發(fā)布時(shí)間：2023-04-01 01:31

　　隨著社會(huì)工業(yè)化的發(fā)展,城市和工業(yè)污水處理已成為環(huán)保領(lǐng)域迫在眉睫的重要課題。污水處理生物過(guò)程中不可預(yù)見(jiàn)的干擾大,具有典型的非線性、不穩(wěn)定、多變量等特點(diǎn),很難建立準(zhǔn)確的數(shù)學(xué)模型,并且關(guān)鍵的水質(zhì)參數(shù)(尤其是最能體現(xiàn)污水處理性能的生化需氧量BOD)難以實(shí)現(xiàn)在線監(jiān)測(cè)。針對(duì)污水處理過(guò)程中關(guān)鍵水質(zhì)參數(shù)難以在線監(jiān)測(cè)的問(wèn)題,本文提出了一種基于混合遞階遺傳算法優(yōu)化RBF神經(jīng)網(wǎng)絡(luò)的BOD軟測(cè)量模型。 本文首先運(yùn)用主元分析法(PCA)對(duì)輸入變量進(jìn)行降維和去相關(guān)處理,從而簡(jiǎn)化RBF神經(jīng)網(wǎng)絡(luò)的輸入。以不小于85%的累計(jì)貢獻(xiàn)率,把初始的10維輸入變量降到5維。然后把隱含層結(jié)構(gòu)和參數(shù)看作整體,編碼為染色體,采用具有雙層基因染色體結(jié)構(gòu)的遞階遺傳算法來(lái)優(yōu)化RBF隱含層參數(shù),而輸出層連接權(quán)值則采用最小二乘法來(lái)確定。運(yùn)用混合遞階遺傳算法優(yōu)化RBF神經(jīng)網(wǎng)絡(luò)模型,使得軟測(cè)量模型具有較強(qiáng)的自適應(yīng)性以及較好的容錯(cuò)性。最后將本文提出的軟測(cè)量模型與其他幾種模型的仿真結(jié)果作比較,可知本模型具有較好的控制精度和穩(wěn)定性。 本文將混合遞階遺傳算法和RBF神經(jīng)網(wǎng)絡(luò)用于污水處理出水BOD的軟測(cè)量,能夠進(jìn)一步推動(dòng)污水處理過(guò)程的實(shí)時(shí)閉環(huán)控制,對(duì)其他工業(yè)...

【文章頁(yè)數(shù)】：65 頁(yè)

【學(xué)位級(jí)別】：碩士

【文章目錄】：
摘要
Abstract
插圖索引
插表索引
第一章 緒論
    1.1 課題背景及研究意義
    1.2 國(guó)內(nèi)外研究現(xiàn)狀
        1.2.1 國(guó)外水質(zhì)軟測(cè)量的研究現(xiàn)狀
        1.2.2 國(guó)內(nèi)水質(zhì)軟測(cè)量的研究現(xiàn)狀
    1.3 課題研究的主要內(nèi)容及章節(jié)安排
第二章 軟測(cè)量技術(shù)的研究及軟測(cè)量模型的設(shè)計(jì)
    2.1 軟測(cè)量技術(shù)的基本理論
        2.1.1 軟測(cè)量技術(shù)的數(shù)學(xué)描述
        2.1.2 軟測(cè)量技術(shù)的應(yīng)用條件
        2.1.3 軟測(cè)量技術(shù)的用途及意義
    2.2 軟測(cè)量技術(shù)的分類
    2.3 軟測(cè)量模型的設(shè)計(jì)
        2.3.1 輔助變量的初選
        2.3.2 現(xiàn)場(chǎng)數(shù)據(jù)采集與數(shù)據(jù)預(yù)處理
        2.3.3 輔助變量的精選
        2.3.4 建立軟測(cè)量模型
        2.3.5 離線訓(xùn)練模型
        2.3.6 模型的在線校正
    2.4 基于神經(jīng)網(wǎng)絡(luò)的軟測(cè)量模型的可行性分析
    2.5 基于神經(jīng)網(wǎng)絡(luò)的軟測(cè)量模型存在的問(wèn)題分析
    2.6 本章小結(jié)
第三章 神經(jīng)網(wǎng)絡(luò)與遺傳算法
    3.1 神經(jīng)網(wǎng)絡(luò)
        3.1.1 神經(jīng)網(wǎng)絡(luò)的概念
        3.1.2 神經(jīng)網(wǎng)絡(luò)的幾種基本類型
        3.1.3 神經(jīng)網(wǎng)絡(luò)的學(xué)習(xí)算法
        3.1.4 RBF神經(jīng)網(wǎng)絡(luò)的結(jié)構(gòu)
        3.1.5 RBF神經(jīng)網(wǎng)絡(luò)的基本學(xué)習(xí)算法
    3.2 遺傳算法
        3.2.1 遺傳算法的描述
        3.2.2 編碼方式及適應(yīng)度函數(shù)
        3.2.3 遺傳算法的操作
        3.2.4 控制參數(shù)的選擇
        3.2.5 遺傳算法的特點(diǎn)
    3.3 混合遞階遺傳算法優(yōu)化RBF網(wǎng)絡(luò)參數(shù)
    3.4 本章小結(jié)
第四章 污水處理工藝
    4.1 水污染的概念和污染物類型
    4.2 我國(guó)污水處理工藝現(xiàn)狀
    4.3 污水處理關(guān)鍵水質(zhì)參數(shù)及水質(zhì)排放標(biāo)準(zhǔn)
        4.3.1 污水處理關(guān)鍵水質(zhì)參數(shù)
        4.3.2 進(jìn)水水質(zhì)及排放標(biāo)準(zhǔn)
    4.4 生化需氧量(BOD)的檢測(cè)
    4.5 本章小結(jié)
第五章 基于混合遞階遺傳算法優(yōu)化RBF神經(jīng)網(wǎng)絡(luò)的BOD軟測(cè)量模型
    5.1 輸入變量的選擇及PCA算法
        5.1.1 輸入變量的選擇
        5.1.2 主元分析的概念
        5.1.3 主元分析的算法
    5.2 混合遞階遺傳算法的參數(shù)設(shè)計(jì)
    5.3 軟測(cè)量建模的主要步驟
    5.4 軟測(cè)量模型的仿真分析與比較
        5.4.1 軟測(cè)量模型的仿真結(jié)果
        5.4.2 仿真結(jié)果比較
    5.5 本章小結(jié)
第六章 結(jié)論和展望
    6.1 結(jié)論
    6.2 工作展望
參考文獻(xiàn)
致謝
附錄A 攻讀學(xué)位期間所發(fā)表的學(xué)術(shù)論文目錄
附錄B 出水BOD實(shí)驗(yàn)數(shù)據(jù)



本文編號(hào)：3776189