[发明专利]一种基于核岭回归的谷氨酸发酵过程软测量建模方法

摘要

本发明公开了一种基于核岭回归的谷氨酸发酵过程软测量建模方法。首先基于归一化之后的数据，建立各辅助变量和输出变量一致关联度，确定谷氨酸发酵软测量建模所需的主要辅助变量，对辅助变量进行降维；通过对谷氨酸发酵生产过程中的主要辅助变量和产物谷氨酸浓度之间的非线性关系进行基于核岭回归的软测量建模，利用发酵生产过程中容易测量的变量对较难测量的产物浓度进行在线软测量，可以为谷氨酸发酵生产过程操作提供指导。本软测量建模能提高谷氨酸发酵过程产物谷氨酸浓度的预测精度，可有效用于指导谷氨酸生产。

主权项

一种基于核岭回归的谷氨酸发酵过程软测量建模方法，其特征在于，其主要步骤如下：(1)通过控制系统的实时数据库收集谷氨酸发酵过程各个辅助变量的数据，作为建模样本；通过实验室分析获取建模样本所对应的谷氨酸浓度值，作为软测量建模的输出变量；(2)对步骤(1)获取的变量进行预处理和归一化，得到新的数据矩阵集；(3)基于归一化之后的数据，建立各辅助变量和输出变量一致关联度，确定谷氨酸发酵软测量建模所需的主要辅助变量，对辅助变量进行降维；(4)采用核岭回归建立谷氨酸发酵软测量模型，通过训练确定模型参数，将该软测量参数存入数据库中；(5)在线采集谷氨酸发酵过程主要辅助变量的新数据，并对其进行预处理和归一化；(6)将归一化之后的新数据直接输入到软测量模型中，输出数据反归一化后获得该时刻对应的谷氨酸浓度；其中，所述步骤(3)中，建立各辅助变量和输出变量一致关联度，具体为：设xi(k)、xj(k)分别为k时刻某个辅助变量值与输出变量谷氨酸浓度值，l为数据长度；定义：Δxi(k)＝xi(k+1)‑xi(k)Δxj(k)＝xj(k+1)‑xj(k)设ξk为符号因子，则：●若Δxi(k)·Δxj(k)>0或Δxi(k)＝Δxj(k)＝0，则xi(k)和xi(k)在点k处趋势相同，ξk＝1，关联度为正；●若Δxi(k)·Δxj(k)＝0且Δxi(k)≠Δxj(k)，则称xi(k)和xi(k)在k处趋势无关，ξk＝0，对关联度没有贡献；●若Δxi(k)·Δxj(k)<0，则称xi(k)和xi(k)在点k处趋势相反，ξk＝‑1，关联度为负；uij(k)为二个变量相关系数，vij(k)为二个变量变化率的相关系数，β为关联度受数据变化率的影响程度，rij为变量xi与xj之间的关联度，设xi与xj有m1个趋势相同的点，编号为{a1,a2,…,am1}；m2个趋势无关的点，编号为{b1,b2,…,bm2}；m3个趋势相反的点，编号为{c1,c2,…,cm3}；m1+m2+m3＝l‑1，则：式中，Zij、Pij和Nij分别表示零关联度、正关联度和负关联度；●当Pij>|Nij|时，xi与xj以正相关为主，它们的趋势变化相似，关联程度由rij和Pij两因素的大小程度来衡量；●当rij＝Zij＝0时，xi与xj无关；●当Pij<|Nij|时，xi与xj以负相关为主，即它们的趋势变化相反，关联程度由rij和|Nij|两因素的大小程度来衡量；分别计算各辅助变量与谷氨酸浓度的关联度，确定谷氨酸发酵过程软测量建模所需的主要辅助变量；所述步骤(4)中，利用非线性映射函数φ(x)将样本映射到高维特征空间，利用原空间的核函数取代高维特征空间的点积运算，在高维特征空间构建线性岭回归，设式中，矩阵表示多维输入辅助变量，y表示因变量谷氨酸浓度，表示描述辅助变量实验数据函数，{ωn}表示相应回归分析决定的权；二次辅助变量根据谷氨酸发酵机理和一致关联度来确定；式(1)又可写成式中，核函数定义为核函数确定后，式(2)中对偶变量{αi}通过岭回归来解，优化岭回归描述如下：式中，λ是岭参数，控制岭回归的正规化度；式(2)中对偶变量{αi}可以表示为式中，K是Gram矩阵，Kij＝＜φ(xi)·φ(xj)＞i＝1,2,…,n，n表示训练样本的数量，I是单位矩阵；采用高斯核函数：式中，σ是核函数宽度；采用核岭回归建立谷氨酸发酵软测量模型，通过训练确定模型参数。