CN114944203B 基于自动寻优算法与深度学习的废水处理监控方法及系统 （华南师范大学）

基于自动寻优算法与深度学习的废水处理本发明涉及一种基于自动寻优算法与深度参数输入所述双向门控循环单元模型进行训练点预测结果输入训练好的所述高斯过程回归GPR2S100、选取污水处理厂厌氧处理单元的历史检S200、构建自动寻优的双向门控循环单元模型，S300、将所述测试数据集输入训练好的所述双率分布函数确定输出变量各点预测结果对应的预测区间S110、选取一个历史时段的所述历史检测数据，将其中，所述数据集矩阵的行向量是不同类别的废水指标数据，所述训练数据集用于训练所述双向门控循环单元模型，所述测试S130、对所述数据集中的异常值进行筛查与剔除3Parzen估计方法随机搜索在超参数空间内组合各超参数，并创建一个误差观测值集合{xS242、根据前N次训练所述双向门控循环单元模型的结果与训练精度，利用树状结构S245、重复步骤S241至步骤S244，直到所述双向S410、将前一次的训练集及测试集中的输入变量4j是观测值在预测区间内的个数，储器中的计算机程序时实施如权利要求1至8中任5[0003]污水处理厂厌氧生化法的工艺包括上流式厌氧污泥床(Up-flowAnaerobic出水水质的技术已经受到广大科研工作者的关注。深度学习方法双向门控循环单元参数十分费时费力。具体地，门控循环单元GRU是循环神经网络(RecurrentNeuralRNN在解决时间序列预测问题时存在的长期依赖问题。BiGRU是在GRU网络的基础上加入反状结构Parzen估计方法TPE是一种基于贝叶斯优化的参数自动寻优方法，相比于随机搜索TPE运用到BiGRU的超参数调整过程是研究的6[0009]本发明的技术方案涉及一种基于自动寻优算法与深度学习的厌氧废水处理智能述概率分布函数确定输出变量各点预测结果对应的预测区间及78行储存在所述存储器中的计算机程序时实施9[0065]2、本发明针对研究人员需要手动调整神经网络超参数的痛点，引入了树状结构[0077]以下将结合实施例和附图对本发明的构思、具体结构及产生的技术效果进行清述概率分布函数确定输出变量各点预测结果对应的预测区间及变量为x";一次的测试数据集的输入变量为输出变量为f"。一次的所述训练数据集t)t)r述概率分布函数确定输出变量各点预测结果对应的预测区间及*)＝y*；[0169](2)均方根误差RMSE：用于计算预测值与观测值偏差的平方和与观测次数比值的[0170](3)平均绝对百分比误差MAPE：用于计算预测值与观测值的平均绝对误差的百分树状结构Parzen估计方法(TPE)自动寻优的BiGRU-GPR模型与BiLSTM-GPR模型深度学习方指标均优于BiLSTM-GPR模型与高斯过程回归GPR模型，说明本发明方案的方法得到的点预三种模型的比较呈现一样的趋势：均有较高的CP，BiLSTM-GPR模型略胜一筹；对于MWP，方案的方法获得的预测值分布与真实值分布的以其他方式明显地与上下文矛盾。本文描述的过程(或变型和/或其组合)可在配置有可执存储介质或设备由计算机读取时可用于配置和操作计算机以执行在此所描述的过程。此