如今,我国不仅存在水资源短缺的问题,而且水质污染和环境污染问题也越来越严峻。由于污水处理过程涉及非常复杂的反应过程,而且在整个反应过程中有众多微生物参与,因此我们要想对污水处理厂出水水质指标进行科学有效的测量,存在一定的困难。然而,正是由于某些水质指标对污水处理厂的运行有着至关重要的作用,因此,在污水处理的过程中,对污水水质含量进行实时、准确地监测尤为重要,尤其是对某一重要指标进行实时预测。而对某一待测变量进行预测时,选择合适的辅助变量也是关键的一步。因此,本文采用集员辨识的思想分别对输入变量进行选择以及对神经网络的隐层结构进行调整,输入变量的选择分为两个部分,先是通过逐步回归选择初步的辅助变量,然后通过集员的思想对初步选择的辅助变量进行进一步筛选,最终获得合适的辅助变量,根据输入和输出数据,选择合适的网络结构并建立区间预测模型。然而,由于网络结构可能存在一定程度的冗余性,本文还利用集员结构删减的方法对神经网络的隐层结构进行调整,在确保预测精度一致的条件下,对神经网络的结构进行优化。本文的研究方向以及主要内容大致如下:(1)污水处理水质指标软测量模型输入选择:目前的污水处理关键水质指标的辅助变量的选取方法有很多,分别有偏最小二乘法(PLS)、主成分分析法(PCA),但是,这种方法往往丢失了数据的原来的特征,将输入变量重新组合得到新的变量,使新的变量包含原来一种或多种数据的信息,改变了数据本来的特征;本文采用的是逐步回归的方法选择辅助变量,先利用最小二乘估计可以估计出回归系数,建立一个线性回归模型,给定一个显著水平α,每次从多个变量中删除其中一个,直到符合条件为止。同时,通过集员变量选择对逐步回归得到的变量进一步筛选,即每次从已有的辅助变量中选取一个或者多个变量进行验证,使得每次辨识得到的误差尽可能小,最终选取误差最小的那组的变量作为模型的输入变量,然后利用选择得到的输入输出变量来实现软测量模型的搭建。(2)污水处理水质指标软测量模型结构选择:选择合适的辅助变量后,我们可以利用K-means均值聚类算法的思想,分别计算RBF神经网络隐单元的中心以及宽度,然后结合建模误差的有界假设,分别建立不同辅助变量下的区间估计模型,来获取待预测变量的可靠性区间估计,同时,为了简化网络模型的结构,利用集员结构删减的方法对所构建网络的隐含层进行调整,删除隐含层的冗余节点,在保证可靠性区间估计的基础上,优化网络模型的结构。实验中选用了2维情况下的输入来对出水BOD进行预测,并且建立精简的神经网络模型,实验结果证明了该软测量模型的有效性和可行性。(3)污水处理水质指标区间预测系统的设计:本文设计开发了一种基于污水处理水质指标的软测量系统,该系统主要有启动模块、用户登录模块以及系统的主界面操作运行模块等。在系统设计过程中,我们使用JAVA和MATLAB混合编程技术来实现在接口中通过JAVA调用由MATLAB封装好的RBF神经网络程序,然后实时显示神经网络的训练和预测结果并保存水质指标的关键参数。该设计主要是展示了神经网络变量选择以及结构删减的可视化效果图,并且实现了出水水质指标BOD的区间预测估计,同时使整个软测量模型的建立过程可视化,而且为用户实时了解污水处理的运行过程提供了极大的便利。