余天阳

（江南大学物联网工程学院 无锡 214122）

1 引言

白酒发酵过程中的酒醅温度影响酵母菌的生长繁殖，进而影响白酒的产量［1～2］。同时，入窖水分、入窖酸度和入窖淀粉浓度也会影响白酒的产量［3～5］。如何准确有效地预测白酒产量、保证白酒质量成为固态白酒发酵亟待解决的问题。常规优质固态白酒发酵温度曲线应符合“前缓、中挺、后缓落”的规律［6］，是一系列复杂生化反应的宏观体现，其中蕴含重要的演化信息，故期望从中找出演化规律，利用已知的检测数据预测白酒产量，为下一轮的入窖工艺优化提供依据。

目前关于预测的方法主要有时间序列法、小波分析法、人工神经网络等。1989年Baldi P通过研究发现，在处理非线性数据上，神经网络的预测能力要优于传统模型［7］。但是L.Kaastra在1995年发现神经网络存在过拟合、难收敛和模型训练困难等问题［8］，与此同时Vapink在神经网络的基础上首次提出了以结构风险最小化为原则的SVM（Support Vecor Machine，SVM）算法［9］，该方法较好地解决小样本、非线性等实际问题，并且在很多领域已经开始得到应用，如两相流行识别［10］、故障诊断［11］、模式识别［12］等领域。但SVM的训练需要求解二次规划问题，影响计算速度。为此，Suykens等［13］提出了最小二乘支持向量机（Least Squares Support Vector Machine，LSSVM）方法。最小二乘支持向量机（LSSVM）是标准支持向量机的一种扩展，通过求解线性方程，有效简化计算过程，提高运算速度。但是，在LSSVM建模过程中模型的惩罚参数γ和核参数σ对模型的拟合精度和泛化能力有着较大影响。传统的取值方法是依据经验通过试凑法进行调试，没有统一的规则。……