CN114998718B 一种基于深度学习的预测活性污泥沉降性能方法 （南京大学）_第1页
CN114998718B 一种基于深度学习的预测活性污泥沉降性能方法 （南京大学）_第2页
CN114998718B 一种基于深度学习的预测活性污泥沉降性能方法 （南京大学）_第3页
CN114998718B 一种基于深度学习的预测活性污泥沉降性能方法 （南京大学）_第4页
CN114998718B 一种基于深度学习的预测活性污泥沉降性能方法 （南京大学）_第5页
已阅读5页，还剩16页未读， 继续免费阅读

下载本文档

版权说明：本文档由用户提供并上传，收益归属内容提供方，若内容存在侵权，请进行举报或认领

文档简介

一种基于深度学习的预测活性污泥沉降性本发明公开了一种基于深度学习的预测活原始图像数据进行清洗并统一尺寸大小；(2)测ResNet50深度神经网络建立活性污泥沉降性能泥是否发生膨胀。本发明提供的方法检测速度2(1)采集若干活性污泥样本并分别获取其原始图像数据，对原始图像数据进行清洗并(301)根据各活性污泥样本的污泥体积指数SVI，将其分为膨胀样本集和非膨胀样本(304)选取最佳模型超参数，训练活性污泥沉降性能图像预测模型并利用测试集数据学习率优化使用回调函数ReduceLROnPlateau加快网络收敛骤(304)中，利用测试集数据评估模型的分类性能中，采用准确率Accuracy、精准率3其中TP表示正样本被判定为正样本；TN表示负样本被判定为负10.根据权利要求1所述的基于深度学习的预测活性污泥沉降性能方法，其特征在于，(401)获取待测活性污泥样本的图像数据，利用高通量图像获取系统获取目标污水处4[0002]活性污泥法是在处理城市污水中应用最广泛的方法，但液悬浮固体浓度(MLSS)的监测周期都为日检，以计算污泥体积指数(SVI)并判断当前活性基于自组织二型模糊神经网络建立用于预测污泥SVI的软测量模型，实现了污泥沉降性能[0006](1)采集若干活性污泥样本并分别获取其原始图像数据，对原始图像数据进行清5[0012](304)选取最佳模型超参数，训练活性污泥沉降性能图像预测模型并利用测试集过程中又将划分的训练集按比例自动划分为实际训练集和[0022]进一步地，步骤(304)中，利用测试集数据评估模型的分类性能中，采用准确率[0032](401)获取待测活性污泥样本的图像数据，利用高通量图像获取获取目标活性污6[0034](403)将待测活性污泥样本的图像数据输入训练好的预测模型，得到运行输出结[0035]本发明基于所采集的活性污泥图像，经过简单的数据清[0045]图7为本发明的SVI阈值设为时190mL·g-1网络模型受试者工作特征曲线样本放置在4℃的冰箱中保存并在图像采集和样品采集时间间隔不得超过24小时。将获得静置30min后记录沉淀活性污泥层与上清液交界处的刻度值V0(mL)。计算活性污泥沉降比78样本被判定为负样本；FP(FalsePositive)表示负样本被判定为正样本；FN(False例膨胀污泥图像被预测为膨胀类别的数量为129例，被预测为非膨胀类别的数量为19例，[0077]SVI阈值设置为190mL·g-1时，网络模型受试者工作特征(ReceiverOperating[0079](401)对取到的活性污泥混合液样本进行处理并利用EVOSTMM700[0081](403)将图像数据输入设置SVI阈值为190mL·g-1的训练好的深度学习预测模型，9[0082]本发明通过深度学习模型获得的活性污泥类别与实际测定的活性污泥SVI判定结

人人文库> 全部分类> 行业资料 > 信息产业

温馨提示

  • 1. 本站所有资源如无特殊说明，都需要本地电脑安装OFFICE2007和PDF阅读器。图纸软件为CAD,CAXA,PROE,UG,SolidWorks等.压缩文件请下载最新的WinRAR软件解压。
  • 2. 本站的文档不包含任何第三方提供的附件图纸等，如果需要附件，请联系上传者。文件的所有权益归上传用户所有。
  • 3. 本站RAR压缩包中若带图纸，网页内容里面会有图纸预览，若没有图纸预览就没有图纸。
  • 4. 未经权益所有人同意不得将文件中的内容挪作商业或盈利用途。
  • 5. 人人文库网仅提供信息存储空间，仅对用户上传内容的表现方式做保护处理，对用户上传分享的文档内容本身不做任何修改或编辑，并不能对任何下载内容负责。
  • 6. 下载文件中如有侵权或不适当内容，请与我们联系，我们立即纠正。
  • 7. 本站不保证下载资源的准确性、安全性和完整性, 同时也不承担用户因使用这些下载资源对自己和他人造成任何形式的伤害或损失。

最新文档

评论

0/150

提交评论