生物氧化預(yù)處理過(guò)程氧化還原電位預(yù)估建模方法研究.pdf

1、生物氧化預(yù)處理過(guò)程是微生物與礦漿發(fā)生生化反應(yīng)的過(guò)程，盡可能高的提升微生物的活性可以有效地提升提金率。氧化還原電位(Oxidation Reduction Potential，ORP)作為微生物生理過(guò)程和生態(tài)活性的直接體現(xiàn)，既可以反映生化反應(yīng)的進(jìn)程也可以指導(dǎo)該過(guò)程的控制。因此，通過(guò)對(duì)ORP的預(yù)測(cè)就能夠反映細(xì)菌的活性從而指導(dǎo)該工藝關(guān)鍵參數(shù)的調(diào)控。為了達(dá)到這一目的，建立一個(gè)有效的預(yù)測(cè)模型，用于ORP預(yù)測(cè)。
　　通過(guò)結(jié)合實(shí)際生產(chǎn)過(guò)程，對(duì)生

2、物氧化預(yù)處理過(guò)程進(jìn)行分析，開(kāi)展 ORP智能集成預(yù)估建模方法研究。本文主要的研究工作如下：
　　1)建立ORP小波神經(jīng)網(wǎng)絡(luò)預(yù)測(cè)模型，實(shí)現(xiàn)了基于神將網(wǎng)絡(luò)建模方法對(duì)ORP的建模預(yù)測(cè)。和基本的人工神經(jīng)網(wǎng)絡(luò)相比小波神經(jīng)網(wǎng)絡(luò)結(jié)合了小波變換和常規(guī)神經(jīng)網(wǎng)絡(luò)的優(yōu)勢(shì)，自適應(yīng)能力好，學(xué)習(xí)能力更強(qiáng)，所以本文用改進(jìn)的小波神經(jīng)網(wǎng)絡(luò)進(jìn)行建模研究。一直以來(lái)小波神經(jīng)網(wǎng)絡(luò)的參數(shù)確定沒(méi)有固定的指導(dǎo)性方法，所以本文采用改進(jìn)的教與學(xué)算法進(jìn)行參數(shù)尋優(yōu)，最終建立ITLBO-W

3、NN預(yù)測(cè)模型。
　　2)建立了一種組合模型進(jìn)行ORP預(yù)測(cè)，這種模型由支持向量回歸機(jī)和自回歸滑動(dòng)平均模型組合而成。研究中，首先，利用磷蝦群算法確定支持向量回歸機(jī)的未知參數(shù)最優(yōu)值，得到改進(jìn)的支持向量回歸機(jī)模型，對(duì)ORP進(jìn)行預(yù)測(cè)。接著，計(jì)算預(yù)測(cè)結(jié)果誤差值，將該誤差值作為輸入，建立自回歸滑動(dòng)平均模型的誤差修正模型。最后，把兩個(gè)建好的模型進(jìn)行結(jié)合，得到組合模型進(jìn)行ORP預(yù)測(cè)。
　　3)用信息熵的方法將基于小波神經(jīng)網(wǎng)絡(luò)和支持向量回歸機(jī)的