首页> 中文学位 >生物氧化预处理过程氧化还原电位预估建模方法研究
【6h】

生物氧化预处理过程氧化还原电位预估建模方法研究

代理获取

目录

封面

中文摘要

英文摘要

目录

第一章 绪论

1.1 研究背景及意义

1.2预测建模方法研究现状

1.3氧化还原电位(ORP)研究现状

1.4 本文的研究内容及结构安排

第二章 相关理论概述

2.1生物氧化提金工艺及ORP相关理论介绍

2.2小波神经网络(WNN)相关理论

2.3支持向量回归机(SVR)相关理论

2.4智能集成建模相关理论

2.5本章小结

第三章 改进的小波神经网络ORP预测模型

3.1 WNN在时间序列预测中的优缺点及其改进思想

3.2 ITLBO-WNN模型

3.3基于ITLBO-WNN的ORP预测

3.4 本章小结

第四章 基于SVR的ORP组合模型预测

4.1组合模型预测

4.2 KH-SVR-ARMA组合模型预测基本思想

4.3 KH-SVR优化模型建立

4.4 ARMA误差修正模型

4.5 KH-SVR-ARMA模型预测结果

4.6 本章小结

第五章 基于智能集成建模的ORP预测

5.1智能集成预测模型

5.2基于信息熵的集成模型权值确定

5.3实验结果及分析

5.4本章小结

第六章 结论与展望

6.1 结论

6.2 展望

参考文献

致谢

攻读硕士学位期间发表的论文

声明

展开▼

摘要

生物氧化预处理过程是微生物与矿浆发生生化反应的过程,尽可能高的提升微生物的活性可以有效地提升提金率。氧化还原电位(Oxidation Reduction Potential,ORP)作为微生物生理过程和生态活性的直接体现,既可以反映生化反应的进程也可以指导该过程的控制。因此,通过对ORP的预测就能够反映细菌的活性从而指导该工艺关键参数的调控。为了达到这一目的,建立一个有效的预测模型,用于ORP预测。
  通过结合实际生产过程,对生物氧化预处理过程进行分析,开展 ORP智能集成预估建模方法研究。本文主要的研究工作如下:
  1)建立ORP小波神经网络预测模型,实现了基于神将网络建模方法对ORP的建模预测。和基本的人工神经网络相比小波神经网络结合了小波变换和常规神经网络的优势,自适应能力好,学习能力更强,所以本文用改进的小波神经网络进行建模研究。一直以来小波神经网络的参数确定没有固定的指导性方法,所以本文采用改进的教与学算法进行参数寻优,最终建立ITLBO-WNN预测模型。
  2)建立了一种组合模型进行ORP预测,这种模型由支持向量回归机和自回归滑动平均模型组合而成。研究中,首先,利用磷虾群算法确定支持向量回归机的未知参数最优值,得到改进的支持向量回归机模型,对ORP进行预测。接着,计算预测结果误差值,将该误差值作为输入,建立自回归滑动平均模型的误差修正模型。最后,把两个建好的模型进行结合,得到组合模型进行ORP预测。
  3)用信息熵的方法将基于小波神经网络和支持向量回归机的建模方法智能集成,得到ORP智能集成预测模型。通过对预测结果的分析对比,证明智能集成建模方法具有一定的可行性,实现了本研究的建模目标。

著录项

相似文献

  • 中文文献
  • 外文文献
  • 专利
代理获取

客服邮箱:kefu@zhangqiaokeyan.com

京公网安备:11010802029741号 ICP备案号:京ICP备15016152号-6 六维联合信息科技 (北京) 有限公司©版权所有
  • 客服微信

  • 服务号