隨著治水提質工作計劃的開展,國內許多城市明確提出現(xiàn)有污水處理廠出水標準需達到一級A及以上,總氮是其中主要考核指標之一。由于總氮未列出國家減排指標內,大多數(shù)污水處理廠均存在過曝現(xiàn)象,從而導致總氮無法達標。因此,建立一種對污水處理出水總氮的預測方法,可以幫助污水處理廠的運行人員有效的提高運營水平。根據(jù)國內外研究可知,早期的預測方法多為白箱模型,即利用活性污泥模型及一些商業(yè)軟件對出水水質進行預測。隨著計算機技術的發(fā)展,數(shù)據(jù)挖掘方法逐漸成熟,其中神經網(wǎng)絡算法備受學者青睞,誤差反向傳播神經網(wǎng)絡、徑向基神經網(wǎng)絡以及深度學習網(wǎng)絡陸續(xù)被應用于出水水質預測領域。針對現(xiàn)有研究的不足之處,本文結合深度神經網(wǎng)絡對出水水質進行研究:(1)采用準確的進出水數(shù)據(jù)作為訓練集和測試集,建立誤差反向傳播神經網(wǎng)絡模型,用來對出水總氮進行預測,結果表明進水加上部分出水指標的預測精度高于只用進水作為輸入值得預測效果。(2)為減少運算量,采用主成分分析方法對數(shù)據(jù)進行降維處理,結果表明進水p H、水量對主成分的貢獻率很低,可在誤差反向傳播神經網(wǎng)絡預測出水總氮時可以被忽略,不會影響預測精度。為解決傳統(tǒng)誤差反向傳播神經網(wǎng)絡易陷入局部極...

【文章頁數(shù)】：61 頁

【學位級別】：碩士

【文章目錄】：
摘要
ABSTRACT
第1章 緒論
    1.1 項目概況
    1.2 研究背景與意義
    1.3 國內外研究現(xiàn)狀
    1.4 研究內容
第2章 研究材料和方法
    2.1 數(shù)據(jù)來源
        2.1.1 深圳某污水廠簡介
        2.1.2 進出水數(shù)據(jù)分析
    2.2 軟件平臺和硬件配置
    2.3 本章小結
第3章 基于BP神經網(wǎng)絡的出水總氮預測
    3.1 前言
    3.2 BP網(wǎng)絡預測結果
        3.2.1 BP模型結構
        3.2.2 BP模型預測結果
    3.3 PCA對輸入數(shù)據(jù)降維優(yōu)化
        3.3.1 PCA的基本概念
        3.3.2 PCA-B-BP模型預測結果
    3.4 GA-BP神經網(wǎng)絡預測出水總氮
        3.4.1 遺傳算法的基本原理
        3.4.2 GA-BP模型預測結果
    3.5 PSO-BP神經網(wǎng)絡預測出水總氮
        3.5.1 粒子群算法的基本原理
        3.5.2 PSO-BP模型預測結果
    3.6 本章小結
第4章 基于深度神經網(wǎng)絡的出水總氮預測
    4.1 前言
    4.2 DBN網(wǎng)絡預測結果
        4.2.1 CRBM模型結構
        4.2.2 CDBN模型結構
        4.2.3 CDBN模型預測結果
    4.3 LSTM網(wǎng)絡預測
        4.3.1 LSTM模型結構
        4.3.2 LSTM模型預測結果
    4.4 本章小結
結論
參考文獻
附錄
致謝
個人簡歷



本文編號：3852861