GA-BP算法優(yōu)化及其在污水參數(shù)軟測量中的應用研究.pdf

1、污水處理過程受到進水水質、水量、運行調控等諸多因素影響，具有非線性、時變、大滯后等特點，難以建立精確的數(shù)學模型。是一類典型的復雜工業(yè)過程。并且部分關鍵水質參數(shù)無法在線監(jiān)測，使得污水水質監(jiān)測技術已成為污水處理行業(yè)的一個亟待解決的問題。人工神經網絡由于具有優(yōu)良的非線性逼近特性、并行式分布結構、較好的容錯性以及自適應學習和歸納能力，特別適用于需要同時考慮許多因素和條件，不精確的、模糊的信息處理。為此，本論文研究了基于神經計算學的污水參數(shù)軟測量

2、方法。
　　論文的主要研究內容及方法包括：①首先分析神經網絡和遺傳算法各自的特點；②論文在分析了幾種常見軟測量建模方法的基礎上，提出一種新的軟測量方法—基于 GA-BP神經網絡的污水參數(shù)軟測量模型；③建立基于改進 AGA的BP神經網絡模型。針對神經網絡在實際應用中存在的收斂速度慢，網絡極易陷入局部極值點，初始權值和閾值的選擇缺乏依據(jù)，具有很大的隨機性，很難選取出具有全局性的初始點的缺點進行了基于改進的自適應遺傳算法的神經網絡軟測量

3、建模研究，由遺傳算法優(yōu)化確定BP神經網絡的初始權閾值，確定一個較好的搜索空間，代替一般初始權閾值的隨機選取，然后在這個解空間里對網絡進行訓練、學習至收斂，搜索出最優(yōu)解或者近似最優(yōu)解；④以某污水處理廠的實測數(shù)據(jù)為訓練樣本，對污水處理過程控制參數(shù)及水質參數(shù)進行了分析，將該模型應用到曝氣池SVI軟測量模型中，針對污水處理過程中不能在線測量的重要參數(shù)曝氣池 SVI進行測量，并將獲得的測量結果與BP網絡、GA-BP網絡等測量結果進行比較。