發(fā)布時(shí)間：2021-02-24 10:34

　　采取基于核函數(shù)偏最小二乘法的高斯過程回歸模型（KPLS-GPR）,對(duì)復(fù)雜的造紙廢水處理過程中出水化學(xué)需氧量（COD）和出水懸浮固形物（SS）質(zhì)量濃度進(jìn)行預(yù)測(cè).首先,采用KPLS的潛變量作為預(yù)測(cè)模型的輸入變量,以降低數(shù)據(jù)維度,優(yōu)化數(shù)據(jù)結(jié)構(gòu);其次,建立潛變量與輸出變量的GPR回歸模型.基于某工廠造紙廢水?dāng)?shù)據(jù)進(jìn)行仿真試驗(yàn),引入人工神經(jīng)網(wǎng)絡(luò)（ANN）、基于偏最小二乘潛變量的預(yù)測(cè)模型（PLS-ANN）及基于核函數(shù)偏最小二乘潛變量的預(yù)測(cè)模型（KPLS-ANN）作為對(duì)比.試驗(yàn)結(jié)果表明:KPLS潛變量對(duì)預(yù)測(cè)模型有明顯的優(yōu)化效果,在這些模型中KPLS-GPR預(yù)測(cè)精度最高;對(duì)于出水COD和SS質(zhì)量濃度的預(yù)測(cè),KPLS-GPR的決定系數(shù)分別為0.575和0.610,相比于常規(guī)預(yù)測(cè)模型,決定系數(shù)可分別提升36.90%和43.87%. 

【文章來源】：江蘇大學(xué)學(xué)報(bào)(自然科學(xué)版). 2020,41(05)北大核心

【文章頁數(shù)】：8 頁

【部分圖文】：

基于KPLS潛變量的軟測(cè)量流程圖

造紙廢水?dāng)?shù)據(jù)取自廣東省東莞市某造紙廠好氧段廢水監(jiān)測(cè)數(shù)據(jù).取樣間隔2～3 d.數(shù)據(jù)包括8個(gè)廢水變量,每個(gè)變量包括170個(gè)測(cè)量值[17].造紙廢水處理過程數(shù)據(jù)如圖2所示.對(duì)數(shù)據(jù)進(jìn)行預(yù)處理后,共有162個(gè)測(cè)量數(shù)據(jù)用于仿真試驗(yàn),其中前100個(gè)測(cè)量樣本為訓(xùn)練集,后62個(gè)測(cè)量樣本作為測(cè)試集.預(yù)測(cè)模型的輸入端包括ρ(COD)in,ρ(SS)in,ρ(DO),Q,t和pH等6個(gè)變量;ρ(COD)eff和ρ(SS)eff為輸出端變量.4.2 預(yù)測(cè)模型

由表4可知:GPR,PLS-GPR和KPLS-GPR在常規(guī)預(yù)測(cè)模型、PLS潛變量預(yù)測(cè)模型和KPLS潛變量預(yù)測(cè)模型中分別具備較優(yōu)預(yù)測(cè)結(jié)果,其中KPLS-GPR預(yù)測(cè)精度最高,PLS-GPR次之,GPR最低.相比于PLS潛變量,KPLS潛變量對(duì)常規(guī)模型的預(yù)測(cè)效果提升更為明顯.以R2為準(zhǔn),KPLS-GPR的預(yù)測(cè)效果較GPR提升7.21%,PLS-GPR較GPR提升2.11%,KPLS-ANN較ANN提升16.51%,PLS-ANN較ANN提升7.78%.對(duì)測(cè)試集出水SS質(zhì)量濃度的預(yù)測(cè),最優(yōu)模型KPLS-GPR的RMSE為0.656 mg·L-1,R2為0.610,相比于常規(guī)的預(yù)測(cè)模型,R2提升最多,為43.87%.總之,KPLS潛變量預(yù)測(cè)模型對(duì)輸出變量均具備相對(duì)較好的預(yù)測(cè)結(jié)果.圖3-6分別為KPLS-ANN和KPLS-GPR對(duì)出水COD和SS質(zhì)量濃度的預(yù)測(cè).圖4 KPLS-ANN對(duì)出水SS質(zhì)量濃度預(yù)測(cè)結(jié)果

【參考文獻(xiàn)】：
期刊論文
[1]基于PCA降維模型的造紙廢水處理過程軟測(cè)量建模[J]. 劉鴻斌,李祥宇,楊沖.  中國(guó)造紙學(xué)報(bào). 2018(04)
[2]造紙廢水處理過程的高斯過程回歸軟測(cè)量建模[J]. 宋留,楊沖,張輝,劉鴻斌.  中國(guó)環(huán)境科學(xué). 2018(07)
[3]基于ANN和LSSVR的造紙廢水處理過程軟測(cè)量建模[J]. 汪瑤,徐亮,殷文志,胡慕伊,黃明智,劉鴻斌.  中國(guó)造紙學(xué)報(bào). 2017(01)



本文編號(hào)：3049239