本文選題：軟測量 + 最小二乘支持向量機(jī)��； 參考：《安徽工業(yè)大學(xué)》2017年碩士論文

【摘要】：當(dāng)今社會,淡水資源的短缺和水體環(huán)境的污染時刻提醒著我們污水處理的必要性。污水處理是具有強(qiáng)非線性、大滯后、大慣性等特點(diǎn)的復(fù)雜現(xiàn)代工業(yè)過程,其復(fù)雜多樣的工藝過程導(dǎo)致污水中一些反映水質(zhì)指標(biāo)的重要過程參數(shù)的實時檢測以及根據(jù)過程變量進(jìn)行預(yù)判輸出變得十分困難,現(xiàn)有的檢測儀器或因為成本、或因為精度,都不能給予很可靠的保證。然而軟測量技術(shù)作為傳統(tǒng)檢測技術(shù)的延伸和發(fā)展,應(yīng)用于實際的污水處理過程中具有很重要的現(xiàn)實意義。本文以曝氣生物濾池為研究對象,建立了污水軟測量模型,實現(xiàn)了對出水COD濃度的預(yù)測,為判斷出水質(zhì)量以及做出相應(yīng)措施提供超前的判據(jù)。主要內(nèi)容如下:首先,本文基于LSSVM相對于傳統(tǒng)SVM所具有的優(yōu)勢,選取LSSVM作為本文模型的基礎(chǔ)算法,并且分別從模型核函數(shù)和超參數(shù)兩個方面進(jìn)行改進(jìn),一方面采用線性加權(quán)的混合核函數(shù)取代單一核函數(shù);另一方面采用改進(jìn)的智能優(yōu)化算法對參數(shù)組合進(jìn)行尋優(yōu)。仿真對比分析,兩方面的改進(jìn)對模型精確度都有一定程度的提升。然后,針對離線模型面臨大規(guī)模實時更新的數(shù)據(jù)時整體預(yù)測效果會隨之變差的情況,本文采用了一種改進(jìn)的在線增量LSSVM算法,該算法采用預(yù)測誤差進(jìn)行選擇性增量學(xué)習(xí)和配套的剪枝算法,即新樣本添加時,根據(jù)預(yù)測誤差閾值判別是否需要增量學(xué)習(xí),針對超過閾值的樣本進(jìn)行增量式學(xué)習(xí),用遞歸的方式不斷更新支持向量,避免了標(biāo)準(zhǔn)的求逆運(yùn)算,縮短了運(yùn)算時間,改善了預(yù)測的效率。同時當(dāng)樣本規(guī)模達(dá)到一定規(guī)模時選擇剪去最早樣本的剪枝操作,使樣本長度始終維持在一定規(guī)模。本課題的主要貢獻(xiàn)及創(chuàng)新點(diǎn)在于:本文選擇從精確度和在線性能兩方面對LSSVM污水軟測量模型進(jìn)行改善。線性加權(quán)的混合核函數(shù)和改進(jìn)的智能優(yōu)化算法的結(jié)合,使模型精確度得到很大程度的提升;改進(jìn)的在線增量LSSVM算法通過巧妙的迭代、閾值的選擇、時間窗的設(shè)置,使模型的快速性、在線性都有了一定程度的改善和提高;兩方面的改善共同實現(xiàn)了對出水COD精準(zhǔn)的在線預(yù)估。
[Abstract]:Nowadays, the shortage of fresh water resources and the pollution of water environment remind us of the necessity of sewage treatment. Sewage treatment is a complex modern industrial process with the characteristics of strong nonlinearity, large lag and large inertia. Because of its complex and diverse process, it is very difficult to detect some important process parameters in wastewater and to predict the output according to the process variables. The existing testing instruments are either because of the cost or because of the accuracy. Can not give a very reliable guarantee. However, as the extension and development of traditional detection technology, soft sensing technology has important practical significance in the process of actual sewage treatment. In this paper, the biological aerated filter is taken as the research object, the soft sensing model of sewage is established, and the prediction of effluent COD concentration is realized, which provides an advanced criterion for judging the water quality and making corresponding measures. The main contents are as follows: firstly, based on the advantages of LSSVM compared with traditional SVM, this paper selects LSSVM as the basic algorithm of the model, and improves the model from two aspects: kernel function and hyperparameter. On the one hand, the linear weighted hybrid kernel function is used to replace the single kernel function; on the other hand, the improved intelligent optimization algorithm is used to optimize the parameter combination. The simulation results show that both improvements improve the accuracy of the model to a certain extent. Then, an improved on-line incremental LSSVM algorithm is used to solve the problem that the overall prediction effect will become worse when the offline model is faced with large-scale real-time update data. In this algorithm, selective incremental learning with prediction error and pruning algorithm are used, that is, when new samples are added, incremental learning is carried out according to the threshold value of prediction error to determine whether incremental learning is required for samples that exceed the threshold. The support vector is updated recursively, which avoids the standard inverse operation, shortens the operation time and improves the efficiency of prediction. At the same time, when the sample size reaches a certain scale, the pruning operation of the earliest sample is selected to keep the sample length at a certain scale. The main contributions and innovations of this paper are as follows: in this paper, we choose to improve the LSSVM sewage soft sensor model from the aspects of accuracy and on-line performance. The combination of the linear weighted hybrid kernel function and the improved intelligent optimization algorithm greatly improves the accuracy of the model. The improved online incremental LSSVM algorithm is improved by clever iteration, selection of threshold, setting of time window. The rapidity of the model has been improved to a certain extent in linearity, and the two improvements have realized the accurate on-line prediction of effluent COD.
【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 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(xué)報;2015年08期

2 李佟;李軍;;基于BP神經(jīng)網(wǎng)絡(luò)與馬爾可夫鏈的污水處理廠脫氮效果模擬預(yù)測[J];環(huán)境科學(xué)學(xué)報;2016年02期

3 馬琰;閆兵;;混合核函數(shù)最小二乘支持向量機(jī)的網(wǎng)絡(luò)流量預(yù)測模型[J];微型電腦應(yīng)用;2015年02期

4 王樹東;葛珉昊;陳明明;;基于混合遞階遺傳算法優(yōu)化RBF神經(jīng)網(wǎng)絡(luò)的BOD_5軟測量方法[J];給水排水;2014年03期

5 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];計算機(jī)與應(yīng)用化學(xué);2013年10期

6 畢建武;賈進(jìn)章;劉丹;;基于SPSS多元回歸分析的回采工作面瓦斯涌出量預(yù)測[J];安全與環(huán)境學(xué)報;2013年05期

7 徐立祥;李旭;;基于混合核函數(shù)支持向量機(jī)的回歸模型[J];合肥學(xué)院學(xué)報(自然科學(xué)版);2013年02期

8 陳輝;;化學(xué)需氧量(COD)測定中氯離子的干擾及消除方法探討[J];北方環(huán)境;2011年12期

9 陳云翔;戴慶武;許鵬飛;馬三劍;;污水處理廠數(shù)據(jù)采集系統(tǒng)的設(shè)計與應(yīng)用[J];能源環(huán)境保護(hù);2011年04期

10 徐方舟;潘豐;;污水處理控制系統(tǒng)設(shè)計與出水參數(shù)的軟測量[J];機(jī)電工程;2010年09期

相關(guān)博士學(xué)位論文 前6條

1 羅隆;污水生化處理系統(tǒng)的軟測量及自適應(yīng)優(yōu)化控制策略研究[D];華南理工大學(xué);2014年

2 杜先君;污水生物處理過程建模、優(yōu)化與控制研究[D];蘭州理工大學(xué);2013年

3 陶劍文;基于統(tǒng)計學(xué)習(xí)的分類方法及在Web挖掘中的應(yīng)用研究[D];江南大學(xué);2012年

4 張曉雷;支持向量機(jī)若干問題的研究[D];清華大學(xué);2012年

5 邢永忠;最小二乘支持向量機(jī)的若干問題與應(yīng)用研究[D];南京理工大學(xué);2009年

6 郭新辰;最小二乘支持向量機(jī)算法及應(yīng)用研究[D];吉林大學(xué);2008年

相關(guān)碩士學(xué)位論文 前10條

1 程呈;混合多模型曝氣生物濾池污水處理軟測量建模研究[D];安徽工業(yè)大學(xué);2016年

2 祁麗春;污水處理中曝氣池溶解氧的軟測量方法研究[D];蘭州理工大學(xué);2016年

3 郝小羅;城市規(guī)劃區(qū)污水處理廠設(shè)計及工藝優(yōu)化[D];西安建筑科技大學(xué);2015年

4 梅倩;LS-SVM在時間序列預(yù)測中的理論與應(yīng)用研究[D];重慶大學(xué);2013年

5 汪麗娟;基于粒子群優(yōu)化的最小二乘支持向量機(jī)天然氣負(fù)荷預(yù)測方法研究[D];華東理工大學(xué);2013年

6 李希鵬;基于混合核函數(shù)支持向量機(jī)的文本分類研究[D];中國海洋大學(xué);2012年

7 蘇云;基于社會水循環(huán)的節(jié)水型社會建設(shè)規(guī)劃方法與實證研究[D];華東師范大學(xué);2012年

8 羅曼;基于核方法的胎面生產(chǎn)過程建模[D];武漢理工大學(xué);2012年

9 徐志翔;基于改進(jìn)PSO和參數(shù)優(yōu)化的LSSVM的風(fēng)力發(fā)電機(jī)齒輪箱故障診斷[D];華東理工大學(xué);2012年

10 瞿飚;城市污水處理廠中A~2O工藝過程的建模研究[D];華東理工大學(xué);2012年

，

本文編號：1929241