来源：期刊VIP网 时间：
作者：骆雪汇;孙悦;曾泰山;刘乙奇;
单位：广州工程技术职业学院机电工程学院;华南理工大学自动化科学与工程学院;华南师范大学数学科学学院;造纸与污染控制国家工程研究中心;
摘要：软测量技术通过建立数学模型来间接测量难以直接获取的关键参数，可应用于污水处理过程中关键出水指标难以测量的问题。然而，传统神经网络软测量模型在应对污水处理软测量场景中日益复杂多样的数据时，由于模型结构过度稠密化，容易引发过拟合现象，导致模型的预测精度降低，泛化能力削弱。为此，文章提出了一种基于稀疏神经网络的软测量模型(SPNN)。该模型融合正则化稀疏性约束与周期性剪枝策略，降低网络中非零参数数量，以构建更为简洁且高效的模型结构；结合特征选择与数据标准化等预处理手段，进一步增强模型的预测性能和泛化能力。实验结果显示，在加州大学欧文分校的污水处理数据集(UCI污水数据集)上，相较于偏最小二乘(PLS)、支持向量机(SVM)、长短期记忆网络(LSTM)和深度神经网络(DNN),SPNN模型的预测误差显著降低。具体而言，与最优对比模型LSTM相比，SPNN模型的均方根误差(RMSE)下降了88.87%,平均绝对误差(MAE)降低了75.82%,决定系数(R~2)提高了6.29%,验证了其在复杂污水数据建模中的准确性与鲁棒性优势。
关键词：稀疏神经网络;;正则化;;剪枝;;污水处理
基金资助：国家自然科学基金项目(62273151,61873096,62073145);; 广东省基础与应用基础研究基金重点项目(2021B1515420003);; 广东省教育厅科研平台项目(2023KCXTD072);; 广州市虚拟仿真实训基地项目(2023XNJD005)
