非負(fù)矩陣分解算法超濾膜水處理預(yù)測(cè)方法

　　申請(qǐng)日2015.06.19

　　公開(kāi)(公告)日2015.10.28

　　IPC分類號(hào)G06N3/12; G06F19/00

　　摘要

　　本發(fā)明公開(kāi)了基于稀疏受限非負(fù)矩陣分解算法的超濾膜水處理預(yù)測(cè)方法，首先利用稀疏受限非負(fù)矩陣分解算法建立膜蒸餾污水處理過(guò)程的預(yù)測(cè)模型;其次分別在擬穩(wěn)定狀態(tài)和非穩(wěn)定狀態(tài)下，利用GA算法優(yōu)化預(yù)測(cè)模型的參數(shù);然后分別在擬穩(wěn)定狀態(tài)和非穩(wěn)定狀態(tài)下，利用優(yōu)化的預(yù)測(cè)模型對(duì)膜通量以及膜污染阻力的變化趨勢(shì)進(jìn)行預(yù)測(cè)，并分析膜蒸餾的基本操作參數(shù)對(duì)膜通量和膜污染阻力的影響;最后對(duì)預(yù)測(cè)結(jié)果進(jìn)行靈敏度分析計(jì)算，確定出影響膜通量和膜污染阻力的主導(dǎo)因素。本發(fā)明利用稀疏受限非負(fù)矩陣分解算法實(shí)時(shí)預(yù)測(cè)膜通量以及膜污染阻力變化情況，將膜蒸餾基本操作參對(duì)膜污染的影響明晰化、量化。

　　摘要附圖

 

　　權(quán)利要求書(shū)

　　1.基于稀疏受限非負(fù)矩陣分解算法的超濾膜水處理預(yù)測(cè)方法，其特征在于， 包括以下步驟：

　　(1)利用稀疏受限非負(fù)矩陣分解算法建立超濾膜污水處理過(guò)程的預(yù)測(cè)模型;

　　(2)分別在擬穩(wěn)定狀態(tài)和非穩(wěn)定狀態(tài)下，利用GA算法優(yōu)化步驟(1)建立 的預(yù)測(cè)模型的參數(shù);

　　(3)分別在擬穩(wěn)定狀態(tài)和非穩(wěn)定狀態(tài)下，利用步驟(2)優(yōu)化的預(yù)測(cè)模型對(duì) 膜通量和膜污染阻力的變化趨勢(shì)進(jìn)行預(yù)測(cè)，并分析膜蒸餾的基本操作參數(shù)對(duì)膜通 量和膜污染阻力的影響;

　　(4)對(duì)步驟(3)得到的預(yù)測(cè)結(jié)果進(jìn)行靈敏度分析計(jì)算，確定出影響膜通量 和膜污染阻力的主導(dǎo)因素。

　　2.根據(jù)權(quán)利要求1所述基于稀疏受限非負(fù)矩陣分解算法的超濾膜水處理預(yù) 測(cè)方法，其特征在于，步驟(1)的具體過(guò)程如下：

　　首先，定義稀疏受限非負(fù)矩陣分解算法的目標(biāo)函數(shù)F：

　　F(W,H)=||V-WH||2=Σij[Vij-(WH)ij]2 (1)

　　式(1)中，V為輸入數(shù)據(jù)樣本集，W為特征矩陣，H為投影稀疏矩陣;Vij表示 V第i行第j列元素，

　　初始化目標(biāo)函數(shù)F中特征矩陣W和投影稀疏矩陣H，

　　若W具有稀疏約束，則先設(shè)置W=W-θw(WH-V)HT，再根據(jù)非負(fù)稀疏投影算 法把W的每一列轉(zhuǎn)換成非負(fù)的，同時(shí)保持它的L2范式不變，同時(shí)設(shè)置其L1范式， 以達(dá)到指定的稀疏度Sw;若W沒(méi)有稀疏約束，則迭代運(yùn)算

　　$W=W\⊗\left({\mathrm{VH}}^T\right)\⊕\left({\mathrm{WHH}}^T\right),$

　　若H具有稀疏約束，則先設(shè)置H=H-θH(WH-V)，再根據(jù)非負(fù)稀疏投影算法 把H的每一行轉(zhuǎn)換成非負(fù)的，同時(shí)保持它的L2范式不變，并設(shè)置其L2范式，以 達(dá)到指定的稀疏度Sh;若H沒(méi)有稀疏約束，則迭代運(yùn)算 其中，和分別表示基于矩陣元素的乘法和 除法，θw和θH為正數(shù)，且θw,θH<<1;

　　然后，建立式(2)所示稀疏受限非負(fù)矩陣分解算法的最優(yōu)化問(wèn)題：

　　$\min E(W,H),W,H\&GreaterEqual;0,{\Sigma }_i{h_{ij}}^2=1,\&ForAll;j---\left(2\right)$

　　stSpareseness(wi)=Sw或者Spareseness(hi)=Sh

　　式(2)中，$Sparesenness\left(x\right)=\frac{\sqrt{n}-\left({\Sigma }_i\right|x_i\left|\right)/\sqrt{{\Sigma }_i{x_i}^2}}{\sqrt{n}-1},$n為向量x的維度，hij為 H第i行第j列元素，wi為W的第i列向量，hi為H的第i行向量，Sw和Sh的 取值范圍均為(0,1);

　　最后，求解式(2)所示稀疏受限非負(fù)矩陣分解算法的最優(yōu)化問(wèn)題。

　　3.根據(jù)權(quán)利要求1所述基于稀疏受限非負(fù)矩陣分解算法的超濾膜水處理預(yù) 測(cè)方法，其特征在于：步驟(2)所述利用GA算法優(yōu)化的參數(shù)包括Sw、Sh、θw和θH。

　　4.根據(jù)權(quán)利要求1所述基于稀疏受限非負(fù)矩陣分解算法的超濾膜水處理預(yù) 測(cè)方法，其特征在于，步驟(3)的具體過(guò)程為，分別在擬穩(wěn)定狀態(tài)和非穩(wěn)定狀 態(tài)下進(jìn)行如下操作：

　　將溫度、錯(cuò)流速度、進(jìn)水pH、跨膜壓力作為預(yù)測(cè)模型的輸入數(shù)據(jù)，將膜通 量和膜污染阻力作為預(yù)測(cè)模型的輸出數(shù)據(jù)，每次僅改變溫度差、錯(cuò)流速度、進(jìn)水 pH、膜孔徑和膜蒸餾處理時(shí)間中的一個(gè)參數(shù)，保證其他參數(shù)不變，運(yùn)用GA算 法優(yōu)化預(yù)測(cè)模型的參數(shù)，并將優(yōu)化后的參數(shù)代入預(yù)測(cè)模型進(jìn)行預(yù)測(cè)，再利用均方 根誤差RMSE和回歸系數(shù)R2這兩個(gè)評(píng)價(jià)參數(shù)對(duì)預(yù)測(cè)性能進(jìn)行評(píng)價(jià)，當(dāng)RMSE越 接近于0且R2越接近于1時(shí)，表明預(yù)測(cè)性能越好。

　　5.根據(jù)權(quán)利要求1所述基于稀疏受限非負(fù)矩陣分解算法的超濾膜水處理預(yù) 測(cè)方法，其特征在于：在步驟(4)中，分別采用斯皮爾曼相關(guān)性、伽馬相關(guān)性、 肯德?tīng)栂嚓P(guān)性和皮爾遜相關(guān)性對(duì)預(yù)測(cè)結(jié)果進(jìn)行靈敏度分析計(jì)算。

　　說(shuō)明書(shū)

　　基于稀疏受限非負(fù)矩陣分解算法的超濾膜水處理預(yù)測(cè)方法

　　技術(shù)領(lǐng)域

　　本發(fā)明屬于超濾膜技術(shù)、污水廢水處理領(lǐng)域，特別涉及了基于稀疏受限非負(fù) 矩陣分解算法的超濾膜水處理預(yù)測(cè)方法。

　　背景技術(shù)

　　近年來(lái)，膜分離技術(shù)發(fā)展迅速，包括納濾膜、超濾膜、反滲透膜，它們的快 速發(fā)展為城市污水處理和工業(yè)廢水處理提供新途徑。超濾膜篩分過(guò)程是以膜兩側(cè) 的壓力差為驅(qū)動(dòng)力，以超濾膜為過(guò)濾介質(zhì)，在一定的壓力下，當(dāng)原液流過(guò)膜表面 時(shí)，超濾膜表面密布的許多細(xì)小的微孔只允許水及小分子物質(zhì)通過(guò)而成為透過(guò) 液，而原液中體積大于膜表面微孔徑的物質(zhì)則被截留在膜的進(jìn)液側(cè)，成為濃縮液， 因而實(shí)現(xiàn)對(duì)原液的凈化、分離和濃縮的目的。與傳統(tǒng)給水凈化工藝與消毒相比， 超濾的主要優(yōu)點(diǎn)：①超濾過(guò)濾法沒(méi)有相變，無(wú)需加熱，因此不僅省能，而且特別 適用于處理熱敏性物質(zhì);②設(shè)備簡(jiǎn)單，占地面積小，特別是中空纖維超濾膜組件， 不僅設(shè)備簡(jiǎn)單，由于單位體積膜面積大，即填充系數(shù)大，占地面積很小;③操作 壓力低;④能量消耗少。內(nèi)壓式的中空纖維超濾膜組件，沒(méi)有死角，覆蓋層薄， 滲透通量大，易清洗，更省能。

　　然而，利用超濾膜技術(shù)處理污水最主要的限制來(lái)源于膜污染，膜污染會(huì)嚴(yán)重 導(dǎo)致膜通量的降低，超濾膜處理效率的下降。此外，膜污染還將增加了額外的膜 清洗費(fèi)用，縮短膜的使用壽命，并且因污水處理過(guò)程中需要頻繁地更換新膜，而 增加了處理費(fèi)用。膜的運(yùn)行過(guò)程中，其污染程度主要取決于3個(gè)因素：1、系統(tǒng) 的運(yùn)行參數(shù);2、進(jìn)水水質(zhì);3、膜本身性能。由于膜分離過(guò)程的非線性特征以及 膜污染與系統(tǒng)操作參數(shù)之間關(guān)系的模糊性，導(dǎo)致了超濾處理過(guò)程中，其基本操作 參數(shù)(比如：溫度T、跨膜壓力TMP、錯(cuò)流速度CFV、進(jìn)水pH、溶質(zhì)粒子的粒 徑大小等)對(duì)膜污染的具體量化的影響還不明晰，有待進(jìn)一步的研究。因此，為 探明系統(tǒng)操作參數(shù)對(duì)膜污染的具體影響并將這種影響進(jìn)行量化，需對(duì)超濾膜處理 過(guò)程進(jìn)行數(shù)學(xué)模擬，即建立超濾膜污水處理過(guò)程的預(yù)測(cè)模型。

　　目前，用于預(yù)測(cè)膜分離過(guò)程的數(shù)學(xué)模型大致分為兩類：1、理論模型(參數(shù) 模型);2、非參數(shù)模型;其中理論模型是基于機(jī)理知識(shí)的(即基本參數(shù)對(duì)膜污染 的影響機(jī)理)，要求對(duì)相應(yīng)的膜污染影響機(jī)理非常了解，才可以應(yīng)用理論模型進(jìn) 行膜污染預(yù)測(cè)，但運(yùn)算復(fù)雜、計(jì)算處理費(fèi)用昂貴。而非參數(shù)模型則不需要對(duì)相應(yīng) 機(jī)理(基本參數(shù)對(duì)膜污染的影響機(jī)理)了解得很透徹，彌補(bǔ)了理論模型存在的弊 端。由于超濾膜處理過(guò)程的復(fù)雜性以及基本操作參數(shù)對(duì)膜污染影響機(jī)理的不明確 性，因此需要選取合適的非參數(shù)模型對(duì)超濾過(guò)程進(jìn)行預(yù)測(cè)。目前，應(yīng)用較多的算 法模型有很多，包括GP(遺傳規(guī)劃算法)、模糊系統(tǒng)、ANN(人工神經(jīng)網(wǎng)絡(luò)) 等，其中當(dāng)前應(yīng)用最多的是ANN模型，它被廣泛運(yùn)用于各種膜分離處理過(guò)程(例 如：微濾MF、反滲透RO、納濾NF、電滲析ED),其中ANN還成功用于超濾 過(guò)程的模擬預(yù)測(cè)。但是ANN存在以下缺點(diǎn)：1、預(yù)測(cè)結(jié)果僅為局部極小值，而 非全局極小值;2、難以確定其網(wǎng)絡(luò)拓?fù)浣Y(jié)構(gòu);3、易出現(xiàn)過(guò)度擬合問(wèn)題。

　　發(fā)明內(nèi)容

　　為了解決上述背景技術(shù)提出的技術(shù)問(wèn)題，本發(fā)明旨在提供基于稀疏受限非負(fù) 矩陣分解算法的超濾膜水處理預(yù)測(cè)方法，利用稀疏受限非負(fù)矩陣分解算法實(shí)時(shí)預(yù) 測(cè)膜通量以及膜污染阻力變化情況，將膜蒸餾基本操作參對(duì)膜污染的影響明晰 化、量化。

　　為了實(shí)現(xiàn)上述技術(shù)目的，本發(fā)明的技術(shù)方案為：

　　基于稀疏受限非負(fù)矩陣分解算法的超濾膜水處理預(yù)測(cè)方法，包括以下步驟：

　　(1)利用稀疏受限非負(fù)矩陣分解算法建立超濾膜污水處理過(guò)程的預(yù)測(cè)模型;

　　(2)分別在擬穩(wěn)定狀態(tài)和非穩(wěn)定狀態(tài)下，利用GA算法優(yōu)化步驟(1)建立 的預(yù)測(cè)模型的參數(shù);

　　(3)分別在擬穩(wěn)定狀態(tài)和非穩(wěn)定狀態(tài)下，利用步驟(2)優(yōu)化的預(yù)測(cè)模型對(duì) 膜通量和膜污染阻力的變化趨勢(shì)進(jìn)行預(yù)測(cè)，并分析膜蒸餾的基本操作參數(shù)對(duì)膜通 量和膜污染阻力的影響;

　　(4)對(duì)步驟(3)得到的預(yù)測(cè)結(jié)果進(jìn)行靈敏度分析計(jì)算，確定出影響膜通量 和膜污染阻力的主導(dǎo)因素。

　　進(jìn)一步地，步驟(1)的具體過(guò)程如下：

　　首先，定義稀疏受限非負(fù)矩陣分解算法的目標(biāo)函數(shù)F：

　　F(W,H)=||V-WH||2=∑ij[Vij-(WH)ij]2 (1)

　　式(1)中，V為輸入數(shù)據(jù)樣本集，W為特征矩陣，H為投影稀疏矩陣;Vij表示 V第i行第j列元素，

　　初始化目標(biāo)函數(shù)F中特征矩陣W和投影稀疏矩陣H，

　　若W具有稀疏約束，則先設(shè)置W=W-θw(WH-V)HT，再根據(jù)非負(fù)稀疏投影算 法把W的每一列轉(zhuǎn)換成非負(fù)的，同時(shí)保持它的L2范式不變，同時(shí)設(shè)置其L1范式， 以達(dá)到指定的稀疏度Sw;若W沒(méi)有稀疏約束，則迭代運(yùn)算

　　$W=W\&CircleTimes;\left({\mathrm{VH}}^T\right)\&CirclePlus;\left({\mathrm{WHH}}^T\right),$

　　若H具有稀疏約束，則先設(shè)置H=H-θH(WH-V)，再根據(jù)非負(fù)稀疏投影算法 把H的每一行轉(zhuǎn)換成非負(fù)的，同時(shí)保持它的L2范式不變，并設(shè)置其L2范式，以 達(dá)到指定的稀疏度Sh;若H沒(méi)有稀疏約束，則迭代運(yùn)算 其中，和分別表示基于矩陣元素的乘法和 除法，θw和θH為正數(shù)，且θw,θH<<1;

　　然后，建立式(2)所示稀疏受限非負(fù)矩陣分解算法的最優(yōu)化問(wèn)題：

　　$\min E(W,H),W,H\&GreaterEqual;0,{\Sigma }_i{h_{ij}}^2=1,\&ForAll;j---\left(2\right)$

　　stSpareseness(wi)=Sw或者Spareseness(hi)=Sh

　　式(2)中，$Sparesenness\left(x\right)=\frac{\sqrt{n}-\left({\Sigma }_i\right|x_i\left|\right)/\sqrt{{\Sigma }_i{x_i}^2}}{\sqrt{n}-1},$n為向量x的維度，hij為 H第i行第j列元素，wi為W的第i列向量，hi為H的第i行向量，Sw和Sh的 取值范圍均為(0,1);

　　最后，求解式(2)所示稀疏受限非負(fù)矩陣分解算法的最優(yōu)化問(wèn)題。

　　進(jìn)一步地，步驟(2)所述利用GA算法優(yōu)化的參數(shù)包括Sw、Sh、θw和θH。

　　進(jìn)一步地，步驟(3)的具體過(guò)程為，分別在擬穩(wěn)定狀態(tài)和非穩(wěn)定狀態(tài)下進(jìn) 行如下操作：

　　將溫度、錯(cuò)流速度、進(jìn)水pH、跨膜壓力作為預(yù)測(cè)模型的輸入數(shù)據(jù)，將膜通 量和膜污染阻力作為預(yù)測(cè)模型的輸出數(shù)據(jù)，每次僅改變溫度差、錯(cuò)流速度、進(jìn)水 pH、膜孔徑和膜蒸餾處理時(shí)間中的一個(gè)參數(shù)，保證其他參數(shù)不變，運(yùn)用GA算 法優(yōu)化預(yù)測(cè)模型的參數(shù)，并將優(yōu)化后的參數(shù)代入預(yù)測(cè)模型進(jìn)行預(yù)測(cè)，再利用均方 根誤差RMSE和回歸系數(shù)R2這兩個(gè)評(píng)價(jià)參數(shù)對(duì)預(yù)測(cè)性能進(jìn)行評(píng)價(jià)，當(dāng)RMSE越 接近于0且R2越接近于1時(shí)，表明預(yù)測(cè)性能越好。

　　進(jìn)一步地，在步驟(4)中，分別采用斯皮爾曼相關(guān)性、伽馬相關(guān)性、肯德 爾相關(guān)性和皮爾遜相關(guān)性對(duì)預(yù)測(cè)結(jié)果進(jìn)行靈敏度分析計(jì)算。

　　采用上述技術(shù)方案帶來(lái)的有益效果：

　　本發(fā)明采用稀疏受限非負(fù)矩陣分解算法來(lái)建立預(yù)測(cè)模型，克服了常用模型的 缺點(diǎn)，其適應(yīng)性和預(yù)測(cè)性能較好，預(yù)測(cè)的速度也更快;本發(fā)明選用遺傳算法GA 對(duì)LSSVM模型參數(shù)進(jìn)行優(yōu)化，具有既可處理離散變量又可處理連續(xù)變量、針對(duì) 非線性目標(biāo)以及不需要梯度信息來(lái)約束函數(shù)等優(yōu)點(diǎn)，優(yōu)化精度較高;本發(fā)明還對(duì) 預(yù)測(cè)結(jié)果進(jìn)行靈敏度分析計(jì)算，篩選出影響膜通量以及膜污染阻力的主導(dǎo)因素。