• <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)
    一本综合久久免费| 十八禁网站免费在线| a级毛片a级免费在线| 性插视频无遮挡在线免费观看| 精品人妻熟女av久视频| 国产综合懂色| 亚洲国产高清在线一区二区三| 久久精品夜夜夜夜夜久久蜜豆| 一级毛片久久久久久久久女| 桃色一区二区三区在线观看| 亚洲一区二区三区不卡视频| 欧美日韩黄片免| 人妻夜夜爽99麻豆av| 日韩欧美 国产精品| 精品人妻1区二区| 精华霜和精华液先用哪个| 97超视频在线观看视频| 国产精品免费一区二区三区在线| 在线免费观看的www视频| 久久人人爽人人爽人人片va | 免费大片18禁| 老鸭窝网址在线观看| 真人一进一出gif抽搐免费| 欧美3d第一页| 91狼人影院| 久久欧美精品欧美久久欧美| 偷拍熟女少妇极品色| 午夜激情欧美在线| a级一级毛片免费在线观看| 色哟哟哟哟哟哟| 精品乱码久久久久久99久播| 久久午夜亚洲精品久久| 国产av麻豆久久久久久久| 永久网站在线| 亚洲国产欧美人成| 午夜激情欧美在线| 99国产精品一区二区三区| 日本与韩国留学比较| 久久久久久大精品| 性欧美人与动物交配| 99久久99久久久精品蜜桃| 综合色av麻豆| 成年免费大片在线观看| 国内精品一区二区在线观看| 97人妻精品一区二区三区麻豆| 极品教师在线免费播放| 久久久国产成人精品二区| 成人永久免费在线观看视频| 一a级毛片在线观看| 日本免费a在线| 欧美丝袜亚洲另类 | 岛国在线免费视频观看| 成年免费大片在线观看| 白带黄色成豆腐渣| 久久99热这里只有精品18| 天天躁日日操中文字幕| 国产又黄又爽又无遮挡在线| 国产精品久久久久久久电影| 长腿黑丝高跟| 亚洲欧美激情综合另类| 91狼人影院| 12—13女人毛片做爰片一| 丰满人妻一区二区三区视频av| 免费大片18禁| 久久精品国产99精品国产亚洲性色| 亚洲中文日韩欧美视频| 精品人妻视频免费看| 偷拍熟女少妇极品色| 久久久国产成人精品二区| 国产探花极品一区二区| 久久精品夜夜夜夜夜久久蜜豆| 毛片一级片免费看久久久久 | 亚洲欧美日韩高清在线视频| 亚洲 国产 在线| 亚洲熟妇熟女久久| 亚洲成a人片在线一区二区| 免费av观看视频| 99国产极品粉嫩在线观看| 日韩欧美一区二区三区在线观看| 午夜福利视频1000在线观看| 久久久精品大字幕| 神马国产精品三级电影在线观看| 我要搜黄色片| 中文字幕人妻熟人妻熟丝袜美| 99视频精品全部免费 在线| 欧美午夜高清在线| 简卡轻食公司| 久久精品国产亚洲av涩爱 | 国产精品一区二区免费欧美| 身体一侧抽搐| 99国产综合亚洲精品| 欧美3d第一页| 757午夜福利合集在线观看| 久久精品夜夜夜夜夜久久蜜豆| 亚洲精品影视一区二区三区av| 久久伊人香网站| 久久国产精品影院| 国产精品三级大全| 成人亚洲精品av一区二区| 精品福利观看| 国产三级黄色录像| 91麻豆av在线| 亚洲第一区二区三区不卡| 长腿黑丝高跟| 久久草成人影院| 老熟妇乱子伦视频在线观看| 丰满人妻一区二区三区视频av| 麻豆国产av国片精品| a级一级毛片免费在线观看| 99国产极品粉嫩在线观看| 在线观看美女被高潮喷水网站 | 99国产极品粉嫩在线观看| 一夜夜www| 一卡2卡三卡四卡精品乱码亚洲| 免费无遮挡裸体视频| 婷婷六月久久综合丁香| 亚洲国产色片| 日本熟妇午夜| 色噜噜av男人的天堂激情| 女生性感内裤真人,穿戴方法视频| 亚洲aⅴ乱码一区二区在线播放| 可以在线观看的亚洲视频| 亚洲精品456在线播放app | 国产探花在线观看一区二区| 两性午夜刺激爽爽歪歪视频在线观看| av福利片在线观看| 午夜免费成人在线视频| 亚洲自偷自拍三级| 亚洲黑人精品在线| 三级毛片av免费| 国产成人a区在线观看| 亚洲国产精品合色在线| 欧美+亚洲+日韩+国产| 免费观看人在逋| 99热这里只有精品一区| 99久久久亚洲精品蜜臀av| 国产精品爽爽va在线观看网站| 久久久国产成人精品二区| 亚洲av二区三区四区| 精品乱码久久久久久99久播| 国产精品亚洲av一区麻豆| 国产亚洲精品综合一区在线观看| 91久久精品电影网| 日韩欧美三级三区| 91在线精品国自产拍蜜月| 毛片女人毛片| 亚洲av不卡在线观看| 国产熟女xx| 亚洲成人精品中文字幕电影| 一本久久中文字幕| 久久精品国产亚洲av涩爱 | 美女被艹到高潮喷水动态| av在线观看视频网站免费| 99国产精品一区二区蜜桃av| 一本精品99久久精品77| 午夜影院日韩av| 亚洲国产精品成人综合色| 国产综合懂色| 久久国产乱子伦精品免费另类| 国产精品久久久久久人妻精品电影| 九色国产91popny在线| 在线观看av片永久免费下载| 欧美成人a在线观看| 男女那种视频在线观看| 日韩成人在线观看一区二区三区| 午夜精品在线福利| 欧美日韩瑟瑟在线播放| 亚洲精品粉嫩美女一区| 欧美极品一区二区三区四区| 久久精品国产清高在天天线| 国产精品亚洲av一区麻豆| 麻豆成人av在线观看| 免费高清视频大片| 欧洲精品卡2卡3卡4卡5卡区| 日韩人妻高清精品专区| 欧美黑人巨大hd| 免费人成在线观看视频色| 国产真实伦视频高清在线观看 | 午夜久久久久精精品| 国产爱豆传媒在线观看| 日本 欧美在线| 日日夜夜操网爽| 日本与韩国留学比较| 色精品久久人妻99蜜桃| 91九色精品人成在线观看| 久久精品夜夜夜夜夜久久蜜豆| 麻豆国产av国片精品| 国产精品99久久久久久久久| 亚洲av成人av| 夜夜夜夜夜久久久久| 国产黄片美女视频| 精品乱码久久久久久99久播| 欧美成人免费av一区二区三区| 国产午夜福利久久久久久| 99国产综合亚洲精品| 99久久成人亚洲精品观看| 在线观看av片永久免费下载| 性插视频无遮挡在线免费观看| 丁香六月欧美| 亚洲综合色惰| 男人狂女人下面高潮的视频| 午夜福利高清视频| 成人无遮挡网站| 久久久久久久久中文| 国产伦精品一区二区三区视频9| 麻豆成人午夜福利视频| 天堂av国产一区二区熟女人妻| 大型黄色视频在线免费观看| 免费高清视频大片| 男插女下体视频免费在线播放| 蜜桃久久精品国产亚洲av| 少妇熟女aⅴ在线视频| 午夜a级毛片| 性插视频无遮挡在线免费观看| 国产在视频线在精品| 91麻豆av在线| 国产精品日韩av在线免费观看| 久久99热6这里只有精品| 夜夜躁狠狠躁天天躁| 91午夜精品亚洲一区二区三区 | 日韩中字成人| 久久久久久久精品吃奶| 内地一区二区视频在线| 黄色日韩在线| 日韩欧美一区二区三区在线观看| 中国美女看黄片| 男人狂女人下面高潮的视频| 亚洲成av人片在线播放无| 亚洲精品亚洲一区二区| 中文字幕熟女人妻在线| 老司机午夜十八禁免费视频| 99久久精品一区二区三区| 12—13女人毛片做爰片一| 少妇的逼好多水| 桃红色精品国产亚洲av| 国产 一区 欧美 日韩| 麻豆成人av在线观看| 国产精品免费一区二区三区在线| 青草久久国产| 久久人妻av系列| 全区人妻精品视频| 乱人视频在线观看| 国产精品电影一区二区三区| 丰满的人妻完整版| 国产v大片淫在线免费观看| 每晚都被弄得嗷嗷叫到高潮| 性色avwww在线观看| 欧美激情国产日韩精品一区| 长腿黑丝高跟| 国产精品一区二区免费欧美| www.色视频.com| 国产单亲对白刺激| 日韩欧美国产一区二区入口| 99精品久久久久人妻精品| 国产精品1区2区在线观看.| 国产一区二区三区在线臀色熟女| 美女被艹到高潮喷水动态| 久久99热这里只有精品18| 欧美黄色淫秽网站| 嫩草影视91久久| 亚洲五月婷婷丁香| 欧美最新免费一区二区三区 | 国产在线精品亚洲第一网站| 最新中文字幕久久久久| 亚洲精品456在线播放app | 亚洲av电影在线进入| 最近最新中文字幕大全电影3| 亚洲成人精品中文字幕电影| 日本撒尿小便嘘嘘汇集6| 国产精品久久久久久久电影| 一边摸一边抽搐一进一小说| 欧美绝顶高潮抽搐喷水| 亚洲va日本ⅴa欧美va伊人久久| 一区二区三区高清视频在线| 国产精品嫩草影院av在线观看 | 亚洲成人久久性| 日本 欧美在线| 国产成+人综合+亚洲专区| 免费高清视频大片| 国产成人a区在线观看| 亚洲美女视频黄频| 极品教师在线视频| 国产三级中文精品| 国产真实乱freesex| 女同久久另类99精品国产91| 性色av乱码一区二区三区2| 蜜桃亚洲精品一区二区三区| 国产在线男女| 国产成人av教育| 亚洲国产精品久久男人天堂| 久久香蕉精品热| 日韩中字成人| 一夜夜www| 亚洲avbb在线观看| .国产精品久久| 国产av不卡久久| 很黄的视频免费| 成人国产综合亚洲| 国产私拍福利视频在线观看| 亚洲最大成人手机在线| 午夜免费男女啪啪视频观看 | 免费在线观看亚洲国产| 久久精品国产亚洲av涩爱 | 最近最新免费中文字幕在线| 伊人久久精品亚洲午夜| 一夜夜www| 国产精品不卡视频一区二区 | 一本一本综合久久| 韩国av一区二区三区四区| www.999成人在线观看| 国产v大片淫在线免费观看| 国产精品乱码一区二三区的特点| 欧美午夜高清在线| 日本撒尿小便嘘嘘汇集6| 欧美xxxx性猛交bbbb| 一级av片app| 亚洲国产精品合色在线| 看免费av毛片| 国内久久婷婷六月综合欲色啪| 搡老妇女老女人老熟妇| 欧美乱妇无乱码| 亚洲第一欧美日韩一区二区三区| 国产熟女xx| 欧美日本亚洲视频在线播放| 亚洲精品色激情综合| 国产精华一区二区三区| 最新在线观看一区二区三区| 日本一本二区三区精品| 精品一区二区三区视频在线观看免费| 亚洲av美国av| 男人和女人高潮做爰伦理| 级片在线观看| 久久精品国产亚洲av涩爱 | 窝窝影院91人妻| 动漫黄色视频在线观看| 亚洲综合色惰| 露出奶头的视频| 国产成人aa在线观看| 国产色婷婷99| 天天一区二区日本电影三级| 午夜福利欧美成人| 69av精品久久久久久| 蜜桃久久精品国产亚洲av| 国产精品国产高清国产av| av在线蜜桃| 午夜亚洲福利在线播放| 国产麻豆成人av免费视频| 少妇的逼水好多| av天堂中文字幕网| 午夜免费成人在线视频| 美女xxoo啪啪120秒动态图 | 此物有八面人人有两片| 极品教师在线免费播放| 如何舔出高潮| 内射极品少妇av片p| 欧美日韩黄片免| 国产午夜福利久久久久久| 波多野结衣高清无吗| 精品久久久久久久久亚洲 | 国产精品久久久久久亚洲av鲁大| 1024手机看黄色片| 我的老师免费观看完整版| 一本久久中文字幕| 国产极品精品免费视频能看的| 精品久久久久久久末码| 变态另类成人亚洲欧美熟女| 精品久久久久久久末码| 欧美区成人在线视频| 亚洲精华国产精华精| 看十八女毛片水多多多| 色播亚洲综合网| 婷婷亚洲欧美| 精品久久久久久久末码| 在线观看免费视频日本深夜| 一本久久中文字幕| 不卡一级毛片| 麻豆国产av国片精品| 身体一侧抽搐| 成人av在线播放网站| 我的老师免费观看完整版| 精品欧美国产一区二区三| 午夜福利在线观看免费完整高清在 | 亚洲精品乱码久久久v下载方式| eeuss影院久久| 欧美成人免费av一区二区三区| 丁香欧美五月| 色av中文字幕| 一区福利在线观看| 精品久久久久久久久久久久久| 热99在线观看视频| 黄色丝袜av网址大全| 他把我摸到了高潮在线观看| 99热这里只有是精品50| www.999成人在线观看| 看免费av毛片| 淫秽高清视频在线观看| 国产伦在线观看视频一区| av在线天堂中文字幕| 亚洲无线观看免费| 成人午夜高清在线视频| 婷婷精品国产亚洲av| 久久天躁狠狠躁夜夜2o2o| 一个人看的www免费观看视频| 免费人成视频x8x8入口观看| 国产精品1区2区在线观看.| 18美女黄网站色大片免费观看| 波野结衣二区三区在线| 国产精华一区二区三区| 国产高潮美女av| 国产淫片久久久久久久久 | 午夜福利视频1000在线观看| 免费在线观看影片大全网站| 国产成人aa在线观看| 日韩精品青青久久久久久| 美女 人体艺术 gogo| 亚洲专区中文字幕在线| 免费在线观看亚洲国产| 97人妻精品一区二区三区麻豆| 99热6这里只有精品| 欧美又色又爽又黄视频| 国产69精品久久久久777片| 亚洲精品日韩av片在线观看| 欧洲精品卡2卡3卡4卡5卡区| 日韩欧美三级三区| 免费一级毛片在线播放高清视频| 中文字幕熟女人妻在线| 国内精品一区二区在线观看| 午夜福利在线观看吧| 一区二区三区激情视频| 成人av在线播放网站| 此物有八面人人有两片| 久久草成人影院| 一区福利在线观看| 天堂影院成人在线观看| 久久精品影院6| 久久久久久久久中文| 超碰av人人做人人爽久久| 亚洲国产精品合色在线| 一本久久中文字幕| 精品人妻偷拍中文字幕| 99热这里只有是精品在线观看 | 国产在视频线在精品| 亚洲精品色激情综合| av专区在线播放| 国产精品爽爽va在线观看网站| 一本综合久久免费| 毛片一级片免费看久久久久 | 午夜免费成人在线视频| 人妻久久中文字幕网| 九九久久精品国产亚洲av麻豆| 午夜久久久久精精品| 欧美精品国产亚洲| 赤兔流量卡办理| 少妇裸体淫交视频免费看高清| 日韩精品中文字幕看吧| 高清毛片免费观看视频网站| 亚洲专区中文字幕在线| 蜜桃亚洲精品一区二区三区| 一进一出好大好爽视频| 欧美潮喷喷水| 天美传媒精品一区二区| 成人国产综合亚洲| 欧美成人a在线观看| 国产精品久久久久久久电影| 国产麻豆成人av免费视频| 无遮挡黄片免费观看| 中出人妻视频一区二区| 久久久久久久久大av| 免费观看精品视频网站| 舔av片在线| 人妻制服诱惑在线中文字幕| 国产精品久久视频播放| 国产高清视频在线播放一区| 国产精品亚洲av一区麻豆| 热99在线观看视频| 国产探花在线观看一区二区| 免费大片18禁| 在线观看免费视频日本深夜| 一进一出抽搐动态| 中文字幕人成人乱码亚洲影| 国产综合懂色| a级毛片a级免费在线| 又黄又爽又免费观看的视频| 亚洲欧美清纯卡通| 久久久久亚洲av毛片大全| 老司机午夜福利在线观看视频| 国产精品av视频在线免费观看| 观看免费一级毛片| a级毛片免费高清观看在线播放| 亚洲,欧美,日韩| 欧美xxxx黑人xx丫x性爽| 12—13女人毛片做爰片一| 色视频www国产| 九九久久精品国产亚洲av麻豆| 日韩大尺度精品在线看网址| 在线观看美女被高潮喷水网站 | 51午夜福利影视在线观看| 国产精品98久久久久久宅男小说| 成人av在线播放网站| 亚洲欧美日韩无卡精品| 99久国产av精品| 国产高潮美女av| 国产伦精品一区二区三区视频9| 日韩欧美一区二区三区在线观看| 国产精品嫩草影院av在线观看 | 一区二区三区免费毛片| 久久久久久久久久成人| 90打野战视频偷拍视频| 成年免费大片在线观看| 亚洲中文字幕一区二区三区有码在线看| 99国产综合亚洲精品| 亚洲av成人精品一区久久| 搡女人真爽免费视频火全软件 | 蜜桃亚洲精品一区二区三区| 亚洲经典国产精华液单 | 中文字幕免费在线视频6| 成人特级黄色片久久久久久久| 国产精品三级大全| 欧美成人免费av一区二区三区| 亚洲成人免费电影在线观看| 欧美性猛交黑人性爽| 日本三级黄在线观看| 91午夜精品亚洲一区二区三区 | 99久久无色码亚洲精品果冻| 9191精品国产免费久久| 国产高清视频在线观看网站| 亚洲男人的天堂狠狠| 亚洲真实伦在线观看| 亚洲五月婷婷丁香| 日韩精品中文字幕看吧| 亚洲精品粉嫩美女一区| 麻豆一二三区av精品| 宅男免费午夜| 在线观看舔阴道视频| 成人无遮挡网站| 神马国产精品三级电影在线观看| 欧美国产日韩亚洲一区| 色哟哟·www| 又爽又黄a免费视频| 国产野战对白在线观看| 最后的刺客免费高清国语| 日日摸夜夜添夜夜添小说| 亚洲av成人不卡在线观看播放网| 两个人视频免费观看高清| 高潮久久久久久久久久久不卡| 国产一区二区在线观看日韩| 一进一出抽搐动态| 成年女人看的毛片在线观看| 欧美一区二区亚洲| a级一级毛片免费在线观看| 精品一区二区免费观看| 少妇人妻精品综合一区二区 | 脱女人内裤的视频| 久久久久久久久大av| 亚洲av不卡在线观看| 国产午夜精品久久久久久一区二区三区 | 欧美成人性av电影在线观看| 夜夜躁狠狠躁天天躁| 亚洲片人在线观看| 欧美黄色淫秽网站| 久久热精品热| 国产高清有码在线观看视频| 怎么达到女性高潮| 亚洲乱码一区二区免费版| 丝袜美腿在线中文| 精品不卡国产一区二区三区| 午夜激情欧美在线| 高清日韩中文字幕在线| 欧美+日韩+精品| 久久九九热精品免费| 18禁黄网站禁片免费观看直播| 国产探花在线观看一区二区| 99久久无色码亚洲精品果冻| 此物有八面人人有两片| 天堂影院成人在线观看| 国内毛片毛片毛片毛片毛片| 亚洲中文字幕一区二区三区有码在线看| 国产精品久久久久久久久免 | 国产在视频线在精品| 国产精品女同一区二区软件 | 免费高清视频大片| 白带黄色成豆腐渣| 老司机午夜十八禁免费视频| 88av欧美| 老熟妇乱子伦视频在线观看| 免费在线观看亚洲国产| 深夜精品福利| 欧美激情久久久久久爽电影| 欧美xxxx性猛交bbbb| 国产91精品成人一区二区三区| 欧美日韩国产亚洲二区| 欧美色视频一区免费| 国产不卡一卡二| 亚洲av中文字字幕乱码综合| 午夜免费激情av| eeuss影院久久| 色综合婷婷激情| 毛片女人毛片| avwww免费| 中文资源天堂在线| 最近在线观看免费完整版| 一a级毛片在线观看| 精品一区二区三区av网在线观看| 一个人免费在线观看的高清视频| 国产亚洲精品久久久com| 国产极品精品免费视频能看的| 国产美女午夜福利| 一级a爱片免费观看的视频| 国产久久久一区二区三区| 深夜精品福利| 午夜日韩欧美国产| av视频在线观看入口| 精品一区二区三区视频在线观看免费| 午夜激情福利司机影院| 国内揄拍国产精品人妻在线|