摘要：以(yi)(yi)漯(luo)河市污(wu)水凈化(hua)中心的(de)Carrousel氧(yang)化(hua)溝(以(yi)(yi)下(xia)簡(jian)(jian)稱(cheng)氧(yang)化(hua)溝)系統(tong)為考察對象，針對該(gai)系統(tong)進水水質(zhi)復雜，控(kong)制滯后的(de)難點，引入人工神經 網絡 的(de) 理論 和 方法 ，對其模(mo)擬 分析(xi) ，建(jian)立(li)了基于(yu)BP網絡的(de)氧(yang)化(hua)溝系統(tong)出水COD預報模(mo)型。模(mo)型性(xing)(xing)能檢驗(yan)和靈敏度檢驗(yan)表明，建(jian)成的(de)模(mo)型準確度高，適應性(xing)(xing)強(qiang)，可(ke)直接(jie)用于(yu)該(gai)系統(tong)出水COD預報，這為氧(yang)化(hua)溝工藝(yi)在線控(kong)制提供了一條簡(jian)(jian)便的(de)途徑。

關鍵詞：人工神經網絡 氧化溝(gou)系統 出水COD

The ANN Model Predicting Effluent COD of Carrousel Oxidation Ditch System.

Abstract: The carrousel oxidation ditch system in Luohe Center of Wastewater Treatment is difficult to control on-line because the influent characteristics are complex and vary significantly. To resolve the problem, advanced artificial neural network (ANN) was employed to simulate the correlation between water parameters of oxidation ditch system and a BPNN model predicting effluent COD was built up. Sentivity and performance tests showed that the model can adapt to different situations and has good ability to generalize. It can be directly used to predict effluent COD concentration, which is very helpful to oxidation ditch system control on-line.

Keywords: ANN; oxidation ditch system; effluent COD

漯(luo)河市污(wu)(wu)(wu)(wu)水(shui)(shui)(shui)(shui)凈化(hua)中(zhong)心于(yu)(yu)2000年(nian)7月正式(shi)投(tou)產，采用(yong)的(de)(de)(de)(de)(de)是典型的(de)(de)(de)(de)(de)極具代表性(xing)的(de)(de)(de)(de)(de)Carrousel氧(yang)化(hua)溝(gou)(gou)工(gong)(gong)(gong)藝，污(wu)(wu)(wu)(wu)水(shui)(shui)(shui)(shui)來源主(zhu)要是屠(tu)宰廢水(shui)(shui)(shui)(shui)、食品(pin)加工(gong)(gong)(gong)廢水(shui)(shui)(shui)(shui)、化(hua)工(gong)(gong)(gong)廢水(shui)(shui)(shui)(shui)和生活(huo)污(wu)(wu)(wu)(wu)水(shui)(shui)(shui)(shui)，其主(zhu)要技術指(zhi)標：一(yi)期工(gong)(gong)(gong)程(cheng)：2000年(nian)7.7萬(wan)(wan)噸(dun)(dun)/日(ri)(生活(huo)污(wu)(wu)(wu)(wu)水(shui)(shui)(shui)(shui)2萬(wan)(wan)噸(dun)(dun)/日(ri)， 工(gong)(gong)(gong)業(ye) 污(wu)(wu)(wu)(wu)水(shui)(shui)(shui)(shui)5.7萬(wan)(wan)噸(dun)(dun)/日(ri))，設(she)(she)(she)計流量8萬(wan)(wan)噸(dun)(dun)/日(ri)，設(she)(she)(she)計的(de)(de)(de)(de)(de)進(jin)(jin)水(shui)(shui)(shui)(shui)負荷：COD≤500mg/l，BOD5≤200mg/l，SS≤200mg/l，設(she)(she)(she)計出(chu)(chu)水(shui)(shui)(shui)(shui)指(zhi)標：COD≤120mg/l，BOD5≤30mg/l，SS≤30mg/l，實(shi)際出(chu)(chu)水(shui)(shui)(shui)(shui)水(shui)(shui)(shui)(shui)質狀況(建模(mo)(用(yong)人(ren)工(gong)(gong)(gong)神經(jing)網(wang)絡建立的(de)(de)(de)(de)(de)氧(yang)化(hua)溝(gou)(gou)出(chu)(chu)水(shui)(shui)(shui)(shui)COD預報(bao)(bao)的(de)(de)(de)(de)(de)模(mo)型的(de)(de)(de)(de)(de)簡稱(cheng))數(shu)(shu)學(xue)數(shu)(shu)據(ju)范圍，其它不完(wan)整記錄(lu)中(zhong)有(you)超出(chu)(chu)以(yi)下范圍的(de)(de)(de)(de)(de)記錄(lu))：SS：10～170mg/l，COD：16～77mg/l，TN：2.9～56mg/l，TP：0.03～0.91mg/l ;二(er)期工(gong)(gong)(gong)程(cheng)2010年(nian)11.8萬(wan)(wan)噸(dun)(dun)/日(ri)(生活(huo)污(wu)(wu)(wu)(wu)水(shui)(shui)(shui)(shui)2.6萬(wan)(wan)噸(dun)(dun)/日(ri)，工(gong)(gong)(gong)業(ye)污(wu)(wu)(wu)(wu)水(shui)(shui)(shui)(shui)9.2萬(wan)(wan)噸(dun)(dun)/日(ri))。由(you)于(yu)(yu)進(jin)(jin)水(shui)(shui)(shui)(shui)中(zhong)工(gong)(gong)(gong)業(ye)污(wu)(wu)(wu)(wu)水(shui)(shui)(shui)(shui)成分(fen)(fen)達到約74%,實(shi)際運行水(shui)(shui)(shui)(shui)質波動(dong)(dong)極大，對(dui)系(xi)(xi)統(tong)構成強(qiang)烈沖擊，進(jin)(jin)水(shui)(shui)(shui)(shui)COD最高(gao)記錄(lu)超過(guo)(guo)600mg/l，進(jin)(jin)水(shui)(shui)(shui)(shui)SS經(jing)常維持在115～600mg/l，不同工(gong)(gong)(gong)作日(ri)進(jin)(jin)水(shui)(shui)(shui)(shui)水(shui)(shui)(shui)(shui)質強(qiang)烈起伏，使工(gong)(gong)(gong)藝在線控制(zhi)(zhi)比較棘手，出(chu)(chu)水(shui)(shui)(shui)(shui)達標排放難以(yi)保證。對(dui)氧(yang)化(hua)溝(gou)(gou)這一(yi)復(fu)雜的(de)(de)(de)(de)(de)活(huo)性(xing)污(wu)(wu)(wu)(wu)泥(ni)系(xi)(xi)統(tong)，由(you)于(yu)(yu) 影響 工(gong)(gong)(gong)藝過(guo)(guo)程(cheng)的(de)(de)(de)(de)(de)因素反應的(de)(de)(de)(de)(de)復(fu)雜性(xing)和高(gao)度(du)非(fei)線性(xing)，常規的(de)(de)(de)(de)(de)模(mo)型適應能力有(you)限，而(er)以(yi)機(ji)理(li)分(fen)(fen)析為(wei)基礎的(de)(de)(de)(de)(de)動(dong)(dong)力學(xue)模(mo)型要求信(xin)息(xi)完(wan)備(bei)，參數(shu)(shu)齊全，實(shi)際生產中(zhong)不便于(yu)(yu)推廣。人(ren)工(gong)(gong)(gong)神經(jing)網(wang)絡(ANN)以(yi)其連續(xu)時間的(de)(de)(de)(de)(de)動(dong)(dong)力學(xue)行為(wei)、良好的(de)(de)(de)(de)(de)非(fei)線性(xing)品(pin)質、大規模(mo)并(bing)行分(fen)(fen)布處理(li)、高(gao)度(du)穩健性(xing)和 學(xue)習(xi) 聯想能力等(deng)特點(dian)，被(bei)(bei)廣泛 應用(yong) 于(yu)(yu)模(mo)式(shi)識別(bie)、信(xin)號(hao)處理(li)、系(xi)(xi)統(tong)控制(zhi)(zhi)中(zhong)。并(bing)且ANN可(ke)以(yi)不完(wan)備(bei)信(xin)息(xi)建模(mo)，不需(xu)要被(bei)(bei)辨識對(dui)象(xiang)階(jie)次(ci)結構等(deng)先驗知識，建模(mo)方(fang)法簡單[1-3]。本 研(yan)究 針對(dui)該凈化(hua)中(zhong)心氧(yang)化(hua)溝(gou)(gou)系(xi)(xi)統(tong)進(jin)(jin)水(shui)(shui)(shui)(shui)水(shui)(shui)(shui)(shui)質復(fu)雜、起伏大，控制(zhi)(zhi)滯(zhi)后的(de)(de)(de)(de)(de)難點(dian)，通過(guo)(guo)使用(yong)BP模(mo)型，直接以(yi)正常運行時的(de)(de)(de)(de)(de)生產數(shu)(shu)據(ju)為(wei)學(xue)習(xi)樣本建模(mo)，預報(bao)(bao)出(chu)(chu)水(shui)(shui)(shui)(shui)COD，詳細(xi)探討了模(mo)型設(she)(she)(she)計、訓練及檢驗等(deng)環節，建成的(de)(de)(de)(de)(de)模(mo)型準確度(du)較高(gao)，適應性(xing)強(qiang)，可(ke)作為(wei)一(yi)種定性(xing)與定量相(xiang)結合的(de)(de)(de)(de)(de)有(you)效工(gong)(gong)(gong)具，直接用(yong)于(yu)(yu)該系(xi)(xi)統(tong)出(chu)(chu)水(shui)(shui)(shui)(shui)COD預報(bao)(bao)。

1 模(mo)型原理及設計

1.1 BP網(wang)絡(luo)模型

按誤差反向傳(chuan)播原則建立的(de)(de)BP(Back Propoga--tion)學習算法(fa)，是(shi)(shi)(shi)當前(qian)(qian)ANN技術中最(zui)(zui)成功的(de)(de)學習算法(fa)，前(qian)(qian)饋型BP網絡及在此基礎(chu)上改(gai)進(jin)的(de)(de)神(shen)經網絡，是(shi)(shi)(shi)當前(qian)(qian)應用最(zui)(zui)廣泛的(de)(de)網絡類型[4]。本研(yan)究以MATLAB環境下的(de)(de)神(shen)經網絡工(gong)具箱(xiang)與(yu)統計工(gong)具箱(xiang)[5]為數(shu)學工(gong)具，編(bian)制的(de)(de)BP模型由三層神(shen)經元組成，其主要特點是(shi)(shi)(shi)：

1.1.1 輸(shu)(shu)入(ru)(ru)(ru)層(ceng)(ceng)由影響(xiang)出(chu)(chu)水(shui)COD的(de)各因素組成，為使樣本(ben)(ben)(ben)信息盡量豐(feng)富，并(bing)考慮到指標監測方(fang)便可行(xing)，選擇以下參數(shu)(shu)作為輸(shu)(shu)入(ru)(ru)(ru)矢量：X1：水(shui)溫，X2:進(jin)水(shui)SS濃度,X3：進(jin)水(shui)COD濃度,X4：進(jin)水(shui)氨(an)氮濃度,X5：MLSS,X6：MLVSS,X7：SV30(沉降30分鐘污泥體(ti)積比(bi))。輸(shu)(shu)出(chu)(chu)層(ceng)(ceng)產生ANN輸(shu)(shu)出(chu)(chu)矢量Y，本(ben)(ben)(ben)研(yan)究希(xi)望(wang)輸(shu)(shu)出(chu)(chu)的(de)是出(chu)(chu)水(shui)COD濃度Y。隱(yin)(yin)含層(ceng)(ceng)層(ceng)(ceng)數(shu)(shu)的(de)選擇與 問題 的(de)復雜性有關，隱(yin)(yin)含層(ceng)(ceng)層(ceng)(ceng)數(shu)(shu)的(de)增(zeng)加將使訓練費用(yong)急劇上升(sheng)，本(ben)(ben)(ben)研(yan)究采用(yong)一層(ceng)(ceng)隱(yin)(yin)含層(ceng)(ceng)，隱(yin)(yin)節點(dian)(dian)數(shu)(shu)的(de)確定考慮到兩(liang)原則(ze)：①樣本(ben)(ben)(ben)數(shu)(shu)大于網(wang)絡(luo)可調數(shu)(shu)[6];②幾何(he)平(ping)均規(gui)則(ze)[7]：對一個(ge)三層(ceng)(ceng)網(wang)絡(luo)，具有n個(ge)輸(shu)(shu)入(ru)(ru)(ru)節點(dian)(dian)，m個(ge)輸(shu)(shu)出(chu)(chu)節點(dian)(dian)，則(ze)中間層(ceng)(ceng)節點(dian)(dian)數(shu)(shu)H= 。本(ben)(ben)(ben)研(yan)究取節點(dian)(dian)數(shu)(shu)4～14，以期(qi)對其在更大范圍優化。圖1給(gei)出(chu)(chu)了訓練成功(gong)的(de)一組網(wang)絡(luo)結構。

1.1.2　以(yi)logsig或tansig函數作(zuo)為(wei)隱含層激(ji)活函數，分別(bie)使用(yong)(yong)這兩種函數作(zuo)網(wang)絡訓練，擇優而用(yong)(yong)。以(yi)logsig作(zuo)為(wei)輸(shu)出層激(ji)活函數，將輸(shu)出結果控制(zhi)在[0,1]，式(shi)中，b為(wei)偏差值,x表示隱含層中的節(jie)點(dian)數值。

logsig函數(shu)：

tansig函數(shu)：

1.1.3 采用(yong)Levenberg-Marquart收斂(lian)規(gui)則(ze)，該規(gui)則(ze)采用(yong)了(le)數值優化算(suan)法(fa)(fa)，可根據誤差(cha)大小自動調整牛頓(dun)法(fa)(fa)與梯度法(fa)(fa)在訓練中的(de)比(bi)重，是 目(mu)前(qian) 最快的(de)收斂(lian)算(suan)法(fa)(fa)，大大降低(di)了(le)訓練費用(yong)。

1.2　訓練(lian)集與(yu)檢(jian)驗集

ANN模(mo)(mo)(mo)(mo)型(xing)的預(yu)報能(neng)力與(yu)學習樣(yang)本(ben)質量(liang)(liang)及信息量(liang)(liang)緊密相關(guan)，出(chu)水(shui)(shui)COD預(yu)報的BP網絡(luo)模(mo)(mo)(mo)(mo)型(xing)(以(yi)下簡(jian)稱模(mo)(mo)(mo)(mo)型(xing))樣(yang)本(ben)數(shu)據(ju)(ju)(ju)取自漯(luo)河市污水(shui)(shui)凈(jing)化(hua)中心(xin)2000年(nian)8月(yue)至2002年(nian)2月(yue)間生產數(shu)據(ju)(ju)(ju)，完整記錄(lu)(包括全部模(mo)(mo)(mo)(mo)型(xing)輸(shu)(shu)入輸(shu)(shu)出(chu)參(can)數(shu))共89組(zu)(zu)(zu)(zu)，剔除發(fa)生生產事故(有記載(zai)的酸堿中毒、活性污泥膨脹等)狀態下記錄(lu)7組(zu)(zu)(zu)(zu)，剩余82組(zu)(zu)(zu)(zu)(考慮(lv)到數(shu)據(ju)(ju)(ju)樣(yang)本(ben)集規模(mo)(mo)(mo)(mo)不(bu)(bu)大(da)，故包括了一些(xie)超標(biao)排(pai)放數(shu)據(ju)(ju)(ju))，初步(bu)確定為(wei)(wei)學習樣(yang)本(ben)集。進(jin)水(shui)(shui)水(shui)(shui)質參(can)數(shu)變化(hua)范圍：水(shui)(shui)溫：10.8～3℃;SS：139～1062mg/l;COD：109～694mg/l;NH4+-N：12.88～496mg/l;控制(zhi)參(can)數(shu)：SV30：12～93;MLVSS：1107～3484 mg/l;MLSS：2226～6226 mg/l。生產報表無進(jin)水(shui)(shui)水(shui)(shui)量(liang)(liang)記載(zai)，故假定每個工作日(ri)進(jin)水(shui)(shui)水(shui)(shui)量(liang)(liang)連續穩定，但(dan)建成模(mo)(mo)(mo)(mo)型(xing)檢(jian)驗結果(guo)反映出(chu)進(jin)水(shui)(shui)水(shui)(shui)量(liang)(liang)是一個重要模(mo)(mo)(mo)(mo)型(xing)參(can)數(shu)，由于缺乏相關(guan)數(shu)據(ju)(ju)(ju)，使得模(mo)(mo)(mo)(mo)型(xing)性能(neng)欠佳。篩選出(chu)82組(zu)(zu)(zu)(zu)代表性數(shu)據(ju)(ju)(ju)中，通過(guo)主(zhu)要成分(fen)分(fen)析及聚類分(fen)析[8]，發(fa)現三(san)組(zu)(zu)(zu)(zu)樣(yang)本(ben)有離(li)群傾向，但(dan)不(bu)(bu)太突出(chu)，不(bu)(bu)做去除,以(yi)防止信息量(liang)(liang)的損失，最終確定學習樣(yang)本(ben)規模(mo)(mo)(mo)(mo)為(wei)(wei)82組(zu)(zu)(zu)(zu)。

以(yi)歐氏距(ju)離作為(wei)(wei)表征相似性的統計量，采用平均距(ju)離判斷依據將原始(shi)樣本(ben)(ben)分(fen)為(wei)(wei)10類(lei)，根據聚類(lei)結(jie)果，從各(ge)類(lei)中(zhong)隨(sui)機挑(tiao)選1/3左(zuo)右的樣本(ben)(ben)歸入(ru)檢驗(yan)集，剩余的歸入(ru)訓練(lian)(lian)集。最(zui)終確定47組(zu)用于訓練(lian)(lian)，35組(zu)用于檢驗(yan)。聚類(lei)分(fen)析，保證了所取(qu)的訓練(lian)(lian)樣本(ben)(ben)分(fen)布均勻且能(neng)覆蓋原始(shi)樣本(ben)(ben)提供的結(jie)構信息，彌(mi)補(bu)了原始(shi)數據量較少的不足。

對訓(xun)練集(ji)與(yu)檢驗集(ji)數(shu)(shu)據做預(yu)處理(li)，筆者在此提(ti)出三點(dian)規范：①保持原始(shi)(shi)樣本(ben)(ben)統計(ji) 規律(lv) ，數(shu)(shu)據拓撲結(jie)構。②絕(jue)大(da)部分網絡(luo)期望輸出要在輸出層激活函(han)數(shu)(shu)的(de)敏(min)(min)感(gan)(gan)區(qu)內，避免進入不應區(qu)。對logsig函(han)數(shu)(shu)而言，敏(min)(min)感(gan)(gan)區(qu)為[0.15,0.85]。③網絡(luo)輸出逆變(bian)換不能放(fang)大(da)誤差。本(ben)(ben)研究對原始(shi)(shi)數(shu)(shu)據作如下(xia)預(yu)處理(li),式中x表(biao)是原始(shi)(shi)值, xmin與(yu)xmax分別表(biao)示(shi)原始(shi)(shi)值中的(de)最(zui)小值與(yu)最(zui)大(da)值,xnorm表(biao)示(shi)訓(xun)練輸入值：

1.3　建模試(shi)驗要點(dian)

1.3.1　由(you)于訓練、檢驗(yan)(yan)樣本自身(shen)含有噪(zao)聲，其大小未知，故建(jian)模(mo)應以預報(bao)準(zhun)確(que)(que)(que)度(du)(du)作為(wei)首要目標(biao),精(jing)(jing)度(du)(du)作為(wei)次(ci)要目標(biao)。這里(li)引入①檢驗(yan)(yan)誤差(cha)E：檢驗(yan)(yan)樣本網絡輸出值允許誤差(cha)的(de)(de)(de)上(shang)限;②準(zhun)確(que)(que)(que)度(du)(du)：不大于E的(de)(de)(de)檢驗(yan)(yan)合格率。用訓練總(zong)平(ping)方誤差(cha)G衡量模(mo)型(xing)精(jing)(jing)度(du)(du)，精(jing)(jing)度(du)(du)不可(ke)過高，否則會誘導網絡記(ji)住(zhu)噪(zao)聲。如何(he)協調精(jing)(jing)度(du)(du)與準(zhun)確(que)(que)(que)度(du)(du)之間(jian)的(de)(de)(de)矛盾，找出二者(zhe)最佳組合，盡可(ke)能達到模(mo)型(xing)性(xing)能最優化(hua)是(shi)數值試驗(yan)(yan)的(de)(de)(de)重(zhong)中之重(zhong)。

1.3.2　BP網絡學習(xi)收斂速(su)度(du)及(ji)局(ju)部最小點的性能對(dui)初(chu)(chu)始(shi)化權值、偏差矩(ju)(ju)陣十分(fen)敏感，本研究(jiu)通過加(jia)大隨機初(chu)(chu)始(shi)化次數(shu)來(lai)搜(sou)索模(mo)型滿意解，對(dui)給定的網絡結構(gou)及(ji)參(can)數(shu)組合實行1000次隨機初(chu)(chu)始(shi)化權值、偏差矩(ju)(ju)陣搜(sou)索。

1.3.3　模(mo)型性能檢驗，采(cai)用四項指標[9-12]:相關(guan)系數C，均方(fang)(fang)根誤(wu)差(cha)(cha)R，標準均方(fang)(fang)根誤(wu)差(cha)(cha)N，平均相對誤(wu)差(cha)(cha)A，如下式中(zhong)x、y分別表(biao)(biao)示(shi)輸(shu)入與輸(shu)出(chu)樣本(ben)(ben)值(zhi)，下標i表(biao)(biao)示(shi)第(di)i次訓練(lian)時(shi)對應(ying)樣本(ben)(ben)值(zhi)，n表(biao)(biao)示(shi)訓練(lian)次數， 、 表(biao)(biao)示(shi)相應(ying)樣本(ben)(ben)均值(zhi)，x1i表(biao)(biao)示(shi)輸(shu)入第(di)一個變量的第(di)i個樣本(ben)(ben)值(zhi)，x2i類推：

對網絡實際輸(shu)出(chu)與期望(wang)輸(shu)出(chu)(觀測值)作指(zhi)標檢驗，可反映出(chu)模型的逼近性能。

1.3.4　模型的靈(ling)敏度檢驗[13]：目(mu)標值(zhi)在多維空間(jian)中(zhong)每一點隨各(ge)個自變(bian)量改變(bian)而改變(bian)的趨勢(shi)。靈(ling)敏度曲線(xian)平緩表明該項輸(shu)入對(dui)網(wang)絡(luo)輸(shu)出的影(ying)響過弱，靈(ling)敏度曲線(xian)出現突(tu)變(bian)或中(zhong)斷表示該項輸(shu)入對(dui)網(wang)絡(luo)輸(shu)出的影(ying)響過強，此(ci)時模型模擬(ni)性能不穩(wen)定(ding)，碰(peng)到這兩種情況，應繼續搜索或調整(zheng)輸(shu)入變(bian)量個數重新訓練。

2 模型訓練及檢驗

建模(mo)數值試驗參(can)數調整范圍(wei)設定：E:0.2～0.4;G:0.001～0.5;隱節(jie)(jie)點(dian)數H:4～14;隱含(han)層(ceng)激活函數:tansig或logsig;輸出層(ceng)激活函數:logsig;訓(xun)練最大迭代次(ci)數:1000。從(cong)72,000次(ci)搜索訓(xun)練中(zhong)篩選出最佳的一組解: 網(wang)絡 結(jie)構7-6-1(三層(ceng)神(shen)經網(wang)絡每層(ceng)節(jie)(jie)點(dian)數), E=0.3, G=0.15,H=6,隱含(han)層(ceng)函數:tansig。模(mo)型訓(xun)練經過(guo)18次(ci)迭代達到穩定，訓(xun)練總(zong)平(ping)方誤差0.13,圖(tu)2為(wei)誤差下降曲線;模(mo)型模(mo)擬及檢驗(預(yu)報)結(jie)果見圖(tu)3。

圖2 誤差下降曲(qu)線

Fig 2. The Error Curve of Training

模型性能指標值見表1。

表1 模型性(xing)能指標

Tab 1 The Values of Model Performance Testing

從 學習 樣(yang)(yang)本集(ji)檢驗合格(ge)的樣(yang)(yang)本中任取一組(zu)樣(yang)(yang)本,對應輸(shu)入矢(shi)量X1…X7分(fen)別為:{14.3,273,292,33,5479,3394,44},考察網絡輸(shu)出隨單(dan)項輸(shu)入變化而改變的趨勢，靈敏度曲線見圖4

圖3 出水COD原始值與(yu)模擬/預報結果

Fig.3. Observed and Simulated/Predicted Results of Effluent COD

圖(tu)4 模型靈敏度(du)曲(qu)線

Fig 4. The Sentivity Curves of Model

3 　討論

3.1　學(xue)(xue)習樣(yang)本的(de)質量對模(mo)(mo)型(xing)(xing)預(yu)報精(jing)度(du)(du)(du)及(ji)準(zhun)(zhun)(zhun)確(que)(que)度(du)(du)(du) 影響 極大。學(xue)(xue)習樣(yang)本自身的(de)噪聲干(gan)擾降低了模(mo)(mo)型(xing)(xing)的(de)預(yu)報精(jing)度(du)(du)(du)及(ji)準(zhun)(zhun)(zhun)確(que)(que)度(du)(du)(du)。盡管通(tong)過主(zhu)成(cheng)分(fen) 分(fen)析 與(yu)(yu)聚(ju)類分(fen)析有效挖(wa)掘了樣(yang)本信息，噪聲干(gan)擾與(yu)(yu)訓(xun)練(lian)樣(yang)本規(gui)模(mo)(mo)較(jiao)小(xiao)是模(mo)(mo)型(xing)(xing)訓(xun)練(lian)準(zhun)(zhun)(zhun)確(que)(que)度(du)(du)(du)與(yu)(yu)精(jing)度(du)(du)(du)進(jin)一(yi)步提(ti)高的(de)主(zhu)要障礙。

3.2　模型性能檢驗(yan)基本(ben)合(he)格，檢驗(yan)集對(dui)應的(de)(de)(de)平均相對(dui)誤(wu)差<0.25，相關(guan)系數(shu)(shu)接近(jin)0.75,標準(zhun)均方(fang)根(gen)誤(wu)差0.26,通過圖3可看出，模型在(zai)預報區能對(dui)出水COD峰值作出正確(que)響應，表明網絡在(zai)訓(xun)練中捕捉到(dao)了(le)氧化(hua)溝系統參數(shu)(shu)間關(guan)系的(de)(de)(de)本(ben)質。在(zai)E≤0.3的(de)(de)(de)前提下，預報準(zhun)確(que)率(lv)達(da)到(dao)82.9%，在(zai)E≤0.35的(de)(de)(de)前提下，預報準(zhun)確(que)率(lv)達(da)到(dao)88.6%，綜合(he)相關(guan)系數(shu)(shu)0.87,綜合(he)標準(zhun)均方(fang)根(gen)誤(wu)差0.19,建(jian)成(cheng)的(de)(de)(de)模型可行。

3.3　數值(zhi)試驗(yan)(yan)中，提高精度(du)，準(zhun)(zhun)確(que)(que)度(du)下降;降低精度(du)，準(zhun)(zhun)確(que)(que)度(du)上升。對(dui)含較大(da)噪聲的(de)樣(yang)本訓(xun)練而言，適當降低精度(du)，把檢驗(yan)(yan)重(zhong)點放在準(zhun)(zhun)確(que)(que)度(du)上是可取的(de)。

3.4 從(cong)靈(ling)敏(min)(min)度曲線分析可見，出水(shui)(shui)COD對(dui)7項輸(shu)入(ru)參數(shu)的靈(ling)敏(min)(min)度均較(jiao)高，靈(ling)敏(min)(min)度曲線光滑，并且能(neng)定量反映出給定水(shui)(shui)質條件下出水(shui)(shui)COD與單項輸(shu)入(ru)參數(shu)的相關性(xing)及單項參數(shu)對(dui)出水(shui)(shui)COD的最佳(jia)控(kong)制點。

4 結論

1 以漯(luo)河市(shi)污水凈化(hua)中心氧(yang)化(hua)溝系統(tong)為考察對(dui)象，采用人工神經網絡(luo) 方法 對(dui)其進行模(mo)(mo)擬(ni)分析，建立(li)了氧(yang)化(hua)溝系統(tong)出水COD預(yu)報模(mo)(mo)型(以下簡稱(cheng)預(yu)報模(mo)(mo)型)。

 2 建(jian)立的(de)預報(bao)模型，在E ≤0.3的(de)前提(ti)下，預報(bao)準確率(lv)達到(dao)82.9%，在E≤0.35的(de)前提(ti)下，預報(bao)準確率(lv)達到(dao)88.6%，綜合(he)相關系(xi)數0.87,綜合(he)標準均方(fang)根(gen)誤(wu)差0.19。

3 建立的預(yu)報模型，出(chu)水(shui)COD對7項輸(shu)入參(can)數(shu)的靈敏度均較(jiao)高，靈敏度曲(qu)線(xian)光滑，并且能(neng)定量(liang)反(fan)映出(chu)給定水(shui)質條件(jian)下出(chu)水(shui)COD與(yu)單項輸(shu)入參(can)數(shu)的相關性及單項參(can)數(shu)對出(chu)水(shui)COD的最(zui)佳(jia)控(kong)制(zhi)點，為(wei)建立水(shui)質參(can)數(shu)的反(fan)饋(kui)控(kong)制(zhi)模型，將(jiang)預(yu)報與(yu)反(fan)饋(kui)控(kong)制(zhi)相結合(he)，實現(xian)氧(yang)化溝系統(tong)在線(xian)智(zhi)能(neng)控(kong)制(zhi)奠定了基礎。

參考 文獻 ：

1 靳(jin)蕃. 神經 計算 智能(neng)基礎原(yuan)理、方法[M]. 成都: 西南 交(jiao)通 大學出(chu)出(chu)版社,2000.

2 田禹,王寶貞(zhen),周定.人(ren)工神(shen)經網絡(luo)對水處理系統建模(mo)適(shi)應性 研究 [J]. 環境 科學(xue) 學(xue)報,1999，19(1):33-36.

3 郭勁松,龍騰銳,高旭等. 間歇曝(pu)氣活(huo)性污泥系統神(shen)經網絡水(shui)質模(mo)型[J]. 中國 給水(shui)排水(shui),2000,16(11):15-18.

4 楊建(jian)剛. 人工(gong)神經網(wang)絡(luo)實用(yong)教程[M]. 杭州: 浙江大(da)學出版社,2001.

5 聞新,周露,王丹(dan)力等. MATLAB神經網絡 應用 設計[M]. 北(bei)京: 科學出版社,2000.

6 張愛茜,韓朔(shuo)睽, 沈洲等(deng). 運(yun)用回歸(gui)分析與人工神經網絡預測含硫芳香族化合物好氧生物降解速率常數[J].環境科學,1998,

19(1):37-40.

7 朱東海(hai),張(zhang)土(tu)喬,任愛珠等. BP神經網絡(luo)用于給(gei)(gei)水(shui)(shui)管網模(mo)擬試(shi)驗時的構造參(can)數設計[J]. 給(gei)(gei)水(shui)(shui)排水(shui)(shui),2001,27(2):10-13.

8 蘇金(jin)明,阮沈勇. MATLAB6.1實用(yong)指南(上冊)[M]. 北京: 電子 工業 出版社,2002.

9 Sang H S, Sea C O, Byung W J, etc. Prediction of Ozone Formation Based on Neural Network[J].J. Envir. Engrg.,ASCE,2000, 8:688-696.

10 . Cameron M Z, Donald H B,, Slobodan P S. Short term streamflow forecasting using artificial neural networks[J]. J.Hydro, 1999,214(1):32-48.

11 .Catherine F.B, Pierre L.C..Neural Network Modeling of Organics Removal by Activated Carbon Cloths[J].J.Envir.Engrg,2001,(10):889-894.

12 . Tay J.H, Zhang Xie-yue. Neural Fuzzy Modelling of Anaerobic Biological Wastewater Treatment Systems[J].J. Envir. Engrg.,ASCE,1999,12:1149-1159.

13 .陳念貽,欽佩,陳瑞亮(liang)等. 模式識別方法在化學(xue)化工中(zhong)的應用[M].北京(jing):科學(xue)出版社.2000.

  使用微信“掃一掃”功能添加“谷騰環保網”

相關文章