相关向量机核函数研究及其在污水系统中的应用

发布时间：2017-08-11 22:37

  本文关键词：相关向量机核函数研究及其在污水系统中的应用

  更多相关文章： 污水处理 软测量 相关向量机 核函数 自优化 快速似然算法

【摘要】：污水系统复杂,具有参数时变,多变量耦合、强非线性,严重滞后等特点,采用传统的测量方法难以满足精确性、环保、经济测量等要求,导致污水处理质量难以得到保障,且投入成本偏高,因此建立测量精度高且经济环保的污水软测量模型,对污水处理具有重要的意义。软测量技术是一种新型智能检测技术,本文以污水处理为应用背景,结合相关向量机软测量建模的优势,以及对不同核函数性能的分析,提出了基于多属性高斯核函数的相关向量机软测量模型,并将其成功的用于污水系统出水参数的预测。本文主要研究如下:1.研究了相关向量机的原理,并在EM(Expectation Maximization)迭代估计的基础上对相关向量机算法的收敛性进行分析。针对相关向量机污水软测量模型的预测效果受核函数影响的问题,本文重点研究了核函数的性能和参数的学习,发现多属性高斯核的特点和良好性能适合作为污水软测量模型的核函数。2.考虑到相关向量机的建模优势,以及多属性高斯核的特点和良好性能,提出了一种基于多属性高斯核函数相关向量机的软测量模型来预测污水参数生物需氧量BOD、化学需氧量COD。针对多属性高斯核的学习问题,采用遗传算法来优化核参数,实验表明该模型能较好的实现BOD预测,但COD预测还有待改善。针对遗传算法在COD预测上难以获得合适的核参数的问题,采用梯度下降法来学习核参数,实验表明,该模型在COD的预测效果上较基于遗传算法的多属性高斯核函数相关向量机有所改善,并且模型具有较低的敏感性,鲁棒性较强。3.为了进一步提高污水重要参数的预测精度,本文提出基于自优化的多属性高斯核相关向量机污水软测量模型。针对多属性核参数的学习问题,提出自优化学习方法,并给出具体实现步骤,通过实验表明,该模型不仅敏感度低,鲁棒性好,而且在保证模型稀疏性和收敛性的同时获得较高的输出精度,对污水出水参数具有良好的预测效果。4.离线模型在长时间后难以保证对后序的工况点的预测效果,在一些工况点处表现出较差的适应性,针对这一问题,本文提出多属性高斯核快速相关向量机在线软测量模型。该模型采用基于贝叶斯框架的相关向量机来在线预测输出指标,并引入快速边际似然算法来加快模型的更新速度。实验表明这种模型不仅能有效跟踪出水指标BOD、COD的变化,而且模型更新速度较快,能较好实现污水处理中出水水质的在线实时测量。
【关键词】：污水处理 软测量 相关向量机 核函数 自优化 快速似然算法
【学位授予单位】：华南理工大学
【学位级别】：硕士
【学位授予年份】：2016
【分类号】：X703;TP18
【目录】：

• 摘要5-6
• ABSTRACT6-11
• 第一章 绪论11-19
• 1.1 课题研究背景及意义11-12
• 1.2 软测量技术简介12-14
• 1.2.1 软测量技术发展12
• 1.2.2 软测量技术建模原理12
• 1.2.3 软测量建模方法12-14
• 1.3 污水处理的重要参数14-16
• 1.4 软测量技术在污水预测处理中的研究与应用16-17
• 1.5 本文工作与安排17-19
• 第二章 RVM建模及其核函数的研究19-35
• 2.1 相关向量机理论19-20
• 2.1.1 稀疏贝叶斯学习19
• 2.1.2 相关向量机的发展19-20
• 2.2 RVM回归模型20-24
• 2.3 RVM分类模型24-25
• 2.4 RVM收敛性分析25-29
• 2.4.1 EM迭代算法原理25-26
• 2.4.2 EM算法收敛性证明26-27
• 2.4.3 基于EM算法的RVM收敛性分析27-29
• 2.5 RVM中核函数的研究29-34
• 2.5.1 核函数分类及其性质29-33
• 2.5.2 核函数确定及其参数的学习33-34
• 2.6 基于RVM的污水软测量模型中的核函数确定和核参数学习34
• 2.7 本章总结34-35
• 第三章 基于遗传算法的MAG-RVM的污水软测量模型35-44
• 3.1 MAG-RVM模型35-36
• 3.1.1 MAG-RVM原理35-36
• 3.1.2 MAG-RVM模型建模步骤36
• 3.2 MAG-RVM核参数的遗传寻优36-38
• 3.2.1 遗传优化算法理论37
• 3.2.2 遗传优化算法的实现37-38
• 3.2.3 MAG-RVM核参数遗传优化步骤38
• 3.3 基于遗传算法的MAG-RVM软测量建模38-39
• 3.4 基于遗传算法的MAG-RVM污水仿真实验39-43
• 3.4.1 实验辅助变量39-40
• 3.4.2 污水仿真实验40-43
• 3.5 本章小结43-44
• 第四章 基于梯度的MAG-RVM污水软测量模型44-52
• 4.1 梯度下降法44-45
• 4.2 基于梯度的MAG-RVM建模步骤45-46
• 4.3 算法性能测试46-49
• 4.3.1 二维标准函数实验46-47
• 4.3.2 对模型参数的敏感性分析47-49
• 4.4 污水仿真实验49-50
• 4.5 本章小结50-52
• 第五章 基于自优化的MAG-RVM污水软测量模型52-62
• 5.1 MAG-RVM核参数自优化学习方法52-54
• 5.2 基于自优化的MAG-RVM建模步骤54-55
• 5.3 性能测试仿真实验和结果分析55-57
• 5.4 污水仿真实验57-59
• 5.5 收敛性和稀疏性分析59-61
• 5.5.1 模型收敛性分析59-60
• 5.5.2 模型的稀疏性分析60-61
• 5.6 本章小结61-62
• 第六章 基于MAG-FASTRVM的在线污水软测量模型62-75
• 6.1 MAG-FASTRVM模型62-66
• 6.1.1 基于MAG核的贝叶斯矩阵62-63
• 6.1.2 快速边际似然算法63-65
• 6.1.3 MAG-FASTRVM模型的建模步骤65-66
• 6.2 基于MAG-FASTRVM的在线软测量模型66-67
• 6.2.1 软测量模型在线校正66
• 6.2.2 滚动时间窗66
• 6.2.3 MAG-FASTRVM的在线建模步骤66-67
• 6.3 仿真实验与结果分析67-73
• 6.3.1 实验辅助变量67-68
• 6.3.2 MAG-FASTRVM的污水离线实验68-71
• 6.3.3 MAG-FASTRVM污水在线仿真实验71-73
• 6.4 本章小结73-75
• 总结与展望75-77
• 参考文献77-82
• 攻读硕士学位期间取得的研究成果82-83
• 致谢83-84
• 附件84

【相似文献】

中国重要会议论文全文数据库 前3条

1 齐志泉;田英杰;徐志洁;;支持向量机中的核参数选择问题[A];第16届中国过程控制学术年会暨第4届全国故障诊断与安全性学术会议论文集[C];2005年

2 刘滨;张本爱;叶涛;;核参数敏感度的Monte Carlo研究[A];中国工程物理研究院科技年报（2005）[C];2005年

3 宋红州;张本爱;孙伟力;;SC32,SC64多群核参数的研制与检验[A];中国工程物理研究院科技年报（2005）[C];2005年

中国硕士学位论文全文数据库 前6条

1 刘莉;相关向量机核函数研究及其在污水系统中的应用[D];华南理工大学;2016年

2 薛冰;Kernel PCA中核参数优化及应用[D];西安工业大学;2011年

3 杨海;SVM核参数优化研究与应用[D];浙江大学;2014年

4 宋永东;支持向量机参数选择的研究[D];华中师范大学;2013年

5 邱潇钰;核函数的参数选择[D];山东师范大学;2008年

6 孙运莲;基于分块和核参数选择的KPCA研究[D];哈尔滨工业大学;2010年

，

本文编号：658569