【摘要】：伴隨著工業(yè)化和城市化的飛速發(fā)展,水環(huán)境的安全問題日益突出。水質(zhì)預(yù)測是保護水環(huán)境的基礎(chǔ)性工作之一,精確的預(yù)測可以為水環(huán)境管理和工業(yè)生產(chǎn)提供可靠的決策支持,對可持續(xù)發(fā)展具有重要意義。針對水環(huán)境這一復(fù)雜的有機系統(tǒng),傳統(tǒng)的傳感器對重要的水質(zhì)指標難以進行快速準確的測量,本文以污水處理出水和地表水為研究對象,結(jié)合數(shù)據(jù)驅(qū)動的思想建立了基于相關(guān)向量機的水質(zhì)預(yù)測模型,并根據(jù)各自的特點,提出了不同的解決方案,通過實驗仿真驗證了水質(zhì)預(yù)測模型的可靠性。本文的主要研究內(nèi)容如下:首先,介紹了數(shù)據(jù)驅(qū)動建模思想,并對機器學習算法在水質(zhì)預(yù)測上的國內(nèi)外研究現(xiàn)狀進行了分析,并指出了預(yù)測建模仍然面臨的問題。其次,針對污水處理過程中存在的復(fù)雜生化反應(yīng),強非線性和運行狀態(tài)的不平衡分布等問題,提出了基于一種集成相關(guān)向量機的水質(zhì)預(yù)測方法。該方法通過相關(guān)向量機每輪的學習情況,利用改進的AdaBoost.RT算法對樣本的權(quán)值進行重新分配,可使難以學習的樣本得到更多的關(guān)注,實驗結(jié)果表明,該模型在預(yù)測精度和泛化性能上較單一相關(guān)向量機模型有一定的提升,能夠較好地克服數(shù)據(jù)不平衡帶來的負面影響。然后,針對地表水水質(zhì)因子間多重相關(guān)性的問題,提出一種基于核偏最小二乘法特征提取的相關(guān)向量機水質(zhì)預(yù)測模型。該方法通過核函數(shù)將原始數(shù)據(jù)映射至高維空間,隨后進行線性的PLS運算,巧妙的克服了水質(zhì)因子間的多重相關(guān)性,實驗結(jié)果表明,該模型不僅魯棒性高,且模型更新速度快,可以滿足水質(zhì)在線預(yù)測對實時性和準確性的需求。最后,為實現(xiàn)對水質(zhì)變化空間的預(yù)測,引入了模糊信息�；乃枷氩⑼ㄟ^最小截平方和估計LTS重新定義了相關(guān)向量機的訓(xùn)練子集,并給出了改進相關(guān)向量機的訓(xùn)練步驟,得到了基于模糊信息�；c改進相關(guān)向量機的水質(zhì)預(yù)測模型。實驗結(jié)果表明,改進的相關(guān)向量機對異常數(shù)據(jù)的敏感性大幅提高,并且該模型能較好地實現(xiàn)對水質(zhì)變化空間和變化趨勢的預(yù)測。
【學位授予單位】：華南理工大學
【學位級別】：碩士
【學位授予年份】：2018
【分類號】：X703;X52
【圖文】：

才能保證水安全，為水環(huán)境相關(guān)產(chǎn)業(yè)的升級發(fā)展提供新的動力。加強對于工業(yè)密集區(qū)域的污水集中處理與水質(zhì)的在線監(jiān)控，將帶動水環(huán)境檢測、污染控制和環(huán)保運營等多方服務(wù)的發(fā)展[3]。由此可見，水質(zhì)的預(yù)測是保證水環(huán)境安全的重要組成部分之一，良好的數(shù)值預(yù)測對于水環(huán)境的保護具有積極的意義。本文針對水質(zhì)預(yù)測問題，引入了基于數(shù)據(jù)驅(qū)動的建模方法，即通過水質(zhì)的歷史測量數(shù)據(jù)，建立了精確的水質(zhì)預(yù)測模型。針對污水處理中的強非線性與非穩(wěn)態(tài)等特征和地表水各水質(zhì)因子間多重相關(guān)性等問題，提出了不同的處理方法，仿真結(jié)果表明，文中提出的水質(zhì)預(yù)測模型能夠較好地達到水質(zhì)的在線預(yù)測要求，對于水環(huán)境的保護以及安全生產(chǎn)等提供了一定的指導(dǎo)意義。1.2 水質(zhì)預(yù)測建模方法針對水質(zhì)的預(yù)測問題，目前主要有三種建模方法[4]，一是基于機理模型(白箱模型)

第一章 緒論周期較長。則的專家系統(tǒng)是一種智能的計算機程序系統(tǒng)，它通過 IF-THEN具有豐富經(jīng)驗的專家的知識用于指導(dǎo)實際的生產(chǎn)[6]，如圖 1-2。該歸納實驗、生產(chǎn)過程中操作經(jīng)驗和諸多定量、定性分析結(jié)果的過進行推理、判斷并模擬人類專家做出決策。其優(yōu)點在于模型的形且易于在線實現(xiàn)。但是其缺點是預(yù)測精度較低，不易提取知識規(guī)程和物理化學變化過程難以用簡單的 IF-THEN 規(guī)則進行適當?shù)膭t較多時，搜索較

被稱為稀疏核機(sparse Kernel machine)。稀疏核機最終模型由數(shù)據(jù)要”的樣本確定，去除其他的數(shù)據(jù)樣本不會對模型的綜合性能產(chǎn)生任何影響本的預(yù)測時僅僅依賴于“重要”的樣本去計算核函數(shù)，極大的提升了模型的效為了驗證 RVR 的稀疏性和回歸預(yù)測能力，本節(jié)采用 SVM 與之對比，分別選取與正弦函數(shù)作為測試對象，并且為測試函數(shù)加入高斯噪聲。首先 x sin x /x與 sin x 在[-10,10]內(nèi)等間距各采樣 100 個樣本點，并分別附加斯噪聲作為數(shù)據(jù)集。分別建立 SVM 和 RVR 模型，所建模型均采用高斯核函數(shù)為 300，其中 SVM 的懲罰參數(shù)c和核參數(shù)1g ，RVR 的核參數(shù)2g 均使用遺確定。為更好地對比 SVM 和 RVR 的綜合性能，采用均方誤差，最大誤差和相關(guān)向量的個數(shù)作為評價標準。SVM 和 RVR 模型的回歸擬合效果，分別圖 示。

【參考文獻】

相關(guān)期刊論文 前10條

1 趙超;戴坤成;王貴評;張登峰;;基于AWLS-SVM的污水處理過程軟測量建模[J];儀器儀表學報;2015年08期

2 張森;石為人;石欣;郭寶麗;;基于偏最小二乘回歸和SVM的水質(zhì)預(yù)測[J];計算機工程與應(yīng)用;2015年15期

3 許玉格;劉莉;曹濤;;基于Fast-RVM的在線軟測量預(yù)測模型[J];化工學報;2015年11期

4 葉青;張麗麗;;復(fù)雜數(shù)據(jù)的異常檢測算法[J];信息技術(shù);2015年05期

5 魏瑾瑞;;對支持向量機混合核函數(shù)方法的再評估[J];統(tǒng)計研究;2015年02期

6 朱軍;胡文波;;貝葉斯機器學習前沿進展綜述[J];計算機研究與發(fā)展;2015年01期

7 許玉格;曹濤;羅飛;;基于相關(guān)向量機的污水處理出水水質(zhì)預(yù)測模型[J];華南理工大學學報(自然科學版);2014年05期

8 曾甜玲;溫志渝;溫中泉;;相關(guān)向量機在污水硝氮檢測中的應(yīng)用[J];光譜學與光譜分析;2013年04期

9 閆文靜;鄒書蓉;張洪偉;;改進的粒子群優(yōu)化算法[J];成都信息工程學院學報;2012年06期

10 劉載文;李瑞妮;王小藝;王磊;;基于PLS的污水BOD軟測量補償方法[J];北京工業(yè)大學學報;2012年12期

相關(guān)博士學位論文 前2條

1 張兵兵;中國用水結(jié)構(gòu)優(yōu)化研究[D];浙江大學;2017年

2 池清華;PLS隱變量空間模型預(yù)測控制算法研究[D];浙江大學;2015年

相關(guān)碩士學位論文 前1條

1 曹濤;基于相關(guān)向量機的污水軟測量建模研究[D];華南理工大學;2015年

本文編號：2759725