加拿大污水仿真软件

Ⅰ 请问，电力系统的仿真一般用什么软件

可以用Matlab 里面的simulink
还有Pspice
我散游用过的就这两种，Pspice简单一些。察掘掘
仿败核真软件多得很，一般大学都是要求这两种软件会用。

Ⅱ 污水处理的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('原函数与网络训练前后的确仿真结果比较');
text(2,12,'原函数y');
text(2,11,'-未训练网络的仿真结果y1');
text(2,10,'--训练后网络的仿真结果y2');
这个程序如何转化成
训练BP神经网络连接权值的源代码(matlab)

Ir=0.05; %Ir为学习速率
err_goal=0.001;%期望最小误差值
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组15输入4输出训练集和目标集
[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);—随机给定隐含层、输出层偏值
for epoch=1:max_epoch
Oi=tansig(Wij*X,b1);
Ok=purelin(Wki*Oi,b2);
E=T-Ok;
deltak=deltalin(Ok,E);%计算输出层的delta
deltai=deltatan(Oi,deltak,Wki);%计算隐含层的deita
[dWki,db2]=learnbp(Oi,deltak,Ir);%调整输出层加权系数
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 %显示计算次数
X1=X;
Oi=tansig(Wij*X1,b1);%各隐含层输出
Ok=purelin(Wki*Oi,b2);%显示网络输出层的输出

Ⅲ 请问现在污水处理软件主流的有哪些，我们想做污水厂全厂模拟，不要那种小软件，GPS-X 和Biowin 有啥区别啊

为什么选择GPS-X模拟抄软件？

GPS-X是第一个商业化的污水处理厂动态模拟软件，仍然是今天首选的解决方案。

它的最主要的一个优势是可以实现在线模拟。

GPS-X的优点

·污水进水特征顾问：在进行模拟以前验证你的进水数据的精度和一致性。

·快速显示区域：你需要的工程参数可以自动的总结并显示，实时的更新，只要简单的一个点击就可输出到Excel文件。

·动态模拟：GPS-X提供污水处理模拟领域最快速的动态模拟，能快速的完成其它模拟软件需要长时间才能完成的模拟工作。

·用户界面：直观，友好。

·综合的污水处理厂单元工艺模型库（下图）：提供给用户设计和优化各种污水处理工艺的建模工具，包括MBR, IFAS, UASB,反消化滤池,污泥预处理，厌氧消化，以及先进的侧流工艺的全污水处理厂的工艺模型以及先进的侧流工艺的全污水处理厂的工艺模型。

Ⅳ 污水处理系统模拟软件gps-x怎么用

我也想要这软件，可是找不到

Ⅳ 小波神经网络模型 [基于小波神经网络的污水出水COD预测模型]

摘?要 由于污水各指标含掘拦量和污水处理过程的复杂性，污水出水COD含量变化有着很强的非线性，一般方法难以建模；而神经网络尤其是小波神经网络擅长处理复杂模型，故使用两种网络建立污水出水COD预测模型，进行仿真和对比分析。此外，对高邮市海潮污水处理厂的监测数据进行实证分析，表明建立的模型具有较快的收敛速度和较高的预测精度，能够对污水处理中出水COD含量浓度进行有效预测和控制，具有一定理论价值和应用价值。
关键词 小波神经网络；BP神经网络；COD含量；预测
中图分类号 TN710 文献标识码 A 文章编号 1673-9671-(2012)071-0108-03
高邮市海潮污水处理厂采用的是德国冯·诺顿西公司的“百乐克”工艺，是由德国冯.诺顿西公司于七十年代研究成功的一种新型污水处理技术。COD，是表示水质污染度的指标。污水处理工艺复杂，水质变化大，各参数关系复杂，出水水质难以预测。神经网络方法具有一定的鲁棒性和自适应性，故使用神经网络进行建模，进行预测、控制。
BP神经网络是一种典型的多层前馈神经网络，主要特点是信号前向传递，误差反向传递，分为输入层，隐藏层，输出层。研究表明，足够多的隐含层神经元可以使得三层神经网络可以无限地逼近任何复杂函数。但BP网络也有一些缺陷，限制了它在工程中的进一步应用。
小波神经网络是近年来新兴的一种人工神经网络，集小波分析和人工神经网络的优点于一体。该网络引入伸缩因子和平移因子，具有更多的自由度和更强的灵活性，能有效克服传统神经网络模型的不足。本文采用小波神经网络对污水出水COD含量进行建模，进行实证分析，证明了该模型的有效性和可行性。
1 小波神经网络模型
1.1 小波的基本概念
小波分析是当前数学中一个迅速发展的新领域，是针对傅里叶变换的不足发展而来的，它解决了傅里叶变换不能解决的问题。有关概念简要复述如下：
定义1：设φ(t)∈L2(R)，如果
（1.1）
则称φ(t)为一个小波，也常称为母小波或基本小波。
定义2：对小波φ(t)进行伸缩和平移，可得到一族函数
（1.2）
则称φu,s(t)为小波φ(t)的小波基函数。式（2）中，s称为尺度参数，u称为平移参数。
本文使用的小波基函数是Morlet小波，其表达式为：
（1.3）
1.2 小波神经网络结构和学习算法
小波神经网络以BP神经网络拓扑结构为基础，隐含层节点的传递函数为小波基函数，信号向前传播，同时误差反向传播，是一种三层的前向网络；其拓扑结构如图1所示。
图1中，X1，X2，…，Xk是小波神经网络的输入变量，Y1，Y2，…，Ym是小波神经网络的预测输出，ωij和ωjk为小波神经网络权值。
在输入信号序列为xi(i=1,2,…,k)时，隐含层输出计算公式为：
（2.1）
式（2.1）中，h( j )是隐含层第j个节点输出值；ωij为输入层和隐含层的连接权值；bj为小波基函数hj的平移因兄绝子；aj为小波基函数hj的伸缩因子；hj为小波基函数。
图1 小波神经网络拓扑结构
小波神经网络输出层计算公式为：
（2.2）
式（2.2）中，ωik为隐含层到输出层权值；h(i)为第i个节点的输出；l为隐含层节点数；m为输出层节点数。
小波神经网络采用梯度修正法修正各权值和参数，进而不断逼近期望输出，过程如下：
1）计算网络预测误差
（2.3）
式（2.3）中，yn(k)为期望输出，y(k)为小波神经网络预测输出。
2）根据误差修正小波神经网络权值和小波基函数系数
（2.4）
式（羡散姿2.4）中，Δωn,k(i+1)、Δa k(i+1)、Δb k(i+1)是由网络预测误差计算求得：
式（2.5）中，η为学习速率。
（2.5）
2 污水出水COD预测模型
研究表明，污水出水COD含量与污水前几个时段的COD含量有关，据此设计小波神经网络。输入层为当前时间点前n个时间点的COD含量；输出层为当前COD含量预测值。其中，1至5月的污水出水COD含量为训练数据，6月份（1到30日）为测试数据，算法流程如下：
图2 小波神经网络算法流程
本文采用的小波神经网络有4个输入节点，表示预测时间节点前4个时间点的污水出水COD含量，隐含层有6个节点，输出层有1个节点，为网络预测的污水出水COD含量。
3 模型仿真结果分析
3.1 数据预处理
神经网络训练的数据预处理对网络有着很重要的影响，故要对数据进行归一化处理：
（4.1）
3.2 模型仿真与分析
构建BP网络模型和小波神经网络模型，输入向量为待预测时间点前4个时间点的污水出水COD的归一化数据，输出数据为预测时间点处的污水出水COD待归一化数据。训练网络，得到预测值和预测误差。表1给出了2012年6月1至30日的COD实测值、BP网络模型预测值以及小波网络模型预测值。
利用MATLAB软件进行仿真，图3是BP神经网络模型预测曲线，图4是小波神经网络模型仿真预测曲线。
图3 基于BP神经网络构建的污水出水COD预测模型
（1～5月训练，6月测试）
设xt为实际值，xt为模型预测值，n为模型预测检验个数。定义平均绝对误差MAE为：
（4.2）
由仿真结果知，两种网络预测趋势相同， BP网络模型预测平均误差MAE为1.24（mg/L），平均相对误差为5.3193%，小波神经网络模型预测平均误差MAE为1.13（mg/L），平均相对误差
图4 基于小波神经网络构建的污水出水COD预测模型（1～5月训练，6月测试）
为4.7877%；训练过程中，同等精度条件下，BP神经网络模型训练次数要远多于小波神经网络训练次数；表明BP网络和小波神经网络模型均可以较好地模拟污水出水COD含量变化过程，但小波神经网络模型在收敛速度和预测精度方面要优于传统的BP网络模型。
4 结论
小波神经网络是基于小波分析理论的一种新型神经网络模型，具有时频局域化分析和自适应能力。本文将小波神经网络模型应用到污水出水COD含量预测中，为污水出水COD含量预测提供了一种新方法。使用MATLAB软件实证分析了模型的可行性和有效性，结果表明，小波神经网网络模型在收敛速度和预测精度方面均优于传统的BP网络模型，故最终使用小波神经网络建立模型。最后，本文的模型具有一定普遍意义，在高度非线性的时间序列预测问题中，可以采用小波神经网络建模的方法对时间序列未来的变化进行预测和控制。
参考文献
[1]谢立春.BP神经网络算法的改进及收敛性分析[J].计算技术与自动化,2007,26(3):52-56.
[2]贺清碧,周建丽.BP神经网络收敛性问题的改进措施[J].重庆交通学院学报,2005,24(1):143-145.
[3]陈哲,冯天瑾.小波神经网络研究进展及展望[J].青岛海洋大学学报,1999,29(4):66-667.
[4]朱四超.基于小波神经网络的工程变形量预测模型[J].2010,8(2):103-105
[5]李元松,李新平,代翼飞,田昌贵,陈清运.小波神经网络在高陡边坡位移预测中的应用[J].2010,32(9):39-43.
[6]潘国荣,谷川.变形监测数据的小波神经网络预测方法[J].大地测量与地球动学,2007,27(4):47-50.
[7]聂勋科.基于神经网络的污水出水COD预测模型重庆工学院学报[J].22(8):156-161.
[8]孙延奎.小波分析及其应用[M].北京:机械工业出版社,2005.
[9]史峰,王小川,郁磊,李洋.MATLAB神经网络30个案例分析[M].北京航空航天大学出版社,2011.

Ⅵ 仿真软件的仿真平台软件介绍

SimuWorks是为大型科学计算、复杂系统动态特性建模研究、过程仿真培训、系统优化设计与调试、故障诊断与专家系统等，提供通用的、一体化的、全过程支撑的，基于微机环境的派埋开发与运行支撑平台。软件采用了动态内存机器码生成技术、分布式实时数据库技术和面向对象的图形化建模方法，在仿真领域处于国内领先水平。它主要用于能源、电力、化工、航空航天、国防军事、经济等研究领域，既可用于科研院所的科学研究，也可用于实际工程项目。
一、SimuWorks 的组成
SimuWorks平台产品主要包括
1、 仿真支撑平台SimuEngine（早期版本为Vcs3、SE2000）
2、 图形化建模工具SimuBuilder（早期版本THAms、FigAms）、包括模块资源管理器SimuManager
3、 模块资源库SimuLib（包括：控制，电气，热力，流网，电网）
4、 嵌入式实时操作系统仿真平台SimuERT
5、 仿真实时图形系统SimuMMI
二、SimuWorks的主要特点
1、使用动态内存机器码生成技术，结合分布式实时数据库，为微机环境下分布式计算和复杂系统实时仿真，提供了高效的底层支撑平台；
2、采用面向对象的图形化建模方法，为不同领域仿真科学研究与工程实践，提供了通用的模型开发环境。
3、 SimuWorks将系统仿真所需要的各种功能进行了整合，形成了从开发、调试、验证、到运行、分析等全过程的整套流水线，创立了“系统仿真流水线开发工厂”的新理念，大大提高了仿真工程项目的开发效率；
4、大型实时仿真系统中，普通的商业数据库达不到实时性要求，SimuWorks中的SimuEngine仿真引擎提供了一个高速的网络实时数据库，可以实现多个模型的分布式计算、动态数据显示与在线数据修改，可以满足大型实时仿真系统的开发和运行的需要；
三、SimuWorks 的工作流程
● 使用SimuWorks进行仿真开发的工作流程为：
● 对于系统未提供的专业模块和部分通用模块，用户可以使用SimuManager进行扩充；
● 在SimuBuilder环境中，利用系统提供的模块和用户自己开发的模块，根据仿真对象的组成，用图形的方式进行模块组合，构建仿真系统；
● 配合SimuEngine的仿真支撑，利用SimuBuilder对所构建的仿真系统进行调试，直至形成稳定的最终产品；
VR-Platform（英文全拼为Virtual Reality Platform，简称VR-Platform或VRP）即虚拟现实仿真平台。该仿真软件适用性强、操作简单、功能强大、高度可视化、所见即所得。
VR-Platform虚拟现实仿真平台所有的操作都是以美工可以理解的方式进行，不需要程序员参与。如果需操作者有良好的3DMAX建模和渲染基础，只要对VR-PLATFORM平台稍加学习和研究就可以很快制作出自己的虚拟现实场景。
VRP虚拟现实仿真平台，经历了多年的研发与探索，已经在VRP引擎为核心的基础上，衍生出了九个相关三维产品的软件平台。其中VRP-BUILDER虚拟现实编辑器和VRPIE3D互联网平台软件已经成为目前国内应用最为广泛的VR和WEB3D制作工具，连续三年占据国内同行业的领导地位，用户数量始终位于第一。
VR-Platform虚拟现实仿真平台的产品体系包含九大产品：VRP-BUILDER虚拟现实编辑器、VRPIE3D互联网平台、VRP-DIGICITY数字城市平台、VRP-PHYSICS物理模拟系统、VRP-INDUSIM工业仿真平台、VRP-TRAVEL虚拟旅游平台、VRP-MUSEUM虚拟展馆、VRP-SDK系统开发包、VRP-MYSTORY故事编辑器。
VR-Platform虚拟现实仿真平台可广泛的应用于城市规划、室内设计、工业仿真、古迹复原、桥梁道路设计、房地产销售、旅游教学、水利电力、地质灾害等众多领域，为其提供切实可行的解决方案。 Infolytica公司于1978年由Peter Silvester博士,Ernest M. Freeman博士,David A. Lowther博士核前（现任总裁）创立，是世界上第一个商业电磁场分析软件公司，总部设在加拿大的蒙特利尔市。海基科技是Infolytica软件在中国的独家代理商。 Infolytica公司作为众多电磁软件新技尘氏蚂术的创始人和领导者，一直致力于电磁场有限元分析领域的技术研究和开发，致力于为电磁设计工程师提供完整解决方案。Infolytica软件成为全世界设计者进行低频电磁分析的首选软件，不断为航空、航天、汽车、耐用电器、电力、医疗设备、电子产品等行业以及科研教育等领域提供复杂的磁场、电场、热场问题解决方案。 Infolytica产品系列主要包含MagNet, ElecNet, ThermNet, OptiNet,MotorSolve等软件，使得二维和三维的电场、磁场以及热场的独立及耦合分析在同一界面下轻松进行。