《表3 某污水处理厂水质数据》

  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PCA-GA-BP模型对污水BOD的预测》

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

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]。