论文部分内容阅读
污水处理系统是涉及物理、化学、生物和环境科学等多个领域的非线性复杂系统。化学需氧量COD(Chemical Oxygen Demand)是一项能够直接反映水体受有机污染程度的重要指标。由于污水处理系统各因素条件的复杂性,以及仪表检测技术的发展水平限制,虽然目前国内外已有部分厂家研制出了COD快速检测和在线仪器,但是它们价格昂贵,维护费用较高,并且易受水质影响,误差较大,难以得到大范围的推广。针对这一问题,本论文提出了一种基于HS-RBF(Harmony Search,HS)神经网络的COD软测量模型,并实现污水出水COD值的预测估计。现将主要工作归纳如下:1.在介绍污水处理检测技术和软测量技术发展的基础上,本文通过对污水处理系统工艺和原理的深入研究分析,获取适用于COD软测量建模的辅助变量。本文对采集到的数据进行归一化处理,主元分析法筛选后,将辅助变量由7维数据降为5维,分别建立基于RBF和BP神经网络的软测量模型。研究结果显示,降维后比降维前的软测量模型具有更好的预测能力,RBF神经网络比BP神经网络软测量模型具有更高的预测精度和更优的泛化能力。2.针对RBF神经网络存在的隐含层相关参数对函数的泛化能力影响很大的问题,引入和声搜索优化算法对其进行优化。为了缩短收敛时间,提高和声算法在优化过程中的全局搜素能力,本文在总结基本和声算法和前人工作的基础上进行了部分参数和算法结构新的调整,提出GADHS(Global-best Additional Disturbed Harmony Research)算法,并将其与多种改进和声算法进行benchmark标准寻优函数测试,表现出更好的搜索性能。3.利用改进的和声搜索算法对RBF神经网络的隐含层数据中心、扩展常数和输出层权值进行优化。仿真及研究结果表明,引入改进的和声算法对RBF神经网络进行优化后,模型的准确性、稳定性及泛化能力都得到了明显的改进,GADHS-RBF软测量模型具有最好的预测能力。通过与污水处理厂实际数据比较显示,该模型具有较高的预测精度,满足相关规范要求。本论文的研究工作对将来污水处理出水水质在线测量的研究具有重要的参考价值。