基于PSO-RBF神经网络模型的原水水质评价方法及应用

被引：22

作者：

王冬生

李世华

周杏鹏

机构：

[1] 东南大学复杂工程系统测量与控制教育部重点实验室

来源：

东南大学学报(自然科学版) | 2011年 / 41卷 / 05期

关键词：

原水水质评价; RBF神经网络; 粒子群优化算法; 前馈控制;

D O I：

暂无

中图分类号：

TP183 [人工神经网络与计算]; TU991.21 [水质];

学科分类号：

摘要：

针对自来水生产过程的原水水质评价问题,提出了一种基于PSO-RBF神经网络模型的原水水质评价方法.首先,根据水厂生产经验和历史数据分析,制定面向自来水生产过程的原水水质评价标准.然后,采用粒子群优化(PSO)算法训练的RBF神经网络模型,对苏州市相城水厂的进厂原水水质实施在线评价.最后,将进厂原水水质在线评价结果作为前馈量,增加相城水厂药剂(矾和臭氧)投加过程的前馈控制环节,使得药剂投加量能够根据原水水质的变化及时做出调整.实际应用效果表明,与改进前的反馈控制过程相比,过程出水水质更加平稳,提高了自来水生产过程应对原水水质变化的能力.

引用

页码：1019 / 1023

页数：5

共 5 条

[1] Training algorithm for radial basis function neural network based on quantum-behaved particle swarm optimization [J].

Lian, G. Y. ;

Huang, K. L. ;

Chen, J. H. ;

Gao, F. Q. .

INTERNATIONAL JOURNAL OF COMPUTER MATHEMATICS, 2010, 87 (03) :629-641

[2] RBF neural networks for the prediction of building interference effects [J].

Zhang, AH ;

Zhang, L .

COMPUTERS & STRUCTURES, 2004, 82 (27) :2333-2339

[3] Assessment of the surface water quality in Northern Greece [J].

Simeonov, V ;

Stratis, JA ;

Samara, C ;

Zachariadis, G ;

Voutsa, D ;

Anthemidis, A ;

Sofoniou, M ;

Kouimtzis, T .

WATER RESEARCH, 2003, 37 (17) :4119-4124

[4]

Application of an empirical neural network to surface water quality estimation in the Gulf of Finland using combined optical data and microwave data[J] . Yuanzhi Zhang,Jouni Pulliainen,Sampsa Koponen,Martti Hallikainen.Remote Sensing of Environment . 2002 (2)

[5] Analysis of pollutant levels in central Hong Kong applying neural network method with particle swarm optimization [J].

Lu, WZ ;

Fan, HY ;

Leung, AYT ;

Wong, JCK .

ENVIRONMENTAL MONITORING AND ASSESSMENT, 2002, 79 (03) :217-230

← 1 →