聶敬云　李春青　李威威　王韜

摘要：提出了一種基于遺傳算法（GA）優(yōu)化的最小二乘支持向量機(jī)（LSSVM）的MBR膜通量預(yù)測算法。為了準(zhǔn)確的選擇LSSVM的參數(shù)，該算法采用GA對LSSVM模型的懲罰因子和核函數(shù)參數(shù)進(jìn)行優(yōu)化。針對MBR膜污染因子較為復(fù)雜且各因子之間相互交叉，首先對影響MBR膜通量的各因子進(jìn)行主成分分析（PCA），提煉出重要因子作為LSSVM的輸入層，膜通量作為輸出層，然后建立GALSSVM仿真預(yù)測模型，并用該預(yù)測模型運(yùn)算得出預(yù)測結(jié)果。通過對比預(yù)測結(jié)果和實(shí)驗(yàn)數(shù)據(jù)，得出該算法對膜通量有較高的預(yù)測精度，并將其與BP神經(jīng)網(wǎng)絡(luò)模型進(jìn)行了比較，結(jié)果表明該預(yù)測模型具有更高的預(yù)測精度。

關(guān)鍵詞：膜生物反應(yīng)器；膜通量；最小二乘支持向量機(jī)；遺傳算法

中圖分類號(hào)：TP391 文獻(xiàn)標(biāo)識(shí)碼：A DOI：10.3969/j.issn.1003-6970.2015.05.009

0 引言

膜生物反應(yīng)器（MBR）是將膜分離技術(shù)生物反應(yīng)器技術(shù)結(jié)合而成的一種新型污水處理工藝。大量實(shí)驗(yàn)研究表明，膜污染嚴(yán)重影響MBR工藝的性能，并且造成較大MBR的能耗，膜污染導(dǎo)致的最直接的后果就是膜通量下降，所以膜通量大小是膜污染程度的重要表征。因此，研究膜污染影響因素，并用智能化仿真模型描述膜污染過程已經(jīng)成為當(dāng)今MBR模擬仿真系統(tǒng)的研究熱點(diǎn)。當(dāng)前我們經(jīng)常使用線性預(yù)測模型，隨著參數(shù)的增多和復(fù)雜程度的加大，線性模型所涉及的數(shù)學(xué)模型和預(yù)測系統(tǒng)越來越復(fù)雜，預(yù)測精度也不盡人意，于是將預(yù)測過程依靠于非線性過程已成為必然。通常我們可以通過神經(jīng)網(wǎng)絡(luò)建立輸入因子和輸出因子之間的非線性關(guān)系，通過神經(jīng)網(wǎng)絡(luò)建立的預(yù)測模型可以較好的逼近真實(shí)值，但是神經(jīng)網(wǎng)絡(luò)自身也存在一定的問題，比如網(wǎng)絡(luò)拓?fù)浣Y(jié)構(gòu)的確定和最小值問題等。在樣本量很小時(shí)，神經(jīng)網(wǎng)絡(luò)模型的效果也不能達(dá)到理想。以統(tǒng)計(jì)學(xué)習(xí)理論為基礎(chǔ)的支持向量機(jī)在解決小樣本的問題上很有優(yōu)勢，支持向量機(jī)以結(jié)構(gòu)風(fēng)險(xiǎn)化原則為基礎(chǔ)，把待解決的問題映射到高維空間，使之轉(zhuǎn)化為一個(gè)二次優(yōu)化的問題，理論上可以得到全局最優(yōu)值，解決了神經(jīng)網(wǎng)絡(luò)的局部極值問題。相對于傳統(tǒng)支持向量機(jī)，最小二乘支持向量機(jī)（LSSVM）把不等式約束換成等式約束，將求解過程轉(zhuǎn)化成一組等式方程的求解，速度相對加快了很多。但是LSSVM的參數(shù)選擇問題嚴(yán)重阻礙了其發(fā)展，本文將GA算法用于LSSVM的參數(shù)選擇，從而達(dá)到了優(yōu)化預(yù)測模型的目的。

6 結(jié)論

由于影響膜污染的因子較為復(fù)雜且各因子之間相互交叉，本文首先運(yùn)用主成分分析法對輸入變量進(jìn)行去維和去相關(guān)，提煉出對MBR膜通量影響較大的因子，然后將其作為最小二乘支持向量機(jī)的輸入層。最小二乘支持向量機(jī)具有良好的泛化性能和很強(qiáng)的學(xué)習(xí)能力，在解決非線性有限樣本問題上有很大優(yōu)勢，因此該方法為MBR膜通量的預(yù)測提供了一種全新的途徑，但其預(yù)測精度很大程度上取決于模型參數(shù)的選取。遺傳算法作為一種智能仿生算法，具有魯棒性強(qiáng)、并行性好等優(yōu)點(diǎn)。因此本文結(jié)合了這兩種算法，提出了基于遺傳算法進(jìn)行參數(shù)優(yōu)化的最小二乘支持向量機(jī)膜通量預(yù)測方法（GA-LSSVM）。經(jīng)過對預(yù)測結(jié)果和實(shí)驗(yàn)結(jié)果對比表明，本文提出的預(yù)測模型能很好的預(yù)測MBR膜通量；同時(shí)實(shí)驗(yàn)數(shù)據(jù)還表明，用該方法訓(xùn)練的SVM比BP網(wǎng)絡(luò)預(yù)測模型具有更高的預(yù)測精度。