粒子群优化模糊神经网络的出水(附件)
随着社会的进步与经济的蓬勃发展，生态环境污染问题越来越严峻，尤其是水污染问题越发凸显。其中水体富营养化的机理过程复杂，影响因素众多，难以得到有效控制以致现阶段发生率高，而其关键水质参数指标污水总磷(Total Phosphorus, TP)难以进行在线监测。 近年来，基于神经网络的软测量模型在诸多领域的广泛应用，能够准确建立复杂系统的模型。该模型能够有效模拟污水处理系统的非线性动态变化过程，实现对于出水TP的在线预测。本文主要的研究工作包括以下几点:1.提出出水TP软测量模型设计。论文中针对TP软测量模型的设计概括为以下步骤，首先数据的采集以及样本数据的预处理，然后通过主成分分析法对于TP相关辅助变量精选，最后建立神经网络软测量模型。2.提出一种粒子群优化算法。论文中针对模糊状态网络在训练过程中，难以保证神经网络的稳定性，影响网络的稳定性和预测精度。依据模糊网络结构特点基础上，提出一种粒子群优化算法来提高网络的稳定性和预测精度。关键词 总磷，软测量模型，模糊神经网络，粒子群算法
目 录
1 绪论 1
1．1 课题研究背景及意义 1
1．2 国内外研究现状 2
1．3 研究的方法 6
1．4 课题研究内容 7
2 PSO和FNN 7
2．1 PSO 7
2．2 FNN 12
3 PSOFNN 15
3．1 分组优化策略 15
3．2 PSO—FNN算法 16
4 基于PSOFNN出水TP软测量 17
4．1 出水TP软测量模型 17
4．2 出水TP数据预处理 18
4．3 出水TP模型的在线校正 21
4．4 出水TP软测量仿真实验及结果分析 22
结 论 29
致 谢 30
参 考 文 献 31
1 绪论
1．1 课题研究背景及意义
加入世界贸易组织以来，我国社会经济进入黄金十年的发展阶段，虽各个领域取得了突飞猛进巨大成就，但在这些快速发展过程中忽略对人文环境的保护，尤其在最近几年里水文环境污染日益 *好棒文|www.hbsrm.com +Q: &351916072&
加剧，给社会发展带来极大困扰。水体富营养化是诱发水体污染的主要因素。富营养化指湖泊中水植物受过量氮、磷等元素的刺激而无节制生长，使生态水文环境失去平衡，导致水污染产生。通过诸多专家学者对水体污染大量验证分析，水体富营养化主要原因是含磷浓度过高造成的[1]。因此污水处理厂对排放污水中水质测量进行联调监测显得非常重要[2]，尤其是对污水中TP含量的测定并进行实时监测。这样，有利于在源头上防止水体富营养化问题出现，并成为污水处理领域的共识。
为了降低处理过程数据的检测误差，经常使用人工采样与化学方法相结合的方法，是当前污水处理厂主流处理方式之一。目前，监测污水中总磷含量的标准方法，一般采用钼酸铵分光光度法。即使精度很高,但存在繁琐和费时的缺点,因此无法满足实时检测总磷的要求[3]。以化学原理为核心，既省时又可以避开因人工带来的偶然误差，同时又可以在线自动对样本进行采集与检验。虽然如此，高额的售价和定期检修成本致使大多数污水处理厂无力承担，因此只有部分处理厂小规模配置使用。此外，以机理为核心的仪表在水质参数实时检测方面具有强大优势，但预测精度误差较大，难以满足工艺对检测精度的要求。水质参数及关键参数受到温度，天气等的影响，都促成基于机理方法的仪表对污水中水质参数含量测定效果不佳。因此，污水处理领域面对两大主要问题如何精确对污水中核心水质参数含量的测定和有效降低预测可靠效果所用费用[4]。
在最近几年里，人工智能算法取得了极大的进展并且其成果在诸多行业大量应用，刺激对软测量技术的理论研究日渐成为一大热点[5]。一些学者将基于统计与分析的软测量技术应用于污水处理建模过程，并取得了一定成效[67]，依靠污水处理厂提供历史实时运行数据支持，软测量技术应用取得快速发展。由此，凭借其低成本、高精度和实时性强等优点，软测量技术有效解决水质参数预测精度的问题。因此，要搭建精确的动力学模型就十分有必要，但一定要使用非常规的数学建模方法，主要考虑到污水处理过程具有很强的非线性、复杂性、不确定性和强时变特性，使常规的数学建模方法很难成功。智能软测量模型将信息数据样本及其类型，在使用专业算法对数据进行处理，把各层中有用相关数据压缩成对应的模型表达式[8]。软测量模型具有自动学习设置的精度，而构建软测量模型只与被测对象的输入输出关系有关，只需合适的算法训练被控对象的数据样本。软测量模型其操作简单，结果高效可靠，因此广泛受到专家学者的青睐。针对易测量的主要变量，通常采用软测量技术来进行选择易测的辅助变量，对主体变量数学计算和估计，往往利用系统分析，在通过构成某种数学关系来实现[9]。
由于使用智能建模的软测量方法可以实现实时联调检测数据，因此本文将其运用在出水TP预测问题方面。由于污水处理过程存在多中生化反应，导致处理系统要具有自主跟踪水质数据变化，并且根据水质数据变化做出误差精度小的判断。正因为模糊神经网络可以适应处理系统的要求，所以被广泛被运用到处理污水软测量模型的构建[10]。模糊神经网络对数据动态变化处理虽有一定能力，但误差精度仍然有点大。为了解决该问题，本文选择PSO算法对其进行优化建模。将模糊神经应用于出水TP软测量建模中，主要依据模糊网络具有良好的动力学特性，能够更好地实时处理一些复杂的动态信息。
随着水体富营养化日益严重，对整个生态环境系统的威胁也日益加重，对整个社会发展影响也造成一定影响，目前，解决水体富营养化意思迫在眉睫的问题。为了降低水体富营养化现象出现，就必须有效的对出水TP的在线可靠预测，避免无意义的经济损失，这样不仅保证其能够正常运行，而且有利于减少处理厂运行的成本。本次课题研究不仅可以减少污水TP含量的排放，又对系统日常运行及检修成本的减少具有重要的作用。
1．2 国内外研究的现状
1.2.1 污水TP概述
水体中所有磷含量的总和，称为总磷。生活污水、有机含磷农药等是造成水体中的磷超标的主要因素。污水中磷存在多种多样的形式，大部分是有机磷、磷酸、磷酸盐。磷酸盐和有机磷转化为通过在水溶液中水解或降解磷酸。当水的pH值接近中性，主要以HPO42形式存在[11]。藻类快速生长，与总磷密不可分相对于藻类的营养剂。大量投入会导致水体污染和异味产生，从而引发河流的富营养化。引起国家对其重视，因此给污水处理厂制定一个标准，其中出水TP是核心指标之一。对TP精确测量和严格监控有利于在源头上根治水体富营养化问题。
目 录
1 绪论 1
1．1 课题研究背景及意义 1
1．2 国内外研究现状 2
1．3 研究的方法 6
1．4 课题研究内容 7
2 PSO和FNN 7
2．1 PSO 7
2．2 FNN 12
3 PSOFNN 15
3．1 分组优化策略 15
3．2 PSO—FNN算法 16
4 基于PSOFNN出水TP软测量 17
4．1 出水TP软测量模型 17
4．2 出水TP数据预处理 18
4．3 出水TP模型的在线校正 21
4．4 出水TP软测量仿真实验及结果分析 22
结 论 29
致 谢 30
参 考 文 献 31
1 绪论
1．1 课题研究背景及意义
加入世界贸易组织以来，我国社会经济进入黄金十年的发展阶段，虽各个领域取得了突飞猛进巨大成就，但在这些快速发展过程中忽略对人文环境的保护，尤其在最近几年里水文环境污染日益 *好棒文|www.hbsrm.com +Q: &351916072&
加剧，给社会发展带来极大困扰。水体富营养化是诱发水体污染的主要因素。富营养化指湖泊中水植物受过量氮、磷等元素的刺激而无节制生长，使生态水文环境失去平衡，导致水污染产生。通过诸多专家学者对水体污染大量验证分析，水体富营养化主要原因是含磷浓度过高造成的[1]。因此污水处理厂对排放污水中水质测量进行联调监测显得非常重要[2]，尤其是对污水中TP含量的测定并进行实时监测。这样，有利于在源头上防止水体富营养化问题出现，并成为污水处理领域的共识。
为了降低处理过程数据的检测误差，经常使用人工采样与化学方法相结合的方法，是当前污水处理厂主流处理方式之一。目前，监测污水中总磷含量的标准方法，一般采用钼酸铵分光光度法。即使精度很高,但存在繁琐和费时的缺点,因此无法满足实时检测总磷的要求[3]。以化学原理为核心，既省时又可以避开因人工带来的偶然误差，同时又可以在线自动对样本进行采集与检验。虽然如此，高额的售价和定期检修成本致使大多数污水处理厂无力承担，因此只有部分处理厂小规模配置使用。此外，以机理为核心的仪表在水质参数实时检测方面具有强大优势，但预测精度误差较大，难以满足工艺对检测精度的要求。水质参数及关键参数受到温度，天气等的影响，都促成基于机理方法的仪表对污水中水质参数含量测定效果不佳。因此，污水处理领域面对两大主要问题如何精确对污水中核心水质参数含量的测定和有效降低预测可靠效果所用费用[4]。
在最近几年里，人工智能算法取得了极大的进展并且其成果在诸多行业大量应用，刺激对软测量技术的理论研究日渐成为一大热点[5]。一些学者将基于统计与分析的软测量技术应用于污水处理建模过程，并取得了一定成效[67]，依靠污水处理厂提供历史实时运行数据支持，软测量技术应用取得快速发展。由此，凭借其低成本、高精度和实时性强等优点，软测量技术有效解决水质参数预测精度的问题。因此，要搭建精确的动力学模型就十分有必要，但一定要使用非常规的数学建模方法，主要考虑到污水处理过程具有很强的非线性、复杂性、不确定性和强时变特性，使常规的数学建模方法很难成功。智能软测量模型将信息数据样本及其类型，在使用专业算法对数据进行处理，把各层中有用相关数据压缩成对应的模型表达式[8]。软测量模型具有自动学习设置的精度，而构建软测量模型只与被测对象的输入输出关系有关，只需合适的算法训练被控对象的数据样本。软测量模型其操作简单，结果高效可靠，因此广泛受到专家学者的青睐。针对易测量的主要变量，通常采用软测量技术来进行选择易测的辅助变量，对主体变量数学计算和估计，往往利用系统分析，在通过构成某种数学关系来实现[9]。
由于使用智能建模的软测量方法可以实现实时联调检测数据，因此本文将其运用在出水TP预测问题方面。由于污水处理过程存在多中生化反应，导致处理系统要具有自主跟踪水质数据变化，并且根据水质数据变化做出误差精度小的判断。正因为模糊神经网络可以适应处理系统的要求，所以被广泛被运用到处理污水软测量模型的构建[10]。模糊神经网络对数据动态变化处理虽有一定能力，但误差精度仍然有点大。为了解决该问题，本文选择PSO算法对其进行优化建模。将模糊神经应用于出水TP软测量建模中，主要依据模糊网络具有良好的动力学特性，能够更好地实时处理一些复杂的动态信息。
随着水体富营养化日益严重，对整个生态环境系统的威胁也日益加重，对整个社会发展影响也造成一定影响，目前，解决水体富营养化意思迫在眉睫的问题。为了降低水体富营养化现象出现，就必须有效的对出水TP的在线可靠预测，避免无意义的经济损失，这样不仅保证其能够正常运行，而且有利于减少处理厂运行的成本。本次课题研究不仅可以减少污水TP含量的排放，又对系统日常运行及检修成本的减少具有重要的作用。
1．2 国内外研究的现状
1.2.1 污水TP概述
水体中所有磷含量的总和，称为总磷。生活污水、有机含磷农药等是造成水体中的磷超标的主要因素。污水中磷存在多种多样的形式，大部分是有机磷、磷酸、磷酸盐。磷酸盐和有机磷转化为通过在水溶液中水解或降解磷酸。当水的pH值接近中性，主要以HPO42形式存在[11]。藻类快速生长，与总磷密不可分相对于藻类的营养剂。大量投入会导致水体污染和异味产生，从而引发河流的富营养化。引起国家对其重视，因此给污水处理厂制定一个标准，其中出水TP是核心指标之一。对TP精确测量和严格监控有利于在源头上根治水体富营养化问题。
版权保护: 本文由 hbsrm.com编辑，转载请保留链接: www.hbsrm.com/jxgc/zdh/2662.html
