Associated Proteins Human genes 0.000 description 1
- 108010035916 Nuclear Matrix-Associated Proteins Proteins 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000005842 biochemical reaction Methods 0.000 description 1
- 230000003115 biocidal effect Effects 0.000 description 1
- 238000007796 conventional method Methods 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 238000001514 detection method Methods 0.000 description 1
- 238000004128 high performance liquid chromatography Methods 0.000 description 1
- 210000000299 nuclear matrix Anatomy 0.000 description 1
- 238000000746 purification Methods 0.000 description 1
- 238000003908 quality control method Methods 0.000 description 1
- 238000007704 wet chemistry method Methods 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G05—CONTROLLING; REGULATING
- G05B—CONTROL OR REGULATING SYSTEMS IN GENERAL; FUNCTIONAL ELEMENTS OF SUCH SYSTEMS; MONITORING OR TESTING ARRANGEMENTS FOR SUCH SYSTEMS OR ELEMENTS
- G05B23/00—Testing or monitoring of control systems or parts thereof
- G05B23/02—Electric testing or monitoring
- G05B23/0205—Electric testing or monitoring by means of a monitoring system capable of detecting and responding to faults
- G05B23/0218—Electric testing or monitoring by means of a monitoring system capable of detecting and responding to faults characterised by the fault detection method dealing with either existing or incipient faults
- G05B23/0224—Process history based detection method, e.g. whereby history implies the availability of large amounts of data
-
- G—PHYSICS
- G05—CONTROLLING; REGULATING
- G05B—CONTROL OR REGULATING SYSTEMS IN GENERAL; FUNCTIONAL ELEMENTS OF SUCH SYSTEMS; MONITORING OR TESTING ARRANGEMENTS FOR SUCH SYSTEMS OR ELEMENTS
- G05B2219/00—Program-control systems
- G05B2219/20—Pc systems
- G05B2219/24—Pc safety
- G05B2219/24065—Real time diagnostics
Landscapes
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Engineering & Computer Science (AREA)
- Automation & Control Theory (AREA)
- Measuring Or Testing Involving Enzymes Or Micro-Organisms (AREA)
Abstract
本发明提供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,属于工业发酵生产过程软测量建模和应用领域。该方法首先对青霉素生产过程中的辅助变量进行归一化处理,然后对辅助变量和产物青霉素浓度的非线性关系进行基于在线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测量的产物青霉素浓度进行在线软测量,并且该方法对于模型的更新十分高效,为青霉素发酵生产过程的产物青霉素浓度的在线实时测量提供一种方法。本软测量方法能够提高在线预测的实时性,减少模型更新的时间,且具有较高的预测精度,可有效用于指导青霉素生产。
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,涉及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。
背景技术
青霉素作为人类提纯的大规模用于临床的第一种抗生素,在医药领域已有着非常广泛的应用。其发酵过程是一种典型的生化反应,是具有严重非线性和时变的复杂动态系统。在实际的生产过程中,青霉素浓度是发酵过程中的一个重要的指标,但由于检测手段的局限性,目前常用的方法是通过湿化学法、高压液相色谱等方法进行离线测量。相比在线的实时测量方法,青霉素浓度的离线测量一般需要更多的时间,这对于青霉素发酵过程的质量控制来说是非常不利的。为了提高青霉素发酵过程的自动化程度和产品质量,通常需要对青霉素浓度进行在线软测量。
软测量是选择一些可以实时在线测量的辅助变量,建立和青霉素浓度之间的模型,经过模型选择过程确定模型的最终参数。后续将新采集的辅助变量直接输入到生成好的模型中,对青霉素浓度进行预测,可以实时获取青霉素浓度的在线值,这避免了传统方法的时滞性的缺点。
在线学习是一种得到广泛应用的知识发现技术。由于新样本的采集往往是不断积累的,经常会有新的样本加入,传统的算法每当新样本的加入时,需要所有的数据重新训练,因而大大影响了训练的速度。在线学习通过充分利用历史的训练结果,减少新增样本加入后的训练时间。
近年来,通过对孪生支持向量回归机引入核函数来处理非线性数据的方法得到了广泛使用。在线孪生支持向量回归机,结合最小二乘孪生支持向量回归机和约简孪生支持向量回归机,在保证泛化性能的同时,能够借助历史的训练数据,来高效地更新模型的参数,并且通过核矩阵在线约简,能够减小模型参数的规模,减少在线预测所需要的时间,提高模型的实时性,可实现对青霉素浓度的在线实时软测量。
发明内容
针对上述现有技术中存在的问题,本发明提供了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。该方法通过降低核矩阵的列相关性,来筛选构成核矩阵列向量的支持向量,在保持解的稀疏性,提高预测速度的同时,使核矩阵更好地近似原核矩阵,获得和离线算法更相近的泛化性能。并且通过矩阵求逆引理增量更新逆矩阵,保证了算法执行的效率。
本发明的技术方案:
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,包括以下步骤:
(1)通过集散控制系统的实时数据库收集m组不同时刻的青霉素发酵过程各个辅助变量的数据作为软测量建模样本的输入量,通过实验分析获取所对应的青霉素浓度值,作为软测量建模样本的输出量;
(2)对软测量建模样本的输入量进行归一化处理;
(3)选择多项式核函数,作为青霉素发酵过程软测量模型的核函数;设置参数C1,C2,ε1,ε2,λ,其中C1>0,C2>0为正则化参数,ε1>0,ε2>0为不敏感常数,λ∈(0,1)是用于控制约简程度的常数;
(4)采用m组不同时刻的软测量建模样本,建立基于在线孪生支持向量回归机的青霉素发酵过程软测量模型,并将由在线求解获得的模型参数和下一次在线更新模型所需的量存入实时数据库;
(5)在线采集青霉素发酵过程各个辅助变量的数据作为新样本的输入量,并对其进行归一化处理;
(6)将处理后的新样本的输入量输入到步骤(4)建立的青霉素发酵过程软测量模型中,获得新样本的输出量,即该时刻对应的青霉素浓度;
所述步骤(4)中,建立基于在线孪生支持向量回归机的青霉素发酵过程软测量模型,具体过程为:
采用最小二乘孪生支持向量回归机进行建模,最小化问题如下:
其中,式(1)和(2)是优化问题的目标函数,A=[x1;x2;…;xm]为建模样本的输入量组成输入矩阵,m为建模样本的组数,xi为1×d维的第i个建模样本的输入量,i=1,2,...,m,d为输入量的特征维度;AP为属于P集合的xi组成的输入矩阵,维度为l1×d,l1为P集合的样本个数;AS为属于S集合的xi组成的输入矩阵,维度为l2×d,l2为S集合的样本个数;P集合与S集合的划分由在线求解获得;Y=[y1,y2,…,ym]T为建模样本的输出量组成的向量,yi是xi对应的目标输出,i=1,2,...,m,上标T表示矩阵转置;YP为AP对应的目标输出,维度为l1×1;e1为l1×1维的元素全为1的列向量;K(·)是非线性映射函数,E为元素全为1的l1×l2维矩阵;ω1,ω2为l1×1维的权重向量,b1,b2为偏置;
在线求解步骤如下:
其中,Pk和Sk为已更新完k个建模样本时的集合P和集合S;
其中,(xk+1,yk+1)为第k+1个建模样本;为属于Pk+1集合的建模样本的输入量构成的输入矩阵;为属于Sk+1集合的建模样本的输入量构成的输入矩阵;u1(k+1),u2(k+1)为已更新完k+1个建模样本时的模型参数u1,u2;Pk+1、Sk+1、Kk+1、Mk+1、Gk+1、fk+1、Fk+1、hk+1、Hk+1为已更新完k+1个建模样本时计算获得的中间量同样也是下一次在线更新模型所需的量,Ik+1为相应维度的单位矩阵;
③当k≠0时,求解约简方法的最小化问题式(3),由式(4)和式(5)可求得式(3)的解αk+1,再把αk+1代入式(3)求得目标函数δ(αk+1)的值;
其中,αk+1为最小化问题式(3)的解,当δ(αk+1)接近于0即δ(αk+1)≤λ时,αk+1为线性方程组Nk+1αk+1-nk+1=0的近似解,表明新增列向量nk+1与矩阵Nk+1中的列向量线性相关,当δ(αk+1)不为0即δ(αk+1)>λ时,线性方程组Nk+1αk+1-nk+1=0不存在解,表明新增列向量nk+1与矩阵Nk+1中的列向量线性无关,
④当δ(αk+1)>λ时,则先由式(6)-式(8)更新Kk+1和Mk+1再由式(9)-式(14)更新Gk+1、Fk+1、u1(k+1),由式(15)-式(19)更新Hk+1、u2(k+1)并且更新 Sk+1=Sk∪(xk+1,yk+1),Pk+1=Pk∪(xk+1,yk+1),其中∪表示并集;
Kk+1=[Nk+1 nk+1] (6)
令Z=V-1v,J=q-vTZ,则
⑤当δ(αk+1)≤λ时,由判断,其中,ω1k、ω2k为已更新完k个建模样本时模型的权重向量,b1k、b2k为已更新完k个建模样本时模型的偏置,满足判断条件时,则直接舍弃样本(xk+1,yk+1);不满足则先由式(20)、式(21)更新Kk+1和Mk+1再由式(22)-式(25)更新Gk+1、Fk+1、u1(k+1),由式(26)-式(27)求得Hk+1、u2(k+1)并且更新Sk+1=Sk,Pk+1=Pk∪(xk+1,yk+1);
Kk+1=Nk+1 (20)
u1(k+1)=(W1(k+1))-1C1Fk+1 (25)
u2(k+1)=(W2(k+1))-1C2Hk+1 (28)
⑥当k≤m时,k=k+1并转至③,当k>m时,退出循环,样本更新结束;
所述步骤(6)的具体过程为:
其中,ω1,b1,ω2,b2为步骤(4)中所求得的模型参数。
本发明的有益效果:本发明通过对青霉素生产过程中的辅助变量和产物青霉素浓度的非线性关系进行基于在线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青霉素的浓度进行在线软测量,为青霉素发酵生产过程的产物青霉素浓度的在线实时测量提供了一种方法。
附图说明
图1是基于在线孪生支持向量回归机的青霉素发酵过程软测量建模流程图。
图2是基于在线孪生支持向量回归机的青霉素发酵过程软测量建模后预测结果曲线图。
图3是基于在线孪生支持向量回归机的青霉素发酵过程软测量建模后模型残差输出结果图。
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,基于在线孪生支持向量回归机的发酵过程软测量建模包括以下步骤:
步骤1:通过集散控制系统的实时数据库收集m组不同时刻的青霉素发酵过程各个辅助变量的数据作为软测量建模样本的输入量,通过实验分析获取软测量建模样本所对应的青霉素浓度值,作为软测量建模样本的输出量;
步骤2:对软测量建模样本的输入量进行归一化处理;
步骤3:采用m组不同时刻的软测量建模样本,建立基于在线孪生支持向量回归机的青霉素发酵过程软测量模型;
其中,步骤3所述的在线孪生支持向量回归机的算法步骤如下:
其中,Pk和Sk为已更新完k个建模样本时的集合P和集合S;
②当k=0时,Pk+1={(xk+1,yk+1)},Sk+1={(xk+1,yk+1)}, Gk+1=[1 Kk+1],fk+1=yk+1-ε1, hk+1=yk+1+ε2, Ik+1为相应维度的单位矩阵;
其中,(xk+1,yk+1)为第k+1个建模样本;为属于Pk+1集合的建模样本的输入量构成的输入矩阵;为属于Sk+1集合的建模样本的输入量构成的输入矩阵;u1(k+1),u2(k+1)为已更新完k+1个建模样本时的模型参数u1,u2;Pk+1、Sk+1、Kk+1、Mk+1、Gk+1、fk+1、Fk+1、hk+1、Hk+1为已更新完k+1个建模样本时计算获得的中间量同样也是下一次在线更新模型所需的量;
③当k≠0时,求解约简方法的最小化问题式(3),由式(4)和式(5)可求得式(3)的解αk+1,再把αk+1代入式(3)求得目标函数δ(αk+1)的值;
④当δ(αk+1)>λ时,则先由式(6)-式(8)更新Kk+1和Mk+1再由式(9)-式(14)更新Gk+1、Fk+1、u1(k+1),由式(15)-式(19)更新Hk+1、u2(k+1)并且更新 Sk+1=Sk∪(xk+1,yk+1),Pk+1=Pk∪(xk+1,yk+1),其中∪表示并集;
⑤当δ(αk+1)≤λ时,由判断,其中,ω1k、ω2k为已更新完k个建模样本时模型的权重向量,b1k、b2k为已更新完k个建模样本时模型的偏置,满足判断条件时,则直接舍弃样本(xk+1,yk+1);不满足则先由式(20)、式(21)更新Kk+1和Mk+1再由式(22)-式(25)更新Gk+1、Fk+1、u1(k+1),由式(26)-式(28)求得Hk+1、u2(k+1)并且更新Sk+1=Sk,Pk+1=Pk∪(xk+1,yk+1);
⑥当k≤m时,k=k+1并转至③;当k>m时,退出循环,样本更新结束;
步骤4:将确定的软测量模型参数以及下一次在线更新所需的量存入数据库;
步骤5:在线采集青霉素发酵过程主要辅助变量的数据作为新样本的输入量,并对其进行归一化处理;
步骤6:将处理后的新样本的输入量输入到步骤(3)建立的在线孪生支持向量回归机的青霉素发酵过程软测量模型中,获得新样本的输出量,即该时刻对应的青霉素浓度;
所述步骤(6)的具体过程为:
其中,ω1,b1,ω2,b2为步骤(3)中所求得的模型参数。
实施例
采用本发明提出的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,结合一个具体的青霉素发酵过程例子来说明本发明的有效性。取1个生产批次共2000组青霉素发酵过程数据,每个批次都表示一个完整的发酵过程,形成2000×3维的输入量样本矩阵和2000×1维的输出量样本矩阵,其中1900组数据作为训练数据,100组数据作为测试数据,具体实施方式如下:
初始化各个参数,设置C1=C2=210,ε1=ε2=0.01,λ=10-4,通过在线孪生支持向量回归算法,建立青霉素浓度软测量模型,然后将确定的参数存入数据库,直接代入测试数据就可以得到青霉素浓度的预测值。
从附图2和附图3可以看出,基于在线孪生支持向量回归机的青霉素软测量建模可以较为准确的预测出发酵过程产物青霉素的浓度,具有较好预测精度。
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。
Claims (2)
1.一种基于在线孪生支持向量回归机的发酵过程软测量方法,其特征在于,步骤如下:
(1)通过集散控制系统的实时数据库收集m组不同时刻的青霉素发酵过程各个辅助变量的数据作为软测量建模样本的输入量,通过实验分析获取软测量建模样本所对应的青霉素浓度值,作为软测量建模样本的输出量;
(2)对软测量建模样本的输入量进行归一化处理;
(3)选择多项式核函数,作为青霉素发酵过程软测量模型的核函数;设置参数C1,C2,ε1,ε2,λ,其中C1>0,C2>0为正则化参数,ε1>0,ε2>0为不敏感常数,λ∈(0,1)是用于控制约简程度的常数;
(4)采用m组不同时刻的软测量建模样本,建立基于在线孪生支持向量回归机的青霉素发酵过程软测量模型,并将由在线求解获得的模型参数和下一次在线更新模型所需的量存入实时数据库;
(5)在线采集青霉素发酵过程各个辅助变量的数据作为新样本的输入量,并对其进行归一化处理;
(6)将处理后的新样本的输入量输入到步骤(4)建立的青霉素发酵过程软测量模型中,获得新样本的输出量,即该时刻对应的青霉素浓度;
所述步骤(4)中,建立基于在线孪生支持向量回归机的青霉素发酵过程软测量模型,具体过程为:
采用最小二乘孪生支持向量回归机进行建模,最小化问题如下:
其中,式(1)和(2)是优化问题的目标函数,A=[x1;x2;…;xm]为建模样本的输入量组成的输入矩阵,m为建模样本的组数,xi为1×d维的第i个建模样本的输入量,i=1,2,...,m,d为输入量的特征维度;AP为属于P集合的xi组成的输入矩阵,维度为l1×d,l1为P集合的样本个数;AS为属于S集合的xi组成的输入矩阵,维度为l2×d,l2为S集合的样本个数;P集合与S集合的划分由在线求解获得;Y=[y1,y2,…,ym]T为建模样本的输出量组成的向量,yi是xi对应的目标输出,i=1,2,...,m,上标T表示矩阵转置;YP为AP对应的目标输出,维度为l1×1;e1为l1×1维的元素全为1的列向量;K(·)是非线性映射函数,E为元素全为1的l1×l2维矩阵;ω1,ω2为l1×1维的权重向量,b1,b2为偏置;
在线求解步骤如下:
其中,Pk和Sk为已更新完k个建模样本时的集合P和集合S;
其中,(xk+1,yk+1)为第k+1个建模样本;为属于Pk+1集合的建模样本的输入量构成的输入矩阵;为属于Sk+1集合的建模样本的输入量构成的输入矩阵;u1(k+1),u2(k+1)为已更新完k+1个建模样本时的模型参数u1,u2;Pk+1、Sk+1、Kk+1、Mk+1、Gk+1、fk+1、Fk+1、hk+1、Hk+1为已更新完k+1个建模样本时计算获得的中间量同样也是下一次在线更新模型所需的量,Ik+1为相应维度的单位矩阵;
③当k≠0时,求解约简方法的最小化问题式(3),由式(4)和式(5)求得式(3)的解αk+1,再把αk+1代入式(3)求得目标函数δ(αk+1)的值;
其中,αk+1为最小化问题式(3)的解,当δ(αk+1)接近于0即δ(αk+1)≤λ时,αk+1为线性方程组Nk+1αk+1-nk+1=0的近似解,表明新增列向量nk+1与矩阵Nk+1中的列向量线性相关,当δ(αk+1)不为0即δ(αk+1)>λ时,线性方程组Nk+1αk+1-nk+1=0不存在解,表明新增列向量nk+1与矩阵Nk+1中的列向量线性无关,
Kk+1=[Nk+1 nk+1] (6)
令Z=V-1v,J=q-vTZ,则
⑤当δ(αk+1)≤λ时,由判断,其中,ω1k、ω2k为已更新完k个建模样本时模型的权重向量,b1k、b2k为已更新完k个建模样本时模型的偏置,满足判断条件时,则直接舍弃样本(xk+1,yk+1);不满足则先由式(20)、式(21)更新Kk+1和Mk+1再由式(22)-式(25)更新Gk+1、Fk+1、u1(k+1),
Kk+1=Nk+1 (20)
u1(k+1)=(W1(k+1))-1C1Fk+1 (25
u2(k+1)=(W2(k+1))-1C2Hk+1 (28)
⑥当k≤m时,k=k+1并转至③;当k>m时,退出循环,样本更新结束;
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201911218032.8A CN110908361B (zh) | 2019-12-03 | 2019-12-03 | 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 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201911218032.8A CN110908361B (zh) | 2019-12-03 | 2019-12-03 | 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 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN110908361A CN110908361A (zh) | 2020-03-24 |
CN110908361B true CN110908361B (zh) | 2022-06-14 |
Family
ID=69821624
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201911218032.8A Active CN110908361B (zh) | 2019-12-03 | 2019-12-03 | 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 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN110908361B (zh) |
Families Citing this family (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113688908B (zh) * | 2021-08-25 | 2022-11-08 | 重庆泰乐威科技有限公司 | 基于孪生支持向量回归机的蓝牙室内传播模型校正方法 |
CN115274004B (zh) * | 2022-07-26 | 2023-06-09 | 江南大学 | 一种基于知识复用的发酵过程菌体浓度预测方法及系统 |
CN116153425B (zh) * | 2023-02-24 | 2024-04-02 | 北京和利时工业软件有限公司 | 一种氨碳比软测量方法、装置、设备及介质 |
Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN104991984A (zh) * | 2015-05-15 | 2015-10-21 | 广西大学 | 一种用于煮糖结晶的数据监测方法和系统 |
CN106054597A (zh) * | 2016-02-03 | 2016-10-26 | 北京工业大学 | 一种基于粗糙集理论和最小二乘支持向量机的机床加工精度保持性预测方法 |
CN109598083A (zh) * | 2018-12-18 | 2019-04-09 | 江南大学 | 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 |
CN109616161A (zh) * | 2018-12-18 | 2019-04-12 | 江南大学 | 一种基于孪生支持向量回归机的发酵过程软测量方法 |
-
2019
- 2019-12-03 CN CN201911218032.8A patent/CN110908361B/zh active Active
Patent Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN104991984A (zh) * | 2015-05-15 | 2015-10-21 | 广西大学 | 一种用于煮糖结晶的数据监测方法和系统 |
CN106054597A (zh) * | 2016-02-03 | 2016-10-26 | 北京工业大学 | 一种基于粗糙集理论和最小二乘支持向量机的机床加工精度保持性预测方法 |
CN109598083A (zh) * | 2018-12-18 | 2019-04-09 | 江南大学 | 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 |
CN109616161A (zh) * | 2018-12-18 | 2019-04-12 | 江南大学 | 一种基于孪生支持向量回归机的发酵过程软测量方法 |
Non-Patent Citations (1)
Title |
---|
Online independent reduced least squares support vector regression;Yong-Ping Zhao,et al;《Information Sciences》;20120505;摘要 * |
Also Published As
Publication number | Publication date |
---|---|
CN110908361A (zh) | 2020-03-24 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
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 | |
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 | |
CN102231057B (zh) | 基于混沌粒子群优化的赖氨酸发酵过程软测量方法 | |
CN110263488B (zh) | 一种基于集成即时学习的工业混炼胶门尼粘度软测量方法 | |
CN104914723B (zh) | 基于协同训练偏最小二乘模型的工业过程软测量建模方法 | |
CN101893884B (zh) | 密炼机的橡胶混炼过程中质量指标数据的软测量方法 | |
CN109389314B (zh) | 一种基于最优近邻成分分析的质量软测量与监测方法 | |
CN112989711B (zh) | 基于半监督集成学习的金霉素发酵过程软测量建模方法 | |
CN114021290A (zh) | 一种基于数据驱动和机理模型融合的板带钢凸度预测方法 | |
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 | |
CN112668234A (zh) | 一种转炉炼钢终点智能控制方法 | |
CN101799888A (zh) | 基于仿生智能蚁群算法的工业软测量方法 | |
CN111222798B (zh) | 一种复杂工业过程关键性指标软测量方法 | |
CN112433507A (zh) | 基于lso-lssvm的五轴数控机床热误差综合建模方法 | |
CN110794782A (zh) | 基于jy-mkpls的间歇工业过程在线质量预测方法 | |
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 | |
CN111310348A (zh) | 一种基于pso-lssvm的材料本构模型预测方法 | |
CN107015541A (zh) | 基于互信息和最小二乘支持向量机相结合的软测量方法 | |
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 | |
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 | |
CN109858190B (zh) | 一种基于果蝇算法优化梯度提升回归树的青霉素发酵过程软测量建模方法 | |
CN114813347A (zh) | 一种超薄铌带力学性能预测方法 | |
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 | |
CN116793991B (zh) | 一种基于近红外光谱和混合损失的谷氨酸浓度测量方法 |
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 | ||
GR01 | Patent grant | ||
GR01 | Patent grant |