基于相关向量机的水质预测研究

发布时间：2020-07-17 17:30

【摘要】：伴随着工业化和城市化的飞速发展,水环境的安全问题日益突出。水质预测是保护水环境的基础性工作之一,精确的预测可以为水环境管理和工业生产提供可靠的决策支持,对可持续发展具有重要意义。针对水环境这一复杂的有机系统,传统的传感器对重要的水质指标难以进行快速准确的测量,本文以污水处理出水和地表水为研究对象,结合数据驱动的思想建立了基于相关向量机的水质预测模型,并根据各自的特点,提出了不同的解决方案,通过实验仿真验证了水质预测模型的可靠性。本文的主要研究内容如下:首先,介绍了数据驱动建模思想,并对机器学习算法在水质预测上的国内外研究现状进行了分析,并指出了预测建模仍然面临的问题。其次,针对污水处理过程中存在的复杂生化反应,强非线性和运行状态的不平衡分布等问题,提出了基于一种集成相关向量机的水质预测方法。该方法通过相关向量机每轮的学习情况,利用改进的AdaBoost.RT算法对样本的权值进行重新分配,可使难以学习的样本得到更多的关注,实验结果表明,该模型在预测精度和泛化性能上较单一相关向量机模型有一定的提升,能够较好地克服数据不平衡带来的负面影响。然后,针对地表水水质因子间多重相关性的问题,提出一种基于核偏最小二乘法特征提取的相关向量机水质预测模型。该方法通过核函数将原始数据映射至高维空间,随后进行线性的PLS运算,巧妙的克服了水质因子间的多重相关性,实验结果表明,该模型不仅鲁棒性高,且模型更新速度快,可以满足水质在线预测对实时性和准确性的需求。最后,为实现对水质变化空间的预测,引入了模糊信息粒化的思想并通过最小截平方和估计LTS重新定义了相关向量机的训练子集,并给出了改进相关向量机的训练步骤,得到了基于模糊信息粒化与改进相关向量机的水质预测模型。实验结果表明,改进的相关向量机对异常数据的敏感性大幅提高,并且该模型能较好地实现对水质变化空间和变化趋势的预测。
【学位授予单位】：华南理工大学
【学位级别】：硕士
【学位授予年份】：2018
【分类号】：X703;X52
【图文】：

标准配置

才能保证水安全，为水环境相关产业的升级发展提供新的动力。加强对于工业密集区域的污水集中处理与水质的在线监控，将带动水环境检测、污染控制和环保运营等多方服务的发展[3]。由此可见，水质的预测是保证水环境安全的重要组成部分之一，良好的数值预测对于水环境的保护具有积极的意义。本文针对水质预测问题，引入了基于数据驱动的建模方法，即通过水质的历史测量数据，建立了精确的水质预测模型。针对污水处理中的强非线性与非稳态等特征和地表水各水质因子间多重相关性等问题，提出了不同的处理方法，仿真结果表明，文中提出的水质预测模型能够较好地达到水质的在线预测要求，对于水环境的保护以及安全生产等提供了一定的指导意义。1.2 水质预测建模方法针对水质的预测问题，目前主要有三种建模方法[4]，一是基于机理模型(白箱模型)

完整结构,计算机程序系统,在线实现,绪论

第一章绪论周期较长。则的专家系统是一种智能的计算机程序系统，它通过 IF-THEN具有丰富经验的专家的知识用于指导实际的生产[6]，如图 1-2。该归纳实验、生产过程中操作经验和诸多定量、定性分析结果的过进行推理、判断并模拟人类专家做出决策。其优点在于模型的形且易于在线实现。但是其缺点是预测精度较低，不易提取知识规程和物理化学变化过程难以用简单的 IF-THEN 规则进行适当的则较多时，搜索较

对比图,对比图,综合性能,回归预测

被称为稀疏核机(sparse Kernel machine)。稀疏核机最终模型由数据要”的样本确定，去除其他的数据样本不会对模型的综合性能产生任何影响本的预测时仅仅依赖于“重要”的样本去计算核函数，极大的提升了模型的效为了验证 RVR 的稀疏性和回归预测能力，本节采用 SVM 与之对比，分别选取与正弦函数作为测试对象，并且为测试函数加入高斯噪声。首先 x sin x /x与 sin x 在[-10,10]内等间距各采样 100 个样本点，并分别附加斯噪声作为数据集。分别建立 SVM 和 RVR 模型，所建模型均采用高斯核函数为 300，其中 SVM 的惩罚参数c和核参数1g ，RVR 的核参数2g 均使用遗确定。为更好地对比 SVM 和 RVR 的综合性能，采用均方误差，最大误差和相关向量的个数作为评价标准。SVM 和 RVR 模型的回归拟合效果，分别图示。

【参考文献】