基于动态RBF神经网络的出水氨氮软测量研究的开题报告.docx

基于动态RBF神经网络的出水氨氮软测量研究的开题报告
一、选题的背景与意义
近年来，水污染问题日趋严重，其中氨氮排放量较大，严重影响到水环境的质量。因此，需要建立出水氨氮的软测量模型，为环保部门提供有效的监测手段，并及时预警和控制出水氨氮的排放水平。
目前，对于出水氨氮的软测量模型，传统的线性回归、BP神经网络等模型已经被广泛应用。但是，在实际的测量过程中，由于氨氮含量的波动较大，经典的线性模型和神经网络模型往往难以满足要求，因此需要采用更加复杂的非线性模型来解决出水氨氮的软测量问题。动态RBF神经网络正是一种非常有潜力的建模方法，它具有灵活、高效、稳定的特点，已经被广泛应用于各个领域。因此，本文基于动态RBF神经网络模型，针对出水氨氮的软测量问题进行深入研究，期望能够得到较为准确的预测结果。
二、研究内容
（1）收集数据并进行预处理
本文将收集某城市某污水处理厂的出水氨氮数据，并通过数据预处理方法进行数据清洗、缺失值填充、异常值处理等工作，为后续的建模工作打下良好的数据基础。
（2）建立动态RBF神经网络模型
本文将采用动态RBF神经网络模型进行建模，该模型基于RBF核函数，具有参数少、隐含层节点数不受限制、训练速度快等特点。本文还将采用最大期望算法和Levenberg-Marquardt算法对网络模型进行训练，提高模型的泛化能力和预测精度。
（3）模型的评估与优化
在建立动态RBF神经网络模型并训练后，本文将采用交叉验证和残差分析等方法对模型进行评估，同时对模型进行优化，提高其稳定性和泛化能力。
（4）模型的应用
本文最后将将模型应用于某污水处理厂的实际出水氨氮预测中，验证模型的预测精度和实用性。同时，本文还将探讨如何将该模型扩展到其他类似的水处理系统中。
三、预期成果
本文预期可以建立起一套基于动态RBF神经网络的出水氨氮软测量模型，该模型能够准确预测出水氨氮的含量，并具有应用于实际测量的稳定性和可靠性。同时，本文还将提供一种可行的方案，将该模型应用于其他类似的水处理系统中。
四、工作进度安排
本文的工作进度安排如下：
第一阶段：收集数据并进行预处理
第二阶段：建立动态RBF神经网络模型并训练
第三阶段：模型的评估、优化及应用
第四阶段：完成论文的撰写和论文答辩
五、参考文献
[1]田震,丁泽宇.基于BP神经网络及高斯过程回归的污水处理过程模型[J].水科学与工程技术,2014,(1):41-45.
[2]李霞,周昱,郭时义.基于模糊神经网络的出水氨氮软测量[J].新疆环保,2016,(01):58-60.
[3]郭丹丹,苏辉,徐晓峰.基于遗传算法和支持向量机的出水氨氮软测量研究[J].环境科学学报,2017,(06):2012-2019.
[4]张永靖,王冬梅,贺鹏.基于RBF神经网络的混合水处理软测量[J].中国给水排水,2020,(07):7-11+66.