黄琦兰，范金祥

（天津工业大学 电气工程与自动化学院，天津 300387））

污水处理过程中，化学需氧量（chemical oxygen demand，COD）是衡量水中有机物含量的重要指标，能否对COD进行实时准确的监测是水质污染防治的关键。由于污水处理系统存在处理工艺复杂，污水控制干扰大等问题，传统测量方法由于测量手段有限，难以满足精确性、实时性、经济性等要求，因此有必要建立高质量的软测量模型来预测出水水质参数[1-6]。

近年来，国内外很多学者对污水处理过程中出水水质软测量模型进行了大量的研究。人工神经网络（artificial neural network，ANN）已成功应用于许多污水处理厂的在线预测和过程监控中[7]。Fernandez等[8]使用灰色模型和人工神经网络来预测废水中的悬浮物和化学需氧量；Cong等[9]将小波神经网络和自适应加权融合的混合软测量模型用于出水COD的在线预测。然而，尽管人工神经网络表现出了优异的性能，但仍然存在局限性，如拟合度过高、收敛速度慢、泛化性能差等缺点。

支持向量机（support vector machine，SVM）在解决复杂问题方面具有独特的优势，在软测量中得到广泛的应用。文献[10]利用基于PSO-SVM混合模型对灌溉系统的沙滤池中出水浊度和pH值进行预测，并获得了良好的性能；最小二乘支持向量机（LSSVM）利用结构风险最小化原则来代替传统的经验风险最小化，使其对未来样本有较好的泛化能力，但该算法的自适应能力差，鲁棒性不强；文献[11]利用PSO-LSSVM进行污水COD预测，但PSO自身收敛速度慢，对预测精度有一定影响[12]。

基于以上原因，本文提出一种基于改进LSSVM的软测量模型，该方法通过改进粒子群算法（Improved PSO，IPSO）对LSSVM模型相关参数进行优化。……