自確認(rèn)建模在污水處理軟測(cè)量中的技術(shù)研究.pdf

1、污水處理的整個(gè)過(guò)程是一個(gè)非常典型的復(fù)雜動(dòng)態(tài)生化反應(yīng)系統(tǒng)，它具有非線性、時(shí)變性和不確定性等特點(diǎn)，很難用傳統(tǒng)的數(shù)學(xué)方法建立相對(duì)精確的數(shù)學(xué)模型，而一些儀器儀表的測(cè)量過(guò)程嚴(yán)重滯后于污水處理系統(tǒng)生化反應(yīng)過(guò)程，以及污水廠惡劣的工作環(huán)境都增大了污水處理軟測(cè)量模型的建模難度。近年來(lái)隨著智能控制的發(fā)展，利用軟測(cè)量技術(shù)對(duì)污水處理生化反應(yīng)過(guò)程進(jìn)行智能化建模是解決此類難題的一個(gè)重要突破口。
　　本課題旨在通過(guò)軟測(cè)量技術(shù)對(duì)污水處理生化反應(yīng)機(jī)理的數(shù)學(xué)模型進(jìn)行

2、創(chuàng)新性建模。研究在核主元分析（KPCA）、小波神經(jīng)網(wǎng)絡(luò)（WNN）和集成學(xué)習(xí)理論的基礎(chǔ)上進(jìn)行建立軟測(cè)量模型，再結(jié)合自確認(rèn)傳感器中故障診斷、數(shù)據(jù)重構(gòu)等技術(shù)的思想理念，實(shí)現(xiàn)一種創(chuàng)新型的自確認(rèn)軟測(cè)量模型構(gòu)造技術(shù)。首先采用改進(jìn)的模糊均值聚類(FCM)算法對(duì)采集到的數(shù)據(jù)樣本進(jìn)行分類，其次將子類樣本數(shù)據(jù)輸入到對(duì)應(yīng)的各個(gè)子模型中，每個(gè)子模型都包含了數(shù)據(jù)預(yù)處理和局部WNN模型，利用KPCA和Jolliffe參數(shù)相融合的方式對(duì)子類數(shù)據(jù)樣本進(jìn)行相應(yīng)的數(shù)據(jù)預(yù)處

3、理，將高維輸入數(shù)據(jù)降到低維并輸入到WNN模型中，這樣就可以大大降低神經(jīng)網(wǎng)絡(luò)處理數(shù)據(jù)的復(fù)雜性和計(jì)算量。同時(shí)，用 Jolliffe參數(shù)與KPCA相結(jié)合的方式對(duì)樣本數(shù)據(jù)進(jìn)行離群點(diǎn)檢測(cè)，來(lái)保證WNN模型的輸入數(shù)據(jù)足夠純凈，從而提升WNN模型的預(yù)測(cè)能力。最后利用最小二乘法（PLS）對(duì)各子模型的預(yù)測(cè)結(jié)果進(jìn)行合成作為集成學(xué)習(xí)軟測(cè)量模型的輸出。
　　由于傳統(tǒng)的軟測(cè)量模型只有一種輸出，即模型預(yù)測(cè)值，單一地使用一種預(yù)測(cè)值對(duì)整個(gè)系統(tǒng)的控制及校正會(huì)顯得力