改进的最小二乘支持向量机回归在软测量中的应用

"本文主要研究了一种基于支持向量机(SVM)的软测量方法，旨在解决传统最小二乘支持向量机(Least Squares Support Vector Machine, LSSVM)模型中存在的所有样本点都被包含的问题，以提高模型的简洁性和预测准确性。文中提出了一种改进的LSSVM回归算法，通过剔除那些在原始变量空间中具有较小学习误差的样本点，实现了回归模型的‘稀疏’特性，降低了模型的复杂度。这一改进方法被应用到生物发酵过程中的青霉素浓度预测，构建了软测量模型，可以在线预估青霉素发酵过程的产物浓度。实验结果证明，这种方法为生物发酵过程中的实时监测提供了有效途径，特别是对于难以在线测量的质量参数。" 本文深入探讨了支持向量机在软测量技术中的应用，特别是在生物发酵过程控制中的优势。传统的LSSVM模型往往将所有训练样本纳入模型构建，导致模型过于复杂，可能影响预测性能。作者针对这一问题，提出了一个创新的策略，即根据样本点在LSSVM模型中的学习误差大小进行选择性剔除，以达到模型的稀疏化。这种方法不仅减少了模型的复杂性，还保持了足够的预测精度。 在实际应用中，该方法被用于青霉素发酵过程，建立了一个软测量模型，用于在线预估发酵产物——青霉素的浓度。青霉素发酵是一个复杂的生物化学过程，其浓度的实时监测对于优化生产过程至关重要，但直接测量往往困难且昂贵。通过该软测量模型，可以对难以在线测量的参数进行实时估算，提高了生产效率和产品质量控制。 此外，文章还提及了该研究背后的支持背景，包括国家自然科学基金和973项目的支持，这表明了该研究的科学价值和实际意义。作者团队由常玉清、邹伟、王福利和毛志忠组成，他们在控制理论、故障诊断和系统优化等领域具有丰富的研究经验。 这篇论文通过改进LSSVM，为解决生物发酵过程中的在线监测难题提供了新的思路，并为其他类似过程的控制提供了参考。这种方法不仅简化了模型，提高了预测能力，也为工业过程的智能化和自动化带来了显著的进步。