为了充分利用实验数据,提高预测模型精度,对数据作以下处理:将单小时(每日7点、9点、11点等)采集的数据和双小时(每日8点、10点、12点等)采集的数据分开,分别作为100组训练数据和100组测试数据。选取日光房实验数据中的100组单小时...[继续阅读]

    遗传算法(GeneticAlgorithms,简称GA)是模拟生物在自然环境中的物种进化和自然遗传机制而形成的一种自适应全局优化概率搜索算法。它最早由美国Michigan大学的J.H.Holland教授等在1975年提出[125]。20世纪70年代DeJong基于遗传算法的思想在计...[继续阅读]

    1985年,Powell提出了多变量插值的径向基函数(Radial-BasisFunction,RBF)方法,1988年Broomhead和Lowe首先将RBF应用于神经网络设计,构成了径向基函数神经网络,对径向基函数和多层神经网络进行对比,揭示了两者的关系。Moody和Darken在1989年提出了一...[继续阅读]

    遗传算法中需要选择的运行参数主要有个体编码串长度、群体大小、交叉概率、变异概率、终止代数等。这些参数对遗传算法的运行性能影响较大,须认真选取。5.2.4.1码串长度使用二进制编码来表示个体时,编码串长度的选取与问题...[继续阅读]

    要确切、快速地对水华产生的状态进行评价,必须选择正确的评价指标。与水华发生有密切关系的指标很多,主要分为物理、化学和生物学指标。物理指标中最为常用的是透明度。透明度的测定非常简便易行,因此,在富营养化评价中...[继续阅读]

    根据第四章的分析,选取曝气池中DO和QW为控制变量,以曝气池中底物浓度S和微生物浓度X为状态变量,以运行费用(即能耗)之和Jc为性能指标,状态变量Z表示每日出水中排出的有机物总量随时间的变化,在满足出水水质要求的前提下,求污水...[继续阅读]

    优胜劣汰是设计遗传算法的基本思想,它在选择、交叉、变异等遗传算子中得以体现,选择、交叉和变异是遗传算法的三个基本的操作。选择操作有助于提高种群的平均适应度;交叉操作有助于产生优良个体;变异操作有助于增加种群的...[继续阅读]

    5.4.2.1神经网络建模实现建立RBF神经网络结构,确定模型的控制变量、状态变量、性能指标和约束条件,以及它们之间的相互关系。可以通过“选择样本数据”选择不同情况下所需的样本数据,通过“选择测试数据”选择不同的数据对网...[继续阅读]

    水华评价的预测方法主要通过水体富营养化的程度来界定。通过对具有水体富营养化代表性指标的详细调查,判断该湖泊的营养状态,了解其富营养化进程及预测其发展趋势,为水体水质管理及富营养化防治提供科学依据。当前世界各...[继续阅读]

    由上面对软测量二次变量和主导变量的分析,决定了采用的神经网络结构是多输入和单输出的。由于单隐层的前馈网络可以映射所有的连续函数,并且污水处理过程是时间的连续函数,所以设计单隐层结构,这样不仅计算量较少,而且网络...[继续阅读]