基于混合递阶遗传算法的RBF网络优化及在BOD软测量中的应用

发布时间：2023-04-01 01:31

　　随着社会工业化的发展,城市和工业污水处理已成为环保领域迫在眉睫的重要课题。污水处理生物过程中不可预见的干扰大,具有典型的非线性、不稳定、多变量等特点,很难建立准确的数学模型,并且关键的水质参数(尤其是最能体现污水处理性能的生化需氧量BOD)难以实现在线监测。针对污水处理过程中关键水质参数难以在线监测的问题,本文提出了一种基于混合递阶遗传算法优化RBF神经网络的BOD软测量模型。 本文首先运用主元分析法(PCA)对输入变量进行降维和去相关处理,从而简化RBF神经网络的输入。以不小于85%的累计贡献率,把初始的10维输入变量降到5维。然后把隐含层结构和参数看作整体,编码为染色体,采用具有双层基因染色体结构的递阶遗传算法来优化RBF隐含层参数,而输出层连接权值则采用最小二乘法来确定。运用混合递阶遗传算法优化RBF神经网络模型,使得软测量模型具有较强的自适应性以及较好的容错性。最后将本文提出的软测量模型与其他几种模型的仿真结果作比较,可知本模型具有较好的控制精度和稳定性。 本文将混合递阶遗传算法和RBF神经网络用于污水处理出水BOD的软测量,能够进一步推动污水处理过程的实时闭环控制,对其他工业...

【文章页数】：65 页

【学位级别】：硕士

【文章目录】：
摘要
Abstract
插图索引
插表索引
第一章 绪论
    1.1 课题背景及研究意义
    1.2 国内外研究现状
        1.2.1 国外水质软测量的研究现状
        1.2.2 国内水质软测量的研究现状
    1.3 课题研究的主要内容及章节安排
第二章 软测量技术的研究及软测量模型的设计
    2.1 软测量技术的基本理论
        2.1.1 软测量技术的数学描述
        2.1.2 软测量技术的应用条件
        2.1.3 软测量技术的用途及意义
    2.2 软测量技术的分类
    2.3 软测量模型的设计
        2.3.1 辅助变量的初选
        2.3.2 现场数据采集与数据预处理
        2.3.3 辅助变量的精选
        2.3.4 建立软测量模型
        2.3.5 离线训练模型
        2.3.6 模型的在线校正
    2.4 基于神经网络的软测量模型的可行性分析
    2.5 基于神经网络的软测量模型存在的问题分析
    2.6 本章小结
第三章 神经网络与遗传算法
    3.1 神经网络
        3.1.1 神经网络的概念
        3.1.2 神经网络的几种基本类型
        3.1.3 神经网络的学习算法
        3.1.4 RBF神经网络的结构
        3.1.5 RBF神经网络的基本学习算法
    3.2 遗传算法
        3.2.1 遗传算法的描述
        3.2.2 编码方式及适应度函数
        3.2.3 遗传算法的操作
        3.2.4 控制参数的选择
        3.2.5 遗传算法的特点
    3.3 混合递阶遗传算法优化RBF网络参数
    3.4 本章小结
第四章 污水处理工艺
    4.1 水污染的概念和污染物类型
    4.2 我国污水处理工艺现状
    4.3 污水处理关键水质参数及水质排放标准
        4.3.1 污水处理关键水质参数
        4.3.2 进水水质及排放标准
    4.4 生化需氧量(BOD)的检测
    4.5 本章小结
第五章 基于混合递阶遗传算法优化RBF神经网络的BOD软测量模型
    5.1 输入变量的选择及PCA算法
        5.1.1 输入变量的选择
        5.1.2 主元分析的概念
        5.1.3 主元分析的算法
    5.2 混合递阶遗传算法的参数设计
    5.3 软测量建模的主要步骤
    5.4 软测量模型的仿真分析与比较
        5.4.1 软测量模型的仿真结果
        5.4.2 仿真结果比较
    5.5 本章小结
第六章 结论和展望
    6.1 结论
    6.2 工作展望
参考文献
致谢
附录A 攻读学位期间所发表的学术论文目录
附录B 出水BOD实验数据



本文编号：3776189