摘要：出水化学需氧量(COD)的快速准确测量对于污水处理过程水质的动态调控至关重要。针对出水COD难以实时检测的问题,提出一种基于量子加权最小门限单元(QWMGU)神经网络的出水COD预测方法。先通过多维单步(滑动窗口)预测技术构建时间序列;然后在最小门限单元(MGU)遗忘门、候选状态与输出环节设计量子计算机制,通过更新量子相移门矩阵替代MGU权值矩阵的更新,赋予网络神经元量子特性,并给出QWMGU模型设计的具体规则与构建流程。应用该方法对德州市污水处理厂2020年出水COD进行预测,并与5种流行预测模型进行对比,以检验模型优越性。结果表明:QWMGU网络的相对预测误差优于其他方法,且稳定性较高,其均方根误差、确定系数、平均绝对误差分别为0.073、1、0.047。该模型有助于实现污水处理厂COD的高效在线检测。

摘要：针对工业生产过程建模误差的不确定性和最优决策参数的执行误差的不确定性,提出采用改进无迹卡尔曼神经网络(unscented Kalman filter artificial neural network,UKFNN)动态建模保证建模精度;采用改进非支配排序遗传算法(non-dominated sorting genetic algorithm-Ⅱ,NSGA-Ⅱ)稳健优化设计最优决策参数保证执行效果,得到稳定最优输出。采用只需对输入/输出数据进行计算即可得到不可测的未知噪声统计信息的样本有效噪声估计(gamma test,GT)来计算观测噪声统计值,保证UKFNN的建模精度;再采用改进选择算子和交叉算子的NSGA-Ⅱ对工业过程进行稳健优化,得到能够保证系统稳健最优输出的决策参数。最后采用笔者的建模优化方案对氢氰酸生产过程进行实验研究,有效提高了氢氰酸转换率,为噪声不确定工业过程的建模优化提供了一条可行途径。