CN119400288A 基于卷积时序自注意力机制的污水处理总氮预测方法 （江西师范大学）

基于卷积时序自注意力机制的污水处理总本发明公开了一种基于卷积时序自注意力力机制以及PID搜索优化算法的污水处理总氮预性建模中的独特优势，并通过PID搜索优化算法22.根据权利要求1所述的一种基于卷积时序自注意力机制的污水处理总氮预测方法，3.根据权利要求1所述的一种基于卷积时序自注意力机制的污水处理总氮预测方法，;;表示序列长度；i表示输入xmn表示统一格式的线性特征；LaverNworm(•)表示层归一化函数；u和σ分别表示当前;;3;4.根据权利要求3所述的一种基于卷积时序自注意力机制的污水处理总氮预测方法，步骤S3中的数据处理模块包括依次串联的嵌入层、卷积;5.根据权利要求4所述的一种基于卷积时序自注意力机制的污水处理总氮预测方法，全连接层将注意力特征进行线性变换获取最终的输;其中，ypred表示预测的总氨输出；xout表示注意力特征；w,ut表示预设的权重矩6.根据权利要求4所述的一种基于卷积时序自注意力机制的污水处理总氮预测方法，;;其中，r()表示RELU激活函数；4;7.根据权利要求6所述的一种基于卷积时序自注意力机制的污水处理总氮预测方法，;;;;;均表示预设的权重矩阵，br、b:、bc和bo均表示预设的权重参数，o()表示SigMoid激活函8.根据权利要求7所述的一种基于卷积时序自注意力机制的污水处理总氮预测方法，;;;;5;;步骤S346：将转换特征xam输入到前馈网络中进行维度转换和正则化处理，获取注意;;9.根据权利要求1所述的一种基于卷积时序自注意力机制的污水处理总氮预测方法，;;其中,xi表示在第j个维度第i个粒子个体位置；uy和ly分别是第j个变量的上界和下;6;;微分项；;;;步骤S66：对最优的粒子个体位置的进行格式调整；获取格式调整后的粒子个体位置;7难以充分利用这些高维度和非线性的数据特征，从而影响了预测结果的准确性和可靠性。89;;xmn表示统一格式的线性特征；LaverNorm(•)表示层归一化函数；u和σ分别表示当前层步骤S22：位置编码层通过位置编码标注序列格式的线性特征各个元素的位置信;;;;Xw全连接层将注意力特征进行线性变换获取最终的输出结果，也即预测的总氨输;;步骤S322：通过激活函数增加输出特征图x'l的非线性能力，获取非线性特征;r(•)表示RELU激活函数；步骤S323:通过池化操作非线性特征的尺寸并保留重要特征，获取卷积特征;;;;;;;;;步骤S344：对输入的时序依赖特征和自注意力进行残差连接；获取组合特征;;;;;;其中,xij表示在第j个维度第i个粒子个体位置；u和ly分别是第j个变量的上界;[0027]对于全局最优解gbestnew，如果当前粒子个体位置的适应度值优于全局最优适应度值gbestnew，则更新全局最优解gbestnew：;偏差error表示为：[0028]lfitnesscurrent-fitnessgbestl或Ihitnesscurrent-fitnesspbestl；;;;;;;表示序列长度；i表示步骤S22：位置编码层通过位置编码标注序列格式的线性特征各个元素的位置信;;xmw全连接层将注意力特征进行线性变换获取最终的输出结果，也即预测的总氨输;;步骤S322：通过激活函数增加输出特征图x'l的非线性能力，获取非线性特征;r(•)表示RELU激活函数；;;;;;;;;;步骤S344：对输入的时序依赖特征和自注意力进行残差连接；获取组合特征;;;;;;其中,xij表示在第j个维度第i个粒子个体位置；u和ly分别是第j个变量的上界;[0044]对于全局最优解gbestnew，如果当前粒子个体位置的适应度值优于全局最优;偏差error表示为：[0045]lfitnesscurrent-fitnessgbestl或Ihitnesscurrent-fitnesspbestl；;;其中，xcurrent