基于过程神经网络的污水处理软测量算法研究

过程神经网络是传统神经网络的拓展,它的输入是与时间有关的函数和过程。过程神经元增加了一个对于时间的聚合算子,使网络同时具有时空二维信息处理能力。从而更好地模拟了生物神经元的信息处理机制。污水处理过程是一个与时间有关的过程,将过程神经网络引入到污水处理软测量中是一种新颖的软测量预测算法。在对基于正交基展开的过程神经网络算法的污水处理软测量仿真研究的基础上,通过分析原网络收敛速度慢等问题,借鉴传统BP的改进算法,在原算法的基础上提出两方面的改进,仿真取得较好的训练结果。     

污水处理过程生化需氧量智能集成软测量模型

针对污水处理过程中生化需氧量(BOD)难以在线检测的问题,提出一种基于满意聚类和改进SVM的BOD智能集成软测量建模方法.采用满意聚类算法对预处理后的数据样本进行聚类分析,利用改进SVM为每个聚类样本建立BOD子预测模型,并采用模糊组合方法获得最终的BOD预测值.仿真试验表明,该方法预测精度高,能够满足污水处理过程对BOD检测的实际要求.     

污水处理过程COD指标集成软测量模型

针对污水处理过程中水质参数COD指标难以在线检测的问题,提出一种基于分布式改进BP神经网络和灰色预测的COD指标集成软测量模型。为反映污水处理过程的不同工况,采用满意聚类算法对数据样本进行聚类处理,将数据样本划分为若干个子样本集,利用改进BP神经网络方法分别为每个子样本集建立预测模型,计算当前输入数据与各个聚类中心的欧式距离,将欧式距离较小的部分预测模型的输出进行综合,得到分布式神经网络的COD指标预估值;为反映COD指标的时间相关性,基于COD指标历史数据采用改进灰色预测建模方法计算得到当前时刻COD指标的预估值;采用动态加权方法将获得两个COD指标预估值进行加权集成。仿真实验表明,集成软测量模型具有较好的预测性能,可以满足污水处理过程COD指标实时检测的精度要求。     

基于RBF神经网络的污水处理软测量算法研究

分析了软测量技术在污水处理问题上的可行性，建立了径向基（RBF）神经网络软测量模型，对污水处理过程中的各种污染物质进行监控和预测。结果表明：应用软测量技术能较好的克服污水处理过程中由随机干扰、强非线性、大时变、严重滞后等因素带来的一系列问题，具有广阔的应用前景。     

基于神经网络的污水处理软测量模型研究应用

以某大型集成式小区污水处理为背景,为保证回用出水达标,需对排放污水进行检测.以出水总氮为主要检测指标,提出了基于遗传算法联合径向基函数神经网络的软测量模型,利用已知的进水数据来预测出水总氮.通过模型仿真结果表明,预测值和实测值能较好地吻合.     

基于神经网络的过程软测量

提出基于神经网络的软测量技术的一般框架,并针对一个实际的催化裂化装置,采用多层前向网络和推广随机逼近算法对粗汽油干点的软测量进行了研究.理论分析和模拟表明,该模型可以很好地描述实际对象特性.     

基于神经网络的污水处理软测量系统的研究

针对污水处理质量指标无法在线检测的问题,提出了基于人工神经网络的软测量方法。构造了污水处理质量软测量的神经网络结构,运用实际工业污水处理过程测量数据对BP神经网络进行了训练和仿真。结果表明,实能准确地进行污水处理质量的实时估计,实现污水处理质量的实时控制。     

高斯过程集成算法的发酵过程软测量建模

针对谷氨酸发酵过程一些关键参数不能在线测量而导致的建模精度不高的问题,Bagging和高斯过程回归算法相结合,提出一种基于Bagging算法集成高斯过程的软测量建模方法。该算法使用Bagging技术从训练样本集中选取若干子训练样本集,利用该若干子集形成许多高斯过程模型,并通过平均组合方式进行集成,得到最终的模型输出。将该集成算法应用到谷氨酸发酵过程的软测量建模中,实现了对谷氨酸浓度的准确预测,相对于单一高斯过程模型,具有更高的预测精度和鲁棒性。     

混合软测量模型在污水处理过程的研究

本文在前人研究过的ASM1和ASM1-CN的基础上,建立了一种混合软测量模型.该模型以一种改进过的更为简单的机理模型(SPM)为主,加上GA优化参数、神经网络作为辅助的偏差校正,来对ASM1-CN描述的复杂反应过程进行拟合,取得了很好的效果,特别是对实际处理时间地预测,节约了成本,增加了处理量,说明了这种混合软测量方法(SPM GA NN)的准确性和可应用性.     

基于类脑模块化神经网络的污水处理过程关键出水参数软测量

针对城市污水处理过程关键出水参数难以实时检测的问题,文中提出了一种基于类脑模块化神经网络（Brain-like modular neural network,BLMNN）的关键出水参数软测量方法.首先,基于互信息和专家知识进行任务分解,分析关键出水参数的相关变量,获取各出水参数的辅助变量.其次,通过模拟大脑皮层模块化分区结构,构建软测量子模型对各水质参数进行同步测量,降低软测量模型复杂度的同时保证了其精度.最后,通过基于实际数据的仿真实验验证了所提出方法的准确性和有效性.     

污水处理参数的小波神经网络软测量技术

采用序批式污泥法处理污水的过程存在一定的非线性、时变性、随机性和不确定性,为此提出了一种基于核主元分析和小波神经网络模型的污水处理参数软测量技术.在保证水质信息量损失较小的情况下,使用核主元分析法对输入变量进行降维.将小波神经网络软测量模型和在线测量仪表相结合,对氧化还原电位、溶解氧、pH值及COD等参数控制信息进行实时检测;PLC控制器输出控制信号,控制整个系统设备的运行.仿真结果表明,和传统方法相比,该技术动态性能好、误差少,具有很好的鲁棒性和稳定性.     

动态选择性集成神经网络软测量建模

集成建模方法能显著提高软测量模型的预测性能,其中选择性集成通过剔除一些性能不佳的子模型,能进一步提高整体软测量模型预测性能。针对目前选择性集成研究中因忽略了数据间的差异性而导致模型预测性能不佳的问题,提出了一种动态选择性集成神经网络软测量建模方法。首先将原始数据集分为训练集和验证集,采用bootstrap算法对训练集进行差异性扰动,建立了多个神经网络子模型;然后对每个待测样本,采用K-最近邻搜索算法从验证集中找到一个最近邻子集,用该子集评估各神经网络子模型的预测性能,为待预测样本筛选合适的神经网络子模型;最后根据各子模型的预测性能合理分配组合权重,从而建立集成模型,并实现待预测样本的预测。将该建模方法应用于聚丙烯熔融指数软测量研究中,研究结果表明:与单一神经网络、常规全集成和静态选择性集成神经网络模型相比,基于动态选择性集成神经网络的熔融指数软测量模型具有更佳的预测精度。     

基于神经网络的柠檬酸蒸发过程软测量研究

柠檬酸双效蒸发过程具有关联耦合严重、非线性、环境噪声大的特征.笔者采用PCA-BP神经网络建立了蒸发过程出料液浓度软测量预测模型.为提高软测量模型的实用性和预测精度,提出了基于误差估计器的短期在线校正方法和不定期软测量模型更新的学习机制.利用现场数据进行了校验,结果表明所建模型是合理有效的.     

基于多个软测量模型集成的温度控制

论文提出了多个非线性软测量模型通过集成为一个模型来提高精确性和稳定性的思想。通过分析被控温度的影响因素,选取了影响温度并且容易在线测量的辅助变量,建立相应的模型,然后用回归建模的方法把建立的模型集成为一个模型,这样可以提高整个软测量的精度、稳定性和实时性等性能,通过实例分析和实际运行效果验证了这种方法的可行性和有效性。     

基于多神经网络模型的石脑油干点软测量

应用多神经网络建立初顶石脑油干点软测量模型,首先采用模糊C均值聚类法将样本集分成具有不同聚类中心的子集,每个子集运用BP神经网络训练得出子模型,然后根据聚类后产生的隶属度将各子模型的输出加权求和获得初顶石脑油干点软测量值。同时为了克服因炼制原油性质无法及时获得而造成对初顶石脑油干点预测偏差的影响,在于模型建立时将前一时刘初顶石脑油干点分析值作为网络模型的自变量。实际应用表明,所建模型具有良好的预测精度,泛化能力强,效果令人满意。     

基于神经网络的球磨机出力软测量模型研究

球磨机出力检测和控制是球磨机自动控制的重要内容,然而,目前在实际生产过程中,球磨机出力缺少有效可靠的检测手段,因此很难实现优化控制.结合基于神经网络的软测量和混沌信息处理技术两者的优点,建立球磨机出力软测量模型.该模型不仅能预估稳态下球磨机出力,且对动态过程中球磨机出力的在线估计也切实有效,从而为球磨机的出力监测、给煤...     

基于多神经网络模型的石脑油干点软测量

应用多神经网络建立初顶石脑油干点软测量模型,首先采用模糊C均值聚类法将样本集分成具有不同聚类中心的子集,每个子集运用BP神经网络训练得出子模型,然后根据聚类后产生的隶属度将各子模型的输出加权求和获得初顶石脑油干点软测量值.同时为了克服因炼制原油性质无法及时获得而造成对初顶石脑油干点预测偏差的影响,在子模型建立时将前一时刻初顶石脑油干点分析值作为网络模型的自变量.实际应用表明,所建模型具有良好的预测精度,泛化能力强,效果令人满意.     

基于支持向量机的污水处理软测量算法的研究

针对污水处理过程中生化需氧量BOD难以实时在线测量的问题,建立了用于预估BOD的支持向量机（SVM）的软测量模型。考虑到该支持向量机模型的测量精度取决于其两个参数C、σ能否获得最优值,采用遗传算法和粒子群优化算法,实现对这两个参数的寻优。仿真结果表明：该软测量模型的测量精度较高,可用于污水处理厂对BOD进行在线测量。     

基于电阻抗谱特性与集成神经网络的天然气水合物饱和度软测量模型

含天然气水合物饱和度的计算是储层优选和资源量评估的关键参数,针对目前数据解释模型计算精度低以及模型输入参数少等问题,提出了一种基于电阻抗特性参数和集成神经网络的软测量模型建立方法。在对电阻抗谱数据进行预处理、特征参数提取以及选择的基础上形成了样本集,针对四对传感器分别设计了BP神经网络,采用平均法作为集成策略将四个BP网络作为子网络进行集成得到集成网络模型。模型测试结果表明：通过集成网络模型计算得到的含水合物饱和度值平均相对误差3.33%、平均绝对误差0.0014、均方根误差为6.56%,三项误差指标均低于各个子网络的计算误差。在宽频范围内对含水合物沉积物进行电阻抗谱测试能够获得沉积物的频率响应特性以及特性描述参数,可为神经网络模型提供大量的输入参数;利用集成神经网络能够综合应用位于不同测量方位的多个传感器的测量数据,通过采用适合的集成策略能够克服水合物空间分布不均匀对饱和度计算准确度的不利影响。