[发明专利]一种污水处理生化需氧量软测量方法

权利要求书

1.一种污水处理生化需氧量软测量方法，其特征在于，包括以下步骤：

(1).对污水处理过程机理进行分析，初步确定与生化需氧量相关的辅助变量；

(2).在污水处理工业现场采集k组步骤(1)中确定的辅助变量及生化需氧量的样本数据；

(3).运用主元分析方法对步骤(2)的数据再次进行分析，精选出跟出水生化需氧量相关性高的辅助变量；

(4).用神经网络结构自组织设计方法对污水处理过程现场的进出水数据建立模型，预测输出下一时刻的出水生化需氧量。

2.根据权利要求1所述的一种污水处理生化需氧量软测量方法，其特征在于：用神经网络结构自组织设计方法对污水处理过程现场的进出水数据建立模型，预测输出下一时刻的出水生化需氧量结果，具体包括以下步骤：

(1).建立一个神经网络模型，神经网络包括输入层、隐含层及输出层，神经网络模型的输入为权利要求1中精选出的辅助变量，输出为生化需氧量；

(2).对神经网络进行μ步训练，每训练一步计算一次神经网络的误差，误差函数定义如下：

E=12Σt=1k(y(t)-yd(t))T(y(t)-yd(t))---(1)]]>

其中：

y(t)表示将采集到的精选出的辅助变量的第t组样本数据输入到神经网络所产生的实际输出值，

y_d(t)表示神经网络的期望输出，即与精选出的辅助变量的第t组样本数据对应的已经采集到的生化需氧量的样本数据，

k表示采集到的样本数；

将μ步训练结束后的神经网络的误差计为E_0p；

(3).判断神经网络训练至最后一步时的误差是否满足设定目标值，若满足，跳转至(9)，若不满足，继续向下执行；

(4).计算隐含层每个神经元的全局显著性指数，全局显著性指数计算公式如下：

GSIj=|SIj|Σj=1K|SIj|---(3)]]>

其中，

GSI_j为隐含层第j个神经元的全局显著性指数，

K为隐含层神经元个数，

SI_j为隐含层第j个神经元的显著性指数，计算公式如下；

SIj=Σi=1MwijFwijF-wijIσj2---(2)]]>

其中，

M为输入层神经元个数，

w_ij^F为神经网络训练终止时输入层第i个神经元与隐含层第j个神经元之间的连接权值，

w_ij^I为神经网络训练初始时输入层第i个神经元与隐含层第j个神经元之间的连接权值，

σ_j为隐含层第j个神经元输出的方差；

(5).根据隐含层神经元变化条件，对每个隐含层神经元进行增长或删减；

如果隐含层第j个神经元的全局显著性指数满足

GSI_j≥G_th1    (4)

则由原来的一个神经元增长为三个神经元，其中，G_th1为设定的增长阈值；相应的隐含层新增神经元的权值调整为：

wijm=αmwijwjm=αmwj,m=1,2,3---(5)]]>

∑α_m＝1    (6)

其中，

w_ij^m表示新增隐含层神经元与输入层第i个神经元之间的连接权值，

w_j^m表示新增隐含层神经元与输出层神经元之间的连接权值，

w_ij表示输入层第i个神经元和隐含层第j个神经元之间的权值，

w_j表示隐含层第j个神经元和输出层神经元之间的权值。

α_m的选择服从均值为0，方差为1的高斯分布；

如果隐含层第j个神经元的全局显著性指数满足

G_th2≤GSI_j＜G_th1    (7)

则由原来的一个神经元增长为两个神经元，其中，G_th2为设定的增长阈值：相应的隐含层新增节点的权值调整为：

wijm=αmwijwjm=αmwj,m=1,2---(8)]]>

如果隐含层第j个神经元全局显著性较低，满足

GSI_j≤P_th    (9)

则将其删除；其中，P_th为设定的删减阈值，

(6).对神经网络再次进行ε步训练，每训练一步计算一次神经网络的误差，训练结束后计算平均误差E_mean，E_i为神经网络训练至第i步时的误差；将第一步训练结束时神经网络的误差计为E_1P；

(7).确定自适应训练步长；

当E_mean＜ΔE_max·E_0p时，ΔE_max＝|E_0p-E_1P|，训练步长调整为：

ϵ=1γ·ϵ---(11)]]>

当E_mean＞ΔE_max·E_0p时，训练步长调整为

ε＝γ·ε    (12)

其中，γ＞1；

(8)根据(7)得到的训练步长对神经网络再次进行训练并跳转至(3)；

(9)神经网络训练结束，利用训练好的神经网络对出水生化需氧量进行预测。