日本免费不卡在线看的AV

  • <td id="8aqsm"></td>
  • <td id="8aqsm"></td>
  • <td id="8aqsm"><button id="8aqsm"></button></td>
  • <tt id="8aqsm"><sup id="8aqsm"></sup></tt>
  • <td id="8aqsm"></td>
  • <td id="8aqsm"></td>
  • <td id="8aqsm"><button id="8aqsm"></button></td>
  • <td id="8aqsm"></td>
  • <td id="8aqsm"><li id="8aqsm"></li></td>
  • <td id="8aqsm"><button id="8aqsm"></button></td><td id="8aqsm"></td>

    基于RBF神經網絡的出水COD預測模型研究

    來源:http://www.iptomaps.com/ 作者:余氯檢測儀 時間:2019-09-02

      摘 要:本文主要研究了基于RBF神經網絡出水COD預測模型。首先通過數據處理提高數據質量,以利于后續處理,利用蟻群算法和最小二乘法訓練RBF神經網絡中心和權值,最后通過仿真測試驗證了模型的有效性,并給出了模型的具體實現方案。

      關鍵詞:自動控制;RBF神經網絡;出水COD

      在污水處理中,出水COD在線檢測具有重要的作用:第一,它是衡量出水水質的重要標準;第二,它是調節回流污泥量的主要依據。本文主要研究如何利用RBF神經網絡技術來建立出水COD的預測模型。

      1 建模數據的采集與處理

      建模數據的采集:

      本文以鞍山活性污泥法水處理廠污水處理過程為研究對象,根據該廠的生產工藝可知,污水從進廠到出廠的HRT(水力平均停留時間)為20小時,水力平均停留時間為23小時。利用同一時刻的水質參數和運行參數,這一點尤為重要,否則建立的模型是偽模型,沒有實際意義。依據上面的要求,我們采集了鞍山污水處理廠400條生產數據信息。

      從工業現場采集的數據信息通常含有隨機誤差甚至過失誤差,這些錯誤數據將導致系統預測模型工作性能的下降,嚴重情況會導致工作失敗。因此,我們必須對收集到的各種測量數據進行前期予處理,方可作為神經網絡模型的輸入。在一次操作中通過對異常數據進行剔除,總刪除了70條噪聲數據;處理完過失誤差后,還要處理樣本數據內的隨機誤差,我們以7點滑動平均方法處理建模數據的隨機誤差,能夠有效消除數據中的隨機誤差。前面對建模數據采取正規化處理后,可以供神經網絡建模使用,保證模型工作的準確性。

      2 基于 RBF神經網絡出水COD預測模型

      徑向基函數RBF神經網絡(簡稱徑向基網絡)是由J.Moody和C.Darken于20世紀80年代末提出的,這種神經網絡結構具有單隱層的三層前饋網絡。

      RBF神經元的核心結構就是徑向基函數構成的,RBF神經元模型如圖1所示。

      其輸出表達式為

      (1)

      其中:radbas為徑向基函數,且:

      (2)

      稱之為歐幾里德距離。

      RBF神經網絡(簡稱徑向基網絡)是由RBF神經元構成的多層前饋網絡,它具有其它BP網絡一樣的網絡結構,是一種三層靜態前向網絡。其網絡拓撲結構如下圖2所示。

      由圖可以看出,拓撲結構第一層為數據輸入層,含有多個輸入結點:第二層為隱含層,含有多個神經元,神經元數由所描述問題的具體需要決定;第三層為數據輸出層,也有多個輸出,針對輸入模式作出系統響應。

      在RBF網絡中,隱含層完成非線性變換,將輸入數據空間映射到一個新的空間,輸出層在該新的空間中對輸入進行線性組合,通過調節線性組合器的權重系數改變系統模型參數。構造和訓練一個RBF神經網絡就是要使映射函數通過學習,確定出每個隱層神經元基函數的中心,寬度以及隱層到輸出層的權值這些參數的過程,從而可以完成所需的輸入到輸出的映射。RBF網絡的三部分參數在映射中起不同的作用,這點與BP網絡單純由權參數構成是不同的,隱含層的中心和寬度代表了樣本空間模式及各中心的相對位置,完成的是從輸入空間到隱含層空間的非線性映射,而輸出層的權值是實現從隱含層空間到輸出空間的線性映射。RBF網絡隱含層的設計是模型的核心,中心和寬度的選取合適與否影響RBF網絡的最終性能。

      RBF網絡的學習包括網絡中心參數的確定和權值的學習,權值學習方法比較簡單,一般采用最小二乘法極其改進算法。實際工作中,確定RBF網絡中心參數很復雜,這是因為RBF網絡從輸入空間到隱含層空間進行非線性變換依賴于RBF中心的數目、位置以及作用域寬度。在RBF網絡中采取何種非線性函數形式對網絡性能的影響不同,而RBF中心的數目、位置和作用寬度對RBF網絡的性能影響至關重要。

      3 模型仿真測試

      這里我們使用MATLAB軟件對建立好的出水COD值的RBF神經網絡模型進行仿真研究。首先隨機選取了預處理后數據中的280組對模型進行訓練,下圖給出了網絡訓練誤差下降曲線。(圖3)

      模型訓練完畢后,這里選擇了剩余的50組數據對模型進行測試,下圖給出了測試結果:(圖4)

      從上面的預測結果可以知道,此模型的預測誤差分布在±4%之間,可以滿足現場要求。

      這里研究的出水COD預測模型是一個復雜的神經網絡算法,要想將該模型應用到實際生產中去,必須編寫預測模型軟件。這里采用VC編寫程序,可以實現復雜算法,而且功能較強。如查采和WINCC編寫VB或者C程序的腳本,由于其功能不是很強,難以適合復雜數據管理工作。

    ——本文由豐臨科技整理發布,內容供參考,如有侵權,請聯系刪除,謝謝!上海豐臨科技有限公司為你提供濁度儀(濁度計)、在線濁度儀、余氯儀、余氯分析儀、工業在線pH計、cod測定儀、pH計等多種水質檢測儀,水質分析儀,歡迎您前來選購,豐臨科技竭誠為您服務!

    上一篇:高氯離子低COD污水的處理工藝研究

    下一篇:水中COD的測定
    水質檢測分析儀廠家,掃一掃,微信報價
    掃一掃微信詢價
    掃一掃微信二維碼,獲得水質檢測分析儀優惠價格

    分享到

    取消
    日本免费不卡在线看的AV
  • <td id="8aqsm"></td>
  • <td id="8aqsm"></td>
  • <td id="8aqsm"><button id="8aqsm"></button></td>
  • <tt id="8aqsm"><sup id="8aqsm"></sup></tt>
  • <td id="8aqsm"></td>
  • <td id="8aqsm"></td>
  • <td id="8aqsm"><button id="8aqsm"></button></td>
  • <td id="8aqsm"></td>
  • <td id="8aqsm"><li id="8aqsm"></li></td>
  • <td id="8aqsm"><button id="8aqsm"></button></td><td id="8aqsm"></td>