GA-BP算法优化及其在污水参数软测量中的应用研究

论文摘要

污水处理过程受到进水水质、水量、运行调控等诸多因素影响,具有非线性、时变、大滞后等特点,难以建立精确的数学模型。是一类典型的复杂工业过程。并且部分关键水质参数无法在线监测,使得污水水质监测技术已成为污水处理行业的一个亟待解决的问题。人工神经网络由于具有优良的非线性逼近特性、并行式分布结构、较好的容错性以及自适应学习和归纳能力,特别适用于需要同时考虑许多因素和条件,不精确的、模糊的信息处理。为此,本论文研究了基于神经计算学的污水参数软测量方法。论文的主要研究内容及方法包括:①首先分析神经网络和遗传算法各自的特点;②论文在分析了几种常见软测量建模方法的基础上,提出一种新的软测量方法—基于GA-BP神经网络的污水参数软测量模型;③建立基于改进AGA的BP神经网络模型。针对神经网络在实际应用中存在的收敛速度慢,网络极易陷入局部极值点,初始权值和阈值的选择缺乏依据,具有很大的随机性,很难选取出具有全局性的初始点的缺点进行了基于改进的自适应遗传算法的神经网络软测量建模研究,由遗传算法优化确定BP神经网络的初始权阈值,确定一个较好的搜索空间,代替一般初始权阈值的随机选取,然后在这个解空间里对网络进行训练、学习至收敛,搜索出最优解或者近似最优解;④以某污水处理厂的实测数据为训练样本,对污水处理过程控制参数及水质参数进行了分析,将该模型应用到曝气池SVI软测量模型中,针对污水处理过程中不能在线测量的重要参数曝气池SVI进行测量,并将获得的测量结果与BP网络、GA-BP网络等测量结果进行比较。研究结果表明,该方法有效地避免了BP算法收敛速度慢,易陷入局部极小点等缺陷,达到了较好的效果。基于神经计算学的污水参数软测量方法,不仅有助于实现污水处理过程实时控制,而且对于其它复杂过程控制系统也有积极影响。

论文目录

• 摘要
• ABSTRACT
• 1 引言
• 1.1 课题的提出
• 1.1.1 课题的社会背景
• 1.1.2 课题的研究背景
• 1.1.3 课题的目的与意义
• 1.2 国内外研究现状
• 1.2.1 遗传算法发展及现状
• 1.2.2 人工神经网络的发展及现状
• 1.2.3 国内外污水参数软测量技术研究现状
• 1.2.4 污水参数检测中存在的问题
• 1.3 论文研究内容
• 2 相关理论和技术概述
• 2.1 软测量技术
• 2.1.1 软测量的基本框架
• 2.1.2 软测量技术分类
• 2.1.3 影响软测量性能的因素
• 2.2 人工神经网络
• 2.2.1 人工神经网络的理论基础
• 2.2.2 人工神经网络基本原理
• 2.2.3 人工神经网络的优点及实现
• 2.2.4 反向传播网络（BP）概述
• 2.3 遗传算法
• 2.3.1 遗传算法概要
• 2.3.2 遗传算法原理
• 2.3.3 遗传算法的特点
• 2.4 本章小结
• 3 基于改进遗传算法的神经网络优化方法
• 3.1 概述
• 3.2 基于改进遗传算法神经网络的学习算法设计
• 3.2.1 GA-BP 算法编码
• 3.2.2 适应度函数的确定
• 3.2.3 遗传算子
• 3.3 基于改进遗传算法神经网络混合方法实现步骤
• 3.4 本章小结
• 4 基于改进遗传算法的神经网络污水参数软测量模型
• 4.1 概述
• 4.2 活性污泥法污水处理过程概述
• 4.3 污水处理参数-曝气池SVI 软测量模型
• 4.3.1 变量选择
• 4.3.2 数据的采集与预处理
• 4.3.3 BP 网络设计
• 4.4 污水处理模型仿真实验
• 4.4.1 标准BP 神经网络模型
• 4.4.2 GA-BP 模型
• 4.4.3 改进的AGA-BP 模型
• 4.4.4 试验结果比较
• 4.4.5 关键代码
• 4.5 本章小结
• 5 总结与展望
• 5.1 总结
• 5.2 展望
• 致谢
• 参考文献
• 附录