[發明專利]基于BA-LSSVM的光合細菌發酵過程關鍵參量的軟測量方法

有效

• 申請號: 201710928139.6
• 申請日: 2017-10-09
• 公開（公告）號: CN107766880B
• 公開（公告）日: 2020-08-28
• 發明（設計）人: 朱湘臨;陳威;丁煜函;王博;郝建華;華天爭
• 申請（專利權）人: 江蘇大學
• 主分類號: G06K9/62
• 分類號: G06K9/62;G06N3/00
• 代理公司: 暫無信息
• 代理人: 暫無信息

1.基于BA-LSSVM的光合細菌發酵過程關鍵參量的軟測量方法，其特征在于，包括如下步驟：

步驟1，輔助變量選擇：選取能直接測量且與發酵過程密切相關的外部變量，用一致相關度法分析其與關鍵參量的關聯度，設定關聯度值r_ij大于某閾值時的外部變量作為軟測量模型的輔助變量；關聯度值r_ij≥0.7的外部變量作為軟測量模型的輔助變量，所述關聯度值的計算表達式：

式中：X_i與T_j為經過初始化處理后的倆變量序列，ΔX_i(k)為X_i序列的k時刻與k-1時刻的差值，ΔT_j(k)為T_j序列的k時刻與k-1時刻的差值，分別為X_i與T_j所有時刻差值的平均值，k為序列編號，l為樣本數，ξ_k為符號因子，v_ij(k)為變化率關聯系數，r_ij為關聯度，β為數據變化率對關聯度的影響，ξ_ij為變量相關系數， 對于發酵罐溫度T和菌體濃度X，設有m₁個趨勢相同的點m₂個趨勢無關聯的點m₃個趨勢相反的點代入上式可得：

其中P_ij，Z_ij，N_ij分別表示正關聯度、零關聯度和負關聯度；當|P_ij|≥|N_ij|時，發酵罐溫度T和菌體濃度X以正相關為主，它們的變化趨勢相似，相關程度由r_ij，P_ij兩因素的大小來決定；當r_ij＝Z_ij＝0時，發酵罐溫度T和菌體濃度X無關；|P_ij|≤|N_ij|發酵罐溫度T和菌體濃度X相關為主，即它們的變化趨勢相反，相關程度由由r_ij，P_ij兩因素大小決定；

步驟2，發酵數據集分類：采集相同工藝下若干歷史罐批次的輔助變量和關鍵參量數據，發酵數據集隨機分成兩部分，一部分為訓練數據集，另一部分為測試數據集；訓練數據集用來訓練LS-SVM；

步驟3，構建LS-SVM模型，確定核函數；具體過程包括：

在給定一組樣本集{(x_i,y_i)|i＝1，2，3....l}，x_i∈Rⁿ為n維樣本輸入，y_i∈R為樣本輸出；通過對樣本數據逼近，函數擬合問題描述為最優化問題：

式中，C為懲罰系數，e為允許誤差，J(w,e)是一個關于C與e的函數，w為權值向量，φ(x)為核函數，b為常數， 構造拉格朗日函數，并對其中各變量求偏導并整理得到線性方程組：

式中：Q＝[1,…,1]^T，a＝[a₁,a₂,…,a_l]^T，a_i為拉格朗日乘子，y＝[y₁,y₂,…,y_l]^T，

K為核函數矩陣；根據Mercer條件可以得核函數為：

K(x_i,x_j)＝φ(x_i)^Tφ(x_j)

用最小二乘法求得式中的a和b，得到最小二乘支持向量機的輸出為：

步驟4，利用蝙蝠算法優化LS-SVM模型的核參數與懲罰參數，獲得最優的BA-LSSVM軟測量模型；具體地：

步驟4.1，參數設置：設置蝙蝠算法的主要參數：蝙蝠種群大小n，最大迭代次數N，蝙蝠的響度A，搜索頻率范圍[f_min,f_max]，脈沖頻率r，蝙蝠位置向量z，速度向量v；

步驟4.2，種群初始化：初始化蝙蝠種群的位置，每一個蝙蝠位置由LS-SVM參數組合(C，σ)構成，公式如下：

z＝z_min+rand(1,d)×(z_max-z_min)

式中：種群的維數d＝2，rand()為[0，1]的隨機數，z_max與z_min分別表示徑向基核函數參數(C，σ)的上、下限值向量；

步驟4.3，更新參數：計算種群適應度，找出當前最佳解，同時更新蝙蝠的飛行速度、脈沖頻率和位置，計算表達式如下：

f_i＝f_min+(f_max-f_min)β

式中：β∈[0,1]是均勻分布的隨機數；f_i∈[f_min,f_max]是蝙蝠的搜索脈沖頻率；分別表示蝙蝠i在t和t－1時刻的速度；分別表示當前蝙蝠i在t和t－1時刻的位置；z^*表示當前所有全局最優解；

步驟4.4，更新蝙蝠個體， 如果有rand＞r_i，則對當前種群中最優蝙蝠z^*進行隨機擾動，產生新的蝙蝠個體；如果rand＜A_i，且滿足f(z)＞f(z^*)，則接受產生的新蝙蝠，并根據下面兩個表達式更新響度A_i和脈沖頻率r_i：

A_iⁱ⁺¹＝αA_i^t

r_iⁱ⁺¹＝r_i⁰[1-exp(-γt)]

式中：α表示脈沖音強衰減系數，0＜α＜1，γ表示脈沖頻度增加系數，γ＞0；

4.5輸出全局最優參數：對種群的所有蝙蝠的適應度值進行排序，找出當前最優解，重復步驟4.2-4.4，直到最大迭代次數終止，輸出全局最優參數，得到最優的懲罰系數C和徑向基寬度σ構建最優的BA-LSSVM軟測量模型；

步驟5，關鍵參量的預測：利用已訓練好的軟測量模型，根據當前待預測罐批的最新輸入向量，獲得關健參量的預測值；