一種基于多核支持向量機的發酵過程動態預測方法
【專利摘要】一種基于多核支持向量機的發酵過程動態預測方法，既屬于生物發酵領域，又屬于信息科學領域，具體涉及在發酵過程中應用改進的支持向量機建立發酵過程模型預測生物狀態參數的方法。具體步驟包括：從歷史批次數據庫中搜索與當前時間窗內數據最相似的數據，組成相似訓練樣本集，利用建立的相似訓練樣本集，運用支持向量機算法，建立當前批次當前時刻的局部訓練模型。同時，構造多核函數來處理不同階段的樣本建立局部模型。本發明實現了發酵過程生物狀態參數的及時準確的測量，省去了對發酵過程分階段然后進行建模的麻煩，具有樣本需求量小，預測準確且時間短的優點，對實現發酵過程的控制和優化控制有重要意義。
【專利說明】一種基于多核支持向量機的發酵過程動態預測方法
【技術領域】
[0001]本發明既屬于生物發酵領域，又屬于信息科學領域，具體涉及在發酵過程中應用改進的支持向量機建立發酵過程模型預測生物化學參數的方法。
【背景技術】
[0002]發酵工程，是指采用現代工程技術手段，利用微生物的某些特定功能，為人類生產有用的產品，或直接把微生物應用于工業生產過程的一種新技術，是生物技術的重要組成部分，是生物技術產業化的重要環節。現代發酵技術日益成為全球經濟的重要組成部分。國家發改委、工信部發布的《食品工業"十二五"發展規劃》預期，到2015年，發酵工業總產值達4600億元以上，年均增長率達15%以上。生物技術、藥物在《醫藥工業“十二五”發展規劃》中也被確定為發展的重點領域。而據有關資料統計，在有些發達國家中，發酵工業的產值已經占國民生產總值的5%。在醫藥產品中，發酵產品占有特別重要的地位，其產值占醫藥工業總產值的20%，通過發酵生產的抗生素就達200多個品種。可見，發酵工業在與人們生活密切相關的醫藥、食品、化工、冶金、資源、能源、健康、環境等領域中，都有著難以估量的社會和經濟效益。
[0003]隨著發酵行業工業化進程的迅速推進與發展，對發酵過程進行控制和動態優化的要求也越來越迫切，而控制與優化的基礎則是要首先解決發酵過程有關參數的在線檢測問題。而發酵過程是一個復雜過程，具有時變、非線性、不確定、多變量耦合等特性，人類尚未完全弄清楚它的機理。一般的發酵過程需要測量的狀態參數可分為物理參數、化學參數和生物參數。目前，物理參數一般可以通過傳感器在線獲得，而絕大部分化學參數和生物參數的測量則成了難以解決的問題。
[0004]針對生物化學參數的測量問題，沿襲傳統的檢測技術發展思路，主要是通過研制新型的在線分析儀表，以硬件形式實現過程參數的在線測量。但是在線分析儀表不僅價格昂貴，而且維護保養復雜，并且現有的在線生物傳感器的測量精度難以保證，生物參數值主要通過離線分析得到，這往往存在較大的滯后，無法及時反饋控制信息。所以對于生物參數的控制，目前基本上都是憑借人類的實踐經驗進行手動控制，但是由于大多數的微生物發酵過程都比較復雜，單純地依靠人們的實踐經驗會帶來生產效率低和生產成本高的問題，無法達到提高生產率的需求。由此可見，針對發酵過程，首先要解決的問題就是建立一個發酵過程模型，通過所建立的模型可以估計一些不能在線測量的生物化學參數，如菌體濃度、產物濃度和基質濃度。然后既可以通過所建立的發酵模型對生物化學參數進行實時控制，也可以實現發酵過程的優化控制。優化控制是指基于數學模型通過優化算法尋優得到適合大批量生產的最優發酵工藝，并對生產過程進行控制，能夠促進發酵過程的研發工作和產業化生產，最終可以提高產物的產量。然而由于發酵過程各批次數據間的差異性和不確定性，現在發酵過程中大多建模方式是離線和預先建模，不可避免地存在生產條件一旦改變，原有模型可能無法適應新環境的情況。而且在對發酵產物的穩定性與一致性要求越來越高的今天，基于模型的控制方法大量運用，而影響控制效果的一個重要方面就是模型的精確程度，所以研究建立精確的發酵過程的動態模型預測生物化學參數對實現發酵過程的控制和優化控制有重要意義。
【發明內容】
[0005]本發明針對上述現有技術中存在的問題，提出了一種基于多核支持向量機建立發酵過程動態模型的方法來實現生物化學參數的準確預測。而發酵過程模型的動態性通過建立發酵過程動態樣本集的方法來實現，克服了發酵過程各批次之間差異巨大造成的生產條件一旦改變，原有模型無法適應新環境的問題；同時，通過構造多核函數來適應發酵過程多階段特點，省去了對發酵過程分階段建模的麻煩。
[0006]本發明采用了如下的技術方案和實現步驟:
[0007]步驟(1):定義發酵過程樣本點表示形式:
[0008]將發酵過程中在線可測量的參數和在線不可測量的待預測的參數組合成發酵過程的樣本，具體的樣本點表示形式如下:
[0009]T = (x1； X2,..., xn;y)①
[0010]其中，X1, X2, , Xn表示發酵過程中在線可測量的η個參數，y表示發酵過程中在線不可測量的待預測的參數；
[0011]步驟(2):構造歷史批次數據庫:離線測試，得到同一發酵過程相同工藝下的R+1批次數據，選擇其中的任一批次數據作為當前批次數據，其余的R批次數據作為歷史批次數據，其中第r批次k時刻歷史數據表示如下:
[0012]T: (k) = (X；, (k),Xr2 (k),...,xljk): Vr (/c+ 1)) = (X'r{k):yr (k +1))②
[0013]其中，r= 1，2，...，!?，R為歷史批次總數；k= 1，2，…，N，N為每一批次的樣本點總數；
[0014]對歷史數據進行歸一化處理，歸一化公式如下所示:
【權利要求】
1.一種基于多核支持向量機的發酵過程動態預測方法，其特征在于包含以下步驟: 步驟(1):定義發酵過程樣本點表示形式: 將發酵過程中在線可測量的參數和在線不可測量的待預測的參數組合成發酵過程的樣本，具體的樣本點表示形式如下:
【文檔編號】G06F17/50GK103617316SQ201310590666
【公開日】2014年3月5日 申請日期:2013年11月21日 優先權日:2013年11月21日
【發明者】高學金, 耿凌霄, 王普, 李亞芬 申請人:北京工業大學