[发明专利]一种基于多核支持向量机的发酵过程动态预测方法

权利要求书

1.一种基于多核支持向量机的发酵过程动态预测方法，其特征在于包含以下步骤：

步骤(1)：定义发酵过程样本点表示形式：

将发酵过程中在线可测量的参数和在线不可测量的待预测的参数组合成发酵过程的样本，具体的样本点表示形式如下：

T＝(x₁,x₂,...,x_n；y)①

其中，x₁,x₂,...,x_n表示发酵过程中在线可测量的n个参数，y表示发酵过程中在线不可测量的待预测的参数；

步骤(2)：构造历史批次数据库：离线测试，得到同一发酵过程相同工艺下的R+1批次数据，选择其中的任一批次数据作为当前批次数据，其余的R批次数据作为历史批次数据，其中第r批次k时刻历史数据表示如下：

其中，r＝1,2,…,R，R为历史批次总数；k＝1,2,…,N，N为每一批次的样本点总数；

对历史数据进行归一化处理，归一化公式如下所示：

其中，r＝1,2,…,R，R为历史批次总数；k＝1,2,…,N，N为每一批次的样本点总数；表示第r历史批次k时刻的原始样本值,X_r(k)表示第r历史批次k时刻原始样本值归一化后的样本值；

步骤(3)：建立当前批次当前采样时刻发酵过程相似训练样本集，具体步骤为：

步骤(3.1)：根据上面的归一化公式对当前批次数据进行归一化；

步骤(3.2)：构建当前批次当前采样时刻的时间窗查询序列，具体的，当前批次k时刻时间窗长为l的查询序列构建方法如下：

当1≤k≤l时，查询序列为：

X_s＝{X(1),X(2),…X(l)}；

当(l+1)≤k≤N时，查询序列为：

X_s＝{X(k-l+1),X(k-l+2),…X(k)}；

步骤(3.3)：建立当前批次当前采样时刻对应的相似训练样本集，具体的，构建当前批次k时刻对应的相似训练样本集的方法为，以动态时间归整DTW为相似性指标，对于R个历史批次数据，从每个历史批次数据中找出一个与当前批次k时刻的查询序列时间窗长l相同、DTW值最小的数据区间，组成样本点个数为l×R的相似训练样本集A(k)＝{M₁(k),M₂(k),…,M_R(k)}，其中M_i(k)表示第i个历史批次数据中与当前批次k时刻的查询序列时间窗长l相同、DTW值最小的数据区间；

步骤(4)：构造当前批次当前采样时刻对应的多核函数：在计算机上使用MATLAB软件中的支持向量机工具箱，对核函数类型进行修改，构造出适用于发酵过程多阶段特点的多核函数，其形式如下：

K(x,x')＝a₁K_RBF(x,x')+a₂K_Poly(x,x')⑥

其中K_RBF(x,x')代表RBF核函数,且核参数σ∈[1,10]；K_Poly(x,x')代表Poly核函数，且核参数d∈[1,6]、d为整数；a_i，i＝1，2代表核函数的权重系数，且满足条件a_i≥0，a₁+a₂＝1；权重系数a_i及核参数初始值随机确定，并根据预测均方根误差进行调整；

步骤(5)：支持向量机训练，完成当前批次当前时刻预测模型的建立，具体为：利用步骤(3)中建立的当前批次k采样时刻对应的相似训练样本集和步骤(4)中所构造的多核函数，使用MATLAB中的支持向量机工具箱进行训练，从而完成当前批次当前时刻模型的建立；

步骤(6)：利用步骤(5)建立的当前批次当前时刻的预测模型，完成当前批次下一时刻输出变量y(k+1)的预测，具体为：将当前批次k时刻输入向量X(k)输入到建立的支持向量机模型中，完成当前批次k+1时刻输出变量y(k+1)的预测；

步骤(7)：返回步骤(3)，滚动建立下一时刻的预测模型，不断输出生物化学参数预测值，直到遍历当前批次所有采样时刻。