基于动态云QNN的污水出水水质在线预测方法

针对污水处理过程所具有的多变量、非线性和大时滞的特点,将云模型与QNN(量子神经网络)以串联方式有机结合,首先利用云变换方法进行网络的结构辨识和云模型的特征提取,同时通过在输入层引入单位延时环节描述污水出水的动态过程,研究提出了基于动态云QNN的污水出水水质在线预测方法;结合在线测得的污水水质数据,通过与规则多层前向神经网络对比分析的结果表明,该方法能准确的预测污水出水水质BOD5,均方误差性能函数(MSE)值为1.0×10~(-3),单步运行时长为1.122×10~(-4),完全能够满足实时性要求。     

小世界人工神经网络模型及其应用研究

关于优化神经网络模型的快速性和精度,为了寻找最优的神经网络结构,在复杂网络的研究方法对多层前向神经网络模型的基础上,提出一种在层次结构上处于规则型到随机型神经网络过渡的中间网络模型-NW型多层前向小世界人工神经网络模型.利用对多层前向规则神经网络中神经元以某一概率p随机化向后层跨层连接,构建新的神经网络模型,然后将不同跨层概率下的小世界人工神经网络应用于函数逼近.在设定精度相同情况下对不同概率下的收敛次数做比较,仿真发现随机化加边概率p处于p =0.08附近时的小世界人工神经网络比同规模的规则网络和随机网络具有更好的收敛速度,实验证实采用NW型小世界多层前向人工神经网络模型,在精度和收敛速度上均得到提高.     

模糊粗集理论在污水参数软测量中的应用

出水水质的建模与预测是污水处理过程先进控制的基础,针对污水生化处理过程的非线性、大滞后等特点,提出一种基于模糊粗糙集和RBF神经网络的出水水质预测方法.先用模糊粗糙集理论约简属性消除冗余信息后,建立基于RBF神经网络软测量模型,并应用该模型对实际污水厂的出水氨氯预测进行仿真.结果表明了该软测量模型的可靠性和有效性.     

污水处理出水水质软测量建模研究

污水水质参数监测技术是限制实时在线控制的一个重要因素。本论文进行了基于神经网络软测量技术的污水处理出水水质软测量建模的研究,目标是解决污水处理厂重要出水水质指标因人工化验检测而产生的严重滞后问题,以实现污水处理出水水质的预测及控制。     

神经网络在污水处理过程中的应用

针对活性污泥法在污水处理过程中,水量会发生巨大的变化,以及运行所带来的强耦合、非线性、大滞后性等影响了污水处理的控制过程;利用神经网络技术特点对污水处理厂进行模拟实验,建立BP神经网络模型的仿真,用试凑法确定隐含层节点的个数,为了避免建立的网络过大,在训练网络过程中,避免出现网络"过训练",建立合适的网络模型;通过对污水处理过程中输入数据的水质的变量参数,来预测未来某一时间输出某一水质变量参数;结果表明,BP神经网络可以应用于活性污泥法水处理过程中对水质参数进行模拟仿真和预测的效果。     

HS算法在生物生态组合污水处理中的应用

针对生物生态组合污水处理的实际需求,建立以改进的混沌和声搜索算法优化径向基神经网络的ICHS-RBF智能模型,解决生物段生态段的污水处理负荷分配问题并预测出水水质。以重庆某污水处理厂为例,进行一系列实验,结果表明该模型能够进行污水处理负荷的合理分配,出水水质预测的相对误差最高为6.3%,最低为0.4%,具有较强的学习泛化能力和较高的预测精度。利用LabVIEW虚拟仪器平台开发了基于该模型的污水处理过程模拟系统,为过程控制提供很好的研究平台。     

基于免疫粒子群神经网络的污水水质预测

针对污水处理过程所具有的多变量、非线性和大时滞的特点, 利用出水水质参数与多个可测过程参数间的相关关系,给出了基于RBF神经网络的出水水质参数预测模型.采用免疫粒子群优化算法来训练网络的隐层节点、径向基函数的中心点和网络权值.以反应时间、DO浓度、ORP和pH值作为输入参数,实现对COD,NH3-N,TP等水质参数的预测.仿真试验表明,该预测模型对污水处理出水水质参数COD,NH3-N,TP具有理想的预测效果.     

基于RBF神经网络的出水氨氮预测研究北大核心CSCD

针对污水处理中关键水质参数氨氮(NH4+-N)难以在线实时准确检测且实验室取样检测时间长,精度低等问题,提出了基于RBF神经网络的出水氨氮软测量模型研究。首先,选择出对出水氨氮影响较大的辅助变量去预测氨氮的变化,然后,利用梯度下降算法优化RBF网络的结构和参数,结合北京市某污水处理厂的实测数据,对出水氨氮的预测进行仿真并与其他模型对比,结果显示,该模型具有预测误差相对较小,预测准确等优点,说明该预测模型对于氨氮的预测具有一定的实用价值。     

改进麻雀搜索算法的RBF神经网络水质预测

针对污水处理过程中化学需氧量(chemical oxygen demand, COD)难以在线测量的问题,提出了一种基于径向基函数(radial basis function, RBF)神经网络的软测量模型.首先,用污水处理厂实测数据挑选出与COD相关的过程变量作为输入变量;其次,基于RBF神经网络建立出水COD软测量模型,利用自适应遗传算法改进的麻雀搜索算法(adaptive genetic algorithm improved sparrow search algorithm, AGAISSA)优化RBF神经网络的中心值、宽度值以及权值,通过改进麻雀位置更新公式以及引入遗传算法中的自适应交叉和变异操作保证了软测量模型的精度;最后,将RBF神经网络的软测量模型应用于污水处理厂实测数据加以验证,结果表明:AGAISSA优化RBF神经网络模型能够对出水COD进行准确的预测,具有较高的预测精度.     

改进Elman网络的污水处理过程建模

污水处理过程具有多变量、非线性、大滞后和强耦合的特点,建立精确的数学模型十分困难,为了精确的描述污水处理过程,本文将1种改进型的递归神经网络应用在污水处理过程建模中,建立了污水处理过程关键水质参数的智能模型。Elman网络作为1种动态神经网络,网络的动态特性可以很好的反映系统的内部动力学特征,但是标准的Elman网络只对隐含层的输出进行了反馈,并且只反馈给了隐含层的输入,反馈信息较少。针对此问题,本文提出1种改进型的Elman网络(OAF Elman网络),增加了输出层的反馈信息,将反馈信息既传给隐含层输入又传给输出层的输入,同时将隐含层的反馈也作为输入层的输入,使网络的输出包含更多的输入信息,能够更好的反映系统的时变、非线性等特征。采集污水处理厂生化反应过程实际运行数据,取对COD影响较大的MLVSS、进水COD、pH值、氨氮4个种指标作为递归神经网络模型的输入,对污水出水的关键水质参数COD进行建模,网络的训练误差达到0.011,测试误差达到0.4875。实验结果表明:与传统的Elman网络和其他几种改进型的Elman网络相比,本文提出的OAF Elman网络具有更丰富的动力学特性,建立的污水处理模型达到...