本文關鍵詞：相關向量機核函數(shù)研究及其在污水系統(tǒng)中的應用

  更多相關文章： 污水處理 軟測量 相關向量機 核函數(shù) 自優(yōu)化 快速似然算法

【摘要】：污水系統(tǒng)復雜,具有參數(shù)時變,多變量耦合、強非線性,嚴重滯后等特點,采用傳統(tǒng)的測量方法難以滿足精確性、環(huán)保、經(jīng)濟測量等要求,導致污水處理質(zhì)量難以得到保障,且投入成本偏高,因此建立測量精度高且經(jīng)濟環(huán)保的污水軟測量模型,對污水處理具有重要的意義。軟測量技術是一種新型智能檢測技術,本文以污水處理為應用背景,結合相關向量機軟測量建模的優(yōu)勢,以及對不同核函數(shù)性能的分析,提出了基于多屬性高斯核函數(shù)的相關向量機軟測量模型,并將其成功的用于污水系統(tǒng)出水參數(shù)的預測。本文主要研究如下:1.研究了相關向量機的原理,并在EM(Expectation Maximization)迭代估計的基礎上對相關向量機算法的收斂性進行分析。針對相關向量機污水軟測量模型的預測效果受核函數(shù)影響的問題,本文重點研究了核函數(shù)的性能和參數(shù)的學習,發(fā)現(xiàn)多屬性高斯核的特點和良好性能適合作為污水軟測量模型的核函數(shù)。2.考慮到相關向量機的建模優(yōu)勢,以及多屬性高斯核的特點和良好性能,提出了一種基于多屬性高斯核函數(shù)相關向量機的軟測量模型來預測污水參數(shù)生物需氧量BOD、化學需氧量COD。針對多屬性高斯核的學習問題,采用遺傳算法來優(yōu)化核參數(shù),實驗表明該模型能較好的實現(xiàn)BOD預測,但COD預測還有待改善。針對遺傳算法在COD預測上難以獲得合適的核參數(shù)的問題,采用梯度下降法來學習核參數(shù),實驗表明,該模型在COD的預測效果上較基于遺傳算法的多屬性高斯核函數(shù)相關向量機有所改善,并且模型具有較低的敏感性,魯棒性較強。3.為了進一步提高污水重要參數(shù)的預測精度,本文提出基于自優(yōu)化的多屬性高斯核相關向量機污水軟測量模型。針對多屬性核參數(shù)的學習問題,提出自優(yōu)化學習方法,并給出具體實現(xiàn)步驟,通過實驗表明,該模型不僅敏感度低,魯棒性好,而且在保證模型稀疏性和收斂性的同時獲得較高的輸出精度,對污水出水參數(shù)具有良好的預測效果。4.離線模型在長時間后難以保證對后序的工況點的預測效果,在一些工況點處表現(xiàn)出較差的適應性,針對這一問題,本文提出多屬性高斯核快速相關向量機在線軟測量模型。該模型采用基于貝葉斯框架的相關向量機來在線預測輸出指標,并引入快速邊際似然算法來加快模型的更新速度。實驗表明這種模型不僅能有效跟蹤出水指標BOD、COD的變化,而且模型更新速度較快,能較好實現(xiàn)污水處理中出水水質(zhì)的在線實時測量。
【關鍵詞】：污水處理 軟測量 相關向量機 核函數(shù) 自優(yōu)化 快速似然算法
【學位授予單位】：華南理工大學
【學位級別】：碩士
【學位授予年份】：2016
【分類號】：X703;TP18
【目錄】：

• 摘要5-6
• ABSTRACT6-11
• 第一章 緒論11-19
• 1.1 課題研究背景及意義11-12
• 1.2 軟測量技術簡介12-14
• 1.2.1 軟測量技術發(fā)展12
• 1.2.2 軟測量技術建模原理12
• 1.2.3 軟測量建模方法12-14
• 1.3 污水處理的重要參數(shù)14-16
• 1.4 軟測量技術在污水預測處理中的研究與應用16-17
• 1.5 本文工作與安排17-19
• 第二章 RVM建模及其核函數(shù)的研究19-35
• 2.1 相關向量機理論19-20
• 2.1.1 稀疏貝葉斯學習19
• 2.1.2 相關向量機的發(fā)展19-20
• 2.2 RVM回歸模型20-24
• 2.3 RVM分類模型24-25
• 2.4 RVM收斂性分析25-29
• 2.4.1 EM迭代算法原理25-26
• 2.4.2 EM算法收斂性證明26-27
• 2.4.3 基于EM算法的RVM收斂性分析27-29
• 2.5 RVM中核函數(shù)的研究29-34
• 2.5.1 核函數(shù)分類及其性質(zhì)29-33
• 2.5.2 核函數(shù)確定及其參數(shù)的學習33-34
• 2.6 基于RVM的污水軟測量模型中的核函數(shù)確定和核參數(shù)學習34
• 2.7 本章總結34-35
• 第三章 基于遺傳算法的MAG-RVM的污水軟測量模型35-44
• 3.1 MAG-RVM模型35-36
• 3.1.1 MAG-RVM原理35-36
• 3.1.2 MAG-RVM模型建模步驟36
• 3.2 MAG-RVM核參數(shù)的遺傳尋優(yōu)36-38
• 3.2.1 遺傳優(yōu)化算法理論37
• 3.2.2 遺傳優(yōu)化算法的實現(xiàn)37-38
• 3.2.3 MAG-RVM核參數(shù)遺傳優(yōu)化步驟38
• 3.3 基于遺傳算法的MAG-RVM軟測量建模38-39
• 3.4 基于遺傳算法的MAG-RVM污水仿真實驗39-43
• 3.4.1 實驗輔助變量39-40
• 3.4.2 污水仿真實驗40-43
• 3.5 本章小結43-44
• 第四章 基于梯度的MAG-RVM污水軟測量模型44-52
• 4.1 梯度下降法44-45
• 4.2 基于梯度的MAG-RVM建模步驟45-46
• 4.3 算法性能測試46-49
• 4.3.1 二維標準函數(shù)實驗46-47
• 4.3.2 對模型參數(shù)的敏感性分析47-49
• 4.4 污水仿真實驗49-50
• 4.5 本章小結50-52
• 第五章 基于自優(yōu)化的MAG-RVM污水軟測量模型52-62
• 5.1 MAG-RVM核參數(shù)自優(yōu)化學習方法52-54
• 5.2 基于自優(yōu)化的MAG-RVM建模步驟54-55
• 5.3 性能測試仿真實驗和結果分析55-57
• 5.4 污水仿真實驗57-59
• 5.5 收斂性和稀疏性分析59-61
• 5.5.1 模型收斂性分析59-60
• 5.5.2 模型的稀疏性分析60-61
• 5.6 本章小結61-62
• 第六章 基于MAG-FASTRVM的在線污水軟測量模型62-75
• 6.1 MAG-FASTRVM模型62-66
• 6.1.1 基于MAG核的貝葉斯矩陣62-63
• 6.1.2 快速邊際似然算法63-65
• 6.1.3 MAG-FASTRVM模型的建模步驟65-66
• 6.2 基于MAG-FASTRVM的在線軟測量模型66-67
• 6.2.1 軟測量模型在線校正66
• 6.2.2 滾動時間窗66
• 6.2.3 MAG-FASTRVM的在線建模步驟66-67
• 6.3 仿真實驗與結果分析67-73
• 6.3.1 實驗輔助變量67-68
• 6.3.2 MAG-FASTRVM的污水離線實驗68-71
• 6.3.3 MAG-FASTRVM污水在線仿真實驗71-73
• 6.4 本章小結73-75
• 總結與展望75-77
• 參考文獻77-82
• 攻讀碩士學位期間取得的研究成果82-83
• 致謝83-84
• 附件84

【相似文獻】

中國重要會議論文全文數(shù)據(jù)庫 前3條

1 齊志泉;田英杰;徐志潔;;支持向量機中的核參數(shù)選擇問題[A];第16屆中國過程控制學術年會暨第4屆全國故障診斷與安全性學術會議論文集[C];2005年

2 劉濱;張本愛;葉濤;;核參數(shù)敏感度的Monte Carlo研究[A];中國工程物理研究院科技年報（2005）[C];2005年

3 宋紅州;張本愛;孫偉力;;SC32,SC64多群核參數(shù)的研制與檢驗[A];中國工程物理研究院科技年報（2005）[C];2005年

中國碩士學位論文全文數(shù)據(jù)庫 前6條

1 劉莉;相關向量機核函數(shù)研究及其在污水系統(tǒng)中的應用[D];華南理工大學;2016年

2 薛冰;Kernel PCA中核參數(shù)優(yōu)化及應用[D];西安工業(yè)大學;2011年

3 楊海;SVM核參數(shù)優(yōu)化研究與應用[D];浙江大學;2014年

4 宋永東;支持向量機參數(shù)選擇的研究[D];華中師范大學;2013年

5 邱瀟鈺;核函數(shù)的參數(shù)選擇[D];山東師范大學;2008年

6 孫運蓮;基于分塊和核參數(shù)選擇的KPCA研究[D];哈爾濱工業(yè)大學;2010年

，

本文編號：658569