为解决城市污水处理过程出水氨氮浓度难以实时精准测量的问题,构建了一种融合卷积层和注意力机制的长短期记忆网络(convolutional layer and squeeze-and-excitation attention mechanism based long short-term memory network,CSA-LS...为解决城市污水处理过程出水氨氮浓度难以实时精准测量的问题,构建了一种融合卷积层和注意力机制的长短期记忆网络(convolutional layer and squeeze-and-excitation attention mechanism based long short-term memory network,CSA-LSTM)模型。首先,通过引入卷积层(convolutional layer,CL)深度提取数据中的非线性特征,并通过注意力机制(squeeze-and-excitation attention mechanism,SEAM)自适应分配特征通道的权重,实现特征解耦;其次,长短期记忆网络(long short-term memory network,LSTM)提取时间序列数据长期依赖关系,实现出水氨氮浓度的实时预测;然后,提出一种具有自适应采集函数的贝叶斯优化算法,实现模型参数优化,进一步提高模型精度;最后,基于基准实验和实际污水处理厂数据测试CSA-LSTM的有效性。结果表明,模型具有较高的出水氨氮浓度预测精度,能够有效应对城市污水处理中数据的强非线性、耦合性以及时间依赖性问题,具有良好的泛化能力。展开更多
