本文關(guān)鍵詞： 污水處理 神經(jīng)網(wǎng)絡(luò) 支持向量機(jī) 出水COD 融合　出處：《安徽工業(yè)大學(xué)》2017年碩士論文　論文類型：學(xué)位論文

【摘要】：近年來,在國家經(jīng)濟(jì)發(fā)展的同時(shí)水資源污染問題變得也愈發(fā)嚴(yán)重,污水治理已經(jīng)是社會急需解決的問題。因此,污水處理系統(tǒng)的研究與應(yīng)用有著重要的意義。本文以安徽省某環(huán)保科技公司的污水處理為研究對象,研究污水出水COD參數(shù)的預(yù)測。污水處理的過程具有復(fù)雜性以及水體的變化呈現(xiàn)非線性和未知性等特性。傳統(tǒng)的污水處理使用的ASM相關(guān)模型由于其考慮參數(shù)和過程較多,增加了測量參數(shù)的干擾因素,最終給所建預(yù)測模型帶來不理想的效果。人工神經(jīng)網(wǎng)絡(luò)有著較好的容錯性、自適應(yīng)的能力以及可以進(jìn)行大規(guī)模的數(shù)據(jù)并行計(jì)算,適用于多因素、多條件的場合,以及對數(shù)據(jù)的模糊處理。因此,將神經(jīng)網(wǎng)絡(luò)應(yīng)用于對污水水質(zhì)預(yù)測具有一定的優(yōu)勢,本文的研究內(nèi)容主要包括:首先,針對軟測量應(yīng)用的優(yōu)勢,建立了神經(jīng)網(wǎng)絡(luò)污水處理軟測量模型,并進(jìn)行了仿真驗(yàn)證,針對模型預(yù)測效果的不足增加了基于BP算法及Elman算法的改進(jìn)方法,使模型的準(zhǔn)確度有一定的提升。其次,研究了支持向量機(jī)基本原理、核函數(shù)與參數(shù)的選定方法,并將支持向量機(jī)應(yīng)用于污水的預(yù)測建模研究,選取了基于網(wǎng)格搜索優(yōu)化以及粒子群優(yōu)化兩種方法分別對該模型進(jìn)行參數(shù)優(yōu)化,取得了良好的預(yù)測效果。最后,針對神經(jīng)網(wǎng)絡(luò)在建模時(shí)存在的局部極小值及輔助變量導(dǎo)致的矛盾數(shù)據(jù)問題,建立了基于支持向量機(jī)和改進(jìn)神經(jīng)網(wǎng)絡(luò)相聯(lián)合的預(yù)測模型。同時(shí)為了解決組合模型中單一神經(jīng)網(wǎng)絡(luò)之間存在的相關(guān)性問題,加入了主元回歸(PCR)對子模型的輸出進(jìn)行數(shù)據(jù)加權(quán)融合。最終,構(gòu)建的軟測量模型在預(yù)測準(zhǔn)確性上有較大的提升以及擁有較好的魯棒性和泛化能力。本論文的貢獻(xiàn)在于:建立了基于支持向量機(jī)與改進(jìn)神經(jīng)網(wǎng)絡(luò)相組合的軟測量出水COD模型,并仿真驗(yàn)證對比單神經(jīng)網(wǎng)絡(luò)模型以及支持向量機(jī)模型,驗(yàn)證了此方法的優(yōu)良預(yù)測效果,實(shí)現(xiàn)了對出水COD數(shù)據(jù)更加精準(zhǔn)的預(yù)測。
[Abstract]:In recent years, with the development of national economy, the problem of water resources pollution has become more and more serious. Sewage treatment has become a problem urgently needed to be solved by society. The research and application of sewage treatment system is of great significance. The prediction of COD parameters of sewage effluent is studied. The process of sewage treatment is complicated and the variation of water body is nonlinear and unknown. The traditional ASM model used in wastewater treatment is more concerned with parameters and processes. The disturbance factors of the measurement parameters are added, and the prediction model is finally brought unsatisfactory effect. The artificial neural network has better fault tolerance, adaptive ability and large scale data parallel computation, so it is suitable for many factors. Therefore, the application of neural network to the prediction of sewage water quality has some advantages. The main research contents of this paper include: firstly, aiming at the advantages of soft sensing application, The soft sensor model of sewage treatment based on neural network is established, and the simulation results are verified. The improved method based on BP algorithm and Elman algorithm is added to improve the accuracy of the model. The basic principle of support vector machine (SVM), the method of selecting kernel function and parameters are studied, and the SVM is applied to the prediction modeling of sewage. Two methods based on grid search optimization and particle swarm optimization are selected to optimize the parameters of the model, and good prediction results are obtained. In order to solve the problem of local minima and auxiliary variables in the modeling of neural network, A prediction model based on support vector machine and improved neural network is established. The principal component regression (PCR) is added for data weighted fusion of the output of the sub-model. Finally, The proposed soft-sensing model has better prediction accuracy, robustness and generalization ability. The contribution of this paper lies in the establishment of a soft-sensing water COD model based on support vector machine and improved neural network. Compared with the single neural network model and the support vector machine model, the simulation verifies the good prediction effect of this method, and realizes the more accurate prediction of the effluent COD data.
【學(xué)位授予單位】：安徽工業(yè)大學(xué)
【學(xué)位級別】：碩士
【學(xué)位授予年份】：2017
【分類號】：X832;TP18

【參考文獻(xiàn)】

相關(guān)期刊論文 前10條

1 關(guān)學(xué)忠;宋韜略;徐延海;劉揚(yáng);;污水處理中BP神經(jīng)網(wǎng)絡(luò)與Elman神經(jīng)網(wǎng)絡(luò)的預(yù)測比較[J];自動化技術(shù)與應(yīng)用;2014年10期

2 許嘉寧;陳燕;;我國水污染現(xiàn)狀[J];廣東化工;2014年03期

3 連曉峰;李曉婷;潘峰;;機(jī)理模型與補(bǔ)償模型相結(jié)合的污水處理工藝出水指標(biāo)軟測量預(yù)測模型研究[J];計(jì)算機(jī)與應(yīng)用化學(xué);2013年10期

4 逄澤芳;韓紅桂;喬俊飛;;基于神經(jīng)網(wǎng)絡(luò)的污水處理預(yù)測控制[J];吉林大學(xué)學(xué)報(bào)(工學(xué)版);2011年S1期

5 余偉;羅飛;楊紅;許玉格;;基于多神經(jīng)網(wǎng)絡(luò)的污水氨氮預(yù)測模型[J];華南理工大學(xué)學(xué)報(bào)(自然科學(xué)版);2010年12期

6 索幸儀;侍洪波;;基于多模型模糊核聚類方法的污水處理過程軟測量建模[J];華東理工大學(xué)學(xué)報(bào)(自然科學(xué)版);2010年05期

7 黨小超;郝占軍;;基于改進(jìn)Elman神經(jīng)網(wǎng)絡(luò)的網(wǎng)絡(luò)流量預(yù)測[J];計(jì)算機(jī)應(yīng)用;2010年10期

8 張燕;梁秀霞;楊鵬;陳增強(qiáng);袁著祉;;基于復(fù)合神經(jīng)網(wǎng)絡(luò)的離散非線性系統(tǒng)建模與控制(英文)[J];Chinese Journal of Chemical Engineering;2009年03期

9 張軍峰;胡壽松;;基于多重核學(xué)習(xí)支持向量回歸的混沌時(shí)間序列預(yù)測[J];物理學(xué)報(bào);2008年05期

10 熊偉麗;徐保國;;基于PSO的SVR參數(shù)優(yōu)化選擇方法研究[J];系統(tǒng)仿真學(xué)報(bào);2006年09期

相關(guān)碩士學(xué)位論文 前9條

1 韓雯;污水處理控制系統(tǒng)設(shè)計(jì)與軟測量建模研究[D];西安建筑科技大學(xué);2012年

2 柳威;加壓曝氣生物反應(yīng)器系統(tǒng)處理城市污水研究[D];湖南大學(xué);2012年

3 原魁;污水處理廠曝氣系統(tǒng)的控制研究[D];東北大學(xué);2011年

4 謝福民;基于支持向量機(jī)的軟測量方法及其應(yīng)用研究[D];江西理工大學(xué);2011年

5 鄭鵬飛;桂陽縣污水處理廠自動化監(jiān)控系統(tǒng)設(shè)計(jì)與研究[D];山東大學(xué);2010年

6 劉超彬;基于模糊神經(jīng)網(wǎng)絡(luò)的污水處理過程智能控制方法研究[D];北京工業(yè)大學(xué);2006年

7 崔玉理;基于神經(jīng)網(wǎng)絡(luò)的污水處理過程建模及仿真的研究[D];山東科技大學(xué);2006年

8 陳渭泉;軟測量技術(shù)中的變量選擇方法研究[D];浙江大學(xué);2004年

9 彭向華;軟測量技術(shù)在污水處理中的應(yīng)用研究[D];昆明理工大學(xué);2002年

，

本文編號：1517750