论文部分内容阅读
当今社会,淡水资源的短缺和水体环境的污染时刻提醒着我们污水处理的必要性。污水处理是具有强非线性、大滞后、大惯性等特点的复杂现代工业过程,其复杂多样的工艺过程导致污水中一些反映水质指标的重要过程参数的实时检测以及根据过程变量进行预判输出变得十分困难,现有的检测仪器或因为成本、或因为精度,都不能给予很可靠的保证。然而软测量技术作为传统检测技术的延伸和发展,应用于实际的污水处理过程中具有很重要的现实意义。本文以曝气生物滤池为研究对象,建立了污水软测量模型,实现了对出水COD浓度的预测,为判断出水质量以及做出相应措施提供超前的判据。主要内容如下:首先,本文基于LSSVM相对于传统SVM所具有的优势,选取LSSVM作为本文模型的基础算法,并且分别从模型核函数和超参数两个方面进行改进,一方面采用线性加权的混合核函数取代单一核函数;另一方面采用改进的智能优化算法对参数组合进行寻优。仿真对比分析,两方面的改进对模型精确度都有一定程度的提升。然后,针对离线模型面临大规模实时更新的数据时整体预测效果会随之变差的情况,本文采用了一种改进的在线增量LSSVM算法,该算法采用预测误差进行选择性增量学习和配套的剪枝算法,即新样本添加时,根据预测误差阈值判别是否需要增量学习,针对超过阈值的样本进行增量式学习,用递归的方式不断更新支持向量,避免了标准的求逆运算,缩短了运算时间,改善了预测的效率。同时当样本规模达到一定规模时选择剪去最早样本的剪枝操作,使样本长度始终维持在一定规模。本课题的主要贡献及创新点在于:本文选择从精确度和在线性能两方面对LSSVM污水软测量模型进行改善。线性加权的混合核函数和改进的智能优化算法的结合,使模型精确度得到很大程度的提升;改进的在线增量LSSVM算法通过巧妙的迭代、阈值的选择、时间窗的设置,使模型的快速性、在线性都有了一定程度的改善和提高;两方面的改善共同实现了对出水COD精准的在线预估。