基于QPSO-LSSVM的L-缬氨酸发酵建模

最小二乘支持向量机(1east square support vector machine,LSSVM)是1种新的机器学习算法,它采用结构风险最小化准则,能有效提高模型的泛化能力,且具有运算速度快、抗噪能力强等特点。本文针对最小二乘支持向量机发酵建模中,选择重要模型参数值的问题,提出利用全局搜索能力强的量子粒子群优化算法,优化LSSVM建模过程的重要参数,并将该混合建模方法应用于L-缬氨酸发酵,建立L-缬氨酸产物浓度、菌体浓度和底物浓度等重要过程变量的预测模型,在线预估这些不能在线测量的生化状态变量。实验表明,混合算法所建立起的L-缬氨酸发酵模型在模拟菌体生长、底物消耗及发酵产酸过程的变化等方面都比BP神经网络建模方法具有较小的拟合误差和较好的推广性能,可以为L-缬氨酸发酵生产过程提供动态模拟,具有重要的实用价值。