CN106405030B - 一种基于rbf神经网络的出水总磷检测装置及检测方法 - Google Patents
一种基于rbf神经网络的出水总磷检测装置及检测方法 Download PDFInfo
- Publication number
- CN106405030B CN106405030B CN201610601690.5A CN201610601690A CN106405030B CN 106405030 B CN106405030 B CN 106405030B CN 201610601690 A CN201610601690 A CN 201610601690A CN 106405030 B CN106405030 B CN 106405030B
- Authority
- CN
- China
- Prior art keywords
- total phosphorus
- module
- water outlet
- soft
- sensing model
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Active
Links
Classifications
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
- G01N33/00—Investigating or analysing materials by specific methods not covered by groups G01N1/00 - G01N31/00
- G01N33/18—Water
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
- G01N35/00—Automatic analysis not limited to methods or materials provided for in any single one of groups G01N1/00 - G01N33/00; Handling materials therefor
- G01N35/00584—Control arrangements for automatic analysers
Landscapes
- Chemical & Material Sciences (AREA)
- Health & Medical Sciences (AREA)
- Life Sciences & Earth Sciences (AREA)
- General Health & Medical Sciences (AREA)
- Analytical Chemistry (AREA)
- Biochemistry (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Immunology (AREA)
- Pathology (AREA)
- Engineering & Computer Science (AREA)
- Food Science & Technology (AREA)
- Medicinal Chemistry (AREA)
- Activated Sludge Processes (AREA)
Abstract
本发明涉及一种基于RBF神经网络的出水总磷检测装置及检测方法,包括与污水处理池通过CAN或者LIN现场总线通讯连接的控制系统,控制系统包括用户信息登记管理模块、数据实时采集模块、存储模块、数据处理模块、在线学习检测模块和工控机;数据处理模块根据出水总磷相关性变量结果值,利用软测量模型离线训练模块和仿真模块对其进行软测量模型调整和仿真模拟计算并校正,形成校正后的出水总磷软测量模型;工控机通过调用校正后的出水总磷软测量模型,对出水总磷进行在线检测,并通过曲线形式实时、动态地显示相关性变量与出水总磷的检测数值。其具有设计合理、操作简便、可视化强、性能可靠稳定、能够被广泛推广使用等优点。
Description
技术领域
本发明涉及城市污水处理水质参数检测技术领域,尤其涉及一种基于RBF神经网络的出水总磷检测装置及检测方法。
背景技术
上个世纪快速的城市化和工业化进程引发了严重的环境污染和资源短缺问题。其中淡水资源已成为全球范围内对环境与资源关注的焦点之一。立足我国国情,庞大的人口基数与飞速的工业化发展对淡水资源的需求日益增大,由此引发的淡水资源及生态环境污染问题也愈加严重,逐渐威胁到社会生活和国家的长期发展。随着国家对环境与资源管理问题的重视,污水处理已经成为污水处理及其回收利用的主要手段。近年来,我国积极建设污水处理设施,快速推动城市与工业场景的污水处理能力。中国环境保护部发布的《2014年中国环境状况公报》显示,截至2014年底,全国累计建成城市污水处理厂6031座,污水处理能力约1.8亿立方米/日,城市污水处理率达到90.2%。
长久以来,污水中总磷及其有机物和无机物含量一直是影响国内外污水处理厂出水水质的重要因素。富含磷的污水排入江河湖泊中易引起富营养化问题,造成水体动植物生长失衡,严重破坏生态环境,世界上许多国家已将出水总磷的浓度作为污水处理厂排放标准的核心指标之一。然而,目前我国有近50%的城镇污水处理厂无法达到国家要求的磷排放标准,这主要是由于出水总磷浓度无法实时获取,水厂无法对处理工艺进行及时的调整。目前,污水处理厂主要通过人工采样并结合化学实验的手段检测出水总磷浓度。化学方法虽能保证较高的检测精度,但操作繁琐、耗时(小时级),无法满足日益提高的实时性要求,且易造成二次污染。近年来逐渐兴起的在线仪表能够实现水样的自动采集与检测,在节省时间(15~30分钟)的同时避免了人工操作可能带来的偶然误差,但其仍然采用化学机理测量,且购买与维护成本十分高昂,多数大中型水厂无力承担配置足够规模的在线仪表。因此,如何准确、可靠并且低成本地测量污水处理过程中关键水质参数仍是污水处理行业面临的困难之一,研发更为先进的出水总磷检测技术迫在眉睫。
发明内容
针对现有技术中污水出水水质总磷检测工艺中存在的不足,本发明的目的在于:提供一种基于RBF神经网络的出水总磷检测装置及检测方法,其具有设计合理、操作简便、可视化强、性能可靠稳定、能够被广泛推广使用等优点。
为了达到上述目的,本发明采用如下技术方案:
一种基于RBF神经网络的出水总磷检测装置,该检测装置包括与污水处理池通过CAN或者LIN现场总线通讯连接的控制系统,其中控制系统包括用户信息登记管理模块、数据实时采集模块、存储模块、数据处理模块、在线学习检测模块和工控机;工控机分别通过数据线与用户信息登记管理模块、数据实时采集模块、存储模块、数据处理模块、在线学习检测模块相连接;数据实时采集模块与污水处理池中预设的浓度测量传感器、温度测量传感器、测量仪表数据连接,并将检测的出水总磷相关性变量的实时结果值发送至工控机中;工控机将接收到的结果值进行读取并将其存储至存储模块中;数据处理模块包括软测量模型离线训练模块和仿真模块;数据处理模块根据所述的出水总磷相关性变量结果值,利用软测量模型离线训练模块和仿真模块对其进行软测量模型调整和仿真模拟计算并校正,形成校正后的出水总磷软测量模型;工控机通过调用校正后的出水总磷软测量模型,对出水总磷进行在线检测,并通过曲线形式实时、动态地显示相关性变量与出水总磷的检测数值;软测量模型能够在线学习检测模块的运行过程中不断地对实时结果值进行学习,并对软测量模型自身的参数进行在线调整,使得软测量模型具有在线追踪出水总磷变化。
作为上述方案的进一步优化,所述的出水总磷相关性变量包括氧化还原电位ORP、溶解氧、pH、温度和总可溶性固溶物。
作为上述方案的进一步优化,所述的数据实时采集模块每隔5-15min进行数据采集。
作为上述方案的进一步优化,所述用户信息登记管理模块包括用户信息存储模块,工控机通过Mysql数据库与用户信息存储模块相连接,用于对用户信息进行存储和管理。
本发明上述一种基于RBF神经网络的出水总磷检测装置的检测方法,具体包括以下步骤:
1)用户通过用户管理模块输入用户个人登录信息,并利用Mysql数据库对用户的信息进行保存;
2)使用PLS算法,通过特征分析获取出水总磷的相关性变量,并利用RBF神经网络建立出水总磷的软测量模型;其中,工控机通过数据处理模块将数据实时采集模块检测到的结果值利用软测量模型离线训练模块和仿真模块对其进行软测量模型调整和仿真模拟计算并校正,形成校正后的出水总磷软测量模型;
3)工控机通过调用校正后的出水总磷软测量模型,对出水总磷进行在线检测,并通过曲线形式实时、动态地显示相关性变量与出水总磷的检测数值;软测量模型能够在线学习检测模块的运行过程中不断地对实时结果值进行学习,并对软测量模型自身的参数进行在线调整,使得软测量模型具有在线追踪出水总磷变化;
在上述步骤2)中,PLS算法和出水总磷的软测量模型包括如下内容:
①自变量集合为X=[x1,...,xα],因变量记作y,并将数据做标准化处理,从X,y标准化后的矩阵中分别提取主成分t及u,满足在尽可能大地携带各自数据矩阵中信息的同时,其相关程度最大,有:
其中,T(U),P(Q),E(F)分别为自变量集合X(y)的得分矩阵、负荷矩阵与残差矩阵,i=1,2,…,α,α为可供筛选的辅助变量个数,ti,pi,ui与qi分别为T,P,U与Q矩阵中的向量;
②主成分ti与ui的相关性可表示为:
ui=biti, (3)
其中,bi为两个主成分之间的相关系数,相关系数矩阵记作b=[b1,b2,…,bα]T;
③PLS算法的中止条件记为:
其中,bselect为已选取主元个数的相关系数,Rselect为设定的已选取主元的有效性,该有效性通过留一法进行确定,其中选定的数值在0.83-1.21之间,且选取的数值越大,PLS算法最终确定的主元个数越多;
④选取出水总磷相关变量后,利用RBF神经网络对出水总磷搭建软测量模型,RBF网络的输出为:
其中,wk为第k个隐含层神经元与输出的连接权值,k=1,2,…,K,K是隐含层神经元数,φk是RBF神经网络第k个隐含层神经元,φk定义如下:
x(t)=[x1,x2,…,xm]T是网络输入,x∈Rn×1,μk表示第k个隐含层神经元中心向量,
||x-μk||为x和μk间的欧氏距离,σk是第k个隐含层神经元宽度。
与现有技术中污水出水水质总磷检测系统相比,采用本发明的一种基于RBF神经网络的出水总磷检测装置及检测方法具有如下优点:
(1)本发明针对目前污水处理过程中与出水总磷相关性强的变量尚不确定的问题,基于真实污水处理厂海量运行数据,利用PLS算法作为分析工具,提取出5种影响出水总磷变化的过程变量,为出水总磷软测量检测提供了条件。
(2)将基于RBF神经网络的出水总磷软测量模型封装成为一套完整的软测量检测系统,将理论成果转化为实际可视、可操作及多功能的软件系统。实现软测量理论方法向实际污水处理过程中推广应用。
附图说明
附图1是本发明一种基于RBF神经网络的出水总磷检测装置的整体流程示意图。
附图2是本发明一种基于RBF神经网络的出水总磷检测装置的PLS算法分析结果示意图。
附图3是本发明一种基于RBF神经网络的出水总磷检测装置在一个具体应用实施例中的RBF神经网络仿真结果曲线示意图。
附图4是本发明一种基于RBF神经网络的出水总磷检测装置在一个具体应用实施例中的RBF神经网络仿真误差曲线示意图。
具体实施方式
下面结合附图1-4对本发明一种基于RBF神经网络的出水总磷检测装置及检测方法作以详细说明,并结合一具体实施例对检测方法的效果作以说明。
一种基于RBF神经网络的出水总磷检测装置,该检测装置包括与污水处理池通过CAN或者LIN现场总线通讯连接的控制系统,其中控制系统包括用户信息登记管理模块、数据实时采集模块、存储模块、数据处理模块、在线学习检测模块和工控机;工控机分别通过数据线与用户信息登记管理模块、数据实时采集模块、存储模块、数据处理模块、在线学习检测模块相连接;数据实时采集模块与污水处理池中预设的浓度测量传感器、温度测量传感器、测量仪表数据连接,并将检测的出水总磷相关性变量的实时结果值发送至工控机中;工控机将接收到的结果值进行读取并将其存储至存储模块中;数据处理模块包括软测量模型离线训练模块和仿真模块;数据处理模块根据所述的出水总磷相关性变量结果值,利用软测量模型离线训练模块和仿真模块对其进行软测量模型调整和仿真模拟计算并校正,形成校正后的出水总磷软测量模型;工控机通过调用校正后的出水总磷软测量模型,对出水总磷进行在线检测,并通过曲线形式实时、动态地显示相关性变量与出水总磷的检测数值;软测量模型能够在线学习检测模块的运行过程中不断地对实时结果值进行学习,并对软测量模型自身的参数进行在线调整,使得软测量模型具有在线追踪出水总磷变化。所述的出水总磷相关性变量包括氧化还原电位ORP、溶解氧、pH、温度和总可溶性固溶物。所述的数据实时采集模块每隔5-15min进行数据采集。所述用户信息登记管理模块包括用户信息存储模块,工控机通过Mysql数据库与用户信息存储模块相连接,用于对用户信息进行存储和管理。
本发明上述一种基于RBF神经网络的出水总磷检测装置的检测方法,具体包括以下步骤:
1)用户通过用户管理模块输入用户个人登录信息,并利用Mysql数据库对用户的信息进行保存;
2)使用PLS算法,通过特征分析获取出水总磷的相关性变量,并利用RBF神经网络建立出水总磷的软测量模型;其中,工控机通过数据处理模块将数据实时采集模块检测到的结果值利用软测量模型离线训练模块和仿真模块对其进行软测量模型调整和仿真模拟计算并校正,形成校正后的出水总磷软测量模型;
3)工控机通过调用校正后的出水总磷软测量模型,对出水总磷进行在线检测,并通过曲线形式实时、动态地显示相关性变量与出水总磷的检测数值;软测量模型能够在线学习检测模块的运行过程中不断地对实时结果值进行学习,并对软测量模型自身的参数进行在线调整,使得软测量模型具有在线追踪出水总磷变化;
在上述步骤2)中,PLS算法和出水总磷的软测量模型包括如下内容:
①自变量集合为X=[x1,...,xα],因变量记作y,并将数据做标准化处理,从X,y标准化后的矩阵中分别提取主成分t及u,满足在尽可能大地携带各自数据矩阵中信息的同时,其相关程度最大,有:
其中,T(U),P(Q),E(F)分别为自变量集合X(y)的得分矩阵、负荷矩阵与残差矩阵,i=1,2,…,α,α为可供筛选的辅助变量个数,ti,pi,ui与qi分别为T,P,U与Q矩阵中的向量;
②主成分ti与ui的相关性可表示为:
ui=biti, (3)
其中,bi为两个主成分之间的相关系数,相关系数矩阵记作b=[b1,b2,…,bα]T;
③PLS算法的中止条件记为:
其中,bselect为已选取主元个数的相关系数,Rselect为设定的已选取主元的有效性,该有效性通过留一法进行确定,其中选定的数值在0.83-1.21之间,且选取的数值越大,PLS算法最终确定的主元个数越多;
④选取出水总磷相关变量后,利用RBF神经网络对出水总磷搭建软测量模型,RBF网络的输出为:
其中,wk为第k个隐含层神经元与输出的连接权值,k=1,2,…,K,K是隐含层神经元数,φk是RBF神经网络第k个隐含层神经元,φk定义如下:
x(t)=[x1,x2,…,xm]T是网络输入,x∈Rn×1,μk表示第k个隐含层神经元中心向量,
||x-μk||为x和μk间的欧氏距离,σk是第k个隐含层神经元宽度。
基于北京市某大型污水处理厂海量真实运行数据进行分析,该污水处理厂日均处理水量为100万立方米,入水水源为生活污水与工业污水,采用A2/O工艺进行污水处理,工艺流程规范、稳定。
(1)通过安置在工艺现场的在线检测仪表采集易测过程变量,可采集的参数包括9种,参数信息及采集位置如表1所示。
表1可供筛选的过程变量类型
(2)将数据中由于仪表偏差等原因造成的异常数据进行剔除,以避免不良数据对分析结果造成不利的影响。采集的部分数据如表2所示。
表2部分污水处理厂运行数据
(3)通过PLS算法对采集并整理后的数据进行分析,得出与出水总磷相关性强的辅助变量,作为后续神经网络软测量模型的输入。PLS算法分析结果如附图2所示。最终选取包括:ORP1、DO1、TSS、温度与pH在内的5类参数作为预测出水总磷的辅助变量。
RBF神经网络的软测量模型利用该5类参数对出水总磷预测的仿真结果如图3所示,仿真误差如图4所示预测精度能够达到85%以上,满足实际需求。
上述的对实施例的描述是为便于该技术领域的普通技术人员能理解和应用本发明。熟悉本领域技术的人员显然可以容易地对这些实施例做出各种修改,并把在此说明的一般原理应用到其他实施例中而不必经过创造性的劳动。因此,本发明不限于这里的实施例,本领域技术人员根据本发明的揭示,不脱离本发明范畴所做出的改进和修改都应该在本发明的保护范围之内。
Claims (1)
1.一种基于RBF神经网络的出水总磷检测装置的检测方法,其特征在于,该检测装置包括与污水处理池通过CAN或者LIN现场总线通讯连接的控制系统,其中控制系统包括用户信息登记管理模块、数据实时采集模块、存储模块、数据处理模块、在线学习检测模块和工控机;工控机分别通过数据线与用户信息登记管理模块、数据实时采集模块、存储模块、数据处理模块、在线学习检测模块相连接;数据实时采集模块与污水处理池中预设的浓度测量传感器、温度测量传感器、测量仪表数据连接,并将检测的出水总磷相关性变量的实时结果值发送至工控机中;工控机将接收到的结果值进行读取并将其存储至存储模块中;数据处理模块包括软测量模型离线训练模块和仿真模块;数据处理模块根据所述的出水总磷相关性变量结果值,利用软测量模型离线训练模块和仿真模块对其进行软测量模型调整和仿真模拟计算并校正,形成校正后的出水总磷软测量模型;工控机通过调用校正后的出水总磷软测量模型,对出水总磷进行在线检测,并通过曲线形式实时、动态地显示相关性变量与出水总磷的检测数值;软测量模型能够在在线学习检测模块的运行过程中不断地对实时结果值进行学习,并对软测量模型自身的参数进行在线调整,使得软测量模型能够在线追踪出水总磷变化;
所述的出水总磷相关性变量包括氧化还原电位ORP、溶解氧、pH、温度和总可溶性固溶物;
所述的数据实时采集模块每隔5-15min进行数据采集;
所述用户信息登记管理模块包括用户信息存储模块,工控机通过Mysql数据库与用户信息存储模块相连接,用于对用户信息进行存储和管理;
该检测方法具体包括以下步骤:
1)用户通过用户信息登记管理模块输入用户个人登录信息,并利用Mysql数据库对用户的信息进行保存;
2)使用PLS算法,通过特征分析获取出水总磷的相关性变量,并利用RBF神经网络建立出水总磷的软测量模型;其中,工控机通过数据处理模块将数据实时采集模块检测到的结果值利用软测量模型离线训练模块和仿真模块对其进行软测量模型调整和仿真模拟计算并校正,形成校正后的出水总磷软测量模型;
3)工控机通过调用校正后的出水总磷软测量模型,对出水总磷进行在线检测,并通过曲线形式实时、动态地显示相关性变量与出水总磷的检测数值;软测量模型能够在在线学习检测模块的运行过程中不断地对实时结果值进行学习,并对软测量模型自身的参数进行在线调整,使得软测量模型能够在线追踪出水总磷变化;
在上述步骤2)中,PLS算法和出水总磷的软测量模型包括如下内容:
①自变量集合为X=[x1,...,xα],因变量记作y,并将数据做标准化处理,从X,y标准化后的矩阵中分别提取主成分t及u,满足在尽可能大地携带各自数据矩阵中信息的同时,其相关程度最大,有:
其中,T(U),P(Q),E(F)分别为自变量集合X(y)的得分矩阵、负荷矩阵与残差矩阵,i=1,2,…,α,α为可供筛选的辅助变量个数,ti,pi,ui与qi分别为T,P,U与Q矩阵中的向量;
②主成分ti与ui的相关性可表示为:
ui=biti, (3)
其中,bi为两个主成分之间的相关系数,相关系数矩阵记作b=[b1,b2,…,bα]T;
③PLS算法的中止条件记为:
其中,bselect为已选取主元个数的相关系数,Rselect为设定的已选取主元的有效性,该有效性通过留一法进行确定,其中选定的数值在0.83-1.21之间,且选取的数值越大,PLS算法最终确定的主元个数越多;
④选取出水总磷相关变量后,利用RBF神经网络对出水总磷搭建软测量模型,RBF网络的输出为:
其中,wk为第k个隐含层神经元与输出的连接权值,k=1,2,…,K,K是隐含层神经元数,φk是RBF神经网络第k个隐含层神经元,φk定义如下:
x(t)=[x1,x2,…,xm]T是网络输入,x∈Rn×1,μk表示第k个隐含层神经元中心向量,||x-μk||为x和μk间的欧氏距离,σk是第k个隐含层神经元宽度。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201610601690.5A CN106405030B (zh) | 2016-07-27 | 2016-07-27 | 一种基于rbf神经网络的出水总磷检测装置及检测方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201610601690.5A CN106405030B (zh) | 2016-07-27 | 2016-07-27 | 一种基于rbf神经网络的出水总磷检测装置及检测方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN106405030A CN106405030A (zh) | 2017-02-15 |
CN106405030B true CN106405030B (zh) | 2018-07-24 |
Family
ID=58004842
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201610601690.5A Active CN106405030B (zh) | 2016-07-27 | 2016-07-27 | 一种基于rbf神经网络的出水总磷检测装置及检测方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN106405030B (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113311035A (zh) * | 2021-05-17 | 2021-08-27 | 北京工业大学 | 一种基于宽度学习网络的出水总磷预测方法 |
Families Citing this family (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN107728479A (zh) * | 2017-09-29 | 2018-02-23 | 北京城市排水集团有限责任公司 | 一种基于rbf神经网络的生物除磷精确控制方法 |
CN108898220A (zh) * | 2018-06-11 | 2018-11-27 | 北京工业大学 | 污水处理出水tp区间预测方法 |
CN110470810A (zh) * | 2019-07-09 | 2019-11-19 | 中电建水环境治理技术有限公司 | 水质监控方法和装置 |
CN112782232B (zh) * | 2020-12-30 | 2022-04-05 | 浙江大学 | 基于人工神经网络的农污设施出水总磷软测量方法及装置 |
Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103886369A (zh) * | 2014-03-27 | 2014-06-25 | 北京工业大学 | 一种基于模糊神经网络的出水总磷tp预测方法 |
CN203772781U (zh) * | 2014-01-20 | 2014-08-13 | 北京工业大学 | 一种基于特征变量的污水总磷测量装置 |
CN104376380A (zh) * | 2014-11-17 | 2015-02-25 | 北京工业大学 | 一种基于递归自组织神经网络的氨氮浓度预测方法 |
CN104965971A (zh) * | 2015-05-24 | 2015-10-07 | 北京工业大学 | 一种基于模糊神经网络的氨氮浓度软测量方法 |
CN105675838A (zh) * | 2016-04-15 | 2016-06-15 | 北京工业大学 | 基于数据驱动的a2/o流程出水总磷智能检测方法 |
-
2016
- 2016-07-27 CN CN201610601690.5A patent/CN106405030B/zh active Active
Patent Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN203772781U (zh) * | 2014-01-20 | 2014-08-13 | 北京工业大学 | 一种基于特征变量的污水总磷测量装置 |
CN103886369A (zh) * | 2014-03-27 | 2014-06-25 | 北京工业大学 | 一种基于模糊神经网络的出水总磷tp预测方法 |
CN104376380A (zh) * | 2014-11-17 | 2015-02-25 | 北京工业大学 | 一种基于递归自组织神经网络的氨氮浓度预测方法 |
CN104965971A (zh) * | 2015-05-24 | 2015-10-07 | 北京工业大学 | 一种基于模糊神经网络的氨氮浓度软测量方法 |
CN105675838A (zh) * | 2016-04-15 | 2016-06-15 | 北京工业大学 | 基于数据驱动的a2/o流程出水总磷智能检测方法 |
Non-Patent Citations (1)
Title |
---|
基于模糊神经网络的出水总磷软测量方法研究;郭民等;《计算机与应用化学》;20160228;第33卷(第2期);第225页3.2 模拟神经网络(FNN) * |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113311035A (zh) * | 2021-05-17 | 2021-08-27 | 北京工业大学 | 一种基于宽度学习网络的出水总磷预测方法 |
CN113311035B (zh) * | 2021-05-17 | 2022-05-03 | 北京工业大学 | 一种基于宽度学习网络的出水总磷预测方法 |
Also Published As
Publication number | Publication date |
---|---|
CN106405030A (zh) | 2017-02-15 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN106405030B (zh) | 一种基于rbf神经网络的出水总磷检测装置及检测方法 | |
CN104376380B (zh) | 一种基于递归自组织神经网络的氨氮浓度预测方法 | |
CN102854296A (zh) | 一种基于集成神经网络的污水处理软测量方法 | |
CN106682316A (zh) | 一种基于尖峰径向基神经网络的出水总磷实时监测系统 | |
CN102262147A (zh) | 一种废水处理系统出水cod的软测量方法和系统 | |
CN113706127B (zh) | 一种水域分析报告的生成方法及电子设备 | |
CN105675838B (zh) | 基于数据驱动的a2/o流程出水总磷智能检测方法 | |
CN106600509A (zh) | 一种基于基础数据分析判断企业兑水排污行为的方法 | |
CN107664682A (zh) | 一种氨氮的水质软测量预测方法 | |
CN110619418A (zh) | 一种基于混合模型组合算法的多特征水质预测方法 | |
CN108595892A (zh) | 基于时间差分模型的软测量建模方法 | |
CN106096730A (zh) | 一种基于递归rbf神经网络的mbr膜透水率的智能检测方法 | |
CN114169242A (zh) | 一种基于参数不确定性分析河道生态增氧的智能控制算法 | |
CN105445344A (zh) | 一种水环境重金属检测系统的温度补偿方法 | |
CN109613197A (zh) | 一种基于河道水网的水质监测预警反馈响应方法 | |
CN204287166U (zh) | 一种基于zigbee应用的水质监测系统 | |
CN101786675A (zh) | 一种多参数废水源头分离装置及方法 | |
CN104459068A (zh) | 一种基于zigbee应用的水质监测系统 | |
CN111204867B (zh) | 膜生物反应器-mbr膜污染智能决策方法 | |
CN106706491B (zh) | 膜生物反应器-mbr出水透水率的智能检测方法 | |
CN110929809B (zh) | 一种特征自增强的循环神经网络的污水关键水质指标软测量方法 | |
CN114693493B (zh) | 一种基于IoT的污染河流水生态修复系统 | |
CN103942600B (zh) | 基于尖峰自组织径向基神经网络的污泥膨胀预测方法 | |
Wang et al. | Exploring the water quality driving mechanism in Poyang Lake, the largest freshwater lake in China | |
Zhuang et al. | Application of water quality evaluation model based on gray correlation analysis and artificial neural network algorithm |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
C06 | Publication | ||
PB01 | Publication | ||
C10 | Entry into substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
GR01 | Patent grant | ||
GR01 | Patent grant |