论文部分内容阅读
针对发酵过程中生物参数难以实时在线测量的问题,建立了用于生物参数状态预估的支持向量机软测量模型。考虑到该支持向量回归模型的复杂性和推广能力的好坏很大程度上取决于其3个参数(ε,C,γ)能否取到最优值,采用粒子群算法实现对参数(ε,C,γ)的同时寻优。在此基础上,以L-天冬酰胺酶Ⅱ为对象,建立其基于PSO-SVR的发酵过程产物浓度状态预估模型。发酵罐控制结果表明:该模型具有很好的学习精度和泛化能力,可实现对L-天冬酰胺酶Ⅱ产物浓度的实时在线预估。