CN110889085A - 基于复杂网络多元在线回归的废水智能监控方法及系统 - Google Patents

基于复杂网络多元在线回归的废水智能监控方法及系统 Download PDF

Info

Publication number
CN110889085A
CN110889085A CN201910942057.6A CN201910942057A CN110889085A CN 110889085 A CN110889085 A CN 110889085A CN 201910942057 A CN201910942057 A CN 201910942057A CN 110889085 A CN110889085 A CN 110889085A
Authority
CN
China
Prior art keywords
model
layer
module
cnn
training
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.)
Pending
Application number
CN201910942057.6A
Other languages
English (en)
Inventor
黄明智
李小勇
应光国
易晓辉
石青松
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Guangzhou Ling Ling Environmental Services Co ltd
South China Normal University
Original Assignee
Guangzhou Ling Ling Environmental Services Co ltd
South China Normal University
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Guangzhou Ling Ling Environmental Services Co ltd, South China Normal University filed Critical Guangzhou Ling Ling Environmental Services Co ltd
Priority to CN201910942057.6A priority Critical patent/CN110889085A/zh
Publication of CN110889085A publication Critical patent/CN110889085A/zh
Pending legal-status Critical Current

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F17/00—Digital computing or data processing equipment or methods, specially adapted for specific functions
    • G06F17/10—Complex mathematical operations
    • G06F17/18—Complex mathematical operations for evaluating statistical data, e.g. average values, frequency distributions, probability functions, regression analysis
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/04—Architecture, e.g. interconnection topology
    • G06N3/044—Recurrent networks, e.g. Hopfield networks
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/04—Architecture, e.g. interconnection topology
    • G06N3/045—Combinations of networks
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/08—Learning methods
    • Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
    • Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
    • Y02A—TECHNOLOGIES FOR ADAPTATION TO CLIMATE CHANGE
    • Y02A20/00—Water conservation; Efficient water supply; Efficient water use
    • Y02A20/152—Water filtration

Landscapes

  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • Data Mining & Analysis (AREA)
  • Mathematical Physics (AREA)
  • General Engineering & Computer Science (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Software Systems (AREA)
  • Computational Linguistics (AREA)
  • General Health & Medical Sciences (AREA)
  • Molecular Biology (AREA)
  • Computing Systems (AREA)
  • Evolutionary Computation (AREA)
  • Biophysics (AREA)
  • Biomedical Technology (AREA)
  • Artificial Intelligence (AREA)
  • Health & Medical Sciences (AREA)
  • Computational Mathematics (AREA)
  • Mathematical Analysis (AREA)
  • Mathematical Optimization (AREA)
  • Pure & Applied Mathematics (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Evolutionary Biology (AREA)
  • Operations Research (AREA)
  • Probability & Statistics with Applications (AREA)
  • Algebra (AREA)
  • Databases & Information Systems (AREA)
  • Feedback Control In General (AREA)
  • Activated Sludge Processes (AREA)

Abstract

本发明公开了基于复杂网络多元在线回归的废水智能监控方法，包括以下步骤：采集历史数据，所述历史数据包括自变量和因变量；将采集的历史数据进行归一化处理，得到归一化模型，再对归一化模型进行训练，得到训练后归一化模型；将自变量作为训练后归一化模型输入，对训练后归一化模型进行在线学习，实时更新模型状态；对输出因变量进行反归一化处理，得到预测因变量，进而对废水处理系统进行调控；本发明构建的复杂网络多元在线回归方法解决了深度学习对长短序列回归泛化性能不强的问题，可用于水质参数预测，实现废水处理系统水质智能监控，促进废水处理系统高效稳定运行。

Description

基于复杂网络多元在线回归的废水智能监控方法及系统
技术领域
本发明涉及废水处理与控制研究领域，特别涉及一种基于复杂网络多元在线回归的废水智能监控方法及系统。
背景技术
在废水处理过程中，存在着大量难以测量或无法在线测量的参数，同时这类参数密切影响着出水指标的控制。
目前废水处理过程中的出水化学需氧量(COD)和出水悬浮固形物(SS)，主要采用传统的基于统计学方法的回归方法如主成分回归(PCR)、偏最小二乘回归(PLSR)、多元线性回归(MLR)等，基于机器学习方法的反向传播人工神经网络回归(BP-ANN)、支持向量回归(SVR)等，基于深度学习的卷积神经网络回归(CNN)、长短期记忆网络回归(LSTM)等软测量模型进行预测。
传统的回归方法不具备在线学习功能，当模型建立以后模型参数就固定下来，如需要对新处理数据进行学习就必须重新建立模型。另外，传统的回归方法主要适用于线性系统预测。机器学习对复杂网络的非线性系统预测具有较好的适用性，但是一般需要进行依赖经验处理的特征工程。
深度学习对复杂网络的非线性系统预测具有较好的适用性，并且具有自动特征工程能力，其中的卷积神经网络回归具有短序列特征抽象能力，但是缺乏长序列的时间依赖性，导致在长序列回归模型钟泛化性能不强；其中的长短期记忆网络回归具备一定的长序列数据信息提取能力，但是其对短序列的特征不具备抽象能力，随着输入序列变长，其泛化性能力也逐渐下降。
发明内容
本发明的主要目的在于克服现有技术的缺点与不足，提供基于复杂网络多元在线回归的废水智能监控方法，旨在解决深度学习对长短序列回归泛化性能不强的问题。
本发明的另一目的在于提供基于复杂网络多元在线回归的废水智能监控系统。
本发明的主要目的通过以下的技术方案实现：
基于复杂网络多元在线回归的废水智能监控方法，包括以下步骤：
S1、采集历史数据，所述历史数据包括自变量和因变量；
S2、将采集的历史数据进行归一化处理，得到归一化模型，再对归一化模型进行训练，得到训练后归一化模型；
S3、将自变量作为训练后归一化模型输入，对训练后归一化模型进行在线学习，实时更新模型状态；
S4、对输出因变量进行反归一化处理，得到预测因变量，进而对废水处理系统进行控制。
进一步地，所述自变量包括进水COD、进水流量Q、进水SS、温度T、溶解氧DO、pH，所述因变量包括出水COD、出水SS浓度。
进一步地，所述步骤S2具体如下：
将历史数据划分为三部分：训练集、验证集、测试集；对训练集进行归一化，得到归一化训练集，归一化处理具体如下：
设某一变量序列xi为x1,…,xn，其中记最大值为xmax，最小值为xmin，则归一化后的序列为：
Figure BDA0002223188010000021
其中，归一化后的序列值的范围为0～1，存储xmax和xmin的值；
构建并保留归一化模型，归一化模型包括输入模块、CNN模块、LSTM模块、全连接模块、回归模块、训练结束判断模块；其中CNN模块包括卷积层、批归一化层、激活层、池化层、丢弃层；
使用归一化模型对验证集进行归一化，得到归一化验证集；输入归一化训练集和归一化验证集对归一化模型进行训练，得到训练后归一化模型并保存，即保存CNN+LSTM模型；使用训练后归一化模型对测试集进行归一化，得到归一化测试集，将归一化测试集输入训练后归一化模型进行准确性指标评价。
进一步地，所述划分按照6:2:2比例使用均匀随机抽样的方式进行划分，即60％为训练集，20％为验证集，20％为测试集。
进一步地，所述训练具体如下：(1)对模型参数进行初始化；(2)输入数据经过卷积层、下采样层、LSTM层的向前传播得到输出值；(3)计算训练模型的输出值与目标值之间的误差；(4)当误差大于期望值时，将误差传回模型中，依次求得LSTM层、下采样层和卷积层的误差，其中各层的误差为对于模型的总误差。当误差等于或小于期望值时，则结束训练；(5)根据求得的误差对模型进行权值更新。
进一步地，所述步骤S3具体为：记录当前输出，预测下一次输出，当前输出对模型进行在线学习，通过在线学习得到新的模型参数，同时更新模型；
进一步地，所述步骤S4具体为：对输出因变量进行反归一化处理，得到因变量预测值，通过因变量预测值和因变量实际值获取标准误差和确定相关系数，其中标准误差计算如下：
Figure BDA0002223188010000031
其中，RMSE为标准误差，yi为预测值，xi为实际值；
确定相关系数计算如下：
Figure BDA0002223188010000032
其中，R2为确定相关系数，
Figure BDA0002223188010000033
为序列xi的均值。
本发明的另一目的通过以下技术方案实现：
基于复杂网络多元在线回归的废水智能监控系统，其特征在于，包括控制系统、预测系统、CNN+LSTM模型、废水处理系统；
所述CNN+LSTM模型包括CNN模块、LSTM模块，将归一化历史数据输入到CNN+LSTM模型进行模型训练，得到CNN+LSTM模型，模型评价模块对CNN+LSTM模型进行评价，CNN+LSTM模型根据评价进行实时更新状态，通过预测系统预测CNN+LSTM模型的输出，控制系统根据输出对废水处理系统进行控制。
进一步地，所述CNN+LSTM模型包括输入模块、CNN模块、LSTM模块、全连接模块、回归模块；所述输入模块用于模型的输入，即自变量输入；所述CNN模块包括卷积层、批归一化层、激活层、池化层、丢弃层；其中，所述批归一化层为Batch Normalization，解决在训练过程中，中间层数据分布发生改变的问题，以防止梯度消失或爆炸、加快训练速度；激活层采用的激活函数为Leaky ReLU函数；激活层采用的池化函数为平均池化函数。
进一步地，LSTM模块采用一层包含200个隐藏单元的LSTM层。
进一步地，全连接模块采用一层全连接层，由于回归的因变量包括出水COD和出水SS，因此全连接层的输出数为2。
进一步地，回归模块采用的损失函数为均方误差(MSE)。
进一步地，训练结束判断模块，通过初始化设置的最大轮数(MaxEpochs)进行控制。
进一步地，还能进行设备故障类型诊断，所述设备故障类型包括精度下降、漂移、偏移。
本发明与现有技术相比，具有如下优点和有益效果：
1、本发明提出基于复杂网络多元在线回归CNN-LSTM在生物废水中的应用，其中的CNN提取了更高维的特征，LSTM综合序列的高维特征，使得回归预测具有更好的效果。
2、本发明提升了深度学习对长短序列回归泛化性能。
附图说明
图1是本发明所述复杂网络多元在线回归的废水智能监控方法流程图；
图2是本发明所述实施例中复杂网络多元在线回归的废水智能监控的总体框架图；
图3是本发明所述实施例中训练流程整体结构图；
图4是本发明所述实施例中训练结构示意图；
图5是本发明所述实施例中训练流程详细结构示意图；
图6是本发明所述实施例中参数配置示意图；
图7是本发明所述实施例中训练模型预测出水COD浓度结果评价示意图；
图8是本发明所述实施例中训练模型预测出水SS浓度结果评价示意图；
图9是本发明所述实施例中废水处理系统结构图。
具体实施方式
下面结合实施例及附图对本发明作进一步详细的描述，但本发明的实施方式不限于此。
实施例
基于复杂网络多元在线回归的废水智能监控方法，如图1所示，包括以下步骤：
S1、采集历史数据，所述历史数据包括自变量和因变量；
S2、将采集的历史数据进行归一化处理，得到归一化模型，再对归一化模型进行训练，得到训练后归一化模型；
S3、将自变量作为训练后归一化模型输入，对训练后归一化模型进行在线学习，实时更新模型状态；
S4、对输出因变量进行反归一化处理，得到预测因变量，进而对废水处理系统进行控制。
具体如下：
步骤401，划分历史数据，其中的历史数据包括自变量进水COD、进水流量Q、进水SS、好氧池温度T、好氧池溶解氧DO、好氧池pH，因变量出水COD和出水SS。
其中测量数据为取自某造纸厂废水处理车间，显示好氧段废水的工况170个样本点。
图2是复杂网络多元在线回归的废水智能监控的总体框架图，图3为训练流程整体结构图，图4为训练结构示意图，图5为训练流程详细结构示意图
将170个样本点按照6:2:2的比例划分为训练集、验证集和测试集，其中训练集、验证集和测试集的样本点数为102个、34个和34个。
步骤402，归一化，分别对自变量进水COD、进水流量Q、进水SS、好氧池温度T、好氧池溶解氧DO、好氧池pH，因变量出水COD和出水SS中的训练集进行归一化。
其中归一化的方法为，假设某一变量序列为x1,…,xn，记其中最大值和最小值分别为:
xmax和xmin，则归一化后的序列为：
Figure BDA0002223188010000051
其中归一化后的序列值的范围为0到1，存储xmax和xmin的值。
步骤403，输入模块，这里的输入为模型的输入，输入数据的格式为1*6*1，即数据宽、高和通道数分别为1、6和1，输入的数据包括归一化的训练集和验证集，其中的训练集用于模型拟合，验证集用于调整模型的超参数和用于对模型的能力进行初步评估。
步骤404，CNN模块，本发明实施例的CNN模块包括卷积层、批归一化层、激活层、池化层和丢弃层，其中对应的具体结构及参数配置如图6所示。
本发明实施例采用的批归一化层为Batch Normalization，能解决在训练过程中，中间层数据分布发生改变的问题，以防止梯度消失或爆炸、加快训练速度。
本发明实施例激活层采用的激活函数为Leaky ReLU函数。
本发明实施例激活层采用的池化函数为平均池化函数。
步骤405，LSTM模块，本发明实施例采用一层包含200个隐藏单元的LSTM层。
步骤406，全连接模块，本发明实施例采用一层全连接层，由于回归的因变量包括出水COD和出水SS，因此全连接层的输出数为2。
步骤407，回归模块，本发明实施例采用的损失函数为均方误差(MSE)。
步骤408，训练结束判断模块，通过初始化设置的最大轮数(MaxEpochs)进行控制，本发明实施例设置的最大轮数为500。训练完成保存模型，否则转步骤403。
步骤409，对测试集进行归一化，其中归一化的最大值和最小值为步骤402中保存的xmax和xmin。这里使用训练集归一化模型参数的目的是将测试集通过训练集模型映射，确保超出训练集范围的数据也能够得到较好的恢复，提高模型的泛化能力。
步骤410，保存CNN+LSTM模型，这里的模型为训练好的各层的权系数，通过输入归一化的自变量进水COD、进水流量Q、进水SS、好氧池温度T、好氧池溶解氧DO、好氧池pH，可以得到归一化的因变量出水COD和出水SS。
然后对输出的因变量进行反归一化，得到预测的出水COD和出水SS的数值。
步骤411，模型评价模块，本发明实施例采用标准误差(也称为均方根误差，简称RMSE)和确定相关系数(R2 score)。
其中标准误差的计算公式为：
Figure BDA0002223188010000061
其中确定相关系数的计算公式为：
Figure BDA0002223188010000062
这里的yi,xi分别为预测值和实际值，
Figure BDA0002223188010000063
为序列xi的均值。
通过设置训练参数,得到CNN+LSTM模型对测试集得测试结果与实际的值的比较结果如图7和图8所示，即图7为训练模型预测出水COD结果评价示意图，图8为训练模型预测出水SS结果评价示意图；其中出水COD和出水SS的值都在工厂设定的阈值之下。
更进一步，本发明实施例用于废水处理的系统可表达为流程图9，该流程图包括以下步骤：
步骤701，系统的输入量，包括进水COD、进水流量Q、进水SS、好氧池温度T、好氧池溶解氧DO、好氧池pH。
步骤702，系统的加药输入。
步骤703，当前系统的废水处理的输出量。
步骤704，预测系统的下一次输出量，其中预测系统根据步骤701的输入预测系统的下一次输出量，同时由步骤703当前的输出量对预测系统进行在线学习，同时更新预测系统模型。
步骤705，对系统的加药输入量控制，其中控制系统通过对步骤704的输入量对废水处理系统的加药输入量进行控制。
上述实施例为本发明较佳的实施方式，但本发明的实施方式并不受上述实施例的限制，其他的任何未背离本发明的精神实质与原理下所作的改变、修饰、替代、组合、简化，均应为等效的置换方式，都包含在本发明的保护范围之内。

Claims (10)

1.基于复杂网络多元在线回归的废水智能监控方法，其特征在于，包括以下步骤：
S1、采集历史数据，所述历史数据包括自变量和因变量；
S2、将采集的历史数据进行归一化处理，得到归一化模型，再对归一化模型进行训练，得到训练后归一化模型；
S3、将自变量作为训练后归一化模型输入，对训练后归一化模型进行在线学习，实时更新模型状态；
S4、对输出因变量进行反归一化处理，得到预测因变量，进而对废水处理系统进行控制。
2.根据权利要求1所述的基于复杂网络多元在线回归的废水智能监控方法，其特征在于，所述自变量包括进水COD、进水流量Q、进水SS、温度T、溶解氧DO、pH，所述因变量包括出水COD、出水SS浓度。
3.根据权利要求1所述的基于复杂网络多元在线回归的废水智能监控方法，其特征在于，所述步骤S2具体如下：
将历史数据划分为三部分：训练集、验证集、测试集；对训练集进行归一化，得到归一化训练集，归一化处理具体如下：
设某一变量序列xi为x1,…,xn，其中记最大值为xmax，最小值为xmin，则归一化后的序列为：
Figure FDA0002223186000000011
其中，归一化后的序列值的范围为0～1，存储xmax和xmin的值；
构建并保留归一化模型，归一化模型包括输入模块、CNN模块、LSTM模块、全连接模块、回归模块、训练结束判断模块；其中CNN模块包括卷积层、批归一化层、激活层、池化层、丢弃层；
使用归一化模型对验证集进行归一化，得到归一化验证集；输入归一化训练集和归一化验证集对归一化模型进行训练，得到训练后归一化模型并保存，即保存CNN+LSTM模型；使用训练后归一化模型对测试集进行归一化，得到归一化测试集，将归一化测试集输入训练后归一化模型进行准确性指标评价。
4.根据权利要求3所述的基于复杂网络多元在线回归的废水智能监控方法，其特征在于，所述划分按照6:2:2比例使用均匀随机抽样的方式进行划分，即60％为训练集，20％为验证集，20％为测试集。
5.根据权利要求3所述的基于复杂网络多元在线回归的废水智能监控方法，其特征在于，所述训练具体如下：
S201、对模型参数进行初始化；
S202、输入数据经过卷积层、下采样层、LSTM层的向前传播得到输出值；
S203、计算训练模型的输出值与目标值之间的误差；
S204、当误差大于期望值时，将误差传回模型中，依次求得LSTM层、下采样层和卷积层的误差，其中各层的误差为对于模型的总误差，当误差等于或小于期望值时，则结束训练；
S205、根据求得的误差对模型进行权值更新。
6.根据权利要求1所述的基于复杂网络多元在线回归的废水智能监控方法，其特征在于，所述步骤S3具体为：记录当前输出，预测下一次输出，当前输出对模型进行在线学习，通过在线学习得到新的模型参数，同时更新模型。
7.根据权利要求1所述的基于复杂网络多元在线回归的废水智能监控方法，其特征在于，所述步骤S4具体为：对输出因变量进行反归一化处理，得到因变量预测值，通过因变量预测值和因变量实际值获取标准误差和确定相关系数，其中标准误差计算如下：
Figure FDA0002223186000000021
其中，RMSE为标准误差，yi为预测值，xi为实际值；
确定相关系数计算如下：
Figure FDA0002223186000000022
其中，R2为确定相关系数，
Figure FDA0002223186000000023
为序列xi的均值。
8.基于复杂网络多元在线回归的废水智能监控系统，其特征在于，包括控制系统、预测系统、CNN+LSTM模型、废水处理系统；
所述CNN+LSTM模型包括CNN模块、LSTM模块，将归一化历史数据输入到CNN+LSTM模型进行模型训练，得到CNN+LSTM模型，模型评价模块对CNN+LSTM模型进行评价，CNN+LSTM模型根据评价进行实时更新状态，通过预测系统预测CNN+LSTM模型的输出，控制系统根据输出对废水处理系统进行控制。
9.根据权利要求8所述的基于复杂网络多元在线回归的废水智能监控系统，其特征在于，所述CNN+LSTM模型包括输入模块、CNN模块、LSTM模块、全连接模块、回归模块；所述输入模块用于模型的输入，即自变量输入；所述CNN模块包括卷积层、批归一化层、激活层、池化层、丢弃层；其中，所述批归一化层为Batch Normalization；激活层采用的激活函数为Leaky ReLU函数；激活层采用的池化函数为平均池化函数。
10.根据权利要求8所述的基于复杂网络多元在线回归的废水智能监控系统，其特征在于，还能进行设备故障类型诊断，所述设备故障类型包括精度下降、漂移、偏移。
CN201910942057.6A 2019-09-30 2019-09-30 基于复杂网络多元在线回归的废水智能监控方法及系统 Pending CN110889085A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201910942057.6A CN110889085A (zh) 2019-09-30 2019-09-30 基于复杂网络多元在线回归的废水智能监控方法及系统

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201910942057.6A CN110889085A (zh) 2019-09-30 2019-09-30 基于复杂网络多元在线回归的废水智能监控方法及系统

Publications (1)

Publication Number Publication Date
CN110889085A true CN110889085A (zh) 2020-03-17

Family

ID=69746067

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201910942057.6A Pending CN110889085A (zh) 2019-09-30 2019-09-30 基于复杂网络多元在线回归的废水智能监控方法及系统

Country Status (1)

Country Link
CN (1) CN110889085A (zh)

Cited By (11)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN111553468A (zh) * 2020-05-15 2020-08-18 南京大学 一种准确预测污水处理厂出水水质的方法
CN111882138A (zh) * 2020-08-07 2020-11-03 中国农业大学 基于时空融合的水质预测方法、装置、设备及存储介质
CN112116080A (zh) * 2020-09-24 2020-12-22 中国科学院沈阳计算技术研究所有限公司 一种融合了注意力机制的cnn-gru水质预测方法
CN113082969A (zh) * 2021-04-07 2021-07-09 唐锦婷 废气处理系统
CN113159386A (zh) * 2021-03-22 2021-07-23 中国科学技术大学 一种无人机返航状态估计方法及系统
CN113468740A (zh) * 2021-06-29 2021-10-01 西北师范大学 一种基于协同分摊噪声的软测量建模方法
CN113761801A (zh) * 2021-09-08 2021-12-07 江南大学 一种电子固废产生量智能预测方法及系统
CN113838542A (zh) * 2021-08-25 2021-12-24 华南师范大学 化学需氧量智能预测方法和系统
CN113837364A (zh) * 2021-09-17 2021-12-24 华南师范大学 基于残差网络和注意力机制的污水处理软测量方法及系统
CN114398821A (zh) * 2021-12-13 2022-04-26 德汶环保科技有限公司 一种基于数据挖掘和智能算法的污水处理分析及控制方法
CN113837356B (zh) * 2021-08-24 2023-06-20 华南师范大学 基于融合神经网络的污水处理智能预测方法

Citations (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN103942457A (zh) * 2014-05-09 2014-07-23 浙江师范大学 基于关联向量机回归的水质参数时间序列预测方法
CN109659933A (zh) * 2018-12-20 2019-04-19 浙江工业大学 一种基于深度学习模型的含分布式电源配电网电能质量预测方法

Patent Citations (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN103942457A (zh) * 2014-05-09 2014-07-23 浙江师范大学 基于关联向量机回归的水质参数时间序列预测方法
CN109659933A (zh) * 2018-12-20 2019-04-19 浙江工业大学 一种基于深度学习模型的含分布式电源配电网电能质量预测方法

Cited By (16)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN111553468A (zh) * 2020-05-15 2020-08-18 南京大学 一种准确预测污水处理厂出水水质的方法
CN111553468B (zh) * 2020-05-15 2023-06-06 南京大学 一种准确预测污水处理厂出水水质的方法
CN111882138A (zh) * 2020-08-07 2020-11-03 中国农业大学 基于时空融合的水质预测方法、装置、设备及存储介质
CN111882138B (zh) * 2020-08-07 2024-02-23 中国农业大学 基于时空融合的水质预测方法、装置、设备及存储介质
CN112116080A (zh) * 2020-09-24 2020-12-22 中国科学院沈阳计算技术研究所有限公司 一种融合了注意力机制的cnn-gru水质预测方法
CN113159386A (zh) * 2021-03-22 2021-07-23 中国科学技术大学 一种无人机返航状态估计方法及系统
CN113082969A (zh) * 2021-04-07 2021-07-09 唐锦婷 废气处理系统
CN113082969B (zh) * 2021-04-07 2024-01-23 唐锦婷 废气处理系统
CN113468740A (zh) * 2021-06-29 2021-10-01 西北师范大学 一种基于协同分摊噪声的软测量建模方法
CN113837356B (zh) * 2021-08-24 2023-06-20 华南师范大学 基于融合神经网络的污水处理智能预测方法
CN113838542A (zh) * 2021-08-25 2021-12-24 华南师范大学 化学需氧量智能预测方法和系统
CN113838542B (zh) * 2021-08-25 2023-09-19 华南师范大学 化学需氧量智能预测方法和系统
CN113761801A (zh) * 2021-09-08 2021-12-07 江南大学 一种电子固废产生量智能预测方法及系统
CN113837364A (zh) * 2021-09-17 2021-12-24 华南师范大学 基于残差网络和注意力机制的污水处理软测量方法及系统
CN113837364B (zh) * 2021-09-17 2023-07-11 华南师范大学 基于残差网络和注意力机制的污水处理软测量方法及系统
CN114398821A (zh) * 2021-12-13 2022-04-26 德汶环保科技有限公司 一种基于数据挖掘和智能算法的污水处理分析及控制方法

Similar Documents

Publication Publication Date Title
CN110889085A (zh) 基于复杂网络多元在线回归的废水智能监控方法及系统
CN108469507B (zh) 一种基于自组织rbf神经网络的出水bod软测量方法
CN108898215B (zh) 一种基于二型模糊神经网络的污泥膨胀智能辨识方法
CN110824915B (zh) 基于ga-dbn网络的废水处理智能监控方法及系统
CN106022954B (zh) 基于灰色关联度的多重bp神经网络负荷预测方法
CN110824914B (zh) 一种基于pca-lstm网络的废水处理智能监控方法
CN106056127A (zh) 一种带模型更新的gpr在线软测量方法
CN109919356B (zh) 一种基于bp神经网络区间需水预测方法
CN113554466B (zh) 一种短期用电量预测模型构建方法、预测方法和装置
CN113837364B (zh) 基于残差网络和注意力机制的污水处理软测量方法及系统
CN113344288B (zh) 梯级水电站群水位预测方法、装置及计算机可读存储介质
CN112949894B (zh) 一种基于简化型长短期记忆神经网络的出水bod预测方法
CN111369120A (zh) 一种基于设备迁移学习的非侵入式负荷监测方法
CN113723007A (zh) 基于DRSN和麻雀搜索优化BiLSTM的机械设备剩余寿命预测方法
CN112966891A (zh) 一种河流水环境质量预测方法
CN108961460B (zh) 基于稀疏esgp与多目标优化的故障预测方法及装置
CN114417740B (zh) 一种深海养殖态势感知方法
CN113159395A (zh) 一种基于深度学习的污水处理厂进水流量预测方法及系统
CN111125907A (zh) 一种基于混合智能模型的污水处理氨氮软测量方法
CN109408896B (zh) 一种污水厌氧处理产气量多元智能实时监控方法
CN110542748B (zh) 一种基于知识的鲁棒型出水氨氮软测量方法
CN117196883A (zh) 一种基于人工智能的污水处理决策优化方法及系统
CN111863153A (zh) 一种基于数据挖掘的废水中悬浮固体总量的预测方法
CN113838542B (zh) 化学需氧量智能预测方法和系统
CN106021924B (zh) 基于多属性高斯核函数快速相关向量机的污水在线软测量方法

Legal Events

Date Code Title Description
PB01 Publication
PB01 Publication
SE01 Entry into force of request for substantive examination
SE01 Entry into force of request for substantive examination