一种基于PSLSTM神经网络的出水BOD浓度预测方法

一种基于pslstm神经网络的出水bod浓度预测方法
技术领域
1.本发明使用基于偏最小二乘剪枝算法的简化长短期记忆(partial least squares-based pruning algorithm for simplified long-short term memory,pslstm)神经网络实现对未来时刻出水bod浓度的预测，涉及人工智能领域，又直接应用于污水处理水质参数预测领域。


背景技术：

2.生化需氧量(biochemical oxygen demand，bod)是指在有氧条件下，微生物进行生物化学反应过程中所消耗的溶解氧的数量，是描述污水特征的关键参数之一，是作为污水处理衡量总体性能的一个重要指标。目前存在的稀释与接种、人工定时采样、传感器检测等方法只能对当前时刻的出水bod浓度进行检测，无法对未来时刻出水bod浓度进行预测。基于当前和过去状态信息对未来时刻出水bod浓度进行预测，从而判断未来时刻出水bod浓度的趋势，可以为污水处理厂的应用决策提供有力依据。因此，设计一种模型高效的对未来时刻出水bod浓度进行预测是污水处理过程中面临的难题。lstm神经网络能够识别变量之间的非线性关系，能够对未来时刻的变量进行预测，解决未来时刻出水bod浓度预测困难的问题。本发明设计了一种基于pslstm神经网络的出水bod浓度预测方法，实现未来时刻出水bod浓度的高效、准确、低成本预测，为相关部门科学决策提供参考。


技术实现要素：

3.本发明设计了一种基于pslstm神经网络的出水bod浓度预测方法，使用污水处理厂的实际数据对网络模型进行参数训练，实现对未来时刻出水bod浓度的高效、准确、低成本预测。
4.一种基于pslstm神经网络的出水bod浓度预测方法,其特征在于,包括以下步骤:
5.步骤1：数据预处理；
6.步骤1.1：计算出污水处理厂每一个水质参数与出水bod浓度的互信息值，计算方式如式(1)所示，选取互信息值大于0.84的变量得出与出水bod浓度相关性强的辅助变量为：出水总氮浓度、进水磷酸盐浓度、进水色度；
[0007][0008]
其中，i(x,y)表示x,y的互信息，p(x,y)表示x,y的联合概率密度分布函数，p(x)、p(y)分别表示x、y的概率密度分布函数；
[0009]
步骤1.2：选取t-2、t-1、t时刻的出水总氮浓度、进水磷酸盐浓度、进水色度及出水bod浓度作为输入变量，t 1时刻的出水bod浓度作为输出变量；将输入变量,输出变量按照公式(2)-(3)归一化至[-1,1]:
[0010]
[0011][0012]
其中,x
t
表示t时刻的输入变量,x
t
表示归一化后的t时刻输入变量，o
t
表示t时刻的输出变量,x
t
表示归一化后的t时刻输出变量；
[0013]
步骤2：设计出水bod的pslstm神经网络预测模型；
[0014]
步骤2.1：设计slstm神经网络的结构；
[0015]
设计的slstm神经网络由2个控制门和一个记忆单元组成，各结构的计算功能如下：
[0016]
①
输入门:输入门i
t
控制需要输入到网络中的信息，计算如下：
[0017]it
＝σ(u
iht-1
bi)
ꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀ
(4)
[0018]
其中，ui和bi分别为输入门的递归权重矩阵和偏差权重矩阵，h
t-1
是时间t-1时刻的单元输出，σ为sigmoid激活函数(σ(x)＝1/1 e-x
)；
[0019]
②
记忆单元：记忆单元c
t
将当前信息与以前的信息结合起来，计算如下：
[0020]ct
＝(1-i
t
)
⊙ct-1
z
t
ꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀ
(5)
[0021]
其中，
⊙
表示点乘运算，c
t-1
为t-1时刻的记忆单元状态，z
t
表示单元输入结合t时刻的输入变量x
t
和t-1时刻的单元输出h
t-1
来更新输入：
[0022]zt
＝g(wzx
t
u
zht-1
bz)
ꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀ
(6)
[0023]
其中，wz,uz和bz分别为单元输入的输入权重矩阵、递归权重矩阵和偏差权重矩阵，g为双曲正切激活函数(g(x)＝tanh(x))；
[0024]
③
输出门：输出门o
t
通过以下公式控制多少单元输出h
t
被输出网络：
[0025]ot
＝σ(u
oht-1
bo)
ꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀ
(7)
[0026]ht
＝o
t
⊙
g(c
t
)
ꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀ
(8)
[0027]
其中，uo和bo分别为输出门的递归权重矩阵和偏差权重矩阵，h
t
为t时刻lstm单元的输出，g(c
t
)表示c
t
被tanh激活函数转换；
[0028]
计算slstm的最终输出y
t
如下所示：
[0029]yt
＝w
yht
ꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀ
(9)
[0030]
其中，wy为单元输出和pslstm最终输出之间的连接矩阵；
[0031]
步骤2.2：设计基于pls的slstm神经网络剪枝算法；
[0032]
步骤2.2.1：使用偏最小二乘(partial least squares,pls)法计算每个lstm内部记忆单元的相应回归系数，pls回归方程如下所示：
[0033]yt
＝a1c
t,1

···
a
mct,m

···
a
m(t)ct,m(t)
ꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀ
(10)
[0034]
其中，am为pls回归系数，m(t)为t时刻lstm单元的个数；
[0035]
步骤2.2.2：根据选择不重要的lstm单元，为所有记忆单元的pls回归系数的平均值，θ为根据经验设置的预定义阈值,取值0.06；
[0036]
步骤2.2.3：根据公式(12)将不重要的lstm单元与其最相关的单元合并：
[0037]
[0038]
其中，s
mn
为相关系数，c
t,m
为t时刻被选择的不重要的lstm单元m的记忆状态，c
t,n
为t时刻未被选择的lstm单元n的记忆状态，和分别为所有时间点上c
t,m
和c
t,n
的平均值,σm、σn分别为c
t,m
、c
t,n
的标准差，选择具有最高相关系数的lstm单元作为最相关的单元；
[0039]
步骤2.2.4：合并不重要的lstm单元m1和其最相关的单元m2生成新的单元m0，lstm单元m0所有的输入、递归和偏置权重矩阵在[-1,1]范围内随机分配，m0的输出通过公式(4)-(8)计算，从单元输出到pslstm最终输出的连接权重矩阵被计算为：
[0040][0041]
其中，分别为剪枝前lstm单元m1、m2的输出到pslstm最终输出的连接权重矩阵，分别为剪枝前lstm单元m1、m2的输出，为剪枝后lstm单元m0的输出到pslstm最终输出的连接权重矩阵，为剪枝后lstm单元m0的输出；
[0042]
步骤3：设计出水bod的pslstm神经网络学习算法；
[0043]
步骤3.1：定义性能指标函数:
[0044][0045]
其中，和y
t
分别为t时刻pslstm的期望输出和实际输出；
[0046]
步骤3.2：采用时间反向传播算法来更新参数；
[0047]
①
在最后一次更新参数时，δh
t
通过进行计算，否则δh
t
通过以下公式进行计算：
[0048]
δh
t
＝δz
t 1
uz δi
t 1
ui δo
t 1
uoꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀ
(14)
[0049]
其中，δh
t
代表t时刻输出向量h
t
的误差项,δz
t 1
、δi
t 1
与δo
t 1
分别代表t 1时刻单元输入z
t 1
、输入门i
t 1
、输出门o
t 1
的误差项；
[0050]
②
计算与记忆单元和门结构相关的参数如下所示：
[0051]
δc
t
＝δh
t
⊙ot
⊙g′
(c
t
)
ꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀ
(15)
[0052]
δo
t
＝δh
t
⊙
g(c
t
)
⊙
σ
′
(o
t
)
ꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀ
(16)
[0053][0054][0055]
其中，δc
t
、δo
t
、δi
t
与δz
t
分别表示t时刻记忆单元状态c
t
、输出门o
t
、输入门i
t
、单元输入z
t
的误差项，o
t
,分别表示输出门、输入门和单元输入被相应激活函数转换前的原始值,g
′
(c
t
)表示c
t
被tanh激活函数转换后求导，σ
′
(o
t
)表示o
t
被sigmoid激活函数转换后求导，表示被sigmoid激活函数转换后求导，表示被sigmoid激活函数转换后求导；
[0056]
③
更新t时刻的输入权重、递归权重和偏差权重矩阵如下所示：
[0057]wz,t
＝w
z,t 1-η
×
δw
z,t
ꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀ
(19)
[0058]uω,t
＝u
ω,t 1-η
×
δu
ω,t
ꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀ
(20)
[0059]bω,t
＝b
ω,t 1-η
×
δb
ω,t
ꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀ
(21)
[0060]
其中,w
z,t
、u
ω,t
、b
ω,t
分别表示更新后的t时刻输入权重矩阵、递归权重矩阵、偏差权重矩阵,w
z,t 1
、u
ω,t 1
、b
ω,t 1
分别表示t 1时刻输入权重矩阵、递归权重矩阵、偏差权重矩阵,η为学习率，取值0.01，δw
z,t
、δu
ω,t
、δb
ω,t
分别表示t时刻输入权重矩阵、递归权重矩阵、偏差权重矩阵的更新值，被计算为：
[0061][0062][0063]
δb
ω,t
＝δω
t
ꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀ
(24)
[0064]
其中，表示矩阵的叉乘；ω表示{z,i,o}中的其中一个；
[0065]
步骤3.3:输入训练样本数据,根据步骤3.2中的公式(14)-(24)更新输入权重、递归权重、偏差权重矩阵,每输入一组训练样本,权值更新一次；
[0066]
步骤3.4:计算训练rmse，如果rmse小于期望的训练rmse(ed)或者迭代次数达到最大迭代次数(i
max
)时停止计算，其中i
max
取值为1000，ed取值为0.0200，否则跳至步骤3.3，rmse定义如公式(25)所示：
[0067][0068]
其中，t是所有时间点的数量；
[0069]
步骤4:出水bod预测；
[0070]
将测试样本数据作为训练好的pslstm神经网络的输入,得到pslstm神经网络的输出,将其进行反归一化得到出水bod浓度。
[0071]
有益效果：
[0072]
(1)本发明针对当前污水处理过程中的水质参数出水bod浓度预测存在周期长、成本高且无法对未来时刻的出水bod浓度预测等问题，提出了pslstm神经网络模型实现对未来时刻出水bod浓度的预测，具有精度高、预测时间短等特点。
[0073]
(2)本发明针对标准lstm神经网络计算量大、内部结构复杂等问题，采用门结构简化和参数简化相结合的混合策略来简化lstm的内部结构，并使用pls回归系数来评估内存单元的重要性，通过将不重要的单元与其最相关的单元合并来修剪冗余的隐藏层大小，避免网络规模过大。
附图说明
[0074]
图1是本发明的神经网络内部结构图；
[0075]
图2是本发明的出水bod浓度预测方法训练均方根误差(rmse)变化图；
[0076]
图3是本发明的出水bod浓度预测结果图；
[0077]
图4是本发明的出水bod浓度预测误差图；
[0078]
图5是本发明的出水bod浓度预测方法训练过程中隐含层大小变化图。
具体实施方式
[0079]
本发明获得了一种基于pslstm神经网络的出水bod预测方法，根据污水处理过程采集的数据实现对未来时刻bod浓度的测量，解决了污水处理过程未来时刻出水bod浓度难以测量的问题，提高了城市污水处理厂对未来时刻水质质量监控水平；
[0080]
实验数据来自某污水厂2011年水质分析数据，包含四个水质变量：(1)出水总氮浓度；(2)进水磷酸盐浓度；(3)进水色度；(4)出水bod浓度。总共采集了362个样本，前250个样本用于训练，后112个样本用于测试；
[0081]
一种基于pslstm神经网络的出水bod浓度预测方法包括以下步骤:
[0082]
步骤1：数据预处理；
[0083]
步骤1.1：计算出污水处理厂每一个水质参数与出水bod浓度的互信息值，计算方式如式(1)所示，选取互信息值大于0.84的变量得出与出水bod浓度相关性强的辅助变量为：出水总氮浓度、进水磷酸盐浓度、进水色度；
[0084][0085]
其中，i(x,y)表示x,y的互信息，p(x,y)表示x,y的联合概率密度分布函数，p(x)、p(y)分别表示x、y的概率密度分布函数；
[0086]
步骤1.2：选取t-2、t-1、t时刻的出水总氮浓度、进水磷酸盐浓度、进水色度及出水bod浓度作为输入变量，t 1时刻的出水bod浓度作为输出变量；将输入变量,输出变量按照公式(2)-(3)归一化至[-1,1]:
[0087][0088][0089]
其中,x
t
表示t时刻的输入变量,x
t
表示归一化后的t时刻输入变量，o
t
表示t时刻的输出变量,x
t
表示归一化后的t时刻输出变量；
[0090]
步骤2：设计出水bod的pslstm神经网络预测模型；
[0091]
步骤2.1：设计slstm神经网络的结构；
[0092]
设计的slstm神经网络由2个控制门和一个记忆单元组成，各结构的计算功能如下：
[0093]
①
输入门:输入门i
t
控制需要输入到网络中的信息，计算如下：
[0094]it
＝σ(u
iht-1
bi)
ꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀ
(4)
[0095]
其中，ui和bi分别为输入门的递归权重矩阵和偏差权重矩阵，h
t-1
是时间t-1时刻的单元输出，σ为sigmoid激活函数(σ(x)＝1/1 e-x
)；
[0096]
②
记忆单元：记忆单元c
t
将当前信息与以前的信息结合起来，计算如下：
[0097]ct
＝(1-i
t
)
⊙ct-1
z
t
ꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀ
(5)
[0098]
其中，
⊙
表示点乘运算，c
t-1
为t-1时刻的记忆单元状态，z
t
表示单元输入结合t时刻的输入变量x
t
和t-1时刻的单元输出h
t-1
来更新输入：
[0099]zt
＝g(wzx
t
u
zht-1
bz)
ꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀ
(6)
[0100]
其中，wz,uz和bz分别为单元输入的输入权重矩阵、递归权重矩阵和偏差权重矩阵，g为双曲正切激活函数(g(x)＝tanh(x))；
[0101]
③
输出门：输出门o
t
通过以下公式控制多少单元输出h
t
被输出网络：
[0102]ot
＝σ(u
oht-1
bo)
ꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀ
(7)
[0103]ht
＝o
t
⊙
g(c
t
)
ꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀ
(8)
[0104]
其中，uo和bo分别为输出门的递归权重矩阵和偏差权重矩阵，h
t
为t时刻lstm单元的输出，g(c
t
)表示c
t
被tanh激活函数转换；
[0105]
计算slstm的最终输出y
t
如下所示：
[0106]yt
＝w
yht
ꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀ
(9)
[0107]
其中，wy为单元输出和pslstm最终输出之间的连接矩阵；
[0108]
步骤2.2：设计基于pls的slstm神经网络剪枝算法；
[0109]
步骤2.2.1：使用偏最小二乘(partial least squares,pls)法计算每个lstm内部记忆单元的相应回归系数，pls回归方程如下所示：
[0110]yt
＝a1c
t,1

···
a
mct,m

···
a
m(t)ct,m(t)
ꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀ
(10)
[0111]
其中，am为pls回归系数，m(t)为t时刻lstm单元的个数；
[0112]
步骤2.2.2：根据选择不重要的lstm单元，为所有记忆单元的pls回归系数的平均值，θ为根据经验设置的预定义阈值,取值0.06；
[0113]
步骤2.2.3：根据公式(12)将不重要的lstm单元与其最相关的单元合并：
[0114][0115]
其中，s
mn
为相关系数，c
t,m
为t时刻被选择的不重要的lstm单元m的记忆状态，c
t,n
为t时刻未被选择的lstm单元n的记忆状态，和分别为所有时间点上c
t,m
和c
t,n
的平均值,σm、σn分别为c
t,m
、c
t,n
的标准差，选择具有最高相关系数的lstm单元作为最相关的单元；
[0116]
步骤2.2.4：合并不重要的lstm单元m1和其最相关的单元m2生成新的单元m0，lstm单元m0所有的输入、递归和偏置权重矩阵在[-1,1]范围内随机分配，m0的输出通过公式(4)-(8)计算，从单元输出到pslstm最终输出的连接权重矩阵被计算为：
[0117][0118]
其中，分别为剪枝前lstm单元m1、m2的输出到pslstm最终输出的连接权重矩阵，分别为剪枝前lstm单元m1、m2的输出，为剪枝后lstm单元m0的输出到pslstm最终输出的连接权重矩阵，为剪枝后lstm单元m0的输出；
[0119]
步骤3：设计出水bod的pslstm神经网络学习算法；
[0120]
步骤3.1：定义性能指标函数:
[0121][0122]
其中，和y
t
分别为t时刻pslstm的期望输出和实际输出；
[0123]
步骤3.2：采用时间反向传播算法来更新参数；
[0124]
①
在最后一次更新参数时，δh
t
通过进行计算，否则δh
t
通过以下公式进行计算：
[0125]
δh
t
＝δz
t 1
uz δi
t 1
ui δo
t 1
uoꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀ
(14)
[0126]
其中，δh
t
代表t时刻输出向量h
t
的误差项,δz
t 1
、δi
t 1
与δo
t 1
分别代表t 1时刻单元输入z
t 1
、输入门i
t 1
、输出门o
t 1
的误差项；
[0127]
②
计算与记忆单元和门结构相关的参数如下所示：
[0128]
δc
t
＝δh
t
⊙ot
⊙g′
(c
t
)
ꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀ
(15)
[0129]
δo
t
＝δh
t
⊙
g(c
t
)
⊙
σ
′
(o
t
)
ꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀ
(16)
[0130][0131][0132]
其中，δc
t
、δo
t
、δi
t
与δz
t
分别表示t时刻记忆单元状态c
t
、输出门o
t
、输入门i
t
、单元输入z
t
的误差项，o
t
,分别表示输出门、输入门和单元输入被相应激活函数转换前的原始值,g
′
(c
t
)表示c
t
被tanh激活函数转换后求导，σ
′
(o
t
)表示o
t
被sigmoid激活函数转换后求导，表示被sigmoid激活函数转换后求导，表示被sigmoid激活函数转换后求导；
[0133]
③
更新t时刻的输入权重、递归权重和偏差权重矩阵如下所示：
[0134]wz,t
＝w
z,t 1-η
×
δw
z,t
ꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀ
(19)
[0135]uω,t
＝u
ω,t 1-η
×
δu
ω,t
ꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀ
(20)
[0136]bω,t
＝b
ω,t 1-η
×
δb
ω,t
ꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀ
(21)
[0137]
其中,w
z,t
、u
ω,t
、b
ω,t
分别表示更新后的t时刻输入权重矩阵、递归权重矩阵、偏差权重矩阵,w
z,t 1
、u
ω,t 1
、b
ω,t 1
分别表示t 1时刻输入权重矩阵、递归权重矩阵、偏差权重矩阵,η为学习率，取值0.01，δw
z,t
、δu
ω,t
、δb
ω,t
分别表示t时刻输入权重矩阵、递归权重矩阵、偏差权重矩阵的更新值，被计算为：
[0138][0139][0140]
δb
ω,t
＝δω
t
ꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀ
(24)
[0141]
其中，表示矩阵的叉乘；ω表示{z,i,o}中的其中一个；
[0142]
步骤3.3:输入训练样本数据,根据步骤3.2中的公式(14)-(24)更新输入权重、递归权重、偏差权重矩阵,每输入一组训练样本,权值更新一次；
[0143]
步骤3.4:计算训练rmse，如果rmse小于期望的训练rmse(ed)或者迭代次数达到最大迭代次数(i
max
)时停止计算，其中i
max
取值为1000，ed取值为0.0200，否则跳至步骤3.3，rmse定义如公式(25)所示：
[0144]
[0145]
其中，t是所有时间点的数量；
[0146]
步骤4:出水bod预测；
[0147]
将测试样本数据作为训练好的pslstm神经网络的输入,得到pslstm神经网络的输出,将其进行反归一化得到出水bod浓度。
[0148]
在本实施例中，出水bod浓度预测方法训练rmse如图2所示，x轴为迭代次数，y轴为训练rmse的值；出水bod浓度预测结果如图3所示，x轴为测试样本个数，y轴为出水bod浓度值，单位是mg/l，实线为出水bod浓度实际输出值，虚线为出水bod浓度期望输出值；出水bod浓度测试误差如图4所示，x轴为测试样本个数，y轴为出水bod浓度预测误差，单位是mg/l。
[0149]
表1—表9是本发明实验数据，其中表1—表4为训练样本：出水总氮浓度、进水磷酸盐浓度、进水色度和出水bod浓度，表5—表8为测试样本：出水总氮浓度、进水磷酸盐浓度、进水色度和出水bod浓度，表9为本发明出水bod预测值。
[0150]
训练样本：
[0151]
表1.辅助变量出水总氮(mg/l)
[0152][0153][0154]
表2.辅助变量进水磷酸盐浓度(mg/l)
[0155][0156][0157]
表3：辅助变量进水色度
[0158]
11.400011.59008.780010.080010.290010.080011.050011.26009.900010.270010.880012.72005.150013.800010.750010.22002.900010.680012.280011.600012.700012.020013.72009.82008.80009.420010.380011.240012.060011.280010.620011.32009.32009.880010.080011.12009.75008.22009.470010.12009.820011.280010.320010.080011.740010.260012.600011.350010.420011.220010.780010.62008.75009.220010.620010.280011.070010.580011.150010.680010.420010.05009.70009.380010.28009.620010.320010.880010.30009.65009.740010.060010.45009.350010.070010.32009.680010.15009.52009.380010.07009.76009.28009.64009.370010.11009.50009.730010.22009.87009.560010.180010.58009.78009.21009.860010.05009.780010.14009.760010.02009.84009.62009.58009.37009.290010.12009.84009.64009.57009.06009.32009.530010.26009.26009.03009.24009.06009.17009.20009.63009.28009.020010.17009.42009.15009.240010.18009.72009.58009.55009.87009.280010.18009.72009.29008.65008.75008.92008.64008.37008.96009.25007.23007.58007.96007.54007.82008.28007.80005.80005.02005.13004.89004.76004.52003.68003.94004.16003.7400
3.48004.82004.22003.75004.03004.70004.15003.74003.09004.85003.23003.04003.52003.04004.23003.16004.54002.05002.82003.17004.74003.76002.95003.84002.74005.28003.46004.07003.58002.96003.16002.42003.20004.88003.92003.52003.07003.88004.15002.48003.40005.92004.28004.07003.58004.40004.13004.55004.08003.77004.15003.86003.43003.51003.08003.72003.98003.05002.15001.72002.60003.25001.80002.30001.92002.07001.55002.68001.48001.72002.18001.86002.38001.95002.04001.92002.82002.48002.15002.65002.62002.32002.15002.56002.78002.51002.15007.72002.70002.9500
[0159]
表4.出水bod浓度(mg/l)
[0160][0161][0162]
测试样本：
[0163]
表5.辅助变量出水总氮(mg/l)
[0164]
42.424342.468642.512942.557142.601442.645742.690041.984341.278640.572939.867139.161438.455737.750037.931438.112938.294338.475738.657138.838639.020039.382939.745740.108640.471440.834341.197141.560041.365741.171440.977140.782940.588640.394340.200039.874339.548639.222938.897138.571438.245737.920038.051438.182938.314338.445738.577138.708638.840038.5557
38.271437.987137.702937.418637.134336.850036.694336.538636.382936.227136.071435.915735.760036.408637.057137.705738.354339.002939.651440.300039.904339.508639.112938.717138.321437.925737.530037.745737.961438.177138.392938.608638.824339.040038.998638.957138.915738.874338.832938.791438.750038.631438.512938.394338.275738.157138.038637.920037.410036.900036.390035.880035.370034.860034.350034.183034.016033.849033.682033.515033.348033.348033.348033.3480
ꢀꢀꢀꢀꢀꢀ
[0165]
表6.辅助变量进水磷酸盐浓度(mg/l)
[0166][0167][0168]
表7：辅助变量进水色度
[0169]
2.36001.98002.14002.46001.62002.08002.38001.84002.46002.09001.78001.84002.26003.78002.95001.85002.47002.00001.90002.54002.70002.48002.76002.26001.94002.10001.85002.68002.05001.84002.60002.71002.26002.09001.79002.04002.45002.16002.86003.08002.76002.87002.58002.72002.93002.30002.57002.90003.12002.98003.03002.78002.36002.74003.42003.45003.40003.10003.64002.76003.23003.38003.05004.40002.93003.17003.62004.95004.75005.26005.18004.80005.28003.87005.75005.30005.53005.78004.75005.72004.38006.03006.76006.13005.84006.30006.13005.37006.25006.82006.62006.24006.37006.54005.89006.52007.80007.23006.94007.12006.77006.13006.58007.04008.830012.200010.78009.83008.69008.17008.77007.58007.15007.93007.0600
ꢀꢀꢀꢀꢀ
[0170]
表8.出水bod浓度(mg/l)
[0171]
13.171413.242913.314313.385713.457113.528613.600013.800014.000014.200014.400014.600014.800015.000014.828614.657114.485714.314314.142913.971413.800013.942914.085714.228614.371414.514314.657114.800014.671414.542914.414314.285714.157114.028613.900013.885713.871413.857113.842913.828613.814313.800013.628613.457113.285713.114312.942912.771412.600012.642912.685712.728612.771412.814312.857112.900012.742912.585712.428612.2714
12.114311.957111.800012.000012.200012.400012.600012.800013.000013.200013.142913.085713.028612.971412.914312.857112.800012.757112.714312.671412.628612.585712.542912.500012.557112.614312.671412.728612.785712.842912.900012.857112.814312.771412.728612.685712.642912.600012.528612.457112.385712.314312.242912.171412.100012.170012.240012.310012.380012.450012.520012.590012.660012.730012.8000
ꢀꢀꢀꢀꢀ
[0172]
表9.本发明预测出水bod预测值(mg/l)
[0173][0174]