基于MPCA-GP的發(fā)酵過(guò)程分階段軟測(cè)量建模方法研究.pdf

1、生物參量是發(fā)酵過(guò)程重要的過(guò)程參量，直接影響發(fā)酵過(guò)程的產(chǎn)量和質(zhì)量。軟測(cè)量模型的構(gòu)建，是實(shí)現(xiàn)發(fā)酵過(guò)程生物參量在線檢測(cè)的有效途徑。由于發(fā)酵過(guò)程涉及生命體的生長(zhǎng)繁殖過(guò)程，機(jī)理非常復(fù)雜，而且反應(yīng)過(guò)程具有階段特性，對(duì)其建立全局單一軟測(cè)量模型的適應(yīng)性差，檢測(cè)精度低，不易應(yīng)用于實(shí)際發(fā)酵過(guò)程中。因此，研究發(fā)酵過(guò)程的分階段軟測(cè)量建模方法具有重要的理論意義和應(yīng)用價(jià)值。
　　 本文在詳細(xì)分析發(fā)酵過(guò)程軟測(cè)量建模方法及高斯過(guò)程軟測(cè)量建模方法發(fā)展現(xiàn)狀的基礎(chǔ)上

2、，研究了高斯過(guò)程回歸算法，給出了一種基于聚類(lèi)和灰色關(guān)聯(lián)度分析相融合的樣本稀疏化方法，降低了模型的計(jì)算復(fù)雜度;提出了一種基于正則化的高斯過(guò)程回歸方法，該方法利用理論推導(dǎo)的形式重新構(gòu)建了用于超參數(shù)優(yōu)化的目標(biāo)函數(shù)，提高了模型的預(yù)測(cè)精度;結(jié)合發(fā)酵過(guò)程的階段特性，提出了一種基于MPCA-GP的發(fā)酵過(guò)程分階段軟測(cè)量建模方法，該方法以MPCA中第一主元貢獻(xiàn)率的變化趨勢(shì)為階段劃分指標(biāo)，實(shí)現(xiàn)了發(fā)酵過(guò)程階段劃分，以后驗(yàn)概率最大化為原則實(shí)現(xiàn)測(cè)試樣本的階段識(shí)別