（一）多元性回歸軟測量建模法的應用
    學過建模的人都知道，回歸分析法作為建模時候最常用的方法之一，它可以應用的范圍十分廣泛，并且以最小二乘原理為基礎的一元和多元性回歸技術已經十分成熟，很多領域都用其來解決各類問題。將其實際應用于污水處理的參數預測中顯然十分合適。該模型的建立主要是依靠對于可檢測量的參數數據和化驗數值，和進行操作的工藝等外在的影響無關。[3]它所建立起的模型十分簡單，且可以將具體算法輸入計算機的應用軟件，即可得出重要的出水參數的預測。通過反復試驗可以發現，該模型的結果擬合度較高，但是仍然存在著一些缺陷的，比如進水參數存在著滯后性。這是由于實驗的時候采樣時間較長且采樣不均造成的。該方法可以對參數進行粗略的估計，但是要進行精確度更高的估計，還是要采用下列所述的第二種方法。
    （二）人工神經網絡建模法的應用
    相較于第一種方法，第二種方法更加適用于系統較為復雜的情況。人工神經網絡有前向網絡和反饋網絡兩種類型。在不斷的實驗中，發現使用分離網絡結構分別測量在厭氧和好氧兩種條件下的參數，將兩者加以區分，能夠使結果更加精確，卻得更好的效果。但是該方法的缺陷在于無法對一些參數例如COD等進行測量。[4]不僅如此，國外研究人員還基于此種方法得出了一種在無法獲得污水處理過程參數時的近似方法。其原理在于，僅僅采用一些便于測量的參數亮，并利用神經網絡進行信息的處理，建立各種輔助性參數，經過一系列算法得出所要的水質參數。從中可以看出，無論是哪種方法，都需要或多或少的污水水質參數作為建模的基礎數據，才能保證模型算法的良好實現。[5]
    四、軟測量技術的未來發展方向
    從上述軟測量技術對污水處理的具體應用中可以發現，當前的幾種建立的模型都在實際的應用中存在著一定的漏洞或者局限性，所以，該技術未來的發展方向就是突破當前存在的這些技術屏障。比如，上文所提到的第二種人工神經網絡模型，在進行該方法的應用的時候必須對生產數據有一個全面的了解，但是在未來的污水處理中對水質的整體要求會逐漸提高，生產數據勢必會更加難以獲取，這對該方法的未來應用肯定存在著打擊。[6]所以，如何有一個長遠的目光，使得未來污水控制的越發嚴格的時候，該技術仍然能夠很好的應用于污水處理，是技術在發展過程中首先需要考慮的，也是必須考慮的。

上一頁 [1] [2] [3] 下一頁