《表3 某污水处理厂水质数据》
注[10]:数据来源于某污水处理厂2019年2月份水质分析表。
选取任意20组数据进行预测、测试和验证,如表3所示。根据要求,选取进水COD、氨氮、pH值、MLSS作为输入变量,BOD出水作为输出变量,以2017-2019年实际出水BOD作为神经网络模型建立后的检测样本,建立GA-BP模型,收集不同时间、不同温度和湿度条件下的100组数数据,70组数据用来训练,30组用来验证网络和测试网络,GA-BP模型用Matlab求解,设置参数如下:迭代次数为120次,学习速度为0.1,目标误差为0.01%;在GA算法中种群大小为50,交叉概率为0%,变异概率为0%。根据输入值得出BOD值最小可取2.4,GA-BP模型样本预测输出与实际输出的比较情况如图3所示,网络隐含层节点个数的选择是经过交叉验证的,预测误差均方差平均值后,得到隐含层节点个数为17时,网络预测方差最小。图4给出了单一BP网络的期望输出和预测输出曲线,隐含层节点个数的选择采用试凑法,虽然有较大的拟合能力,但网络与预测结果误差较大。GA-BP模型的平均相对误差、均方根误差经过计算分别为5.89%和6.32%,而没有经过遗传算法优化的网络平均相对误差和均方误差分别是12.01%和13.08%。比较可得:通过遗传算法优化过的网络结果优于没有优化网络的值,GA-BP网络预测模型具有较高的预测精度和泛化能力,经过权值和阈值优化能较快达到目标值,对网络优化也较明显[13]。
图表编号 | XD00118661200 严禁用于非法目的 |
---|---|
绘制时间 | 2019.12.01 |
作者 | 鲁明 |
绘制单位 | 池州职业技术学院机电与汽车系 |
更多格式 | 高清、无水印(增值服务) |