论文部分内容阅读
支持向量机是基于统计学习理论的学习机器,能够有效地处理小样本学习问题;并且支持向量机以结构风险最小化为原则,有效地克服了神经网络收敛慢、局部最优、泛化能力差等缺点。近年来支持向量机在模式识别、信号处理、系统建模和控制等方面都得到了广泛应用,逐渐成为了机器学习领域理论研究的新热点。常用的支持向量机训练算法都只能离线训练,而离线训练建立的模型很难适应非线性系统的实时变化,系统鲁棒性较差。因此本文在现有的研究基础之上,重点地研究了在线支持向量回归训练算法的理论与应用,在线支持向量回归是一种逐步迭代的支持向量机学习算法,并已成功应用于非线性时变系统建模与控制。本文的主要研究内容为:(1)针对在线支持向量回归算法抗干扰能力差、训练速度慢等问题,提出了模糊在线支持向量回归(FOSVR)算法。FOSVR算法通过对样本设定不同的模糊隶属度、优化学习步骤,有效地提高了建模精度和训练速度,仿真实验验证了算法的有效性。(2)生物发酵过程中重要的生物浓度变量难以在线测量,因此本文提出基于FOSVR算法的谷氨酸发酵过程软测量建模。利用FOSVR算法良好的泛化能力和在线学习能力,分别建立了菌体浓度和产物浓度的软测量模型;并且将机理模型和FOSVR软测量模型相结合,从而实现了对生物发酵过程的混合建模。(3)针对常规非线性模型预测控制的预测模型容易失配的问题,提出采用FOSVR建立模型预测控制的预测模型。通过其在线学习能力有效的解决了预测模型失配问题,并主要研究了基于FOSVR的单步和多步模型预测控制的算法与实现;同时针对多步模型预测控制算法容易局部优化的缺点,采用粒子群优化算法求解目标函数,有效地提高了算法的全局优化能力。(4)针对预测函数控制对非线性强和时变的实际对象控制效果不佳问题,提出基于FOSVR逆模型的非线性预测函数控制算法。通过引入FOSVR逆模型,将非线性预测函数控制转化为线性预测函数控制,既实现了非线性预测函数控制,同时又避免了复杂的非线性优化。为进一步提高算法的性能,针对传统基函数对参考轨迹的整体逼近性能并不理想的缺点,选取小波基函数为基函数,利用小波的紧支性和多尺度分析的特性,实现了优化变量的集结。(5)针对发酵过程自动化水平低、生物浓度难以在线控制,采用基于FOSVR的预测控制调节谷氨酸发酵过程流加。在发酵过程集散控制系统的基础上,利用Delphi和Matlab的混合编程,从而实现了基于FOSVR的底物流加预测控制。通过对谷氨酸发酵的三次流加控制结果显示,流加预测控制有效的提高了最终产物浓度。通过本文研究表明,FOSVR是一种有效的在线学习算法,不仅可以为补料分批生物发酵过程等复杂生化过程的建立准确模型,还可以实现基于此模型的先进控制算法,对于生化过程建模与控制具有重要意义。