基于改进粒子群算法优化BP神经网络的废水处理软测量模型

针对废水处理过程BP神经网络软测量模型受处理过程非线性特征影响,存在收敛速度慢、陷入局部极小点等问题,用改进的粒子群算法(PSO)优化BP神经网络,建立废水处理过程中出水化学需氧量(COD_(eff))与出水固体悬浮物(SSeff)的软测量模型(PSO-BP模型),并与基于遗传算法-BP神经网络算法的模型(GA-BP模型)及BP模型的预测效果进行对比.研究结果表明:采用PSO-BP模型预测COD_(eff)时,均方根误差(RMSE)、决定系数(R2)分别为3.9955、0.6401,而用于预测SSeff时,RMSE、R^(2)分别为0.6503、0.6811;相比BP模型和GA-BP模型,PSO-BP模型对COD_(eff)的预测性能分别提高了4.49%、0.44%,对SSeff的预测性能分别提高了40.11%、24.77%.