《表4 参考变量与能耗/罚款之间的模型精度对比》

  提示：宽带有限、当前游客访问压缩模式

本系列图表出处文件名：随高清版一同展现

《基于工况识别的污水处理过程多目标优化控制》

1. 获取 高清版本忘记账户？点击这里登录

1. 下载图表忘记账户？点击这里登录

使用自适应遗传算法选取参考变量的过程中，需要以入水参数作为辅助变量，能耗和罚款为两个主导变量，建立软测量模型。为了确保软测量模型的预测精度，分别使用偏最小二乘（partial leastsquare，PLS）、BP神经网络（back propagation neura network，BPNN）[30]、支持向量机（support vector machine，SVM）、高斯过程回归GPR（Gaussian process regression，GPR）[31]和偏最小二乘支持向量机（LSSVM）建立模型，并对预测效果进行对比。BPNN、SVM和LSSVM的参数设置见表3，其中SVM和LSSVM的参数设置一致。各方法的预测结果散点图和误差对比如图7所示，其中，图7（a）和（b）、（c）和（d）分别为OCI的建模效果和建模误差、EQI的建模效果和建模误差。预测散点图中，预测结果的散点越接近黑色对角线，则表明预测值越接近真实值，所以从图7（a）和（c）可看出LSSVM的预测曲线和真实值曲线吻合度最高，而从图7（b）和（d）可看出LSSVM的样本误差普遍小于其他四种方法。表4给出了各模型的评价指标，表现出了LSSVM的预测精度最高，最适合处理此类数据。