基于支持向量机的发酵过程建模研究

论文摘要

基因工程在现代社会中占据着越来越重要的地位,其主要原因在于可以利用基因工程菌实现很多结构复杂且不易合成的热门生物产品。大肠杆菌所具有得结构简单、生长周期较短、生长条件清楚的优点使其广泛地用作表达载体,因此大肠杆菌的发酵成为现在研究的热点之一。在大肠杆菌发酵过程中存在着非线性、滞后性和不确定性等问题,较难测试它的实时在线重要变量,严重制约了在发酵中对影响发酵结果参数的准确调节以及进一步的优化和控制,因此对大肠杆菌发酵过程进行建模具有重要的意义。在发酵过程中,目前最流行的建模方法是神经网络方法,它是基于经验风险最小化原则进行建模,容易产生过学习以及陷入局部最小的问题,而支持向量机方法是一种基于结构风险最小化原则的方法,引入了核函数和高维空间的概念,能有效地避免上述问题,因此本文使用支持向量机方法进行发酵过程的预测建模。然后通过对比使用SVM方法和BP神经网络方法所建立的预测模型,仿真结果表明支持向量机更加适合于大肠杆菌高密度发酵建模。在使用SVM方法时,由于在建模前要进行参数选择,目前选择参数的方法主要是根据专家经验和试凑法,得到的结果往往不够精确。针对这个问题,本文分析了蚁群算法的原理及优点,提出使用蚁群算法寻找高精度的支持向量机参数的方法。仿真结果表明,该方法建立的预测模型可以在较短的时间内搜索到高精度的支持向量机参数,使用该参数建立的模型具有良好的拟合和泛化能力,预测精度较高,为大肠杆菌高密度过程的控制提供了较为准确的预测模型。支持向量机方法对不同的数据有不同的参数,使用蚁群算法在给定数据的基础上进行参数的搜索,这种思想建立的模型可以容易的应用于其他物质的发酵建模中,为微生物发酵建模提供了比较通用的方法。

论文目录

• 摘要
• Abstract
• 1 绪论
• 1.1 研究背景
• 1.2 发酵过程建模方法的研究现状
• 1.2.1 基于机理分析建模
• 1.2.2 基于回归分析建模
• 1.2.3 基于人工神经网络建模
• 1.2.4 基于支持向量机建模
• 1.3 本课题主要研究内容及论文安排
• 2 支持向量机简介
• 2.1 统计学习理论
• 2.1.1 机器学习
• 2.1.2 经验风险最小原则
• 2.1.3 结构风险最小原则
• 2.2 支持向量机
• 2.2.1 最优超平面
• 2.2.2 支持向量分类机
• 2.2.3 支持向量回归机
• 2.2.4 核函数
• 3 基于支持向量机的大肠杆菌高密度发酵过程建模
• 3.1 大肠杆菌高密度发酵
• 3.1.1 大肠杆菌高密度发酵简介
• 3.1.2 影响大肠杆菌高密度发酵的因素
• 3.1.3 大肠杆菌高密度发酵补料方式
• 3.2 基于支持向量机的大肠杆菌高密度发酵过程建模
• 3.3 基于BP神经网络的大肠杆菌高密度发酵过程建模
• 3.4 支持向量机与BP神经网络建模的性能比较
• 3.4.1 数据比较与分析
• 3.4.2 结论
• 3.5 本章小结
• 4 基于蚁群算法的SVM参数优化
• 4.1 蚁群优化算法
• 4.1.1 蚁群算法的生物学基本原理
• 4.1.2 蚁群算法的数学基本原理
• 4.2 基于蚁群算法的SVM参数优化
• 4.2.1 参数对SVM的影响
• 4.2.2 支持向量机参数优化方法
• 4.2.3 蚁群算法优化SVM参数
• 4.3 本章小结
• 5 基于参数优化SVM的大肠杆菌高密度发酵过程建模应用
• 5.1 优化参数的SVM具体应用
• 5.1.1 数据比较与分析
• 5.1.2 结论
• 5.2 本章小结
• 结论
• 参考文献
• 攻读硕士学位期间发表学术论文情况
• 致谢