活性污泥法污水处理是一种模拟水的自净化过程,利用自然界中微生物的生命活动来清除污水中有机污染物的一种有效方法,是目前世界上工业有机污水处理和城市污水二次处理的主要途径。污水处理过程具有多变量、非线性、时变性与随机性的特点,其控制过程十分复杂,采用传统的控制方法难以实现污水处理的实时控制。近年来,人工智能方法的引入有力地推动了污水生化处理过程的控制技术的研究。但是虽然现有的研究取得了一定的成果,研究却偏重于模糊控制、神经网络、遗传算法、专家系统等,本论文针对城市污水处理的特性,以LS-SVM为基础研究智能建模和优化控制的方法。本课题来源于国家自然科学基金项目(编号60774032)、广东省自然科学基金博士启动项目(编号9451064101002853)和教育部高等学校博士学科点专项科研基金(新教师基金课题)(编号20070561006),以广州市沥滘污水处理厂的污水处理工艺为对象，主要利用ARMA模型、Kalman滤波、数据融合、人工免疫以及LS-SVM等人工智能方法对生化处理过程中建模的若干问题,包括异常数据的检测、Kalman滤波观测融合、出水指标值的预测、预测模型的建立和优化控制等,进行了较为深入的研究,取得了一定的研究成果,具有理论意义和现实意义。本文的主要研究成果和创新点有:1、针对污水处理过程中测量仪器有时会检测到异常的数据,提出了本体/异体检测机制与负向选择结合3σ准则的算法检测异常值,建立代表正常数据特征的本体集合与代表异常数据特征的抗体集合。这样既可以用数据集的方法也可以用直接的方法检测异常值。仿真实验证明这种方法适合对污水数据进行检测,能够有效地监控测量仪器的运行状况。2、提出了对异常数据进行修正的模型--AR模型。AR模型是一种时间序列分析方法,是利用序列的历史信息以及历史信息之间的相互作用,对序列的未来轨迹进行预测的一种数学方法。用信息论准则对AR模型定阶,再用Burg方法建立AR模型。一旦检测到异常值,即用前一时段的正常值来修正,从而达到数据恢复的目的。算法预测精度较高、具备良好的稳定性,也适合于污水处理过程的数据修正。3、考虑到污水处理过程的多传感器数据采集问题,将基于相关性函数和最小二乘的多传感器数据融合算法应用到污水数据的处理上来,对支持程度高的传感器数据进行融合,而支持程度低的传感器数据不参加融合。该方法计算简单,对测量数据进行融合时不需要其先验信息,所得融合结果精度高。在此基础上,提出改进的最小二乘的多传感器数据融合算法,并且利用评价标准比较了两种融合方法。4、以污水处理过程的反应方程的计算值为参考值,提出基于非线性系统的Kalman滤波观测融合算法。研究了Kalman滤波非线性系统的线性化方法,提出在不同观测矩阵情况下的数据融合问题,并在已有的几种观测融合算法的基础上,提出基于岭估计的新的观测融合算法,以定义损失函数为评价标准,证明了新算法优于其它几种算法,用仿真实验表明了Kalman滤波观测融合算法的优越性。5、提出一种应用于污水处理过程出水指标的预测算法。研究了带混沌动态量的自适应学习率的自回归小波神经网络的辨识模型;再利用LS-SVM建立预测模型,以一种新的混合变异的免疫算法对LS-SVM的影响预测精度的几个有关参数进行优化,用下鞅理论证明了该免疫优化算法是几乎处处强收敛甚至具有更强的收敛性。仿真实验表明提出的预测模型的预测精度高。6、提出一种以多约束条件为基础的,运行费用最少为目标的多变量最优控制算法。用LS-SVM预测出水指标,在满足COD、SS、NH3-H的出水要求的条件下,给出污水处理过程中多变量最优控制的数学模型,提出一种采用粒子群算法求解污水处理过程优化控制问题的计算方法。仿真实验表明算法能够降低生产费用。