Modellierung von Soft-Sensoren mit maschinellem Lernen für den Fermentationsprozess

Das Ziel des vorliegenden Buches war es, weiche Sensorlösungen für die Upstream-Bioprozessierung zu entwickeln und ihre Nützlichkeit bei der Verbesserung der Robustheit und der Erhöhung der Batch-to-Batch-Reproduzierbarkeit in Bioprozessen zu demonstrieren. Diese Buchstudie umfasst die folgenden Ziele:- Vorschlagen und Vergleichen der Leistung des sukzessiven Projektionsalgorithmus mit dem Analysealgorithmus für graue Beziehungen in Bezug auf die Auswahl von Hilfsvariablen;- Vorschlag und Vergleich der Leistung des SPA-GWO-SVR-Softsensormodells mit dem SPA-SVR-Modell in Bezug auf Genauigkeit, Effektivfehler, Koeffizientenbestimmung R2;- Vorschlag einer exponentiell abnehmenden Trägheitsgewichtungsstrategie mit PSO-Algorithmus, der den Suchraum ausnutzt und somit durch Reduzierung großer Schrittlängen das PSO in Richtung Konvergenz zu globalen Optima führt;- Vorschlag des Fuzzy-C-Means-Clustering-Algorithmus zum Clustern der Beispieldaten und Vergleichen der Leistung des IPSO-LSSVM-Softsensormodells mit dem Standard-PSO-LSSVM-Modell auf ausgewählten Benchmark-Regressionsdatensätzen in Bezug auf Genauigkeit, mittlerer quadratischer Fehler, quadratischer Mittelwert Fehler und mittlerer absoluter Fehler.