CN112551691A - 一种基于多激励函数极限学习机的自适应污水处理控制方法 - Google Patents

一种基于多激励函数极限学习机的自适应污水处理控制方法 Download PDF

Info

Publication number
CN112551691A
CN112551691A CN202011247072.8A CN202011247072A CN112551691A CN 112551691 A CN112551691 A CN 112551691A CN 202011247072 A CN202011247072 A CN 202011247072A CN 112551691 A CN112551691 A CN 112551691A
Authority
CN
China
Prior art keywords
sewage treatment
learning machine
function
excitation
extreme learning
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
CN202011247072.8A
Other languages
English (en)
Inventor
杨秦敏
曹伟伟
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.)
Zhejiang University ZJU
Original Assignee
Zhejiang University ZJU
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 Zhejiang University ZJU filed Critical Zhejiang University ZJU
Priority to CN202011247072.8A priority Critical patent/CN112551691A/zh
Publication of CN112551691A publication Critical patent/CN112551691A/zh
Pending legal-status Critical Current

Links

Images

Classifications

    • C—CHEMISTRY; METALLURGY
    • C02—TREATMENT OF WATER, WASTE WATER, SEWAGE, OR SLUDGE
    • C02F—TREATMENT OF WATER, WASTE WATER, SEWAGE, OR SLUDGE
    • C02F3/00—Biological treatment of water, waste water, or sewage
    • C02F3/30—Aerobic and anaerobic processes
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N20/00—Machine learning
    • G06N20/10—Machine learning using kernel methods, e.g. support vector machines [SVM]
    • 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
    • C—CHEMISTRY; METALLURGY
    • C02—TREATMENT OF WATER, WASTE WATER, SEWAGE, OR SLUDGE
    • C02F—TREATMENT OF WATER, WASTE WATER, SEWAGE, OR SLUDGE
    • C02F2209/00—Controlling or monitoring parameters in water treatment
    • C02F2209/22—O2

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Software Systems (AREA)
  • Computing Systems (AREA)
  • Artificial Intelligence (AREA)
  • Mathematical Physics (AREA)
  • Data Mining & Analysis (AREA)
  • Evolutionary Computation (AREA)
  • General Physics & Mathematics (AREA)
  • General Engineering & Computer Science (AREA)
  • Computational Linguistics (AREA)
  • Molecular Biology (AREA)
  • General Health & Medical Sciences (AREA)
  • Biophysics (AREA)
  • Biomedical Technology (AREA)
  • Health & Medical Sciences (AREA)
  • Environmental & Geological Engineering (AREA)
  • Microbiology (AREA)
  • Hydrology & Water Resources (AREA)
  • Biodiversity & Conservation Biology (AREA)
  • Water Supply & Treatment (AREA)
  • Chemical & Material Sciences (AREA)
  • Organic Chemistry (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Medical Informatics (AREA)
  • Feedback Control In General (AREA)
  • Activated Sludge Processes (AREA)

Abstract

本发明公开了一种基于多激励函数极限学习机的自适应污水处理控制方法，该方法由极限学习机与自适应控制结合而成，实现对于污水处理系统中溶解氧浓度的控制。该方法具体包括有数据预处理、神经网络初始化、神经网络在线迭代以及构成基于极限学习机的控制器等步骤。该方法不依赖污水处理系统机理模型，而直接利用系统输入输出数据对控制器进行动态调整，具有较强的鲁棒性与较好的控制性能，同时利用极限学习机进行训练，降低由于控制器计算所带来的系统延时，使得该方法在污水处理控制应用方面具有一定的研究意义与进一步探索的价值。

Description

一种基于多激励函数极限学习机的自适应污水处理控制方法
技术领域
本发明涉及控制科学与工程、环境科学与工程领域，尤其涉及一种基于多激励函数极限学习机的自适应污水处理控制方法。
背景技术
水是生命之源，是人类发展不可或缺的战略资源。而由于人类的污染浪费及水资源自身所具有的特性导致水资源在部分地区相当短缺，同时收到污染的水不仅会进一步污染自然界的水源，破坏环境，威胁动植物的生存家园，同时也会反作用于人类，压缩人类生存空间，并威胁人类健康安全，所以对污水进行处理是一项必不可少的工业环节。通过将受到污染的水进行处理达标以后再排放或再利用，则可以避免对环境与人类社会造成破坏，同时也可以缓解由于人类社会过度发展导致的水资源短缺问题。
受限于材料设计以及成本约束，目前世界上大部分的污水处理都采用厌氧好氧的生化反应来实现对于污水的处理，通过微生物的厌氧好氧生化反应，将污水中主要的有机物都降解为无机盐，并通过沉淀的形式去除，沉淀之后的清水则通过沉淀池上方排出，达标后进入江河湖泊，或者企业内部循环使用，或者用于城市绿化等，沉淀的污泥则通过干燥等手段形成淤泥，并无害化处理。该方法具有成本少，易于建造大型污水处理厂等优势，但同时，反应过程相当复杂，且是一个长延时、大扰动、强耦合的系统，所以往往受到各种内外因素的影响，使得污水出水水质不达标，为了实现对于污水处理的有效控制，各种方法被广泛提出。很多方法都是基于数学模型进行的控制，但是由于污水处理系统的复杂性，难以构建精确的模型，很难从机理建模的角度对污水处理系统进行控制方法分析与研究。
发明内容
为了确保出水水质的达标，且同时考虑到污水处理系统的复杂性以及模型的未知性，本发明提出一种基于多激励函数极限学习机的自适应污水处理控制方法，实现对于污水处理出水水质中的溶解氧浓度进行控制，因为溶解氧浓度作为一种关键组分能够有效的反映出水水质是否达标，从而实现对于水质达标的保证。
本发明提出的基于多激励函数极限学习机的自适应污水处理控制方法，主要是针对污水处理过程中的溶解氧浓度进行有效控制，其中被控变量为溶解氧浓度SO，而操作变量则为氧气传递系数KLa，目标是将溶解氧浓度控制在设定值附近，控制方法具体包括有数据预处理、神经网络初始化、神经网络在线迭代以及构成基于多激励函数极限学习机的控制器设计，从而实现对于污水处理出水溶解氧浓度实现设定值控制。主要步骤如下所示：
(1)数据预处理
对控制器的输入输出数据X进行归一化，X＝[SO,KLa]，SO为溶解氧浓度，即被控变量， KLa为氧气传递系数，即操作变量，将不同量纲的数据归一化至[-1,1]之间，得到归一化后的样本数据x。
(2)构建基于极限学习机的控制器
首先，将被控污水处理系统描述为：
yk+1＝f(xk)+g(xk)uk+Δ (1)
其中yk+1是下一时刻的系统输出，即表征下一时刻溶解氧浓度SO(t+1)，xk为当前系统状态，即表征当前时刻溶解氧浓度SO(t)，uk为控制信号，表征氧气传递系数KLa(t)；f(·)为系统动态函数，g(·)为系统输出增益函数，f(·)与g(·)均为未知函数，Δ为系统未知扰动。
其次，利用神经网络来估计被控污水处理系统，公式如下：
Figure RE-GDA0002944164840000021
其中
Figure RE-GDA0002944164840000022
与
Figure RE-GDA0002944164840000023
分别为f(·)与g(·)的估计函数，Δf为系统的重构误差。
(3)利用多种激励函数的模式来实现对参数的学习，选择p种激励函数，分别用基于每一种激励函数的极限学习机估计f(·)与g(·)，则有：
Figure RE-GDA0002944164840000024
Figure RE-GDA0002944164840000025
其中
Figure RE-GDA0002944164840000026
与
Figure RE-GDA0002944164840000027
分别为基于第j种激励函数对f(·)与g(·)的估计函数，
Figure RE-GDA0002944164840000028
与
Figure RE-GDA0002944164840000029
分别表示神经网络
Figure RE-GDA00029441648400000210
与
Figure RE-GDA00029441648400000211
的第i个隐含层到输出层的权重，L为神经网络隐含层节点个数，Gj(·,·,·)为隐含层的输出，aij与bij分别为第j种隐含层激励函数的第i组设定参数。
将极限学习机神经网络带入公式(2)则有：
Figure RE-GDA0002944164840000031
其中Hjk＝[Gj(a1j,b1j,xk),...,Gj(aLj,bLj,xk),Gj(a(L+1)j,b(L+1)j,xk)uk,...,Gj(a2Lj,b2Lj,xk)uk]，Δjf为第j 次估计的重构误差，
Figure RE-GDA0002944164840000032
为隐含层到输出层的初始权重矩阵。
污水处理的估计模型如下所示：
Figure RE-GDA0002944164840000033
其中
Figure RE-GDA0002944164840000034
为下一时刻估计输出，
Figure RE-GDA0002944164840000035
为第j种激励函数的第k时刻隐含层到输出层的估计权重。
(4)计算当前的系统输出误差：
Figure RE-GDA0002944164840000036
其中
Figure RE-GDA0002944164840000037
为系统输出真实值与基于第j种激励函数估计值之间的误差，
Figure RE-GDA0002944164840000038
为基于第j 种激励函数的神经网络估计值，
Figure RE-GDA0002944164840000039
Figure RE-GDA00029441648400000310
与
Figure RE-GDA00029441648400000311
分别为
Figure RE-GDA00029441648400000312
与
Figure RE-GDA00029441648400000313
的估计值。
(5)更新神经网络隐含层到输出层的权重矩阵：
Figure RE-GDA00029441648400000314
其中Pj(k-1)与Pjk分别为第j种激励函数的第k+1时刻与第k时刻的中间参数，中间参数初始值
Figure RE-GDA00029441648400000315
(6)返回步骤(3)，累加j值，重复操作步骤，直至j＝p。
(7)计算当前控制器输出：
Figure RE-GDA00029441648400000316
其中yd为被控污水处理系统的设定输出。
将当前控制信号uk输入被控系统，实现对当前被控系统的控制，当系统在下一时刻产生新的数据时，令j＝1，返回步骤(3)，直至污水处理系统停止工作。
进一步地，所述步骤(1)中，采用最大最小值归一化法，将不同量纲的数据归一化至[-1,1] 之间，从而消除量纲对控制器的控制性能带来的影响，具体表达形式为：
Figure RE-GDA0002944164840000041
其中X为原样本数据，Xmin为样本数据中的最小值，Xmax为样本数据中的最大值，x为归一化后的样本数据。
本发明的有益效果如下：本发明控制方法不需要依赖被控污水处理系统的机理模型，直接利用系统的输入输出数据对控制器进行动态调整，避免因为被控污水处理系统过于复杂对控制器设计所带来的阻碍，同时采用多激励函数进行估计系统动态的方法，使得控制方法具有较强的鲁棒性与较好的控制性能。而采用极限学习机进行训练与控制，可以获得极其快速的学习速率，并且能够在极短的时间内完成计算，降低由于控制器计算所带来的系统延时，本发明方法在污水处理系统的实际应用方面具有一定的研究意义与进一步探索的价值。
附图说明
图1为实施例中被控污水处理系统的示意图；
图2为本发明基于多激励函数极限学习机的自适应污水处理控制方法流程图；
图3为溶解氧浓度控制效果图。
具体实施方法
为使本发明的目的、技术方案及优点更加清楚明白，以下结合附图及实施例对本发明进行进一步的详细说明。应当理解，此处所描述的具体实施方式仅仅用以解释本发明，并不限定本发明的保护范围。
图1为被控污水处理系统的一个示例。本发明提出的基于多激励函数极限学习机的自适应污水处理控制方法，主要是针对污水处理过程中的溶解氧浓度进行有效控制，其中被控变量为溶解氧浓度SO，而操作变量则为氧气传递系数KLa，目标是将溶解氧浓度控制在设定值附近，如图2所示，具体步骤如下：
(1)数据预处理
对控制器的输入输出数据进行归一化，具体采用最大最小值归一化算法，将不同量纲的数据归一化至[-1,1]之间，从而消除量纲对控制器的控制性能带来的影响，具体表达形式为：
Figure RE-GDA0002944164840000051
其中X为原样本数据，具体实际中为X＝[SO,KLa]，SO为溶解氧浓度，即被控变量，KLa 为氧气传递系数，即操作变量，也就是对控制器的输入输出均做归一化处理，Xmin为样本数据中的最小值，而Xmax则为样本数据中的最大值，x为归一化后的样本数据。
(2)构建基于极限学习机的控制器
首先，将被控污水处理系统描述为：
yk+1＝f(xk)+g(xk)uk+Δ (2)
其中yk+1是下一时刻的系统输出，即表征下一时刻溶解氧浓度SO(t+1)，xk为当前系统状态，即表征当前时刻溶解氧浓度SO(t)，uk为控制信号，表征氧气传递系数KLa(t)；f(·)为系统动态函数，g(·)为系统输出增益函数，考虑到污水处理系统的复杂特性，f(·)与g(·)均为未知函数，而Δ为系统未知扰动。
其次，利用神经网络来估计被控污水处理系统，公式如下：
Figure RE-GDA0002944164840000052
其中
Figure RE-GDA0002944164840000053
与
Figure RE-GDA0002944164840000054
分别为f(·)与g(·)的估计函数，Δf为系统的重构误差。
(3)考虑到在构建神经网络的时候，不同的激励函数对最终的估计结果具有较大的影响，所以为了消除由于激励函数对估计效果所产生的影响，本发明引入多种激励函数的模式来实现对参数的学习，选择p种激励函数，分别用基于每一种激励函数的极限学习机估计f(·)与g(·)，则有：
Figure RE-GDA0002944164840000055
Figure RE-GDA0002944164840000056
其中
Figure RE-GDA0002944164840000057
与
Figure RE-GDA0002944164840000058
分别为基于第j种激励函数对f(·)与g(·)的估计函数，
Figure RE-GDA0002944164840000059
与
Figure RE-GDA00029441648400000510
分别表示神经网络
Figure RE-GDA00029441648400000511
与
Figure RE-GDA00029441648400000512
的第i个隐含层到输出层的权重，L为神经网络隐含层节点个数，而Gj(·,·,·) 则为隐含层的输出，其中aij与bij分别为第j种隐含层激励函数的第i组设定参数。
将极限学习机神经网络带入公式(3)则有：
Figure RE-GDA0002944164840000061
其中Hjk＝[Gj(a1j,b1j,xk),...,Gj(aLj,bLj,xk),Gj(a(L+1)j,b(L+1)j,xk)uk,...,Gj(a2Lj,b2Lj,xk)uk]，Δjf为第j 次估计的重构误差，可以看到，该方法利用一个神经网络同时对f(·)与g(·)进行估计。其中
Figure RE-GDA0002944164840000062
为隐含层到输出层的初始权重矩阵。则可以进一步得到污水处理的估计模型如下所示：
Figure RE-GDA0002944164840000063
其中
Figure RE-GDA0002944164840000064
为下一时刻估计输出，而
Figure RE-GDA0002944164840000065
则为第j种激励函数的第k时刻隐含层到输出层的估计权重。
(4)计算当前的系统输出误差：
Figure RE-GDA0002944164840000066
其中
Figure RE-GDA0002944164840000067
为系统输出真实值与基于第j种激励函数估计值之间的误差，而
Figure RE-GDA0002944164840000068
则为基于第j种激励函数的神经网络估计值，其中
Figure RE-GDA0002944164840000069
Figure RE-GDA00029441648400000610
与
Figure RE-GDA00029441648400000611
分别为
Figure RE-GDA00029441648400000612
与
Figure RE-GDA00029441648400000613
的估计值。
(5)更新神经网络隐含层到输出层的权重矩阵：
Figure RE-GDA00029441648400000614
其中Pj(k-1)与Pjk分别为第j种激励函数的第k+1时刻与第k时刻的中间参数，中间参数初始值
Figure RE-GDA00029441648400000615
(6)返回步骤(3)，累加j值(即令j＝j+1)，重复操作步骤，直至j＝p。
(7)计算当前控制器输出：
Figure RE-GDA00029441648400000616
其中yd为被控污水处理系统的设定输出。
将当前控制信号uk输入被控系统，实现对当前被控系统的控制，当系统在下一时刻产生新的数据时，令j＝1，返回步骤(3)，直至污水处理系统停止工作。
图3为溶解氧浓度控制效果图，从图3可以看出，本发明提出的自适应污水处理控制方法相比较传统的PI控制方法具有更好的控制性能，可以有效提升污水处理系统的出水水质。
以上所述仅是本发明的优选实施方式，虽然本发明已以较佳实施例披露如上，然而并非用以限定本发明。任何熟悉本领域的技术人员，在不脱离本发明技术方案范围情况下，都可利用上述揭示的方法和技术内容对本发明技术方案做出许多可能的变动和修饰，或修改为等同变化的等效实施例。因此，凡是未脱离本发明技术方案的内容，依据本发明的技术实质对以上实施例所做的任何的简单修改、等同变化及修饰，均仍属于本发明技术方案保护的范围内。

Claims (2)

1.一种基于多激励函数极限学习机的自适应污水处理控制方法，其特征在于，该方法包括以下步骤：
(1)数据预处理
对控制器的输入输出数据X进行归一化，X＝[SO,KLa]，SO为溶解氧浓度，即被控变量，KLa为氧气传递系数，即操作变量，将不同量纲的数据归一化至[-1,1]之间，得到归一化后的样本数据x。
(2)构建基于极限学习机的控制器
首先，将被控污水处理系统描述为：
yk+1＝f(xk)+g(xk)uk+Δ (1)
其中yk+1是下一时刻的系统输出，即表征下一时刻溶解氧浓度SO(t+1)，xk为当前系统状态，即表征当前时刻溶解氧浓度SO(t)，uk为控制信号，表征氧气传递系数KLa(t)；f(·)为系统动态函数，g(·)为系统输出增益函数，f(·)与g(·)均为未知函数，Δ为系统未知扰动。
其次，利用神经网络来估计被控污水处理系统，公式如下：
Figure FDA0002770381090000011
其中
Figure FDA0002770381090000012
与
Figure FDA0002770381090000013
分别为f(·)与g(·)的估计函数，Δf为系统的重构误差。
(3)利用多种激励函数的模式来实现对参数的学习，选择p种激励函数，分别用基于每一种激励函数的极限学习机估计f(·)与g(·)，则有：
Figure FDA0002770381090000014
Figure FDA0002770381090000015
其中
Figure FDA0002770381090000016
与
Figure FDA0002770381090000017
分别为基于第j种激励函数对f(·)与g(·)的估计函数，
Figure FDA0002770381090000018
与
Figure FDA0002770381090000019
分别表示神经网络
Figure FDA00027703810900000110
与
Figure FDA00027703810900000111
的第i个隐含层到输出层的权重，L为神经网络隐含层节点个数，Gj(·,·,·)为隐含层的输出，aij与bij分别为第j种隐含层激励函数的第i组设定参数。
将极限学习机神经网络带入公式(2)则有：
Figure FDA00027703810900000112
其中Hjk＝[Gj(a1j,b1j,xk),...,Gj(aLj,bLj,xk),Gj(a(L+1)j,b(L+1)j,xk)uk,...,Gj(a2Lj,b2Lj,xk)uk]，Δjf为第j次估计的重构误差，
Figure FDA0002770381090000021
为隐含层到输出层的初始权重矩阵。
污水处理的估计模型如下所示：
Figure FDA0002770381090000022
其中
Figure FDA0002770381090000023
为下一时刻估计输出，
Figure FDA0002770381090000024
为第j种激励函数的第k时刻隐含层到输出层的估计权重。
(4)计算当前的系统输出误差：
Figure FDA00027703810900000215
其中
Figure FDA0002770381090000025
为系统输出真实值与基于第j种激励函数估计值之间的误差，
Figure FDA0002770381090000026
为基于第j种激励函数的神经网络估计值，
Figure FDA0002770381090000027
Figure FDA0002770381090000028
与
Figure FDA0002770381090000029
分别为
Figure FDA00027703810900000210
与
Figure FDA00027703810900000211
的估计值。
(5)更新神经网络隐含层到输出层的权重矩阵：
Figure FDA00027703810900000212
其中Pj(k-1)与Pjk分别为第j种激励函数的第k+1时刻与第k时刻的中间参数，中间参数初始值
Figure FDA00027703810900000213
(6)返回步骤(3)，累加j值，重复操作步骤，直至j＝p。
(7)计算当前控制器输出：
Figure FDA00027703810900000214
其中yd为被控污水处理系统的设定输出。
将当前控制信号uk输入被控系统，实现对当前被控系统的控制，当系统在下一时刻产生新的数据时，令j＝1，返回步骤(3)，直至污水处理系统停止工作。
2.根据权利要求1所述的基于多激励函数极限学习机的自适应污水处理控制方法，其特征在于，所述步骤(1)中，采用最大最小值归一化法，将不同量纲的数据归一化至[-1,1]之间，从而消除量纲对控制器的控制性能带来的影响，具体表达形式为：
Figure FDA0002770381090000031
其中X为原样本数据，Xmin为样本数据中的最小值，Xmax为样本数据中的最大值，x为归一化后的样本数据。
CN202011247072.8A 2020-11-10 2020-11-10 一种基于多激励函数极限学习机的自适应污水处理控制方法 Pending CN112551691A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202011247072.8A CN112551691A (zh) 2020-11-10 2020-11-10 一种基于多激励函数极限学习机的自适应污水处理控制方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202011247072.8A CN112551691A (zh) 2020-11-10 2020-11-10 一种基于多激励函数极限学习机的自适应污水处理控制方法

Publications (1)

Publication Number Publication Date
CN112551691A true CN112551691A (zh) 2021-03-26

Family

ID=75041739

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202011247072.8A Pending CN112551691A (zh) 2020-11-10 2020-11-10 一种基于多激励函数极限学习机的自适应污水处理控制方法

Country Status (1)

Country Link
CN (1) CN112551691A (zh)

Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN101782743A (zh) * 2010-02-11 2010-07-21 浙江大学 神经网络建模方法及系统
CN106873379A (zh) * 2017-03-31 2017-06-20 北京工业大学 一种基于迭代adp算法的污水处理最优控制方法
CN108536106A (zh) * 2018-04-25 2018-09-14 重庆工商大学 一种基于卡尔曼滤波-极限学习机的曝气系统溶解氧在线调控方法
CN111650834A (zh) * 2020-06-16 2020-09-11 湖南工业大学 基于极限学习机（elm）的污水处理过程预测控制方法

Patent Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN101782743A (zh) * 2010-02-11 2010-07-21 浙江大学 神经网络建模方法及系统
CN106873379A (zh) * 2017-03-31 2017-06-20 北京工业大学 一种基于迭代adp算法的污水处理最优控制方法
CN108536106A (zh) * 2018-04-25 2018-09-14 重庆工商大学 一种基于卡尔曼滤波-极限学习机的曝气系统溶解氧在线调控方法
CN111650834A (zh) * 2020-06-16 2020-09-11 湖南工业大学 基于极限学习机（elm）的污水处理过程预测控制方法

Non-Patent Citations (5)

* Cited by examiner, † Cited by third party
Title
WEIWEI CAO, ETAL: "Online sequential extreme learning machine based adaptive control for wastewater treatment plant", 《NEUROCOMPUTING》 *
吕靖等: "《国际海运通道安全评价研究》", 30 December 2017, 大连海事大学出版社 *
张光辉等: "《区域地下水功能可持续性评价理论与方法研究》", 30 January 2009, 地质出版社 *
王小川等: "《MATLAB神经网络43个案例分析》", 30 August 2013 *
陈云霁: "《智能计算系统》", 28 February 2020 *

Similar Documents

Publication Publication Date Title
Han et al. Model predictive control of dissolved oxygen concentration based on a self-organizing RBF neural network
CN111291937A (zh) 基于支持向量分类与gru神经网络联合的处理污水水质预测方法
CN112132333B (zh) 一种基于深度学习的短期水质水量预测方法及系统
CN102854296A (zh) 一种基于集成神经网络的污水处理软测量方法
CN102122134A (zh) 基于模糊神经网络的溶解氧控制的废水处理方法及系统
CN108536106B (zh) 一种基于卡尔曼滤波-极限学习机的曝气系统溶解氧在线调控方法
Jana et al. Optimization of effluents using artificial neural network and support vector regression in detergent industrial wastewater treatment
CN111652425A (zh) 一种基于粗糙集和长短期记忆网络的河流水质预测方法
de Canete et al. Control and soft sensing strategies for a wastewater treatment plant using a neuro-genetic approach
CN104865979A (zh) 一种污水处理过程自适应广义预测控制方法及系统
CN113189881A (zh) 一种污水处理多目标优化控制方法及系统
CN110647037A (zh) 一种基于二型模糊神经网络的污水处理过程协同控制方法
Yang et al. Deep learning-based prediction of effluent quality of a constructed wetland
CN109523094B (zh) 一种基于小波神经网络的船舶含盐污水处理控制预测系统及预测方法
Gheytaspour et al. Forecasting oxygen demand in treatment plant using artificial neural networks
CN109408896B (zh) 一种污水厌氧处理产气量多元智能实时监控方法
Yetilmezsoy et al. Adaptive neuro-fuzzy inference-based modeling of a full-scale expanded granular sludge bed reactor treating corn processing wastewater
CN112551691A (zh) 一种基于多激励函数极限学习机的自适应污水处理控制方法
Varkeshi et al. Predicting the performance of Gorgan wastewater treatment plant using ANN-GA, CANFIS, and ANN models
CN111797363A (zh) 基于数据的污水处理系统自学习轨迹跟踪方法
CN110837886A (zh) 一种基于elm-sl0神经网络的出水nh4-n软测量方法
CN115798622A (zh) 一种基于神经网络的羟胺协同Fe2+活化过硫酸盐降解橙黄Ⅱ工艺参数优化方法
Chang et al. Soft measurement of effluent index in sewage treatment process based on overcomplete broad learning system
CN113191078B (zh) 城市生活垃圾焚烧过程一燃室烟气温度预报方法
Qiao et al. Recurrent High Order Neural Network Modeling for Wastewater Treatment Process.

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
RJ01 Rejection of invention patent application after publication
RJ01 Rejection of invention patent application after publication

Application publication date: 20210326