基于核函數(shù)的加權(quán)極限學(xué)習(xí)機(jī)污水處理在線故障診斷方法技術(shù)

本發(fā)明專利技術(shù)公開(kāi)了一種基于核函數(shù)的加權(quán)極限學(xué)習(xí)機(jī)污水處理在線故障診斷方法，包括步驟：1)剔除掉污水?dāng)?shù)據(jù)中屬性不完整的數(shù)據(jù)，然后將數(shù)據(jù)歸一化處理，確定歷史數(shù)據(jù)集和更新測(cè)試集；2)選取核函數(shù)和加權(quán)方案，然后根據(jù)最優(yōu)模型確定模型參數(shù)；3)根據(jù)所選取的加權(quán)方案對(duì)歷史數(shù)據(jù)集的每個(gè)樣本賦予權(quán)值；4)訓(xùn)練模型，根據(jù)核函數(shù)計(jì)算核矩陣；5)從更新測(cè)試集中添加新樣本到模型中進(jìn)行測(cè)試，并更新歷史數(shù)據(jù)集；6)回到步驟3)，重新訓(xùn)練模型，不斷重復(fù)上述過(guò)程，直到在線測(cè)試數(shù)據(jù)完畢，從而實(shí)現(xiàn)對(duì)污水處理過(guò)程的在線運(yùn)行狀態(tài)的識(shí)別。本發(fā)明專利技術(shù)方法更新時(shí)間短，分類準(zhǔn)確率高，對(duì)于實(shí)時(shí)診斷出運(yùn)行故障，污水處理廠安全運(yùn)行，提高污水處理廠的運(yùn)行效率具有重要意義。

【技術(shù)實(shí)現(xiàn)步驟摘要】

本專利技術(shù)涉及污水處理的
，尤其是指一種基于核函數(shù)的加權(quán)極限學(xué)習(xí)機(jī)污水處理在線故障診斷方法。
技術(shù)介紹
隨著現(xiàn)代工業(yè)的迅猛發(fā)展和人口的增長(zhǎng)，大量生活污水和工業(yè)廢水排入水體，作為人類賴以生存的水資源遭到了極大的破壞，水污染已成為制約人類發(fā)展的主要因素之一。為了阻止水環(huán)境進(jìn)一步惡化，許多國(guó)家都采取積極的措施，興建了大量的污水處理廠。但污水生化處理工藝很復(fù)雜，影響因素非常多，污水處理廠在實(shí)際運(yùn)行過(guò)程中難以保持長(zhǎng)期穩(wěn)定的運(yùn)行，容易引起出水水質(zhì)不達(dá)標(biāo)、運(yùn)行費(fèi)用增高和環(huán)境二次污染等嚴(yán)重問(wèn)題，所以必須對(duì)污水處理廠運(yùn)行狀態(tài)進(jìn)行監(jiān)控，及時(shí)診斷出污水處理過(guò)程故障并予以處理。污水處理運(yùn)行狀態(tài)的故障診斷本質(zhì)上是一個(gè)模式分類問(wèn)題，而在實(shí)際狀態(tài)運(yùn)行分類中，常常會(huì)遇到污水?dāng)?shù)據(jù)集的分布不均衡問(wèn)題，傳統(tǒng)的機(jī)器學(xué)習(xí)方法在用于不平衡數(shù)據(jù)分類時(shí)，模型分類正確率無(wú)法滿足要求，給污水生化處理的故障診斷帶來(lái)了極大的困難；同時(shí)在實(shí)際過(guò)程當(dāng)中，故障診斷實(shí)際上是一個(gè)連續(xù)的學(xué)習(xí)過(guò)程，其突出的一個(gè)特點(diǎn)就是學(xué)習(xí)不是一次離線進(jìn)行的，而是數(shù)據(jù)逐一加入的，不斷進(jìn)行優(yōu)化的過(guò)程。在線學(xué)習(xí)方法要求在獲得下一個(gè)數(shù)據(jù)之前必須完成訓(xùn)練，否則會(huì)影響下一步?jīng)Q策的完成，而且污水處理廠的運(yùn)行出現(xiàn)的故障信息尤為重要，所以在線故障診斷系統(tǒng)更加注重的是快速性和準(zhǔn)確性。
技術(shù)實(shí)現(xiàn)思路
本專利技術(shù)的目的在于克服現(xiàn)有技術(shù)的缺點(diǎn)和不足，提供一種基于核函數(shù)的加權(quán)極限學(xué)習(xí)機(jī)污水處理在線故障診斷方法，以保證污水處理過(guò)程的在線故障診斷的準(zhǔn)率性和實(shí)時(shí)性。為實(shí)現(xiàn)上述目的，本專利技術(shù)所提供的技術(shù)方案為：基于核函數(shù)的加權(quán)極限學(xué)習(xí)機(jī)污水處理在線故障診斷方法，包括以下步驟：1)剔除掉污水?dāng)?shù)據(jù)中屬性不完整的數(shù)據(jù)，然后將數(shù)據(jù)歸一化處理，確定歷史數(shù)據(jù)集xold和更新測(cè)試集xnew；2)選取核函數(shù)和加權(quán)方案，根據(jù)最優(yōu)模型確定模型參數(shù)；3)根據(jù)所選取的加權(quán)方案對(duì)歷史數(shù)據(jù)集xold的每個(gè)樣本賦予權(quán)值，求出加權(quán)矩陣W；4)訓(xùn)練模型，根據(jù)核函數(shù)計(jì)算核矩陣ΩELM；5)從更新測(cè)試集xnew中添加k個(gè)新樣本到模型中進(jìn)行測(cè)試，并保存分類測(cè)試結(jié)果，將其添加到歷史數(shù)據(jù)集中，去掉歷史數(shù)據(jù)集中前k個(gè)樣本；6)回到步驟3)，更新W和ΩELM，重新訓(xùn)練模型，不斷重復(fù)上述過(guò)程，直到在線更新數(shù)據(jù)測(cè)試完畢，得到最終在線測(cè)試結(jié)果，從而實(shí)現(xiàn)對(duì)污水處理過(guò)程的在線運(yùn)行狀態(tài)的識(shí)別。在步驟2)中，對(duì)加權(quán)方案和核函數(shù)的選取以及最優(yōu)模型參數(shù)的確定如下：首先對(duì)于加權(quán)方案的選取，這里有兩種加權(quán)方案，第一種加權(quán)方案為： W 1 : W i i = 1 C o u n t ( t i ) - - - ( 1 ) ]]>其中，W1為第一種加權(quán)方案的加權(quán)矩陣，Count(ti)為訓(xùn)練樣本中類別為ti對(duì)應(yīng)的樣本數(shù)量；另一種加權(quán)方案為：W2為第二種加權(quán)方案的加權(quán)矩陣；對(duì)于核函數(shù)的選取，有下面四種常用的核函數(shù)：①?gòu)较蚧鵕BF核函數(shù)： K ( x , x ′ ) = exp ( - | | x - x ′ | | 2 2 σ 2 ) - - - ( 3 ) ]]>②線性核函數(shù)：K(x,x′)＝x·x′(4)③p階多項(xiàng)式核函數(shù)：K(x,x′)＝[(x·x′)+1]p,p＝1,2,3…(5)④Sigmoid核函數(shù)：K(x,x′)＝tanh[a(x·x′)+b](6)考慮到p階多項(xiàng)式核函數(shù)的參數(shù)為兩個(gè)，要比RBF核函數(shù)更多，且當(dāng)多項(xiàng)式的階數(shù)比較高時(shí)，核矩陣的元素值將趨于無(wú)窮大或無(wú)窮小，會(huì)增加數(shù)值的計(jì)算困難；而Sigmoid核函數(shù)必須在某些特定條件下才滿足對(duì)稱、半正定的核函數(shù)條件，并且有兩個(gè)參數(shù)要選取，其應(yīng)用上受到一定的限制；所以，首先選取徑向基核函數(shù)RBF，然后分別選取不同的加權(quán)方案進(jìn)行離線測(cè)試并記錄測(cè)試結(jié)果，然后選取第一種加權(quán)方案，分別選取徑向基RBF核函數(shù)和線性核函數(shù)進(jìn)行離線測(cè)試并記錄測(cè)試結(jié)果，以測(cè)試分類準(zhǔn)確率、各類準(zhǔn)確率、所有類準(zhǔn)確率的幾何平均值以及訓(xùn)練時(shí)間作為性能指標(biāo)，分析不同加權(quán)方案和核函數(shù)的選取對(duì)模型性能的影響，最終確定模型的加權(quán)方案和核函數(shù)：第一種加權(quán)方案W1和RBF核函數(shù)；關(guān)于最優(yōu)模型參數(shù)的確定，對(duì)模型的參數(shù)正規(guī)化系數(shù)C和RBF核函數(shù)參數(shù)σ采用網(wǎng)格搜索法，選取根據(jù)權(quán)利要求1中的步驟得到的在線故障診斷最優(yōu)測(cè)試結(jié)果所對(duì)應(yīng)的參數(shù)為最優(yōu)參數(shù)；在步驟3)中，根據(jù)所選取的加權(quán)方案對(duì)歷史數(shù)據(jù)集xold的每個(gè)樣本賦予權(quán)值，求出加權(quán)矩陣W的過(guò)程如下：根據(jù)步驟2)所確定的加權(quán)方案W1，采用公式(1)來(lái)計(jì)算每個(gè)污水訓(xùn)練樣本的權(quán)值，最終可以用以下方式求得加權(quán)矩陣W：對(duì)于N個(gè)污水訓(xùn)練樣本，T表示訓(xùn)練樣本的類別，Count(classX)表示訓(xùn)練樣本中類別X的樣本個(gè)數(shù)，對(duì)每個(gè)樣本根據(jù)其類別計(jì)算出該類別的總的樣本個(gè)數(shù)，也就是Count(classX))，從而可以求得該樣本的權(quán)值W(i,i)＝1/Count(class1)，i表示訓(xùn)練樣本的第i個(gè)樣本；在步驟4)中訓(xùn)練模型，根據(jù)核函數(shù)計(jì)算核矩陣ΩELM如下：給定N個(gè)污水?dāng)?shù)據(jù)集的訓(xùn)練樣本{xi,ti本文檔來(lái)自技高網(wǎng)...

【技術(shù)保護(hù)點(diǎn)】
基于核函數(shù)的加權(quán)極限學(xué)習(xí)機(jī)污水處理在線故障診斷方法，其特征在于，包括以下步驟：1)剔除掉污水?dāng)?shù)據(jù)中屬性不完整的數(shù)據(jù)，然后將數(shù)據(jù)歸一化處理，確定歷史數(shù)據(jù)集xold和更新測(cè)試集xnew；2)選取核函數(shù)和加權(quán)方案，根據(jù)最優(yōu)模型確定模型參數(shù)；3)根據(jù)所選取的加權(quán)方案對(duì)歷史數(shù)據(jù)集xold的每個(gè)樣本賦予權(quán)值，求出加權(quán)矩陣W；4)訓(xùn)練模型，根據(jù)核函數(shù)計(jì)算核矩陣ΩELM；5)從更新測(cè)試集xnew中添加k個(gè)新樣本到模型中進(jìn)行測(cè)試，并保存分類測(cè)試結(jié)果，將其添加到歷史數(shù)據(jù)集中，去掉歷史數(shù)據(jù)集中前k個(gè)樣本；6)回到步驟3)，更新W和ΩELM，重新訓(xùn)練模型，不斷重復(fù)上述過(guò)程，直到在線更新數(shù)據(jù)測(cè)試完畢，得到最終在線測(cè)試結(jié)果，從而實(shí)現(xiàn)對(duì)污水處理過(guò)程的在線運(yùn)行狀態(tài)的識(shí)別。

【技術(shù)特征摘要】
1.基于核函數(shù)的加權(quán)極限學(xué)習(xí)機(jī)污水處理在線故障診斷方法，其特征在于，
包括以下步驟：
1)剔除掉污水?dāng)?shù)據(jù)中屬性不完整的數(shù)據(jù)，然后將數(shù)據(jù)歸一化處理，確定歷
史數(shù)據(jù)集xold和更新測(cè)試集xnew；
2)選取核函數(shù)和加權(quán)方案，根據(jù)最優(yōu)模型確定模型參數(shù)；
3)根據(jù)所選取的加權(quán)方案對(duì)歷史數(shù)據(jù)集xold的每個(gè)樣本賦予權(quán)值，求出加權(quán)
矩陣W；
4)訓(xùn)練模型，根據(jù)核函數(shù)計(jì)算核矩陣ΩELM；
5)從更新測(cè)試集xnew中添加k個(gè)新樣本到模型中進(jìn)行測(cè)試，并保存分類測(cè)試
結(jié)果，將其添加到歷史數(shù)據(jù)集中，去掉歷史數(shù)據(jù)集中前k個(gè)樣本；
6)回到步驟3)，更新W和ΩELM，重新訓(xùn)練模型，不斷重復(fù)上述過(guò)程，直到
在線更新數(shù)據(jù)測(cè)試完畢，得到最終在線測(cè)試結(jié)果，從而實(shí)現(xiàn)對(duì)污水處理過(guò)程的
在線運(yùn)行狀態(tài)的識(shí)別。
2.根據(jù)權(quán)利要求1所述的基于核函數(shù)的加權(quán)極限學(xué)習(xí)機(jī)污水處理在線故障
診斷方法，其特征在于，在步驟2)中，對(duì)加權(quán)方案和核函數(shù)的選取以及最優(yōu)模
型參數(shù)的確定如下：
首先對(duì)于加權(quán)方案的選取，這里有兩種加權(quán)方案，第一種加權(quán)方案為：
W 1 : W i i = 1 C o u n t ( t i ) - - - ( 1 ) ]]>其中，W1為第一種加權(quán)方案的加權(quán)矩陣，Count(ti)為訓(xùn)練樣本中類別為ti對(duì)
應(yīng)的樣本數(shù)量；
另一種加權(quán)方案為：
W2為第二種加權(quán)方案的加權(quán)矩陣；
對(duì)于核函數(shù)的選取，有下面四種常用的核函數(shù)：
①?gòu)较蚧鵕BF核函數(shù)：
K ( x , x ′ ) = exp ( - | | x - x ′ ...

【專利技術(shù)屬性】
技術(shù)研發(fā)人員：許玉格，鄧文凱，鄧曉燕，羅飛，
申請(qǐng)(專利權(quán))人：華南理工大學(xué)，
類型：發(fā)明
國(guó)別省市：廣東;44