1.一种通过神经网络实现超滤膜污染评价的方法,其特征在于,所述方法包括:
步骤s1,将原始数据进行预处理,
步骤s2,采用预处理后的数据集对神经网络模型进行训练,
步骤s3,基于获得的神经网络模型,评价新工况下的膜污染情况。
2.如权利要求1所述的通过神经网络实现超滤膜污染评价的方法,其特征在于,所述预处理包括:缺失值处理、异常值处理。
3.如权利要求2所述的通过神经网络实现超滤膜污染评价的方法,其特征在于,在对所述异常值进行处理之前还包括:对异常值进行判别。
4.如权利要求1所述的通过神经网络实现超滤膜污染评价的方法,所述将原始数据进行预处理还包括:数据标准化、变量筛选。
5.如权利要求4所述的通过神经网络实现超滤膜污染评价的方法,其特征在于,经过所述变量筛选之后确定输入参数和输出参数,其中输入参数包括:距离上一次清洗时间、cod、氨氮、污泥浓度和温度,输出参数包括:膜污染指数。
6.如权利要求5所述的通过神经网络实现超滤膜污染评价的方法,其特征在于,所述采用预处理后的数据集对神经网络模型进行训练进一步包括:
步骤s21,将所述预处理后的数据集划分成训练集和测试集;
步骤s22,采用所述训练集进行训练神经网络模型,并采用所述测试集来对建立的模型进行评价;
步骤s23,重复s21和s22,来优化模型的参数,使模型结果达到预期,获取达到模型结果预期的模型。
7.如权利要求6所述的通过神经网络实现超滤膜污染评价的方法,其特征在于,在渗滤液中对超滤数据进行采样。
8.如权利要求6所述的通过神经网络实现超滤膜污染评价的方法,其特征在于,所述优化模型的参数过程中包括,采用梯度下降法进行优化,所述梯度下降法采用的公式如下:
其中θi表示求解的待定系数,α表示步长,j(θ)表示关于θ令方差最小的损失函数。
9.一种通过神经网络实现超滤膜污染评价的装置,其特征在于,包括:
预处理模块,用于将原始数据进行预处理,
训练模块,用于采用预处理后的数据集对神经网络模型进行训练,
评价模块,基于获得的神经网络模型,评价新工况下的膜污染情况。
10.一种通过神经网络实现超滤膜污染评价的系统,所述系统包括存储器和处理器,所述存储器上存储有由所述处理器运行的计算机程序,所述计算机程序在被所述处理器运行时执行本发明的权利要求1-8之一所述的通过神经网络实现超滤膜污染评价的方法。
11.一种计算机存储介质,在所述计算机存储介质上存储了程序指令,在所述程序指令被计算机或处理器运行时用于执行本发明的权利要求1-8之一所述的通过神经网络实现超滤膜污染评价的方法。