神经网络对微砂加重絮凝处理矿井水效果预测

通过混凝沉淀单因素试验确定最佳反应条件根据试验结果,使用交叉验证法训练广义回归神经网络(GRNN)来预测微砂加重絮凝工艺的出水水质。结果显示,浊度和固体悬浮物(SS)去除率的实际值与预测值误差小于2%,说明GRNN具有良好的非线性拟合性,并广泛适用于微砂加重絮凝工艺。     

神经网络预测磁絮凝处理矿井水效果的研究

构建了磁絮凝处理矿井水实验装置,并使用RS485接口经串口协议与计算机MFC控制程序交换数据。根据实验装置所得数据,采用C++调用Matlab Engine实现GA-BP和GRNN神经网络的训练、预测与准确度的分析。由分析可知,GA-BP神经网络初始化参数较多,预测结果平均绝对误差为21.849,个体适应度在进化次数为35时趋于平稳,适应度达到82%。GRNN神经网络初始化仅需要调整光滑因子,当光滑因子取0.75时,预测平均绝对误差为10.726。通过比较GA-BP与GRNN神经网络的R~2和RMSE的数值,可知GRNN准确性更高,在磁絮凝处理含悬浮物矿井水中适用性更强。