加拿大污水模擬軟體

Ⅰ 請問，電力系統的模擬一般用什麼軟體

可以用Matlab 裡面的simulink
還有Pspice
我散游用過的就這兩種，Pspice簡單一些。察掘掘
仿敗核真軟體多得很，一般大學都是要求這兩種軟體會用。

Ⅱ 污水處理的matlab源程序

x=[-0.4:0.04:3.6];
y=8+2*exp(1-x.^2).*cos(2*pi*x);
net=newff(minmax(x),[20,1],{'tansig','purelin'});
y1=sim(net,x);
net.trainParam.epochs=50;
net.trainParam.goal=0.01;
net=train(net,x,y);
y2=sim(net,x);
figure;
plot(x,y,'-',x,y1,'-',x,y2,'--');
title('原函數與網路訓練前後的確模擬結果比較');
text(2,12,'原函數y');
text(2,11,'-未訓練網路的模擬結果y1');
text(2,10,'--訓練後網路的模擬結果y2');
這個程序如何轉化成
訓練BP神經網路連接權值的源代碼(matlab)

Ir=0.05; %Ir為學習速率
err_goal=0.001;%期望最小誤差值
max_epoch=10000;
X=[0.75 1 0 1;0.25 0 0.55 0;0 0 0.45 0;0 0 0 0;0 0 0 0;1 1 1 1;0.5 0 0.5 0.5;0.5 0 0.5 0.5;0 1 0 0;1 1 1 1;0 0 0 0;0 0 0 0;0 0 0 0;0 0 0 0;1 1 1 1];
T=[0 0 0 0;0 1 1 1;0 0 0 0;1 0 0 0];%提供4組15輸入4輸出訓練集和目標集
[M,N]=size(X);q=10;[L,N]=size(T);
Wij=rand(q,M);
Wki=rand(L,q);
b1=zeros(q,1);b2=zeros(L,1);—隨機給定隱含層、輸出層偏值
for epoch=1:max_epoch
Oi=tansig(Wij*X,b1);
Ok=purelin(Wki*Oi,b2);
E=T-Ok;
deltak=deltalin(Ok,E);%計算輸出層的delta
deltai=deltatan(Oi,deltak,Wki);%計算隱含層的deita
[dWki,db2]=learnbp(Oi,deltak,Ir);%調整輸出層加權系數
Wki=Wki+dWki;b2=b2+db2;
[dWij,db1]=learnbp(X,deltai,Ir);
Wij=Wij+dWij;b1=b1+db1;
SSE=sumsqr(T-purelin(Wki*tansig(Wij*X,b1),b2));
if(SSE<err_goal) break;end
end
epoch %顯示計算次數
X1=X;
Oi=tansig(Wij*X1,b1);%各隱含層輸出
Ok=purelin(Wki*Oi,b2);%顯示網路輸出層的輸出

Ⅲ 請問現在污水處理軟體主流的有哪些，我們想做污水廠全廠模擬，不要那種小軟體，GPS-X 和Biowin 有啥區別啊

為什麼選擇GPS-X模擬抄軟體？

GPS-X是第一個商業化的污水處理廠動態模擬軟體，仍然是今天首選的解決方案。

它的最主要的一個優勢是可以實現在線模擬。

GPS-X的優點

·污水進水特徵顧問：在進行模擬以前驗證你的進水數據的精度和一致性。

·快速顯示區域：你需要的工程參數可以自動的總結並顯示，實時的更新，只要簡單的一個點擊就可輸出到Excel文件。

·動態模擬：GPS-X提供污水處理模擬領域最快速的動態模擬，能快速的完成其它模擬軟體需要長時間才能完成的模擬工作。

·用戶界面：直觀，友好。

·綜合的污水處理廠單元工藝模型庫（下圖）：提供給用戶設計和優化各種污水處理工藝的建模工具，包括MBR, IFAS, UASB,反消化濾池,污泥預處理，厭氧消化，以及先進的側流工藝的全污水處理廠的工藝模型以及先進的側流工藝的全污水處理廠的工藝模型。

Ⅳ 污水處理系統模擬軟體gps-x怎麼用

我也想要這軟體，可是找不到

Ⅳ 小波神經網路模型 [基於小波神經網路的污水出水COD預測模型]

摘?要 由於污水各指標含掘攔量和污水處理過程的復雜性，污水出水COD含量變化有著很強的非線性，一般方法難以建模；而神經網路尤其是小波神經網路擅長處理復雜模型，故使用兩種網路建立污水出水COD預測模型，進行模擬和對比分析。此外，對高郵市海潮污水處理廠的監測數據進行實證分析，表明建立的模型具有較快的收斂速度和較高的預測精度，能夠對污水處理中出水COD含量濃度進行有效預測和控制，具有一定理論價值和應用價值。
關鍵詞 小波神經網路；BP神經網路；COD含量；預測
中圖分類號 TN710 文獻標識碼 A 文章編號 1673-9671-(2012)071-0108-03
高郵市海潮污水處理廠採用的是德國馮·諾頓西公司的「百樂克」工藝，是由德國馮.諾頓西公司於七十年代研究成功的一種新型污水處理技術。COD，是表示水質污染度的指標。污水處理工藝復雜，水質變化大，各參數關系復雜，出水水質難以預測。神經網路方法具有一定的魯棒性和自適應性，故使用神經網路進行建模，進行預測、控制。
BP神經網路是一種典型的多層前饋神經網路，主要特點是信號前向傳遞，誤差反向傳遞，分為輸入層，隱藏層，輸出層。研究表明，足夠多的隱含層神經元可以使得三層神經網路可以無限地逼近任何復雜函數。但BP網路也有一些缺陷，限制了它在工程中的進一步應用。
小波神經網路是近年來新興的一種人工神經網路，集小波分析和人工神經網路的優點於一體。該網路引入伸縮因子和平移因子，具有更多的自由度和更強的靈活性，能有效克服傳統神經網路模型的不足。本文採用小波神經網路對污水出水COD含量進行建模，進行實證分析，證明了該模型的有效性和可行性。
1 小波神經網路模型
1.1 小波的基本概念
小波分析是當前數學中一個迅速發展的新領域，是針對傅里葉變換的不足發展而來的，它解決了傅里葉變換不能解決的問題。有關概念簡要復述如下：
定義1：設φ(t)∈L2(R)，如果
（1.1）
則稱φ(t)為一個小波，也常稱為母小波或基本小波。
定義2：對小波φ(t)進行伸縮和平移，可得到一族函數
（1.2）
則稱φu,s(t)為小波φ(t)的小波基函數。式（2）中，s稱為尺度參數，u稱為平移參數。
本文使用的小波基函數是Morlet小波，其表達式為：
（1.3）
1.2 小波神經網路結構和學習演算法
小波神經網路以BP神經網路拓撲結構為基礎，隱含層節點的傳遞函數為小波基函數，信號向前傳播，同時誤差反向傳播，是一種三層的前向網路；其拓撲結構如圖1所示。
圖1中，X1，X2，…，Xk是小波神經網路的輸入變數，Y1，Y2，…，Ym是小波神經網路的預測輸出，ωij和ωjk為小波神經網路權值。
在輸入信號序列為xi(i=1,2,…,k)時，隱含層輸出計算公式為：
（2.1）
式（2.1）中，h( j )是隱含層第j個節點輸出值；ωij為輸入層和隱含層的連接權值；bj為小波基函數hj的平移因兄絕子；aj為小波基函數hj的伸縮因子；hj為小波基函數。
圖1 小波神經網路拓撲結構
小波神經網路輸出層計算公式為：
（2.2）
式（2.2）中，ωik為隱含層到輸出層權值；h(i)為第i個節點的輸出；l為隱含層節點數；m為輸出層節點數。
小波神經網路採用梯度修正法修正各權值和參數，進而不斷逼近期望輸出，過程如下：
1）計算網路預測誤差
（2.3）
式（2.3）中，yn(k)為期望輸出，y(k)為小波神經網路預測輸出。
2）根據誤差修正小波神經網路權值和小波基函數系數
（2.4）
式（羨散姿2.4）中，Δωn,k(i+1)、Δa k(i+1)、Δb k(i+1)是由網路預測誤差計算求得：
式（2.5）中，η為學習速率。
（2.5）
2 污水出水COD預測模型
研究表明，污水出水COD含量與污水前幾個時段的COD含量有關，據此設計小波神經網路。輸入層為當前時間點前n個時間點的COD含量；輸出層為當前COD含量預測值。其中，1至5月的污水出水COD含量為訓練數據，6月份（1到30日）為測試數據，演算法流程如下：
圖2 小波神經網路演算法流程
本文採用的小波神經網路有4個輸入節點，表示預測時間節點前4個時間點的污水出水COD含量，隱含層有6個節點，輸出層有1個節點，為網路預測的污水出水COD含量。
3 模型模擬結果分析
3.1 數據預處理
神經網路訓練的數據預處理對網路有著很重要的影響，故要對數據進行歸一化處理：
（4.1）
3.2 模型模擬與分析
構建BP網路模型和小波神經網路模型，輸入向量為待預測時間點前4個時間點的污水出水COD的歸一化數據，輸出數據為預測時間點處的污水出水COD待歸一化數據。訓練網路，得到預測值和預測誤差。表1給出了2012年6月1至30日的COD實測值、BP網路模型預測值以及小波網路模型預測值。
利用MATLAB軟體進行模擬，圖3是BP神經網路模型預測曲線，圖4是小波神經網路模型模擬預測曲線。
圖3 基於BP神經網路構建的污水出水COD預測模型
（1～5月訓練，6月測試）
設xt為實際值，xt為模型預測值，n為模型預測檢驗個數。定義平均絕對誤差MAE為：
（4.2）
由模擬結果知，兩種網路預測趨勢相同， BP網路模型預測平均誤差MAE為1.24（mg/L），平均相對誤差為5.3193%，小波神經網路模型預測平均誤差MAE為1.13（mg/L），平均相對誤差
圖4 基於小波神經網路構建的污水出水COD預測模型（1～5月訓練，6月測試）
為4.7877%；訓練過程中，同等精度條件下，BP神經網路模型訓練次數要遠多於小波神經網路訓練次數；表明BP網路和小波神經網路模型均可以較好地模擬污水出水COD含量變化過程，但小波神經網路模型在收斂速度和預測精度方面要優於傳統的BP網路模型。
4 結論
小波神經網路是基於小波分析理論的一種新型神經網路模型，具有時頻局域化分析和自適應能力。本文將小波神經網路模型應用到污水出水COD含量預測中，為污水出水COD含量預測提供了一種新方法。使用MATLAB軟體實證分析了模型的可行性和有效性，結果表明，小波神經網網路模型在收斂速度和預測精度方面均優於傳統的BP網路模型，故最終使用小波神經網路建立模型。最後，本文的模型具有一定普遍意義，在高度非線性的時間序列預測問題中，可以採用小波神經網路建模的方法對時間序列未來的變化進行預測和控制。
參考文獻
[1]謝立春.BP神經網路演算法的改進及收斂性分析[J].計算技術與自動化,2007,26(3):52-56.
[2]賀清碧,周建麗.BP神經網路收斂性問題的改進措施[J].重慶交通學院學報,2005,24(1):143-145.
[3]陳哲,馮天瑾.小波神經網路研究進展及展望[J].青島海洋大學學報,1999,29(4):66-667.
[4]朱四超.基於小波神經網路的工程變形量預測模型[J].2010,8(2):103-105
[5]李元松,李新平,代翼飛,田昌貴,陳清運.小波神經網路在高陡邊坡位移預測中的應用[J].2010,32(9):39-43.
[6]潘國榮,谷川.變形監測數據的小波神經網路預測方法[J].大地測量與地球動學,2007,27(4):47-50.
[7]聶勛科.基於神經網路的污水出水COD預測模型重慶工學院學報[J].22(8):156-161.
[8]孫延奎.小波分析及其應用[M].北京:機械工業出版社,2005.
[9]史峰,王小川,郁磊,李洋.MATLAB神經網路30個案例分析[M].北京航空航天大學出版社,2011.

Ⅵ 模擬軟體的模擬平台軟體介紹

SimuWorks是為大型科學計算、復雜系統動態特性建模研究、過程模擬培訓、系統優化設計與調試、故障診斷與專家系統等，提供通用的、一體化的、全過程支撐的，基於微機環境的派埋開發與運行支撐平台。軟體採用了動態內存機器碼生成技術、分布式實時資料庫技術和面向對象的圖形化建模方法，在模擬領域處於國內領先水平。它主要用於能源、電力、化工、航空航天、國防軍事、經濟等研究領域，既可用於科研院所的科學研究，也可用於實際工程項目。
一、SimuWorks 的組成
SimuWorks平台產品主要包括
1、 模擬支撐平台SimuEngine（早期版本為Vcs3、SE2000）
2、 圖形化建模工具SimuBuilder（早期版本THAms、FigAms）、包括模塊資源管理器SimuManager
3、 模塊資源庫SimuLib（包括：控制，電氣，熱力，流網，電網）
4、 嵌入式實時操作系統模擬平台SimuERT
5、 模擬實時圖形系統SimuMMI
二、SimuWorks的主要特點
1、使用動態內存機器碼生成技術，結合分布式實時資料庫，為微機環境下分布式計算和復雜系統實時模擬，提供了高效的底層支撐平台；
2、採用面向對象的圖形化建模方法，為不同領域模擬科學研究與工程實踐，提供了通用的模型開發環境。
3、 SimuWorks將系統模擬所需要的各種功能進行了整合，形成了從開發、調試、驗證、到運行、分析等全過程的整套流水線，創立了「系統模擬流水線開發工廠」的新理念，大大提高了模擬工程項目的開發效率；
4、大型實時模擬系統中，普通的商業資料庫達不到實時性要求，SimuWorks中的SimuEngine模擬引擎提供了一個高速的網路實時資料庫，可以實現多個模型的分布式計算、動態數據顯示與在線數據修改，可以滿足大型實時模擬系統的開發和運行的需要；
三、SimuWorks 的工作流程
● 使用SimuWorks進行模擬開發的工作流程為：
● 對於系統未提供的專業模塊和部分通用模塊，用戶可以使用SimuManager進行擴充；
● 在SimuBuilder環境中，利用系統提供的模塊和用戶自己開發的模塊，根據模擬對象的組成，用圖形的方式進行模塊組合，構建模擬系統；
● 配合SimuEngine的模擬支撐，利用SimuBuilder對所構建的模擬系統進行調試，直至形成穩定的最終產品；
VR-Platform（英文全拼為Virtual Reality Platform，簡稱VR-Platform或VRP）即虛擬現實模擬平台。該模擬軟體適用性強、操作簡單、功能強大、高度可視化、所見即所得。
VR-Platform虛擬現實模擬平台所有的操作都是以美工可以理解的方式進行，不需要程序員參與。如果需操作者有良好的3DMAX建模和渲染基礎，只要對VR-PLATFORM平台稍加學習和研究就可以很快製作出自己的虛擬現實場景。
VRP虛擬現實模擬平台，經歷了多年的研發與探索，已經在VRP引擎為核心的基礎上，衍生出了九個相關三維產品的軟體平台。其中VRP-BUILDER虛擬現實編輯器和VRPIE3D互聯網平台軟體已經成為目前國內應用最為廣泛的VR和WEB3D製作工具，連續三年占據國內同行業的領導地位，用戶數量始終位於第一。
VR-Platform虛擬現實模擬平台的產品體系包含九大產品：VRP-BUILDER虛擬現實編輯器、VRPIE3D互聯網平台、VRP-DIGICITY數字城市平台、VRP-PHYSICS物理模擬系統、VRP-INDUSIM工業模擬平台、VRP-TRAVEL虛擬旅遊平台、VRP-MUSEUM虛擬展館、VRP-SDK系統開發包、VRP-MYSTORY故事編輯器。
VR-Platform虛擬現實模擬平台可廣泛的應用於城市規劃、室內設計、工業模擬、古跡復原、橋梁道路設計、房地產銷售、旅遊教學、水利電力、地質災害等眾多領域，為其提供切實可行的解決方案。 Infolytica公司於1978年由Peter Silvester博士,Ernest M. Freeman博士,David A. Lowther博士核前（現任總裁）創立，是世界上第一個商業電磁場分析軟體公司，總部設在加拿大的蒙特利爾市。海基科技是Infolytica軟體在中國的獨家代理商。 Infolytica公司作為眾多電磁軟體新技塵氏螞術的創始人和領導者，一直致力於電磁場有限元分析領域的技術研究和開發，致力於為電磁設計工程師提供完整解決方案。Infolytica軟體成為全世界設計者進行低頻電磁分析的首選軟體，不斷為航空、航天、汽車、耐用電器、電力、醫療設備、電子產品等行業以及科研教育等領域提供復雜的磁場、電場、熱場問題解決方案。 Infolytica產品系列主要包含MagNet, ElecNet, ThermNet, OptiNet,MotorSolve等軟體，使得二維和三維的電場、磁場以及熱場的獨立及耦合分析在同一界面下輕松進行。