關于遺傳算法優化的最小二乘支持向量機在MBR仿真預測中的研究

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）優化的最小二乘支持向量機（LSSVM）的MBR膜通量預測算法。為了準確的選擇LSSVM的參數，該算法采用GA對LSSVM模型的懲罰因子和核函數參數進行優化。針對MBR膜污染因子較為復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仿真預測模型，并用該預測模型運算得出預測結果。通過對比預測結果和實驗數據，得出該算法對膜通量有較高的預測精度，并將其與BP神經網絡模型進行了比較，結果表明該預測模型具有更高的預測精度。

關鍵詞：膜生物反應器；膜通量；最小二乘支持向量機；遺傳算法

中圖分類號：TP391 文獻標識碼：A DOI：10.3969/j.issn.1003-6970.2015.05.009

0 引言

膜生物反應器（MBR）是將膜分離技術生物反應器技術結合而成的一種新型污水處理工藝。大量實驗研究表明，膜污染嚴重影響MBR工藝的性能，并且造成較大MBR的能耗，膜污染導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成為當今MBR模擬仿真系統的研究熱點。當前我們經常使用線性預測模型，隨著參數的增多和復雜程度的加大，線性模型所涉及的數學模型和預測系統越來越復雜，預測精度也不盡人意，于是將預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網絡建立輸入因子和輸出因子之間的非線性關系，通過神經網絡建立的預測模型可以較好的逼近真實值，但是神經網絡自身也存在一定的問題，比如網絡拓撲結構的確定和最小值問題等。在樣本量很小時，神經網絡模型的效果也不能達到理想。以統計學習理論為基礎的支持向量機在解決小樣本的問題上很有優勢，支持向量機以結構風險化原則為基礎，把待解決的問題映射到高維空間，使之轉化為一個二次優化的問題，理論上可以得到全局最優值，解決了神經網絡的局部極值問題。相對于傳統支持向量機，最小二乘支持向量機（LSSVM）把不等式約束換成等式約束，將求解過程轉化成一組等式方程的求解，速度相對加快了很多。但是LSSVM的參數選擇問題嚴重阻礙了其發展，本文將GA算法用于LSSVM的參數選擇，從而達到了優化預測模型的目的。

6 結論

由于影響膜污染的因子較為復雜且各因子之間相互交叉，本文首先運用主成分分析法對輸入變量進行去維和去相關，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的輸入層。最小二乘支持向量機具有良好的泛化性能和很強的學習能力，在解決非線性有限樣本問題上有很大優勢，因此該方法為MBR膜通量的預測提供了一種全新的途徑，但其預測精度很大程度上取決于模型參數的選取。遺傳算法作為一種智能仿生算法，具有魯棒性強、并行性好等優點。因此本文結合了這兩種算法，提出了基于遺傳算法進行參數優化的最小二乘支持向量機膜通量預測方法（GA-LSSVM）。經過對預測結果和實驗結果對比表明，本文提出的預測模型能很好的預測MBR膜通量；同時實驗數據還表明，用該方法訓練的SVM比BP網絡預測模型具有更高的預測精度。