基于PLSR自适应深度信念网络的出水总磷预测

王功明; 李文静; 乔俊飞

doi:10.11949/j.issn.0438-1157.20161826

您当前的位置：

首页 >

文章列表页 >

基于PLSR自适应深度信念网络的出水总磷预测

过程系统工程 | 更新时间：2025-12-10

- 基于PLSR自适应深度信念网络的出水总磷预测
- Prediction of effluent total phosphorus using PLSR-based adaptive deep belief network
- 化工学报 2017年第5期页码：1987-1997
- 作者机构：
  
  1. 北京工业大学信息学部,北京,100124
  2. 计算智能与智能系统北京市重点实验室,北京,100124
- 作者简介：
- 基金信息：
- DOI：10.11949/j.issn.0438-1157.20161826
  中图分类号： P183
- 网络首发：2017-05-05，
  
  纸质出版：2017-05-05
- 稿件说明：
移动端阅览
王功明, 李文静, 乔俊飞. 基于PLSR自适应深度信念网络的出水总磷预测[J]. 化工学报, 2017,(5):1987-1997.

WANG Gongming, LI Wenjing, QIAO Junfei. Prediction of effluent total phosphorus using PLSR-based adaptive deep belief network[J]. CIESC Journal, 2017, (5): 1987-1997.
王功明, 李文静, 乔俊飞. 基于PLSR自适应深度信念网络的出水总磷预测[J]. 化工学报, 2017,(5):1987-1997. DOI： 10.11949/j.issn.0438-1157.20161826.

WANG Gongming, LI Wenjing, QIAO Junfei. Prediction of effluent total phosphorus using PLSR-based adaptive deep belief network[J]. CIESC Journal, 2017, (5): 1987-1997. DOI： 10.11949/j.issn.0438-1157.20161826.

摘要

针对污水处理过程出水总磷预测问题存在的强非线性、大时变等特征，提出了一种基于偏最小二乘回归自适应深度信念网络（partial least square regression adaptive deep belief network，PLSR-ADBN）的出水总磷预测方法。PLSR-ADBN是基于深度学习模型DBN的一种改进型建模方法。首先，将自适应学习率引入到DBN的无监督预训练（pre-training）阶段，来提高网络收敛速度。其次，利用PLSR方法取代传统DBN中基于梯度的逐层权值精调（fine-tuning）方法，来提高网络预测精度。同时，通过构造李雅普诺夫函数证明了PLSR-ADBN学习过程的收敛性。最后，将PLSR-ADBN用于实际污水处理过程出水总磷预测中。实验结果表明所提出的PLSR-ADBN收敛速度快且预测精度高，能够满足实际污水处理过程对出水总磷监测精度和运行效率的要求。

Abstract

Considered high nonlinearity and large transient variation

a PLSR-adaptive deep belief network (PLSR-ADBN) was proposed for prediction of total phosphorus (TP) in effluent of wastewater treatment process (WWTP). The PLSR-ADBN was an improved DBN

a deep learning model. First

an adaptive learning rate was introduced into the unsupervised pre-training stage of DBN so as to accelerate convergence rate. Secondly

PLSR was used to replace gradient fine-tuning method in conventional DBN for improving prediction accuracy. Meanwhile

a Lyapunov function was constructed to prove convergence of the PLSR-ADBN learning process. Finally

the proposed PLSR-ADBN was applied to an actual TP prediction in WWTP. The experimental results show that the method has a fast convergence rate and a high prediction accuracy

which can meet the demands for TP detection accuracy and WWTP operating efficiency.

关键词

Keywords

references

浏览量

335

下载量

CSCD

文章被引用时，请邮件提醒。

提交

工具集

关联资源

基于双阶段双通道深度学习的化工故障分类模型

基于机器学习的改型歧管式微通道热沉流动传热特性多目标优化

基于Micro-CT和深度学习的盐溶液冰离心分离微观结构研究

融合自适应证据的深度学习框架预测PFAS环境迁移性质

基于化学语言的分子物化性质深度学习通用建模框架