用支持向量机预测中药水提液膜分离过程

为了找出中药水提液膜过程中影响膜污染的主要原因和预测膜污染的程度以防止膜污染,研究用支持向量机分类、遗传神经网络于中药水提液膜中属性筛选。以筛选出的主要属性用支持向量机回归建模预测,讨论确定模型参数、模型优化等关键问题,并与神经网络运行结果对比分析。分析结果表明支持向量机回归算法对膜污染度的拟合效果和预测能力均好于对该问题分析的其他方法。     

基于特征提取的中药水提液膜分离预测系统

为了找出中药水提液膜过程中影响膜污染的主要因素和预测膜污染的程度以防止膜污染,提出了应用遗传神经网络提取影响中药水提液膜分离过程的特征因素的方法,并以特征因素为输入向量,使用神经网络、支持向量机等建立预测模型,开发并实现了集成化的综合分析和预测系统.介绍了中药水提液膜分离预测系统的体系结构、主要功能、运行情况及开发的关键技术.实验结果表明,该集成化的综合分析系统较单一分析建模预测精度更高.     

灰色神经网络在MBR曝气强度中的应用研究

曝气是MBR膜污染的操作条件影响因子中的一个重要参数,曝气强度过大易造成膜丝断裂,过小又不能减缓膜污染。针对该问题,本研究首先运用灰色模型对中空纤维膜不同使用阶段中的最佳曝气强度值进行粗略预测。再将影响膜过滤性能的三个因素作为BP神经网络的输入,不同膜清洗次数后的最佳曝气强度作为输出,进行曝气的BP网络模型预测。最后将灰色模型的预测值及影响膜过滤性能的三个因素作为灰色神经网络的输入,最佳曝气强度作为输出,进行曝气的灰色神经网络预测。通过对两个神经网络模型的预测结果对比分析,得出结论灰色神经网络模型优于BP神经网络模型。     

臭氧对膜法水处理中膜污染的影响

膜过滤是一种高效水处理技术,包括污水处理中的膜-生物反应器（membrane bioreactor,MBR）和针对二级生物处理出水（生产再生水）、地表水（生产饮用水）的膜过滤工艺等,其中膜污染是制约膜工艺应用的一个主要问题.臭氧具有强氧化性,在水处理上得到了广泛的应用.近十几年来,针对臭氧-膜过滤组合工艺的研究正变得越来越多,因此本文对这些研究进行了系统综述与分析.在MBR组合臭氧控制膜污染方面的研究中,目前结论相对较少.可以通过对MBR进水预臭氧化或者投加适量臭氧到MBR混合液这2种方式来减轻MBR膜污染.在针对微污染水的臭氧-膜过滤组合工艺中,根据臭氧的功能和结构形式主要分为3种,分别是污染膜臭氧清洗、分离式臭氧-膜工艺和一体式臭氧-膜工艺.绝大部分报道认为臭氧可以有效地控制膜污染的发展,但也有少数投加臭氧后膜污染加剧的情况.目前,臭氧化影响膜污染机制的研究主要集中在有机物方面,根据原水水质和工艺结构参数等的不同,颗粒物、微生物和无机物质也在这个过程中起着相应的作用.另外,在迄今为止的研究中,还缺乏对于臭氧投加方式和分散方式的统一衡量和比较标准.作者建议应该加强对一体式臭氧-膜组合工艺的研究,并且要注意臭氧投加的工艺经济性.     

基于遗传算法优化的RBF神经网络在MBR膜污染仿真预测中的研究

膜污染问题是影响MBR推广应用的主要障碍。针对该问题,首先运用主成分分析法确定影响膜污染的主要因子为MLSS、操作压力及温度,然后建立基于RBF神经网络的预测模型,再利用遗传算法对预测模型的四个参数进行优化,使得整个网络模型达到全局最优。最后将预测结果与样本数据对比,结果显示,基于GA-RBF的膜污染模拟仿真器在收敛速度、预测精度等方面比单纯的RBF网络有较大提高,达到了预期目标。     

Adaboost-BP在MBR膜污染中的应用研究

研究MBR膜通量进行膜污染预测是当今污水处理研究领域的重要课题之一,膜污染直接导致的结果是膜通量的下降。由于传统BP神经网络预测MBR膜通量存在局部极小值及模型的泛化能力较差的缺点,本文利用AdaBoost算法优化传统的BP神经网络,建立了AdaBoost-BP预测模型,并将该模型运用到MBR膜通量的预测中。通过预测数据和实验数据的对比,得出该模型的可行性,同时将其对比传统的BP神经网络模型,说明AdaBoost-BP预测模型具有更高的预测精度。     

竖直管内气液逆流降膜的计算流体力学模拟

建立了竖直管中降膜流动的二维模型,液体在重力作用下沿着管壁流下,气体从相反方向进入,采用多相流VOF(Volume of Fluid)模型,在流体力学软件FLUENT求解器中数值求算,模拟其中的液膜流动情况。通过改变液体和气体雷诺数,对于液膜的流体力学特征,包括液膜流动形态、液膜厚度随时间变化、流动方向液膜变化以及液膜中的速度分布等进行了分析。结果发现液膜形成过程主要可分为入口区、发展区和稳定区3个部分,液体雷诺数一定时,逆流气流对液膜形成的影响主要集中在稳定区;气相雷诺数一定时,随着液体雷诺数增大,液膜流动入口区变长,成熟区复合波中光滑液膜所占比例增加。液膜中的速度分布呈半抛物线型,速度随距离壁面距离增加增大,但在接近气液界面处略微下降。根据模拟得到的不同雷诺数的平均液膜厚度,与Nusselt理论预测值进行了比较,发现吻合良好。     

基于改进极限学习机的MBR仿真预测研究

研究MBR膜通量,进行膜污染预测,是当今污水处理研究领域的重要课题之一。为了有效,准确地预测MBR膜通量,提出一种改进的极限学习机(PSO-ELM)预测模型。极限学习机(ELM)能够有效地克服反向传播(BP)算法的缺陷,并能以极快的速度获得很好的泛化性能。由于随机给定输入权值和隐层阈值,ELM通常需要较多隐含层节点才能达到理想精度。利用粒子群算法(PSO)对极限学习机(ELM)的权值和阈值进行优化,建立PSO-ELM预测模型,将提取的主成分作为该模型的输入,膜通量作为模型输出。研究结果表明,该模型对MBR膜通量预测具有较好的泛化能力和更高的预测精度。     

基于IPSO-LSTM神经网络的短期负荷预测

在电网负荷预测方面,LSTM模型有较好的预测精度.但模型参数需要手动设置,网络训练时间长.提出一种改进粒子群算法(IPSO)与长短期记忆网络(LSTM)相结合的预测模型(IPSO-LSTM).利用IPSO对LSTM网络的神经元数,学习率等参数进行优化,自动寻找合适参数,提高预测精度和收敛速度.以某地电力公司的历史负荷数据作为输入数据,迭代训练网络.对比IPSO-LSTM模型和由经验公式所得的LSTM模型的预测结果,发现新模型的MAPE比LSTM网络降低了0.8％,最大相对误差比LSTM网络降低了 4％,收敛速度更快.实验表明所提新模型拥有更高的预测精度和收敛速度.     

膜生物反应器膜污染的随机森林预测模型

生物反应器( MBR)工艺在现代污水处理中扮演着重要的角色,然而膜污染严重影响了MBR工艺的性能,膜污染导致的最直接的后果就是膜通量的下降,膜通量的下降直接影响MBR污水处理的效果。为了有效、快速地预测MBR膜通量,利用随机森林( RF)算法建立MBR膜通量预测模型。选取影响膜通量的主要因子作为随机森林预测模型的输入,膜通量作为输出,建立MBR膜通量影响因素和MBR膜通量之间的非线性关系。首先利用训练集在随机森林预测模型上进行训练,然后用训练好的随机森林预测模型进行膜通量预测。通过预测数据和实验数据的对比,得出该算法对膜通量有较高的预测精度;为了进一步验证该算法的有效性,建立了BP神经网络预测模型,将两者进行比较,对比结果表明随机森林预测模型具有更高的预测精度。     

Fouling control and optimization of a drinking water membrane filtration process with real-time model parameter adaptation using fluorescence and permeate flux measurements

The implementation of fouling control strategies is crucial for the effective maintenance and long-term application of ultrafiltration (UF) membranes in drinking water treatment. Membrane cleaning methods such as membrane back-washing protocols are typically employed to remove the build-up of natural water species (foulants) on the surface and/or in the pores of the membranes, which causes membrane fouling, contributes to increased trans-membrane pressure and shortens membrane lifetime. In a previous work by the authors, a fluorescence-based principal component (PC) modelling approach, which was able to forecast membrane fouling behaviour of a bench-scale UF membrane set-up over a future time horizon, was introduced. This approach also proved suitable for estimating the optimum future membrane back-washing times required for controlling fouling and minimizing the energy demand for drinking water production. In this study, the forecasting ability of this model was improved by updating the model parameters with current process measurements. The Extended Kalman filter (EKF) approach was used to achieve this objective. The EKF approach accomplished real-time adaptive estimation of key model parameters based on either real-time UF flux measurements or PC scores related to fluorescence measurements of membrane permeate. The model predictions and the corresponding experimental UF flux data for different membrane fouling situations revealed that on-line permeate flux-based parameter adaptation showed improved model predictions as compared to PC score-based adaptation, especially for longer filtration times. The improvements in the accuracy of the fluorescence-based model forecasts also aided the estimation of optimum back-washing times with better accuracy resulting in considerable energy savings compared to back-washing estimates obtained without real-time parameter adaptation.     

Parallel and distributed computing models on a graphics processing unit to accelerate simulation of membrane systems

Membrane systems are parallel distributed computing models that are used in a wide variety of areas. Use of a sequential machine to simulate membrane systems loses the advantage of parallelism in Membrane Computing. In this paper, an innovative classification algorithm based on a weighted network is introduced. Two new algorithms have been proposed for simulating membrane systems models on a Graphics Processing Unit (GPU). Communication and synchronization between threads and thread blocks in a GPU are time-consuming processes. In previous studies, dependent objects were assigned to different threads. This increases the need for communication between threads, and as a result, performance decreases. In previous studies, dependent membranes have also been assigned to different thread blocks, requiring inter-block communications and decreasing performance. The speedup of the proposed algorithm on a GPU that classifies dependent objects using a sequential approach, for example with 512 objects per membrane, was 82×, while for the previous approach (Algorithm 1), it was 8.2×. For a membrane system with high dependency among membranes, the speedup of the second proposed algorithm (Algorithm 3) was 12×, while for the previous approach (Algorithm 1) and the first proposed algorithm (Algorithm 2) that assign each membrane to one thread block, it was 1.8×.     

GAFSA优化SVR的网络流量预测模型研究

现有的诸多网络流量预测模型存在预测稳定性不好、精度较低等问题。针对此类问题, 研究了一种通过GAFSA(全局人工鱼群算法)优化SVR模型的网络流量预测方法。GAFSA是一种群智能优化算法, 寻优效果显著。采用GAFSA对SVR预测模型进行参数寻优, 可以得到使预测效果最佳的训练参数; 使用这组最优参数训练SVR, 建立网络流量预测模型, 可以很好地改善基于其他智能优化算法改进的SVR网络流量预测模型多次预测结果相差较大的问题, 使预测结果趋于稳定, 同时也可以提高预测精准度。仿真结果表明, GAFSA-SVR网络流量预测模型与其他模型相比, 预测结果基本稳定, 精准度提高到89%以上, 对于指导网络控制行为、分析网络安全态势有重要意义。     

冷凝器污脏测量方法的研究

提出了一种在线测量冷凝器污脏程度的新方法.该方法选取传热端差作为研究对象,以神经网络建模技术为基础成功实现冷凝器污脏、工况参数变化对传热端差影响的分离,可较准确地实现冷凝器污脏的在线监测.在神经网络建模中,采用RBF神经网络描述变工况传热端差变化的非线性过程,研究了一种自适应训练算法动态调整网络结构与参数,从而获得了结构紧凑、精度较高的测量模型,便于实时应用.根据此方法,研制了以DSP为核心的测量仪,并在不同工况和堵管情况下进行了现场试验, 试验结果证明了该方法的有效性.     

A Hierarchical Evolutionary Algorithm for Constructing and Training Wavelet Networks

The wavelet network has been introduced as a special feed-forward neural network supported by the wavelet theory, and has become a popular tool in the approximation and forecast fields. In this paper, an evolutionary algorithm is proposed for constructing and training the wavelet network for approximation and forecast. This evolutionary algorithm utilises the hierarchical chromosome to encode the structure and parameters of the wavelet network, and combines a genetic algorithm and evolutionary programming to construct and train the network simultaneously through evolution. The numerical examples are presented to show the efficiency and potential of the proposed algorithm with respect to function approximation, sunspot time series forecast and condition forecast for a hydroturbine machine, respectively. The study also indicates that the proposed method has the potential to solve a wide range of neural network construction and training problems in a systematic and robust way.     

基于粒子群优化神经网络的“煤改电”地区短期负荷预测研究

为提高“煤改电”地区短期负荷预测水平,本文基于北京市大兴区“煤改电”工程,探索利用神经网络算法对“煤改电”地区短期负荷进行预测。本文首先研究了“煤改电”地区负荷的年周期、周周期以及日周期负荷特性,并对负荷预测进行分类,分析得出了负荷预测的主要影响因素,明确了负荷预测的步骤及误差分析方法。其次,本文研究了BP神经网络的构成和运算过程,分析了历史数据处理方法,建立了基于BP神经网络的“煤改电”地区短期负荷预测模型,并对短期负荷预测模型进行检验。最后,为进一步提高预测效果,本文研究利用粒子群算法和列文伯格-马夸尔特算法对神经网络进行优化改进,建立了基于粒子群算法优化的BP神经网络负荷预测模型,满足了预测目标精度要求。     

基于SGOA神经网络的短期负荷预测

短期负荷预测的结果对电力系统的经济效益具有重要影响。针对多极值问题,首次提出了一种体现大融合思想的共享式全局寻优算法,将几种全局寻优算法有机组合,使它们共享优化信息,协同寻优,从而形成最丰富的寻优机制,达到最强的全局寻优能力。并且为了从根本上提高短期电力负荷预测中神经网络的速度和预测精度,提出了将SGOA算法和BP算法相结合的短期负荷预测方法,用SGOA算法来训练网络参数,直到误差趋于一稳定值,然后用优化的权值进行BP算法。在构建网络模型时,同时也考虑到了气候、温度等因素的影响,对它们进行模糊化处理后作为网络的输入。仿真结果表明基于这一方法的负荷预测系统具有较高的精度和实时性。     

综合改进BP神经网络算法在股价预测中的应用

BP神经网络用于股市等非线性系统的预测具有非常强大的能力。针对标准BP神经网络算法存在收敛速度慢和易陷入局部极小点问题,提出附加动量法和动态调整学习率法相结合的综合改进BP算法。建立了基于改进算法的股票价格预测系统模型,并对青岛海尔股票价格进行了预测。仿真结果表明,相对于标准BP算法,综合改进的BP算法能明显加快网络的收敛时间,用于股价短期预测是有效可行的,并且能够达到较高的准确性,具有一定的实际应用价值。     

基于Hadoop的GA-BP算法在降水预测中的应用

针对如何从海量的气象数据中挖掘出有用的知识,并提高气象预报的准确度,提出了在Hadoop平台上构建基于遗传神经网络算法的天气预报方法.该方法采用遗传算法与神经网络算法相结合,避免了传统算法容易陷入局部最优的问题,并以天津市13个台站1951–2006年的地面气候资料日值数据为基础,建立了遗传神经网络预测模型,最后以降雨量等级为决策属性进行了实验.结果表明,该方法对所有降水等级的预测准确率都要优于传统的神经网络算法,对于降水等级R₀的预测精度最高,达到了87%,不仅可以有效的处理海量气象数据,同时具有较高的预测精准度和良好的扩展性,为天气预报提拱了一种全新的思路和方法.