4.2.2 RBF神经网络数学建模

    (1)网络参数选择选取曝气池中溶解氧浓度(DO)和污泥排放量(QW)作为控制变量,因为在活性污泥法的好氧处理过程中,随着负荷的不断变化,要求需氧量也要随之变化。所以,需要控制系统的供氧量,以保持DO维持在略高于好氧微生物连续生......查看详细>>

标签:水环境系统智能化软测量与控制

4.3.1 神经网络样本数据的采集及处理

    神经网络是靠学习样本来确定网络中向量的权值,一个神经网络的样本包括一列输入向量与对应的一列输出向量。为了使学习后得到的网络具有好的性能,泛化能力强,所收集的数据集应该包括待求问题相应的全部模式。另外,对所收集......查看详细>>

标签:水环境系统智能化软测量与控制

4.3.2 神经网络模型仿真及测试

    本文采用MATLAB的fopen()读取样本数据,采用premnmx()对数据进行归一化处理,采用newrb()设计和训练RBF网络,采用sim进行预测仿真。4.3.2.1读取数据将所有的数据以文本文件的形式存储,利用fopen()函数打开文件,然后利用fread()或fscanf()等函数读......查看详细>>

标签:水环境系统智能化软测量与控制

4.4 本章小结

    污水处理是一个复杂的生化反应过程,其存在着非线性、时变性和不确定性,难以获得精确的机理数学模型。本章研究了污水处理过程RBF神经网络的建模方法,在分析了污水处理的相关工艺条件后,选取反应时间t、溶解氧浓度DO、BOD浓度......查看详细>>

标签:水环境系统智能化软测量与控制

5.1.1 遗传算法的发展

    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......查看详细>>

标签:水环境系统智能化软测量与控制

5.1.2 遗传算法研究的几个问题

    5.1.2.1选择算子对模式的影响Holland教授[131]提出的模式(schema)概念及模式定理(schematheorem),奠定了遗传算法的数学基础。模式定理指出了杂交和变异对染色体模式生存的影响作用,说明在遗传算法的迭代过程中,短的、低阶模式染色体的......查看详细>>

标签:水环境系统智能化软测量与控制

5.1.3 遗传算法的基本特点

    遗传算法利用生物进化和遗传的思想实现优化过程,不同于传统的搜索和优化方法,遗传算法的优点表现为以下几点。(1)自组织、自适应和自学习性(智能性)应用遗传算法求解问题时,在编码方案、适应度函数及遗传算子确定后,算法将......查看详细>>

标签:水环境系统智能化软测量与控制

5.1.4 遗传算法在控制领域中的应用

    遗传算法在自动控制领域中的应用可以粗略的概括为两类,即离线设计分析和在线自适应调节[141]。其离线应用又可以分为直接设计法和间接设计法。在直接设计法中,遗传算法可被用来作为搜索和优化引擎,例如对一个已知的被控对象......查看详细>>

标签:水环境系统智能化软测量与控制

5.2.1 参数的编码

    遗传算法不能直接处理待求问题空间的参数,必须把它们转换成遗传空间的由基因按一定结构组成的染色体,即编码。遗传算法的优化过程就是建立在编码机制基础上,通过对个体编码的选择、交叉、变异等遗传操作,不断搜索出适应度......查看详细>>

标签:水环境系统智能化软测量与控制

5.2.2 初始种群的生成

    遗传算法是对群体进行的进化操作,需要给其准备一些表示起始搜索点的初始群体数据。在研究遗传算法时,常常随机产生初始群体,这样做的好处是产生方式不依赖于问题,也就是对于任何问题,都可以采用这种方式来生成初始群体,因......查看详细>>

标签:水环境系统智能化软测量与控制