模糊LS-SVM在发酵过程中的建模与预测

本篇论文探讨了"模糊最小二乘支持向量机在发酵过程建模中的应用"，由作者王闻侠和潘丰，发表在江南大学通信与控制工程学院，江苏无锡。论文针对生物发酵过程的复杂性和高度非线性特性，生物发酵过程中关键变量如菌体浓度和基质浓度的难以实时监测问题，提出了将模糊化思想融入最小二乘支持向量机（LS-SVM）的方法。 传统的LS-SVM方法虽然具有理论基础坚实、泛化性能良好和处理非线性问题的能力，但在区分支持向量方面存在不足，导致训练精度下降。为解决这个问题，论文提出了一种改进方法，即引入基于类中心距离的模糊因子，根据样本与类中心的偏离程度赋予不同的模糊权重。这种方法旨在通过模糊因子调整，提高模型对噪声和不确定性的容忍度，同时保持模型的预测精度。 模糊最小二乘支持向量机理论部分介绍了如何通过线性不敏感损失函数拟合样本数据，并在保持拟合精度的同时，通过二次规划求解最优拟合超平面。通过引入松弛变量ξ和惩罚参数C，优化问题被转化为一个更易于处理的形式。然而，论文的关键创新在于将模糊因子与LS-SVM相结合，以增强模型的鲁棒性和适应性。 应用部分，研究者将这一方法应用于青霉素发酵过程的建模，通过仿真实验验证了模糊最小二乘支持向量机在处理发酵过程中的复杂动态行为时，其预测效果显著优于传统LS-SVM，证明了该方法的有效性和实用性。 总结来说，这篇论文的主要贡献在于提出了一种新型的发酵过程建模策略，利用模糊最小二乘支持向量机克服了非线性、不确定性等问题，为生物发酵过程的实时监控和优化提供了新的解决方案。