相关实验视频
Updated: May 2, 2026
09:44
Methods to Test Visual Attention Online
Published on: February 19, 2015
11.8K
基于CNN-BiLSTM-Attention算法的化学氧气需求在线软测量方法
Libo Liu1, Xueyong Tian1, Yongguang Ma1
1School of Environmental and Chemical Engineering, Shenyang University of Technology, Shenyang, China.
PloS one
|June 28, 2024
概括
这项研究引入了一种先进的CNN-BiLSTM-Attention模型,用于在废水处理中实时监测化学氧气需求 (COD). 该方法提供了准确的COD预测,减少与传统测量相关的成本和劳动力.
科学领域:
- 环境工程 环境工程
- 水处理技术水处理技术
- 环境监测中的人工智能
背景情况:
- 精确的化学氧气需求 (COD) 测量对于有效的污水处理至关重要,但传统方法昂贵且劳动密集.
- 需要在线监测COD以实时跟踪治疗效率和趋势.
- 现有的方法缺乏持续废水管理所需的精度和效率.
研究的目的:
- 开发一个准确和高效的在线软测量方法,用于废水处理中的COD预测.
- 利用深度学习技术,在A2O过程的有氧阶段改善COD监测.
- 为了降低与传统COD分析相关的经济和劳动力成本.
主要方法:
- 一个卷积神经网络-双向长期短期记忆网络-注意力机制 (CNN-BiLSTM-Attention) 模型被开发用于COD软测量.
- 输入变量包括pH值,溶解氧 (DO),电导率 (EC) 和水温 (T) 根据相关性分析进行选择.
- 模型的性能使用RMSE,MAE,MAPE和R2进行评估,并与其他机器学习算法进行比较.
主要成果:
- 该CNN-BiLSTM-注意力模型在预测COD值方面表现出高准确性.
- 拟议的模型超过了几种基准算法,包括CNN-LSTM-Attention,CNN-BiLSTM和SVM和XGBoost等传统方法.
- 威尔科克森签名的等级测试证实CNN-BiLSTM-Attention模型比其他模型有显著的统计改善.
结论:
- CNN-BiLSTM-Attention算法为废水处理中的COD在线软测量提供了卓越和准确的方法.
- 这种人工智能驱动的方法为传统的COD测试提供了成本效益和节省劳动力的替代方案.
- 该模型能够捕捉复杂的时间依赖性,这使得它在实时环境监测中非常有效.
