基于随机配置学习的自适应稀疏深度置信网络出水水质预测方法

《Water》：Effluent Quality Prediction Using Adaptive Sparse Deep Belief Network with Stochastic Configuration Learning Scheme

　　

摘要

准确预测出水水质对于监测废水处理厂运行状态和支持工艺调控至关重要。为提升数据驱动出水水质建模中的特征表示能力和预测精度，本文提出了一种基于随机配置学习的自适应稀疏深度置信网络（ASDBN-SCL）。首先，在受限玻尔兹曼机预训练过程中，引入了一种基于梯度方向一致性的自适应学习率策略，以动态调节参数更新步长。其次，基于隐神经元平均激活概率引入稀疏性约束，以抑制冗余特征响应并促进紧凑的表示。第三，采用随机配置学习作为有监督输出模块，其中隐节点在监督约束下增量生成，输出权重通过最小二乘法解析确定。所提出的方法利用中国淮安市某市政废水处理厂采集的逐小时监测数据进行了评估。经过数据预处理后，保留了4500个有效样本，并按时间顺序划分为训练集、验证集和独立测试集。对于出水化学需氧量预测，所提方法的测试均方根误差（RMSE）为，平均绝对误差（MAE）为，$R^2$为。。对于出水总氮预测，相应的值分别为、和。结果表明，所提框架能够为所研究的废水处理工艺提供准确且可靠的出水水质预测。