基于互信息和自组织RBF神经网络的出水BOD软测量方法

针对污水处理过程出水生化需氧量(biochemical oxygen demand,BOD)难以实时准确测量的问题,提出了一种基于互信息和自组织RBF神经网络的软测量方法对出水BOD进行预测。首先,使用基于互信息的方法提取相关特征参量作为软测量模型的输入变量;其次,设计一种基于误差校正-敏感度分析的自组织RBF神经网络,使用改进的Levenberg-Marquardt (LM)算法对网络进行训练以提高训练速度;最后将软测量模型应用于UCI公开数据集及实际的污水处理过程,实验结果表明该软测量模型结构紧凑,训练时间相对较短,预测精度有所提高,能够对出水BOD实现快速准确预测。     

基于联合互信息的动态软测量方法

针对工业过程中普遍存在的时延特性和动态特性,提出一种基于联合互信息的动态软测量方法.以联合互信息最大化作为准则,从各辅助变量的历史输入数据矩阵中选取一个连续子变量集,组成包含过程时延信息和动态信息的新数据集,进而确定各辅助变量的时延参数、历史数据长度.各辅助变量参数完全基于过程历史数据确定,与后续软测量模型的建立无关,因此建立动态软测量模型的形式可根据对象非线性程度自主选择.针对实际脱丁烷塔塔底丁烷浓度软测量的仿真研究验证了方法的有效性.     

基于混合评价指标的自组织模糊神经网络设计研究

针对在无增长和修剪阈值时模糊神经网络结构难以自适应问题,提出一种基于混合评价指标(hybrid evaluation index, HEI)的结构设计方法。首先,通过模糊C均值聚类算法(fuzzy C-means clustering, FCM)确定初始规则层神经元数目及其中心与宽度。其次,基于戴维森堡丁指数(Davies bouldin index, DBI)和邓恩指数(Dunn index, DI)提出一种新的相关性评价指标(relevance evaluation index, REI)来计算规则层各神经元输出之间的相关性,同时根据训练过程中网络输出均方根误差(root mean square error, RMSE)的变化情况来确定网络的学习能力,然后基于REI和RMSE提出了HEI。通过HEI来调整模糊神经网络的拓扑结构,有效解决了在无增长和修剪阈值时网络结构难以动态自调整的问题且避免了网络结构冗余。最后,通过对Mackey-Glass时间序列预测、非线性系统辨识和大气中PM_2.5浓度预测,证明了该结构设计方法的可行性和有效性。     

基于区间二型模糊神经网络的出水氨氮软测量

针对污水处理过程出水氨氮（ammonia nitrogen,NH₄-N）难以实时检测的问题,提出了一种基于区间二型模糊神经网络（interval type-2 fuzzy neural networks,IT2FNN）的软测量方法,建立了出水NH₄-N的软测量模型,实现了出水NH₄-N的实时检测。首先,采集和预处理相关过程变量的实际运行数据,通过主元分析法筛选出与出水NH₄-N相关性较强的过程变量。其次,利用IT2FNN建立所选变量与出水NH₄-N的软测量模型,通过梯度下降算法对模型相关参数进行修正。最后,将基于IT2FNN的出水NH₄-N软测量模型应用于实际污水处理过程。实验结果表明,提出的出水NH₄-N软测量方法不仅能够实现污水处理过程出水NH₄-N的实时检测,而且具有较高的检测精度。     

碘量法和BOD快速测定仪测定医疗出水BOD浓度的研究

通过碘量法和BOD快速测定仪测定雅安职业技术学院医疗出水BOD浓度,探究这2种方法的差异。采取碘量法测定6份平行样品的溶解氧BOD依次为6.89、6.67、6.73、6.62、7.03、6.76 mg·L^-1,平均值AV为6.78 mg·L^-1,标准偏差为0.15,相对标准偏差为0.02,具有统计学意义。采取快速测定法测定6份平行样品的溶解氧BOD依次为6.55、6.45、6.72、6.66、6.54、6.78 mg·L^-1,平均值AV为6.62 mg·L^-1,标准偏差为0.12,相对标准偏差为0.02,具有统计学意义。结合国家《医疗机构水污染物排放标准》（GB18466—2005）的排放标准,分别采用国标GB7489—87制定的碘量法和快速检测仪对医疗排放水进行BOD检测,符合污水排放标准。从标准差数据来看,碘量法的标准差为0.151,快速测定法的标准差为0.124,2种方法相比较,快速测定法比碘量法更精确。与快速测定仪的测定步骤相比较,碘量法在测定过程中容易受到环境温度、气压、压力、实验操作误差等因素的影响,相对来说,数据波动比较大。     

基于自组织模糊神经网络的污水处理过程溶解氧控制

针对活性污泥污水处理过程溶解氧浓度控制问题,提出一种基于自组织模糊神经网络（SOFNN）的控制方法。该神经网络控制器依据激活强度和互信息理论在线动态增长和修剪规则层神经元,以满足实际工况的动态变化。同时,采用梯度下降算法在线优化隶属函数层中心、宽度和输出权值,以保证SOFNN的收敛性。进一步通过Lyapunov稳定性理论对SOFNN学习率进行分析,给出控制系统稳定性证明。最后在国际基准仿真平台BSM1上进行实验验证。实验结果显示,与PID、模糊逻辑控制（FLC）和固定结构FNN等控制策略相比,SOFNN在跟踪精度、控制平稳性和自适应能力上更具有优势。     

基于SOM-RBF神经网络的COD软测量方法

污水处理是一个复杂的非线性过程,化学需氧量（chemical oxygen demand,COD）是评价污水处理效果的关键指标之一。COD的传统测量方法耗时长、成本高,基于传统神经网络的软测量方法提高了COD参数的测量速度但精度较差。针对这些问题,设计一种结合自组织特征映射 (self-organizing map, SOM)和径向基函数(radial basis function, RBF)神经网络的COD参数软测量方法。该方法利用SOM网络聚类数据样本,根据所得聚类结果确定RBF网络的隐层节点数及节点的数据中心,综合提高RBF网络的收敛速度和拟合精度。利用污水处理厂部分水样数据建立COD软测量模型,模型仿真和硬件在线测试结果表明,相对于传统的BP、RBF等网络,基于SOM-RBF神经网络的COD软测量方法测量时间短、预测精度较高,具有较为广阔的应用前景。     

基于核慢特征回归与互信息的常压塔软测量建模

针对工业过程的非线性及动态特性,提出了一种新的慢特征回归软测量方法。该方法首先通过添加时延数据构造动态数据集,利用互信息最大化准则筛选变量从而减少信息冗余的影响。同时该方法在慢特征分析的基础上引入核函数扩展,加强模型处理非线性数据的能力,并将获得的核慢特征用于回归建模。核慢特征分析通过分析样本的变化,提取具有缓慢变化特征的成分,可以有效地刻画工业过程的变化趋势,提升回归模型精度。最后该方法的有效性在常压塔常顶油干点与常一线初馏点的软测量模型中得到了验证。     

基于粗糙集和RBF神经网络的风电场短期风速预测模型

结合粗糙集提出了一种RBF神经网络短期风速预测模型。采用粗糙集对预测模型的输入特征空间进行约简,找出对未来预测的风速具有主要影响的因素,以此作为RBF神经网络预测模型的输入变量;在RBF神经网络训练的过程中,采用在线滚动优化策略,将最新的样本加入训练集,从而使预测模型能够跟踪风速的最新变化。将提出的方法用于某风电场的1 h短期风速预测,仿真实验结果表明该方法具有结构简单、预测精度高的优点。     

基于自组织神经网络的麻黄模式识别研究

介绍了自组织竞争网络和自组织特征映射网络的原理。中药药用价值与其所含微量元素有直接的关系,药材分类是中药质量控制的重要方法。采用麻黄中微量元素数据建立网络模型,对网络结构参数进行了优化并对麻黄样本进行了聚类分析。数据分析结果表明,自组织竞争网络和自组织特征映射网络都有较好的分类结果,符合生产实际,是中药麻黄化学模式识别的一种有效方法。     

基于偏最小二乘随机配置网络的污水水质指标估计

准确、可靠地测量污水处理厂的出水水质指标是成功控制和优化污水处理厂的关键。由于现有的离线化验方法存在操作繁复、测量滞后的问题,难以实现水质的实时控制。为了提高估计的准确性和可靠性,提出了一种偏最小二乘的随机配置网络方法 (PLS-SCN)。为了克服输入数据高维度和多重共线性导致的预测风险,将偏最小二乘(PLS)方法嵌入到随机配置网络(SCN)框架中,以代替经典的普通最小二乘(OLS)方法。PLSSCN方法从隐含层输出中提取影响水质指标的主要潜在变量,通过正交投影运算来增强泛化性能。某城市污水处理厂水质指标仿真结果表明,PLS-SCN网络具有良好的输入输出关系,性能优于传统SCN和PLS方法,能够快速、可靠地估计污水水质的质量。     

改进型EMD-Elman神经网络在铁水硅含量预测中的应用

针对高炉炼铁过程的多尺度和动态特征,建立了基于经验模态分解(empirical mode decomposition, EMD)和Elman神经网络的铁水硅含量预测模型。该模型先采用EMD将硅含量序列分解成有限个、相对平稳的本征模函数(intrinsic mode function, IMF)和剩余分量;然后,分别对每个IMF和剩余分量建立Elman神经网络子模型;为了进一步提高预测精度,将子模型的结果进行加权融合,并利用粒子群算法进行权值的寻优,最终获得硅含量的预测结果。将该模型用于某钢厂铁水硅含量的预报,实验结果证实了该方法的有效性。     

基于SOTSFNN的溶解氧浓度控制方法

针对污水处理过程溶解氧浓度难以控制的问题,提出了一种基于自组织T-S模糊神经网络的控制方法。其实质是采用模糊规则层激活强度的方法,根据实际环境自适应的对神经元进行调整,构造合适的控制结构,从而提高控制精度。同时采用梯度下降法对控制器的各个参数进行实时调整。该控制器运用在污水处理基准仿真模型中进行实验,结果表明,提出的SO-TSFNN控制方法能够较好地实现对溶解氧浓度的控制,具有较好的自适应性。     

利用神经网络动态模拟污水生物脱氮过程

用以活性污泥数学模型 (ASM)为基础的EFOR软件的模拟输入输出数据训练设计好的神经网络 ,然后同时变化输入数据 ,比较输出数据。结果表明神经网络用于污水生物脱氮过程的动态的模拟 ,预测出水COD的误差可控制在± 3%以下 ,出水TN的误差可控制在± 6 %以下 ,出水SS的误差可控制在± 10 %以下。     

基于RBF神经网络的流向变换催化燃烧反应器床层温度分布的动态模型

清除工业废气中低浓度挥发性有机物(VOCs)的流向变换催化燃烧反应器的床层温度依时变化,为了实现实时预测和控制,用动态RBF(Radial Basis Function)神经网络建立了反应器床层瞬态温度分布的预测模型。着重讨论了动态RBF神经网络的基本结构,依据RBF网络线性输出的特点,给出了预测模型参数的在线修正方法。仿真结果与中试装置现场数据的对照表明,所建立的模型简单、精度高,能满足控制要求。     

汉江汉中段水体COD、BOD与DO相互关系的研究

对汉江汉中段水体的COD、BOD、DO等3个水质指标进行了测定,通过测量数据分析研究汉江水体COD、BOD、DO这3个水质指标之间的相互关系.通过数据的测量和三者关系的研究,对汉江水质进行相关的评价,了解掌握汉江的污染情况,对建立预防水体污染机制有一定的指导作用.     

优化增量型随机权神经网络及应用

针对传统增量型随机权神经网络(I-RVFLNs)存在网络参数难以优化确定、模型收敛速度慢和结构复杂的问题,提出一种优化增量型随机权神经网络算法,即O-I-RVFLNs。与传统I-RVFLNs不同,所提O-I-RVFLNs算法首先设定了一个期望的建模残差向量,然后在每次新增隐层节点时,选择可以达到或小于此节点期望残差的输入权值和偏置作为该节点的输入参数,进而提高网络的收敛速度。除此之外,考虑到算法在不断迭代更新过程中建模误差越来越小,下降趋势越来越不明显的问题,将各指标参数相邻两次迭代均方根误差的差值考虑在算法终止条件内,并借鉴统计过程控制中的西电规则制定了相应的算法收敛判定准则。最后,基于UCI能效数据和实际高炉工业数据,对所提O-I-RVFLNs算法进行了验证和应用。结果表明,相对于其他RVFLNs算法,所提算法建立的数据模型能够获得更紧凑的网络结构以及更好的泛化性能和预测精度。