[发明专利]基于BA-LSSVM的光合细菌发酵过程关键参量的软测量方法

权利要求书

1.基于BA-LSSVM的光合细菌发酵过程关键参量的软测量方法，其特征在于，包括如下步骤：

步骤1，辅助变量选择：选取能直接测量且与发酵过程密切相关的外部变量，用一致相关度法分析其与关键参量的关联度，设定关联度值r_ij大于某阈值时的外部变量作为软测量模型的辅助变量；关联度值r_ij≥0.7的外部变量作为软测量模型的辅助变量，所述关联度值的计算表达式：

式中：X_i与T_j为经过初始化处理后的俩变量序列，ΔX_i(k)为X_i序列的k时刻与k-1时刻的差值，ΔT_j(k)为T_j序列的k时刻与k-1时刻的差值，分别为X_i与T_j所有时刻差值的平均值，k为序列编号，l为样本数，ξ_k为符号因子，v_ij(k)为变化率关联系数，r_ij为关联度，β为数据变化率对关联度的影响，ξ_ij为变量相关系数， 对于发酵罐温度T和菌体浓度X，设有m₁个趋势相同的点m₂个趋势无关联的点m₃个趋势相反的点代入上式可得：

其中P_ij，Z_ij，N_ij分别表示正关联度、零关联度和负关联度；当|P_ij|≥|N_ij|时，发酵罐温度T和菌体浓度X以正相关为主，它们的变化趋势相似，相关程度由r_ij，P_ij两因素的大小来决定；当r_ij＝Z_ij＝0时，发酵罐温度T和菌体浓度X无关；|P_ij|≤|N_ij|发酵罐温度T和菌体浓度X相关为主，即它们的变化趋势相反，相关程度由由r_ij，P_ij两因素大小决定；

步骤2，发酵数据集分类：采集相同工艺下若干历史罐批次的辅助变量和关键参量数据，发酵数据集随机分成两部分，一部分为训练数据集，另一部分为测试数据集；训练数据集用来训练LS-SVM；

步骤3，构建LS-SVM模型，确定核函数；具体过程包括：

在给定一组样本集{(x_i,y_i)|i＝1，2，3....l}，x_i∈Rⁿ为n维样本输入，y_i∈R为样本输出；通过对样本数据逼近，函数拟合问题描述为最优化问题：

式中，C为惩罚系数，e为允许误差，J(w,e)是一个关于C与e的函数，w为权值向量，φ(x)为核函数，b为常数， 构造拉格朗日函数，并对其中各变量求偏导并整理得到线性方程组：

式中：Q＝[1,…,1]^T，a＝[a₁,a₂,…,a_l]^T，a_i为拉格朗日乘子，y＝[y₁,y₂,…,y_l]^T，

K为核函数矩阵；根据Mercer条件可以得核函数为：

K(x_i,x_j)＝φ(x_i)^Tφ(x_j)

用最小二乘法求得式中的a和b，得到最小二乘支持向量机的输出为：

步骤4，利用蝙蝠算法优化LS-SVM模型的核参数与惩罚参数，获得最优的BA-LSSVM软测量模型；具体地：

步骤4.1，参数设置：设置蝙蝠算法的主要参数：蝙蝠种群大小n，最大迭代次数N，蝙蝠的响度A，搜索频率范围[f_min,f_max]，脉冲频率r，蝙蝠位置向量z，速度向量v；

步骤4.2，种群初始化：初始化蝙蝠种群的位置，每一个蝙蝠位置由LS-SVM参数组合(C，σ)构成，公式如下：

z＝z_min+rand(1,d)×(z_max-z_min)

式中：种群的维数d＝2，rand()为[0，1]的随机数，z_max与z_min分别表示径向基核函数参数(C，σ)的上、下限值向量；

步骤4.3，更新参数：计算种群适应度，找出当前最佳解，同时更新蝙蝠的飞行速度、脉冲频率和位置，计算表达式如下：

f_i＝f_min+(f_max-f_min)β

式中：β∈[0,1]是均匀分布的随机数；f_i∈[f_min,f_max]是蝙蝠的搜索脉冲频率；分别表示蝙蝠i在t和t－1时刻的速度；分别表示当前蝙蝠i在t和t－1时刻的位置；z^*表示当前所有全局最优解；

步骤4.4，更新蝙蝠个体， 如果有rand＞r_i，则对当前种群中最优蝙蝠z^*进行随机扰动，产生新的蝙蝠个体；如果rand＜A_i，且满足f(z)＞f(z^*)，则接受产生的新蝙蝠，并根据下面两个表达式更新响度A_i和脉冲频率r_i：

A_iⁱ⁺¹＝αA_i^t

r_iⁱ⁺¹＝r_i⁰[1-exp(-γt)]

式中：α表示脉冲音强衰减系数，0＜α＜1，γ表示脉冲频度增加系数，γ＞0；

4.5输出全局最优参数：对种群的所有蝙蝠的适应度值进行排序，找出当前最优解，重复步骤4.2-4.4，直到最大迭代次数终止，输出全局最优参数，得到最优的惩罚系数C和径向基宽度σ构建最优的BA-LSSVM软测量模型；

步骤5，关键参量的预测：利用已训练好的软测量模型，根据当前待预测罐批的最新输入向量，获得关健参量的预测值；