基于自组织模糊Elman神经网络的SVI软测量研究

发布时间：2023-05-08 05:07

　　目前活性污泥污水处理工艺普遍存在污泥膨胀现象，但由于其机理复杂、涉及面广和影响因素众多等特点，传统的数学建模受到挑战，难以实现污泥容积指数（SVI）的在线检测。而现有的一些智能检测技术又存在精度低、耗时长等缺点。因此，本文基于递归模糊神经网络建立了SVI的软测量模型。它可以在不了解系统变化及变量之间关系的情况下，实现参量的高精度预测。并可以利用神经网络自组织和自适应能力，实现模型的在线校正，实时地估计SVI值。 论文主要的研究工作包括以下几点： 1.深入研究软测量技术，提出了一套较为系统的污水处理水质参数软测量建模方法。首先，根据污泥膨胀理论及其产生原因，分析了污泥膨胀形成机理，归纳总结了影响SVI变化的13个水质参量，并通过主元分析法确定主要辅助变量。其次，基于Elman神经网络建立了SVI的软测量模型，实现了SVI的预测。最后，通过仿真实验及性能分析，证明过了该模型的有效性和可行性。 2.为了进一步的提高SVI软测量模型的预测精度，本文结合Elman神经网络和T-S模糊神经网络的优点，提出了一种动态T-S模糊Elman神经网络（DTSFEN），实现了DTSFEN学习算法的推导。并基...

【文章页数】：89 页

【学位级别】：硕士

【文章目录】：
摘要
Abstract
目录
第1章 绪论
    1.1 课题背景及研究意义
        1.1.1 课题背景
        1.1.2 研究意义
    1.2 污泥膨胀检测技术的研究现状
        1.2.1 国内外污泥膨胀检测技术的现状
        1.2.2 污泥膨胀检测中现存的问题
    1.3 模糊神经网络结构设计现状
    1.4 课题来源
    1.5 研究内容与论文安排
第2章 污泥容积指数 SVI 的软测量结构设计
    2.1 软测量技术的研究
        2.1.1 概述
        2.1.2 辅助变量的选取及数据预处理
        2.1.3 软测量模型的建立
        2.1.4 离线训练模型
        2.1.5 在线校正
    2.2 SVI 的软测量结构
        2.2.1 污泥膨胀的机理分析
        2.2.2 SVI 的影响因素
        2.2.3 SVI 软测量模型的建立
    2.3 仿真实验及结果分析
    2.4 本章小结
第3章 T-S 模糊 Elman 神经网络
    3.1 Elman 神经网络
        3.1.1 Elman 神经网络及学习算法
        3.1.2 Elman 网络建模的优点及不足
    3.2 T-S 模糊神经网络
        3.2.1 T-S 模糊模型
        3.2.2 T-S 模糊神经网络及其特点
    3.3 T-S 模糊 Elman 神经网络
        3.3.1 T-S 模糊 Elman 网络的结构
        3.3.2 DTSFEN 的学习算法
    3.4 网络收敛性证明
        3.4.1 Lyapunov 稳定性定理
        3.4.2 DTSFEN 的收敛性分析
    3.5 DTSFEN 网络的性能分析
    3.6 本章小结
第4章 基于 SOTSFEN 的 SVI 软测量
    4.1 辅助变量的精选
        4.1.1 数据来源与数据预处理
        4.1.2 主元分析法及辅助变量精选
    4.2 自组织 T-S 模糊 Elman 神经网络
    4.3 DTSFEN 的自组织学习算法
        4.3.1 线性参数的调整
        4.3.2 非线性参数的学习
        4.3.3 模糊规则的产生准则
        4.3.4 模糊规则的修剪策略
        4.3.5 SOTSFEN 的性能分析
    4.4 基于 PCA-SOTSFEN 的 SVI 软测量
        4.4.1 软测量模型结构及在线校正
        4.4.2 仿真实验及结果分析
    4.5 本章小结
结论与展望
参考文献
攻读硕士学位期间所发表的学术论文
致谢



本文编号：3812049