微生物发酵工程是生物工程和现代生物技术的产业化基础。生物量浓度是发酵过程的重要参数,直接反映着生物发酵过程的状态,影响着发酵产物的质量和产量。为了对发酵过程进行有效控制,迫切需要实现发酵过程中代谢产物浓度的在线测量。受到生物传感器技术的限制,生物量浓度难以用常规的传感器测量。专用传感器存在着价格昂贵和维护费用高的缺点使其应用具有很大的局限性。随着计算机技术的发展,利用在线可测辅助变量估计在线不可测变量或难以测量变量的软测量方法在微生物发酵过程中得到应用。近几年来,诸如机理建模、卡尔曼滤波器、多元回归、人工神经网络和支持向量机等方法已经被诸多学者应用于微生物发酵过程的软测量建模中。支持向量机理论以其样本需求量小、预测精度高和泛化能力强的优势在众多方法中脱颖而出,受到广泛关注。本文在简要分析了支持向量机回归建模理论的基础上,结合红霉素发酵过程,针对基于支持向量机的生物发酵过程软测量优化建模进行深入的讨论。研究了基于遗传模拟退火算法和赤池信息准则的优化建模方法进而确立支持向量机最优模型,即选择微生物发酵过程中在线可测的重要辅助变量作为软测量模型的输入并同时确定支持向量机软测量模型的关键参数;针对支持向量机回归训练的本质,即一个二次规划问题,研究了基于具有快速收敛性能粒子群算法解决该二次规划问题,从而确定支持向量机回归训练中的支持向量和支持向量权值,提高了收敛速度,使复杂的算法理论易于工业实现。实验仿真结果表明:所提优化方法使基于支持向量机的软测量建模理论在微生物发酵过程中得以更准确、高效的应用。