关于遗传算法优化的最小二乘支持向量机在MBR仿真预测中的研究

聂敬云　李春青　李威威　王韬

摘要：提出了一种基于遗传算法（GA）优化的最小二乘支持向量机（LSSVM）的MBR膜通量预测算法。为了准确的选择LSSVM的参数，该算法采用GA对LSSVM模型的惩罚因子和核函数参数进行优化。针对MBR膜污染因子较为复杂且各因子之间相互交叉，首先对影响MBR膜通量的各因子进行主成分分析（PCA），提炼出重要因子作为LSSVM的输入层，膜通量作为输出层，然后建立GALSSVM仿真预测模型，并用该预测模型运算得出预测结果。通过对比预测结果和实验数据，得出该算法对膜通量有较高的预测精度，并将其与BP神经网络模型进行了比较，结果表明该预测模型具有更高的预测精度。

关键词：膜生物反应器；膜通量；最小二乘支持向量机；遗传算法

中图分类号：TP391 文献标识码：A DOI：10.3969/j.issn.1003-6970.2015.05.009

0 引言

膜生物反应器（MBR）是将膜分离技术生物反应器技术结合而成的一种新型污水处理工艺。大量实验研究表明，膜污染严重影响MBR工艺的性能，并且造成较大MBR的能耗，膜污染导致的最直接的后果就是膜通量下降，所以膜通量大小是膜污染程度的重要表征。因此，研究膜污染影响因素，并用智能化仿真模型描述膜污染过程已经成为当今MBR模拟仿真系统的研究热点。当前我们经常使用线性预测模型，随着参数的增多和复杂程度的加大，线性模型所涉及的数学模型和预测系统越来越复杂，预测精度也不尽人意，于是将预测过程依靠于非线性过程已成为必然。通常我们可以通过神经网络建立输入因子和输出因子之间的非线性关系，通过神经网络建立的预测模型可以较好的逼近真实值，但是神经网络自身也存在一定的问题，比如网络拓扑结构的确定和最小值问题等。在样本量很小时，神经网络模型的效果也不能达到理想。以统计学习理论为基础的支持向量机在解决小样本的问题上很有优势，支持向量机以结构风险化原则为基础，把待解决的问题映射到高维空间，使之转化为一个二次优化的问题，理论上可以得到全局最优值，解决了神经网络的局部极值问题。相对于传统支持向量机，最小二乘支持向量机（LSSVM）把不等式约束换成等式约束，将求解过程转化成一组等式方程的求解，速度相对加快了很多。但是LSSVM的参数选择问题严重阻碍了其发展，本文将GA算法用于LSSVM的参数选择，从而达到了优化预测模型的目的。

6 结论

由于影响膜污染的因子较为复杂且各因子之间相互交叉，本文首先运用主成分分析法对输入变量进行去维和去相关，提炼出对MBR膜通量影响较大的因子，然后将其作为最小二乘支持向量机的输入层。最小二乘支持向量机具有良好的泛化性能和很强的学习能力，在解决非线性有限样本问题上有很大优势，因此该方法为MBR膜通量的预测提供了一种全新的途径，但其预测精度很大程度上取决于模型参数的选取。遗传算法作为一种智能仿生算法，具有鲁棒性强、并行性好等优点。因此本文结合了这两种算法，提出了基于遗传算法进行参数优化的最小二乘支持向量机膜通量预测方法（GA-LSSVM）。经过对预测结果和实验结果对比表明，本文提出的预测模型能很好的预测MBR膜通量；同时实验数据还表明，用该方法训练的SVM比BP网络预测模型具有更高的预测精度。