• <tr id="yyy80"></tr>
  • <sup id="yyy80"></sup>
  • <tfoot id="yyy80"><noscript id="yyy80"></noscript></tfoot>
  • 99热精品在线国产_美女午夜性视频免费_国产精品国产高清国产av_av欧美777_自拍偷自拍亚洲精品老妇_亚洲熟女精品中文字幕_www日本黄色视频网_国产精品野战在线观看 ?

    基于集成相關(guān)向量機(jī)的水質(zhì)在線預(yù)測(cè)模型

    2018-03-27 06:36:06,,
    關(guān)鍵詞:預(yù)測(cè)器污水處理閾值

    ,,

    (1.華南理工大學(xué) 機(jī)械與汽車工程學(xué)院,廣東 廣州 510640;2.廣州中國科學(xué)院 沈陽自動(dòng)化研究所分所,廣東 廣州 511458)

    0 引言

    污水處理過程工況復(fù)雜,在線測(cè)量儀表維護(hù)成本高昂,存在著如毒性物質(zhì)濃度、化學(xué)需氧量(chemical oxygen demand, COD)、氨氮、生化需氧量(biological oxygen deman, BOD)等難以在線測(cè)量的水質(zhì)指標(biāo),而污水處理中各設(shè)備間的自動(dòng)化控制與調(diào)度依賴于水質(zhì)的實(shí)時(shí)準(zhǔn)確測(cè)量[1]。現(xiàn)有的常用水質(zhì)測(cè)量方法有減壓庫倫法、離線分析法、活性污泥快速法、標(biāo)準(zhǔn)稀釋法等,水質(zhì)的測(cè)定周期較長,不能及時(shí)的提供污水處理的實(shí)時(shí)信息,為污水處理的實(shí)際生產(chǎn)帶來不便。預(yù)測(cè)水質(zhì)的變化趨勢(shì)對(duì)于掌握污水處理現(xiàn)狀具有重要意義,然而影響水質(zhì)變化的因素眾多,各因素間又相互影響,傳統(tǒng)方法依托建立精確的生化機(jī)理反應(yīng)模型的來預(yù)測(cè)水質(zhì)變化,難以克服各因素間的強(qiáng)非線性,預(yù)測(cè)誤差較大。面對(duì)這些特點(diǎn),國內(nèi)外學(xué)者提出了大量基于數(shù)據(jù)驅(qū)動(dòng)的污水水質(zhì)指標(biāo)軟測(cè)量方法,該方法無需了解污水生化反應(yīng)過程中的復(fù)雜機(jī)制,根植于數(shù)據(jù)本身,極大的促進(jìn)了污水處理水質(zhì)預(yù)測(cè)的研究。文獻(xiàn)[2-3]采用神經(jīng)網(wǎng)絡(luò)建立污水水質(zhì)預(yù)測(cè)模型,文獻(xiàn)[4-5]采用支持向量機(jī)建立了污水處理過程出水水質(zhì)的軟測(cè)量模型,文獻(xiàn)[6]采用相關(guān)向量機(jī)建立了污水水質(zhì)的在線軟測(cè)量預(yù)測(cè)模型,并引入快速似然邊界算法加快了模型的更新速度。然而,神經(jīng)網(wǎng)絡(luò)容易陷入局部最小值和過擬合,存在著健忘和泛化性能較弱,權(quán)值不易在線調(diào)整等缺點(diǎn)[7],支持向量機(jī)隨著樣本量的增加,訓(xùn)練時(shí)間會(huì)變長,支持向量增多,稀疏性降低,且核函數(shù)的選擇受到Mercer條件制約[8],當(dāng)樣本中存在較少異常值時(shí),相關(guān)向量機(jī)可以得到魯棒性良好的回歸模型[9],但隨著異常值的增多,其泛化能力會(huì)下降,魯棒性漸失,同時(shí)這些缺陷均影響了污水水質(zhì)在線預(yù)測(cè)的可靠性和實(shí)時(shí)性。

    根據(jù)現(xiàn)有成果與存在的問題,本文提出一種基于集成相關(guān)向量機(jī)的污水水質(zhì)在線預(yù)測(cè)模型。該模型以RVM為弱預(yù)測(cè)器,利用改進(jìn)的AdaBoost.RT算法將多個(gè)弱預(yù)測(cè)器集成為強(qiáng)預(yù)測(cè)器。RVM是建立在貝葉斯理論(Bayesian Principle)下的稀疏核機(jī),不受Mercer定理的限制,可以任意選擇核函數(shù),具有較好的泛化能力,但污水生化處理的過程,存在著參數(shù)時(shí)變的現(xiàn)象,隨著異常值的增多,會(huì)使RVM的預(yù)測(cè)精度下降,針對(duì)這一問題,該模型利用改進(jìn)的AdaBoost.RT算法將RVM弱預(yù)測(cè)器分層組合,使迭代的重點(diǎn)聚焦與少數(shù)異常樣本上,提高了模型的預(yù)測(cè)精度的魯棒性,同時(shí)也滿足污水水質(zhì)在線預(yù)測(cè)的實(shí)時(shí)性的要求,并通過仿真實(shí)驗(yàn)得到了驗(yàn)證。

    1 基于集成相關(guān)向量機(jī)的水質(zhì)在線預(yù)測(cè)模型

    1.1 相關(guān)向量機(jī)回歸模型

    tn=y(xn,w)+εn

    (1)

    其中:權(quán)值向量w=(w0,w1,···,wn),εn為期望為0,方差為σ2的附加高斯噪聲,即εn~N(0,σ2)。因此p(tn|x)=N(tn|y(xn),σ2),式中y(x)定義為:

    (2)

    式中,K(x,xi)為核函數(shù)。其中常用的全局性核函數(shù)有多項(xiàng)式核函數(shù),如式(3)和常用的局部性核函數(shù)有徑向基核函數(shù),如式(4)。

    K(x,y)=(xTy+c)q,q∈N,c≥0

    (3)

    (4)

    其中:c為常數(shù),q表示多項(xiàng)式次數(shù),δ為核寬度。

    由于tn是相互獨(dú)立的,因此訓(xùn)練樣本集的似然函數(shù)為:

    (5)

    其中:t=(t1,t2,···,tn)T,Φ=[φ(x1),φ(x2),···,φ(xn)]T,φ(xn)=[1,K(xn,x1),···,K(xn,xT)]T。

    為避免RVM回歸模型出現(xiàn)過度擬合(over-fitting),RVM定義一個(gè)高斯先驗(yàn)概率來約束權(quán)值向量w:

    (6)

    其中:超參數(shù)α=(a0,a1,…,aN)T,由式(6)可以看出每一個(gè)權(quán)值wi對(duì)應(yīng)唯一的超參數(shù)αi,參數(shù)受到先驗(yàn)分布的影響,通過對(duì)樣本集的不斷訓(xùn)練,大部分超參數(shù)αi將趨于無窮大,其對(duì)應(yīng)的權(quán)值wi會(huì)趨于0,從而確保了相關(guān)向量機(jī)的稀疏性。

    根據(jù)貝葉斯準(zhǔn)則,定義了先驗(yàn)概率,可得到后驗(yàn)概率:

    (7)

    當(dāng)輸入一個(gè)新樣本x*,預(yù)測(cè)相應(yīng)輸出t*預(yù)測(cè)分布為:

    (8)

    也可以得到權(quán)重w的后驗(yàn)概率分布為:

    (9)

    其中后驗(yàn)協(xié)方差∑和均值μ分別為:

    ∑=(σ-2ΦTΦ+A)-1

    (10)

    μ=σ-2∑ΦTt

    (11)

    式中,A=diag(α0,α1,···,αN)?;谧畲笃谕瑓?shù)估計(jì),多次迭代計(jì)算后可得:

    (αi)new=γi/μi2

    (12)

    (13)

    式中,μi為第i個(gè)后驗(yàn)平均權(quán)值;γi定義γi≡1-αi∑ii。

    (14)

    其中:

    (15)

    y*=μTΦ(x*)

    (16)

    式中,y*為t*的預(yù)測(cè)值。

    1.2 改進(jìn)的AdaBoost.RT算法

    集成算法[11]的基本思想是將多個(gè)僅比隨機(jī)猜測(cè)略好的弱預(yù)測(cè)器進(jìn)行迭代融合從而使得到的強(qiáng)預(yù)測(cè)器具有更高的預(yù)測(cè)精度和泛化能力。與傳統(tǒng)的集成算法AdaBoost相比,AdaBoost.RT算法的主要區(qū)別在于引進(jìn)了固定閾值φ,通過與訓(xùn)練誤差的對(duì)比,確定權(quán)值更新的方式,它解決了最初boosting算法在訓(xùn)練集中損失函數(shù)超過0.5便停止和不能任意設(shè)置迭代次數(shù)的缺陷。AdaBoost.RT算法的具體計(jì)算過程如下:

    1)輸入:m個(gè)樣本、弱預(yù)測(cè)器算法ft、迭代次數(shù)T、閾值φ(0<φ<1)。

    3)訓(xùn)練:當(dāng)t

    Et=|(ft(xi)-yi)/yi|

    (17)

    根據(jù)式(18)計(jì)算弱預(yù)測(cè)器ft的誤差率:

    (18)

    (19)

    式中,Zt是歸一化因子。

    4) 輸出預(yù)測(cè)結(jié)果:結(jié)果T輪的訓(xùn)練后的得到的強(qiáng)預(yù)測(cè)器F由T個(gè)弱預(yù)測(cè)器根據(jù)誤差率加權(quán)平均得到,如式(20)。

    (20)

    由上述計(jì)算步驟可以看出,AdaBoost.RT算法性能對(duì)于閾值φ的選擇比較依賴,若閾值φ的取值過大將難以實(shí)現(xiàn)對(duì)異常數(shù)據(jù)的重點(diǎn)學(xué)習(xí),若取值過小則無法將足夠的樣本進(jìn)行充分的學(xué)習(xí),實(shí)際應(yīng)用中通常需要反復(fù)實(shí)驗(yàn)才能最終確定閾值φ的取值,閾值φ的取值對(duì)于模型的性能至關(guān)重要。針對(duì)這一問題,對(duì)AdaBoost.RT進(jìn)行改進(jìn):將固定的閾值φ改為自適應(yīng)型閾值,使閾值φ在集成學(xué)習(xí)的過程中根據(jù)誤差的變化而變化,即當(dāng)誤差εt大于誤差εt-1時(shí),增大閾值φ,當(dāng)誤差εt小于誤差εt-1時(shí),減小閾值φ,加強(qiáng)了對(duì)難以預(yù)測(cè)的樣本的學(xué)習(xí),最終提高了模型最終的預(yù)測(cè)精度和泛化能力。具體做法是在每次迭代計(jì)算后,計(jì)算弱預(yù)測(cè)器的均方根誤差(root mean square error, RMSE),如式(21):

    (21)

    然后按式(22)對(duì)閾值φ進(jìn)行調(diào)整:

    (22)

    其中:α的計(jì)算公式為:

    (23)

    所以,樣本權(quán)重的更新公式在改進(jìn)AdaBoost.RT算法中被修改為:

    (24)

    文獻(xiàn)[12]指出,當(dāng)改進(jìn)的AdaBoost.RT算法的閾值φ初始設(shè)置大于0.4時(shí),模型對(duì)閾值φ的變化十分敏感,預(yù)測(cè)誤差變化較大,模型的魯棒性不足,而當(dāng)初始閾值φ設(shè)置在(0,0.4)之間時(shí),模型的預(yù)測(cè)誤差輸出較為穩(wěn)定,也較好地避免了模型訓(xùn)練過程中閾值φ陷入局部最優(yōu)。

    1.3 建模步驟

    污水處理具有復(fù)雜的生化反應(yīng)過程和非穩(wěn)態(tài)運(yùn)行等特征,不同的水質(zhì)指標(biāo)受到不同的特征的影響,本文以預(yù)測(cè)生化需氧量BOD為例,建立水質(zhì)在線預(yù)測(cè)模型。BOD定義為20℃時(shí),污水中好氧微生物將有機(jī)污染物氧化分解時(shí)所需氧氣量,是反應(yīng)污水中可降解有機(jī)物的指標(biāo),BOD越大則污染情況就越嚴(yán)重[13]。根據(jù)BOD的特性選擇與之相關(guān)聯(lián)的水質(zhì)特征組成數(shù)據(jù)集,為消除不同特征間幅值對(duì)預(yù)測(cè)精度的影響,對(duì)污水水質(zhì)數(shù)據(jù)進(jìn)行歸一化處理。在線仿真實(shí)驗(yàn)中模型更新時(shí),為保持訓(xùn)練樣本集的容量不變,選擇限定記憶法來確保每次都有新的樣本增加,同時(shí)刪除最早的樣本數(shù)據(jù)。基于集成RVM的水質(zhì)預(yù)測(cè)模型流程簡圖如圖1所示。

    圖1 集成RVM模型建模流程圖

    2 實(shí)驗(yàn)仿真與結(jié)果分析

    2.1 實(shí)驗(yàn)數(shù)據(jù)

    本文所用污水處理過程數(shù)據(jù)來源于加州大學(xué)歐文分校機(jī)器學(xué)習(xí)數(shù)據(jù)庫,數(shù)據(jù)為某城市污水廠2年間實(shí)際生產(chǎn)所測(cè)得數(shù)據(jù),采樣時(shí)間最大間隔為2天,共包含527個(gè)樣本,每個(gè)樣本具有38個(gè)特征,其中不含缺失值的樣本有380個(gè),具有13種運(yùn)行狀態(tài)。進(jìn)行數(shù)據(jù)預(yù)處理時(shí),將數(shù)據(jù)集中不滿足3σ原則的異常值所在樣本和具有缺失值的相鄰樣本刪除,然后對(duì)缺失值進(jìn)行拉格朗日插值填補(bǔ)。選取與BOD相關(guān)的輸入特征,分別為整個(gè)污水廠的BOD輸入、COD輸入、懸浮固體濃度和可降解固體濃度,初沉池的BOD和固體懸浮物濃度Ss,二沉池的BOD和COD,二級(jí)沉降器BOD、COD、pH、固體懸浮物濃度和可降解固體濃度以及輸出的COD、BOD、懸浮固體濃度與可降解固體濃度,最終得到420組樣本數(shù)據(jù)。

    2.2 性能評(píng)價(jià)指標(biāo)

    污水處理過程的水質(zhì)預(yù)測(cè)本質(zhì)是一個(gè)回歸問題,為評(píng)價(jià)各水質(zhì)預(yù)測(cè)模型的綜合性能,采用均方根誤差RMSE,平均相對(duì)誤差mean-re,最大相對(duì)誤差max-re和每次模型更新的平均用時(shí)time四個(gè)指標(biāo)作為模型綜合性能的評(píng)價(jià)標(biāo)準(zhǔn)。其中:

    2.3 在線仿真實(shí)驗(yàn)

    仿真實(shí)驗(yàn)中計(jì)算機(jī)環(huán)境為:Windows 10操作系統(tǒng),Intel Core i5處理器,主頻為3.2 GHz,8 G內(nèi)存,240 G固態(tài)硬盤,采用Matlab 2016b軟件編程實(shí)現(xiàn)。選取最終得到的420組污水水質(zhì)的樣本數(shù)據(jù),其中320組用于模型的訓(xùn)練,余下的100組作為測(cè)試集來驗(yàn)證模型的綜合性能。分別建立基于支持向量機(jī)SVM、相關(guān)向量機(jī)RVM和集成相關(guān)向量機(jī)RVM的水質(zhì)指標(biāo)BOD的在線預(yù)測(cè)模型。所建模型均采用徑向基核函數(shù),如式(4)。SVM的懲罰參數(shù)c和核參數(shù)g1采用五折交叉驗(yàn)證和遺傳算法尋優(yōu)確定,RVM與集成RVM的核參數(shù)g2與g3亦采用五折交叉驗(yàn)證法和遺傳算法尋優(yōu)確定,g3由首次尋優(yōu)確定后,在后續(xù)弱預(yù)測(cè)器的迭代中不變,集成RVM模型的弱預(yù)測(cè)器個(gè)數(shù)設(shè)置為5個(gè)。其中,SVM模型的預(yù)設(shè)迭代次數(shù)為300次,RVM模型的預(yù)設(shè)迭代次數(shù)為500次,原因在于SVM的目標(biāo)函數(shù)是一個(gè)凸二次規(guī)劃求解問題,而RVM模型的目標(biāo)函數(shù)非凸需要更多的迭代次數(shù),考慮到集成RVM的迭代所需為弱預(yù)測(cè)器,其迭代次數(shù)預(yù)設(shè)為300次。

    進(jìn)行后續(xù)水質(zhì)在線預(yù)測(cè)時(shí),采用同上述一樣的步驟方法以及限定記憶法對(duì)模型進(jìn)行更新。本文中各模型的仿真實(shí)驗(yàn)均進(jìn)行10次,得到的數(shù)據(jù)為10次實(shí)驗(yàn)結(jié)果的平均值,3種模型的水質(zhì)在線預(yù)測(cè)性能評(píng)價(jià)指標(biāo)如表1所示,圖2~圖4分別為BOD的實(shí)際數(shù)據(jù)與各模型的預(yù)測(cè)結(jié)果對(duì)比圖。

    表1 3種模型的水質(zhì)預(yù)測(cè)結(jié)果

    注:RVM-A表示集成RVM模型

    從表1中可以看出,在具有強(qiáng)非線性和非穩(wěn)態(tài)和參數(shù)時(shí)變的污水處理環(huán)境中,集成RVM模型的預(yù)測(cè)精度最高,均方根誤差RMSE為1.857,平均相對(duì)誤差mean-re為0.076,最大相對(duì)誤差max-re為0.278,相較于單一預(yù)測(cè)器的RVM和SVM模型,均方根誤差RMSE分別下降了19.5%和20.9%,平均相對(duì)誤差mean-re分別下降了30.9%和26.2%,最大相對(duì)誤差max-re分別下降了52.0%和22.6%。

    圖2 SVM在線預(yù)測(cè)結(jié)果

    圖3 RVM在線預(yù)測(cè)結(jié)果

    圖4 集成RVM在線預(yù)測(cè)結(jié)果

    在3種水質(zhì)預(yù)測(cè)模型中,SVM的訓(xùn)練時(shí)間最長,原因在于SVM有懲罰系數(shù)c和核寬度g兩個(gè)參數(shù)需要尋優(yōu)確定,而RVM僅需尋優(yōu)確定核寬度一個(gè)參數(shù),RVM的懲罰系數(shù)c會(huì)在訓(xùn)練過程中自動(dòng)生成,而在SVM中懲罰系數(shù)c是平衡經(jīng)驗(yàn)風(fēng)險(xiǎn)和置信區(qū)間的重要參數(shù),需要人工設(shè)置,顯然一維參數(shù)比二維參數(shù)尋優(yōu)的時(shí)間復(fù)雜度要小很多[14]。由于RVM比SVM的稀疏性更好,在訓(xùn)練與預(yù)測(cè)中,RVM極大地降低了核函數(shù)的計(jì)算量,模型訓(xùn)練完成后,對(duì)于新樣本的預(yù)測(cè)所需要時(shí)間也更短。

    從圖2~圖4中各模型的預(yù)測(cè)對(duì)比圖可以看出,集成RVM模型對(duì)于BOD的變化追蹤效果最好,能更好的適應(yīng)新的工況,具有最佳的模型魯棒性和泛化性能。圖5為集成RVM模型和RVM模型的預(yù)測(cè)絕對(duì)誤差對(duì)比圖,可以看出:集成RVM模型對(duì)于絕大多數(shù)測(cè)試樣本的預(yù)測(cè)誤差低于單一RVM模型,特別是對(duì)異常樣本的預(yù)測(cè),集成RVM在多輪的迭代過程中針對(duì)異常值的重點(diǎn)學(xué)習(xí)在此情況下體現(xiàn)出了極大的優(yōu)勢(shì)。從表1可以看出,集成RVM的模型更新速度比RVM模型慢,原因在于多出了集成多個(gè)弱預(yù)測(cè)器的過程,從實(shí)際污水處理過程中對(duì)水質(zhì)在線預(yù)測(cè)的要求考慮,模型的預(yù)測(cè)精度和泛化能力的優(yōu)先級(jí)要略高于模型對(duì)時(shí)間的要求。

    圖5 絕對(duì)誤差對(duì)比圖

    結(jié)合以上分析,基于集成RVM的污水處理水質(zhì)在線預(yù)測(cè)模型的綜合性能優(yōu)于其他模型,滿足實(shí)際污水處理過程中對(duì)于水質(zhì)預(yù)測(cè)準(zhǔn)確性和實(shí)時(shí)性的要求。

    3 結(jié)論

    污水處理是一個(gè)復(fù)雜的生化反應(yīng)過程,具有強(qiáng)非線性和參數(shù)時(shí)變等特征,傳統(tǒng)的傳感器難以測(cè)量BOD等反應(yīng)水質(zhì)情況的關(guān)鍵指標(biāo),并考慮到單一弱預(yù)測(cè)器難以在異常值增加的情況下獲得良好的預(yù)測(cè)精度和魯棒性,因此本文提出一種基于改進(jìn)AdaBoost.RT算法集成相關(guān)向量機(jī)RVM的污水處理水質(zhì)在線預(yù)測(cè)模型。通過與SVM和RVM預(yù)測(cè)模型的對(duì)比,仿真實(shí)驗(yàn)結(jié)果表明:集成RVM模型具有預(yù)測(cè)精度高,能夠很好的適應(yīng)BOD的變化,同時(shí)模型更新速度快,在異常值增多的情況下依然具有良好的魯棒性等優(yōu)點(diǎn),較好地克服了復(fù)雜的污水處理環(huán)境帶來的困難,完全滿足水質(zhì)在線預(yù)測(cè)的實(shí)際要求。

    [1] 黃道平, 劉乙奇, 李 艷. 軟測(cè)量在污水處理過程中的研究與應(yīng)用[J]. 化工學(xué)報(bào), 2011, 62(1): 1-9.

    [2] 張瑞成,王 宇,李 沖. 基于NW型小世界人工神經(jīng)網(wǎng)絡(luò)的污水出水水質(zhì)預(yù)測(cè)[J]. 計(jì)算機(jī)測(cè)量與控制, 2016, 24(1): 61-63.

    [3] Pai T Y, Wan T J, Hsu S T, et al. Using fuzzy inference system to improve neural network for predicting hospital wastewater treatment plant effluent[J]. Computers & Chemical Engineering, 2009, 33(7): 1272-1278.

    [4] 黃銀蓉, 張紹德. MIMO最小二乘支持向量機(jī)污水處理在線軟測(cè)量研究[J]. 自動(dòng)化與儀器儀表, 2010, 30(4):15-17.

    [5] Chen Z M, Hu J. Wastewater treatment prediction based on chaos-GA optimized LS-SVM[C]./Proceedings of the 2011 Chinese Control and Decision Conference. Mianyang: China Academic Journal Electronic Publishing House, 2011: 4021-4024.

    [6] 許玉格, 劉 莉, 曹 濤. 基于Fast-RVM的在線軟測(cè)量預(yù)測(cè)模型[J]. 化工學(xué)報(bào), 2015, 66(11): 4540-4545.

    [7] 冉維麗, 喬俊飛. 基于PCA時(shí)間延遲神經(jīng)網(wǎng)絡(luò)的BOD在線預(yù)測(cè)軟測(cè)量方法[J]. 電工技術(shù)學(xué)報(bào), 2004, 19(12): 78-82.

    [8] Pani A K, Mohanta H K. Application of support vector regression, fuzzy inference and adaptive neural fuzzy inference techniques for online monitoring of cement fitness[J]. Powder Technology, 2014, 264: 484-497.

    [9] 楊 飚, 周 陽. 一種改進(jìn)的相關(guān)向量機(jī)回歸方法[J]. 科學(xué)技術(shù)與工程, 2015, 15(2): 241-245.

    [10] TIPPING M E. Sparse Bayesian learning and the relevance vector machine[J]. Journal of Machine Learning Research, 2001, 1(3): 211-244.

    [11] 毛志忠, 田慧欣, 王 琰. 基于AdaBoost混合模型的LF爐鋼水終點(diǎn)溫度軟測(cè)量[J]. 儀器儀表學(xué)報(bào), 2008, 29(3): 662-667.

    [12] Solomatine D P, Shrestha D L. AdaBoost.RT: A boosting algorithm for regression problems[C].IEEE International Joint Conference on Neural Networks, Piscataway, 2004: 1163-1168.

    [13] Yu G P, Yuan M Z, Wang H. On simplified model for activated sludge wastewater treatment process and simulation based on benchmark[C].Proceedings of the 26th Chinese Control Conference, 2007: 182-186.

    [14] Masuda K. Global optimization of point search by equilibrium search of gradient dynamical system [J]. Electronic and Communication in Japan, 2008, 91(1): 19-31.

    猜你喜歡
    預(yù)測(cè)器污水處理閾值
    輸入延遲系統(tǒng)的切換偽預(yù)測(cè)鎮(zhèn)定控制器
    我國鄉(xiāng)鎮(zhèn)污水處理模式的探討
    太原市61個(gè)村要建污水處理設(shè)施嚴(yán)禁直排入河
    一種改進(jìn)型TAGE分支預(yù)測(cè)器的實(shí)現(xiàn)
    小波閾值去噪在深小孔鉆削聲發(fā)射信號(hào)處理中的應(yīng)用
    基于自適應(yīng)閾值和連通域的隧道裂縫提取
    涌浪機(jī)在污水處理中的應(yīng)用
    比值遙感蝕變信息提取及閾值確定(插圖)
    河北遙感(2017年2期)2017-08-07 14:49:00
    室內(nèi)表面平均氡析出率閾值探討
    三亞加快污水處理工程建設(shè)
    黑人欧美特级aaaaaa片| 久久这里只有精品19| 国产免费现黄频在线看| 亚洲精品久久成人aⅴ小说| 精品99又大又爽又粗少妇毛片| 国产 精品1| videossex国产| 欧美精品国产亚洲| 成人手机av| 黑丝袜美女国产一区| 久久鲁丝午夜福利片| 久久亚洲国产成人精品v| 欧美 日韩 精品 国产| 久久人人爽av亚洲精品天堂| av一本久久久久| 男女啪啪激烈高潮av片| 人人妻人人爽人人添夜夜欢视频| 久久久久久久大尺度免费视频| 人体艺术视频欧美日本| 成年女人在线观看亚洲视频| 国产日韩欧美亚洲二区| 欧美日韩亚洲高清精品| 在线免费观看不下载黄p国产| 最后的刺客免费高清国语| 最近中文字幕高清免费大全6| 亚洲内射少妇av| xxx大片免费视频| 美女国产视频在线观看| 亚洲av.av天堂| 亚洲一区二区三区欧美精品| 久久精品人人爽人人爽视色| 亚洲人成网站在线观看播放| 99久久人妻综合| 秋霞在线观看毛片| 午夜福利影视在线免费观看| 丝袜美足系列| 欧美另类一区| 大片电影免费在线观看免费| 久久久久精品久久久久真实原创| 成人毛片60女人毛片免费| 欧美人与善性xxx| 国产亚洲av片在线观看秒播厂| 一边摸一边做爽爽视频免费| 大片免费播放器 马上看| 国产精品欧美亚洲77777| 国产黄频视频在线观看| 人体艺术视频欧美日本| 欧美激情 高清一区二区三区| 高清在线视频一区二区三区| 国产黄色视频一区二区在线观看| 一二三四中文在线观看免费高清| 亚洲欧洲日产国产| 免费久久久久久久精品成人欧美视频 | 日韩电影二区| 亚洲性久久影院| 精品人妻一区二区三区麻豆| 黄网站色视频无遮挡免费观看| 99久久精品国产国产毛片| 欧美人与性动交α欧美软件 | 国产毛片在线视频| 精品人妻在线不人妻| 日韩精品免费视频一区二区三区 | 夫妻性生交免费视频一级片| 欧美xxⅹ黑人| 90打野战视频偷拍视频| 80岁老熟妇乱子伦牲交| 自线自在国产av| 三上悠亚av全集在线观看| 日本91视频免费播放| 精品一品国产午夜福利视频| 国产精品不卡视频一区二区| 亚洲欧美成人精品一区二区| 老熟女久久久| 精品亚洲成a人片在线观看| 日韩精品免费视频一区二区三区 | 成年女人在线观看亚洲视频| 久久久国产欧美日韩av| 欧美成人午夜精品| 国产 精品1| 免费看av在线观看网站| 亚洲美女搞黄在线观看| 午夜福利视频在线观看免费| 久久毛片免费看一区二区三区| 亚洲三级黄色毛片| 中文字幕制服av| 国产日韩欧美视频二区| 亚洲精品第二区| 久久久久久久国产电影| 免费人成在线观看视频色| a级毛色黄片| 欧美精品亚洲一区二区| 2021少妇久久久久久久久久久| 精品卡一卡二卡四卡免费| 啦啦啦中文免费视频观看日本| 精品第一国产精品| 91久久精品国产一区二区三区| 美女国产视频在线观看| 国产男人的电影天堂91| 亚洲色图 男人天堂 中文字幕 | 欧美成人精品欧美一级黄| 黄色视频在线播放观看不卡| 精品国产国语对白av| 黄片播放在线免费| 天堂8中文在线网| 精品国产国语对白av| 51国产日韩欧美| 丰满少妇做爰视频| 日本av手机在线免费观看| √禁漫天堂资源中文www| 啦啦啦在线观看免费高清www| 午夜久久久在线观看| 亚洲成国产人片在线观看| 日韩三级伦理在线观看| 天堂8中文在线网| av在线播放精品| 日韩,欧美,国产一区二区三区| 婷婷色综合www| 亚洲国产精品国产精品| 亚洲精品国产色婷婷电影| 国产国语露脸激情在线看| 十八禁高潮呻吟视频| 日本av免费视频播放| 精品一区二区三区四区五区乱码 | 久久人人97超碰香蕉20202| 成人影院久久| 欧美日韩精品成人综合77777| 男女无遮挡免费网站观看| 国产精品国产三级国产专区5o| 午夜福利视频精品| 伦理电影免费视频| 亚洲一级一片aⅴ在线观看| 亚洲av国产av综合av卡| 国产高清不卡午夜福利| 不卡视频在线观看欧美| 久久av网站| 97超碰精品成人国产| 亚洲第一av免费看| 91成人精品电影| 亚洲精品456在线播放app| www日本在线高清视频| 天美传媒精品一区二区| 亚洲一级一片aⅴ在线观看| 99热网站在线观看| 哪个播放器可以免费观看大片| 日韩人妻精品一区2区三区| 欧美xxⅹ黑人| 熟女电影av网| 大香蕉久久网| 午夜福利,免费看| 久久久久精品人妻al黑| 国产精品麻豆人妻色哟哟久久| 老司机影院成人| 毛片一级片免费看久久久久| 男女高潮啪啪啪动态图| 亚洲美女黄色视频免费看| 精品午夜福利在线看| 丝袜人妻中文字幕| 国产女主播在线喷水免费视频网站| 色网站视频免费| 超色免费av| av免费观看日本| 天堂中文最新版在线下载| 欧美97在线视频| 在线观看人妻少妇| 精品亚洲成a人片在线观看| 国产日韩欧美亚洲二区| 高清在线视频一区二区三区| 日本av手机在线免费观看| 国产精品人妻久久久影院| 汤姆久久久久久久影院中文字幕| 丁香六月天网| 免费久久久久久久精品成人欧美视频 | 免费观看av网站的网址| 18禁动态无遮挡网站| 如何舔出高潮| 国产爽快片一区二区三区| 久久精品国产a三级三级三级| 亚洲五月色婷婷综合| 97精品久久久久久久久久精品| 亚洲国产精品国产精品| 人人妻人人澡人人爽人人夜夜| 国产黄频视频在线观看| 搡老乐熟女国产| 99热这里只有是精品在线观看| 中国美白少妇内射xxxbb| 国产一区二区激情短视频 | 九九爱精品视频在线观看| 国产成人午夜福利电影在线观看| 精品熟女少妇av免费看| 亚洲精品久久久久久婷婷小说| 免费av中文字幕在线| 我要看黄色一级片免费的| 如何舔出高潮| 伦精品一区二区三区| 狠狠婷婷综合久久久久久88av| 成人国产麻豆网| 一级毛片电影观看| 国产精品久久久久成人av| 国产精品久久久久久精品古装| 老女人水多毛片| 免费看光身美女| 伊人亚洲综合成人网| 高清黄色对白视频在线免费看| 欧美精品人与动牲交sv欧美| 天天躁夜夜躁狠狠久久av| 久久人人爽人人爽人人片va| 九色成人免费人妻av| 啦啦啦视频在线资源免费观看| 丰满迷人的少妇在线观看| 亚洲婷婷狠狠爱综合网| 建设人人有责人人尽责人人享有的| 国产亚洲一区二区精品| 不卡视频在线观看欧美| 日本色播在线视频| 天美传媒精品一区二区| 欧美成人午夜免费资源| 亚洲成色77777| 国产一区二区在线观看日韩| 免费av中文字幕在线| videossex国产| 中文乱码字字幕精品一区二区三区| 亚洲国产精品国产精品| 国产成人午夜福利电影在线观看| 免费高清在线观看日韩| 最新的欧美精品一区二区| 精品久久久久久电影网| 男女国产视频网站| 美女内射精品一级片tv| 欧美日韩av久久| 成年av动漫网址| 国产午夜精品一二区理论片| 亚洲在久久综合| freevideosex欧美| 久久久久视频综合| 国产免费视频播放在线视频| 欧美3d第一页| 亚洲性久久影院| 91午夜精品亚洲一区二区三区| 男女高潮啪啪啪动态图| 日韩 亚洲 欧美在线| 十八禁高潮呻吟视频| 亚洲,欧美精品.| 午夜福利网站1000一区二区三区| 精品国产乱码久久久久久小说| 九色成人免费人妻av| 色视频在线一区二区三区| 成年人午夜在线观看视频| 欧美成人午夜免费资源| 久热这里只有精品99| 免费女性裸体啪啪无遮挡网站| 日韩伦理黄色片| 成人国产av品久久久| 乱码一卡2卡4卡精品| 亚洲国产欧美日韩在线播放| 亚洲国产毛片av蜜桃av| 久久狼人影院| 热99久久久久精品小说推荐| 亚洲精品美女久久久久99蜜臀 | 伊人久久国产一区二区| 晚上一个人看的免费电影| 国产亚洲精品第一综合不卡 | 国产麻豆69| 久久综合国产亚洲精品| av一本久久久久| 亚洲精品av麻豆狂野| 老司机亚洲免费影院| 超碰97精品在线观看| 日韩制服丝袜自拍偷拍| 丰满饥渴人妻一区二区三| 天天躁夜夜躁狠狠躁躁| 久久婷婷青草| 99国产精品免费福利视频| 免费女性裸体啪啪无遮挡网站| 国产精品偷伦视频观看了| 亚洲精品色激情综合| 久久ye,这里只有精品| 午夜老司机福利剧场| 亚洲欧美一区二区三区国产| 一级黄片播放器| 老熟女久久久| 国产精品人妻久久久久久| 黄色一级大片看看| 国产精品 国内视频| 99热网站在线观看| 久久ye,这里只有精品| 一本久久精品| 欧美日韩亚洲高清精品| 国产毛片在线视频| 中文字幕另类日韩欧美亚洲嫩草| av福利片在线| 日韩av免费高清视频| 中文精品一卡2卡3卡4更新| 亚洲情色 制服丝袜| 亚洲精品av麻豆狂野| 中文字幕精品免费在线观看视频 | 久久av网站| 寂寞人妻少妇视频99o| 少妇被粗大猛烈的视频| 欧美精品av麻豆av| 97在线人人人人妻| 日韩视频在线欧美| 精品熟女少妇av免费看| 久久久久精品久久久久真实原创| 男女国产视频网站| 国产老妇伦熟女老妇高清| 中文字幕亚洲精品专区| 捣出白浆h1v1| 国产黄频视频在线观看| 国产成人精品婷婷| videossex国产| 韩国av在线不卡| 日韩精品免费视频一区二区三区 | 国产午夜精品一二区理论片| 久久精品人人爽人人爽视色| 国产黄频视频在线观看| 日韩中文字幕视频在线看片| 制服人妻中文乱码| 人妻人人澡人人爽人人| 亚洲图色成人| 高清黄色对白视频在线免费看| 综合色丁香网| 亚洲三级黄色毛片| 欧美精品一区二区大全| 大片电影免费在线观看免费| 最近的中文字幕免费完整| 国产淫语在线视频| freevideosex欧美| 午夜久久久在线观看| 国产乱来视频区| 一本一本久久a久久精品综合妖精 国产伦在线观看视频一区 | 热99久久久久精品小说推荐| 寂寞人妻少妇视频99o| 亚洲成国产人片在线观看| 亚洲,一卡二卡三卡| 亚洲精品中文字幕在线视频| 国产精品人妻久久久久久| 亚洲激情五月婷婷啪啪| 欧美bdsm另类| 色视频在线一区二区三区| 韩国av在线不卡| 新久久久久国产一级毛片| 精品国产露脸久久av麻豆| 七月丁香在线播放| videossex国产| 丝袜在线中文字幕| 精品亚洲成a人片在线观看| 人妻 亚洲 视频| 欧美激情极品国产一区二区三区 | 女人精品久久久久毛片| 热re99久久国产66热| 久热久热在线精品观看| 一本一本久久a久久精品综合妖精 国产伦在线观看视频一区 | 18禁观看日本| 国产在线视频一区二区| 亚洲天堂av无毛| 久久热在线av| 黄色 视频免费看| 国产探花极品一区二区| 欧美xxⅹ黑人| 成人国产麻豆网| av在线播放精品| 免费看av在线观看网站| 18+在线观看网站| 免费高清在线观看日韩| 日韩伦理黄色片| 在线观看美女被高潮喷水网站| 精品久久久精品久久久| 少妇精品久久久久久久| 一级片免费观看大全| 成人18禁高潮啪啪吃奶动态图| 国产黄色视频一区二区在线观看| av视频免费观看在线观看| 男女边摸边吃奶| 国产高清国产精品国产三级| 晚上一个人看的免费电影| 欧美激情 高清一区二区三区| 国产精品一区二区在线观看99| 婷婷色麻豆天堂久久| 久久这里只有精品19| 91在线精品国自产拍蜜月| 97精品久久久久久久久久精品| 伦精品一区二区三区| av免费观看日本| 两个人看的免费小视频| 国产精品嫩草影院av在线观看| 少妇精品久久久久久久| 日本免费在线观看一区| 日韩av免费高清视频| 少妇人妻精品综合一区二区| 日韩视频在线欧美| 亚洲精品久久久久久婷婷小说| 91精品国产国语对白视频| 欧美丝袜亚洲另类| 久久久欧美国产精品| 1024视频免费在线观看| 午夜久久久在线观看| 人妻系列 视频| 91成人精品电影| 男女无遮挡免费网站观看| 在线看a的网站| 视频在线观看一区二区三区| 亚洲av福利一区| 国产老妇伦熟女老妇高清| 精品人妻在线不人妻| 哪个播放器可以免费观看大片| av电影中文网址| 极品少妇高潮喷水抽搐| 国产熟女欧美一区二区| 亚洲综合色网址| 热99国产精品久久久久久7| 新久久久久国产一级毛片| 国产免费福利视频在线观看| 亚洲天堂av无毛| 丰满少妇做爰视频| 国产免费又黄又爽又色| 永久网站在线| 亚洲综合色网址| 9热在线视频观看99| 日韩成人伦理影院| 亚洲av中文av极速乱| 中文字幕av电影在线播放| 97人妻天天添夜夜摸| 成人亚洲精品一区在线观看| 国产成人免费观看mmmm| 少妇人妻久久综合中文| 美女福利国产在线| 亚洲国产毛片av蜜桃av| 精品福利永久在线观看| 久久久久人妻精品一区果冻| 纯流量卡能插随身wifi吗| 亚洲经典国产精华液单| 亚洲av.av天堂| 亚洲情色 制服丝袜| 成人亚洲精品一区在线观看| 69精品国产乱码久久久| 高清欧美精品videossex| 亚洲丝袜综合中文字幕| 日韩人妻精品一区2区三区| 黄色怎么调成土黄色| 一个人免费看片子| 欧美日韩成人在线一区二区| 18禁在线无遮挡免费观看视频| 国产不卡av网站在线观看| 亚洲综合色惰| 人妻少妇偷人精品九色| 久久亚洲国产成人精品v| 一区二区三区精品91| 观看美女的网站| 蜜桃国产av成人99| 免费高清在线观看日韩| 国产精品免费大片| 婷婷色av中文字幕| 久久精品人人爽人人爽视色| 99久久中文字幕三级久久日本| 丰满迷人的少妇在线观看| 黑人高潮一二区| a级毛片黄视频| 两个人免费观看高清视频| 日韩伦理黄色片| 好男人视频免费观看在线| 日韩成人伦理影院| 我的女老师完整版在线观看| 日韩一区二区三区影片| 中文字幕人妻丝袜制服| 青春草亚洲视频在线观看| 国产在线一区二区三区精| 边亲边吃奶的免费视频| 热re99久久国产66热| 国产伦理片在线播放av一区| 我的女老师完整版在线观看| 国产精品久久久久久精品古装| 国产免费福利视频在线观看| 在线观看国产h片| 免费黄网站久久成人精品| 亚洲精品自拍成人| 性色avwww在线观看| 国产不卡av网站在线观看| 又粗又硬又长又爽又黄的视频| 亚洲国产欧美日韩在线播放| 日韩av不卡免费在线播放| 人妻人人澡人人爽人人| 亚洲久久久国产精品| av一本久久久久| 午夜福利视频在线观看免费| 国产精品国产三级专区第一集| 国语对白做爰xxxⅹ性视频网站| 99re6热这里在线精品视频| 日本猛色少妇xxxxx猛交久久| 国产爽快片一区二区三区| 日产精品乱码卡一卡2卡三| 大片免费播放器 马上看| 久久av网站| 一级片'在线观看视频| 亚洲精品一区蜜桃| 国产精品成人在线| 9热在线视频观看99| 亚洲av电影在线进入| 免费大片18禁| 宅男免费午夜| www.熟女人妻精品国产 | 少妇高潮的动态图| 久久ye,这里只有精品| 男人添女人高潮全过程视频| www.色视频.com| 狠狠精品人妻久久久久久综合| 2022亚洲国产成人精品| 久久 成人 亚洲| 一区二区日韩欧美中文字幕 | 国产精品女同一区二区软件| 男人添女人高潮全过程视频| 菩萨蛮人人尽说江南好唐韦庄| 在线观看www视频免费| 日韩人妻精品一区2区三区| 中文字幕精品免费在线观看视频 | 国产综合精华液| 午夜福利,免费看| 青春草亚洲视频在线观看| 亚洲精华国产精华液的使用体验| 亚洲内射少妇av| 精品一品国产午夜福利视频| 亚洲av男天堂| 久久久久久人妻| 日产精品乱码卡一卡2卡三| 国产老妇伦熟女老妇高清| 欧美最新免费一区二区三区| 视频中文字幕在线观看| 午夜免费观看性视频| 国产精品国产三级国产av玫瑰| 狠狠精品人妻久久久久久综合| 只有这里有精品99| 欧美日韩av久久| 精品酒店卫生间| 亚洲国产精品专区欧美| 欧美3d第一页| 黑人巨大精品欧美一区二区蜜桃 | 人人妻人人澡人人看| 在线免费观看不下载黄p国产| 亚洲欧美一区二区三区黑人 | 午夜激情久久久久久久| 老熟女久久久| 草草在线视频免费看| 国产欧美日韩一区二区三区在线| 亚洲av国产av综合av卡| 在现免费观看毛片| av.在线天堂| 国产精品久久久久成人av| 夫妻性生交免费视频一级片| 男男h啪啪无遮挡| 亚洲精品美女久久av网站| 黑人欧美特级aaaaaa片| 热99久久久久精品小说推荐| 一级a做视频免费观看| 美女中出高潮动态图| 精品午夜福利在线看| 免费少妇av软件| 18禁裸乳无遮挡动漫免费视频| videos熟女内射| 久久久久久伊人网av| 精品亚洲乱码少妇综合久久| 精品久久久久久电影网| 亚洲图色成人| 精品国产一区二区久久| 国产爽快片一区二区三区| 最黄视频免费看| 香蕉精品网在线| 亚洲色图 男人天堂 中文字幕 | 日韩制服丝袜自拍偷拍| 国产国语露脸激情在线看| 亚洲美女搞黄在线观看| 美女主播在线视频| 婷婷色av中文字幕| 亚洲精品自拍成人| 国产日韩欧美视频二区| 亚洲精品乱码久久久久久按摩| 五月天丁香电影| 亚洲欧美精品自产自拍| av不卡在线播放| 全区人妻精品视频| 国产亚洲精品久久久com| 熟女电影av网| 欧美 亚洲 国产 日韩一| 香蕉丝袜av| 9191精品国产免费久久| 亚洲av电影在线进入| 99久久综合免费| 色94色欧美一区二区| 少妇猛男粗大的猛烈进出视频| 国产成人精品在线电影| 美女福利国产在线| 伦理电影大哥的女人| 日本av手机在线免费观看| 看免费成人av毛片| 在线观看免费高清a一片| 色网站视频免费| 欧美 亚洲 国产 日韩一| 欧美日韩一区二区视频在线观看视频在线| 亚洲欧美清纯卡通| 国产av精品麻豆| 最后的刺客免费高清国语| 九九在线视频观看精品| 美国免费a级毛片| 欧美xxⅹ黑人| 丝袜脚勾引网站| 男女边摸边吃奶| 黄网站色视频无遮挡免费观看| 中文欧美无线码| 18禁观看日本| 亚洲av.av天堂| 欧美精品高潮呻吟av久久| 国产成人精品婷婷| av视频免费观看在线观看| 亚洲精品国产色婷婷电影| 欧美老熟妇乱子伦牲交| 亚洲av电影在线观看一区二区三区| 色5月婷婷丁香|