目前活性污泥污水處理工藝普遍存在污泥膨脹現象，但由于其機理復雜、涉及面廣和影響因素眾多等特點，傳統的數學建模受到挑戰(zhàn)，難以實現污泥容積指數（SVI）的在線檢測。而現有的一些智能檢測技術又存在精度低、耗時長等缺點。因此，本文基于遞歸模糊神經網絡建立了SVI的軟測量模型。它可以在不了解系統變化及變量之間關系的情況下，實現參量的高精度預測。并可以利用神經網絡自組織和自適應能力，實現模型的在線校正，實時地估計SVI值。 論文主要的研究工作包括以下幾點： 1.深入研究軟測量技術，提出了一套較為系統的污水處理水質參數軟測量建模方法。首先，根據污泥膨脹理論及其產生原因，分析了污泥膨脹形成機理，歸納總結了影響SVI變化的13個水質參量，并通過主元分析法確定主要輔助變量。其次，基于Elman神經網絡建立了SVI的軟測量模型，實現了SVI的預測。最后，通過仿真實驗及性能分析，證明過了該模型的有效性和可行性。 2.為了進一步的提高SVI軟測量模型的預測精度，本文結合Elman神經網絡和T-S模糊神經網絡的優(yōu)點，提出了一種動態(tài)T-S模糊Elman神經網絡（DTSFEN），實現了DTSFEN學習算法的推導。并基...

【文章頁數】：89 頁

【學位級別】：碩士

【文章目錄】：
摘要
Abstract
目錄
第1章 緒論
    1.1 課題背景及研究意義
        1.1.1 課題背景
        1.1.2 研究意義
    1.2 污泥膨脹檢測技術的研究現狀
        1.2.1 國內外污泥膨脹檢測技術的現狀
        1.2.2 污泥膨脹檢測中現存的問題
    1.3 模糊神經網絡結構設計現狀
    1.4 課題來源
    1.5 研究內容與論文安排
第2章 污泥容積指數 SVI 的軟測量結構設計
    2.1 軟測量技術的研究
        2.1.1 概述
        2.1.2 輔助變量的選取及數據預處理
        2.1.3 軟測量模型的建立
        2.1.4 離線訓練模型
        2.1.5 在線校正
    2.2 SVI 的軟測量結構
        2.2.1 污泥膨脹的機理分析
        2.2.2 SVI 的影響因素
        2.2.3 SVI 軟測量模型的建立
    2.3 仿真實驗及結果分析
    2.4 本章小結
第3章 T-S 模糊 Elman 神經網絡
    3.1 Elman 神經網絡
        3.1.1 Elman 神經網絡及學習算法
        3.1.2 Elman 網絡建模的優(yōu)點及不足
    3.2 T-S 模糊神經網絡
        3.2.1 T-S 模糊模型
        3.2.2 T-S 模糊神經網絡及其特點
    3.3 T-S 模糊 Elman 神經網絡
        3.3.1 T-S 模糊 Elman 網絡的結構
        3.3.2 DTSFEN 的學習算法
    3.4 網絡收斂性證明
        3.4.1 Lyapunov 穩(wěn)定性定理
        3.4.2 DTSFEN 的收斂性分析
    3.5 DTSFEN 網絡的性能分析
    3.6 本章小結
第4章 基于 SOTSFEN 的 SVI 軟測量
    4.1 輔助變量的精選
        4.1.1 數據來源與數據預處理
        4.1.2 主元分析法及輔助變量精選
    4.2 自組織 T-S 模糊 Elman 神經網絡
    4.3 DTSFEN 的自組織學習算法
        4.3.1 線性參數的調整
        4.3.2 非線性參數的學習
        4.3.3 模糊規(guī)則的產生準則
        4.3.4 模糊規(guī)則的修剪策略
        4.3.5 SOTSFEN 的性能分析
    4.4 基于 PCA-SOTSFEN 的 SVI 軟測量
        4.4.1 軟測量模型結構及在線校正
        4.4.2 仿真實驗及結果分析
    4.5 本章小結
結論與展望
參考文獻
攻讀碩士學位期間所發(fā)表的學術論文
致謝



本文編號：3812049