基于自组织递归RBF神经网络的出水氨氮软测量研究
发布时间：2022-01-11 16:53
随着社会城镇化和工业化进程的加快,工业生产过程和城市用水的需求量越来越大,随之而来的水资源污染问题也相继增多,从而对人类的生存和发展以及社会的生态平衡带来了很大的影响。出水氨氮（NH4+-N）是水资源重要的污染物之一,可以作为评价水体质量的一个重要指标,氨氮超标会使水体富营养化并造成环境污染。因此,为了减少氨氮浓度超标带来的危害,对污水中氨氮的测量和研究变得至关重要。由于实际的污水处理厂中氨氮的测量方法存在操作繁琐,测量精度低,滞后时间长且仪器维护成本高等缺点,导致氨氮的含量很难实现在线检测。因此,针对污水处理过程中出水氨氮的实时检测问题,提出了一种基于递归正交最小二乘（Recursive Orthogonal Least Squares,ROLS）算法的自组织递归RBF神经网络的出水氨氮软测量模型,并完成了出水氨氮软测量智能系统的开发,实现了出水氨氮的准确预测。本文的研究工作主要分为以下几点:（1）基于ROLS算法的自组织递归RBF神经网络设计（ROLS-RRBF）研究。本文提出一种基于ROLS算法的自组织递归RBF神经网络的结构设计方法。...
【文章来源】：北京工业大学北京市 211工程院校
【文章页数】：81 页
【学位级别】：硕士
【部分图文】：
论文内容安排Fig.1-1Thestudycontentofthesis其中，各个章节的具体介绍如下：第1章绪论
3 章 基于 ROLS 算法的递归 RBF 神经网络设归 RBF 神经网络馈型人工神经网络中，RBF 神经网络是一种比较常见的人工然 RBF 神经网络可以以较高的精度逼近任意非线性函数，并强等优点。但是 RBF 神经网络也存在着一定的缺点，比如非力有限，无法去自适应动态的工况和外界变化的环境[86]-[87]。BF 神经网络在 RBF 神经网络的基础上加入了反馈环节，所以能较好的处理动态变化的信息，并且可以自适应外界复杂的工8]-[90]。 RBF 神经网络是一种三层网络结构的神经网络，其三层网络含层、输出层构成。递归 RBF 神经网络的结构如图 3-1 所示
图 3-2 ROLS-RRBF 神经网络结构示意图Fig.3-2 The figure of ROLS-recurrent RBF neural network.2.2 递归正交最小二乘算法因为本文是根据递归正交最小二乘(Recursive Orthogonal Least SquarOLS)算法[96]计算 ROLS-RRBF 神经网络隐含层神经元的独立贡献度来调整结构，所以对 ROLS 算法介绍如下：随意选取 N 个输入、输出样本，每个有 p 个变量，则有： Y t Y t +E t V t W t E t(3中，在 t 时刻，网络的期望输出矩阵和输出矩阵分别为 Y(t) RN×p， (t) RN含层神经元的输出权值矩阵和输出矩阵分别为 W(t) Rm×p和 V(t) RN×m，网误差矩阵为 E(t) RN×p。由公式(3-4)有： J t Ε t Y t V t W t(3
【参考文献】：
期刊论文
[1]基于相对贡献指标的自组织RBF神经网络的设计[J]. 乔俊飞,安茹,韩红桂. 智能系统学报. 2018(02)
[2]基于递归RBF神经网络的出水氨氮预测研究[J]. 乔俊飞,马士杰,许进超. 计算机与应用化学. 2017(02)
[3]基于RBF神经网络的出水氨氮预测研究[J]. 乔俊飞,安茹,韩红桂. 控制工程. 2016(09)
[4]氨氮废水处理技术发展现状[J]. 鲁秀国,罗军,赖祖明. 华东交通大学学报. 2015(02)
[5]氨氮废水处理技术研究进展[J]. 刘莉峰,宿辉,李凤娟,武宁宁,李明月,崔会为. 工业水处理. 2014(11)
[6]厌氧氨氧化污水处理工艺及其实际应用研究进展[J]. 陈重军,王建芳,张海芹,沈耀良. 生态环境学报. 2014(03)
[7]污水处理过程出水水质多模型在线软测量方法[J]. 张昭昭. 控制工程. 2014(01)
[8]现代分析技术在水质氨氮监测中的应用[J]. 尹洧. 中国无机分析化学. 2013(02)
[9]污水氨氮检测方法问题分析及改进[J]. 杜晓旭,康俊巍,徐艳伟,张冬,李慧娟,赵刚. 轻工科技. 2012(11)
[10]深度学习研究综述[J]. 孙志军,薛磊,许阳明,王正. 计算机应用研究. 2012(08)
硕士论文
[1]神经网络在肾透机系统故障诊断中的应用研究[D]. 危屹.西安工业大学 2015
[2]基于遗传算法优化的RBF神经网络在污水处理中的研究与应用[D]. 丛露露.华东理工大学 2014
[3]污水中氨氮在线检测方法关键技术的研究[D]. 刘纪民.河北工业大学 2011
[4]基于液体状态机的脑运动神经系统的建模研究[D]. 黄江帅.华中科技大学 2009
本文编号：3583127
【文章来源】：北京工业大学北京市 211工程院校
【文章页数】：81 页
【学位级别】：硕士
【部分图文】：
论文内容安排Fig.1-1Thestudycontentofthesis其中，各个章节的具体介绍如下：第1章绪论
3 章 基于 ROLS 算法的递归 RBF 神经网络设归 RBF 神经网络馈型人工神经网络中，RBF 神经网络是一种比较常见的人工然 RBF 神经网络可以以较高的精度逼近任意非线性函数，并强等优点。但是 RBF 神经网络也存在着一定的缺点，比如非力有限，无法去自适应动态的工况和外界变化的环境[86]-[87]。BF 神经网络在 RBF 神经网络的基础上加入了反馈环节，所以能较好的处理动态变化的信息，并且可以自适应外界复杂的工8]-[90]。 RBF 神经网络是一种三层网络结构的神经网络，其三层网络含层、输出层构成。递归 RBF 神经网络的结构如图 3-1 所示
图 3-2 ROLS-RRBF 神经网络结构示意图Fig.3-2 The figure of ROLS-recurrent RBF neural network.2.2 递归正交最小二乘算法因为本文是根据递归正交最小二乘(Recursive Orthogonal Least SquarOLS)算法[96]计算 ROLS-RRBF 神经网络隐含层神经元的独立贡献度来调整结构，所以对 ROLS 算法介绍如下：随意选取 N 个输入、输出样本，每个有 p 个变量，则有： Y t Y t +E t V t W t E t(3中，在 t 时刻，网络的期望输出矩阵和输出矩阵分别为 Y(t) RN×p， (t) RN含层神经元的输出权值矩阵和输出矩阵分别为 W(t) Rm×p和 V(t) RN×m，网误差矩阵为 E(t) RN×p。由公式(3-4)有： J t Ε t Y t V t W t(3
【参考文献】：
期刊论文
[1]基于相对贡献指标的自组织RBF神经网络的设计[J]. 乔俊飞,安茹,韩红桂. 智能系统学报. 2018(02)
[2]基于递归RBF神经网络的出水氨氮预测研究[J]. 乔俊飞,马士杰,许进超. 计算机与应用化学. 2017(02)
[3]基于RBF神经网络的出水氨氮预测研究[J]. 乔俊飞,安茹,韩红桂. 控制工程. 2016(09)
[4]氨氮废水处理技术发展现状[J]. 鲁秀国,罗军,赖祖明. 华东交通大学学报. 2015(02)
[5]氨氮废水处理技术研究进展[J]. 刘莉峰,宿辉,李凤娟,武宁宁,李明月,崔会为. 工业水处理. 2014(11)
[6]厌氧氨氧化污水处理工艺及其实际应用研究进展[J]. 陈重军,王建芳,张海芹,沈耀良. 生态环境学报. 2014(03)
[7]污水处理过程出水水质多模型在线软测量方法[J]. 张昭昭. 控制工程. 2014(01)
[8]现代分析技术在水质氨氮监测中的应用[J]. 尹洧. 中国无机分析化学. 2013(02)
[9]污水氨氮检测方法问题分析及改进[J]. 杜晓旭,康俊巍,徐艳伟,张冬,李慧娟,赵刚. 轻工科技. 2012(11)
[10]深度学习研究综述[J]. 孙志军,薛磊,许阳明,王正. 计算机应用研究. 2012(08)
硕士论文
[1]神经网络在肾透机系统故障诊断中的应用研究[D]. 危屹.西安工业大学 2015
[2]基于遗传算法优化的RBF神经网络在污水处理中的研究与应用[D]. 丛露露.华东理工大学 2014
[3]污水中氨氮在线检测方法关键技术的研究[D]. 刘纪民.河北工业大学 2011
[4]基于液体状态机的脑运动神经系统的建模研究[D]. 黄江帅.华中科技大学 2009
本文编号：3583127
本文链接：https://www.wllwen.com/kejilunwen/huanjinggongchenglunwen/3583127.html
