污泥體積指數(shù)(Sludge Volume Index,SVI)是目前廣泛用于分析污泥沉降特性的重要指標(biāo),該指標(biāo)的人工檢測(cè)過程存在步驟繁瑣、耗時(shí)、成本高、且無法實(shí)時(shí)檢測(cè)等問題。實(shí)時(shí)可靠并準(zhǔn)確地預(yù)報(bào)SVI,對(duì)于污水處理工藝的過程檢測(cè)、故障診斷和操作具有實(shí)際應(yīng)用價(jià)值。本文分別研究了以污泥微生物的形態(tài)學(xué)特征SVI預(yù)報(bào)建模和曝氣池氧量、PH值等工藝參數(shù)特征的SVI預(yù)報(bào)建模問題。前者通過圖像分割、形態(tài)特征提取以建立污泥中絮狀物的形態(tài)學(xué)特征的SVI預(yù)報(bào)模型,后者對(duì)多條污水處理線上水質(zhì)檢測(cè)工作站的污水?dāng)?shù)據(jù)進(jìn)行分布式SVI預(yù)報(bào)建模。分布式建�？梢岳枚嗨�運(yùn)行狀況的多樣性,構(gòu)建適合各條水線的模型,相對(duì)使用單條水線數(shù)據(jù),分布式建模使得模型的魯棒性較好。該論文主要研究工作包括以下幾點(diǎn):1.污泥膨脹早期檢測(cè)有助于保障活性污泥工藝過程的穩(wěn)定運(yùn)行�；谖⑸镄螒B(tài)學(xué)特征建立污泥體積指數(shù)軟測(cè)量模型是一種有效方式,其中絮狀物和絲狀菌的圖像分割是提取污泥形態(tài)學(xué)特征的關(guān)鍵步驟。在污泥微生物的相差顯微圖像中,存在絮狀物和絲狀菌間的灰度差異小、光暈和陰影等偽影現(xiàn)象,使得絮狀物和絲狀菌的分割成為一個(gè)具有挑戰(zhàn)性的問題。在本工作中,...

【文章頁數(shù)】：94 頁

【學(xué)位級(jí)別】：碩士

【文章目錄】：
摘要
ABSTRACT
第1章 緒論
    1.1 課題背景及研究意義
    1.2 污泥體積指數(shù)檢測(cè)的研究現(xiàn)狀
        1.2.1 污泥體積指數(shù)的定義和檢測(cè)方法
        1.2.2 污泥體積指數(shù)的智能檢測(cè)方法
        1.2.3 基于顯微圖像處理的SVI檢測(cè)方法
    1.3 圖像分割技術(shù)的研究現(xiàn)狀
        1.3.1 傳統(tǒng)圖像分割研究現(xiàn)狀
        1.3.2 基于卷積網(wǎng)絡(luò)的圖像語義分割研究現(xiàn)狀
    1.4 隨機(jī)權(quán)神經(jīng)網(wǎng)絡(luò)的研究現(xiàn)狀
    1.5 研究?jī)?nèi)容及論文安排
第2章 活性污泥處理過程描述
    2.1 污水廠工藝流程與數(shù)據(jù)清洗
        2.1.1 污水處理廠的工藝流程
        2.1.2 數(shù)據(jù)整理和清洗
    2.2 實(shí)驗(yàn)室規(guī)模活性污泥過程描述
        2.2.1 實(shí)驗(yàn)室規(guī)模的活性污泥系統(tǒng)
        2.2.2 圖像獲取系統(tǒng)
    2.3 本章小結(jié)
第3章 活性污泥微生物相差顯微圖像分割方法
    3.1 分割問題描述
    3.2 基于U-NET圖像分割
        3.2.1 圖像分割策略提出
        3.2.2 U-NET模型結(jié)構(gòu)與損失函數(shù)
        3.2.3 分割問題評(píng)價(jià)指標(biāo)
    3.3 實(shí)驗(yàn)和討論
        3.3.1 數(shù)據(jù)集標(biāo)注
        3.3.2 環(huán)境配置
        3.3.3 U-NET模型的訓(xùn)練
        3.3.4 傳統(tǒng)圖像分割方法的運(yùn)用
        3.3.5 實(shí)驗(yàn)結(jié)果與對(duì)比
    3.4 本章小結(jié)
第4章 基于改進(jìn)隨機(jī)配置網(wǎng)絡(luò)的污泥體積指數(shù)預(yù)報(bào)
    4.1 SCN理論介紹
        4.1.1 泛化性理論
        4.1.2 隨機(jī)配置算法
    4.2 活性污泥形態(tài)學(xué)參數(shù)
        4.2.1 計(jì)算形態(tài)學(xué)特征
        4.2.2 建立數(shù)據(jù)集
    4.3 基于早停法SCN模型結(jié)構(gòu)優(yōu)化
        4.3.1 早停SCN算法
        4.3.2 仿真實(shí)驗(yàn)
    4.4 L2正則隨機(jī)配置神經(jīng)網(wǎng)絡(luò)
        4.4.1 L2正則SCN算法
        4.4.2 仿真實(shí)驗(yàn)
    4.5 FASTSCN模型
        4.5.1 FASTSCN算法流程
        4.5.2 仿真實(shí)驗(yàn)
    4.6 SVI預(yù)報(bào)實(shí)驗(yàn)
    4.7 本章小結(jié)
第5章 分布式正則化SCN模型及其SVI預(yù)報(bào)
    5.1 分布式隨機(jī)配置網(wǎng)絡(luò)方法
        5.1.1 模型構(gòu)建過程描述
        5.1.2 算法過程
        5.1.3 具體推導(dǎo)
    5.2 基準(zhǔn)數(shù)據(jù)仿真實(shí)驗(yàn)
        5.2.1 實(shí)驗(yàn)環(huán)境
        5.2.2 基準(zhǔn)數(shù)據(jù)來源
        5.2.3 分布式模型的訓(xùn)練
        5.2.4 實(shí)驗(yàn)結(jié)果與分析
    5.3 污水?dāng)?shù)據(jù)的仿真實(shí)驗(yàn)
    5.4 本章小結(jié)
第6章 活性污泥圖像分割與SVI預(yù)報(bào)
    6.1 開發(fā)和功能
    6.2 圖像分割
        6.2.1 圖像分割
        6.2.2 模型訓(xùn)練
        6.2.3 軟件的魯棒性說明
    6.3 形態(tài)學(xué)特征提取
    6.4 SVI預(yù)報(bào)
        6.4.1 SVI預(yù)報(bào)
        6.4.2 SVI數(shù)據(jù)建模
    6.5 SVI分布式建模
    6.6 本章小結(jié)
結(jié)論與展望
致謝
在學(xué)研究成果
參考文獻(xiàn)



本文編號(hào)：3778569