[发明专利]一种污水处理过程中生化需氧量BOD的软测量方法

权利要求书

1.一种污水处理过程中生化需氧量BOD软测量的方法，其特征在于， 包括以下步骤：

(1)设计的污水水质BOD软测量动态神经网络拓扑结构；网络分为三层： 输入层、隐含层、输出层；输入为污水调节池进水水质指标，输出为生化需 氧量BOD；

初始化神经网络：确定神经网络p-n-1的连接方式，即输入层神经元为p 个，隐含层神经元为n个，输出层神经元为1个；对神经网络的权值进行随机 赋值；神经网络的输入表示为x₁，x₂，…，x_p，神经网络的期望输出表示为y_d；设 共有m个训练样本，则第k个训练样本为x₁(k)，x₂(k)，…，x_p(k)，y_d(k)，用第k个训练样 本训练神经网络时，神经网络各层的计算功能是：

输入层，该层由p个神经元组成：

Ini(1)(k)=xi(k),Outi(1)(k)=Ini(1)(k),(i=1,2,···,p);]]>

(1)

分别表示输入层的输入和输出；

隐含层，该层由n个神经元组成：

Inj(2)(k)=Σi=1pwj,i2(k)xi(k),Outj(2)(k)=fj(Inj(2)(k)),(i=1,2,···,p.j=1,2,···,n);]]>

(2)

分别表示隐含层的输入和输出，表示第i个输入层神 经元与第j个隐含层神经元之间的联结权值，f(·)为sigmoid函数，其形式为：

f(x)=11+e-x]]>

(3)

输出层，该层只有1个神经元：

y(k)=Out(3)(k)=Σj=1nwj3(k)Outj(2)(k),(j=1,2,···,n)]]>

(4)

Out⁽³⁾(k)表示输出层的输出，表示第j个隐含层神经元与输出层神经元 之间的联结权值，y(k)为神经网络的实际输出；

定义误差函数为

E=1mΣk=1m(y(k)-yd(k))T(y(k)-yd(k))]]>

(5)

T为(y(k)-y_d(k))的转置，m为训练样本总数，训练神经网络的目的是使得 式(5)定义的误差函数达到期望值E_d；

(2)对样本数据进行校正；

设t个数据样本x(1)，x(2)，…，x(t)，均值为每一个样本的偏差为q＝1，2，…，t，按照Bessel公式计算出标准偏差：

σ=Σj=1t(x(q)-x‾)2t-1]]>

(6)

若某一个样本x(q)的偏差满足：

|D(q)|≥3σ，q＝1，2，…，t；

(7)

则认为样本x(q)是异常数据，应予以剔除，得到校正后的数据，该数据作 为神经网络的训练样本和测试样本；

(3)用校正后的部分数据训练神经网络，在训练过程中利用快速OBS修剪 算法对神经网络的冗余隐神经元进行修剪；

具体为：

①训练给定神经网络至较小误差；

②进行结构调整，利用递归公式计算Hessian矩阵的逆矩阵H^-1，矩阵中的 元素H_j，j的计算公式如(8)；

Hj,j=1nΣj=1n(∂f(rj)∂rj)(∂f(rj)∂rj)T]]>

(8)

rj=Σi=1nwij2·xi]]>

(9)

其中，f(·)为sigmoid函数，其形式如(3)，x_i是输入样本；

③计算每个隐含层神经元的显著性s_j；利用与第j个神经元相连的所有p 个权值的均值计算S_j，令：

w‾j=Σi=1pwij2p]]>

(10)

表示隐含层间第j个神经元与输入层第i个神经元之间的联结权值；

第j个神经元的显著性为：

sj=w‾j22[H-1]j,j]]>

(11)

H^-1为Hessian矩阵的逆矩阵，[H^-1]_j，j是这个逆矩阵的第(j，j)个元素；

④如果显著性S_j远小于误差值，那么删除相应的神经元j，并转第⑤步； 否则，转第⑥步；

⑤通过应用如下调整校正网络中所有的突触权值：

Δw=-w‾j[H-1]j,jH-1lj]]>

(12)

W′＝W+Δw    (13)

w′为训练后的联结权值，w为训练前的联结权值；其中H^-1是Hessian矩 阵H的逆矩阵，[H^-1]_j，j是这个逆矩阵的第(j，j)个元素，l_j是除了第j个元素等于 单位1之外其他所有元素均为零的单位向量；Δw是权值增长变量，是与隐 含层中第j个神经元相连的所有p个权值的均值，其形式如(10)；

⑥当不再有神经元被删除时停止神经网络结构调整计算，否则转第②步 继续进行神经网络结构调整；如果不再有神经元被删除，重新训练神经网络； 判断神经网络当前误差是否小于期望误差E_d；如果当前误差小于期望误差E_d则神经网络停止训练，否则对神经网络进行重新训练；

(4)对预测样本进行预测：将预测样本数据作为训练好的神经网络的输 入，神经网络的输出即为出水BOD的预测结果。