基于局部选择合体学习的青素发酵过程的软感应建模
Feixiang Huang1, Longhao Li2, Chuanxiang Du1
1School of Electrical and Electronic Engineering, Shandong University of Technology, Zibo, 255000, China.
Scientific reports
|September 6, 2024
概括
这项研究引入了一个新的本地选择性集体学习策略,用于青素发酵软传感. 该方法通过重建样本集和自适应计算权重来提高预测准确性,优于现有模型.
科学领域:
- 化学工程是化学工程的重要组成部分.
- 生物工艺工程 生物工艺工程
- 机器学习 机器学习
背景情况:
- 青素发酵在输入和输出变量之间表现出复杂的非线性关系.
- 现有的软传感模型难以满足化学生产的严格准确性要求.
- 准确的预测对于优化青素发酵过程至关重要.
研究的目的:
- 开发一种先进的软感应模拟策略,用于青素发酵.
- 在非线性,多输出系统中提高预测准确性.
- 解决工业生物工艺当前建模方法的局限性.
主要方法:
- 一种使用转移和k-means集群来重建样本集的新型本地化方法.
- 多目标支向量回归 (SVR) 用于建立本地软传感模型.
- 选择性集体学习与适应性重量计算的子模型.
- 搜索算法 (SSA) 用于优化模型参数和减轻不利影响.
主要成果:
- 拟议的本地选择性集体学习多目标软传感策略显示出卓越的预测性能.
- 这种方法有效地处理了素发酵中固有的强烈的非线性关系.
- 与现有技术相比,新战略实现了更高的准确性和可靠性.
结论:
- 开发的建模策略为青素发酵中的软传感提供了显著的改进.
- 本地化,集体学习和高级优化技术的整合增强了预测能力.
- 这种方法提供了一个强大的解决方案,以满足化学生产中的精度要求.
更多相关视频
相关概念视频
00:57Antibiotic Selection
52.4K
Overview
52.4K
01:29Mechanistic Models: Compartment Models in Algorithms for Numerical Problem Solving
45
Mechanistic models play a crucial role in algorithms for numerical problem-solving, particularly in nonlinear mixed effects modeling (NMEM). These models aim to minimize specific objective functions by evaluating various parameter estimates, leading to the development of systematic algorithms. In some cases, linearization techniques approximate the model using linear equations.
In individual population analyses, different algorithms are employed, such as Cauchy's method, which uses a...
In individual population analyses, different algorithms are employed, such as Cauchy's method, which uses a...
45