文档介绍：基于BEF―LS―SVM的秸秆发酵制乙醇浓度预测
摘要:针对秸秆发酵制乙醇浓度预测问题,引入最小二乘支持向量机(Least square support vector machines,LS-SVM)方法应用于乙醇浓度的预测。考虑到LS-SVM的参数选择会对预测结果产生较大的影响,提出了基于贝叶斯证据框架(Bayesian evidence framework,BEF)优化的最小二乘支持向量机预测方法。通过BEF自动调整正则化参数和核参数,更好地实现了最小化误差和模型复杂性之间的折中。将秸秆发酵中的接种率、温度、pH值和温度用来预测乙醇浓度实时值,在糖化液制乙醇条件下进行实验验证,结果表明:所设计预测模型具有较高的精度,能够实时准确地预测出乙醇浓度值。
关键词:BEF-LS-SVM;秸秆发酵;乙醇浓度;预测
中图分类号: 文献标识码:A 文章编号:1006-8937(2016)18-0170-03
1 概述
随着资源枯竭的危险,石油、煤炭、天然气等化石燃料在价格不断上涨,能源作为当今社会赖以生存和发展的基础[1],在世界各国引起了高度关注。在此情况下,替代能源显得尤为重要, 其中利用生物原料制乙醇研究得最为广泛。目前,制造乙醇的生物原料主要是粮食和糖料,但是这两种原料均存在这成本高以及民争粮两个问题。
国家发改委与财政于2006年12月14日联合下发通知,称要严格控制以粮食为原料的燃料乙醇生产规模。因此未来利用生物原料制乙醇的根本方向会向用农作物秸秆、木屑等纤维素为原料的方向发展。中国从古至今无疑是一个农业大国,农作物秸秆年产量达7亿顿以上[2]。如果能采用先进且切合实际的技术,将秸秆通过水解得到可发酵性糖,再进一步发酵形成乙醇,很有可能改变传统的生产方式,这对我国社会和经济的可持续发展具有举足轻重的意义。
植物秸秆中的木质素、纤维素和半纤维素是通过共价或者非共价键的紧密结合形成木质纤维素,这其中纤维素和半纤维素约占秸秆干重量的2/3~3/4,在生产过程中,纤维素和半纤维素先水解成单糖,然后通过糖化发酵将生成的葡萄糖在发酵成乙醇。直接测量乙醇浓度耗时较长,不易准确控制秸秆发酵的用料情况,因此本文尝试对秸秆发酵制乙醇的浓度进行预测。
在预测过程中引入最小二乘支持向量机(Least square support vector machines,LS-SVM)方法,将秸秆发酵中的接种率、温度、pH值和温度用来预测乙醇浓度实时值,并在糖化液制乙醇条件下进行实验验证。
2 LS-SVM回归原理
设样本为维向量,给定个样本数据,可以表示为:(x1,y1),…,(xl,yl)∈Rn×R,其中xi为样本中的输入向量,yi为样本中的输出向量。用非线性映射φ(?)把样本中的输入向量xi从原空间Rn映射到特征空间Rnh,从而构造出一个最优的决策函数,即:
y=wT?φ(x)+b (1)
在该文章中,我们选取径向基核也即RBF核作为LS-SVM的核函数,选取RBF核的主要原因是该函数仅仅需要确定一个参数,就可以非常直观地反映出两个数据之间的距离,适应性非常强。RBF核如式(9):
贝叶斯证据框架(Bayesian evidence framework,BEF)优化的最小二乘支持向量机是采用贝叶斯证