[发明专利]食用菌发酵生产过程关键参量的软测量方法

权利要求书

1.食用菌发酵生产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:建立食用菌发酵过程历史数据库

汇总食用菌发酵过程现场采集的历史辅助变量和离线检测分析的历史主导变量数据,对数据进行坐标变换与插值,建立历史数据库；

步骤2:数据预处理

对发酵过程历史数据库中的数据按照服从正态分布时的3σ准则剔除过失数据,并进行数字滤波和校正；

步骤3:选取溶解氧DO、酸碱度pH、二氧化碳释放率CER、氧吸收率OUR和葡萄糖流加速率f_gl，发酵液中的菌体浓度X、基质浓度S和食用菌产物质量P为主导变量，建立食用菌发酵的基于混沌粒子群优化支持向量机软测量数学模型：

φ(P,S,X)＝F(DO,pH,CER,OUR,f_gl)

式中函数φ表示P,S,X三个参量的函数；

步骤4：构建LS-SVM软测量训练样本数据库

对当前待预测罐批发酵，将经实验室离线分析的当前待预测罐批发酵过程生化参量X、S、P作为主导变量，直接采集当前待预测罐批的取溶解氧DO、酸碱度pH、二氧化碳释放率CER、氧吸收率OUR和葡萄糖流加速率f_gl五个辅助变量，然后先根据步骤2进行相应数据预处理后，再结合历史发酵过程主导变量和历史辅助变量最终构成LS-SVM软测量训练样本数据库；

步骤5：对LS-SVM软测量训练样本数据库中的样本数据进行归一化处理，采用归一化处理方法进行处理；

步骤6：对归一化处理后样本数据建立基于混沌粒子群优化支持向量机GWO-LSSVM软测量模型；

步骤7：根据步骤4得到的LS-SVM软测量训练样本数据库，对步骤6所建立的GWO-LSSVM软测量模型进行训练及测试；

步骤8：关键生化参量预测：利用已经训练测试好的GWO-LSSVM软测量模型，根据当前待预测罐批的最新数据集，获得相应关键生化参量预测值；

步骤9：判断罐批发酵是否结束，如果没有结束，则重新构建LS-SVM软测量训练样本数据库；如果结束，则更新发酵过程历史数据库，在完成当前罐批关键生化参量预测后，将当前罐批数据也更新到发酵过程历史数据库中，若已更新输出结果，则执行步骤1，最后输出软测量模型预测结果；

所述步骤3中的食用菌在发酵罐中进行几天补料分批培养发酵，由数字控制系统以每分钟一次的频率实时采集发酵过程中溶解氧DO、酸碱度pH、二氧化碳释放率CER、氧吸收率OUR和葡萄糖流加速率f_gl，每4小时取样一次发酵液并离线检测分析体浓度X、基质浓度S和食用菌产物质量P；

所述步骤2中的3σ准则是指当测量次数足够大且测量数据服从正态分布时,若某次测量值所对应的剩余误差V_I＞3σ,σ为正态分布的标准差,则认为该测量值为异常数据,予以剔除；

步骤6的实现方法：对归一化处理后的食用菌发酵过程LSSVM软测量训练样本数据库，构造与之对应的最小二乘支持向量机软测量模型，利用灰狼算法GWO优化软测量模型中的正规化参数γ和核参数σ²，建立GWO-LSSVM软测量模型；

所述构造最小二乘支持向量机LS-SVM软测量模型的具体过程如下：

步骤6.1，对所述的软测量训练样本数据库中的l个样本{(u_i,y_i)|i＝1，2，3....l}，根据步骤3中的公式，将辅助变量作为LS-SVM软测量模型输入量u_i＝[DO,pH,CER,OUR,f_gl]_i，i＝1,2...l，输出量为主导变量X,S,P三个参量中的任意一个参量，即Y＝{y_i|y_i∈φ(X,S,P)}，高维特征中建立的线性回归函数为：

式中—非线性映射函数；w—全职向量；b—偏置；

步骤6.2，利用结构风险最小化原则，选取损失函数为误差的二次项，将LS-SVM优化问题转换为求解下面式子的问题：

式中，γ为正则化参数，e为允许误差；

步骤6.3，引入拉格朗日乘子求解上述步骤6.2的问题，得到

步骤6.4，根据KKT条件，步骤6.2中表达式的一阶导数为：

将步骤6.3的式子消去变量w、e，得线性方程组：

式中Q＝[1,…,1]^T,a＝[a₁,a₂,…,a_l]^T,y＝[y₁,y₂,…,y_l]^T,K为核函数矩阵；

步骤6.5，根据Mercer条件可以得核函数为：

步骤6.6，用最小二乘法求得a和b，综上可以得到最小二乘支持向量机的输出为：

其中，采用径向基函数(RBF)作为LSSVM的核函数：

所述LS-SVM软测量模型中的正规化参数γ和核参数σ²是影响软测量模型精度的重要参数，采用灰狼算法(GWO)进行参数选，所述GWO算法通过构建a、β、δ和ω四层金字塔式的等级管理制度来实现算法模拟，其中a表示第一层，β表示第二层，δ表示第三层，ω表示第四层，其等级建立原则如下：

第一层为种群的头狼a，为狼群中具有最高管理能力的个体，负责群体中捕食行为、实物分配等各项事务的决策；

第二层为β，是a的智囊团队，协助a做出管理决策；当a出现空缺时，β将替补成为a，β对狼群中除了a以外的其余成员具有支配权，同时又起着反馈与协调的作用，其将a狼的命令下达给群体中的其余成员，并将监督执行情况反馈给a狼；

第三层为δ，其听从a和β的指令，但可支配第四层ω个体，负责侦察、放哨、捕猎等事务，较劣的a和β个体也将成为δ层个体；

最底层为ω，主要负责平衡种群内部关系及照看幼狼事务；

所述GWO算法的具体实施过程包括：

第一步，在捕食过程中，灰狼先对猎物进行包围，其灰狼个体与猎物之间的距离用下式表示：

D＝|G·X_P(t)-X(t)|

式中，X_P(t)表示第t代时猎物的空间位置；X(t)表示第t代时灰狼个体的空间位置；常数G为摆动因子，由式G＝2r₁决定，r₁为[0,1]区间的随机数；

第二步，利用下式对灰狼空间位置进行更新：

X(t+1)＝X_p(t)-A·D

式中，A为收敛因子，由式A＝2ar₂-a决定；r₂为[0,1]区间的随机数，a随着迭代次数增加从2线性递减到0；

第三步，定位猎物位置：当灰狼判断出猎物所处位置时，将由α狼带领β和δ对猎物进行追捕，在狼群中，a、β和δ狼最靠近猎物，可利用三者的位置判断猎物所处方位，a、β和δ狼跟踪猎物方位的描述通过下面七个表达式实现：

D_a＝|G₁·X_a(t)-X(t)|

D_β＝|G₂·X_β(t)-X(t)|

D_δ＝|G₃·X_δ(t)-X(t)|

X₁＝X_a-A₁·D_α

X₂＝X_β-A₂·D_β

X₃＝X_δ-A₃·D_δ

X_P(t+1)＝(X₁+X₂+X₃)/3；

其中，先利用前六个表达式计算群体内灰狼个体与a、β和δ狼之间的距离，然后利用第七个表达式判断出个体向猎物移动的方向；

利用所述GWO算法对LS-SVM软测量模型参数γ和σ²进行优化的步骤包括如下：

步骤6.6.1，初始化灰狼算法参数种群大小SearchAgents_no＝200、维度D＝4、最大迭代次数Max_iteration＝100、灰狼维度上界ub＝10和下届lb＝10、随机初始化灰狼位置；

步骤6.6.2，映射种群中的粒子为LS-SVM软测量模型正则化参数γ和核参数σ²，即x_i＝[γ,σ²]_i,i＝1,2,....m，将x_i的各个分量载波到γ和σ²的取值范围即可产生GWO的初始位置

步骤6.6.3，输入样本进行最小二乘支持向量机(LSSVM)算法训练，建立LSSVM软测量模型，根据输入样本训练该软测量模型；

步骤6.6.4，计算适应度值，用LSSVM软测量模型对训练样本集的输出误差作为适应度函数F，由下式计算各粒子适应度值:其中:l为样本总数,y为实际输出值,由式得到,t为目标输出值；

步骤6.6.5，根据适应度值将灰狼群分为：a(第一层)、β(第二层)、δ(第三层)和ω(第四层)；

步骤6.6.6，如果达到最大迭代次数或者训练精度，则将输出作为最优结果，否则执行步骤6.6.7；

步骤6.6.7，根据下面前三个表达式计算剩余个体与X_a、X_β、X_δ的距离；并根据后三个表达式更新各个狼群个体位置；

D_a＝|G₁·X_a(t)-X(t)|

D_β＝|G₂·X_β(t)-X(t)|

D_δ＝|G₃·X_δ(t)-X(t)|

X₁＝X_a-A₁·D_α

X₂＝X_β-A₂·D_β

X₃＝X_δ-A₃·D_δ

步骤6.6.8，迭代次数增加一次，并执行步骤6.6.3；

步骤6.6.9，将找到的最优个体作为LSSVM软测量模型的正规化参数γ和核参数σ²。