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技术

本发明专利技术提供了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，属于工业发酵生产过程软测量建模和应用领域。首先基于数据确定谷氨酸发酵软测量建模所需的辅助变量，对辅助变量进行预处理；通过对谷氨酸发酵生产过程中的主要辅助变量和产物谷氨酸浓度之间的非线性关系进行基于果蝇算法优化孪生支持向量回归机的软测量建模，利用发酵生产中容易测量的变量对较难测量的产物浓度进行在线软测量，可以为谷氨酸发酵生产过程操作提供指导，本软测量建模能提高谷氨酸发酵过程产物谷氨酸浓度的预测精度，可有效用于指导谷氨酸生产。

【技术实现步骤摘要】
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
本专利技术属于工业发酵生产过程软测量建模和应用领域，特别涉及一种基于果蝇算法优化孪生支持向量回归机的发酵过程生化产物浓度的软测量建模方法。
技术介绍
谷氨酸作为工业发酵领域的重要产品，有着非常广泛的应用。谷氨酸发酵过程是一类高度非线性、重复性较差、慢时变的复杂生化过程。在实际的生产过程中，谷氨酸浓度是发酵过程中一个重要的指标，但是由于传感器技术等的限制，该指标的测量很困难，目前常用的方法是通过实验室离线测量得到。相比在线的实时测量方法，谷氨酸浓度的离线测量往往需要花费更多的时间，这对于谷氨酸发酵过程的质量控制来说是非常不利的。为了提高谷氨酸发酵过程的自动化程度和产品质量，通常需要对谷氨酸浓度进行在线软测量。软测量方法通过对过程中容易测量的变量和谷氨酸浓度之间的关系进行建模，并利用辨识的方法确定模型参数。利用该模型在线对谷氨酸浓度进行估计，实时获得谷氨酸浓度的在线值，能有效避免传统分析方法大时滞的缺点。但是，由于发酵过程中谷氨酸产量和其影响因素之间的复杂关系，过程变量之间有的时候会表现出很强的非线性关系。在这种情况下，传统神经网络模型、模糊逻辑推理模型等对谷氨酸浓度的软测量难以达到满意的效果。近年来，使用各种核函数处理非线性数据的方法得到了广泛使用，其中代表性方法有支持向量机回归和孪生支持向量回归机等。在发酵过程中，在线可测辅助变量与生化参数如谷氨酸浓度等主导变量间是一种复杂非线性关系。由于孪生支持向量回归机通过合适的正规化参数选择而具有更好的泛化能力和有效的非线性建模能力，而且具有建模时间短、参数少等特点，可实现谷氨酸发酵过程中谷氨酸浓度的软测量。
技术实现思路
本专利技术针对谷氨酸生产过程中产物浓度测量的难点，提供一种基于果蝇优化的孪生支持向量回归机的谷氨酸浓度软测量的建模方法。本专利技术的技术方案：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，步骤如下：(1)通过数据库收集谷氨酸发酵过程各个辅助变量的实时数据作为初始样本，通过分析获取初始样本所对应的谷氨酸浓度值，作为软测量建模的目标输出；(2)对初始样本进行预处理得到建模样本，将建模样本划分为训练样本和测试样本；(3)采用训练样本，建立基于孪生支持向量回归机的谷氨酸发酵过程软测量模型，采用测试样本进行谷氨酸浓度的预测；(4)选择多项式核函数，作为孪生支持向量回归机的谷氨酸发酵过程软测量模型的核函数；确定需要优化的参数C1，C2，ε1，ε2，其中C1和C2为孪生支持向量回归机的谷氨酸发酵过程软测量模型的惩罚参数，ε1和ε2为孪生支持向量回归机的不敏感损失参数；(5)采用果蝇算法对孪生支持向量回归机的谷氨酸发酵过程软测量模型的参数C1，C2，ε1，ε2进行优化，在全局范围内得到最优值；(6)代入经过优化的参数C1，C2，ε1，ε2，构造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模型；(7)在线采集谷氨酸发酵过程主要辅助变量的新样本，并对其进行预处理；(8)将预处理后的新样本输入到步骤(6)中基于果蝇算法优化的谷氨酸发酵过程软测量模型中，获得该时刻对应的谷氨酸浓度；所述步骤(3)中，建立基于孪生支持向量回归机的谷氨酸发酵过程软测量模型，具体过程为：采用孪生支持向量回归机进行建模，孪生支持向量回归机把拟合问题等价为二次规划问题：其中，式(1)和(2)是优化问题的目标函数，训练样本是组成向量m为训练样本组数；Ai为1×d维的向量，i＝1,2,...,m，d为训练样本的维数；是Ai对应的软测量建模的目标输出，i＝1,2,...,m；α和γ为拉格朗日乘子，α和γ都为m×1维的向量，e为m×1维的单位列向量；H＝[K(A,AT)e]，K(·)是非线性映射函数，K(A,AT)＝[(A·AT)+S]·[(A·AT)+S]T，S为元素全为1的m×m维矩阵；f＝Y1-ε1e，h＝Y1+ε2e；通过matlab的二次规划工具箱求解式(1)和式(2)，即可得到α和γ的值；测试样本是组成向量m为测试样本组数；Bi为1×d维的向量，i＝1,2,...,m；Y＝[y1y2…ym]T，yi是Bi对应的目标输出，i＝1,2,...,m；则得到测试样本B的预测输出为：其中，所述步骤(5)的具体过程为：①设定果蝇群体数目sizepop，最大的迭代次数maxgen，最优适应度函数值M和四个果蝇个体的初始化最优坐标(Uj,Vj)＝(0,0)，j＝1,2,3,4；在[0,1]范围内，随机生成四个果蝇个体随机数，得到四个果蝇个体初始坐标j＝1,2,3,4；②设定迭代次数的初始值k＝1；③设定果蝇群体组数的初始值size＝1；④计算果蝇群体的适应度函数：⑤对每个果蝇个体赋予随机方向与距离，得到第size组四个果蝇个体的坐标其中Random_Value表示[-50,50]的随机数；⑥通过式(6)计算第size组果蝇群体与原点之间的距离再计算味道浓度判定值该值为距离的倒数；⑦取代入步骤(3)中建立基于孪生支持向量回归机的谷氨酸发酵过程软测量模型中，并进行谷氨酸浓度的预测，通过公式(4)求出第size组果蝇群体的适应度函数值smellsize；⑧判断size是否小于sizepop，小于sizepop，则size＝size+1，转到④；否则转到⑨；⑨从sizepop组果蝇群体中找到最小适应度函数值bestsmellp＝min(smell1,smell2...,smellsizepop)，对应的第p组四个果蝇个体坐标j＝1,2,3,4，其中p为sizepop组果蝇群体中最小适应度函数值所对应的组号；判断bestsmellp是否大于M，大于M，则否则M＝bestsmellp，⑩将k＝k+1，当k＜maxgen时，则转到③，否则转到得到最优坐标(Uj,Vj)，j＝1,2,3,4；计算味道浓度判定值果蝇算法对孪生支持向量回归机的参数在全局范围内找到的四个最优值C1＝S1，C2＝S2，ε1＝S3，ε2＝S4。本专利技术的有益效果：本专利技术通过对谷氨酸生产过程中辅助变量和产物谷氨酸浓度的非线性关系进行基于果蝇算法优化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谷氨酸浓度进行在线软测量，为谷氨酸发酵生产过程的产物谷氨酸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流程框图。图2是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后预测结果曲线图，图中小实心三角表示谷氨酸产物浓度的软测量预测值。图3是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后模型残差输出结果曲线图，图中小实心三角表示谷氨酸产物浓度的软测量预测值与实际测量值的残差。具体实施方式下面结合附图对本专利技术的具体实施方式做进一步说明。参照附图1，一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，包括以下步骤：步骤1：通过控制系统的数据库收集谷氨酸发酵过程各个辅助变量的实时数据作为初始样本，通过实验室分析获取初始样本所对应的谷氨酸浓度值，作为软测量建模的目标输出；步骤2：对初始样本进行预处理得到建模样本，将建模样本划分为训练本文档来自技高网...

【技术保护点】
1.一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，其特征在于，步骤如下：(1)通过数据库收集谷氨酸发酵过程各个辅助变量的实时数据作为初始样本，通过分析获取初始样本所对应的谷氨酸浓度值，作为软测量建模的目标输出；(2)对初始样本进行预处理得到建模样本，将建模样本划分为训练样本和测试样本；(3)采用训练样本，建立基于孪生支持向量回归机的谷氨酸发酵过程软测量模型，采用测试样本进行谷氨酸浓度的预测；(4)选择多项式核函数，作为孪生支持向量回归机的谷氨酸发酵过程软测量模型的核函数；确定需要优化的参数C1，C2，ε1，ε2，其中C1和C2为孪生支持向量回归机的谷氨酸发酵过程软测量模型的惩罚参数，ε1和ε2为孪生支持向量回归机的不敏感损失参数；(5)采用果蝇算法对孪生支持向量回归机的谷氨酸发酵过程软测量模型的参数C1，C2，ε1，ε2进行优化，在全局范围内得到最优值；(6)代入经过优化的参数C1，C2，ε1，ε2，构造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模型；(7)在线采集谷氨酸发酵过程主要辅助变量的新样本，并对其进行预处理；(8)将预处理后的新样本输入到步骤(6)中基于果蝇算法优化的谷氨酸发酵过程软测量模型中，获得该时刻对应的谷氨酸浓度；所述步骤(3)中，建立基于孪生支持向量回归机的谷氨酸发酵过程软测量模型，具体过程为：采用孪生支持向量回归机进行建模，孪生支持向量回归机把拟合问题等价为二次规划问题：...

【技术特征摘要】
1.一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，其特征在于，步骤如下：(1)通过数据库收集谷氨酸发酵过程各个辅助变量的实时数据作为初始样本，通过分析获取初始样本所对应的谷氨酸浓度值，作为软测量建模的目标输出；(2)对初始样本进行预处理得到建模样本，将建模样本划分为训练样本和测试样本；(3)采用训练样本，建立基于孪生支持向量回归机的谷氨酸发酵过程软测量模型，采用测试样本进行谷氨酸浓度的预测；(4)选择多项式核函数，作为孪生支持向量回归机的谷氨酸发酵过程软测量模型的核函数；确定需要优化的参数C1，C2，ε1，ε2，其中C1和C2为孪生支持向量回归机的谷氨酸发酵过程软测量模型的惩罚参数，ε1和ε2为孪生支持向量回归机的不敏感损失参数；(5)采用果蝇算法对孪生支持向量回归机的谷氨酸发酵过程软测量模型的参数C1，C2，ε1，ε2进行优化，在全局范围内得到最优值；(6)代入经过优化的参数C1，C2，ε1，ε2，构造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模型；(7)在线采集谷氨酸发酵过程主要辅助变量的新样本，并对其进行预处理；(8)将预处理后的新样本输入到步骤(6)中基于果蝇算法优化的谷氨酸发酵过程软测量模型中，获得该时刻对应的谷氨酸浓度；所述步骤(3)中，建立基于孪生支持向量回归机的谷氨酸发酵过程软测量模型，具体过程为：采用孪生支持向量回归机进行建模，孪生支持向量回归机把拟合问题等价为二次规划问题：其中，式(1)和(2)是优化问题的目标函数，训练样本是组成向量m为训练样本组数；Ai为1×d维的向量，i＝1,2,...,m，d为训练样本的维数；是Ai对应的软测量建模的目标输出，i＝1,2,...,m；α和γ为拉格朗日乘子，α和γ都为m×1维的向量，e为m×1维的单位列向量；H＝[K(A,AT)e]，K(·)是非线性映射函数，K(A,AT)＝[(A·AT)+S]·[(A·AT)+S]T，S为元素全为1的m×m维矩阵；f＝Y1-ε1...

【专利技术属性】
技术研发人员：潘丰，方建文，王蕾，
申请(专利权)人：江南大学，
类型：发明
国别省市：江苏,32