基于神经网络的水质软测量方法研究

《基于神经网络的水质软测量方法研究》由会员上传分享，免费在线阅读，更多相关内容在学术论文-天天文库。

1、摘要随着近现代工业的迅猛发展，作为人类赖以生存的水资源遭到了极大的破坏，如何控制水资源的进一步恶化，采取行之有效的污水处理方法已成为人类迫在眉睫的头等大事。本文针对建立污水处理过程控制参数及水质参数的软测量模型进行了研究，为进一步实现污水处理过程的自动控制和参数在线检测创造条件，主要做了以下几个方面的工作：1．研究分析了BP神经网络，拟定所有参数因子为辅助变量，在此基础上，提出了以Levenberg．Marquardt优化BP神经网络的方法。2．从粗糙集理论的基本概念和方法入手，提出一种基于粗糙集的BP神经

2、网络模型，其充分利用粗糙集的数据处理分析能力，对水质数据进行预处理，约减影响因素，简化网络输入变量，确定输入变量及个数；提炼学习样本质量。从而优化了神经网络结构，改善了学习效率。3．利用PSO算法的优点，通过PSO算法与BP算法的结合，优化BP神经网络，实验证明该模型对水质具有更高的预测精度、更快的收敛速度和更好的泛化性能。4．构造了一种RBF$申经网络，其采用改进的减聚类算法和动态聚类算法相结合的算法进行训练。对水质仿真效果很好，具有较强非线性处理能力和逼近能力，同时具有学习时间短，网络运算速度快，性能稳

3、定等优点。关键词：软测量技术；神经网络；水质广东工业大学硕士学位论文Abstract．Withtherecentrapiddevelopmentofmodernindustry，asahumanlifehasbeenagreatdealofwaterdamage，howtocontrolthefurtherdeteriorationofwaterresourcesandadopteffectivemethodsofsewagetreatmenthasbecomeanimminentpriority．Inth

4、ispaper，theprocessoftheestablishmentofsewagetreatmentandwaterqualitycontrolparametersofthesoft-sensormodelparameterswerestudiedinordertofurthertherealizationofautomaticcontrolofthesewagetreatmentprocessandparameterstocreateconditionsforonlinetesting，mainly

5、doneonthefollowingaspects：1．ResearchandanalysisoftheBPneuralnetwork，alltheparametersfactorforthedevelopmentofauxiliaryvariables，inthisbasedonaLevenberg—MarquardtoptimizationmethodofBPneuralnetwork．2．Fromtheroughsettheorythebasicconceptsandmethodsstartwitha

6、roughsetbasedontheBPneuralnetworkmodel，whichtakefulladvantageofroughsetanalysisofthedata-processingcapabilities，datapre·processingofwaterquality，reducetheimpactofsomefactors，simplifynetworkinputvariablestodeterminethenumberofinputvariablesand；refiningthequ

7、alityoflearningsamples．Tooptimizethestructureoftheneuralnetworktoimprovethelearningefficiency．3．TheuseoftheadvantagesofPSOalgorithm，throughthePSOalgorithmandBPalgorithmwithBPneuralnetworkoptimization，experimentalproofofthewaterqualityofthemodelhasahigherpr

8、edictionaccuracy,fasterconvergencespeedandbettergeneralizationperformance．4．ConstructaRBFneuralnetwork，whichimprovedbyusingclusteringalgorithmandthecombinationofdynamicclusteringalgorithmfortrainingthealgorit