《参考文献.docx》由会员分享，可在线阅读，更多相关《参考文献.docx（8页珍藏版）》请在三一办公上搜索。
1、生化需氧量(BioChemiCalOxygenDemand,Be)D)反映了污水的污染程度，是保证污水系统正常运行，衡量水质是否合格的核心参数。传统测量方法检测时间久无法保证工程实时调控的需要，相比于常规方法，智能化预测在水质参数检测方面实用性更强。但是，目前污水参数预测的方法大部分基于单一神经网络，随着待处理问题复杂度的增加，往往效果欠佳，为污水参数的有效检测带来了挑战。因此本文以无法直接得到的关键污水参数出水BOD为研究对象，借鉴“分而治之”思想，提出了基于模块化神经网络的预测方法，对出水实时BoD准确测量。具体研究工作如下：模块化神经网络任务分区设计。将样数据本分区处理是“分而治之”的前
2、提，样本空间的合理划分依赖于性能好的聚类算法。针对传统密度峰值聚类对数据的局部结构识别不灵敏，当面对密度分布不均的数据无法准确聚类的问题，提出基于改进K近邻密度峰值聚类算法，通过对局部密度的定义进行替换，并加入信息燧优化距离公式，改善了因数据的局部结构不敏感所带来的误差。实验表明本文提出的算法较经典密度峰值聚类精确率提高了8.5%,体现出了算法有效性。模块化神经网络子网络层自组织设计。针对传统RBF网络动态性不高，隐含层神经元结构确定困难的问题,本文通过结合神经元的自身特性对RBF子网络进行改进，实现神经元的自组织动态调整，在保证准确性的基础上,又得到了精简的结构。为了提高网络精度，同时通过改
3、进遗传算法对关键参数进行确定。结果表明，改进后的预测精度较原有算法RMSE指标提升近63%o基于模块化神经网络的出水BOD预测研究。在污水处理过程中，针对主要参数BOD无法实时、准确测量的问题，提出基于模块化神经网络的预测策略方案。模仿人脑的“集思广益”的思想弥补单一神经网络处理复杂问题能力不足的缺陷。同时为了保证输入数据的有效性，增加模型实时校正方案，添加反馈处理回路，对新的数据集能够闭环处理。实验结果表明，与改进的单一神经网络方法相比具有较高的预测精度和精简结构。污水处理智能可视化平台设计。针对污水厂信息化不足的实际工业需要，设计出水Be)D智能可视化平台设计，实现了出水BoD的实时精确预
4、测与污水处理系统数据的信息化监测与管控。水是人类赖以生存的基本条件，世界上大部分(约78%)的工作来源于水,目前没有可替代品。如今，中国经济蓬勃发展的同时也带来生态污染和环境破坏等问题，尤其水资源已成为世界关注的关键问题。在2020中国生态环境状况公报中指出，我国淡水资源短缺且污染严重，我国是全球水资源最贫乏的13个国家之一，人均占有量仅为世界水平的四分之一，我国有400多个城市供水不足，缺水总量达60亿，我国63.3%的湖泊富营养化，三分之一水资源不可饮用。并且我国24%的人口饮用受污染的水，60%的地下水质差，90%的城市水域污染严重，城市及主要经济带水生态恶化问题十分突出，已成为制约经济
5、社会可持续发展的瓶颈问题。当前，我国污水处理过程中存在的主要问题是能耗大，运行成本高，排放超标现象严重，南北地域水资源分布及不平衡。国家统计局显示:2020年我国污水排放量高达965亿吨,污水治理建设达到2345亿元,可以看出，针对我国污水排放严重，虽然投资额巨大但治理效果还不能满足我国水资源的需要。因此，针对我国水资源短缺和污染严重的问题，首要任务是对污染采取有效治理方式和监管措施。污水排放标准是我国目前的污水排放的准则，其中污水所含有污染物的浓度的确立也需要考虑目前我国的污水处理能力，原生环境能力和处理后污水的资源化处理利用。2019年1月，我国开始实施农村生活垃圾处理设施水污染物排放标准
6、o对农业生活污水的相关管理工作做出了明确的规定，限定了废水中污染物浓度的最高阈值。对不同规模和等级的排放水体环境设定不同的浓度限值，规模分为四个不同等级:高于500m3d50-500m3d5-50m3d和低于5m3d;排放水体的类别分为:II类、山类功能水体和其他水体两类。生化需氧量(BiOChemiCalOxygenDemand,BOD)体现了污水的污染情况,其原理是细菌等微生物把污水进行生物降解的有机物含量，数值越高说明污染程度越严重。为了使检查数据具有可靠性，通常提供在一定周期内，在特定温度下测量水样中微生物的基本数据，并确认水中氧气溶解的消耗量，多数情况下处理5天时间，称为5日有生化需
7、氧量，记为BOD5。我国在城乡污水处理厂污染物排放规范中，规范了出水BOD的国家标准:国家一级A国家标准lOmg/l、国家一级B国家标准20mgl,二类国家标准30mgl,三类国家标准规定60mgl。目前，BoD被广泛用于水体质量的监测和污水治理的管控。因而，实时准确的对出水BoD进行测量是确保污水处理系统常规运作和检验污水质量是否合格的一个关键条件。然而，由于污水处理方法的相对复杂性、生物有机物的存在以及高度的非线性，利用传统的实验技术来实时检测出水BOD很困难的。所以，为了对出水BoD进行更合理有效的预测，一些学者提出预测方法，这需要通过建模来尝试找出输入数据和待测数据之间某种内在关系。有
8、很多种方法会运用到预测建模当中，比如逻辑回归、神经网络、线性回归、最小二乘等。那么如何建立一个良好的模型来检测污水处理中的关键水质参数对污水治理有重要意义和研究价值。处理污水通常伴随着不平衡性、时变性、滞后性的一些特点，因此无疑给检测污水中的一些相关指标的工作带来了挑战，BOD做为污水处理过程中重要的评价指标，能够反应水被污染的程度以及是否达到污水排放标准。所以实时准确地预测出水BoD,不仅能够及时诊断出污水排放的情况以及管理目标，而且能够对污染系统中的组成部分进行预先控制，可以做到有效管理，这对于污水处理系统具有很大的价值。目前，水质参数的测量方式大致可分成三类:人工采样化验法，在线仪表检测
9、法，以及预测技术。但是，人工检测方法比较繁琐，从取样到检测需要较长的时间，一般需要5天的时间来检测出水BOD,严重的时滞可能会使水质再次污染，从而影响数据的精确度。与人工检测方法比较，快速检测仪器虽然可以提高检测速度和精确率，会解决因人工检测带来的误差，但其购置和维护价格非常昂贵。在应用预测技术中，人工神经网络的在城市污水参数预测中取得了明显的突破。并且其良好的预测效果在不同领域的有效应用得到了充分验证。综上，基于人工神经网络方法研究对污水处理治理过程中的参数的检测有深远影响。在预测应用领域中，大多数的建模方式还是采用是单一神经网络网。但是，在实际应用过程，系统过程的待测任务往往比较复杂，单一
10、神经网络效果通常不令人满意。这也说明选择一个综合性能强的神经网络对提高模型预的效率和准确性有关键作用。如果选择的神经网络数据处理能力薄弱，模型的准确性就无法保证;如果网络结构复杂，就会增加模型的质量，对训练效率产生影响。模块化神经网络借鉴了人脑“分而治之”的处理问题的思想原理，可以很好的拟合现实生活中的复杂难题。本文主要研究模块化神经网络，对BOD进行有效预测，对污水的处理以及环境的保护提供了模型方案，弥补了传统测量方法存在滞后性的特点,提升污水处理工作人员的工作效率，节省时间与资金的成本。BOD是测定水质污染程度的主要参数，能显示所测水域污染物的浓度，反应污水的污染程度，BOD的值越大，表明
11、水质的污染程度越深。该指标与其他指标相比，可以更加真实的反应水质的污染程度。因此对出水BOD的快速测量方法研究成为了研究热点。当前主要包括传统测量与模型预测两种方法。传统的常规检测方法也被称做直接方法，是指通过不同的策略方法测量污水中的溶解氧(DiSSolVedoXygen,DO)来确定BOD值，其中传统测量方法又称为直接测量法。其中压差法、燃料电池法、以及COO等方法是目前一些常规的通过稀释接种法检测的BOD值又叫5天生化需氧量,简称BOD$,以mg/L为单位。是在实际应用中最常见的一种测量方式。自1987年开始，我国将此方法确定为的BoD标准法。首先将水样放在充满氧气的密闭溶解瓶中，Oq和
12、分别是放入前后的氧气的浓度。并计算二者的差值，由此计算出BOD的最终值，水中微生物把有机物全部分解通常需要二十天以上的时间，在这个过程中PH值、余氯量等对测量过程等诸多因素起到了关键的作用。所以为了保证检测的准确性，在测定前要用盐酸溶液或氢氧化钠溶液调节PH值至68,应采样后放置l2h或加入适量亚硫酸钠溶液去除少量余氯。其检测装置示意图如图1.1所示，这种方法的独特优点是测量方法准确度高，原理简单清晰，但是在实际应用过程中操作相对复杂，不易重复操作，需要严格的管理方法对其进行操作，并且该方法耗时较久，为实际工程的实时调控带来了挑战。压差法”的基本原理是在5天的密闭培养瓶检测过程中，有机物的分解
13、会导致水中释放的二氧化碳被吸收，通过计算培养瓶里的压力变化量得到微生物消耗氧气的数量，由此得到BOD。经典BOD快速测定仪的原理就是利用压差法实现的。传统检测方法的主要缺陷是测量时间较长，5天到10天不等，事实上，在检测结果出来之前，超过标准值的污水早已被排出。所以，传统检测方法并不适用环境监测和实时管控的及时干预。为了克服上述检测方法的缺点，研发出了基于生物传感器等方法来实现BOD参数即时测定。生物传感器法也叫微生物电极法，其基本原理是将活的微生物作为敏感材料，将需要测量的物质含量和人体的各酶系统以及新陈代谢系统所形成的化学信息相结合。而BoD值的计算方法通过微生物和有机物的相互作用过程中消
14、使得溶解氧的含量降低，从而使得通过细菌膜的溶解氧相应地降低,通过溶解氧电极可以测量溶解氧含量的变化量。目前，对微生物电池的设计已成为快速检测BOD的热门方法。BoD微生物传感器结构示意图1.2所示。QianZhengrong等人的研究中表明，通过添加金属化学螯合剂EDTA或DDTC等可以使多种重金属电离生成金属液晶聚合物，进而降低了多种重金属电离对检测设备的危害。由于BoD微生物传感器的反应时间比较短，如果样本中存在大量难以生物降解的有机物将严重影响测量，因此建议要把难以快速生物降解的有机物进行分析，然后再加以微生物降解。使用AWW为标准溶液，以自来水为空白溶剂进行标定，有效减少了因磷酸缓冲液
15、所引起的二次污染，可进行对太湖水样BoD的快速测定。标准溶液的选择通常与测定方法以及污染物的种类直接相关，因此选择合适的标准溶液将有助于提升传感器测量的精度。Merlin等人Z将定位有各种细菌的BoD传感器构成阵列，使用所选细菌对某些化学物质的分解性，使用PLS(PartialIeaStSqUareS)的回归方式进行数据分析，从而完成了对具有各种难以分解有机物OECD污染物的BoD检测。微生物传感器法速度更快，操作方法也更简单，既减少了细菌膜培养时间，也提高了产品的测试准确度，微生物传感器法虽然精度高、速度快，但缺点是相应的仪器昂贵贵，在设备购买和后期维护会耗费很大的成本，为实际应用带来很大经
16、济压力。近些年来，过长的生化反应和环境的变化限制了对BOD快速方法研究。然而，用传感器设备和在线产品质量分析仪等测量方法通常需要高昂的成本，并且在人工后期维护上频繁且昂贵。为了解决以上缺点，国内外学者针对污水处理工艺的特性和水质参数的研究，产生了预测方法，通过利用所易检测的过程标量实现对难以测量的变量的估计。目前，常用的建模方式有回归分析法,状态估计法，机理分析法和人工神经网络等方法，其中，通过实践证明人工神经网络在预测方面已经运用到了多个领域并且取得了不错的效果“5-。赵颖慧教授设计出了微孔曝气氧化槽工艺，这将使污水处理系统效能得以显著提高，从而达到了节能降耗,7jo以BSM为基准，由俞方罡
17、叫对硝态氮的浓度进行预测，经过仿真实验后证明，支持向量机在面对数据处理不完全的问题上有着较好的优越性，并且随着数据量的增加支持向量机对ELM的预测效果很非常好。然而，当下人们对处理污水机理的认知还不是很全面I，这些通过机理分析方法实现模型的方式通常无法提高建模精确度。由于污水处理过程机制非常复杂，并且存在着不确定性、非线性、低动态范围等特征，因此单纯依据机理的污水处理流程运行，指标模型并无法提高精确度和安全性。通过上述考虑，学者们通过神经网络开始预测污水的一些相关参数3-22)。XieP引基于RBF并使用参数线性集员的辨识方法修整网络，验证了RBF的可行性。Han等124用一种改进的粒子群算法
18、对RBF神经网络结构和网络参数进行同步优化,构建了基于自组织RBF神经网络的出水TP软测量模型，粒子群算法的引入却增加了时间复杂度，实际应用中会降低建模效率。RadUlyI25】等通过前馈神经网络预测BOD值，实验精度还有待提升。任忠铭等画设计了一种递归RBF用于建立检测算法，通过一种基于引力搜索算法(GSA)将与出水BOD有相关性的输入变量作为子集用来作为网络的输入，对出水BoD进行建模。王树东等口使用改进的遗传算法RBF进行优化，提升了预测精度，但降低了建模效率，付出了一定的时间成本。从上述案例研究可看出，基于神经网络的预测技术具有自身的优越性，并具有开发成本低廉,构建速度快的优势。从上述
19、案例研究可看出，基于神经网络的预测技术具有自身的优越性，并具有开发成本低廉，构建速度快的优势。上述的神经网络均属于单一的神经网络，模型的精度受网络结构影响，当面对复杂多变、具有较高的非线性等的数据时，其预测的精度与稳定性得不到保证。并且相当多一部分的神经网络都具有固定的结构，确定神经元数量就无法更改，不能动态的随着外界变化而进行调整，降低了模型的泛化性能，影响模型的预测准确度。模块化神经网络可以很好地解决上述问题，通过使用“分而治之”的思想，对任务样本空间进行模块化，并且可以动态调整各个子网络的网络结构。总结以上的分析可以得出目前出水BOD测量技术目前的问题和挑战总结如下：(1)污水处理过程反
20、应较多、非常复杂，呈现大规模、不确定、多流程、强耦合、非平稳等特点，再加上出水水质不稳定、运行工况不平稳、能耗药耗高等共性问题，就导致对关键参数的检测是一直是该领域的难题和挑战。(2)人工传统检测方法在实际应用中存在较多不便，如不易重复操作、外界干扰较多、实际测量复杂、耗时长、延迟严重等。一般需要5天才能得到结果，远滞后于污水排放过程，不能用于对污水处理过程的实时闭环控制，易造成二次污染。(3)快速检测方法虽然能够对BoD做到快速准确测量，但是设备购买与维护成本较高，多数污水厂无法配置足够数量的在线检测仪。(4)采用单一神经网络所建立的非线性系统模型往往只是系统的一种近似模型，效果很不理想。并
21、且当单一神经网络面对复杂、大数据量问题时，随着网络结构复杂度的增大，隐层节点间连接的强耦合会引起网络内部很强的干扰，使网络难以收敛于全局最小或收敛速度异常缓慢，给实际应用带来许多具体的难以克服的困难。最为重要的是，单一神经网络的学习在本质上是一次性过程，即神经网络对知识的学习一次性完成，一次学习过程结束后神经网络对新知识的继续学习会造成对已有知识的破坏，因此单一神经网络不具有类似人脑的可塑性。为了解决单一神经网络的局限性，大部分学者把人脑“分而治之”的思想引入到神经网络中来28.29,模块化神经网络(MOdUIarNeUralNetWork,MNN)将待处理的任务样本空间进行模块化自主划分处理
22、，分解成若干子任务后再分配给子网络训练，最后整合各个模块的输出，来实现对复杂问题的处理。JOrdan等在1991年首次提出了采用模块化神经网络的方法进行建模口。)，使用竞争学习对待处理的任务进行拆分，并且将拆分后的子任务分配到合适的子网络进行处理，最后通过对子网络的整合，得到最终的预测结果。与单一-的神经网络相比，模块化神经网络的训练效率、鲁棒性、以及预测效果都有很大的改进。不久之后被广泛应用到其他研究领域。自此，更对的学者投入到了对模块化神经网络研究中。由于其良好的性能，不久就被广泛地应用于分段执行近似、模式识别和图像处理，同时也正式开始了标准神经网络的分析应用。综上，虽然关于模块化神经网络
23、的研发工作已经二十年之久而且已经取得了巨大的成绩,但在实际设计或使用时仍然存在着三个方面困难:任务分解方法、子网络设计以及输出决策略。任务分解层主要是对总体数据样本进行划分，是“分而治之”的基础，针对当前所提出的方法可以粗略分为直接和间接分解。当面对的任务是由几组各自独立的子任务组成的任务时，我们可以参考该问题领域的一些经验知识将总任务进行分解，从而使复杂的任务变得由若干个相对简单的任务组成卬-32，然后针对每个简单的子任务设计相应的网络模块。Tseng网等人在处理预测飞机轨迹的问题时，基于先验经验知识，将原始任务进行拆分。因为不同型号的飞机航行轨迹有所差异，因此采用不同模块的子网络预测不同型
24、号的飞机。通过心肌梗塞患病率的高低，可以将病人划分成高患病率和低患病率两类。因此在预测病人的患病率时，可以将样本划分成两类。除此之外，面对分类问题的时候，模块化神经网络利用待处理问题的类别数让问题的样本空间进行拆分。Zhang等人网在研究机器人识别的时候引入了模块化神经网络，同时,该问题被拆分成多个子问题。现实生活中，待处理任务之间类别区分性不易于发现，不能通过专家经验对其进行拆分。所以，通过数学的方法寻找数据内部之间潜在隐蔽的关系，进而可以将任务进行拆分就显得尤为重要。目前这种形式的拆分问题的方法主要有以下两种：第一、通过经典的聚类方法将内部有紧密联系的数据进行聚合，区分开联系度较小的数据；
25、第二、通过其他算法对样本任务空间进行聚类划分。这两种方法一般经典的聚类算法使用的范围更加广泛。乔俊飞在构建模块化神经网络结构的时候使用了聚类算法，并证明了其可行性与有效性闾。ShaO的等人使用聚类算法分解样本空间，来处理二分类的问题，QiaO等人将模块化的动态自适应神经网络应用到对时变问题的研究中，该算法通过聚类的方法对工况实时数据进行在线预测，达到了对任务的分解以及分配的目标。HoOri等人网选用KQ树和近K邻算法对任务进行分解。乔俊飞等人使用K-Means聚类方法，对任务样本空间进行划分解，将分解之后的数据分配到各个子网络中错误!未找到引用源。不仅只有经典聚类会被用到任务分解，其他学习算法
26、常被广泛运用。在文献t40-41h在对BoD问题实现机理分析的时运用互信息分析方法，在现有数据指标与预测目标值之间构造某种内在联系。预测和待测值相关性最大的特征，剔除贡献度较低的特征，将筛选出来的数据作为最终的入模变量错误!未找到引用源。综上，任务分解和模块化结构构建的主要方法是聚类算法和启发式算法。常见的聚类算法依据欧式距离对数据的离散程度和紧密程度进行评估。但是基于欧式距离的性能不是完全对所有数据都适用。针对启发式算法，决定任务分解效果的重要因素是算法泛化能力和学习速率。所以，模块化神经网络研究重点仍然是如何通过任务数据样本实现模块数的确定和子任务的分解。对于模块化神经网络，每一个子模块网
27、络都对分配给自己的任务进行学习，输出决策层应该以合理、快捷的方式进行整合。对于任务分解层与子网络层的选用影响着输出层的整合方式。我们可以依据各个模块之间相互合作的模式，把输出层的整合方式分成两类：选择与组合性组合。选择性整合的基本思想是竞争输出，只有效果最好的子网络输出才有“话语权”，占据决策的主导地位。每一个子网络模块都是其领域的“专家”，对隶属于这个模块的样本进行预测，否则不发挥作用144其次是组合型整合，组合型的本质原理是“集思广益”，通俗来讲，类似于我们通常所说的专家投票。因为只有一个决策具有一定的随机性，多个模块进行决策可以提高模型预测的鲁棒性。综上所述，我们要对所有子网络模块的输出
28、进行整合才可以进行最后的输出阳1。在结构设计中，输出整合层和任务分解层是相对应的，当样本空间被分割成若干独立子任务，在子网络整合时一般通过选择性整合方式进行整合输出。当前情况下，一般可以通过比较新来样本与各个子网络的欧式距离来激活相应的模块t451O假设对总任务样本空间进行分解后，各个子任务之间的相关性依然很高，不具有独立性。那么一个新的样本可能会激活多个子网络，此时就不适合采用选择输出，而应该选择组合型的整合方式。那么对于每一个子网络的输出，我们可以通过加权求和的方式计算最后模型的预测值，此时，就将整合问题变成了权数测算的问题。可以使用模糊隶属度与距离的方法网的应用范围最广泛。本文的参考文献
29、口6通过距离测度来选择子网络。对于每一个输入样本，计算该点与神经网络对应的网络中心的距离d；选取d值最小的子网络去处理该输入样本。具体步骤是：先认为指定一个阈值，当距离小于给定阈值的时候，该子网络模块被选中，否则剔除该网络模块。本文引用的参考文献采用了遗传算法对权重进行优化，剔除那些权重比阈值小的子网络模块。相比参考文献网的方法，文献91使用的策略就显得更加简洁，然而需要根据人为经验去给定阈值，就显得不是那么科学，会把一些效果不好的子网络也选中或者剔除一些效果好的子网络，从而失去了该算法的优越性。除此之外，处理不同的任务样本空间文献网中的阈值都是固定的，从而网络的泛化性能会有所下降，不能很好的
30、处理不同情况的输入样本。因此，如何通过任务分解策略确定合理有效的整合方法也是重点研究问题之一。对出水BoD实时、准确测量有着很重要的理论创新与实研究价值，本文以难获取的关键污水参数出水BOD为研究对象，提出了一种基于模块化神经网络的预测方法，由此解决传统测量工艺时间久和单一神经网络精度差的问题。本文分为6章内容，6章内容之间的关系如图1.5所示。BoD是污水处理过程最广泛的测量指标之一，既可以对污水的水质效果进行检测监控，又可以为后续的处理过程做到有效管控，为污水治理提供了很大帮助。针对实际污水处理流程中关键出水参数出水BoD无法实时、准确检测的问题，本文提出了一种基于优化聚类的模块化神经网络
31、的的预测策略方案，借鉴人类大脑视觉系统“分而治之”处理复杂性任务的特点，把复杂任务分解成若干子任务，实现对出水BOD高精度、实时检测。本文主要从模块化神经网络设计中的数据样本分区实现、子网络自组织设计、子网络输出整合策略及其在污水处理过程中的进行深入研究，本文重点创新工作成果和结论汇总如下：本文详述了污水实际处理应用系统的工艺流程，出水BOD的工作机理，在此基础上完成了辅助变量选取与预处理，针对单一神经网络在解决复杂任务时存在学习精度低、收敛慢等缺陷，设计了一种模块化神经网络预测结构模型，通过模拟类脑式视觉神经统有处理信息的特性，分层完成对的数据信息的训练学习。在任务分解层设计中，针对密度峰值聚类因只考察数据信息的全局结构，在对分布不均衡的数据集聚类效果实现不理想的问题，提出了一种基于改进K近邻密度峰值聚类算法完成对样本空间的自主划分。引入新的局部密度计算方法，克服DPC算法因在密度不均匀效果不理想的缺陷。同时引入信息烯改善距离计算公式，通优化距离公式方法，这也解决了权重关系带来的影响，一定程度上避免了因数据的局部结构不敏感所带来的误差。实验表明本文所提出聚类算法较经典密度峰值聚类精确率最高提高8.5%,体现出了算法有效性。
