基于相关向量机的污水处理出水水质预测模型

基于相关向量机的污水处理出水水质预测模型第42卷第5期2014年5月华南理工大学学报(自然科学版)JournalofSouthChinaUniversityofTechnology(NaturalScienceEdition)V01．42NO．5May2014文章编号：1000—565X(2014)05—0103—06基于相关向量机的污水处理出水水质预测模型术许玉格曹涛罗飞(华南理工大学自动化科学与工程学院，广东广州510640)摘要：针对污水生化处理过程复杂、重要出水指标预测困难且误差}匕较大的情况，提出了一种基于相关向量机的污水处理出水水质预测模型．首先利用模糊单调递增依赖算法对输入数据进行属性约简，并结合经验确定输入属性，然后利用相关向量机建立预测模型，对模型参数进行寻优，以实现最优预测．实验结果表明，文中提出的预测模型预测精度高、泛化能力强，能较好地满足污水处理出水水质的预测要求．关键词：污水处理；相关向量机；模糊单调递增；预测中图分类号：TPl8污水处理过程相当复杂，涉及了自动控制、检测、生化反应、经济、管理、能耗等多方面的知识．目前，污水处理场采用的硬件检测设备成本昂贵，维护困难，检测精度达不到预期的效果．尽管对污水处理过程的机理进行了几十年的研究，提出了一些数学机理模型如活性污泥1号模型H1(ASMl)等，但由于实际的污水处理现场条件太多，过程太复杂，很难建立精确的机理模型．因此，国内外学者采取软测量技术来预测污水处理出水水质，建立生物需氧量BOD和化学需氧量COD的软测量模型．如文献[2—3]中用神经网络建立软测量模型，文献[4—5]中利用最小二乘支持向量机建立软测量模型，取得了一定的研究成果．但神经网络存在局部极小、泛化能力有限等缺陷，制约了其在污水处理领域中的应用．最小二乘支持向量机也受到核函数必须满足Mercer条件和惩罚参数C及不敏感参数计算量过大等限制．相关向量机(RVM)是一种新的基于贝叶斯推理的机器学习方法．RVM比支持向量机应用范围更广，支持向量个数更少，要寻优的参数更少两]．文献[7—8]中比较了支持向量机和RVM在负荷预测中的应用效果，仿真结果表明，RVM的预测精度更高，解的稀疏性更强．文献[9]中将相关向量机用于污水硝氮的检测，说明了RVM预测推广能力比SVM强，模型更稀疏．由于污水数据维数高，条件复杂，因而建模困难，甚至会引起