基于协同训练的集成自适应GPR-RVM多输出模型研究

李东 黄道平 许翀 刘乙奇

(华南理工大学 自动化科学与工程学院，广东 广州 510640)

水处理过程包含了一系列复杂多变的生化反应。近年来，国家对于污水处理过程中出水质量指标的管控越来越严格，但仍有许多重要的出水指标(5日生化需氧量(BOD5)、化学需氧量(COD)等)都无法准确地监测，特别是偏远地区和农村地区的污水厂。超大型城市的污水厂虽然安装了在线监测仪器仪表，但普遍存在价格昂贵、维护成本高、监测精度差、使用寿命短等问题。因此，利用软测量技术实现对污水处理过程重要出水指标的有效监测具有重要的意义[1]。

软测量技术通过收集污水处理过程中的易测量变量，分析易测量变量与难测量变量间的数理关系，从而建立预测模型，实现对难测量变量的预测。近年来，对于污水处理过程难测量变量的预测问题，引起了众多学者的广泛关注。郭晓燕等[2]将粒子群算法与反馈(BP)神经网络结合实现了对污泥容积指数(SVI)的有效预测；赵超等[3]对最小二乘支持向量机(LSSVM)进行改进，实验表明，加权最小二乘支持向量机对总氮(TN)和总磷(TP)的预测结果最佳；然而，这些模型的迭代时间较长，降低了模型的预测效率。邱禹等[4]提出了一种基于深层神经网络的多输出自适应软测量模型，用于对多个出水变量(BOD、COD和SVI等)的同步在线预测；但是，要使多输出模型发挥优势，建模数据的输入-输出分布要具备统一性。卢超等[5]针对氨氮的实时测量问题，提出了一种基于尖峰自组织径向基神经网络(RBF)的软测量方法；……